Содержание к диссертации
Введение
1. Обзор существующих методов каротажа и интерпретации резуль татов геофизических исследований скважин 16
1.1. Методы геофизических исследований скважин 16
1.1.1. Электрические методы каротажа 19
1.1.2. Акустический каротаж 24
1.1.3. Радиоактивные методы каротажа 27
1.1.4. Кавернометрия 30
1.2. Автоматизация обработки и интерпретации результатов ГИС 30
1.3. Интерпретация каротажных данных 34
1.4. Алгоритмы интерпретации каротажных данных 39
1.4.1. Статистические методы 39
1.4.2. Алгоритм с использованием диагностических кодов . 42
1.4.3. Цитологическое расчленение с оценкой вероятности . 44
1.4.4. Метод нормализации 45
1.4.5. Методы классификации, основанные на петрофизиче-ских данных 46
1.5. Комплексы программных средств для обработки данных ГИС . 47
1.5.1. Программы для оцифровки каротажных диаграмм . 47
1.5.2. Программы интерпретации каротажных диаграмм . 48
1.6. Выводы, постановка цели и задач исследований 59
2. Совершенствование методов оптимизации, применяемых при обучении интеллектуальных систем для интерпретации ГИС 60
2.1. Методы оптимизации, построенные на вычислении градиента целевой функции 60
2.2. Генетические алгоритмы оптимизации 65
2.3. Стандартный генетический алгоритм с двоичным кодированием (BGA). 67
2.4. Генетический алгоритм с вещественным кодированием (RGA). 75
2.5. Гибридный генетический алгоритм с элитным обучением лидера.. 79
2.6. Тестирование гибридного алгоритма на многоэкстремальных функциях 83
2.7. Применение гибридного алгоритма BGAVM для решения оптимизационных задач 88
2.8. Полученные результаты и выводы 93
3. Разработка интеллектуальной системы интерпретации ГИС на основе теории нейронных сетей 94
3.1. Основы нейроинформационных технологий 94
3.2. Алгоритм обратного распространения ошибки 96
3.3. Обучение нейронной сети с помощью гибридного алгоритма . 98
3.4. Радиальные нейронные сети 100
3.5. Нечеткая нейронная сеть TSK 103
3.6. Расчленение разреза на пласты нейросетевыми методами 107
3.7. Определение коэффициентов пористости коллекторов ПО
3.8. Влияние представления данных на процесс интерпретации многослойной нейронной сетью 112
3.9. Полученные результаты и выводы 127
4. Математические и программные средства повышения информа тивности моделей интерпретации данных ГИС 129
4.1. Модель поточечной интерпретации геофизических данных 129
4.2. Снижение размерности системы данных 136
4.3. Методы классификации пластов нефтяных скважин 143
4.3.1. Метод многомерного шкалирования 143
4.3.2. Самоорганизующиеся карты Кохопена 145
4.3.3. Метод выделения главных компонент І48
4.4. Полученные результаты и выводы 149
Заключение 150
Литература 153
Приложение 170
- Автоматизация обработки и интерпретации результатов ГИС
- Генетические алгоритмы оптимизации
- Алгоритм обратного распространения ошибки
- Снижение размерности системы данных
Введение к работе
5%
Актуальность темы. В настоящее время преимущества применения компьютерной техники в геофизике ни у кого не вызывает сомнений. Она позволяет отойти от традиционных методов сбора и обработки информации, решать проблему переработки больших массивов информации, исключить субъективность интерпретации результатов исследований.
Существует большое количество программных средств и аппаратно-программных комплексов, позволяющих автоматизировать все процессы сбора, обработки и хранения данных геофизических исследований скважин (ГИС). Но даже при современном многообразии различных программных средств, производящих интерпретацию ГИС, системы, использующие возможности искусственного интеллекта, немногочисленны по своей номенклатуре и обладают достаточно невысокими интеллектуальными способностями, что не позволяет использовать их в качестве основных решающих инструментов при вынесении заключения с высокой степенью достоверности о наличии нефтяных коллекторов в литологической структуре как скважин, так и геологических горизонтов. Развитие интеллектуальных компьютерных систем, разработка высоких информационных технологий, доведение их до уровня, соответствующего современным требованиям экспертных систем, является магистральным направлением в развитии скважинной геофизики.
Использование преимуществ искусственного интеллекта позволяет выйти на иной, более качественный уровень обработки результатов ГИС, поскольку он позволяет в значительной мере заменить геофизика-интерпретатора, занимающегося рутинной работой просмотра огромных массивов однотипной геолого-геофизической информации на автоматизированный программно-аппаратный комплекс, использующий сетевые технологии, Internet-технологии и инфотелекоммуникационные системы для принятия с высокой степенью достоверности решения о наличии нефтеносного коллектора при ГИС.
