Актуальность темы
В настоящее время преимущества применения компьютерной техники в геофизике ни у кого не вызывает сомнений. Она позволяет отойти от традиционных методов сбора и обработки информации, решать проблему переработки больших массивов информации, исключить субъективность интерпретации результатов исследований.
Существует большое количество программных средств и аппаратно-программных комплексов, позволяющих автоматизировать все процессы сбора, обработки и хранения данных ГИС. Но даже при современном многообразии различных программных средств, производящих интерпретацию ГИС, системы, использующие возможности искусственного интеллекта, немногочисленны по своей номенклатуре и обладают достаточно невысокими интеллектуальными способностями, что не позволяет использовать их в качестве основных решающих инструментов при вынесении заключения с высокой степенью достоверности о наличии нефтяных коллекторов в литологи-ческой структуре как скважин, так и геологических горизонтов. Развитие интеллектуальных компьютерных систем, разработка высоких информационных технологий, доведение их до уровня, соответствующего современным требованиям экспертных систем, является магистральным направлением в развитии скважинной геофизики.
Использование преимуществ искусственного интеллекта позволяет выйти на иной, более качественный уровень обработки результатов ГИС, поскольку он позволяет в значительной мере заменить геофизика-интерпретатора, занимающегося рутинной работой просмотра огромных массивов однотипной геолого-геофизической информации на автоматизированный программно-аппаратный комплекс, использующий сетевые технологии, Internet-технологии и инфотелекоммуникационные системы для принятия с высокой степенью достоверности решения о наличии нефтеносного коллектора при ГИС.
Одним из направлений развития систем искусственного интеллекта является использование в них аппарата искусственных нейронных сетей. Несмотря на простоту их построения и функционирования, они позволяют накапливать уже известные закономерности ГИС, обобщать факты и давать вполне корректные оценки в ситуациях, когда на входе НС представлены зашумленные данные. НС уже широко применяются за рубежом в различных системах распознавания образов, например, прогнозирования, управления и др. К сожалению, в нашей стране, пока это редкое явление.
В настоящее время создано множество программных продуктов, имитирующих работу НС. Но возможности их применения в геофизической области весьма ограничены. Это связано с тем, что данные программы не содержат в себе ни правил формализации исходных данных и заключений, применяемых для решения задач ГИС, ни специализированных НС, ни средств импорта/экспорта геофизических данных.
В связи с этим, применение НС для интерпретации данных ГИС позволит повысить надежность результатов интерпретации, сократить время, затрачиваемое на решение данной задачи. Поэтому решению данных актуальных задач и посвящена настоящая диссертация.
Объектом исследования является аппарат искусственных нейронных сетей, применяемый для обработки данных ГИС, а также методики и алгоритмы позволяющие повысить качество и надежность оценок НС.
Предметом исследования является многослойная нейронная сеть, программное и информационное обеспечение НС, математическое описание алгоритмов и методик обработки выхода НС для повышения надежности литологи-ческого расчленения разреза скважины, разработка ИС качественной интерпретации каротажного материала.
Цель работы — разработка и научное обоснование применения многослойной нейронной сети для решения задачи качественной интерпретации данных ГИС, внедрение которой имеет существенное значение в области обработки и экспресс-интерпретации геофизической информации непосредственно на скважине.
Для достижения поставленной цели требуется решить следующие задачи:
— формализация задачи качественной интерпретации данных ГИС для ее решения с помощью аппарата НС;
— выбор и обоснование методик предварительной обработки каротажных данных;
— разработка правил и методик применения НС для решения задачи ли-тологического расчленения разреза скважины;
— выбор корректных оценок, позволяющих определять качество интерпретации с помощью НС;
— создание алгоритмов последующей обработки результатов работы НС для повышения качества и надежности интерпретации;
— представление структуры и алгоритмов функционирования интеллектуальной системы экспресс-интерпретации ГИС;
— кодирование отдельных модулей интеллектуальной системы качественной интерпретации.
Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.
При решении задачи качественной интерпретации данных ГИС применялась многослойная нейронная сеть, обучаемая алгоритмом обратного распространения ошибки. В качестве функции активации сети использовалась функция гиперболического тангенса.
