遗传算法优化神经网络进行探井试油层油气性质预测方法技术

本发明专利技术公开了遗传算法优化神经网络进行探井试油层油气性质预测方法，使用遗传算法对BP神经网络模型的权重、偏置项和超参数进行了优化，解决了探井试油层油气水性质预测中单独使用神经网络算法预测效果不理想的问题，能快速对试油层的油气性质进行准确判断，提升了预测结果和实际试油结果的吻合率，该方法计算简单，在大数据智能预测方面有广泛的借鉴作用。

The prediction method of oil and gas properties in well test by optimizing neural network with genetic algorithm

【技术实现步骤摘要】
遗传算法优化神经网络进行探井试油层油气性质预测方法
本专利技术涉及目标试油层油气水属性判断领域，特别是一种遗传算法优化神经网络进行探井试油层油气性质预测方法。
技术介绍
探井试油是勘探流程中重要的环节，试油结论也直接决定了勘探的成效，选择在哪个层段进行试油对试油结论有重要影响，难点在于准确判断试油层油气水属性。传统技术主要是依据钻井录井数据和测井曲线数据，研究人员根据经验进行预测，但随着勘探难度加大，面临着判断油气属性成功率明显降低的问题。而以往经验大多难以言传身教，很难在以往基础上快速发展出新的认识，有效应对新情况。利用大数据和机器学习成为提升试油层油气水判断成功率的有效途径。在使用神经网络训练数据的过程中，权重和阈值的初始值对训练结果有较大影响。目前神经网络超参数选择通常采用网格法和随机法，其中网格法是通过循环遍历，尝试每一种可能，需求计算资源大，耗时长；随机法是用随机数去求近似最优解，精度较差，不稳定，两种效果往往都不太理想。
技术实现思路
本专利技术的目的是要解决现有技术中存在的不足，提供一种能快速对试油层的油气性质进行准确判断的遗传算法优化神经网络进行探井试油层油气性质预测方法。为达到上述目的，本专利技术是按照以下技术方案实施的：遗传算法优化神经网络进行探井试油层油气性质预测方法，包括以下步骤：S1、对研究区内探井的测井曲线数据进行预处理，建立神经网络的拓扑结构，并进行遗传算法初始化；S2、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置；S3、进行神经网络训练及网络评估，网络评估的结果满足误差要求则执行步骤S9，网络评估的结果不满足误差要求且种群为空则执行步骤S4，网络评估的结果不满足误差要求且种群不为空则执行步骤S5；S4、对神经网络的超参数、权重和偏置进行基因编码和解码，生成种群；S5、确定遗传算法中种群适应度函数，进行种群适应度遍历计算；S6、根据适应度选择基因个体；S7、遗传算法进行交叉和变异；S8、输出神经网络超组合，包括超参数、各个权重和偏置，然后返回步骤S4；S9、神经网络模型输出。进一步，所述步骤S1中的对研究区内探井的测井曲线数据进行预处理预处理包括：测井曲线单位统一化、测井曲线与试油层油气性质对应、测井曲线归一化处理。进一步，所述步骤S3中，进行神经网络训练及网络评估，包括准确率、召回率、误差数值的计算，作为遗传算法输入参数。进一步，所述步骤S4中基因编码/解码/种群生成,包括：S41、初始权重和偏置项的编码和解码：对每个节点权重和偏置项采用实数编码，每个参数占一位，其中前36位为输入层到第一隐藏层节点权重，后续48位为第一隐藏层到第二隐藏层节点权重，后续36位为第二隐藏层到输出层的节点权重，后续6位为输入层与第一隐藏层之间的偏置项，后续8位为第一隐藏层与第二隐藏层之间的偏置项，最后6位为第二隐藏层与输出层之间的偏置项，总共140位，初始权重和偏置项采用以下公式进行优化：S42、训练迭代次数的实数编码和解码：以100为起始，最大为102300，步长为100；编码：利用公式ai＝Si％2，其中i＝0，1...9；S0＝S/100，S为迭代次数，得到二进制编码；解码：设二进制编码为ai，i＝0，1，...9，其对应的迭代次数为S，则：S43、学习率的实数编码和解码：以0.001为起始，最大为1.023，步长为0.001；编码：利用公式ai＝Si％2，其中i＝0，1...9；S0＝S/1000，S为学习率，得到二进制编码；解码：设二进制编码为ai，i＝0，1，...9，其对应的学习率为S，则：S44、每次选取样本数的实数编码和解码：以2为起始，最大为128，2的倍数递增；编码：设选取样本数为S，利用公式ai＝Si％2，其中i＝0，1，2，S为选取样本数，得到二进制编码；解码：设二进制编码为ai，i＝0，1，2，其对应的选取样本数为S，则：S45、激活函数类型的实数编码和解码：激活函数分别为softmax,relu,sigmoid,tanh，采用某个激活函数时编码为1，否则为0。按照随机扩展生成的方式生成种群。进一步，所述步骤S5中，确定遗传算法中适应度函数的方法为：利用测井曲线数据对探井试油层油气水性质预测获得其准确率和召回率，计算遗传算法中适应度函数如下：设每个类型试油结论准确度为Pi，召回率为Ri，适应度为：其中n为试油结论类型个数。进一步，所述步骤S6中，根据轮盘赌选择法对基因进行选择。进一步，所述步骤S7中，遗传算法的交叉包括：超参数的交叉，根据随机数选择某一超参数进行交叉；以及对超参数内部再次根据随机数选择进行交叉。与现有技术相比，本专利技术使用遗传算法对BP神经网络模型的权重、偏置项和超参数进行了优化，解决了探井试油层油气水性质预测中单独使用神经网络算法预测效果不理想的问题，能快速对试油层的油气性质进行准确判断，提升了预测结果和实际试油结果的吻合率，该方法计算简单，在大数据智能预测方面有广泛的借鉴作用。附图说明图1为本专利技术一种遗传算法优化神经网络进行探井试油层油气性质预测方法流程示意图。图2为本专利技术神经网络架构示意图。图3为本专利技术超参数基因编码结果示意图。图4本专利技术神经网络权重和偏置项编码示意图。图5为本专利技术神经网络训练示意图。图6为本专利技术基因交叉示意图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步的详细说明。此处所描述的具体实施例仅用于解释本专利技术，并不用于限定专利技术。如图1所示，本实施例提供了遗传算法优化神经网络进行探井试油层油气性质预测方法，有以下步骤构成：101，对选择研究区内探井的测井曲线数据进行预处理，建立神经网络拓扑结构：对研究区域内探井试油层样本数据进行预处理，包括：测井曲线单位统一化；测井曲线与试油层油气性质对应；测井曲线归一化处理，获得处理后的数据如表1所示。表1通过计算测井曲线与试油层油气性质之间的相关系数，选择相关性较大的数据作为特征值进行训练，包括深度、AC、CAL、GR、SP、RT共6个特征值，具体如表2所示。表2序号深度ACCALGRSPRTSYJL11524.1250.61808970.19003150.4571670.7857150.853108YC21554.1250.81182110.87278720.298本文档来自技高网...

