Ứng dụng mạng neuron nhân tạo (ANN) trong dự báo độ rỗng
THĂM DÒ - KHAI THÁC DẦU KHÍ
TẠP CHÍ DẦU KHÍ
Số 7 - 2019, trang 18 - 27
ISSN-0866-854X
ỨNG DỤNG MẠNG NEURON NHÂN TẠO (ANN) TRONG DỰ BÁO ĐỘ RỖNG
Tạ Quốc Dũng1, Lê Thế Hà2, Phạm Duy Khang1
1Trường Đại học Bách khoa - Đại học Quốc gia TP. Hồ Chí Minh
2Tập đoàn Dầu khí Việt Nam
Email: tqdung@hcmut.edu.vn; halt01@pvn.vn
Tóm tắt
Nghiên cứu giới thiệu phương pháp dự báo độ rỗng bằng phương pháp truyền thống và sử dụng mạng neuron nhân tạo (Artificial
Neural Network - ANN). Phương pháp nội suy truyền thống Kriging sẽ được áp dụng để tìm ra mối quan hệ trong không gian của thông số
độ rỗng thông qua các mô hình 2D. Nghiên cứu cũng ứng dụng công cụ “nnstart”của phần mềm Matlab thông qua các lý thuyết về ANN
và áp dụng vào việc dự báo độ rỗng cho giếng nghiên cứu.
Kết quả cho thấy phương pháp sử dụng ANN đã giúp tối ưu công tác dự báo độ rỗng cho một giếng khoan từ tài liệu địa cơ học cho
trước.
Từ khóa: Địa thống kê, Variogram, nội suy Kriging, mạng neuron nhân tạo.
1. Giới thiệu
Độ rỗng là thông số quan trọng trong việc mô hình
hóa đặc trưng thành hệ, có ảnh hưởng lớn đến tính toán
trữ lượng và quyết định sự phát triển của một mỏ dầu
hoặc khí.
Variogram là công cụ để định lượng tính ổn định/liên
tục hoặc sự tương quan không gian của đối tượng nghiên
cứu bằng cách nghiên cứu các giá trị bình phương trung
bình của hiệu giữa 2 giá trị cách nhau một khoảng cách“h”
theo một hướng xác định.
2.2. Covariance
Mục đích của nghiên cứu này là sử dụng phương
pháp truyền thống địa thống kê Kriging trong các nghiên
cứu thông số độ rỗng đồng thời so sánh với các kết quả
tính toán sử dụng ANN.
Nếu 2 biến ngẫu nhiên Zx và Zx + h cách nhau một đoạn
“h” có phương sai, cũng có một covariance và được diễn
đạt theo công thức thực nghiệm sau [1]:
(
)
2. Phương pháp địa thống kê
1
( )
h =
{[
][
]}
− m
(2)
−
2.1. Variogram
2 (h)
1
Variogram được định nghĩa là một nửa kỳ vọng
của biến ngẫu nhiên [Zx - Zx + h]2 và theo công thức thực
nghiệm [1, 2]:
Với m là kỳ vọng toán học của hàm.
2.3. Phương pháp nội suy Kriging
(
)
1
Kriging là nhóm phương pháp địa thống kê dùng để
nội suy số liệu của một trường ngẫu nhiên tại một điểm
chưa biết giá trị (không lấy được mẫu phân tích) từ những
giá trị đã biết ở các điểm lân cận. Tính chất của Kriging là
chất lượng của mẫu tốt thì giá trị xác định sẽ tốt. Kriging
nội suy dựa trên quy luật BLUE - Best Linear Unbiased
Estimator.
2
[
]
(1)
(h) =
−
2 (h)
1
Trong đó:
γ(h): Hàm variogram theo khoảng cách h;
N(h): Số lượng cặp điểm tính toán;
Zx: Biến ngẫu nhiên x;
Và để nội suy được các điểm, cần giải hệ phương trình
sau [3]:
Z
(x + h) : Biến ngẫu nhiên cách x 1 đoạn h.
Ngày nhận bài: 19/3/2019. Ngày phản biện đánh giá và sửa chữa: 19/3 - 3/6/2019.
Ngày bài báo được duyệt đăng: 4/7/2019.
[
]
−
=
−
0
(3)
0
0
DẦU KHÍ - SỐ 7/2019
18
PETROVIETNAM
liệu đã biết trước. Cặp dữ liệu này còn được gọi là dữ liệu
- nhãn (data - label). Đây là nhóm phổ biến nhất trong các
thuật toán học máy.
[ ]
= 1
(4)
1
Thông thường, chuyển hệ phương trình trên thành
một ma trận và giải ma trận đó [3]:
Theo toán học, học có giám sát là khi có một tập hợp
“n”biến đầu vào X = {x1, x2, …, xn } và một tập hợp“n”nhãn
tương ứng Y = {y1, y2, …, yn}. Các cặp dữ liệu biết trước
(xi, yi) được gọi là tập dữ liệu huấn luyện (training data).
