本发明属于石油勘探中储层测井评价技术领域，具体涉及一种基于回归委员会机器的储层参数测井解释方法。
背景技术：
地球物理测井是沿井眼的连续和原位地球物理参数测量技术，测量数据主要包括自然伽马、自然电位、深浅电阻率、补偿声波、密度、中子等，利用这些测井数据可以实现储层划分以及孔隙度、渗透率和饱和度的评价。在常规储层测井评价中，上述参数的评价通常采用储层参数测井解释方法模型、方法和理论，或者与地区有关的经验公式。但是，对于低孔低渗储层、低阻油层等复杂地层，孔隙中的流体对测井响应的贡献小，孔隙度、渗透率和饱和度等储层参数与测井响应之间的关系是非线性的，通常的理论模型或者经验公式已经不能照搬使用，计算结果的精度也不高。为此，针对该类储集层，国内外相关学者利用了神经网络等智能算法来解决储层参数测井解释方法的问题。通常的做法是，选用对流体敏感的测井数据作为输入，然后选用某单一智能算法(比如bp神经网络)进行训练，训练集来自于已知岩石物理实验结果的数据，训练好网络后，再输入待预测储层的测井数据，利用训练好的神经网络预测储层孔隙度、渗透率和饱和度等参数，从而实现储层参数的预测。
基于神经网络利用测井数据进行储层参数预测的核心是采用的机器学习算法。目前常采用bp网络、支持向量机等单一学习算法，这些方法都有各自的优缺点。通常情况下，单一智能算法进行训练和预测时往往出现过度训练，会陷入局部极小，而导致泛化能力不佳。因此，单一智能算法具有鲁棒性不好的缺点。
为此，考虑到每种智能算法都有不同的优势和功能，可以采用多种智能算法联合的途径来降低陷入局部极小的风险，本发明拟在核心算法上采用多种智能算法联合的策略，而且通过优良的决策和回归方法使预测结果更准确，精度更高。
bp(backpropagation)神经网络是1986年由rumelhart和mcclelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。
支持向量机(supportvectormachine，svm)是corinnacortes和vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
在机器学习中，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
自适应神经模糊推理系统是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并能自动产生if-then规则。基于自适应神经网络的模糊推理系统anfis(adaptivenetwork-basedfuzzyinferencesystem)将神经网络与模糊推理有机的结合起来，既发挥了二者的优点，又弥补了各自的不足。
储层参数预测是对储层孔隙度、渗透率与饱和度进行定量评价。回归问题是建立因变量y与自变量x之间关系的问题，孔隙度等储层参数的计算就是建立孔隙度与各个测井数据(如声波时差、补偿中子、补偿密度等)之间的非线性关系模型。
技术实现要素：
为了解决单一智能回归算法存在的过拟合、陷入局部最小，而导致泛化能力不佳的问题，本发明提供一种基于回归委员会机器的储层参数测井解释方法，所述方法在多个智能回归算法的基础上采用委员会决策机制，利用测井数据实现储层参数的回归预测。所述方法将多个智能回归算法的预测结果组合起来，运用一种类似委员会的决策机制，在多个回归预测结果的基础上，通过加权平均法确定最终的回归预测结果，有效地结合了不同智能回归算法的优势，提高了最终预测的准确性。
为实现上述目标，本发明采用以下技术方案：
一种基于回归委员会机器的储层参数测井解释方法，所述方法包括以下步骤：
1)选择对待预测参数敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)采用岩石物理实验结果作为已知储层的参数；
4)将每一层的测井数据和储层的参数组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能回归算法作为前置回归预测器；
7)以训练数据集作为输入，分别对每一种智能回归算法进行训练，得到对应的回归预测模型；
8)以测试数据集作为输入，分别通过每一种回归预测模型给出一个预测值；
9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用一种委员会决策机制，给出最终的预测值。
优选的，所述步骤1)中，选取声波时差(ac，)、中子密度(cnl)、补偿密度(den)、自然伽马(gr)、深感应测井(ild)、中感应测井(ilm)等测井数据作为输入数据。
优选的，所述步骤3)中涉及的储层参数包括泥质含量、孔隙度、渗透率、饱和度。
优选的，所述步骤5)中，训练数据集和测试数据集分别占数据集总量的80％和20％。
优选的，所述步骤6)中采用的智能回归预测算法包括bp神经网络、支持向量机和自适应神经网络-模糊推理系统。
优选的，所述步骤9)中的委员会决策机制采用加权平均法组合各智能回归预测模型的输出值，产生最终的回归预测值。
优选的，所述加权平均法，赋予每个智能回归预测模型一个权重值来计算各个预测值的加权平均数。
优选的，使用遗传算法获取最优的权重组合以构建委员会机器。对遗传算法的适应函数定义如下：
该函数表征了在委员会机器训练时的误差，其中w1、w2、w3分别对应bp神经网络(obpnn)、支持向量机(osvm)、anfis(oanfis)的预测的权重因子，o是预测值，t是目标值(测试数据中的孔隙度)，n是训练数据的数量。为了使w1+w2+w3＝1，在遗传算法中设定如下约束条件：
aw＝b(2)
式中，a＝[111]，w＝[w1w2w3]，b＝1。同时设置wi的上限为1，下限为0。
