排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
2.
由于低孔低渗储层孔隙结构较为复杂,现有核磁共振(NMR)测井渗透率模型对于低孔低渗储层预测精度不高。为此,提出一种融合深度置信网络(DBN)算法与核极限学习机(KELM)算法的渗透率预测方法。该方法首先对DBN模型进行预训练,然后将KELM模型作为预测器放置在训练好DBN模型后,利用训练数据进行有监督的训练,最终形成深度置信-核极限学习机(DBKELMN)模型。考虑到该模型需充分利用反映孔隙结构的横向弛豫时间谱信息,将离散化后的核磁共振测井横向弛豫时间谱作为输入,渗透率作为输出,确定NMR测井横向弛豫时间谱与渗透率的函数关系,并基于该函数关系对储层渗透率进行预测。实例应用表明,融合DBN算法与KELM算法的渗透率预测方法是有效的,预测样本的平均绝对误差(MAE)较斯伦贝谢道尔研究中心(SDR)模型降低了0.34。融合DBN算法与KELM算法的渗透率预测方法可提高低孔渗储层渗透率预测精度,可应用于油气田勘探开发。 相似文献
1