Từ tập huấn luyện này cần tạo ra một hàm số ánh xạ mỗi
phần tử từ tập X sang một phần tử (xấp xỉ) tương ứng của
tập Y.
(5)
=
Trong đó:
K: Ma trận covariance giữa các điểm dữ liệu với các
thành phần Kij = C(Zxi - Txj);
k: Vector covariance giữa điểm dữ liệu và điểm cần xác
định với ki = C(Zxi - Zx0);
(6)
≈
( )
Mục đích là xấp xỉ hàm số f thật tốt để khi có một dữ
liệu x mới có thể suy ra được nhãn y tương ứng từ hàm
số .
λi: Vector trọng số Kriging cho các dữ liệu xung quanh.
3. Trí tuệ nhân tạo và ANN
Nhóm thuật toán học có giám sát gồm các bài toán
chính sau:
ANN ra đời xuất phát từ ý tưởng mô phỏng bộ não
con người. Giống như con người, ANN được học bởi kinh
nghiệm, lưu những kinh nghiệm đó và sử dụng trong tình
huống phù hợp (Hình 1, 2).
Phân loại (classification): Các nhãn của dữ liệu đầu vào
được chia thành các nhóm hữu hạn.
Hồi quy (regression): Nhãn là một giá trị thực cụ thể. Ở
nghiên cứu này, nhóm tác giả đã áp dụng bài toán hồi quy
để dự báo phân bố độ rỗng của vỉa.
- Học có giám sát (supervised learning)
Học có giám sát là nhóm thuật toán dự đoán đầu ra
(output) của dữ liệu mới (new input) dựa trên các cặp dữ
- Học không giám sát (unsupervised learning)
Trong thuật toán này không biết trước được đầu ra hay
nhãn của tập dữ liệu đầu vào, chỉ dựa vào cấu trúc của dữ
liệu để thực hiện công việc như: phân nhóm (clustering)
hoặc giảm số chiều của dữ liệu (dimension reduction) để
thuận tiện trong việc lưu trữ và tính toán.
TRÍ TUỆ
NHÂN TẠO
HỌC MÁY
HỌC SÂU
Học không giám sát là khi chỉ có dữ liệu đầu vào X mà
không biết nhãn Y tương ứng.
- Học bán giám sát (semi - supervised learning)
Các bài toán khi có một lượng lớn dữ liệu X nhưng chỉ
có một phần được gán nhãn được gọi là học bán giám sát.
Những bài toán thuộc nhóm này nằm giữa 2 nhóm trên.
Hình 1. Lịch sử phát triển của trí tuệ nhân tạo [4, 5]
- Học củng cố (reinforcement learning)
Phương pháp
học máy
Học củng cố giúp hệ thống tự động xác định hành
vi dựa trên hoàn cảnh để đạt được lợi ích cao nhất
(maximising the performance).
Học có
giám sát
Học không
giám sát
Học củng cố
3.1. Thuật toán Gradient descent và tốc độ học
Xác định
hành vi
Dự đoán kết quả
đầu ra
Phân nhóm
dữ liệu
Gradient descent (GD) là một thuật toán tối ưu dùng
để tìm cực tiểu của hàm số. Thuật toán sẽ khởi tạo một
điểm ngẫu nhiên trên hàm số và sau đó điểm này sẽ được
di chuyển theo chiều giảm của đạo hàm cho đến khi đạt
Hình 2. Các phương pháp học của mạng neuron [4]
DẦU KHÍ - SỐ 7/2019
19
THĂM DÒ - KHAI THÁC DẦU KHÍ
đến điểm cực tiểu. Thông thường, GD sẽ được dùng để
cập nhật các trọng số (weights) và hệ số bias cho từng lớp
thông qua phương trình:
Công thức của hàm:
( )
=
(9)
Đạo hàm của hàm tuyến tính:
(7)
(8)
=
=
−
−
(10)
= 1
Nhận xét: Giá trị đầu ra không bị giới hạn trong một
khoảng cụ thể mà chỉ phụ thuộc vào miền giá trị của
thông số đầu vào khi đi qua hàm.
Trong đó:
new: Trọng số đã được cập nhật;
w
Do bài toán giải quyết của nghiên cứu là xây dựng
ANN để tính toán và dự báo giá trị độ rỗng nên hàm hoạt
động ở lớp đầu ra chính là hàm tuyến tính.
wold: Trọng số chưa được cập nhật;
bnew: Hệ số bias đã được cập nhật;
bold: Hệ số bias chưa được cập nhật;
α: Tốc độ học tập;
- Hàm sigmoid
Đây là hàm thông dụng thường được dùng trong
ANN đa lớp. Hàm có công thức như sau:
: Đạo hàm của hàm mất mát theo trọng số cũ;
: Đạo hàm của hàm mất mát theo hệ số bias cũ.
