【摘要】：針對復雜巖性碳酸鹽巖儲層孔隙度預測精度不高的問題,首先利用鄰域粗糙集選取孔隙度敏感曲線,將選取后的曲線作為BP神經(jīng)網(wǎng)絡的輸入,建立BP神經(jīng)網(wǎng)絡孔隙度預測模型;針對BP神經(jīng)網(wǎng)絡存在的易陷入局部最小等問題,對網(wǎng)絡拓撲結構參數(shù)進行調整實驗,用磷蝦覓食算法對BP神經(jīng)網(wǎng)絡初始權值閾值優(yōu)化,建立基于粗糙集-磷蝦覓食算法的神經(jīng)網(wǎng)絡孔隙度預測模型。將此模型應用于某油田A井中,與改進前BP神經(jīng)網(wǎng)絡、體積模型等模型精度對比,證明了新網(wǎng)絡模型的優(yōu)越性。結果表明新模型回判將預測精度從26.5%減小到7.05%,具有更強的學習能力,更適用于復雜巖性儲層總孔隙度的測井評價。
[Abstract]:Aiming at the problem that the porosity prediction accuracy of carbonate reservoir with complex lithology is not high, the porosity sensitive curve is selected by neighborhood rough set, and the selected curve is taken as the input of BP neural network, and the porosity prediction model of BP neural network is established. Aiming at the problem that BP neural network is prone to fall into local minimum, the network topology parameters are adjusted and the threshold of initial weight of BP neural network is optimized by feeding algorithm of krill. A neural network porosity prediction model based on rough set-krill foraging algorithm was established. This model is applied to A well in an oil field, and compared with the BP neural network and volume model before the improvement, the superiority of the new network model is proved. The results show that the prediction accuracy is reduced from 26.5% to 7.05, and the new model has better learning ability and is more suitable for logging evaluation of total porosity of complex lithologic reservoirs.
【作者單位】： 長江大學油氣資源與勘探技術教育部重點實驗室;長江大學地球物理與石油資源學院;
【基金】：國家自然科學基金資助項目(41504094)
【分類號】：P618.13;P631.81

【相似文獻】

相關期刊論文 前10條

1 馮德益;;神經(jīng)網(wǎng)絡在地震研究中的應用[J];國際地震動態(tài);1993年06期

2 劉力輝,楊夢巖,康劍;模糊競爭神經(jīng)網(wǎng)絡在地震微相劃分中的應用[J];石油學報;1998年01期

3 王永剛,曹丹平,朱兆林;神經(jīng)網(wǎng)絡方法烴類預測中的問題探討[J];石油物探;2004年01期

4 王小完;楊樺;;神經(jīng)網(wǎng)絡技術在礦體邊界圈定中的應用研究[J];金屬礦山;2009年02期

5 賀康;龐海榮;代粉蕾;;SOM神經(jīng)網(wǎng)絡在全液壓鉆機液壓系統(tǒng)故障診斷中的應用[J];煤礦機械;2011年04期

6 孫玉學;謝建波;趙景原;歷艷明;王嬌;;應用量子神經(jīng)網(wǎng)絡快速預測儲層敏感性[J];鉆采工藝;2012年05期

7 李文娟;姚竹亭;;基于自組織競爭神經(jīng)網(wǎng)絡的地震預測[J];電子世界;2013年11期

8 霍潤科,劉漢東;神經(jīng)網(wǎng)絡法在地下洞室圍巖分類中的應用[J];華北水利水電學院學報;1998年02期

9 吳洪詞,包太,張小彬,胡興;土本構模型的有限元—神經(jīng)網(wǎng)絡耦合模擬[J];貴州工業(yè)大學學報;1999年02期

10 施云惠,阮秋琦;基于再生核神經(jīng)網(wǎng)絡的斷層面模型重構[J];中國圖象圖形學報;2005年06期

相關會議論文 前10條

1 朱廣生;劉瑞林;;用神經(jīng)網(wǎng)絡建立孔隙度預測模型[A];1992年中國地球物理學會第八屆學術年會論文集[C];1992年

2 張仲林;許金余;朱篤美;趙靖;范建設;;神經(jīng)網(wǎng)絡在圍巖穩(wěn)定分析中的應用與研究[A];第十三屆全國結構工程學術會議論文集（第Ⅱ冊）[C];2004年

