径向基神经网络优化及在储层敏感性定量预测中的应用

径向基(RBF)神经网络法具有网络结构简单、逼近能力强和学习速度快等优点,已成为最具发展潜力的储层敏感性智能预测方法之一,但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题。通过在输入层中引入补充节点,对网络拓扑结构进行优化,有效地提高了RBF神经网络的逼近精度和泛化能力。在确定储层敏感性主要影响因素的基础上,通过对径向基函数散布常数的优选,进一步优化了RBF神经网络的性能。采用所收集的胜利、辽河、大港及江苏油田共125组数据,进行了神经网络训练和预测检验,优化了RBF神经网络,并在储层敏感性预测方面进行了应用。结果表明,对于训练集内的样本,预测的平均准确率均大于93.79%,且预测值与实验值的相关系数均大于0.995;对于训练集外的样本,预测的平均准确率大于91.59%,预测值与实验值的相关系数大于0.994,实现了对储层敏感性的准确、定量预测。     

径向基函数神经网络法致密砂岩储层相对渗透率预测与含水率计算

致密砂岩储层具有物性差、孔隙结构复杂、非均质性强等特点,导致利用传统方法难以精确预测或计算其相对渗透率和含水率。为此,文中提出基于径向基函数（RBF）的神经网络预测相对渗透率方法：在介绍RBF神经网络原理的基础上,选择高斯函数和最近邻聚类算法构建网络模型;以含水饱和度、核磁束缚水饱和度、孔隙度、渗透率等四参数为输入,油、水相对渗透率为输出,根据误差分析确定最佳相对渗透率预测网络模型及参数;最后采用分流量方程计算得到储层含水率。将该方法应用于鄂尔多斯盆地陇东地区延长组长8储层,预测的油、水相对渗透率与相渗实验结果一致,计算的含水率与测试结果吻合。     

BP神经网络技术在神木气田水平井产能预测中的应用

传统水平井产能预测计算由解析解法与半解析解法确定,有极大的局限性,所以在应用中常常预测不够准确。本文选择BP神经网络算法,通过输入信息神经网络权值和阀值作用,计算各层误差,依次对权值和阀值进行修改,达到高精度、快速逼近样本的目的。最后用训练好的网络来进行神木水平井产能预测。仿真结果表明,神经网络算法应用效果显著,预测值与实际值相对误差在±10%之内,能够满足工程精度要求。     

�������ڲ⾮�����е�Ӧ��

对测井资料进行必要的预处理和合理的取舍后，与地质参数结合，建立起正确的样本集。设计ＢＰ网神经网络，修改神经元作用函数，调整神经元的权值递推式，对样本进行网络训练，在网络系统误差小于允许误差时，网络训练结束。使用得到的网络模型参数，就能得到所需结果。输入测井资料、计算储层参数，计算结果与岩心分析结果相比较，其误差很小。在测井所处理的储层参数与储层产能对应关系很差的情况下，将储层参数与储层产能挂钩，设计ＢＰ网络进行样本训练，训练过程中修整了步长调整因子和平滑因子，得到网络模型参数后进行储层产能评价，效果很好，精度较高。对汉明网络的结构、神经元的权值、域值和输出函数作了改进，使其适用于输入为连续值的模式识别，经实际资料处理证实，该网络有较强的模式识别能力，并见到良好效果。     

基于改进SADE算法的神经网络预测储层物性

为准确计算孔隙度、渗透率等储层物性参数,结合模拟退火和差分进化算法的主要优点,提出一种改进的模拟退火差分进化(SADE)算法,将复杂储层物性预测过程中神经网络权值的训练转化为无约束优化问题,并建立新目标函数,进而利用改进的SADE算法进行求解,并与传统方法计算结果进行比较.新目标函数使得神经网络权值的调整不受样本期望输出大小的影响,更适用于变化范围较大的样本数据训练;改进的SADE算法利用退火温度控制差分进化的选择过程和差分策略的选用,前期具有很好的多样性,后期有较好的收敛能力,克服了经典算法早熟的缺点,提高了全局搜索能力和鲁棒性.利用该算法对现场实际资料进行计算,取得了很好的效果.     

基于神经网络的LM算法预测储层声波孔隙度

精确确定储层的声波孔隙度是测井解释中的一个难题.传统方法在使用时的局限性,提出基于神经网络的LM算法预测储层的声波孔隙度.其主要步骤包括样本的选取与预处理,网络结构的设计,基于Matlab神经网络工具箱编程实现的LM算法的网络训练、声波孔隙度预测.经与BP算法比较,该算法迭代速度快且计算精度高,能较准确地实现声波孔隙度的预测任务.     