1
(11)
1
Đạo hàm của hàm sigmoid:
Tốc độ học tập là tham số quan trọng (hyper
parameter), được dùng để kiểm soát số lượng vòng lặp
trong quá trình Gradient descent. Khi tham số này nhỏ,
thuật toán sẽ cần nhiều bước lặp để hàm số có thể đạt tới
điểm cực tiểu. Ngược lại, nếu tham số này lớn, thuật toán
sẽ cần ít vòng lặp hơn, tuy nhiên khi đó, có thể hàm số sẽ
bỏ qua điểm cực tiểu và không thể hội tụ được (Hình 3).
(12)
1
Nhận xét: Đồ thị hàm sigmoid cho giá trị đầu ra từ 0
đến 1 khi giá trị neuron đầu vào đi từ -∞ đến +∞ (Hình 4).
- Hàm tanh
Giống với hàm sigmoid, hàm tanh cũng được sử dụng
nhiều trong mạng neuron đa lớp. Công thức của hàm có
dạng:
3.2. Hàm truyền
Hàm kích hoạt hay còn gọi là hàm truyền có chức
năng chuyển đổi thông số đầu vào sang một khoảng giá
trị khác. Mạng cần có các hàm truyền để quyết định có
nên truyền tiếp dữ liệu hay không và truyền với cường độ
bao nhiêu. Hàm truyền bao gồm hàm tuyến tính và hàm
phi tuyến. Các hàm phi tuyến giúp mô hình dễ dàng khái
quát hóa và thích hợp với nhiều loại dữ liệu.
(13)
Đạo hàm của hàm tanh:
(14)
1
Nhận xét: Dựa vào đồ thị, giá trị của hàm đi từ -1 đến 1
ứng với giá trị đầu vào đi từ -∞ đến +∞ (Hình 5).
- Hàm tuyến tính (Purelin)
Tốc độ học tập thấp
Tốc độ học tập cao
Hình 3. Các trường hợp của tốc độ học tập [6]
Hình 4. Đồ thị biểu diễn hàm sigmoid [7]
DẦU KHÍ - SỐ 7/2019
20
PETROVIETNAM
- Hàm ReLU (Rectified Linear Unit)
- Lớp nhập (input layer) cung cấp cho mạng các số
liệu cần thiết. Số lượng neuron trong lớp nhập tương ứng
với số lượng thông số đầu vào được cung cấp cho mạng
và các thông số đầu vào này được giả thiết ở dạng vector.
Hàm ReLU là hàm kích hoạt phổ biến nhất vì tính đa
dụng trong mạng neuron tích chập (convolutional neural
network) và học sâu.
- Lớp ẩn (hidden layer) chứa các neuron ẩn giúp kết
nối giá trị đầu vào đến giá trị đầu ra. Một mạng neuron có
thể có một hoặc nhiều lớp ẩn chịu trách nhiệm chính cho
việc xử lý các neuron của lớp nhập và đưa các thông tin
đến neuron của lớp xuất. Các neuron này thích ứng với
việc phân loại và nhận diện mối liên hệ giữa thông số đầu
vào và thông số đầu ra.
Công thức hàm có dạng:
(15)
Đạo hàm của hàm ReLU:
(16)
1
- Lớp xuất (output layer) chứa các neuron đầu ra
nhằm chuyển thông tin đầu ra của các tính toán từ ANN
đến người dùng. Một ANN có thể được xây dựng để có
nhiều thông số đầu ra.
Dựa vào Hình 6a, giá trị của hàm đi từ 0 đến +∞ khi
giá trị đầu vào lớn hơn hoặc bằng 0.
Khi đầu vào là giá trị âm, hàm sẽ bằng 0, điều này sẽ
làm giảm khả năng phù hợp dữ liệu của mô hình và ảnh
hưởng đến quá trình huấn luyện dữ liệu. Do đó, hàm Leaky
ReLU (Hình 6b) được hình thành để giải quyết vấn đề trên.
Số neuron của lớp nhập và lớp xuất sẽ do bài toán
quyết định, số neuron lớp ẩn và số lớp ẩn sẽ do người
nhập quyết định. Tuy nhiên, việc chọn loại và số lượng
của thông số đầu vào có ảnh hưởng lớp đến chất lượng
của mạng.
3.3. Cấu tạo và nguyên lý hoạt động của mạng neuron
Nhóm tác giả giới thiệu và sử dụng mạng neuron
thông thường (Regular Neural Network) để thực hiện vì
phương thức tính toán đơn giản, dễ tiếp cận.
Mô hình toán học của ANN lan truyền thẳng được
trình bày như sau:
Một ANN thường tổ chức các neuron thành từng lớp
và mỗi lớp chịu trách nhiệm cho một công việc cụ thể.
ANN thường có 3 lớp: lớp nhập hay lớp đầu vào, lớp ẩn
và lớp xuất.
(17)
1
Trong đó:
y(x): Giá trị đầu ra theo biến x;
f: Hàm kích hoạt hay hàm truyền;
wi: Trọng số liên kết của neuron xi;
xi: Các giá trị đầu vào.