Каротажные кривые исследовались на предмет выделения в скважине пластов-коллекторов и пластов с различными видами насыщения. Исследования проводились как с группой каротажных методов, так и по каждому методу отдельно. Обработка исходных геофизических данных велась поточечно с тем же шагом дискретизации, что и оцифровка исходных данных, без предварительного расчленения разреза на пласты.
Программное обеспечение интеллектуальной системы реализовано на алгоритмическом языке высокого уровня — Borland Delphi 6, внутренняя база данных реализована в формате Microsoft Access {mdb).
Достоверность и обоснованность полученных в работе результатов и выводов подтверждена результатами функциональной диагностики и опытом практической эксплуатации интеллектуальной системы качественной интерпретации данных ГИС.
Математические модели, алгоритмы и прикладные программы, предложенные в работе, основаны на фундаментальных положениях функционального анализа, теории статистического анализа временных рядов, а также теории вероятностей и методологии построения экспертных систем.
Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими методами обработки данных и хорошей воспроизводимостью результатов.
Достоверность эталонного материала для обучения НС обеспечена использованием утвержденных в ОАО «Башнефтегеофизика» экспертных заключений по обрабатываемым скважинам.
На защиту выносятся результаты исследования применения многослойной нейронной сети для качественной интерпретации данных ГИС, обеспечивающих возможность получения заключения по наличию нефтенасыщенных коллекторов непосредственно после проведения каротажных работ на скважине, в том числе:
— выбор и обоснование правил формализации задачи литологического расчленения разреза скважины с помощью многослойной НС;
— определение корректных оценок для анализа качества представляемо-сти задачи качественной интерпретации с помощью НС;
— разработка алгоритмов приведения вероятностных оценок пластов ли-тологических структур, определяемых сетью, к абсолютным, функционирующих на основе последующей обработки результатов работы НС;
— анализ влияния правил представления входных геофизических данных и выходных заключений результатов интерпретации на качество обучения нейронной сети и, как следствие, на точность оценок, даваемых сетью распознаваемым литологическим пластам;
— достижение преимуществ применения специализированных алгоритмов обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания;
— разработка программно-инструментальных средств интеллектуальной системы качественной интерпретации данных ГИС;
— реализация разработанных алгоритмических средств и программного комплекса для практического использования для получения реальных результатов расчленения конкретных пластов различных скважин при экспресс-интерпретации результатов реальных ГИС.
Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых, вопреки классическому подходу, основанному на решении системы петрофизических уравнений методами вычислительной математики, применен аппарат искусственных нейронных сетей, позволяющий использовать накопленный эмпирический материал и знания опытных интерпретаторов, являющийся ядром базы знаний интеллектуальной системы для литологического расчленения разреза скважины, в ходе которых:
— получены зависимости точности определения литологической структуры разреза скважины от вида представления каротажных данных, что дает возможность применять аппарат искусственных НС в геолого-геофизической области;
— предложена методика применения НС, не зависящий от количества входных каротажных диаграмм, позволяющий проводить качественную экспресс-интерпретацию даже в тех случаях, когда на скважине проведен неполный набор методов геофизических исследований и решающий проблему точной классификации типа пласта в случае противоречивости данных ГИС;
— разработаны алгоритмы повышения надежности распознавания лито-логической структуры скважины, являющиеся составной частью интеллектуальной системы и обеспечивающие возможность использования в качестве операторов-пользователей данной системы специалистов среднего уровня;
— разработана интеллектуальная система на основе НС, опирающаяся на проведенный вычислительный эксперимент, позволяющая проводить качественную экспресс-интерпретацию каротажных диаграмм, используя создаваемую базу знаний с учетом эмпирических данных высококлассных геофизиков-интерпретаторов, даже в процессе проведения ГИС;
— обеспечена возможность использования персонального компьютера типа IBM PC исполнения Notebook для решения подобных задач, а также предложены теоретические предпосылки для разработки специализированного аппаратно-программного комплекса на базе специализированных нейросетевых микросхем.