本发明的优点和有益效果为：本发明在核心回归预测算法选择上提出了多种智能回归预测算法联合的思想，即委员会机器，类似于组建了一个委员会，每个委员对应不同的智能回归预测算法，每种回归预测算法都有不同的优势和功能。该委员会机器模拟委员会的决策机制，通过优良的决策机制把这些单一智能回归预测算法联合起来，可以降低陷入局部最小的概率，使委员会的决策更科学，更准确。因此，该方法比单个智能回归预测系统更优越，训练程度更高，预测结果更好。
附图说明
附图1是本发明所述基于回归委员会机器的储层参数测井解释方法的工作原理图。
附图2是本发明所述基于回归委员会机器的储层参数测井解释方法的工作流程图。
附图3是本发明所述基于回归委员会机器的储层参数测井解释方法预测的孔隙度与岩石物理实验孔隙度对比图。
附图4是本发明所述基于回归委员会机器的储层参数测井解释方法在实施例中与各单一智能算法回归预测性能的对比图。
附图5是本发明所述基于回归委员会机器的储层参数测井解释方法完成的储层参数测井解释成果图。
具体实施方式
参见附图1、附图2。
一种基于回归委员会机器的储层参数测井解释方法，所述方法包括以下步骤：
1)选择对待预测参数敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)根据岩石物理实验结果得到储层的参数；
4)将每一层的测井数据和储层的参数组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能回归算法作为前置回归预测器；
7)以训练数据集作为输入，分别对每一种智能回归算法进行训练，得到对应的回归预测模型；
8)以测试数据集作为输入，分别通过每一种回归预测模型给出一个预测值；
9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用一种委员会决策机制，给出最终的预测值。
优选的，所述步骤1)中，选取声波时差(ac，)、中子密度(cnl)、补偿密度(den)、自然伽马(gr)、深感应测井(ild)、中感应测井(ilm)等测井数据作为输入数据。
优选的，所述步骤3)中涉及的储层参数包括泥质含量、孔隙度、渗透率、饱和度等参数。
优选的，所述步骤5)中，训练数据集和测试数据集分别占数据集总量的80％和20％。
优选的，所述步骤6)中采用的智能回归预测算法包括bp神经网络、支持向量机和自适应神经网络-模糊推理系统。
优选的，所述步骤9)中的委员会决策机制采用加权平均法组合各智能回归预测模型的输出值，产生最终的回归预测值。
优选的，所述加权平均法，赋予每个智能回归预测模型一个权重值来计算各个预测值的加权平均数。
优选的，使用遗传算法获取最优的权重组合以构建委员会机器。对遗传算法的适应函数定义如公式(1)所示，在遗传算法中设定约束条件如公式(2)所示。
下面结合实施例对本发明作进一步说明。
实施例
选取某致密砂岩测井数据以及岩石物理实验结果进行回归委员会机器实验，研究的目标是孔隙度预测。按照以下步骤操作：
1)选择与孔隙度有关的声波时差(ac)、中子密度(cnl)、补偿密度(den)以及自然伽马(gr)测井数据作为输入数据；
2)对输入特征的数据做归一化处理，归一化公式为：
式中，
3)已知的储层孔隙度参数由岩石物理实验测得；
4)将每一层的测井数据和岩心孔隙度实验结果组合在一起构成数据集；
5)将数据集随机地分成两类，80％的数据作为训练集，20％的数据作为测试集，部分训练集数据如表1所示，部分测试集数据如表2所示；
6)选用bp神经网络、支持向量机和神经模糊系统作为前置回归预测器；
7)以训练数据集作为输入，分别对每一种前置回归预测算法进行训练，得到对应的回归预测模型；
8)利用测试数据集，分别通过训练得到的bp神经网络、支持向量机和神经模糊系统这三个模型，对每个样本输入xi，三个模型分别输出了一个回归预测值，obpnn.i、osvm.i和oanfis.i，将其作为委员会机器构建实验数据；
9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用加权平均法作为委员会的结合策略。
在加权平均法中，赋予每个智能回归预测模型一个权重值来计算各个预测值的加权平均数，使用遗传算法获取最优的权重组合以构建委员会机器。对遗传算法的适应函数定义如式(1)所示，约束条件如式(2)所示。
在遗传算法中，经过62次迭代，目标函数最佳值不再降低，遗传算法得到最佳的权重值(0.0348，0.7884，0.1778)，以该权重组合各智能回归预测模型的预测值。使用回归委员会机器计算孔隙度的公式如下：
porcmis＝0.0348×porbpnn+0.7884×porsvm+0.1778×poranfis(3)
最后，利用测试数据集对回归委员会机器进行测试。从委员会机器预测孔隙度的(mse)为0.3331，这显示了相对于bp神经网络、支持向量机和神经模糊系统的性能提升，并且实际测量的孔隙度和委员会机器预测的孔隙度之间的r2提高至0.9548，如附图3所示。
表1用于回归预测委员会实验的部分训练数据
表2用于回归预测委员会实验的部分测试数据
对比例
为了说明回归预测委员会方法的性能，用均方误差和预测准确率表征回归预测的性能，使用测试数据对该委员会以及三个委员——bp神经网络、支持向量机和神经模糊系统的回归预测性能进行测试，并将回归预测委员会的预测结果与三个委员——bp神经网络、支持向量机和神经模糊系统在该回归预测问题上的性能进行对比。测试结果为：委员会模型预测结果与目标值的均方误差比单个委员系统的均方误差都要低，并且基于回归预测委员会的预测准确率也高于任何一个单一委员系统的准确率，对比情况如附图4所示。
当然，利用回归委员会还可以来预测泥质含量、渗透率甚至饱和度等参数，可以实现多种储层参数的预测和测井解释方法。附图5为某致密砂岩储层基于回归委员会机器的测井解释成果图。
最后应说明的是：显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。