Mạng truyền thẳng
Dữ liệu
Truyền ngược
Sai số
Hình 5. Đồ thị biểu diễn hàm tanh [7]
Nút neuron
Kết quả
Lớp ẩn
Lớp ẩn
Lớp nhập
Hình 6. Đồ thị biểu diễn hàm ReLU, Leaky ReLU [8]
Hình 7. Mô hình cơ chế hoạt động của ANN [7]
DẦU KHÍ - SỐ 7/2019
21
THĂM DÒ - KHAI THÁC DẦU KHÍ
lớp xuất cũng như giá trị trọng số liên kết giữa lớp nhập và
lớp ẩn được hiệu chỉnh lại đồng thời.
Bản chất nguyên lý hoạt động của ANN truyền thẳng
chính là quá trình huấn luyện mạng (training). Cụ thể, quá
trình huấn luyện thường sử dụng giải thuật lan truyền
ngược để tìm đạo hàm cho từng tham số trong mạng [1,
5, 9].
(26)
(27)
3.4. Hiện tượng Overfitting
Giai đoạn lan truyền thẳng [9]:
Bước 1: Vector thông số đầu vào được nhập vào các
neuron ở lớp nhập.
Overfitting là hiện tượng mô hình tìm được quá khớp
với dữ liệu huấn luyện. Việc này sẽ gây ra hậu quả lớn nếu
trong tập dữ liệu huấn luyện có nhiễu. Khi đó, mô hình
không thực sự mô tả tốt dữ liệu ngoài tập huấn luyện.
Overfitting đặc biệt xảy ra khi lượng dữ liệu huấn luyện
quá nhỏ hoặc độ phức tạp của mô hình quá cao.
a(0) = x
(18)
Bước 2: Tại neuron lớp ẩn thứ j, giá trị tín hiệu nhận từ
lớp nhập sẽ được tính tổng trọng số hóa của tất cả các dữ
liệu được nhập bằng cách cộng tất cả tích của mỗi dữ liệu
đầu vào và trọng số liên kết giữa lớp ẩn và lớp nhập.
Một mô hình được coi là tốt (fit) nếu cả training error
và test error đều thấp. Nếu training error thấp nhưng
test error cao, mô hình bị overfitting. Nếu training error
cao và test error cao, mô hình bị underfitting, còn đối với
việc training error cao - test error thấp thì xác suất xảy ra
rất nhỏ. Để có được mô hình tốt, cần tránh hiện tượng
overfitting thông qua kỹ thuật sau:
(19)
1
Bước 3: Sau đó, hàm kích hoạt (hàm truyền) sẽ được
sử dụng để chuyển giá trị được nhận thành giá trị đầu ra.
(20)
- Validation là kỹ thuật lấy từ tập huấn luyện (training
data set) ra một tập con nhỏ và thực hiện việc đánh giá
mô hình trên tập con này. Tập con này được gọi là tập
validation và tập huấn luyện mới của mô hình là phần còn
lại của tập huấn luyện ban đầu.
Tiếp theo, giá trị đầu ra tại neuron lớp ẩn j tiếp tục
được truyền đến neuron lớp xuất k giống với phương thức
từ lớp nhập đến lớp ẩn.
(21)
- Regularisation là kỹ thuật làm thay đổi mô hình
một ít, giảm độ phức tạp của mô hình, từ đó tránh được
hiện tượng overfitting.
1
Sau đó, hàm truyền lại được sử dụng để tính giá trị
đầu ra của neuron tại lớp xuất.
Ở bài báo này, nhóm tác giả sẽ kiểm tra hiện tượng
overfitting qua kỹ thuật validation.
(22)
Lúc này, giai đoạn lan truyền thẳng đến đây kết thúc,
mạng sẽ chuyển đến giai đoạn lan truyền ngược.
Bước 4: Trong giai đoạn nhập, số liệu nhập gồm cả số
liệu đầu vào và giá trị thực tế. Từ đó, với mỗi bộ số liệu tính
được từng sai số đầu ra tương ứng, giá trị này được gọi là
hàm mất mát (Cost Function - J).
(23)
Bước 5: Từ hàm cost function vừa tìm được, tính đạo
hàm của hàm này theo trọng số giữa lớp ẩn - lớp ra và
trọng số giữa lớp nhập - lớp ẩn.
(24)
(25)
Bước 6: Kế tiếp, giá trị trọng số liên kết giữa lớp ẩn và
Hình 8. Tập dữ liệu thể hiện hiện tượng overfitting (đường màu xanh lá) [10]
DẦU KHÍ - SỐ 7/2019
22
PETROVIETNAM
4. Kết quả tính toán độ rỗng
Bảng 1. Thông số đầu vào của 3 giếng lân cận
4.1. Kết quả tính toán từ phần mềm Gs+
Thông số
Ký hiệu (đơn vị)
TVD (m)
Độ sâu theo phương thẳng đứng
Tọa độ theo phương Đông
Độ rỗng
Các số liệu độ rỗng theo quỹ đạo thu
thập từ 3 giếng X1, X5, X9. Trong nghiên
cứu này số liệu của 3 giếng offset chọn
cùng trong một đối tượng để đảm bảo bộ
số liệu ổn định dừng bậc 2 phục vụ cho
tính toán địa thống kê. Các dữ liệu khác
như bản đồ tướng và thuộc tính địa chấn
không nằm trong phạm vi của nghiên cứu
này. Các số liệu lựa chọn đã được kiểm tra
từ các nghiên cứu tài liệu địa vật lý.