Практическая полезность. Полученные в работе методики и алгоритмы применения аппарата искусственных нейронных сетей для качественной экспресс-интерпретации данных ГИС позволяют существенно автоматизировать труд геофизика-интерпретатора за счет колоссальных вычислительных возможностей по обработке терабайт геофизической информации интеллектуальными системами на базе как отдельных компьютеров, так и компьютерных сетей, существенно использующих реляционные базы данных таких как «Finder» и др. НС, за счет заложенных в них эталонных данных, позволяют сократить время, необходимое на проведение качественной экспресс-интерпретации скважин в несколько раз с одновременным повышением качества интерпретации и сокращением ошибок при принятии решений.
Использование разработанной интеллектуальной системы позволило повысить эффективность ГИС за счет резкого расширения возможностей проведения экспресс-интерпретации во время проведения каротажных исследований с достаточно высокой степенью достоверности.
Реализация работы в производственных условиях.
Разработанная при непосредственном участии автора компьютеризированная интеллектуальная система качественной интерпретации данных ГИС, в том числе технические и методические средства, направленные на повышение точности ее функционирования и универсальности, внедрена в ОАО «Удмурт-геология».
Результаты работы могут быть использованы в практике работы предприятий, занимающихся геологоразведкой и оценкой запасов нефтяного фонда, геофизическими исследованиями регионов.
Работа выполнялась в Институте математического моделирования разработки нефтяных месторождений при ИжГТУ в соответствии с планами хоздоговорных НИР, проводимых ИжГТУ с ОАО «Удмуртгеология» и ОАО «Бел-камнефть».
Апробация работы. Отдельные законченные этапы работы обсуждались на Электронной заочной конференции «Молодые ученые — первые шаги третьего тысячелетия» (Ижевск, 2000), Международной научно-технической конференции «Информационные технологии в инновационных проектах» (Ижевск, 2001;2003), Научно-технических конференциях ИжГТУ (Ижевск, 20 012 003), конференции «Приборостроение в XXI веке. Интеграция науки, образования и производства» (Ижевск, 2001), Международной конференции «Молодежь, студенчество и наука XXI века» (Ижевск, 2001).
Публикации. Результаты работы отражены в 9 научных публикациях, в том числе: 6 статей в журналах и сборниках, 2 депонированные рукописи (объемом 33 и 16 страниц), 1 тезис докладов на научно-технической конференции.
Структура и объем работы. Диссертация содержит введение, 4 главы и заключение, изложенные на 139 с. машинописного текста. В работу включены 34 рис., 12 табл., список литературы из 103 наименований и приложение, в котором представлен акт об использовании результатов работы.
Заключение
V.
Модуль взаимодействия с SQL сервером.
Модуль импорта/ экспорта данных.
Модуль управления базой данных.
SQL сервер
Рис. 1.2. Структурная схема БД «Carbon».
В базе данных хранятся структурированные данные каротажных исследований скважин по различным месторождениям, площадям и объектам, заключения по материалам исследований скважин, справочная информация по каждой скважине, данные инклинометрии, дополнительная информация в виде справочников. Интерфейс СУБД позволяет одновременно работать с несколькими скважинами. Кроме того предусмотрена возможность отображения отсканированной каротажной диаграммы в формате psf (Формат Nord Soft).
Взаимодействие с БД осуществляется с помощью библиотеки стандартизованных объектов.
1.5. Анализ возможностей нейросетевых технологий.
Задача интерпретации данных ГИС неотрывно связана с задачей классификации. Поэтому применение НС в данной области достаточно перспективно.
Искусственные нейронные сети являются попыткой сымитировать работу головного мозга человека. Они точно так же состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. НС способны решать широкий круг задач распознавания образов, идентификации, прогнозирования, оптимизации, управления сложными объектами. Они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.
Термин «нейронные сети» сформировался к середине 50-х годов XX века. Большой вклад в развитие теории НС внесли У. Маккалох, Д. Хебб, Ф. Розенб-латт, М. Минский, Дж. Хопфилд.
В процессе функционирования НС проявляют следующие основные свойства [13, 83, 97]:
1. Обучаемость. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами.
