??? 摘 要： 介紹混合智能系統(tǒng)，并充分利用該系統(tǒng)在學(xué)習(xí)、自動(dòng)模式識(shí)別和近似推理方面的優(yōu)勢(shì),采用模糊神經(jīng)混合方法對(duì)石油測(cè)井中的儲(chǔ)層進(jìn)行識(shí)別。該方法通過對(duì)測(cè)井?dāng)?shù)據(jù)的學(xué)習(xí)，運(yùn)用模糊邏輯" title="模糊邏輯">模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合系統(tǒng)對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行提取和優(yōu)化;根據(jù)來自不同油井的觀測(cè)數(shù)據(jù)，采用一個(gè)兩階段的策略決定預(yù)測(cè)模型的結(jié)構(gòu)和參數(shù),進(jìn)而對(duì)測(cè)井儲(chǔ)層進(jìn)行識(shí)別。給出了該混合方法預(yù)測(cè)的初步結(jié)果，為油井的開發(fā)提供了重要的參考。
??? 關(guān)鍵詞： 智能系統(tǒng)? 模糊神經(jīng)? 儲(chǔ)層識(shí)別? 神經(jīng)網(wǎng)絡(luò)? 模糊邏輯
??? 近年來采用模糊模型解決復(fù)雜的非線性問題的應(yīng)用變得越來越廣泛。本文提出一種能夠?qū)?fù)雜的儲(chǔ)層進(jìn)行識(shí)別的模糊神經(jīng)混合方法，并為測(cè)井巖性識(shí)別提供一種新的有效手段。其特點(diǎn)是不需要建立統(tǒng)計(jì)模式識(shí)別模型或巖性識(shí)別庫，可通過對(duì)少量已知樣本的學(xué)習(xí)建立測(cè)井信息和不同巖性之間的對(duì)應(yīng)關(guān)系，并借助網(wǎng)絡(luò)的推理聯(lián)動(dòng)功能實(shí)現(xiàn)對(duì)未知巖性的預(yù)測(cè)。
??? 依據(jù)測(cè)井?dāng)?shù)據(jù)建立一個(gè)模糊神經(jīng)混合系統(tǒng)需要兩個(gè)階段。首先，為了建立模糊推理模型的結(jié)構(gòu)和初始化參數(shù)，涉及一個(gè)競(jìng)爭(zhēng)學(xué)習(xí)過程。與多數(shù)已存在的模糊神經(jīng)方法相比，適當(dāng)?shù)?a class="cblue" href="http://ihrv.cn/search/?q=模糊規(guī)則" title="模糊規(guī)則">模糊規(guī)則、隸屬度函數(shù)數(shù)量和規(guī)則參數(shù)的初始值，在最初的學(xué)習(xí)階段被決定；在第二個(gè)學(xué)習(xí)階段，通過梯度下降法優(yōu)化模糊規(guī)則的參數(shù)，一旦學(xué)習(xí)完成，這種網(wǎng)絡(luò)結(jié)構(gòu)就能使通過模糊規(guī)則形式獲得的知識(shí)更加嚴(yán)密，并能按照模糊推理規(guī)則處理數(shù)據(jù)[1]。
1 混合智能系統(tǒng)
??? 混合智能系統(tǒng)是指在不精確和不確定的環(huán)境中綜合使用多種智能算法構(gòu)成一個(gè)智能系統(tǒng)。智能系統(tǒng)的三個(gè)主要元素是模糊邏輯、神經(jīng)網(wǎng)絡(luò)和進(jìn)化計(jì)算。其中，模糊邏輯主要進(jìn)行非精確性處理和近似推理，神經(jīng)網(wǎng)絡(luò)使系統(tǒng)獲得學(xué)習(xí)和適應(yīng)的能力，而進(jìn)化計(jì)算則廣為采用遺傳算法，提供隨機(jī)搜索和優(yōu)化的能力。圖1所示為混合智能系統(tǒng)的幾種方式。
??????????????????????????? 
