引言

油藏參數(shù)擬合主要就是非線性函數(shù)擬合的過(guò)程。非線性函數(shù)擬合方法有很多種，主要分為等值線圖法、解析內(nèi)插法、曲面擬合法及神經(jīng)網(wǎng)絡(luò)方法等。使用神經(jīng)網(wǎng)絡(luò)方法要達(dá)到好的擬合效果，主要要解決三個(gè)問(wèn)題：一是樣本的選擇；二是網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)；三是訓(xùn)練策略的選擇。其中網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)和訓(xùn)練策略的選擇是難點(diǎn)。本文給出的就是基于收斂速度快、泛化能力較強(qiáng)的貝葉斯正規(guī)化算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)的具體方法。

1  油藏參數(shù)擬合中需要解決的問(wèn)題

假定油藏儲(chǔ)量與測(cè)井資料中的數(shù)據(jù)存在以下數(shù)學(xué)模型：

式中，f(xi , yi)為對(duì)應(yīng)輸入與輸出之間的關(guān)系式，fi為誤差?，F(xiàn)假定：

那么，對(duì)于每個(gè)樣本值，都可以列出以上方程，并在∑ε²min=條件下，求解出a_i的值，最終求出待求點(diǎn)的油藏儲(chǔ)量。

假設(shè)區(qū)域內(nèi)有6個(gè)公共點(diǎn)。此時(shí)有：

這樣，我們需要解決的問(wèn)題就是按某種方法求出模型待定參數(shù)a₀a₁a₂a₃a₄a₅的數(shù)值。

2  BP網(wǎng)絡(luò)與貝葉斯正規(guī)化算法

人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)系統(tǒng)的一種高度簡(jiǎn)化后的近似。它具有非線性映射能力和無(wú)模型估計(jì)的特征，是處理非線性映射問(wèn)題的有效工具。BP網(wǎng)絡(luò)是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)。它具有輸入層、輸出層、隱含層(一層或多層)，相鄰層之間通過(guò)權(quán)值全連接。它包括信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程，輸入時(shí)由輸入層經(jīng)中間層向輸出層順向傳播；實(shí)際輸出與期望輸出之差值(即誤差)由輸出層經(jīng)中間層向輸入層逐漸修正連接權(quán)的方式逆向傳播。兩個(gè)過(guò)程反復(fù)交替，就可以使網(wǎng)絡(luò)趨向收斂。該網(wǎng)絡(luò)的結(jié)構(gòu)、學(xué)習(xí)樣本與訓(xùn)練策略對(duì)網(wǎng)絡(luò)性能影響很大，為了解決其訓(xùn)練速度慢和易于陷入局部最小值的缺點(diǎn),設(shè)計(jì)可以采用Levenberg-Marquardt(LM)算法;為了防止過(guò)擬合，設(shè)計(jì)采取在訓(xùn)練樣本中隨機(jī)添加噪聲的方法;為了提高泛化能力，則可采用貝葉斯正規(guī)化法來(lái)解決。下面介紹實(shí)現(xiàn)擬合的具體過(guò)程。在介紹之前，下面先介紹一下神經(jīng)網(wǎng)絡(luò)的基本知識(shí)。

3  神經(jīng)網(wǎng)絡(luò)介紹

3.1  人工神經(jīng)元模型

圖1所示是一個(gè)人工神經(jīng)元的基本模型圖。

圖1中的作用可分別以下面的數(shù)學(xué)式表達(dá):

其中，x_j（j=l,2,...n）為神經(jīng)元i的輸入信號(hào)；為突出強(qiáng)度或連接權(quán);u是由輸入信號(hào)線性組合后的輸出；i為人工神經(jīng)元的閾值或稱(chēng)偏差（用b,表示）；V,為經(jīng)偏差調(diào)整后的值，也稱(chēng)為神經(jīng)元的局部感應(yīng)區(qū)；｛（.）為激勵(lì)函數(shù)；y是神經(jīng)元i的輸出。這樣，則有：

典型的BP神經(jīng)網(wǎng)絡(luò)是含有一個(gè)隱含層的三層網(wǎng)絡(luò)結(jié)構(gòu),其中包括一個(gè)輸入層，一個(gè)輸出層，一個(gè)隱含層。圖2所示是一個(gè)三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖。

這個(gè)網(wǎng)絡(luò)輸入層有n個(gè)神經(jīng)元，輸出層有q個(gè)神經(jīng)元,隱含層有p個(gè)神經(jīng)元。輸入信號(hào)從輸入層節(jié)點(diǎn)依次傳過(guò)各隱層節(jié)點(diǎn)，然后傳到輸出層，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出，相鄰層每個(gè)節(jié)點(diǎn)通過(guò)適當(dāng)?shù)倪B接權(quán)值向前連接。

3.3  神經(jīng)網(wǎng)絡(luò)模型在軟件中的設(shè)計(jì)與實(shí)現(xiàn)

采用貝葉斯正規(guī)化BP神經(jīng)網(wǎng)絡(luò)的三層網(wǎng)絡(luò)設(shè)計(jì)模型，應(yīng)首先確定各層神經(jīng)元的個(gè)數(shù)｛Var_num,M,1｝（Var_num為輸入?yún)?shù)的個(gè)數(shù)，隱藏層神經(jīng)元個(gè)數(shù)可通過(guò)計(jì)算得出）；為了計(jì)算方便，這里首先把網(wǎng)絡(luò)變量設(shè)置如下：

輸入模式向量:Ak=（aik,a2,???,a：）；期望輸出向量:Z=3討,；中間層各單元輸入向量：S*=（詩(shī),履,…,sp）；中間層各單元輸出向量:Bk=（bt,b2,???,bp）；輸出層各單元輸入向量：Lt=仏將,?,iq）；輸出實(shí)際值向量:Ck=（c"c2,?,c；）。