East (m)
Porosity
Từ các thông số trong Bảng 1, nhập
vào Gs+ và thu được quỹ đạo 2D của 3
giếng theo từng phương riêng biệt Tây -
Đông (Hình 9).
Biểu đồ Variogram theo độ rỗng trên
được xây dựng theo mô hình hàm mũ
(Exponential) và có hệ số tương quan là
0,772.
Hình 9. Mặt cắt giếng khoan X1, X5, X9 theo trục TVD và hướng Đông - Tây
Sau khi tìm được mô hình Variogram
cho thông số độ rỗng, nhóm tác giả tiến
hành bước kiểm tra chéo (Cross-validate)
để đánh giá độ chính xác trước khi đưa vào
tính toán. Để có được mô hình Variogram
tốt nhất, có thể loại bỏ hoặc chỉnh sửa
các giá trị ngoại lai (do sai số trong quá
trình đo đạc). Với mô hình Variogram trên,
nhóm tác giả đã tìm được hệ số hồi quy
cho mô hình (Hình 10). Kết quả cho ra tốt
(0,968), do đó mô hình trên sẽ được dùng
để nội suy độ rỗng.
Hình 10. Đồ thị cross validation của bộ số liệu
Tiến hành nội suy độ rỗng theo quỹ
đạo giếng X11 từ thông số độ rỗng của
các giếng lân cận trên thông qua mô hình
xây dựng được.
Hình 12 cho thấy độ chính xác của
thuật toán Kriging tương đối chính xác,
với hệ số hồi quy của dữ liệu dự báo là
trên 60%. Nguyên nhân dẫn đến hệ số
hồi quy này chỉ đạt 60% là do chỉ áp dụng
thuật toán Kriging 1 thông số. Nếu muốn
tăng độ chính xác của thuật toán lên có
thể áp dụng Cokriging, từ đó có thông
số phụ hỗ trợ cho việc dự đoán thông số
chính.
Hình 11. Kết quả nội suy độ rỗng khu vực từ 3 giếng X1, X5, X9 theo độ sâu thẳng đứng
(từ 1.000 - 3.800m) và theo hướng Tây - Đông
DẦU KHÍ - SỐ 7/2019
23
THĂM DÒ - KHAI THÁC DẦU KHÍ
lỗ rỗng. Thông qua mạng neuron vừa được huấn luyện,
nhóm tác giả sẽ suy được độ rỗng tương ứng.
Kriging X11
0,3
0,25
0,2
4.2.2. Bước 2: Xây dựng mạng
Với yêu cầu bài toán là dự đoán độ rỗng từ tài liệu địa
cơ học, vì thế lớp đầu vào chứa các giá trị địa cơ học thu
thập được và lớp đầu ra chứa giá trị độ rỗng từ mạng. Sau
đó, tiến hành quá trình xây dựng mạng hay chọn cấu trúc
mạng thông qua việc chọn số lớp và số neuron ẩn trong
từng lớp cho mạng.
R² = 0,6226
0,15
0,1
0,05
0
0
0,1
0,2
0,3
0,4
Giá trị thực
Thông thường, việc thiết kế ANN sẽ bắt đầu với một
lớp ẩn. Số neuron trong lớp ẩn đó sẽ được điều chỉnh tăng
dần cho đến khi đạt được kết quả sai số đầu ra của mạng
và giá trị đầu ra mong muốn là chấp nhận được. Nếu số
neuron quá lớn (hơn 50) mà sai số vẫn chưa chấp nhận
được thì tăng lớp ẩn thành 2. Quá trình này được lặp đi
lặp lại cho đến khi đạt được sai số và đầu ra mong muốn.
Hình 12. Đồ thị biểu diễn độ chính xác giữa số liệu dự báo và số liệu thực
từ phương pháp Kriging
4.2. Kết quả từ ANN
4.2.1. Bước 1: Thu thập và xử lý số liệu
Từ các thông số đầu vào như độ bền nén đơn trục
(UCS), áp suất lỗ rỗng (Pore Pressure) và độ sâu theo
phương thẳng đứng (TVD), mong muốn dự báo được số
liệu đầu ra là độ rỗng tương ứng với các thành phần trên.
Các thông số đầu vào này phải có tính ổn định, tính phổ
biến và có liên quan mật thiết đến thông số đầu ra.
Trong bài báo này, nhóm tác giả sẽ xây dựng mạng với
số lớp ẩn là 1 và số neuron của lớp ẩn này lần lượt là 10, 20.