??? 在模糊神經(jīng)混合方式中，實(shí)現(xiàn)智能系統(tǒng)的關(guān)鍵是：(1) 如何利用模糊系統(tǒng)" title="模糊系統(tǒng)">模糊系統(tǒng)原理修正神經(jīng)網(wǎng)絡(luò)的參數(shù)及結(jié)構(gòu)（稱為模糊-神經(jīng)系統(tǒng)）。(2) 如何利用神經(jīng)計(jì)算方法來調(diào)節(jié)模糊邏輯系統(tǒng)的行為（稱為神經(jīng)-模糊系統(tǒng)）。
??? 本文主要討論模糊神經(jīng)網(wǎng)絡(luò)，就是將模糊邏輯系統(tǒng)同神經(jīng)網(wǎng)絡(luò)有機(jī)地結(jié)合起來。神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)和自動(dòng)模式識(shí)別方面有極強(qiáng)的優(yōu)勢(shì)，采用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行模糊信息的處理，可以使模糊規(guī)則的自動(dòng)提取和模糊隸屬函數(shù)的自動(dòng)生成得以解決，從而使模糊系統(tǒng)成為自適應(yīng)的模糊系統(tǒng)。將具有邏輯推理能力和高階信息處理能力的模糊技術(shù)引入神經(jīng)網(wǎng)絡(luò)，可以大大拓寬神經(jīng)網(wǎng)絡(luò)處理信息的范圍和能力，使其不僅能處理精確信息，也能處理模糊信息。模糊神經(jīng)網(wǎng)絡(luò)匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，使整個(gè)系統(tǒng)具有較強(qiáng)的學(xué)習(xí)能力和表達(dá)能力。
2 模糊神經(jīng)混合系統(tǒng)
??? 為了提高模糊神經(jīng)混合系統(tǒng)的精確性和可解釋性，該系統(tǒng)主要由三個(gè)部分來實(shí)現(xiàn)：(1)根據(jù)模糊規(guī)則從訓(xùn)練數(shù)據(jù)中提取信息。(2)為了提高系統(tǒng)的精確性，精簡模糊規(guī)則。(3)通過一個(gè)優(yōu)化過程，增加模糊規(guī)則的可解釋性。
2.1系統(tǒng)結(jié)構(gòu)
??? 巖性識(shí)別模型是基于模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)構(gòu)建而成的?；镜哪：到y(tǒng)結(jié)構(gòu)與Takagi-Sugeno模糊結(jié)構(gòu)相似。Takagi-Sugeno模糊模型是由Takagi、Sugeno和Kang（簡稱TS）構(gòu)成的[2]，這個(gè)模型是從給定的輸入-輸出數(shù)據(jù)集中產(chǎn)生模糊規(guī)則，以此形成系統(tǒng)的方法。TS模糊推理系統(tǒng)規(guī)則如下：
式中，xi(i=1,…,n)是輸入變量，yj(j=1,…,m)是輸出變量，Aik是定義在輸入變量上的模糊集，bjk是定義在輸出變量上的模糊單體，Aik是通過高斯隸屬函數(shù)來定義：
??? 
式中， cik、δik為高斯函數(shù)的中心和寬度，通過采取單模糊化、乘法規(guī)則推理以及中心平均法去模糊化，對(duì)于任意輸入向量X，推理的確切輸出為：
??? 
式中，
,為第k個(gè)規(guī)則的激活強(qiáng)度。
??? 為了清楚地了解前面提到的模糊推理機(jī)制，為此提出一種神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示，由如下四層構(gòu)成[3]：
??? (1) 第一層有n個(gè)輸入節(jié)點(diǎn)xi(i=1,…,n)。
??? (2) 第二層由k組節(jié)點(diǎn)構(gòu)成，每一組又有n個(gè)單元，通過這些節(jié)點(diǎn)可以估計(jì)出高斯隸屬函數(shù)的值。
??? (3) 第三層由k個(gè)單元（與k個(gè)模糊規(guī)則有關(guān)）構(gòu)成。每一個(gè)節(jié)點(diǎn)計(jì)算出一個(gè)規(guī)則的權(quán)值" title="權(quán)值">權(quán)值。
??? (4) 依據(jù)(3)的結(jié)果，第四層提供最終的輸出。
??????????????????????????? 