Одним из направлений развития систем искусственного интеллекта является использование в них аппарата искусственных нейронных сетей (НС). Несмотря на простоту их построения и функционирования, они позволяют накапливать уже известные закономерности ГИС, обобщать факты и давать вполне корректные оценки в ситуациях, когда на входе НС представлены зашумлен-ные данные. НС уже широко применяются за рубежом в различных системах распознавания образов, например, прогнозирования, управления и др. К сожалению, в нашей стране, пока это редкое явление.
В настоящее время создано множество программных продуктов, имитирующих работу НС. Но возможности их применения в геофизической области весьма ограничены. Это связано с тем, что данные программы не содержат в себе ни правил формализации исходных данных и заключений, применяемых для решения задач ГИС, ни специализированных НС, ни средств импорта/экспорта геофизических данных.
В связи с этим, применение НС для интерпретации данных ГИС позволит повысить надежность результатов интешшвУШИ. ^имшшь иремя, затрачиваемое на решение данной задачи. Поэто] [у репденщ^д^щфрс актуальных задач
и посвящена настоящая диссертация.
Объектом исследования являются каротажные данные (КД), представленные в цифровом виде; адаптивные модели НС для решения задач интерпретации ГИС; многослойные, радиальные и нечеткие интерпретирующие НС; интеллектуальные системы интерпретации (ИСИ) ГИС на основе моделей НС; методы оптимизации, применяемые для обучения ИСИ.
Предметом исследования являются методы и алгоритмы интерпретации геофизической информации; генетические алгоритмы оптимизации; методы и алгоритмы обучения НС; нейроинформационные технологии для расчленения разреза скважины на пласты; нейросетевые методы прогнозирования коэффициентов пористости коллекторов; неиросетевая модель поточечной интерпретации данных ГИС; методы классификации пластов нефтяных скважин; программное, информационное обеспечение и структура ИСИ ГИС.
Цель работы состоит в получении научно-обоснованных математических моделей и программно-аппаратных средств интеллектуальных систем интерпретации ГИС, обеспечивающих литологическое расчленение скважины и выявление нефтенасыщенных коллекторов на основе разработки эффективных алгоритмов интерпретации ГИС, базирующихся на нейросетевых технологиях, внедрение которых имеет существенное значение для повышения степени автоматизации интерпретации геолого-геофизической информации.
Для реализации поставленной цели необходимо решить следующие задачи:
выбор и обоснование путем теоретических и экспериментальных исследований структуры ИСИ, ее аппаратной части, принципов построения программного и информационного обеспечения; кодирование отдельных модулей ИСИ ГИС;
формализация задачи качественной интерпретации данных ГИС для ее решения с помощью аппарата НС;
разработка правил и методик применения НС для решения задачи лито-логического расчленения разреза скважины;
разработка алгоритма поточечного моделирования для решения задачи интерпретации разных уровней;
применение метода главных компонент для сжатия входной информации в сочетании с применением нечеткой нейронной сети;
выбор корректных оценок, позволяющих определять качество интерпретации с помощью НС;
разработка методики классификации пластов нефтяных скважин, основанных на применении алгоритмов обучения без учителя;
создание алгоритмов последующей обработки результатов работы НС для повышения качества и надежности интерпретации.
Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.
При решении задачи качественной интерпретации данных ГИС применялись: многослойная нейронная сеть; радиальная сеть; нечеткая сеть TSK; математические методы снижения размерности данных. Для обучения интерпретирующих систем применялся гибридный алгоритм оптимизации.
Предварительная обработка геолого-геофизической информации базиру-
ется на использовании методов статистического анализа временных рядов в приложении к геофизическим сигналам. Построение ИСИ велось на основе метода структурной декомпозиции программных модулей, позволяющего обеспечить удобство настройки системы и высокую степень интеграции с другими программными продуктами. При решении задач комплексного анализа достоверности данных использовались алгоритмы математической статистики, пет-рофизические закономерности.
Информационная модель ИСИ создана с учетом объектно-ориентированных принципов разработки программных комплексов. База правил разработана с учетом механизмов построения реляционных структур данных. Структурная схема системы спроектирована и реализована с учетом теоретических основ информатики и вычислительной техники.
Программное обеспечение системы реализовано на алгоритмическом языке высокого уровня - Object Pascal, интерфейс пользователя разработан в интегрированной среде Borland Delphi 6.0, а внутренняя база данных реализована в формате Microsoft Access (mdb). Часть правил системы используются в виде внешних библиотек (dll) и реализованы на языке высокого уровня Microsoft Visual C++.
