??? 摘 要： 介紹混合智能系統，并充分利用該系統在學習、自動模式識別和近似推理方面的優勢,采用模糊神經混合方法對石油測井中的儲層進行識別。該方法通過對測井數據的學習，運用模糊邏輯" title="模糊邏輯">模糊邏輯與神經網絡相結合的混合系統對測井數據進行提取和優化;根據來自不同油井的觀測數據，采用一個兩階段的策略決定預測模型的結構和參數,進而對測井儲層進行識別。給出了該混合方法預測的初步結果，為油井的開發提供了重要的參考。
??? 關鍵詞： 智能系統? 模糊神經? 儲層識別? 神經網絡? 模糊邏輯
??? 近年來采用模糊模型解決復雜的非線性問題的應用變得越來越廣泛。本文提出一種能夠對復雜的儲層進行識別的模糊神經混合方法，并為測井巖性識別提供一種新的有效手段。其特點是不需要建立統計模式識別模型或巖性識別庫，可通過對少量已知樣本的學習建立測井信息和不同巖性之間的對應關系，并借助網絡的推理聯動功能實現對未知巖性的預測。
??? 依據測井數據建立一個模糊神經混合系統需要兩個階段。首先，為了建立模糊推理模型的結構和初始化參數，涉及一個競爭學習過程。與多數已存在的模糊神經方法相比，適當的模糊規則" title="模糊規則">模糊規則、隸屬度函數數量和規則參數的初始值，在最初的學習階段被決定；在第二個學習階段，通過梯度下降法優化模糊規則的參數，一旦學習完成，這種網絡結構就能使通過模糊規則形式獲得的知識更加嚴密，并能按照模糊推理規則處理數據[1]。
1 混合智能系統
??? 混合智能系統是指在不精確和不確定的環境中綜合使用多種智能算法構成一個智能系統。智能系統的三個主要元素是模糊邏輯、神經網絡和進化計算。其中，模糊邏輯主要進行非精確性處理和近似推理，神經網絡使系統獲得學習和適應的能力，而進化計算則廣為采用遺傳算法，提供隨機搜索和優化的能力。圖1所示為混合智能系統的幾種方式。
??????????????????????????? 
??? 在模糊神經混合方式中，實現智能系統的關鍵是：(1) 如何利用模糊系統" title="模糊系統">模糊系統原理修正神經網絡的參數及結構（稱為模糊-神經系統）。(2) 如何利用神經計算方法來調節模糊邏輯系統的行為（稱為神經-模糊系統）。
??? 本文主要討論模糊神經網絡，就是將模糊邏輯系統同神經網絡有機地結合起來。神經網絡在學習和自動模式識別方面有極強的優勢，采用神經網絡技術進行模糊信息的處理，可以使模糊規則的自動提取和模糊隸屬函數的自動生成得以解決，從而使模糊系統成為自適應的模糊系統。將具有邏輯推理能力和高階信息處理能力的模糊技術引入神經網絡，可以大大拓寬神經網絡處理信息的范圍和能力，使其不僅能處理精確信息，也能處理模糊信息。模糊神經網絡匯集了神經網絡與模糊理論的優點，使整個系統具有較強的學習能力和表達能力。
2 模糊神經混合系統
??? 為了提高模糊神經混合系統的精確性和可解釋性，該系統主要由三個部分來實現：(1)根據模糊規則從訓練數據中提取信息。(2)為了提高系統的精確性，精簡模糊規則。(3)通過一個優化過程，增加模糊規則的可解釋性。
2.1系統結構
??? 巖性識別模型是基于模糊系統與神經網絡構建而成的。基本的模糊系統結構與Takagi-Sugeno模糊結構相似。Takagi-Sugeno模糊模型是由Takagi、Sugeno和Kang（簡稱TS）構成的[2]，這個模型是從給定的輸入-輸出數據集中產生模糊規則，以此形成系統的方法。TS模糊推理系統規則如下：
式中，xi(i=1,…,n)是輸入變量，yj(j=1,…,m)是輸出變量，Aik是定義在輸入變量上的模糊集，bjk是定義在輸出變量上的模糊單體，Aik是通過高斯隸屬函數來定義：
??? 
式中， cik、δik為高斯函數的中心和寬度，通過采取單模糊化、乘法規則推理以及中心平均法去模糊化，對于任意輸入向量X，推理的確切輸出為：
??? 
式中，
,為第k個規則的激活強度。
??? 為了清楚地了解前面提到的模糊推理機制，為此提出一種神經網絡，其結構如圖2所示，由如下四層構成[3]：
??? (1) 第一層有n個輸入節點xi(i=1,…,n)。
??? (2) 第二層由k組節點構成，每一組又有n個單元，通過這些節點可以估計出高斯隸屬函數的值。
??? (3) 第三層由k個單元（與k個模糊規則有關）構成。每一個節點計算出一個規則的權值" title="權值">權值。
??? (4) 依據(3)的結果，第四層提供最終的輸出。
??????????????????????????? 