2.2 學(xué)習(xí)策略
??? 模糊神經(jīng)混合系統(tǒng)的學(xué)習(xí)策略主要由兩個(gè)階段組成。在第一階段，規(guī)則節(jié)點(diǎn)的值、網(wǎng)絡(luò)的結(jié)構(gòu)、規(guī)則參數(shù)的初始值（權(quán)值）通過競(jìng)爭(zhēng)學(xué)習(xí)策略獲得；在第二階段，通過有導(dǎo)師學(xué)習(xí)的策略，調(diào)整所有的參數(shù)。為了實(shí)現(xiàn)這一學(xué)習(xí)策略，必須提供一個(gè)由輸入輸出數(shù)據(jù)構(gòu)成的訓(xùn)練集和一個(gè)初始假定的模糊規(guī)則值K。
??? 在競(jìng)爭(zhēng)學(xué)習(xí)階段，主要是如何決定規(guī)則節(jié)點(diǎn)的值和初始權(quán)值。對(duì)模糊模型來說，根據(jù)規(guī)則的數(shù)量，一個(gè)輸入空間聚類" title="聚類">聚類自動(dòng)提供適當(dāng)?shù)木垲悢?shù)量，這并不像通常的基于聚類的方法，如：C-均值、模糊C-均值、聚類的數(shù)量、規(guī)則的數(shù)量都必須事先選定。競(jìng)爭(zhēng)學(xué)習(xí)階段僅涉及模糊神經(jīng)網(wǎng)絡(luò)的第三層，當(dāng)一個(gè)輸入向量被加載進(jìn)來時(shí)，這一層的節(jié)點(diǎn)進(jìn)行競(jìng)爭(zhēng)，根據(jù)輸入向量的歐氏（即歐幾里得）距離的大小[4]，它們中的一個(gè)被選中作為最優(yōu)獲勝者，同時(shí)將第二個(gè)距離輸入向量最接近的點(diǎn)作為次優(yōu)獲勝者。為了使最優(yōu)獲勝者和次優(yōu)獲勝者更加接近，并分別使它們遠(yuǎn)離輸入向量，必須更新它們的權(quán)值向量。這一競(jìng)爭(zhēng)－懲罰機(jī)制是假定每一個(gè)聚類僅僅通過一個(gè)權(quán)值向量被表現(xiàn)出來。
??? 初始化后，從向量中提取模糊規(guī)則。例如建立網(wǎng)絡(luò)的結(jié)構(gòu)和初始化權(quán)值。在第二個(gè)學(xué)習(xí)階段，根據(jù)同樣的訓(xùn)練數(shù)據(jù)優(yōu)化、調(diào)整參數(shù)，最終提高整個(gè)系統(tǒng)性能[5]。有導(dǎo)師學(xué)習(xí)的算法是依據(jù)梯度下降的方法，在一個(gè)網(wǎng)絡(luò)權(quán)值空間上實(shí)現(xiàn)。
3 在巖性預(yù)測(cè)中的應(yīng)用
??? 在巖性預(yù)測(cè)領(lǐng)域，充分利用模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)勢(shì)，通過對(duì)相關(guān)測(cè)井?dāng)?shù)據(jù)參數(shù)的提取和優(yōu)化，主要選取與巖性關(guān)系密切的測(cè)井?dāng)?shù)據(jù)，例如自然伽瑪（GR）、自然電位（SP）、聲波時(shí)差（AC）、密度（DEN）、補(bǔ)償中子（CNL）、電阻率（RT）、深側(cè)向電阻率（RD）、淺側(cè)向電阻率（RS）等，充分應(yīng)用已有的巖性判別規(guī)則：GR和SP作為泥質(zhì)指示器，是劃分泥巖及高放射性巖性的重要參數(shù)；RT反映了不同巖性的電性差異；AC、DEN、CNL與巖性也有重要關(guān)系等。通過對(duì)這些重要參數(shù)的預(yù)測(cè)，可以基本確定該地區(qū)油井的巖石成分，從而為油井的有效開采提供重要的參考價(jià)值。
??? 從已經(jīng)獲得的測(cè)井?dāng)?shù)據(jù)中預(yù)測(cè)巖石成分是主要的工作，但是這種非線性預(yù)測(cè)也是非常復(fù)雜的。為了作出準(zhǔn)確的預(yù)測(cè)，必須考慮多種因素。而且不同的地區(qū)，它們的地質(zhì)構(gòu)造也有很大差別，常常會(huì)遇到一些常規(guī)技術(shù)難以解決的問題。例如，巖石成分復(fù)雜多樣，泥質(zhì)含量在含砂層無法求得等。
??? 本文通過分析甘肅涇川地區(qū)的測(cè)井資料，發(fā)現(xiàn)該地區(qū)的巖石成分主要為泥巖、砂巖、鈣質(zhì)、煤層、長石、頁巖六種。采用與巖石成分關(guān)系密切的五種輸入數(shù)據(jù)：SP、GR、AC、RT、CNL作為輸入?yún)?shù)，一共采用45組試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，其中每一組數(shù)據(jù)由5個(gè)向量構(gòu)成，前32組數(shù)據(jù)用作訓(xùn)練數(shù)據(jù)，后13組數(shù)據(jù)用于對(duì)訓(xùn)練結(jié)果進(jìn)行測(cè)試。由于這些變量的取值范圍不同，需要對(duì)變量進(jìn)行預(yù)處理。為了使所有的數(shù)據(jù)在一個(gè)固定范圍內(nèi)變化，基于每一個(gè)變量的均值和方差，通過一個(gè)再次縮放過程[6]，最終使數(shù)據(jù)的格式規(guī)一化。
