基于脉冲耦合神经网络的地震属性融合方法技术

本发明专利技术提供了一种基于脉冲耦合神经网络的地震属性融合方法。根据本发明专利技术的基于脉冲耦合神经网络的地震属性融合方法，利用神经网络结构的强大的非线性处理功能，实现了地震属性的人工智能处理，通过确定神经元模型，得到每个神经元的脉冲输出值为1的次数，从而确定此神经元的融合系数，进一步得到此神经元的融合输出，从而实现了多地震属性的融合。因此，解决了利用各种地震属性信息解释复杂地质问题时单一地震属性信息所带来的多解性问题。

【技术实现步骤摘要】

本专利技术的示例性实施例通常涉及地球物理测井、油气资源勘探领域，尤其涉及一种利用脉冲耦合神经网络以实现地震多属性融合方法。
技术介绍
地震属性可以对储层空间分布范围和储层岩石物理特征参数的描述与预测，但当利用各种地震属性信息解释复杂的地质问题时，由于观测条件和测量精度等限制因素，使用单一地震属性信息参数解决地质现象往往存在多解性。因此需要寻找一种方法，克服多解性问题。地震属性融合就是通过利用地震资料中的多种单一属性，用相应的、适合探区地震地质条件的数学关系将它们组合起来，形成能反映储集层特性，反映油气显示为主的综合信息的地震属性。目前利用BP(Back-Propagation)神经网络法可以实现地震属性的融合，其方法是首先将多种待融合的地震属性导入，选取同一深度段的属性并将其幅值分别规范到区间；接着确定BP神经网络结构，并把所选属性作为训练样本，把其中一种属性作为目标样本；然后在初始化网络连接权值(一般为I)、最小目标误差、训练速率、迭代次数(一般为几千)后，对神经网络进行训练；网络训练中通过不断迭代来修改网络连接权值，当得到的网络输出误差小于设定的最小目标误差时，停止迭代，并保存所得的网络连接权值；或者，当网络输出误差却未达到设定的最小误差值但已经达到设定的迭代次数时，同样保存所得的该网络连接权值，从而获得训练好的网络；再分别将与训练网络时不同深度段的归一化处理的地震属性、输入该训练好的BP神经网络，利用训练好的网络，得到幅值在区间的属性融合输出，接着对其反归一化处理，使其幅值的量纲和归一化前的目标样本属性量纲一致，从而实现多种地震属性的融合。常规BP神经网络法的流程为A、导入待融合的属性，选取任一深度段的属性来训练网络；B、属性幅值的归一化处理对导入的属性分别进行归一化处理，归一化处理通过下式进行V — Χ,-ηι ιι(Χ,)* maxfX^-minfX,)⑴在式(I)中，Xi为第i种属性的幅值，足为第i种属性归一化处理后的幅值；C、确定BP神经网络采用三层的网络结构，输入层的神经元个数为待融合的属性个数，隐含层的神经元个数依据经验一般选3 5个，输出层的神经元的个数为I，对应属性融合输出，请参见附图说明图1，图I为该BP神经网络结构示意图；D、样本选定选定的训练属性样本和目标属性样本必须是同一深度段的；E、网络的初始化网络连接权值wjk、Wlj初始值为1，最小目标误差(依经验值为O. 001)，训练速率(依经验值为O. 05)，迭代次数(一般为几千)；F、训练网络网络初始化后，每一次迭代，均运用wjk、Wlj及网络传递函数f (U)=I/(1+e—u)，得到网络输出值与目标样本值之间的误差值，式中u为函数的输入变量，然后修改网络连接权值F1、首先获取输出层神经元的网络连接权值改变量Awlj:Awlj= η δ Yj ⑵在式(2)中δ = e X f; (X) (3)e = y-y (4)在式(2)-式(4)中，歹为输出层的网络输出值，y为目标样本值，e为网络输出误差值，X为输出层的网络输入值，Γ (X)为输出层的网络传递函数的导数值，j为隐含层的第j个神经元，δ为输出层的训练误差，η为训练速率，Yj为隐含层的第j个神经元的输出值，Awlj为输出层与隐含层的第j个神经元的网络连接权值的改变量，当第t次迭代结束后输出层与隐含层的第j个神经元的网络连接权值Wlj (t+1) = Wlj ( ) + Δ Wlj^t) (5)在式(5)中，t为迭代次数，AWlJ(t)为第t次迭代时输出层与隐含层的第j个神经元的网络连接权值的改变量，WljW为第t次迭代时输出层与隐含层的第j个神经元的网络连接权值，Wlj (t+1)为第t次迭代结束后输出层与隐含层的第j个神经元的网络连接权值，F2、然后获取隐含层神经元的网络连接权值改变量Awjk Awjk= η δ W1Jf; (Xj) Yk (6)在式(6)中，k为输入层的第k个神经元，为隐含层的网络输入值，f/ (Xj)为隐含层的网络传递函数的导数值，Yk为输入层的第k个神经元的输出值，Awjk为隐含层的第j个神经元与输入层的第k个神经元之间的网络连接权值的改变量，当第t次迭代结束后隐含层的第j个神经元与输入层的第k个神经元的网络连接权值wJk (t+1) = wJk(t) + AwJk(t) (7)在式(7)中，wJk(t)为第t次迭代时隐含层的第j个神经元与输入层的第k个神经元的网络连接权值，wJk(t+1)第t次迭代结束后隐含层的第j个神经元与输入层的第k个神经元的网络连接权值，当得到的网络输出误差小于设定的最小目标误差值时，停止迭代，并保存所得的网络连接权值；或者，虽然达到设定的迭代次数，但当网络输出误差值未达到设定的最小目标误差值时，同样保存所得的网络连接权值，从而获得训练好的网络；G、实现属性融合分别将与训练网络时不同深度段的经过归一化处理的地震属性、输入步骤F已确定的BP神经网络，以得到幅值在区间的属性融合输出，接着采用反归一化处理方法，使其幅值的量纲和归一化前的目标样本属性量纲一致，从而实现多种地震属性的融合。BP神经网络法运用神经网络的非线性处理功能，易于实现地震属性的融合，但其参数比较多，需要迭代的次数比较多，且在迭代过程中网络输出误差值e容易陷入极小值、即导致误差值e在长时间内的变化值不大，难以达到最小目标值；因此上述BP神经网络法需要训练网络的时间比较长，且对训练样本的要求也比较高；而对于数据量较大的地震属性，BP神经网络法效率亦不高。
技术实现思路
本专利技术的示例性实施例的目的在于克服现有技术中的上述的和/或其他的问题。因此，本专利技术的示例性实施例提供了一种基于脉冲耦合神经网络的地震属性方法，通过将多种地震属性融合，以达到在快速实现属性融合的同时，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。根据本专利技术的一个示例性实施例，提供了一种，所述方法可以包括下述步骤步骤A、导入待融合的地震属性；步骤B、对导入的地震属性的各幅值分别进行归一化处理；步骤C、确定神经网络的结构；步骤D、神经网络初始化；步骤E、分别统计每个地震属性的各神经元的输出值为I的次数；步骤F、确定每个地震属性的各神经元的融合系数；步骤G、实现地震属性融合。在步骤B，可以通过下面的式(8)进行归一化处理本文档来自技高网...

