基于PSO算法优化GRU神经网络的孔隙度预测

孔隙度参数是表征岩石存储石油能力的重要参数之一，也是储层评价的重要物性参数。传统的孔隙度计算方式基于线性方程，预测精度不高并费时费力。针对其问题，提出了基于粒子群优化（Particle Swarm Optimization,PSO）算法优化门控循环单元（Gated Recurrent Unit,GRU）神经网络的孔隙度参数预测模型。该模型可以很好地体现出孔隙度参数与测井曲线之间的非线性关系。首先构建GRU神经网络预测模型，然后利用具有全局优化能力的，更易收敛，鲁棒性较好的粒子群优化算法对GRU神经网络预测模型的超参数进行优化，有效提高模型的预测精度并减少交叉验证的时间。对探区实际测井数据进行相关性分析，挑选出与孔隙度参数相关度较高的测井数据，然后对PSO-GRU神经网络孔隙度参数预测模型进行训练和预测试验，并与传统的GRU神经网络预测模型以及反向传播（Back Propagation,BP）神经网络预测模型的结果进行比较分析，结果显示，PSO-GRU模型在孔隙度预测上具有较好的准确度。