Достоверность и обоснованность полученных в работе результатов и выводов подтверждается сопоставительным анализом разработанных и существующих математических моделей и методов, а также итогами практического использования ИСИ ГИС.
Математические модели, алгоритмы и прикладные программы, используемые в работе, основаны на положениях теории нейроинформационных технологий, на теоретических основах функционального анализа, теории статистического анализа каротажных диаграмм как временных рядов, а также теории вероятностей, случайных функций и фундаментальных основ построения экспертных систем. Методики расчета параметров коллекторов базируются на широко применяемых при геофизических исследованиях скважин петрофизиче-ских зависимостях.
Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими методами обработки данных и хорошей воспроизводимостью результатов. Достоверность эталонного материала для обучения моделей НЛ обеспечена использованием утвержденных в ОАО «Башнефтегеофизика» экспертных заключений по обрабатываемым скважинам.
На защиту выносятся результаты проведения исследований по определению информативности методов каротажа при распознавании литологической структуры разреза скважины, исследования применения нейронных сетей для качественной интерпретации данных ГИС, обеспечивающих возможность получения заключения по наличию нефтенасыщенных коллекторов непосредственно после проведения каротажных работ на скважине, а также принципы разработки ИСИ гаС, обеспечивающей повышение уровня достоверности и согласованности геоло-ю-геофизической и промысловой информации, в том числе:
- применение средств искусственного интеллекта для определения лито-
логического состава разреза скважины по данным каротажа путем обучения на основе анализа соответствия КД имеющемуся экспертному заключению;
результаты разработки гибридного оптимизационного метода, основанного на применении градиентных и генетических алгоритмов, и его тестирование на возможность применения при оптимизации многоэкстремальных функций большой размерности;
выбор и обоснование правил формализации задачи литологического расчленения разреза скважины с помощью НС;
анализ влияния правил представления входных геофизических данных и выходных заключений результатов интерпретации на качество обучения нейронной сети;
достижение преимуществ применения специализированных алгоритмов обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания;
реализация разработанных алгоритмических средств и программного комплекса для практического использования и получения реальных результатов экспресс-интерпретации различных скважин;
проектирование и реализация ИСИ ГИС, разработка концептуальной структуры объектно-ориентированной системы, принципов построения программного, информационного, математического и лингвистического обеспечения системы.
Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых вместо применения классических методов интерпретации, использующих решения трансцендентных уравнений петрофизики, в процессе интерпретации КД применен подход, существенно сокращающий количество вычислительных операций и повышающий быстродействие оперативной качественной интерпретации непосредственно на скважине в ходе проведения гаС путем применения современной математической теории интеллектуальных систем на основе нейроинформационных технологий, в ходе которых:
осуществлен выбор структуры и создана ИСИ ГИС на основе нейроинформационных технологий, предложены концепция и принципы построения ее программного и информационного обеспечения;
разработан новый гибридный метод оптимизации, основанный на параллельной работе градиентного метода (МСГ - метод сопряженных градиентов, МПМ - метод переменной метрики) и генетического алгоритма с бинарным или вещественным кодированием;
применен аппарат искусственных нейронных сетей, позволяющий использовать накопленный эмпирический материал и знания опытных интерпретаторов, являющийся ядром базы знаний интеллектуальной системы для литологического расчленения разреза скважины;
получены зависимости точности определения литологической структуры разреза скважины от вида представления каротажных данных, что дает возможность применять аппарат искусственных НС в геолого-геофизической области;
- предложена методика применения НС, не зависящая от количества
входных каротажных диаграмм, позволяющая проводить качественную экс
пресс-интерпретацию даже в тех случаях, когда на скважине проведен непол
ный набор методов геофизических исследований, и решающая проблему точ
ной классификации типа пласта в случае противоречивости данных ГИС;
разработаны алгоритмы повышения надежности распознавания литоло-гической структуры скважины, являющиеся составной частью интеллектуальной системы и обеспечивающие возможность использования в качестве операторов-пользователей данной системы специалистов среднего уровня;
разработана интеллектуальная система на основе НС, опирающаяся на проведенный вычислительный эксперимент, позволяющая проводить качественную экспресс-интерпретацию каротажных диаграмм, используя созданную базу знаний с учетом эмпирических данных высококлассных геофизиков-интерпретаторов, даже в процессе проведения ГИС.