2. Способность к обобщению. При правильном обучении сеть становится нечувствительной к малым изменениям входных сигналов (например, шуму) и дает нужный результат на выходе. Важно отметить, что НС делает обобщения автоматически благодаря своей структуре, а не с помощью использования специально написанных для этого компьютерных программ.
3. Способность к абстрагированию. Если предъявить сети несколько искаженных вариантов входного образа, то сеть сама может создать на выходе идеальный образ, даже если она с ним никогда не встречалась. В соответствии с этим, аппарат НС позволяет решать следующие задачи [67]:
— Классификация образов. Задача состоит в указании принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам. Это может быть распознавание букв, классификация сигнала электрокардиограммы. В данной работе предлагается использовать НС для литологического расчленения разреза скважины по данным ГИС.
— Кластеризация/категоризация. Позволяет объединять набор входных объектов в несколько кластеров. Отличием от предыдущей задачи является то, что в данном случае не требуется эталонных данных. Сеть самостоятельно разбивает входные объекты на кластеры.
— Аппроксимация функций. Задача заключается в том, что по некоторой обучающей выборке ((хь >>i), (х2, ут), ., (х&bdquo-, уп)), которая генерируется неизи 1 и W О V" вестнои функцией, искаженной шумом, необходимо наити оценку данной функции.
— Предсказание/прогноз. По заданным N дискретным отсчетам (y (?i), y (h), .jfe)} в последовательные моменты времени t, • ••> ^ получить значение 7(^+1) в момент tNAr.
— Оптимизация. Задачей оптимизации является нахождение решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.
— Ассоциативная память. В отличие от памяти, данные из которой вызываются путем указания конкретного адреса (модель вычислений фон Неймана), в ассоциативной памяти обращение осуществляется по указанию заданного содержания. Ассоциативная память чрезвычайно желательна при создании перспективных информационно-вычислительных систем.
Для решения задач с помощью НС, необходимо подобрать подходящую структуру НС. Выбор структуры НС осуществляется в соответствии с особенностями и сложностью задачи. Для решения некоторых отдельных типов задач уже существуют оптимальные, на сегодняшний день, конфигурации [62, 63, 64, 65, 67]. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоеввведение обратных связей наряду с увеличением возможностей сети поднимает вопрос о динамической устойчивости сетисложность алгоритмов функционирования сети (в том числе, например, введение нескольких типов синапсов — возбуждающих, тромозящих и др.) также способствует усилению мощи НС. В большинстве случаев оптимальный вариант получается на основе интуитивного подбора.
Многослойная нейронная сеть или персептрон. Был предложен и исследован в 1960;х годах Розенблаттом, Минским, Пейпертом и др. Сеть состоит из входного, выходного и одного или нескольких скрытых слоев. Нейроны между слоями соединены по принципу «каждый с каждым». В середине 1980;х годов был предложен эффективный алгоритм обучения многослойных нейронных сетей, основанный на вычислении градиента функции ошибки и названный обратным распространением ошибки, который до сих пор является наиболее популярным.
Данная модель применяется для распознавания образов, классификации, прогнозирования, синтеза речи, контроля, адаптивного управления, построения экспертных систем. Основным преимуществом является использование алгоритма обратного распространения — первого эффективного алгоритма обучения многослойных нейронных сетей. К недостаткам можно отнести продолжительный процесс обучения [63, 65, 67, 97].
Сеть Хэмминга — нейросетевая модель ассоциативной памяти, основанная на вычислении расстояния Хэмминга. Расстояние Хэмминга между двумя бинарными векторами одинаковой длины — это число несовпадающих бит в этих векторах. Нейронная сеть, которая реализует параллельное вычисление расстояний Хэмминга от входного вектора до нескольких векторов-образцов, носит название сети Хэмминга.
Сеть применяется для распознавания образов, классификации, ассоциативной памяти, надежной передачи сигналов в условиях помех. НС такого типа работает предельно просто и быстро. Выходной сигнал формируется в результате прохода сигналов всего лишь через один слой нейронов. В модели использован один из самых простых алгоритмов формирования синаптических весов и смещений сети [62, 67, 97].
