基于元素组成的多层感知器神经网络岩性识别

2016-10-21张金功张小莉瞿晓婷

地下水 2016年5期

关键词：感知器沉积岩岩浆岩

张　涛，张金功，张小莉，瞿晓婷

(1.西北大学地质系/大陆动力学国家重点实验室，陕西西安 710069；2.西北大学信息科学与技术学院，陕西西安 710069)

基于元素组成的多层感知器神经网络岩性识别

张涛1,2，张金功1，张小莉1，瞿晓婷2

(1.西北大学地质系/大陆动力学国家重点实验室，陕西西安 710069；2.西北大学信息科学与技术学院，陕西西安 710069)

利用元素俘获谱测井法得到的主要造岩元素信息，区分被测地层的岩性成因大类属性。通过收集、分析大量的沉积岩和岩浆岩的主要造岩元素含量实测数据，构建并训练多层感知器人工神经网络模型，最终得到了利用岩石主要元素组成数据区分样品本身岩性成因的一种方法。模型通过完全不参与人工神经网络构建与训练的实测数据测试，平均分类准确率达到94%以上，在元素俘获谱测井岩性解释方面具有较好的应用前景。

岩性成因；多层感知器；测井解释

岩石是一种或多种矿物的集合体，是构成地壳的基本部分。按其成因分为三大类，即岩浆岩、沉积岩和变质岩。就油气勘探的主要对象来说，一直以沉积岩为主。但自上世纪80年代末期以来，世界范围内的油气勘探过程中，偶然发现了与岩浆岩相关的油气藏。人们由此开展了一系列与油气有关的岩浆岩研究[1-5]。遂发现岩浆岩在不同的形成环境下，有不同的生、储、盖意义[6-11]。就我国以发现的岩浆岩油气资源来说，华北油田、大港油田、渤海湾盆地、准格尔盆地、大庆油田等均有岩浆岩油气藏的发现报道[12-19]。

测井解释、评价是油气勘探的重要组成部分，其中岩性解释、评价又是其他一切解释、评价的基础。利用常规测井信号区分矿物组成复杂的沉积岩与岩浆岩在大多数情况下存在多解性。地层元素俘获谱测井法(ECS)通过探测记录非弹性散射伽马谱和俘获伽马谱，通过一定的解谱技术，可获知被测地层主要的元素含量。由于沉积岩和岩浆岩在主要造岩元素组成上存在一定的差异，本文提出一种利用人工神经网络技术、根据被测地层的主要造岩元素组成来准确判断被测地层岩性成因的方法。主要通过收集大量的沉积岩、岩浆岩取芯实测的主要造岩元素资料样本、利用人工神经网络中的多层感知器模型，对样本的岩性属性进行了区分，期望能获得一种利用ECS测井资料准确判断地层岩性成因的测井解释方法。

1　基于多层感知器的沉积岩和岩浆岩分类

多层感知器神经网络能够从数据样本中自动地学习并揭示出样本中所蕴含的非线性关系，可以用于分类、函数逼近、参数估计等问题。同时其结构简单，性能优异，在多种领域得到广泛应用。因此本论文采用多层感知器神经网络对实测岩石主要元素组成样本进行训练，建立网络模型，最终实现两类岩石的正确分类。

1.1多层感知器

神经网络是一种模拟生物神经系统结构和人类形象思维工程的人工智能技术。人工神经网络是模仿和延伸人类智能的非线性自适应动力学系统，通过输入样本对神经网络训练，能够从数据样本中自动地学习并揭示出样本中所蕴含的非线性关系，使其对事物和环境具有很强的自学习、自适应、联想记忆、并行处理和非线性转换的能力。

多层感知器(MLP)是人工神经网络中非常重要的一种类型，它使用输入与输出之间的多层加权连接，MLP的结构基本类似于一套级联的感知器，该网络可以包含一层或者多层隐藏神经元，这些隐藏层神经元逐步从输入模式中提取多种有用特征，可以使网络学习复杂的任务，由于其具有优异性能，MLP网络模型得到了广泛的应用。