輸入層至中間層的連接權(quán)為WiJ；中間層至輸出層的連接權(quán)為v；中間層各單元的閾值為傷；輸出層各單元的閾值為*。其中：

學(xué)習(xí)算法采用L-M優(yōu)化算法。L-M算法又稱(chēng)阻尼最小二乘算法，其權(quán)值調(diào)整公式為：

其中，?/為誤差對(duì)權(quán)值微分的雅克比矩陣，e為誤差向量，M為阻尼因子,/為單位矩陣。

標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目的是找出使誤差函數(shù)E為最小的網(wǎng)絡(luò)參數(shù)W，而使上述目標(biāo)函數(shù)達(dá)到最小的函數(shù)有無(wú)限多個(gè),即式子的解并不唯一。因此，由有限數(shù)據(jù)點(diǎn)恢復(fù)其背后隱含的規(guī)律問(wèn)題往往不太合適，而應(yīng)采用正規(guī)化理論，即加入一個(gè)約束性項(xiàng)使問(wèn)題的解穩(wěn)定，從而得到有用的解。依據(jù)正規(guī)化的理論設(shè)置的目標(biāo)函數(shù)為：

其中，Ew代表正規(guī)化方法中網(wǎng)絡(luò)的復(fù)雜性和平滑性，P代表平滑性約束算子控制著其他參數(shù)（權(quán)與閾值）的分布形式,被稱(chēng)為超參數(shù)。正規(guī)化法通過(guò)采用新的性能函數(shù)，可以在保證網(wǎng)絡(luò)訓(xùn)練誤差盡可能小的情況下，使網(wǎng)絡(luò)的有效權(quán)值盡可能少，從而有利于提高神經(jīng)網(wǎng)絡(luò)的泛化能力。超參數(shù)a,P的大小決定著網(wǎng)絡(luò)訓(xùn)練誤差和網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，常規(guī)的正規(guī)化方法很難確定超參數(shù)a,P的大小，所以，應(yīng)采用貝葉斯方法

來(lái)確定超參數(shù)，可以在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中自適應(yīng)地調(diào)節(jié)超參數(shù)的大小，使其達(dá)到最優(yōu)。采用貝葉斯方法計(jì)算超參數(shù)的公式如下：

其中，c=N-2atr(A)-1，A是F(w)的Hessian陣，z表示有效的網(wǎng)絡(luò)參數(shù)的數(shù)目，可用于反映網(wǎng)絡(luò)的實(shí)際規(guī)模，N是網(wǎng)絡(luò)所有參數(shù)的數(shù)目。

在軟件中實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的步驟如下:

第一步：初始化a、及權(quán)值w、％以及閾值i、c，設(shè)a=0,b=1，并用Nguyen-Widrow法初始化權(quán)值。

第二步：利用L-M算法最小化目標(biāo)函數(shù)Fw=bE+aEw。

LM算法步驟如下[5'1]:

首先，應(yīng)將所有樣本歸一化值輸入到網(wǎng)絡(luò)并用公式計(jì)算出網(wǎng)絡(luò)輸出，再用誤差函數(shù)計(jì)算出訓(xùn)練集中所有目標(biāo)的誤差平方和。計(jì)算過(guò)程如下：

（1）用輸入樣本歸一化值A(chǔ)k=(*',ak,???,an)、連接權(quán)Wj及閾值i計(jì)算中間層各單元的輸入j然后用勇通過(guò)傳遞函數(shù)計(jì)算中間層各單元的輸出：

（1）同理計(jì)算輸出層各單元的輸入l，以及輸出層單元的響應(yīng)C:

（3）計(jì)算訓(xùn)練集中所有目標(biāo)的誤差平方和：

之后，再計(jì)算出誤差對(duì)權(quán)值微分的雅可比矩陣。雅可比矩陣元素計(jì)算公式如下：

式中，Sm代表誤差對(duì)m層輸入的第i個(gè)元素的敏感性，n為每層網(wǎng)絡(luò)的加權(quán)和。

然后再用公式Dw=(尸J+nI尸尸e，求出Dw。最后,用w+Dw重復(fù)計(jì)算誤差平方和。如果新的和小于第一步中計(jì)算的和，則用n除以＞1)，并轉(zhuǎn)入第Q)步；否則，直接用n除以i。當(dāng)誤差平方和減小到某一目標(biāo)時(shí)，算法即被認(rèn)為收斂。

第三步：計(jì)算有效參數(shù)的數(shù)目c=N_2atr(A)T，其中海森矩陣A利用Gauss-Newton逼近。

第四步：計(jì)算目標(biāo)函數(shù)的新參數(shù)值。

第五步：迭代進(jìn)行第二到第四步，直到收斂為止。

在訓(xùn)練過(guò)程中，可以根據(jù)有效參數(shù)c,E,Ew的取值來(lái)確定隱藏神經(jīng)元的個(gè)數(shù)(記為M)及網(wǎng)絡(luò)是否收斂。對(duì)于給定的M，當(dāng)經(jīng)過(guò)若干步迭代后，如果這三個(gè)參數(shù)處于恒值或變化較小，則脫明網(wǎng)絡(luò)訓(xùn)練收斂，可以停止訓(xùn)練。

4  結(jié)語(yǔ)

實(shí)驗(yàn)證明，通過(guò)采用拉丁超立方抽樣方法選取樣本后,再通過(guò)以上貝葉斯正規(guī)化和L-M算法設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，即可最終達(dá)到對(duì)油藏歷史數(shù)據(jù)進(jìn)行輔助擬合之目的。

20210904_6132500ed4e51__貝葉斯正規(guī)化算法在油藏參數(shù)擬合方面的應(yīng)用