К недостаткам можно отнести то, что сеть способна правильно распознавать (классифицировать) только слабо зашумленные входные сигналы. Возможность использования только бинарных входных сигналов существенно ограничивает область применения.
Сеть Хопфилда разработана в 1982 г. Хопфилдом и используется как ассоциативная память. Также возможно применение данной сети при решении задач оптимизации (в том числе, комбинаторной оптимизации). Основное достоинство сети — способность восстанавливать искаженные сигналы. Сети также присущи и ряд недостатков: небольшая емкостьхранение наряду с запомненными образами и их «негативов" — возможность зацикливания сети в процессе функционирования при использовании сильно коррелированных векторов-образцов и др.
Сеть Кохонена. Сеть предложена Кохоненом в 1984 г. В настоящее время существует множество модификаций исходной модели с развитой математической теорией построения и функционирования. Сеть Кохонена формируется в результате самоорганизации и предназначена для разделения векторов входных сигналов на подгруппы. В связи с этим основные области применения сети — кластерный анализ, распознавание образов, классификация. Недостатоквозможность использования для кластерного анализа только в случае, если заранее известно число кластеров [64, 67, 97].
Для решения задач с помощью НС необходимо провести обучение сети. От того, насколько качественно оно будет выполнено, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса.
Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по организуется некоторому внутреннему алгоритму. Во втором случае выходы НС формируются самостоятельно, а сеть изменяется по алгоритму, учитывающему только входные и производные от них сигналы [65].
Существует великое множество различных алгоритмов обучения, которые однако делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором — она производится на основе действий, подчиняющихся некоторому случайному процессу.
В настоящее время, кроме программной реализации НС, возможна аппаратная реализация с помощью специализированных микросхем.
1.6. Обзор программного обеспечения 1.6.1. Программы интерпретации.
В процессе развития возможностей ЭВМ, методов обработки и интерпретации геолого-геофизических данных был создан ряд комплексов программ, предназначенных для автоматизации интерпретационного процесса. Большой вклад в эти исследования внесли С. М. Аксельрод, Ш. А. Геберман, Г. Н. Зверев, С. М. Зунделевич, Е. А. Нейман, В. Н. Колесников, А. Е. Кулинкович, М. Г. Латышева, Э. Ю. Миколаевский, А. И. Соломасов, Н. Н. Сохранов, М.М. Эллан-ский [71,94, 96].
Система «Каротаж», созданная ВНИИГеофизика, послужила первым опытом формализации методов ручной интерпретации геофизических данных. Система была рассчитана на использование небольших ЭВМ типа Минск-22, а затем и более мощные БЭСМ-4, М-222- обеспечивала оперативную и сводную интерпретацию материалов ГИС на основе попластовой обработки. Система оказала существенное влияние на программное обеспечение других систем.
Система «Цикл-2» была создана уже на базе системы «Каротаж» в ЦГЭ МНП. Ее отличало гибкое управление и расширенная библиотека обрабатывающих программ. Система была ориентирована на проведение попластовой обработки на ЭВМ М-222, БЭСМ-4.
Система ГИК-2М (геофизический интерпретатор-компилятор), функционировавшая на БЭСМ-4, М-222, была создана в ВНИИНефтепромгеофизика (г. Уфа) независимо от вышеописанных систем. Отличительной чертой системы явилось использование подхода непрерывной (поточечной) обработки геофизических кривых без выделения однородных интервалов. В своей организационной части система строилась на принципе информационного моделирования, отличалась высокой внутренней организацией, обеспечивающей гибкость управления процессом обработки [41].
Развитие вычислительной техники и создание ЕС ЭВМ привело к созданию систем АСОИГИС (автоматизированная система обработки и интерпретации ГИС), разработанных разными организациями и ведомствами, программно и аппаратно несовместимыми друг с другом. Системы работали как в пакетном так и в интерактивном режиме. Для ЭВМ с объемом памяти не менее 512 Кбайт и операционной системы ОС были разработаны системы АСОИГИС/ОС, для ЭВМ с объемом оперативной памяти 256 Кбайт и дисковой операционной системой — АСОИГИС/ДОС. Достоинством этих систем является возможность взаимного обмена геофизическими модулями без серьезной их переделки благодаря модульному принципу построения программ и единым основным языкам программирования геофизических программ Фортран и ПЛ. Наиболее известными являются АСОИГИС/ОС-Тюмень, АСОИГИС/ОС-ГЕО, АСОИГИС/ОС-ГВЦ, АСОИГИС/ДОС, АСОИГИС/БЭСМ-6, АСОИГИС/СМ [45, 69].
