基于多重量子神经网络进行含气性检测的方法技术

本发明专利技术涉及油气勘探地球物理处理方法领域，具体公开了一种多重量子神经网络进行含气性检测的方法。通过提取目标层位地震数据的多个地层和结构地震属性体，利用无监督和有监督学习结合的量子自组织特征映射网络将输入的地震特征参数数据划分成不同类别，然后将量子自组织特征映射网络输出的各类地震特征参数聚类结果作为输入，利用粒子群算法优化的量子门节点神经网络进行含气性预测。该方法针对地震数据的多个地层和结构地震属性体，使用了无监督和有监督学习结合的量子自组织映射网络，提高了聚类的准确性和唯一性；利用了结合粒子群寻优和梯度下降法的量子门节点神经网络，提高了含气性分布预测的准确度。高了含气性分布预测的准确度。高了含气性分布预测的准确度。

【技术实现步骤摘要】
基于多重量子神经网络进行含气性检测的方法


[0001]本专利技术涉及油气勘探地球物理处理方法，具体涉及一种利用多重量子神经网络进行含气性检测的高精度方法。

技术介绍

[0002]目前，油气勘探地球物理处理方法中广泛应用的神经网络方法包括自组织特征映射网络、BP神经网络等。自组织特征映射网络采用无监督学习方式，常常使竞争层内一个中心节点连同周围某一领域内的节点共同代表一个模式类，一般适用于地震相分类，可以将具有相似反射波特征的地震地层参数归为一类，但是聚类效果在精确度和唯一性上尚待提高，其输出结果可直接用于储层预测和含气性检测，但是精度很低。BP神经网络在油气勘探领域中广泛应用于储层预测和含气性检测，但是BP神经网络训练时收敛速度慢，容易陷入局部极小值。此外，限于不同沉积相带内相同流体类型的储层的地震响应特征也不同的原因，直接应用BP神经网络对含气储层地震特征参数进行训练，易导致储层预测及含气性检测精度低，效果不理想。
[0003]近年来，量子计算得到了极大的发展，人工神经网络和量子理论结合起来的量子神经网络有利于更好的模拟人脑的信息处理过程，提高神经网络的逼近能力和信息处理效率。目前尚无相关技术，因此，亟需一种结合量子神经网络的含气性检测方法，以提高其检测精度。

