利用RBF神经网络自适应调整算法预测储层产能

传统径向基(RBF)神经网络的基函数宽度值都由经验公式确定或人为选取,没有考虑误差分布情况,所以在应用中常常效果不够理想。为此本文以最近邻距离算法为基础提出一种改进的RBF神经网络算法,能够自适应地调整基函数中心点宽度值以达到高精度、快速逼近样本的目的。在石油储层产能的预测中,首先对样本信息进行属性约简、预处理;然后在网络学习训练中通过计算输入样本的RBF神经网络的中心点值,再确定RBF神经网络基函数的宽度值,直到满足系统精度为止;最后用训练好的网络来进行储层产能预测。仿真结果表明,改进的RBF神经网络算法应用效果显著,不仅比传统RBF神经网络算法拟合精度高,而且收敛速度快。     

径向基神经网络油气层损害诊断方法

在诊断油气层损害方面,人工神经网络具有许多优越性,尤其是BP神经网络,但BP神经网络存在的一些缺点限制了它的推广应用.通过对BP神经网络和径向基神经网络的对比表明,径向基神经网络具有收敛速度快和预测精度高等优点,其网络模型的预测绝对误差平均为13.89%,而L-M优化算法网络的为32.63%.建立了径向基神经网络在油气层损害诊断领域的应用方法,对油气层敏感性和损害程度进行了预测,网络预测值和实际值的相关系数达0.991以上,准确率大于80%.该方法在孤东油田得到了很好的应用,成功率达100%,实现了对油气层损害类型和程度的定量诊断,与其他方法相比具有诊断结果准确性高、推广应用方便、收敛速度快等优点.     

应用PCA和多元非线性回归快速预测储层敏感性

通过对比分析近年来各种储层敏感性的预测方法,发现耦合PCA与多元非线性回归分析是一种快速、精确、泛化能力强的敏感性预测新方法。以盐敏为例,经过特征选择与提取,建立了预测储层盐敏损害指数的数学模型,并通过精度检验提高其泛化能力。借助塔里木油田的90组样本,检验了新模型在储层敏感性预测中的应用效果。结果表明,盐敏损害指数的平均准确率大于95%,从而证明耦合PCA与多元非线性回归的算法能达到快速、准确预测储层敏感性的目的。该方法操作简单,准确率高,泛化能力强,具有较好的应用前景。     

利用GRU神经网络预测横波速度

储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU（gated recurrent unit）神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明：①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。     

基于多层感知机网络的薄储层预测

相比地震反演方法和技术,基于多属性回归方法的储层预测技术能够缓解分辨率有限、过于模型化等问题,但模型泛化能力不足常造成井间薄储层预测结果不合理。为此,提出基于多层感知机深度学习网络的多属性回归薄储层预测方法,即以地震数据（提供背景信息）、90°相移数据（提供储层结构近似信息）、储层不连续界限属性（提供储层空间分布信息）为输入,以井点高频自然伽马为期望输出,利用多层感知机深度学习网络训练模型,预测井间自然伽马值,利用自然伽马值与砂—泥岩性的高度相关特性刻画薄储层。A油田实际资料测试表明,自然伽马预测值与真实值平均相关系数达到86.4%（训练集,10口井）和85.5%（验证集,两口井）,明显优于传统多属性回归方法。应用该方法解释重点层段6套小层,薄储层预测结果与156口井实钻砂岩厚度平均相关系数较相移数据提升约38%,证实该方法应用效果良好。     

RBF神经网络在催化裂化汽油加氢装置中的应用

根据国内某炼厂250 kt/a催化裂化汽油选择性加氢脱硫装置的生产操作数据,应用RBF神经网络建立了用于预测重汽油馏分加氢产品硫含量的模型,并通过反应器Ⅱ一段进口温度对所建立的RBF神经网络模型的泛化能力进行了考察。实验结果表明,RBF神经网络对重汽油产品硫含量的预测精度较高,平均相对误差达到1.32%,能够对重汽油产品硫含量进行准确预测;RBF神经网络模型的预测性能优于LMBP神经网络模型;RBF神经网络模型具有较好的泛化能力,能够指导装置的生产。     

神经网络技术在柴油加氢精制装置生产中的应用

针对柴油加氢精制过程的产品质量难以优化和预测的问题,提出了人工神经网络模型。根据国内某石化企业1.0 Mt/a柴油加氢精制装置生产操作数据,分别应用动量BP神经网络、LMBP神经网络和RBF神经网络建立了用于预测柴油加氢产品硫含量的模型。并对建立的RBF神经网络模型的泛化能力进行了考察。结果表明,动量BP神经网络、LMBP神经网络和RBF神经网络预测的平均相对误差分别为3.50%,2.30%,2.18%,RBF神经网络模型的预测性能最佳,且具有良好的泛化能力,能够在工艺操作参数变化时准确地预测柴油产品的硫含量,为柴油加氢精制装置的良好运行和优化操作提供了指导。     