Практическая полезность. Применение ИСИ ГИС позволяет существенно сократить временные затраты при решении задачи литологического расчленения скважин за счет реализации современных достижений в области развития систем искусственного интеллекта. Это выражается в том, что найден магистральный путь отхода от решения классических уравнений математической физики, в частности геофизики, и переходу к применению дискретных многофункциональных систем, использующих базы знаний и базы данных, позволяющих принимать решения на основе применения эмпирически обоснованных экспертных оценок. Данные возможности появились в результате реализации математической теории интеллектуальных систем на основе нейросетевый технологий.
Полученные в работе методики и алгоритмы применения аппарата искусственных нейронных сетей для качественной экспресс-интерпретации данных ГИС позволяют существенно автоматизировать труд геофизика-интерпретатора за счет колоссальных вычислительных возможностей по обработке терабайт геофизической информации интеллектуальными системами на базе как отдельных компьютеров, так и компьютерных сетей, существенно использующих реляционные базы данных таких как «Finder» и др. НС за счет заложенных в них эталонных данных позволяют сократить время, необходимое на проведение качественной экспресс-интерпретации скважин, в несколько раз с одновременным повышением качества интерпретации и сокращением ошибок при принятии решений.
Информационная модель системы состоит из правил предметной области, описывающих корректность информации, которые организованы в единую базу данных. Использование в качестве СУБД SQL-сервера, Oracle и Microsoft SQL Server, поддерживающих стандарт ANSI SQL 92, позволяет модифицировать структуру БД под вновь возникающие требования, а также в случае необходимости адаптировать се под любую другую СУБД, поддерживающую реляционные модели баз данных. Модульность созданной системы обеспечивает возможность подключения программных модулей сторонних разработчиков, что позволяет более тонко осуществлять настройку на предметную область. Измерительная информация представлена в виде базы данных, что позволяет обра-
батывать данные по скважинам, методам и измерениям.
Интеграция в единый программный продукт всех модулей ИСИ, средств хранения, предварительной обработки и интерпретации, наличие интерфейсов взаимодействия с другими программными комплексами, использование динамически связываемых библиотек (dll), дающих широкие возможности расширения, позволяет рассматривать созданную ИСИ как многофункциональный инструмент анализа геофизических данных.
Реализация работы в производственных условиях. При непосредственном участии автора была разработана и реализована ИСИ ГИС, построенная на принципах систем искусственного интеллекта и реализованная на математическом аппарате нейроинформационных технологий, в том числе созданы технические и методические средства, направленные на повышение точности ее функционирования и универсальности.
Работа выполнялась в соответствии с планами хоздоговорных НИР, проводимых ООО «Институт интеллектуальных технологий» и ОАО «ТНК-ВР»: № ГР 01200 405097 «Верификация геолого-геофизической информации по объектам разработки месторождений Северного НГДП ОАО «Нижневартовск»; № ГР 01200 405096 «Формирование базы данных геолого-технологических мероприятий на скважинах Самотлорского месторождения»; № ГР 01200 405095 «Оцифровка каротажного материала Каширо-подольского объекта Вятской площади Арланского месторождения»; № ГР 01200 405096 «Создание библиотеки скан-образов скважин Самотлорского месторождения»; № ГР 01200 406709 Формирование базы данных по ОАО «Варьеганнефтегаз».
Работа выполнялась в Институте математического моделирования разработки нефтяных месторождений ИжГТУ в соответствии с планами хоздоговорных НИР, проводимых ИжГТУ с ОАО «Удмуртгеология» и ОАО «Белкамнефть».
Вся работа в целом, а также ее отдельные части могут быть использованы предприятиями нефтегазодобывающей отрасли, организациями, занимающимися построением ряда различных моделей на основе геолого-геофизической и промысловой информации.
Апробация работы. Отдельные законченные этапы работы обсуждались на Международных НТК «Информационные технологии в инновационных проектах» (Ижевск,2002-2004); Научно-технических конференциях ИжГТУ (Ижевск,2002-2004); 5-м Международном конгрессе по мат.моделированию (Дубна,2002); Международной НТК «Интеллектуальные и многопроцессорные системы-2005» (Таганрог,2005); Международной НТК «Искусственный интел-лект-2005» (п.Дивноморское,2005); Междунар. научной молодежной школе «Нейроинформатика и системы ассоциативной памяти» (Таганрог,2005); 4-м научном симпозиуме «Геоинформационные технологии в нефтегазовом сервисе» (Уфа,2005).
Публикации. Основные научные результаты по теме диссертации опубликованы в 13 научных работах, в том числе: 6 отчетов о НИР (63с, 59с, 91с, 35с, 53с, 80с), 1 депонированная рукопись (объемом 42 страницы), 4 статьи в журналах и сборниках, 2 тезиса докладов на научно-технических конференциях.