Переход с ЕС ЭВМ на IBM — совместимые компьютеры привел к отказу от вышеописанных программ и созданию на их базе новых программных продуктов. В настоящее время для интерпретации используются следующие отечественные и зарубежные программные комплексы: PETROWORKS, компании LandmarkLOGTOOLS, разработанная одноименной фирмойGintel, разработанная ООО Компания «Геоинформационные технологии сервис», г. МоскваКамертон, ГЕОТЕК и др. [30, 33, 54, 60, 91].
Комплекс программ LOGTOOLS получил широкое распространение на территории России. Он предназначен для обработки и анализа каротажа скважин при интерпретации материалов по отдельной скважине [87]. Он состоит из двух самостоятельных частей: первая предназначена для полевой обработки каротажных материалов, вторая предназначена для обработки каротажных материалов на базе.
Для работы с данными в полевых условиях используется Lis-формат регистрации каротажных данных. При необходимости данные могут быть конвертированы в Las-формат.
Полевое программное обеспечение позволяет провести первичную обработку каротажных данных с учетом информации о базовых калибровках приборов и внести необходимые поправки на условия проведения измерений и сформировать твердую копию первичных каротажных данных и/или результатов первичной обработки.
Базовое программное обеспечение позволяет вводить и редактировать каротажные данные, проводить обработку «поточечном» или «попластовом» режиме с целью определения неискаженных условиями измерений геофизических параметров, оценивать качество результатов скважинных измерений, строить интерпретационные модели, анализировать геофизические параметры с целью оценки литологии, емкостных параметров и насыщения горных пород, оформлять результаты обработки и др.
Другим направлением развития программ интерпретации КД является использование искусственного интеллекта для помощи интерпретатору.
Среди зарубежных ЭС в области интерпретации геологических данных можно выделить: Geophysics Advisor (Environmental Protection Agency) — система исследования и мониторинга загрязненных месторождений, Lobster («А fuzzy logic enhancement from core analysis», Bonarini A. Corrao L, Giacommetti L. Tornado) — определяет тип осадочных пород на основе анализа керна, Хего (Copyright Halliburton Company) — система энергетических служб контроля воды, GeoCos 3D («GeoCos 3D: A diagnosis system, based on the FROG fornalism, to help geologist set up valid interpretation», J. Hamburger) — система построения хроностратиграфических поверхностей и контроля интерпретации, Spirit («Spirit: Integrating knowledge-based techniques into well test interpretation», AIAI, EdinburghDPE) — система определения качества интерпретации, Sismonaute («Sismonaute: a system for detecting and interpreting wave fronts in seismic simulation», U. Junker) — регистрирует и интерпретирует волновой фронт при сейсмическом воздействии [18].
РОССИЙСКАЯ ГОСУДАРСТВЕННАЯ БИБЛИОТЕКА.
Среди отечественных систем можно отметить специализированные системы «ГИС-эффект», разработанную ОАО «Центральная геофизическая экспедиция» и систему Logic Master, разработанную на кафедре геофизики Башкирского государственного университета [16, 18].
Система «ГИС-эффект» обеспечивает решение таких традиционных задач, как: создание базы стандартизованных данных ГИСвыдача оперативного заключения по каротажувыявление новых залежейопределение подсчетных параметров, используемых при построении геологической моделиопределение гидропроводности и дебета для проектируемого объекта эксплуатации [16].
Система Logic Master предназначена для: получения рекомендаций по определению методики проведения скважинных измеренийполучения заключения по результатам исследования эксплуатационных скважинобучения студентов, геофизиков-операторов, начальников партий и начинающих геофизиков [18].