??? 模擬過程分為兩個(gè)階段：模糊神經(jīng)系統(tǒng)的學(xué)習(xí)和系統(tǒng)性能的計(jì)算。預(yù)處理數(shù)據(jù)被分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。通過模糊神經(jīng)系統(tǒng)兩個(gè)階段的學(xué)習(xí)策略，訓(xùn)練數(shù)據(jù)用來建立模糊模型，測(cè)試數(shù)據(jù)則用來檢查模糊模型的預(yù)測(cè)能力。
??? 通過設(shè)定不同的學(xué)習(xí)參數(shù)，運(yùn)行競(jìng)爭(zhēng)學(xué)習(xí)算法便可得到不同的模糊模型。首先，假定采用十個(gè)規(guī)則作為先驗(yàn)知識(shí)(因模糊神經(jīng)系統(tǒng)的初始化結(jié)構(gòu)基于這些規(guī)則),
??? 因此，開始的模糊神經(jīng)網(wǎng)絡(luò)有32個(gè)輸入，6個(gè)輸出，10個(gè)規(guī)則節(jié)點(diǎn)。第二個(gè)學(xué)習(xí)階段，運(yùn)行1000次，依據(jù)測(cè)試數(shù)據(jù)估計(jì)最終模糊數(shù)據(jù)的預(yù)測(cè)精度。運(yùn)行結(jié)果如表1所示，對(duì)每一個(gè)產(chǎn)生的模糊推理模型來說，訓(xùn)練和測(cè)試數(shù)據(jù)的均方誤差以及模糊規(guī)則的數(shù)量被顯示出來。由表1可以看出，對(duì)訓(xùn)練和測(cè)試模型來說，推理模型分別提供了比較好的預(yù)測(cè)結(jié)果，而且，如果規(guī)則選擇恰當(dāng)，誤差就會(huì)變小。對(duì)于非常復(fù)雜的預(yù)測(cè)和初始變量具有很大不確定性的問題，效果尤其顯著。
??????????????????? 
??? 最初規(guī)則數(shù)增加，誤差下降。但隨著規(guī)則數(shù)的繼續(xù)增加，誤差又逐漸變大。這表明隨著問題復(fù)雜性的增加，精確性有所下降，這也與實(shí)際情況相吻合。對(duì)于一個(gè)特殊的測(cè)試模式來說，圖3比較了一個(gè)測(cè)試模式預(yù)測(cè)的所有輸出值。從中可以看出，該模式的預(yù)測(cè)值與實(shí)際值就非常接近了。
???????????????????????? 
??? 在儲(chǔ)層識(shí)別中采用模糊神經(jīng)混合方法，不僅快速、有效，而且初步的試驗(yàn)結(jié)果表明，盡管該預(yù)測(cè)問題復(fù)雜且數(shù)據(jù)量有限，但模糊模式結(jié)構(gòu)簡單，預(yù)測(cè)的精度基本令人滿意。在以后的研究工作中，將重點(diǎn)考慮如何進(jìn)一步獲得更高的精度以及這種提取模型的可解釋性。為了實(shí)現(xiàn)這一目標(biāo)，適當(dāng)選取更多的輸入變量，不僅可以提高預(yù)測(cè)的精度，而且也能夠提高模糊模型的可解釋性。
參考文獻(xiàn)
[1]?CASTELLANO G, CASTIELLO C. A neuro-fuzzy system?for Ash property prediction. Second international workshop?on Intelligent systems design and application. table of?contents. Atlanta Georgia,2002:175-180.
[2]?SUGENO M, KANG G T. Structure identification of fuzzy?model. Fuzzy Sets and Systems,1988,(28):15-33.
[3]?CASTELLANO G, CASTELLANO C, MARIA A. KERNEL:A matlab toolbox for knowledge extraction and refinement
?by neural learning. ICCS, 2002.
[4]?吳曉莉，林哲輝.MATLAB輔助模糊系統(tǒng)設(shè)計(jì)[M]. 西安:西安電子科技大學(xué)出版社，2002.
[5]?樓順天，胡昌華，張偉.基于MATLAB的系統(tǒng)分析與設(shè)計(jì)-模糊系統(tǒng)[M]. 西安:西安電子科技大學(xué)出版社，
?2003.
[6] BISHOP C M. Neural network for pattern recognition.Oxford: Clarendon Press, 1995.