超深井储层潜在敏感性预测

从现有储层岩性、物性资料以及前期积累的试验数据中,找出了造成超深井储层敏感性损害的各种潜在因素,并进行了归一化和定量化处理。利用Matlab数学计算软件的神经网络工具,建立了各种潜在损害因素与储层敏感性伤害之间的神经网络模型,并利用各种潜在损害因素归一化和定量化处理的结果,对网络进行了训练,利用返回检验法验证了该神经网络模型预测储层敏感性损害的准确率,准确率在85%以上。最后利用该神经网络模型对胜科1井深部储层敏感性进行了预测。     

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。     

概率神经网络及其在储层产能预测中的应用

概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。针对储层产能的预测问题，提出了一种具体的概率神经网络方法，包括网络模型的构造、学习训练和预测识别等步骤。基于MATLAB6．5设计出概率神经网络的具体应用软件，实际应用表明，在储层产能预测中效果显著。与BP网络进行对比实验，其预测正确率优于BP网络。     

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。     

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。     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。     

BP神经网络法预测顺北超深碳酸盐岩储层应力敏感程度

顺北油田是典型的深层应力敏感性油田,由于深井取心困难或者没有足够岩心支撑实验,同时岩样非均质性强,无法测试应力敏感程度,影响储层物性和产能评价的准确性。收集鹰山组7口井与应力敏感相关的测井、试井等6种测试数据,渗透率、裂缝宽度等7种参数,以及岩石组分、储层温压等资料,利用单相关分析和灰色关联分析筛选11个应力敏感伤害主控因素,加载至所建BP神经网络,设定激励函数和网络参数进行训练直至达到期望误差,在训练好的模型中加载已知应力敏感伤害结果的输入层参数进行计算,将计算结果与已知结果比较,应力敏感伤害程度预测符合率为100%,平均预测误差7.15%。再利用所建网络对顺北一间房组进行预测,并以室内实验值作为基准,计算得到应力敏感渗透率伤害率和临界应力预测误差均小于10%,表明该模型同样适用于其他碳酸盐岩储层应力敏感伤害预测。研究结果表明,BP神经网络法可以用来预测碳酸盐岩储层的应力敏感程度,能够解决深层碳酸盐岩储层由于取心困难导致无法支撑实验的难题。     

基于改进神经网络的渗透率预测方法

由于传统BP算法具有收敛速度慢、易陷入局部极小值等不足,文中对其进行了改进。在Kozeny-Carman方程和杨正明研究的基础上,借助于MATLAB神经网络工具箱,建立了预测岩石渗透率的3层前馈型BP神经网络模型。对改进的神经网络模型进行的仿真训练结果表明:改进模型具有更快的收敛速度和更高的精度,模型预测值与实验室测试值的一致性比较好,其相对误差小于10%,完全能够满足现场精度要求。     

改进人工神经网络原理对储层渗透率的预测——以北部湾盆地涠西南凹陷为例

人工神经网络的计算方法是一种非线性处理系统,是根据测井数据进行储层物性参数预测的方法。以往在利用遗传算法预测渗透率的时候,因为只考虑了单一的数据点,没有把临近层位的数据加入学习过程中来,故影响了预测模型的精度和可信度。为弥补这一不足,利用相临多个层位的数据点进行学习,进而建立储层渗透率的预测模型,并在岩心分析化验数据和相关测井曲线数据归一化的基础上,利用改进的开窗技术,借助反馈的神经网络方法对地层的渗透率进行逐点计算。通过北部湾盆地涠西南凹陷的实例实践表明,用该方法预测的渗透率与实测的渗透率的值符合较好。     

改进的B-P神经网络系统在储层敏感性伤害预测中的应用

从储层保护的角度出发,对长庆油田的储层伤害进行了综合分析研究,确定了对储层造成伤害的几种因素:水敏、盐敏、速敏、酸敏、碱敏,并采用Kohonen自组织网络和改进的B-P网络相结合的组合神经网络技术建立了储层敏感性伤害的预测模型.该模型改进了以往神经网络模型在数据处理方面的缺点,缩短了网络学习训练的时间.运用该模型对长庆油田储层伤害进行了预测,预测结果与实测结果较一致性,说明改进后的神经网络模型在储层敏感性伤害预测中能够满足工程预测的需要,从而为油气层保护技术措施提供可靠的依据.     

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。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。