【技术保护点】
1.遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，包括以下步骤：/nS1、对研究区内探井的测井曲线数据进行预处理，建立神经网络的拓扑结构，并进行遗传算法初始化；/nS2、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置；/nS3、进行神经网络训练及网络评估，网络评估的结果满足误差要求则执行步骤S9，网络评估的结果不满足误差要求且种群为空则执行步骤S4，网络评估的结果不满足误差要求且种群不为空则执行步骤S5；/nS4、对神经网络的超参数、权重和偏置进行基因编码和解码，生成种群；/nS5、确定遗传算法中种群适应度函数，进行种群适应度遍历计算；/nS6、根据适应度选择基因个体；/nS7、遗传算法进行交叉和变异；/nS8、输出神经网络超组合，包括超参数、各个权重和偏置，然后返回步骤S4；/nS9、神经网络模型输出。/n

【技术特征摘要】
20190719 CN 20191065584421.遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，包括以下步骤：
S1、对研究区内探井的测井曲线数据进行预处理，建立神经网络的拓扑结构，并进行遗传算法初始化；
S2、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置；
S3、进行神经网络训练及网络评估，网络评估的结果满足误差要求则执行步骤S9，网络评估的结果不满足误差要求且种群为空则执行步骤S4，网络评估的结果不满足误差要求且种群不为空则执行步骤S5；
S4、对神经网络的超参数、权重和偏置进行基因编码和解码，生成种群；
S5、确定遗传算法中种群适应度函数，进行种群适应度遍历计算；
S6、根据适应度选择基因个体；
S7、遗传算法进行交叉和变异；
S8、输出神经网络超组合，包括超参数、各个权重和偏置，然后返回步骤S4；
S9、神经网络模型输出。


2.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S1中的对研究区内探井的测井曲线数据进行预处理预处理包括：测井曲线单位统一化、测井曲线与试油层油气性质对应、测井曲线归一化处理。


3.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S3中，进行神经网络训练及网络评估，包括准确率、召回率、误差数值的计算，作为遗传算法输入参数。


4.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S4中基因编码/解码/种群生成包括：
S41、初始权重和偏置项的编码和解码：
对每个节点权重和偏置项采用实数编码，每个参数占一位，其中前36位为输入层到第一隐藏层节点权重，后续48位为第一隐藏层到第二隐藏层节点权重，后续36位为第二隐藏层到输出层的节点权重，后续6位为输入层与第一隐藏层之间的偏置项，后续8位为第一隐藏层与第二隐藏层之间的偏置项，最后6位为第二隐藏层与输出层之间的偏置项，总共140位，初始权重和偏置项采用以下公式...

【专利技术属性】
技术研发人员：赫俊民，李玲，庞遵义，隋国华，张益政，于潇，揭景荣，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司胜利油田分公司物探研究院，
类型：发明
国别省市：北京;11