径向基函数神经网络及其在插值计算中的应用

径向基函数神经网络(RBF)是Broomhead于1988年提出的一种新型前向神经网络,与传统的插值型神经网络BP网络相比,具有计算速度快、满足全局最优化要求的优点,所以近年来开始引起人们的重视,被引入到函数的逼近插值计算中,成为除BP网络外的另一种重要的插值神经网络。根据径向基函数神经网络(RBF)的原理,总结出了径向基函数网络的可用于复杂插值计算的一种实用插值算法。经对实例计算表明,该算法是快捷可靠的。     

径向基函数神经网络在孔隙度预测中的应用

利用径向基函数神经网络对新疆乌尔禾地区三叠系白口泉组储层孔隙度进行预测,取得了较好的效果。对比分析结果表明,径向基函数神经网络预测结果较BP神经网络以及线性回归法预测结果精度高。阐述了应用中应该注意的问题。     

相似度-共轭梯度BP算法在储层孔隙度预测中的应用

传统的基于测井资料的孔隙度求取是威利时间平均公式和它的一些改进形式,这种方法只是简单的线性形式。然而,由于储层的非均匀性,孔隙度与测井响应之间的关系必然是非线性的,利用线性的方法很难得到能够真实反映储层特性的结果。为了解决这个问题,本文采用了共轭梯度算法建立BP神经网络模型,经过网络学习训练后,对未知的样本进行预测。同时,定义了相似度在测井中的含义及计算公式,通过计算所要预测样本储层的相似度,来判断预测样本是否适合用所建立的神经网络模型进行预测。模拟结果表明,当预测储层和标准储层相似度高时,预测结果和实测结果误差很小;反之,预测结果和实测结果存在较大误差。因此,在孔隙度预测之前,须先计算预测样本的相似度,以判断是否适合,这样可以有效的控制预测精度,避免因储层差别很大而造成的神经网络预测精度降低的现象。     

基于径向基函数神经网络的非线性系统预测控制

以某厂羟胺反应器的氢离子浓度控制为例 ,介绍了径向基函数 (RBF)神经网络在强非线性对象预测控制中的应用及仿真研究结果。     

同伦BP算法在储集层参数预测中的应用

同伦算法是解决非线性优化问题的新理论，将同伦算法引入误差反向传播神经网络，提高了网络的训练速度，消除了常规BP网络算法收敛于局部极值的缺点。该算法具有稳定性强、训练速度快、收敛精度高的优点。实际应用表明，利用此网络进行储集层参数预测，提高了参数预测的可靠性；该算法具有克服网络病态的能力。     

Boosting算法在近红外光谱分析中的应用

Boosting是一种新型的机器学习算法，其主要用于提高回归算法的性能。介绍了一种以RBF神经网络为基础学习机的Boosting回归算法，并将此算法应用于油品辛烷值分析中，与常用的油品分析技术偏最小二乘法(PLS)、多元线性回归(MLR)方法和单个RBF神经网络的拟和预测效果对比分析。结果显示，该算法具有学习速度快、跟踪性能好、范化能力强等优点。     

相似度-遗传神经网络在储层物性预测中的应用

传统的测井解释需要建立精确的数学模型,并常伴有严格的条件限制,因此很难得到真实反映储层特性的结果.采用遗传算法与BP神经网络相结合,利用遗传算法的全局寻优特点,优化神经网络的连接权值和阀值,提高网络的训练精度和预测精度,避免了BP算法易陷入局部极小的缺点,提高运算速度.将相似度的概念引入到测井中,定义相似度在测井中的计...     

利用测井资料预测克拉玛依油田八区克上组油层产能

基于达西二维产量公式，通过研究储层产能的理论公式，并分析储层产能的两类主要影响因素（人为因素和储层因素），认为在一个油区内各种作业方式等人为因素大致相同的前提下，储层产能主要取决于储层的性质。在此基础上，本文建立起储层产能与测井数据之间的关系，采用人工神经网络技术建立了储层产能预测系统，该系统采用了5个评价参数（有效孔隙率、渗透率、含油饱和度、泥质含量和产能系数）作为输入节点，通过人工神经网络（ANN）模型预测出表示储层动态特征的结果。将本方法用于预测新疆克拉玛依油田八区克上组油层拉能，取得了良好的效果，从而证实了本方法的有效性。     

用RBF神经网络建立航空煤油密度软测量模型

在航空煤油的生产过程中,由于航空煤油密度的检测有很大的滞后而难以实现直接质量控制,降低了航空煤油产品的质量和产量,影响了生产效益。针对实际的生产过程,利用径向基函数（ＲＢＦ）神经网络开发了一个航空煤油密度的软测量模型,并用遗忘因子递失算法（ＲＦＦ）对其做了实时自适应校正,实现了航空煤油密度的在线估计,从而为进一步实现质量控制提供了有力的软测量工具。     

径向基函数神经网络在启动压力梯度预测中的应用

启动压力梯度直接影响着低渗透油田的开采量以及油藏压力的预测精度。它与流体粘度、密度、渗透率、孔隙度等影响因素呈非线性关系。而人工神经网络具有表示任意非线性关系和学习的能力，是解决复杂非线性、不确定性和时变性问题的新思想和新方法。利用径向基函数(RBF)人工神经网络对启动压力梯度进行预测，并结合岩心的启动压力梯度的实际测定结果进行研究，结果表明：RBF人工神经网络是一种较为有效的预测方法，具有较高的精度．该方法可以为低渗油田的开发提供可靠的基础数据，节省了人力、物力。     

神经网络结构风险最小油气预测

本文基于统计学习理论中的结构风险最小化原理，从理论上给出了神经网络的结构设计方法和实现过程，该方法能自适应地扩展神经网络的容量，从而完成网络的结构设计，并且在有限样本 的情况下，最大限度地提高网络的训练精度和泛化能力，进而提高神经网络预测结果的可靠性，此外，文中给出了本文方法在吉林油田开发区块储层油气检测的应用实例，效果良好。