ЭС благодаря своей способности эффективно и достоверно решать слабо формализованные задачи с учетом неопределенных данных могут занять значительное место среди современных геофизических программных продуктов, но в настоящее время, в России широкого практического применения эти программы не имеют [43].
1.6.2. Нейросимуляторы.
В настоящее время создано различное программное обеспечение, имитирующее работу НС, так называемые нейросимуляторы. Условно их можно разделить на два класса — общего назначения и ориентированные на решение какой-либо конкретной задачи.
Нейросимуляторы общего назначения легко приспособить для решения практически любых задач, решаемых с помощью НС, на персональном компьютере. Как правило они содержат в себе подробное описание по применению с вводным курсом в теорию НС. Наиболее серьезные симуляторы позволяют конструировать НС с экзотическими архитектурами и применять алгоритмы обучения, разработанные пользователем, а также обеспечивают мощное графическое отображение поведения НС при обучении и генерируют исходный код на Си++.
Другой класс нейросетевого программного обеспечения ориентирован и оптимизирован под выполнение конкретных задач. Наиболее распространены предназначенные для финансистов «нейропредсказатели» платежеспособности, банкротства и т. п.
Многие нейросимуляторы поддерживают нейроускорители — специальные платы с процессорами цифровой обработки сигналов (DSP), которые позволяют во много раз увеличить производительность НС.
NeuralWorks Pro II/Plus, один из лучших нейросимуляторов, разработанный фирмой Aspen Technology. Им поддерживаются практически все известные типы НС и алгоритмов обучения, включая разрабатываемые с использованием средств симулятора, обеспечивается автоматическая оптимизация спрятанного слоя нейронов. Также в пакет включены средства графического отображения функционирования НС и средства диагностики [6].
Профессиональный вариант, выполненный в виде специализированной среды разработки, позволяет генерировать исходный Си-код для реализации полученной НС, применять возможности нечеткой логики и генетических алгоритмов. Кроме того возможно использование внешних процедур и функций написанных на языке Си, что позволяет разрабатывать любые новые топологии НС и алгоритмы обучения.
NeuroSolution, разработчик — NeuroDimension. Позволяет моделировать широкий набор типов НС (Multi Layer Perceptron, модульные MLP, симбиоз IIR-фильтров с MLP, гибридные НС, НС анализа главных компонентов — РСА, адаптивный фильтр, НС с обратными связями, сети Кохонена, LVQ и т. д.) и алгоритмов обучения: ВРЕ, Momentum, QuickProp, а так же Sanger и Oja для РСА [5].
Программа имеет хорошую справочную систему, графический интерфейс (рис. 1.3), средства визуализации работы НС и графического представления как входных, так и выходных данных. i: r NeuroSolutions — [Breadboard!].
Iff) Eile Edit Alignment Iools Yiew Window Це1р
ТГгГ ." «.шш.
J9JXJ m 5 I w.
NBuildw NSE"C"I CSV NEipW TMtlnj | C"xH"lp.
Рис. 1.3. Внешний вид программы NeuroSoIution.
Существует возможность работать с НС непосредственно из Microsoft Excel, а также генерировать DLL-библиотеки НС, созданных в NeuroSoIution.
Создание и обучение НС возможно как с помощью стандартных помощников, так и вручную. Помощники позволяют создать сеть как по известной топологии, так и по решаемой задаче.
К дополнительным возможностям программы можно отнести использование нечетких нейронов в НС и генетических алгоритмов.
MatLab, пакет, разработанный фирмой Math Works, содержит в себе кроме нейросетевого симулятора (Neural Network Toolbox) множество других инструментов обработки данных [10, 39, 59, 86].
Вся программа имеет командный интерфейс и собственный язык программирования, состоящий из стандартных управляющих команд и математических функций. Все представленные функции хранятся в специального вида текстовых файлах, что дает возможность расширять возможности пакета написанием собственных функций.
Инструмент моделирования НС содержит в себе стандартные топологии и, начиная с версии 3.0, предоставляет возможность гибкого конструирования НС. Также есть возможность использовать вероятностные и регрессионные НС. Набор алгоритмов обучения также стандартен, кроме алгоритма Levenberg-Marquardt.