4.2.3. Bước 3: Luyện mạng
Với cấu trúc mạng được chọn ở bước 2, tiếp tục tiến
hành bước huấn luyện mạng. Thực chất, quá trình huấn
luyện mạng chính là quá trình điều chỉnh trọng số liên kết
(weights). Các giá trị trọng số liên kết này sẽ được mặc
định ngẫu nhiên khi bắt đầu xây dựng mạng, sau đó,
trong suốt quá trình luyện mạng, các thuật toán của mạng
sẽ điều chỉnh các giá trị trên.
Ở bộ số liệu thu thập được từ 3 giếng trong khu vực,
nhóm tác giả đã chia thành 2 bộ con chính:
- Bộ 1 (Dữ liệu huấn luyện - Training Data) bao gồm
266 giá trị bộ mẫu đầu vào (UCS, Pore Pressure, độ sâu) và
266 giá trị độ rỗng tương ứng. Từ đây, công cụ xây dựng
ANN của Matlab sẽ tiếp tục chia thành 3 nhóm nhỏ:
Kết quả quá trình luyện mạng sẽ hiển thị sai số toàn
phương trung bình (MSE) và hệ số tương quan (R) của 3
bộ số liệu nhỏ được chia từ bộ 1, đó là sai số bộ số liệu
luyện mạng, sai số kiểm tra chéo và sai số kiểm tra mạng.
Công thức của MSE được trình bày như sau:
Luyện mạng (training) chiếm 70% bộ số liệu ứng với
186 bộ mẫu đầu vào. Các giá trị này được sử dụng liên tục
trong quá trình luyện mạng và mạng neuron sẽ được tinh
chỉnh dựa trên sai số mạng.
Kiểm tra chéo (validation) chiếm 15% bộ số liệu ứng
với 40 bộ mẫu đầu vào. Chúng dùng để kiểm tra mạng có
xảy ra hiện tượng quá khớp hay là không.
(28)
Trong đó:
Kiểm tra mạng (testing) chiếm 15% bộ số liệu ứng với
40 bộ mẫu đầu vào, kiểm tra mức độ hiệu quả của mạng
trong và sau khi luyện mạng.
yi: Giá trị dự báo;
yi*: Giá trị thực đo từ mẫu;
n: Số mẫu.
- Bộ 2 (Dữ liệu kiểm tra mạng - Testing data) gồm 30
giá trị bộ mẫu đầu vào và 30 giá trị độ rỗng tương ứng, xác
định độ tin cậy của mạng vừa mới huấn luyện để từ đó có
thể dự đoán cho giếng lân cận.
4.2.4. Bước 4: Kiểm tra độ chính xác của mạng
Để tránh hiện tượng quá khớp và đánh giá mạng
được luyện ở bước 3 phải kiểm tra độ chính xác của mạng.
Ngoài ra, để dự báo độ rỗng cho giếng X11, nhóm tác
giả đã chuẩn bị 1 bộ số liệu của giếng X11 gồm độ sâu
theo phương thẳng đứng, độ bền nén đơn trục, áp suất
Thực tế, mạng sau khi được huấn luyện sẽ sử dụng
phần số liệu kiểm tra mạng để kiểm tra mức độ hiệu quả
DẦU KHÍ - SỐ 7/2019
24
PETROVIETNAM
của mạng. Tiếp đến, mạng sẽ sử dụng dữ liệu trung gian
hay số liệu kiểm tra chéo để tính toán sai số nhằm đảm
bảo hiện tượng quá khớp không xảy ra.
Bảng 2 thể hiện kết quả huấn luyện mạng, kiểm tra
chéo và kiểm tra mạng A ở vòng lặp thứ 7 và đồ thị thể
hiện quá trình huấn luyện trong 13 vòng lặp.
Việc quan sát đồ thị thể hiện (Performance) qua xây
dựng mạng được dùng để đánh giá mạng và xem xét hiện
tượng quá khớp. Các giá trị MSE và R ở bước 3 sẽ hiển thị
tại vị trí vòng lặp (Epoch) cho hiệu quả tốt nhất của quá
trình xây dựng mạng.
Ngoài ra, nhóm tác giả tiếp tục sử dụng số liệu gồm
30 mẫu ở bộ 2 để đánh giá sự chính xác của mạng vừa
được huấn luyện. Kết quả Bảng 3 thể hiện làm tăng độ tin
cậy của mạng A.
Dữ liệu
đầu vào
Lớp đầu ra
Lớp ẩn
Kết quả
Nếu độ tin cậy của mạng sau khi kiểm tra không đạt
kết quả mong muốn, sẽ thực hiện một trong 2 cách sau:
- Tiếp tục luyện lại mạng để có được kết quả tốt hơn.
Hình 13. Mô hình huấn luyện của mạng A dùng để dự báo độ rỗng
Bảng 2. Kết quả huấn luyện ở epoch thứ 7 của mạng A dùng để dự báo độ rỗng
- Quay lại bước 2, tiến hành điều chỉnh số neuron ở
lớp ẩn hoặc cấu trúc mạng, sau đó luyện mạng lại.