技术实现思路

[0004]本专利技术为了解决上述问题，本专利技术为克服传统BP神经网络和自组织特征映射网络算法的缺陷，从现有量子神经网络技术出发，结合地震属性提供一种新的高分辨率的多重量子神经网络含气性检测方法及系统，进而提高含气性检测的精度。
[0005]本专利技术目的之一在于提供一种利用多重量子神经网络进行含气性检测的方法，具体技术方案如下：
[0006]一种利用多重量子神经网络进行含气性检测的方法，量子自组织特征映射网络结合无监督和有监督学习，将获取的地震数据输入学习后的量子自组织特征映射网络进行沉积相分类，并将分类结果作为输入至量子门节点神经网络进行含气性检测。
[0007]进一步地，具体步骤包括：
[0008]1)标定地震数据的目标层位；将地震数据、测井信息和综合地质信息建立沉积相种类；
[0009]2)提取目标层位地震数据的地震属性参数，利用无监督和有监督学习结合的量子自组织特征映射网络将所述地震属性参数进行沉积相分类；
[0010]3)将所述量子自组织特征映射网络输出的分类结果作为输入，利用粒子群算法优化的量子门节点神经网络进行含气性检测。
[0011]具体的，所述地震属性参数包括均方根振幅、波形差异体、相对波阻抗、平均加权
瞬时频率、超过平均振幅的峰值振幅、峰值频率。
[0012]具体的，将所述地震属性参数标准化和归一化处理后，利用无监督和有监督学习结合的量子自组织特征映射网络计算地震相，对应步骤1)中的沉积相种类，得到分类结果。
[0013]具体的，计算地震相包括无监督量子权值聚类和有监督量子权值聚类。
[0014]具体的，所述无监督量子权值聚类包括：
[0015](1)所述地震属性参数量子态描述；
[0016](2)初始化输入样本|X
*
>与竞争层神经元j的连接权向量|W
j
>；
[0017](3)设置最大循环步数Max,初始学习速率η0,初始领域半径r0，循环计数节拍s；
[0018](4)算样本向量间的竞争获胜神经元编号j
*
；
[0019](5)以j
*
为中心选定半径为r(s)的领域φ(j
*
,r(s))，调整权向量使其向样本|X
m*
>方向移动；
[0020]若s<Max，则s＝s+1，转向步骤(3)执行，否则s＝0，转向有监督量子权值聚类步骤a)，所述步骤a)为对于类样本集合M
j
(j＝1,2,
…
,d)中的矢量，求取该类中心样本|X
j*
>。
[0021]具体的，所述有监督量子权值聚类包括：
[0022]a)对于类样本集合M
j
(j＝1,2,
…
,d)中的矢量，求取该类中心样本
[0023]b)计算学习速率η(s)；
[0024]c)按序从训练集中取出一个类集合M
j
(j＝1,2,
…
,l)，其中l表示模式类个数。记该类中心样本对应的获胜神经元编号为D
j
为M
j
中模式对应竞争获胜神经元编号的集合；
[0025]d)若s<Max，则s＝s+1，转向步骤a)执行，否则保存权值，网络训练结束；
[0026]e)对任意待识别样本X，确定该样本模式类。
[0027]具体的，步骤3)具体包括：
[0028](a)对输入的分类结果进行量子态描述；
[0029](b)计算量子门节点神经网络各层输出；
[0030](c)计算量子门节点神经网络的误差值，进行误差反向传播计算，调整网络各层参数；
[0031](d)利用训练好的量子门节点神经网络对其他区域的地震数据进行含气性检测，对输出结果进行反归一化，得到含气性检测结果。
[0032]具体的，步骤(c)中通过以下方式调整网络各层参数：利用粒子群算法全局寻优参数，采用梯度下降法进行局部参数寻优。
[0033]本专利技术目的之二在于，提供一种利用多重量子神经网络进行含气性检测的系统，具体技术方案如下：
[0034]一种利用多重量子神经网络进行含气性检测的系统，包括：
[0035]标定模块，用于标定地震数据的目标层位；
[0036]提取模块，用于提取标定模块中的目标层位地震数据的地震属性参数；
[0037]分类模块，用于将地震数据、测井信息和综合地质信息建立沉积相种类；
[0038]训练模块，利用无监督和有监督学习结合的量子自组织特征映射网络，将提取模块中的所述地震属性参数结合分类模块中建立的沉积相种类进行沉积相分类，得到训练样
本以训练量子门节点神经网络；
[0039]检测模块，利用训练好的量子门节点神经网络对区域进行含气性检测。
[0040]具体的，所述地震属性参数包括均方根振幅、波形差异体、相对波阻抗、平均加权瞬时频率、超过平均振幅的峰值振幅、峰值频率。
[0041]具体的，训练模块将所述地震属性参数标准化和归一化处理后，利用无监督和有监督学习结合的量子自组织特征映射网络计算地震相，对应分类模块中的沉积相种类，得到分类结果。
[0042]具体的，计算地震相包括无监督量子权值聚类和有监督量子权值聚类。
[0043]本专利技术的有益之处在于：
[0044](1)使用了无监督和有监督学习结合的量子自组织特征映射网络，与传统采用无监督学习的自组织特征神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用多重量子神经网络进行含气性检测的方法，其特征在于，量子自组织特征映射网络结合无监督和有监督学习，将获取的地震数据输入学习后的量子自组织特征映射网络进行沉积相分类，并将分类结果作为输入至量子门节点神经网络进行含气性检测。2.根据权利要求1所述的方法，其特征在于，具体步骤包括：1)标定地震数据的目标层位；利用地震数据、测井信息和综合地质信息建立沉积相种类；2)提取目标层位地震数据的地震属性参数，利用无监督和有监督学习结合的量子自组织特征映射网络将所述地震属性参数进行沉积相分类；3)将所述量子自组织特征映射网络输出的分类结果作为输入，利用粒子群算法优化的量子门节点神经网络进行含气性检测。3.根据权利要求2所述的方法，其特征在于，所述地震属性参数包括均方根振幅、波形差异体、相对波阻抗、平均加权瞬时频率、超过平均振幅的峰值振幅、峰值频率。4.根据权利要求3所述的方法，其特征在于，将所述地震属性参数标准化和归一化处理后，利用无监督和有监督学习结合的量子自组织特征映射网络计算地震相，对应步骤1)中的沉积相种类，得到分类结果。5.根据权利要求4所述的方法，其特征在于，计算地震相包括无监督量子权值聚类和有监督量子权值聚类。6.根据权利要求5所述的方法，其特征在于，所述无监督量子权值聚类包括：(1)所述地震属性参数量子态描述；(2)初始化输入样本|X
*
>与竞争层神经元j的连接权向量|W
j
>；(3)设置最大循环步数Max,初始学习速率η0,初始领域半径r0，循环计数节拍s；(4)算样本向量间的竞争获胜神经元编号j
*
；(5)以j
*
为中心选定半径为r(s)的领域φ(j
*
,r(s))，调整权向量使其向样本方向移动；若s<Max，则s＝s+1，转向步骤(3)执行，否则s＝0，转向有监督量子权值聚类步骤a)，所述步骤a)为对于类...

【专利技术属性】
技术研发人员：王兴建，薛雅娟，曹俊兴，廖万平，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：