CMAC神经网络的模型改进及在油藏工程中的应用

摘要

岩性、物性、电性和含油性是油藏地质研究中的四性特征。其中,由物性特征所描述的储集层的孔隙度和渗透率,深刻地影响着油藏的开发方案、储层的研究比较以及油田的动态管理等多个方面。一般情况下,通过地震数据和测井资料,可以推导出油藏储层的孔隙度和渗透率,但受胶结物类型等因素的影响,此二参数不易准确的测量和预测,且两者之间的关系往往也难以确定。基于人工智能技术的油藏储层地质参数的分析与预测,是测井解释的一种应用,是储层预测的一种新方法,能够改善油藏描述和剩余油定量描述,提高储集层预测准确度的。
　　 本文主要研究内容有:
　　 1.设计了抗干扰能力强的模糊主成分分析方法对油藏样本进行预处理,在更好保存信息的基础上有效实现了降维以降低分析的复杂度
　　 2.根据小脑关节控制模型(CMAC)理论,提出一种基于全局动态信息的批处理CMAC神经网络模型。该模型在保留局部泛化和无局部极值优点的基础上,利用学习过程中的迭代信息,来确定其学习率的大小；同时,引入自动控制策略中的积分误差思想,通过对误差动态加权处理,使模型具有更好地逼近能力。通过对样本进行统计学习,新模型能够提高网络的预测准确度,具有较高的收敛性和较快的收敛速度,并从理论推导和实验比较两方面证明了该结论。
　　 3.将全局动态信息的批处理CMAC神经网络模型应用于油藏描述的孔隙度预测中,取得了较好的效果,为油藏地质的参数测量提供了一种新途径。