低渗油藏压力恢复试井测试周期研究

低渗透油藏测试工艺的发展速度超过了试井解释技术,针对性的解释理论和解释技术成为当前试井软技术研究的主要方向之一。近年投产的复杂低渗油气藏对试井提出了更高的要求,急需测试解释成果深入、量化应用到油藏工程分析中,目前缺少结合油藏工程的综合研究是试井应用受限的现实条件之一。结合现场测试实例,研究了注采井间探测半径变化,优化确定了低渗透油藏压力恢复试井测试周期。根据实际工艺情况,建议取20d作为典型区块低渗透储层压力恢复试井测试周期的上限,10d作为典型区块低渗透储层压力恢复试井测试周期的下限。     

低渗油藏压力恢复试井测试周期研究

低渗透油藏测试工艺的发展速度超过了试井解释技术,针对性的解释理论和解释技术成为当前试井软技术研究的主要方向之一.近年投产的复杂低渗油气藏对试井提出了更高的要求,急需测试解释成果深入、量化应用到油藏工程分析中,目前缺少结合油藏工程的综合研究是试井应用受限的现实条件之一.结合现场测试实例,研究了注采井间探测半径变化,优化确定了低渗透油藏压力恢复试井测试周期.根据实际工艺情况,建议取20d作为典型区块低渗透储层压力恢复试井测试周期的上限,10d作为典型区块低渗透储层压力恢复试井测试周期的下限.     

基于改进共轭梯度法的前馈网络快速监督学习算法

为了提高多层前馈神经网络的权参数的学习效率,通过引入改进的求解大规模线性方程组的共轭梯度法,提出一种新的基于LM的前馈网络学习算法.该算法不仅具有LM优化学习方法的快速收敛特性,而且降低了LM法的计算复杂度,可获得比其它标准算法更好的学习精度和推广预测能力.文中通过仿真结果证明了新算法在函数逼近和时间序列预测等问题环境下的有效性.     

基于贝叶期神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度，该文探索了贝叶期神经网络的非参数回归的建模方法，通过融入模型参数的先验知识，在给定数据样本及模型假设下进行后验概率的贝叶期推理，使用马尔可夫链蒙特卡罗算法来优化模型控制参数，实现了对神经网络模型中不同部分复杂度的控制，获得了模型和的后验分布及预测分布，在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整，并给出了较好的预测结果。     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度.该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布.在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果.