Структура диссертационной работы определяется общими замыслом и
логикой проведения исследований.
Диссертация содержит введение, 4 главы и заключение, изложенные на 152 с. машинописного текста. В работу включены 53 рис., 7 табл., список литературы из 157 наименований и приложение, в котором представлен акт об использовании результатов работы.
Автоматизация обработки и интерпретации результатов ГИС
С каждым годом увеличивается число скважин поискового, разведочного и эксплуатационного бурения при сокращении сроков их строительства и растет объем геофизических исследований по контролю разработки месторождений и технического состояния скважин. Геологические сложности открываемых месторождений и расширяющийся круг задач и требований к геологической интерпретации геофизических данных требуют расширенного комплекса ГИС и более тщательного анализа их результатов.
Традиционные неавтоматизированные приемы сбора, хранения, обработки и интерпретации большого объема получаемой геофизической информации с помощью палеточного инструмента требуют больших трудовых и временных затрат, не обладают необходимой оперативностью, не исключают субъективности в решении геологических задач по результатам ГИС и, следовательно, не обеспечивают полного извлечения геологической информации из геофизических данных [3,81].
Одним из направлений повышения геологической эффективности и оперативности использования материалов ГИС является автоматизация процессов сбора, обработки и интерпретации информации с использованием ЭВМ и другого вспомогательного оборудования [4,33,36,43,55,59,108,109,142].
Автоматизация процессов сбора, обработки и интерпретации геофизических данных включает следующие основные этапы [137]: - сбор геофизической и геологической информации, преобразование ее в цифровую форму, запись на магнитные носители, транспортировка (передача) в вычислительный центр, контроль и ввод в ЭВМ; - обработка и интерпретация полученных данных на ЭВМ по комплексу специальных программ; - оформление и хранение результатов интерпретации.
Поскольку результаты ГИС определяют дальнейший ход разведки месторождений и их разработку, то автоматизированная система сбора обработки и интерпретации геолого-геофизических материалов и их хранения является составной частью общей автоматизированной системы управления геологоразведочными работами.
Развитие технологии регистрации информации на скважине привело к созданию цифровых магнитных регистраторов, позволяющих избежать этапа оцифровки КД. Цифровая регистрация каротажной кривой выполняется двумя способами: - запись одним каналом регистратора полностью сформированного гео физического параметра; - запись в нескольких каналах серии элементарных сигналов, создаваемых измерительной системой каротажа, по которым при обработке файла на ЭВМ вычисляется искомый геофизический параметр [42].
Дальнейшим развитием геолого-технологических исследований стал переход на компьютеризированный метод регистрации. В создании компьютеризированных станций участвовали, в основном, следующие организации: «АМТ» (станции «АМТ»), НПЦ «Тверьгеофизика» (станции «Разрез»), ОАО «ИМС» (станции «ИМС»), «Геотек» (станции «Геотек») [145].
Однако в силу различных причин до настоящего времени еще применяется регистрация результатов ГИС в аналоговой форме с помощью фоторегистратора на фотопленку. Такой вид регистрации результатов ГИС создает дополнительные трудности применения ЭВМ при обработке и интерпретации геолого-геофизической информации. Кроме того, такие же трудности возникают при обработке на ЭВМ фондовых материалов ГИС.
Для преобразования записи аналоговых непрерывных геофизических диаграмм в цифровую форму используются автоматические и полуавтоматические преобразователи.
При оцифровке вновь поступающих диаграмм и материалов ГИС старого фонда используются полуавтоматические преобразователи Ф001 и Ф014 и их модификации. Принцип действия полуавтоматических преобразователей заключается в следующем. Диаграммная лента протягивается с определенной скоростью (1; 2; 4 или 8 м/ч), устанавливаемой оператором в зависимости от сложности геологического разреза и детальности геофизического метода. Оператор вручную обводит указателем следящего устройства преобразуемую кривую геофизического параметра. Отклонения указателя от нулевой линии через одинаковый или переменный шаг дискриминации 0, 5; 1 или 2 мм в цифровом коде регистрируются на магнитном носителе.
Автоматические преобразователи Ф018 функционируют аналогичным образом. Носитель с преобразуемой кривой перемещается лентопротяжным механизмом. Через заданный шаг квантования А кривая пересекается под углом 90 сканирующим устройством (СУ) или лучом электронно-лучевой трубки, управляемой генератором разведки. В момент пересечения кривой сканирующим устройством вырабатываются импульсы, управляющие кодированием величины отклонения устройства СУ и регистрацией полученного кода. Обычно код пропорционален величине отклонения СУ от нулевого положения. АП позволяет более оперативно готовить данные для ввода в ЭВМ, но может использоваться для преобразования только простых и специально подготовленных кривых, вычерченных без разрывов и с равной толщиной линий. Поэтому, практического применения в геофизических организациях автоматические преобразователи пока не получили [57].
