改進「油氣地層震波特徵分析委託試驗分析」之結果

本研究為台灣中油探採研究所委託「油氣地層震波特徵分析委託試驗分析」計畫研 究成果[27]後續之延伸，該委託研究目的為歸納分析油氣辨識技術並評估與類神經網路 結合之可行性，文中提出以感知器、倒傳遞網路、支持向量機(Support Vector Machine，

SVM)偵測亮點，最後將類神經網路辨識最佳化之特徵、參數組合彙整並開發成使用者 介面，名為「石油地層預測器」。

震測資料解釋人員經由使用者介面輔助，結合個人專業知識及油氣辨識技術，可大 幅減少人為誤判之機會，進而提昇油氣識別成功率，並在委託研究報告中5.3 節「可行 性評估」提出下表7.1，為三種網路所提供最佳辨識結果:

1. 辨識率:

計算方式與本研究5.4 節所提出方法一致，感知器和支持向量機差不多，為倒傳 遞網路稍低0.4%。

2. 型一誤差與型二誤差:

計算方式與本研究5.4 節所提出方法一致，型一誤差部分，感知器和支持向量機 差不多約10%，唯倒傳遞網路稍低，約 3%為三者最低。

3. 訓練時間:

感知器所需訓練時間為最長。

4. 回想時間:

感知器如同倒傳遞網路，將輸入值帶入權重值計算後，即可得到答案。而支持 向量機數學模式較為複雜需要經過更多計算，這在系統開發後使用上將會有較 多困擾，造成辨識結果需時冗長。

5. 未來發展性 (1)感知器

為一線性不可分割分類器，將無法處理線性可分割問題，此外網路變化性不大。

(2)倒傳遞網路

為一個多層網路，多層網路具有執行任何線性或非線性計算的能力，並能夠利 用神經元的適當配置隨意地逼近任何有理函數，如此的網路便有效的克服了感

知器的問題，但目前對於神經元的數目尚無完備理論支持，只能以測試方式找 Perceptron 98.61% 9.90% 0.87% 550(s)

慢

前處理部分，依據曾、陳(2007)報告中，三種網路將特徵值正規化後的辨識率都優 於未經正規化過的辨識率，本研究再依此結論改進前處理步驟，如: 移除異常極大值、

移除極端異常值。

網路測試部分，曾、陳(2007)中僅測試三層網路，至於四層網路等較複雜的情況並 無論及，且依據各特徵組合隱藏層神經元測試採取偶數職的神經元數，即指測試隱藏層 神經元數為2、4、6、8、10、12 六種可能，選擇出最佳表現的特徵組合後，再進行隱 藏層神經元數的逐一測試，選擇出特徵組合與神經元數後，再進行訓練函數的逐一測試，

如圖7.1，曾、陳(2007)中所提出最佳特徵組合為 SFAP，而本研究經測試三層 CGBP 網路最佳的特徵組合為SP，而 SFAP 在本研究仍為具有辨識度的特徵組合但並非為最佳，

試驗分析中類似分段決策的測試模式恐有疏漏之虞，本研究測試方式則採取各特徵組合、

網路層數、神經元數逐一測試。

圖 7.1 「油氣地層震波特徵分析委託試驗分析」之分段決策

倒傳遞網路應用於亮點偵測，共軛梯度倒傳遞網路的表現是優於Levenberg Marquardt 倒傳遞網路，相同共軛倒傳遞網路中，四層網路的表現又優於三層網路，故 本研究推薦四層共軛倒傳遞網路應用於油氣儲集層亮點偵測，網路辨識結果每種特徵組 合中最佳隱藏層神經元數如表7.3，最高能提供 99.51%的總辨識率(SP 2-2-5-1)，且最低 的型一誤差可降低至0%，此外型二誤差也能降低至 1%左右，相較於「油氣地層震波特 徵分析委託試驗分析」中所提出最佳倒傳遞網路的結果，表7.1，有效將型一、型二誤 差降低，並提高總辨識率1%。