构造性神经网络学习算法在油藏参数预测中的应用

摘要

目前，随着易于寻找的构造型油气藏的减少，油气资源勘探变得困难。因此油藏描述技术就成为油气资源勘探开发工程中必不可少的核心技术之一，而油藏参数(包括渗透率、饱和度和孔隙度以及油层岩性等)的预测是油藏描述的最重要方面。 传统的BP神经网络虽有结构简单，工作状态稳定、易于硬件实现等优点，但由于它是一个梯度下降优化过程，所以也存在需要较长的训练时间，局部极小值，隐元数目难以确定等缺点。为此本文采用“构造性神经网络学习算法”对油藏参数进行分析、预测，增强了油藏描述技术的可靠性。 论文的创新点和主要内容如下： 通过对现行神经网络油藏描述存在的问题分析和讨论，提出运用构造性神经网络学习算法进行油藏建模，构建的网络具有最小拓扑，用户不必担心网络拓扑结构的设计，由于算法结构属于监督类神经网络学习结构，加快了网络学习训练速度，有效地解决了传统的神经网络学习算法收敛速度慢、不稳定等缺点；对预测结果进行误差分析，充分的验证和说明了预测模型的性能。 本文运用级联算法，对油层岩性进行了分析、抽象，所设计的模型利用较少的资料比较准确地预测出了地下油藏的储层岩性，把油藏描述的结果准确、详细、直观的表达了出来，更快，更准确的得到了结果，应用更加方便。

目录

文摘

英文文摘

声明

第一章绪论

1.1选题背景与意义

1.2参数预测与油藏描述

1.3人工神经网络在油藏描述方面的应用

1.4研究内容

第二章神经网络基本理论

2.1神经网络的发展历史与现状

2.2神经元理论

2.3神经网络基本模型

2.4发展趋势及前沿问题

2.5本章小结

第三章构造性神经网络

3.1推出构造性神经网络学习算法的目的和工作机制

3.2 RBF-DDA神经网络的算法及特性

3.3 CC神经网络基本原理及算法

3.3.1 CC算法的数学背景

3.3.2 CC算法的学习过程描述

3.4构造性神经网络的应用实例

3.5本章小结

第四章油层岩性识别的研究

4.1 Ant构建工具简介

4.2测井曲线的岩性特征分析

4.3数据分析

4.3.1数据来源

4.3.2样本选择

4.3.3数据预处理

4.4学习训练的方法及预测标准

4.4.1学习训练的方法

4.4.2预测标准

4.5误差控制

4.6岩性识别模型分析

4.6.1预测流程

4.6.2预测模型

4.7预测结果对比

4.7.1 BP网络预测结果

4.7.2 CC网络预测结果

4.8误差分析

4.9预测检验分析结论

4.10本章小结

第五章总结与展望

5.1论文研究总结

5.2进一步的工作

致谢

参考文献

附录