Другим способом оцифровки каротажных диаграмм является сканирование аналоговой информации с помощью рулонного сканера и последующая обводка кривых в полуавтоматическом режиме. Автоматизация обводки кривых осуществляется с помощью алгоритмов распознавания образов [105-107].
Современный уровень оцифровки диаграмм не исключает возможности брака вследствие сбоев преобразователей или невнимательности оператора. В связи с этим обычно выполняется контроль результатов оцифровки путем визуального сравнения исходного графического материала с графическими данными, полученными в результате цифроаналогового преобразования. Необходимость контроля исходных материалов в полной мере касается и цифровых геофизических лабораторий [1,24,27,29,70,76,146].
Генетические алгоритмы оптимизации
Теория генетических алгоритмов развивается всего несколько десятилетий. Ее основы заложены в работах Фогеля [11] и Холланда [18], Генетический алгоритм основан на имитации в искусственных системах некоторых свойств живой природы: естественного отбора, приспособляемости к изменяющимся условиям среды, наследования потомками жизненно важных свойств от родителей. Сильной стороной генетических алгоритмов является их способность решать многоэкстремальные задачи без наложения условий на вид оптимизируемой функции (отсутствуют требования непрерывности самой функции и ее производных). Однако достижения глобального экстремума генетические алгоритмы не гарантируют. Считается, что отыскивается сравнительно «хорошее» решение. Важным достоинством генетических алгоритмов является то, что для них не важно начальное приближение. Генетический алгоритм показал высокую эффективность при решении многих задач: обучение нейронных сетей [2, 17,135]; обучение нечетких систем; решение вариационных задач; оптимальное управление сложными системами.
Устоявшимися терминами при изучении генетических алгоритмов являются: фенотип, генотип, хромосома или особь, популяция, приспособленность, скрещивание, отбор, мутация. Фенотипом являются компоненты вектора переменных, от которых зависит оптимизируемая функция. Кодированное представление компонент вектора аргументов служит генотипом. Набор генов называют хромосомой или особью, которая определяет точку в пространстве поиска. Совокупность особей представляет собой популяцию. Генетический алгоритм предназначен для улучшения качества популяции. Показателем качества является значение оптимизируемой функции или приспособленность. Улучшение популяции основано на ее обновлении, происходящем за счет поступления вновь порожденных особей с лучшими свойствами и исключения худших особей. Порождение новой особи связано со скрещиванием пары особей из популяции. Эта процедура осуществляется оператором скрещивания. Процесс отбора лучших особей основывается на сравнительной оценке приспособленности каждой особи. Случайное изменение некоторых генов в хромосоме приводит к мутации новых особей.
Наиболее распространенным способом перевода фенотипа в генотип является бинарное кодирование. В этом случае хромосома представляет собой битовую строку. Считается, что двоичный алфавит позволяет обрабатывать максимальное количество информации по сравнению с другими схемами коди рования. В некоторых работах [135] рассмотрена возможность представления хромосомы в виде набора вещественных чисел. При этом не требуется прямого и обратного преобразования фенотипа в генотип.
Генетические алгоритмы (ГА) относятся к классу методов случайного направленного поиска, но в отличие от простого случайного поиска они основаны на принципах, заимствованных у природы. Это механизмы генетической наследственности и естественного отбора [6,18,56,135,143,156]. Основная идея генетического алгоритма состоит в создании популяции особей (индивидов), каждая из которых представляется в виде хромосомы. Любая хромосома есть возможное решение рассматриваемой оптимизационной задачи. Для поиска лучших решений необходимо только значение целевой функции, или функции приспособленности. Значение функции приспособленности особи показывает, насколько хорошо подходит особь, описанная данной хромосомой, для решения задачи.
Хромосома состоит из конечного числа генов, представляя генотип объекта, т.е. совокупность его наследственных признаков. Процесс эволюционного поиска ведется только на уровне генотипа. К популяции применяются основные биологические операторы: скрещивания, мутации, инверсии и др. В процессе эволюции действует известный принцип «выживает сильнейший». Популяция постоянно обновляется при помощи генерации новых особей и уничтожения старых, и каждая новая популяция становится лучше и зависит только от предыдущей [135]. Основное отличие ГА от традиционных методов поиска оптимумов состоит в том, что ГА с каждой эпохой улучшает оптимальное решение, но не гарантирует нахождение лучшего за конечный промежуток времени [143].