【技术保护点】
一种基于脉冲耦合神经网络的地震属性融合方法，其特征在于，所述方法包括下述步骤：步骤A、导入待融合的地震属性；步骤B、对导入的地震属性的各幅值分别进行归一化处理；步骤C、确定神经网络的结构；步骤D、神经网络初始化；步骤E、分别统计每个地震属性的各神经元的输出值为1的次数；步骤F、确定每个地震属性的各神经元的融合系数；步骤G、实现地震属性融合。

【技术特征摘要】
1.一种基于脉冲耦合神经网络的地震属性融合方法，其特征在于，所述方法包括下述步骤 步骤A、导入待融合的地震属性； 步骤B、对导入的地震属性的各幅值分别进行归一化处理； 步骤C、确定神经网络的结构； 步骤D、神经网络初始化； 步骤E、分别统计每个地震属性的各神经元的输出值为I的次数； 步骤F、确定每个地震属性的各神经元的融合系数； 步骤G、实现地震属性融合。2.如权利要求I所述的方法，其特征在于，在步骤B，通过下式进行归一化处理在式(8)中，Xi为第i种地震属性的幅值，为第i种地震属性归一化处理后的幅值。3.如权利要求I所述的方法，其特征在于，在步骤C，神经网络结构中神经元的个数为各个地震属性的幅值个数，每个幅值对应一个神经元，并以此确定神经网络的结构。4.如权利要求I所述的方法，其特征在于，在步骤D，对各神经元之间的系数矩阵、动态门限阈值、脉冲输出，以及迭代次数分别赋值，以进行神经网络的初始化。5.如权利要求4所述的方法，其特征在于，在步骤D，对各神经元之间的系数矩阵赋值为[O. 707，I. 000，O. 707 ；1. 000，0，I. 000 ；0. 707，I. 000，O. 707]，动态门限阈值均为 0，脉冲输出均为0，迭代次数为8-15。6.如权利要求I所述的方法，其特征在于，在步骤E， 对每个地震属性的各神经元进行迭代处理，并分别确定各神经元的内部活动值和动态门限阈值， 如果对应神经元的内部活动值大于其动态门限阈值，则该神经元的输出值为1，否则该神经元的输出值为0， 当该神经元的输出值为I时，在该神经元输出值为I的次数上加1， 重复执行上述操作至设定的迭代次数为止，从而得到该神经元输出值为I的次数，并因此分别得到每种属性的各神经元的输出值为I的次数。7.如权利要求6所述的方法，其特征在于，在步骤E，根据下式来确定各神经元的内部活动值、动态门限阈值、输出值 内部活动值 Unl [t] = Fnl [t] (1+ β Lnl [t]) (1...

【专利技术属性】
技术研发人员：周晶晶，邹文，张洞君，洪余刚，彭真明，李全忠，刘璞，
申请(专利权)人：中国石油集团川庆钻探工程有限公司地球物理勘探公司，
类型：发明
国别省市：