[发明专利]基于脉冲耦合神经网络的地震属性融合方法

说明书

技术领域

本发明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。

背景技术

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[0，1]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1)、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[0，1]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：

X~i=Xi-min(Xi)max(Xi)-min(Xi)---(1)]]>

在式(1)中，X_i为第i种属性的幅值，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1，对应属性融合输出，请参见图1，图1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w_jk、w_1j初始值为1，最小目标误差(依经验值为0.001)，训练速率(依经验值为0.05)，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w_jk、w_1j及网络传递函数f(u)＝1/(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Δw_1j：

Δw_1j＝ηδY_j(2)

在式(2)中：

δ＝e×f′(X)(3)