Для представления генотипов особей в популяции используются различные схемы кодирования. Наиболее распространенным является двоичное кодирование. В генетическом алгоритме с двоичным кодированием (англ.: Binary-Coded Genetic Algorithm, BGA) для представления генотипа, как это следует из названия, применяются битовые строки. Каждому атрибуту объекта в фенотипе соответствует один ген в генотипе объекта.
Задача кодирования и декодирования целочисленных признаков объектов тривиальна. Например, для кодирования значений переменных вектора Х = {х1,х2,...,хт), принимающих значения от 1 до 8, достаточно 3-х двоичных разрядов. В общем случае для кодирования параметра объекта требуется N бит, причем N может быть различно для каждого из признаков.
Каждая переменная х., г = \,т кодируется определенным участком хромосомы, состоящей из п генов. Декодирование хромосомы в вектор переменных осуществляется с помощью маски картирования, которая постоянна на протяжении работы генетического алгоритма (рис.2.2). Все генетические операции проводятся исключительно на уровне генотипа, т.е. с битовой строкой, а фенотип объекта используется при определении приспособленности особи [18].
Алгоритм обратного распространения ошибки
Рассмотрим применение различных моделей искусственных нейронных сетей для определения коэффициентов пористости коллекторов в задаче геофизического исследования скважин. Представлены результаты экспериментов на скважинах Вятской площади.
Определение коэффициентов пористости и нефтенасыщения является следующим этапом в геофизическом исследовании нефтяных скважин после выделения пластов-коллекторов. При выполнении этой работы геофизик-интерпретатор сталкивается с неопределенностью и противоречивостью в геофизических данных, и успешное решение задачи требует от него большого опыта по расшифровке каротажных диаграмм. Применение искусственных нейронных сетей может значительно облегчить труд геофизика и ускорить процесс интерпретации новых скважин.
Для определения коэффициента пористости используют результаты измерений, полученных методами сопротивления, потенциалов собственной поляризации, нейтронными, рассеянного гамма-излучения и ультразвуковым. В большинстве случаев пористость рассчитывают по методам сопротивлений; нейтронные методы применяют в тех случаях, когда поровое пространство породы заполнено водой, нефтью или газом с известным водородным эквивалентом.
Рассмотрим возможность прогнозирования коэффициента пористости выделенного пласта-коллектора многослойным персептроном. На входы сети подаются показания геофизических методов выделенных пластов-коллекторов, выходной сигнал соответствует значению пористости для всего пласта. В эксперименте участвовало 8 разведочных скважин Вятской площади, к которым прилагались расшифровки геофизиков-интерпретаторов с указанием глубин скважин, соответствующих коллекторам, коэффициента общей пористости КР (м /м , %) и типа насыщения. Для нефтенасыщенных коллекторов дополнительно указывался коэффициент нефтенасыщения Кн. На вход сети подавались показания 7 методов: ВК (боковой каротаж), SP (собственные потенциалы), PZ (потенциал-зонд),
GR (гамма-метод), NGR (нейтронный гамма-метод), DT (ультразвуковой метод), IK (индукционный каротаж). Общее количество обучающих примеров составило 200, половина из которых использовалась для обучения, остальные — для тестирования нейронной сети. Использовались следующие параметры генетического алгоритма, предназначенного для синтеза архитектуры и обучения многослойной нейронной сети: количество хромосом в популяции - 50; вероятность кроссовера 0,90; мутации - 0,05. Применялись стандартный двухточечный оператор скрещивания и стратегия элитизма. В результате после 200-300 эпох алгоритма достигается минимум функции ошибки, в среднем равный 0,0050 для обоих множеств — рабочего и тестового. Количество найденных генетическим алгоритмом скрытых слоев нейронной сети - 1, нейронов в слое - 5. На рис.3.11 изображены графики зависимостей коэффициента К , выданного нейронной сетью от эталонного коэффициента пористости К j для такого же примера для обучающей и тестовой выборок. Видно, что описанная выше модель многослойного персептрона удовлетворительно справляется с прогнозированием пористости по данным комплекса геофизических методов. Такая же методика может быть применена для оценки остальных видов пористости, например, динамической пористости коллекторов.