MSE × 10-7
8,60788
16,1608
21,4578
R
Một ANN hoạt động tốt sẽ cho ra các kết quả sau:
Mẫu
186
40
Tập huấn luyện
Tập kiểm tra chéo
Tập kiểm tra mạng
0,999836
0,999751
0,999709
- Sai số luyện mạng, kiểm tra chéo, kiểm tra mạng
thấp;
40
- Sai số luyện mạng ở những vòng lặp cuối ổn định;
- Mức độ quá khớp không đáng kể;
Kết quả sai số MSE tốt nhất tại vòng lặp thứ 7
Huấn luyện
Kiểm tra chéo
Kiểm tra mạng
Tốt nhất
- Kiểm tra mạng bằng bộ số liệu khác (bộ 2) cho kết
quả tốt.
4.2.5. Bước 5: Sử dụng mạng để dự báo
Sử dụng mạng để dự báo các giá trị độ rỗng cần tìm
với bộ số liệu là các thông số cơ học đá đã nhập để xây
dựng mạng. Các giá trị được dự báo sẽ được so sánh với
giá trị độ rỗng thực của giếng X11. Từ đó, tiến hành tính
toán MSE để đưa ra những kết luận về phương pháp ANN.
Với bài toán trên, nhóm tác giả sẽ xây dựng các mạng
sau để dự báo độ rỗng:
Vòng lặp
Hình 14. Đồ thị thể hiện MSE của 3 tập số liệu trong quá trình huấn luyện mạng A
- Mạng 2-10-1 (mạng A) với các thông số đầu vào
gồm áp suất lỗ rỗng và UCS, 10 neuron trong lớp ẩn.
Bảng 3. Kết quả đánh giá độ chính xác của mạng A khi dùng bộ số liệu 2
MSE × 10-7
R
171,899
0,998413
- Mạng 2-20-1 (mạng B) với các thông số đầu vào
gồm áp suất lỗ rỗng và UCS, 20 neuron trong lớp ẩn.
- Mạng 3-10-1 (mạng C) với các thông số đầu vào
gồm áp suất lỗ rỗng, UCS và độ sâu theo phương thẳng
đứng, 10 neuron trong lớp ẩn.
Mạng A
0,35
R² = 0,9959
0,3
0,25
0,2
- Mạng 3-20-1 (mạng D) với các thông số đầu vào
gồm áp suất lỗ rỗng, UCS và độ sâu theo phương thẳng
đứng, 20 neuron trong lớp ẩn.
0,15
0,1
0,05
0
Đối với mạng A:
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
Với 2 thông số đầu vào là áp suất lỗ rỗng và độ bền
nén đơn trục, nhóm tác giả đã xây dựng được mạng A như
Hình 13.
Giá trị thực
Hình 15. Kết quả dự báo độ rỗng từ mạng A
DẦU KHÍ - SỐ 7/2019
25
THĂM DÒ - KHAI THÁC DẦU KHÍ
Kết quả ở mạng C, MSE = 1428,875 × 10-7 và hệ số
hồi quy R = 0,9624 (Hình 17). Với kết quả vẫn ra hệ số hồi
quy lớn (trên 90%) cho thấy mạng neuron đã huấn luyện
thành công và cho ra một hàm xấp xỉ gần với quy luật
trong thực tế.
Mạng B
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
R² = 0,9955
Kết quả ở mạng D, MSE = 138,968 × 10-7 và hệ số hồi
quy R = 0,9955.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
5. Kết luận
Giá trị thực
Mạng A với 2 thông số đầu vào (áp suất lỗ rỗng và độ
bền nén đơn trục) được khởi tạo cùng với 10 neuron ở lớp
ẩn, sau đó thu được kết quả dự báo rất khả quan với độ
chính xác lên đến 99,59% so với số liệu thực tế. Tuy nhiên,
ở mạng B, mạng chỉ thay đổi số neuron của lớp ẩn từ 10
lên 20 neuron thì độ chính xác của mạng đạt 99,55. Như
vậy, từ mạng A và B cho thấy với 10 neuron lớp ẩn thì chỉ
cần 2 thông số đầu vào, mạng đã đạt giá trị dự báo ở mức
tối đa.
Hình 16. Kết quả dự báo độ rỗng từ mạng B
Mạng C
0,35
0,3
R² = 0,9624
0,25
0,2
0,15
0,1
0,05
0
Đối với mạng C, mạng được thêm thông số độ sâu
TVD, kết quả cho thấy khi thêm thông số đầu vào (input)
mạng sẽ giảm độ chính xác (đạt 96,24% so với thực tế).
Muốn khắc phục hiện tượng trên chỉ cần tăng số lượng
neuron ở lớp ẩn lên. Trong nghiên cứu này, nhóm tác giả
đã tăng lên 20 để mạng C chuyển đổi thành mạng D.
