综合运用BP网络和优化算法建立储层敏感性预测模型

通过对近年来储层敏感性预测方法的分析研究,认为神经网络方法是一种较理想的预测储层敏感性的新方法。但是常规的BP算法存在收敛速度慢、局部极小值等缺点。为此,采用了动量-自适应学习率调整方法和L-M优化算法,效果明显改善,其中L-M优化算法效果最好,收敛速度快,误差最小。利用L-M优化方法建立的储层速敏网络模型,预测渗透率损害程度的准确率达93％,基本上满足了油气昙敏感性预测的需要。     

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。     

基于广义回归神经网络的油气层识别模型

油气层的准确识别对油气藏的勘探与开发具有重要的指导意义。针对油气勘探中油气层识别难的问题,提出了一种基于广义回归神经网络（GRNN）的油气层识别模型。采用该模型对大庆油田某油井的测井数据进行了仿真实验,并与采用BP网络识别油气层的测试结果进行对比。结果表明GRNN具有结构设计简单和收敛快的优点,预测能力强,说明采用GRNN进行油气层识别具有广阔的应用前景。     

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。     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

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。     

储层敏感性预测模型中BP网络隐层数的优选及应用

储层敏感性预测是多变量的非线性系统,而神经网络解决非线性问题有其独特的优势,是目前用于储层敏感性预测是较好的方法。在建立预测方法过程中,BP网络隐层结点数的确定直接影响到网络的学习效率。通过对目前四种隐层结点数确定方法进行探讨,优选出储层敏感性预测中BP神经网络合理的隐层结点数,并在实际预测中进行应用,从而使预测结果更客观和符合实际。应用情况表明,该方法可大大缩短网络学习时间,从而提高学习效率,使网络以最快的速率达到收敛。     

储层敏感性预测中新方法研究与应用

及时准确地预测储层敏感性损害问题一直是油气层保护研究的一个重要课题。本文在收集岩心分析资料的基础上,通过单相关分析确定影响敏感性的主要因素,应用一种基于多层激励函数的量子神经网络。建立了储层敏感性损害预测的量子神经网络模型,它可以有效提高网络的收敛速度和预测的准确率。基于量子神经网络的预测模型分析表明,该方法受人为因素干扰小,同时系统所需参数少,应用广泛,结果可靠(总体符合率达到88%),能有效地反映出储层潜在敏感性损害程度,为制定保护油气层技术措施提供较可靠的依据。     

BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了,研究,采用了一种改进的的BP算法,其方法具有收敛速度快,避免网络陷入局部最小和出现振荡现象,优化网络结构等优点,提出了一种基于统计的学习样本生成方法,使样本生成问题规范化,使用该方法生成的样本真实可靠,具有代表性,可大大提高样本质量,实际应用网络进行岩性识别和孔隙度预测,取得了令人满意的结果。