3 王靖濤;;建立巖土本構模型的反問題理論及神經(jīng)網(wǎng)絡方法[A];新世紀巖石力學與工程的開拓和發(fā)展——中國巖石力學與工程學會第六次學術大會論文集[C];2000年

4 韓道范;謝靖;張讓;馬瑞杰;;自動識別巖性的基于距離的神經(jīng)網(wǎng)絡系統(tǒng)[A];1994年中國地球物理學會第十屆學術年會論文集[C];1994年

5 曹張軍;王棟;;粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡在巖溶地區(qū)的應用[A];風險分析和危機反應的創(chuàng)新理論和方法——中國災害防御協(xié)會風險分析專業(yè)委員會第五屆年會論文集[C];2012年

6 邊亞東;吉曉朋;曹洪洋;張玉國;;基于BP神經(jīng)網(wǎng)絡的邊坡穩(wěn)定性分析[A];第九屆全國巖石力學與工程學術大會論文集[C];2006年

7 潘濱;陳劍平;李曉茹;;改進BP神經(jīng)網(wǎng)絡在巖質邊坡穩(wěn)定性分析中的應用[A];第八屆全國工程地質大會論文集[C];2008年

8 蔡敏;王政;;基于Bp神經(jīng)網(wǎng)絡的地質災害細網(wǎng)格預報模型[A];中國氣象學會2008年年會極端天氣氣候事件與應急氣象服務分會場論文集[C];2008年

9 李彤;陳小宏;;利用神經(jīng)網(wǎng)絡進行道編輯[A];1997年中國地球物理學會第十三屆學術年會論文集[C];1997年

10 孫效功;王碩儒;;函數(shù)型連接神經(jīng)網(wǎng)絡的一種改進算法及其應用[A];1993年中國地球物理學會第九屆學術年會論文集[C];1993年

相關博士學位論文 前6條

1 高明亮;直流電法地電模型參數(shù)辨識的非線性方法研究[D];吉林大學;2016年

2 肖紅;離散過程神經(jīng)網(wǎng)絡算法及在儲層識R%中的應用研究[D];東北石油大學;2015年

3 張濤;用人工神經(jīng)網(wǎng)絡研究元素與巖漿巖、沉積巖巖性及沉積巖礦物的關系[D];西北大學;2016年

4 江沸菠;基于神經(jīng)網(wǎng)絡的混合非線性電阻率反演成像[D];中南大學;2014年

5 陳煌瓊;基于神經(jīng)網(wǎng)絡的滑坡預測及其控制研究[D];華中科技大學;2013年

6 廉城;基于極限學習的重大工程災變滑坡預測研究[D];華中科技大學;2014年

相關碩士學位論文 前10條

1 殷保臣;樣條權函神經(jīng)網(wǎng)絡在基坑變形預測中的應用研究[D];江西理工大學;2015年

2 付博;基于小波優(yōu)化的灰色BP神經(jīng)網(wǎng)絡在深基坑變形預測中的應用[D];東華理工大學;2016年

3 付杰;基于神經(jīng)網(wǎng)絡的短期地震預測模型及其應用[D];東南大學;2016年

4 蒲春;基于神經(jīng)網(wǎng)絡的地質鉆探工況判別模型研究[D];中國地質大學(北京);2016年

5 張小娟;基于BP神經(jīng)網(wǎng)絡的電法勘探反演成像[D];湖南科技大學;2016年

6 李珂;粗糙集和神經(jīng)網(wǎng)絡相融合的物探作業(yè)風險評估模型的研究[D];西南石油大學;2016年

7 何歡;基于BP神經(jīng)網(wǎng)絡方法和有限差分法的邊坡穩(wěn)定反饋分析[D];西華大學;2016年

8 佟曦;基于ESN混沌時間序列的RBF神經(jīng)網(wǎng)絡對浮選經(jīng)濟指標的預測分析[D];遼寧科技大學;2016年

9 李欽;泛化回歸神經(jīng)網(wǎng)絡在深基坑變形監(jiān)測中的應用研究[D];中南大學;2013年

10 袁姝;神經(jīng)網(wǎng)絡在地震反演中的研究與應用[D];西安石油大學;2011年

，

本文編號：2401500