0
0,1
0,2
0,3
0,4
Giá trị thực
Hình 17. Kết quả dự báo độ rỗng từ mạng C
Mạng D
0,4
0,3
0,2
0,1
0
Phương pháp mạng neuron cho kết quả tốt hơn khi
so sánh với phương pháp dự báo độ rỗng dựa trên thuật
toán Kriging (độ chính xác chỉ đạt 62,26% so với thực
tế). Tuy nhiên, thuật toán Kriging cho biết bán kính ảnh
hưởng và mối quan hệ không gian giữa các thông số dữ
liệu, từ đó có cái nhìn tổng quan hơn về sự phân bố độ
rỗng trong vỉa dầu khí.
R² = 0,9955
0
0,1
0,2
0,3
0,4
Giá trị thực
Tài liệu tham khảo
Hình 18. Kết quả dự báo độ rỗng từ mạng D
1. Vũ Hữu Tiệp. Machine learning cơ bản. Nhà xuất
bản Khoa học và Kỹ thuật. 2018.
Sau khi dùng mạng A để dự báo độ rỗng từ bộ số liệu
X11, nhóm tác giả đã được một bộ số liệu độ rỗng 113 giá
trị. Từ đó, nhóm tác giả đã đem so sánh với bộ số liệu độ
rỗng thực tế của X11 cũng gồm 113 giá trị.
2. Trương Xuân Luận. Lý thuyết địa thống kê. Đại học
Mỏ - Địa chất.
Với 2 bộ số liệu độ rỗng thực tế và dự báo có được,
nhóm tác giả tiến hành đưa 2 thông số này vào Excel và
tính toán MSE = 142,533 × 10-7 và hệ số hồi quy R = 0,9959.
3. Ridha B.C.Gharbi. An expert system for selecting and
designing EOR processes. Journal of Petroleum Science and
Engineering. 2000; 27(1 - 2): p. 33 - 47.
Tương tự đối với 3 mạng còn lại:
4. Elradi Abass, Cheng Lin Song. Artificial Intelligence
selection with capability of editing a new parameter for EOR
screening criteria. Journal of Engineering Science and
Technology. 2011; 6(5): p. 628 - 638.
Ở mạng B, nhóm tác giả cũng tiến hành tương tự các
bước ở mạng A và thu được kết quả cuối cùng sau khi
nhập vào Excel, MSE = 143,171 × 10-7 và hệ số hồi quy R
= 0,9955.
5. VietAI. Bài giảng mô hình Neural Network. 2018.
DẦU KHÍ - SỐ 7/2019
26
PETROVIETNAM
6. Geraldo A.R.Ramos, Lateef Akanji. Application of
artificial intelligence for technical screening of enhanced oil
recovery methods. Journal of Oil, Gas and Petrochemical
Sciences. 2017.
hệ từ tài liệu địa vật lý giếng khoan sử dụng mạng nơ ron
nhân tạo. 2018.
10. Tạ Quốc Dũng, Nguyễn Văn Thuận. Địa thống kê
và ứng dụng trong dự báo các thông số địa cơ học. 2016.
7. Mohamed Sidahmed, Atish Roy, Anjum Sayed.
Steamline rock facies classification with deep learning
cognitive process. SPE Annual Technical Conference and
Exhibition, San Antonio, Texas, USA. 9 - 11 October, 2017.
11. Kelkar Mohan, Godofredo Perez, Anil Chopra.
Applied geostatistics for reservoir characterization. Society
of Petroleum Engineers. 2002.
12. Edward H.Isaaks, R.Mohan Srivastava. An
introduction to applied geostatistics (1st edition). Oxford
University Press. 1990.
8. Nguyễn Hoàng Thiên. Ứng dụng mô hình địa thống
kê dự đoán phân bố đặc tính vỉa. Đại học Bách khoa Tp. Hồ
Chí Minh. 2012.
9. Phan Đăng Võ. Xác định độ rỗng và độ thấm thành
USING ARTIFICIAL NEURAL NETWORK TO PREDICT POROSITY
Ta Quoc Dung1, Le The Ha2, Pham Duy Khang1
1Ho Chi Minh City University of Technology - VNU-HCMC
2Vietnam Oil and Gas Group
Email: tqdung@hcmut.edu.vn; halt01@pvn.vn
Summary
The study presents the traditional geostatistic method and the new method using artificial neural network (ANN) to predict porosity.
In the traditional method, Kriging algorithm is applied to find the spatial relationship of porosity in the reservoir through 2D models. In
the new method, the "nnstart" tool of the Matlab software is applied to build the artificial neural network which will then be used to
predict the porosity of the well being studied.
The results are compared with each other and prove that ANN has optimised the porosity prediction for the studied well.
Key words: Geostatistic, Variogram, Kriging, artificial neural network.
DẦU KHÍ - SỐ 7/2019
27
10 trang
16/04/2022
2760
Bạn đang xem tài liệu "Ứng dụng mạng neuron nhân tạo (ANN) trong dự báo độ rỗng", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- ung_dung_mang_neuron_nhan_tao_ann_trong_du_bao_do_rong.pdf