Нечеткая нейронная сеть TSK показывает лучшие результаты на тестовых функциях, по сравнению с многослойным персептроном. Поэтому целесообразно рассмотреть ее применение для прогнозирования коэффициента пористости. Результаты обучения сети TSK и тестирования представлены на рис.3.12. Из сравнения рис.3.11 и 3.12 следует, что задача определения коэффициента пористости лучше решается сетью TSK. Среднеквадратичная ошибка прогнозирования на тестовом множестве данных для многослойного персептрона о- = В качестве исходных данных для проведения вычислительного эксперимента были взяты результаты каротажных исследований скважин Вятской площади, полученные Арланским УГР ОАО «Баншенфтегеофизика». Оцифровка материалов с бумажного носителя производилась с помощью программного комплекса ScanDigit, для контроля качества оцифровки использовался программный комплекс DigitControl компании NordSoft. Заключения по скважинам были получены интерпретаторами ОАО «Башнефтегеофизика» без использования автоматизированных систем.
Оцифрованные данные получались с помощью выборок из специализированной базы данных каротажной информации «Carbon» [44]. Перед обработкой данные нормировались. В зависимости от эксперимента количество используемых кривых изменялось.
В эксперименте участвовало 400 интерпретированных скважин, которые разделялись на обучающее (30%) и тестовое (70%) множества.
Поскольку имеющиеся в распоряжении заключения по скважинам содержали в себе только лишь данные по коллекторам и характеру насыщения, все эксперименты были направлены на поиск коллекторов и выявление типа флюида.
Целью исследований являлась проверка применимости многослойной нейронной сети для литологического расчленения разреза скважины и оценка качества интерпретации.
Для получения данных, используемых для обучения НС, была выбрана следующая совокупность методов каротажа: боковой каротаж (ВК), диаметр скважины (DS), акустический каротаж (DT), гамма каротаж (GR), нейтрон-гамма каротаж (NGR). Это объясняется тем, что данные методы представлены на всех скважинах в имеющемся наборе данных.
При разделении исходных данных по отдельным методам для распознавания литологического пласта строится НС на каждый каротажный метод в отдельности. При этом были выбраны следующие каротажные методы: боковой каротаж (ВК), диаметр скважины (DS), акустический каротаж (DT), гамма каротаж (GR), нейтрон-гамма каротаж (NGR), индукционный каротаж (IK), метод потенциал зондов (PZ), метод самопроизвольной поляризации (SP).
Снижение размерности системы данных
Методы снижения размерности предназначены для представления системы, характеризующейся переменными х є R", в координатном пространстве меньшей размерности у є R"!, причем т .п. Для этого можно использовать либо нелинейные методы (многомерное шкалирование), либо линейные (метод главных компонент) [120Д35Д40Д57]. В методе главных компонент каждая координатная ось является линейной комбинацией исходных переменных системы х є Rn. Преобразование по методу главных компонент имеет вид y = Wx, где W є Rmm - матрица преобразования. Матрица W строится таким образом, что первая главная компонента п Уі(х) = JwlJXj обладает наибольшей дисперсией. Вторая главная компонента имеет наибольшую дисперсию из оставшихся и т.д. Размерность т выбирается таким образом, чтобы выходное пространство у є Rm сохранило наиболее важную информацию об исходной системе. Преобразование по методу главных компонент заменяет большое количество взаимно коррелирующих данных ста тистически независимыми компонентами с определенным вкладом. k Представим систему данных хк, к = 1,р последовательностью векторов гк, к = 1,р, образующих матрицу Z = [zjt], р -число наблюдений. Векторы z к = 1, р обозначают случайные векторы с нулевым средним значением: Матрицу преобразования W образуют собственные векторы матрицы S. Собственные векторы и собственные значения Лі связаны соотношением: Так как матрица S симметричная и положительно определенная, то ее собственные числа действительные и положительные. Последовательность собственных чисел можно упорядочить в порядке убывания: Л1 Л1 ... Лп 0. Соответствующие собственные векторы упорядочиваются в той же последовательности и первые т собственных векторов образуют матрицу преобразования W = [w„w2,...,wwf, т п. Вектор у = Wx = [iylv..jm] является вектором главных компонентов. Погрешность реконструкции вектора данных х определяется как сумма отбро шенных собственных чисел є = Л1. Преобразование по методу главных компонент определяет корреляцию между переменными, образующими входное множество. Если переменные кор релируют между собой, то для определения всех данных достаточно взять меньшее число переменных. Для нахождения матрицы преобразования можно применять стандартные методы нахождения собственных векторов, например продолжение декомпозиции QR. При большой размерности входных векторов лучше подходят адаптивные методы без явного определения матрицы S. Для этого метод главных компонент можно представить в виде нейронной сети РСА [82,110] с линейными функциями активации нейронов (рис.4.4).