2.2 學習策略
??? 模糊神經混合系統的學習策略主要由兩個階段組成。在第一階段，規則節點的值、網絡的結構、規則參數的初始值（權值）通過競爭學習策略獲得；在第二階段，通過有導師學習的策略，調整所有的參數。為了實現這一學習策略，必須提供一個由輸入輸出數據構成的訓練集和一個初始假定的模糊規則值K。
??? 在競爭學習階段，主要是如何決定規則節點的值和初始權值。對模糊模型來說，根據規則的數量，一個輸入空間聚類" title="聚類">聚類自動提供適當的聚類數量，這并不像通常的基于聚類的方法，如：C-均值、模糊C-均值、聚類的數量、規則的數量都必須事先選定。競爭學習階段僅涉及模糊神經網絡的第三層，當一個輸入向量被加載進來時，這一層的節點進行競爭，根據輸入向量的歐氏（即歐幾里得）距離的大小[4]，它們中的一個被選中作為最優獲勝者，同時將第二個距離輸入向量最接近的點作為次優獲勝者。為了使最優獲勝者和次優獲勝者更加接近，并分別使它們遠離輸入向量，必須更新它們的權值向量。這一競爭－懲罰機制是假定每一個聚類僅僅通過一個權值向量被表現出來。
??? 初始化后，從向量中提取模糊規則。例如建立網絡的結構和初始化權值。在第二個學習階段，根據同樣的訓練數據優化、調整參數，最終提高整個系統性能[5]。有導師學習的算法是依據梯度下降的方法，在一個網絡權值空間上實現。
3 在巖性預測中的應用
??? 在巖性預測領域，充分利用模糊系統與神經網絡相結合的優勢，通過對相關測井數據參數的提取和優化，主要選取與巖性關系密切的測井數據，例如自然伽瑪（GR）、自然電位（SP）、聲波時差（AC）、密度（DEN）、補償中子（CNL）、電阻率（RT）、深側向電阻率（RD）、淺側向電阻率（RS）等，充分應用已有的巖性判別規則：GR和SP作為泥質指示器，是劃分泥巖及高放射性巖性的重要參數；RT反映了不同巖性的電性差異；AC、DEN、CNL與巖性也有重要關系等。通過對這些重要參數的預測，可以基本確定該地區油井的巖石成分，從而為油井的有效開采提供重要的參考價值。
??? 從已經獲得的測井數據中預測巖石成分是主要的工作，但是這種非線性預測也是非常復雜的。為了作出準確的預測，必須考慮多種因素。而且不同的地區，它們的地質構造也有很大差別，常常會遇到一些常規技術難以解決的問題。例如，巖石成分復雜多樣，泥質含量在含砂層無法求得等。
??? 本文通過分析甘肅涇川地區的測井資料，發現該地區的巖石成分主要為泥巖、砂巖、鈣質、煤層、長石、頁巖六種。采用與巖石成分關系密切的五種輸入數據：SP、GR、AC、RT、CNL作為輸入參數，一共采用45組試驗數據進行預測分析，其中每一組數據由5個向量構成，前32組數據用作訓練數據，后13組數據用于對訓練結果進行測試。由于這些變量的取值范圍不同，需要對變量進行預處理。為了使所有的數據在一個固定范圍內變化，基于每一個變量的均值和方差，通過一個再次縮放過程[6]，最終使數據的格式規一化。
??? 模擬過程分為兩個階段：模糊神經系統的學習和系統性能的計算。預處理數據被分成訓練數據和測試數據。通過模糊神經系統兩個階段的學習策略，訓練數據用來建立模糊模型，測試數據則用來檢查模糊模型的預測能力。
??? 通過設定不同的學習參數，運行競爭學習算法便可得到不同的模糊模型。首先，假定采用十個規則作為先驗知識(因模糊神經系統的初始化結構基于這些規則),
??? 因此，開始的模糊神經網絡有32個輸入，6個輸出，10個規則節點。第二個學習階段，運行1000次，依據測試數據估計最終模糊數據的預測精度。運行結果如表1所示，對每一個產生的模糊推理模型來說，訓練和測試數據的均方誤差以及模糊規則的數量被顯示出來。由表1可以看出，對訓練和測試模型來說，推理模型分別提供了比較好的預測結果，而且，如果規則選擇恰當，誤差就會變小。對于非常復雜的預測和初始變量具有很大不確定性的問題，效果尤其顯著。
??????????????????? 
??? 最初規則數增加，誤差下降。但隨著規則數的繼續增加，誤差又逐漸變大。這表明隨著問題復雜性的增加，精確性有所下降，這也與實際情況相吻合。對于一個特殊的測試模式來說，圖3比較了一個測試模式預測的所有輸出值。從中可以看出，該模式的預測值與實際值就非常接近了。
???????????????????????? 
??? 在儲層識別中采用模糊神經混合方法，不僅快速、有效，而且初步的試驗結果表明，盡管該預測問題復雜且數據量有限，但模糊模式結構簡單，預測的精度基本令人滿意。在以后的研究工作中，將重點考慮如何進一步獲得更高的精度以及這種提取模型的可解釋性。為了實現這一目標，適當選取更多的輸入變量，不僅可以提高預測的精度，而且也能夠提高模糊模型的可解釋性。
參考文獻
[1]?CASTELLANO G, CASTIELLO C. A neuro-fuzzy system?for Ash property prediction. Second international workshop?on Intelligent systems design and application. table of?contents. Atlanta Georgia,2002:175-180.
[2]?SUGENO M, KANG G T. Structure identification of fuzzy?model. Fuzzy Sets and Systems,1988,(28):15-33.
[3]?CASTELLANO G, CASTELLANO C, MARIA A. KERNEL:A matlab toolbox for knowledge extraction and refinement
?by neural learning. ICCS, 2002.
[4]?吳曉莉，林哲輝.MATLAB輔助模糊系統設計[M]. 西安:西安電子科技大學出版社，2002.
[5]?樓順天，胡昌華，張偉.基于MATLAB的系統分析與設計-模糊系統[M]. 西安:西安電子科技大學出版社，
?2003.
[6] BISHOP C M. Neural network for pattern recognition.Oxford: Clarendon Press, 1995.