1.2沉积岩和岩浆岩的分类

通过岩石实测资料发现沉积岩的主要元素组成有Si，Al，K，Ca，Ma，Fe，S，而岩浆岩的主要元素组成有Si，Ti，Al，Fe，Mn，Mg，Ca，K，本文主要通过研究两者组成的共同主要元素，即Si，Al，K，Ca，Mg五种，通过分析沉积岩和岩浆岩的特性及五种元素的含量对沉积岩和岩浆岩进行分类。

选取对岩性分类具有重要指导意义的五种元素作为网络输入，分别为：Si，Al，K，Ca，Mg，将数据集划分为训练样本、测试样本和保持样本。从数据集中随机抽取70%的样本组成训练集，20%组成测试集，另外选取10%的样本作为保持样本(独立数据)评估最终神经网络。由于保持样本不用于构建网络，因此可以给出网络预测能力的“真实”估计值。数据划分表1所示。

表1　数据划分表

本文采用的多层感知器的优化算法采用调整的共轭梯度算法，隐含层激活函数采用双曲正切函数，双曲正切函数的计算公式为：输出层激活函数采用Softmax函数。网络具体参数如表2所示：

表2　多层感知器网络参数

将五种元素作为网络输入，该网络采用一层隐藏神经元，这一层由6个神经元组成，通过多层感知器可以将两类岩石分类结果作为网络输出，如图1所示，其中class=1为沉积岩，class=2为岩浆岩。

图1　多层感知器网络结构示意图

2　实验验证

实验选用数据包括涵盖我国大部分沉积盆地的沉积岩样本9 060个，岩浆岩样本7 834个，根据输入的五种元素含量，对沉积岩和岩浆岩进行划分，并采用分类符合率、ROC曲线和累计增益图对实验结果进行验证。

因为输入多层感知器的自变量重要性对整个网络的性能有很大的影响，因此通过计算五种自变量的重要性指标，证明选择的这五种元素在进行沉积岩和岩浆岩分类方面起到很重要的最用。表3为五种元素的重要性，对比五种元素，Ca和Si最为重要，其余三种元素差异较小。

表3　多层感知器网络自变量的重要性

在训练集中有5 959个沉积岩样本和5 162个岩浆岩样本被正确分类，准确率达94.3%，同时，374个沉积岩样本误分为岩浆岩，292个岩浆岩样本误分为沉积岩；在测试集中1 736个沉积岩样本和1 497个岩浆岩样本被正确分类，113个沉积岩样本误分为岩浆岩，90个岩浆岩样本误分为沉积岩；分类准确率为94.1%；在保持样本集中828个沉积岩样本和734个岩浆岩样本被正确分类，50个沉积岩样本误分为岩浆岩，52个岩浆岩样本误分为沉积岩；分类准确率为93.9%；具体值如表4示。

表4　岩石分类准确率

曲线范围是ROC曲线的数字摘要，对于某一个类别，其中的值代表了对于该类别中的预测拟概率，该类别中一个随机选择的个案要高于非该类别中一个随机选择的个案的概率。即对于随机选择的沉积岩与随机选择的岩浆岩，就预测拟概率而言，前者高于后者的概率为0.983。由图2 ROC曲线中可以得出，两类岩性均取得较高准确率，差异不大。

图2　岩石分类ROC曲线

累积增益图在给定的类别汇总中显示通过把个案总数的百分比作为目标而“增益”的个案总数的百分比。例如：沉积岩类别曲线的第一个点(10%，20%)，即如果使用网络对数据集进行评分并通过沉积岩预测拟概率对所有个案进行排序，您将会期望前10%包括实际上类别为沉积岩的所有个案数的大约20%，依次类推，如果选择已打分数据集的100%，则会得到数据集中所有的沉积岩。由图3可以得出两类样本均具有较大增益值，客观反映了两类岩石的预测拟概率统计特性。

累积增益图可以帮助选择对应于大量收益的百分比选择分类标准值，然后，将百分比与适当分类值映射。