Согласно заявлению фирмы, максимальное количество нейронов и весовых коэффициентов не ограничено. Минимально необходимый объем оперативной памяти — 16 Мбайт.
BrainMaker, пакет позволяет моделировать только MLP-нейросеть (многослойную НС) с ограничениями — до 8 слоев, по 512 нейронов в каждом слое и до 32 000 весов между слоями нейронов. Входные данные могут поставляться из форматов Excel, Lotus, dBase, ASCII, binary, CompuTrade, MetaStock, CSI (последние три реализованы только в профессиональной версии) [2].
Также в профессиональной версии реализована возможность отображения тренда весов во времени и генерация Си-кода.
Нейросимулятор поддерживает нейросетевые платы-ускорители, в частности производства Adaptive Solutions. Разработчик пакета (California Scientific Software) не предлагает современные алгоритмы ускорения обучения, делая ставку на аппаратное ускорение. Кроме того во время работы на компьютере, симулятор задействует 32-битное ускорение вычислений за счет использования ММХ-команд.
NeuroPro, отечественная разработка (Институт вычислительного моделирования СО РАН), существует лишь некоммерческая версия 0.25 [79].
Назначение пакета — классификация и прогнозирование. По функциональным возможностям программа ограничена моделированием лишь одной топологии НС — многослойной НС, до десяти слоев, до ста нейронов в каждом слое, а также стандартных алгоритмов обучения.
Симулятор позволяет автоматически сокращать количество нейронов, весов и входов.
Системой поддерживаются следующие форматы для входных данных: dBase, FoxBase, FoxPro, Clipper, Paradox.
Neuro Office'98, разработчик — АОЗТ «Альфа Систем», Санкт-Петербург [89].
Уникальность пакета состоит в возможности создания многослойной НС разветвленной архитектуры по усмотрению пользователя и с обучением по правилу обратного распространения ошибок. Авторы называют такую НС «сетью с ядерной организацией», хотя больше бы подошли общеупотребительные термины «структурно организованная» или «блочная».
В составе пакета — две программы. Первая, NeuroView+, предназначена для визуально-графического проектирования структурной модели и топологии нейронной сети. Утверждается, что размеры нейронной сети программно не ограничены. Вторая, NeuroEmulator, служит для обучения и тестовых испытаний спроектированной нейросети, а также для редактирования «синаптической карты» и функций активации нейронов.
Пользовательский интерфейс нельзя назвать интуитивным. По мере корректных действий пользователя раскрываются дальнейшие сервисные функции, что по замыслу разработчиков должно упрощать работу с программой. На деле же получается наоборот. Главный недостаток в том, что каждую связь между нейронами приходится задавать вручную, поэтому создать большую НС очень тяжело.
NeuroEmulator позволяет инициализировать весовые коэффициенты, задать тип пороговой функции для каждого слоя, открыть файл входных данных (форматы Excel: CSV и BDT), предъявить эталоны на выходе и, наконец, приступить к обучению. Предусмотрена генерация тестовых входных данных (в частности, синус).
В программе предусмотрено как пошаговое обучение («одиночный урок») с выводом значения достигнутой ошибки для каждого примера из входных данных, так и режим «обучения множеству», которое предполагает обучение на всех данных вплоть до задаваемого значения ошибки.
Nnet. Достоинствами программы NNet являются оригинальный интерфейс, который облегчает освоение и делает программу очень удобной в работе и хорошая скорость вычислений (полностью 32-разрядная и многопотоковая) [90].
Реализована только многослойная НС. Возможно функционирование в трех режимах (аппроксимация, фильтрация и классификация). Количество нейронов в каждом слое может достигать 64К, а максимальное число весов — четырех миллиардов.
Алгоритмы обучения: ВРЕ, Momentum и скрытый Scaled Conjugate Gradient. Формат файлов ввода/вывода данных — double (8 байт на число).
Программа позволяет запустить сразу несколько проектов и проследить изменение ошибки и выхода НС в процессе обучения.
Другие типы нейросетей (с обратными связями, комбинированные, сети анализа независимых компонентов, слепого разделения сигналов) не были включены в бета-версию программы.
