測(cè)井解釋的核心就是確定測(cè)井信息和地質(zhì)信息之間的關(guān)系,即利用測(cè)井獲得的局部數(shù)據(jù)來(lái)確定整個(gè)工區(qū)地下儲(chǔ)層巖性、儲(chǔ)層流體性質(zhì)和儲(chǔ)層參數(shù)(孔隙度、滲透率和飽和度等)。傳統(tǒng)上主要是依靠地質(zhì)學(xué)家通過(guò)以往經(jīng)驗(yàn)建立的數(shù)學(xué)公式利用局部數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè),但是面對(duì)地下未知的復(fù)雜地質(zhì)情況,這些方法都有很大的局限性。人工神經(jīng)網(wǎng)絡(luò)技術(shù)特別是深度學(xué)習(xí)等新的神經(jīng)網(wǎng)絡(luò)模型的出現(xiàn),為解決復(fù)雜非線性關(guān)系的表達(dá)和映射問(wèn)題開(kāi)辟了新的解決思路。研究人工智能新技術(shù)并借助它解決油氣領(lǐng)域中的決策難題有重要理論和應(yīng)用價(jià)值。論文在深入分析測(cè)井解釋相關(guān)技術(shù)的發(fā)展,以及計(jì)算機(jī)技術(shù)在測(cè)井解釋中應(yīng)用研究現(xiàn)狀的基礎(chǔ)上,重點(diǎn)研究人工神經(jīng)網(wǎng)絡(luò)在測(cè)井解釋中的應(yīng)用問(wèn)題,目的是為了找到能夠更好地利用測(cè)井?dāng)?shù)據(jù)進(jìn)行地質(zhì)屬性參數(shù)預(yù)測(cè)的方法。論文首先研究和分析了幾種用于測(cè)井解釋的典型淺層神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)和不足,設(shè)計(jì)出一種由三種淺層神經(jīng)網(wǎng)絡(luò)有機(jī)組合起來(lái)的聯(lián)合神經(jīng)網(wǎng)絡(luò)模型,該模型的特點(diǎn)是表達(dá)能力和適應(yīng)性強(qiáng),可擴(kuò)展性好。研究深度神經(jīng)網(wǎng)絡(luò)模型,并根據(jù)測(cè)井解釋的實(shí)際情況,給出了利用深度置信神經(jīng)網(wǎng)絡(luò)(DBN)進(jìn)行孔隙度預(yù)測(cè)的解決方案。針對(duì)神經(jīng)網(wǎng)絡(luò)在低滲致密特殊油氣藏上測(cè)井解釋準(zhǔn)確... 

【文章來(lái)源】：中國(guó)石油大學(xué)(華東)山東省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

中國(guó)石油大學(xué)（華東）碩士學(xué)位論文21在上式中，iW代表節(jié)點(diǎn)之間的連接權(quán)重，為連接偏置，f則是激活函數(shù)，通常采用S型函數(shù)來(lái)描述。BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行分類預(yù)測(cè)方面的優(yōu)勢(shì)主要有：（1）強(qiáng)泛化性。即使輸入網(wǎng)絡(luò)的數(shù)據(jù)沒(méi)有在訓(xùn)練過(guò)程中訓(xùn)練過(guò)時(shí)，網(wǎng)絡(luò)也可以將輸入數(shù)據(jù)映射到較為精準(zhǔn)的預(yù)測(cè)數(shù)據(jù)上。（2）強(qiáng)容錯(cuò)性。針對(duì)數(shù)據(jù)中可能出現(xiàn)的輸入樣本誤差較大，甚至是某個(gè)錯(cuò)誤數(shù)據(jù)，網(wǎng)絡(luò)可以通過(guò)對(duì)其他正確數(shù)據(jù)的學(xué)習(xí)從而降低對(duì)網(wǎng)絡(luò)模型正確預(yù)測(cè)的影響。BP網(wǎng)絡(luò)還有以下幾點(diǎn)不足：（1）網(wǎng)絡(luò)訓(xùn)練過(guò)程比較容易收斂于局部的最優(yōu)值，比較難于預(yù)測(cè)出全局最優(yōu)值。（2）無(wú)法根據(jù)公認(rèn)的完整理論進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，網(wǎng)絡(luò)結(jié)構(gòu)會(huì)直接影響網(wǎng)絡(luò)的預(yù)測(cè)能力。圖3-2RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig3-2RBFneuralnetworkstructureRBF神經(jīng)網(wǎng)絡(luò)[43]（如圖3-2所示的網(wǎng)絡(luò)結(jié)構(gòu)），與BP網(wǎng)絡(luò)均為前饋神經(jīng)網(wǎng)絡(luò)，但徑向基神經(jīng)網(wǎng)絡(luò)使用徑向基函數(shù)作為神經(jīng)元的激活函數(shù)。隱層將輸入向量從低維空間映射到高維空間中。徑向基函數(shù)通常用來(lái)計(jì)算當(dāng)前點(diǎn)與任意中心點(diǎn)之間的歐氏距離，單一神經(jīng)元的輸出參照公式(3-2)：1(||||)MiiiYradbasWXB(3-2)在上式中，iW表示權(quán)重，B為偏置，radbas代表激活函數(shù)。RBF網(wǎng)絡(luò)的主要用途是解決分類預(yù)測(cè)等相關(guān)問(wèn)題。它在分類預(yù)測(cè)方面的能力主要體現(xiàn)在以下幾個(gè)方面：（1）逼近性能良好。經(jīng)過(guò)數(shù)學(xué)證明可以發(fā)現(xiàn)RBF能夠非常接近的

第三章聯(lián)合神經(jīng)網(wǎng)絡(luò)孔隙度預(yù)測(cè)應(yīng)用研究22對(duì)任何非線性函數(shù)進(jìn)行描述。（2）沒(méi)有局部極值。RBF神經(jīng)網(wǎng)絡(luò)是從全局對(duì)函數(shù)關(guān)系進(jìn)行描述，所以可以找到全局的最優(yōu)值，而不是像BP網(wǎng)絡(luò)一樣陷入局部最優(yōu)解。（3）學(xué)習(xí)速度快。RBF網(wǎng)絡(luò)的參數(shù)調(diào)整非常簡(jiǎn)單，可以很快的完成訓(xùn)練過(guò)程。然而，它也有不足之處：（1）由于RBF神經(jīng)網(wǎng)絡(luò)是基于全局?jǐn)?shù)據(jù)模擬的，如果輸入誤差較大時(shí)網(wǎng)絡(luò)可能會(huì)逼近于一個(gè)與目標(biāo)函數(shù)相差甚遠(yuǎn)的函數(shù)。（2）在對(duì)大量數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，會(huì)造成RBF網(wǎng)絡(luò)的復(fù)雜程度上升。圖3-3支持向量回歸模型Fig3-3SupportVectorRegressionModel支持向量回歸（SVR）[44]通過(guò)訓(xùn)練得到一個(gè)映射函數(shù)，將分類樣本映射到更易于分類的高層特征空間，結(jié)構(gòu)如圖3-3所示。對(duì)于給定的樣本數(shù)據(jù){(,)|1,2,,}iixyik（ix是輸入值，iy是輸出值），假定它服從函數(shù)yf(x)。首先對(duì)樣本數(shù)據(jù)進(jìn)行參數(shù)擬合，使得擬合后的函數(shù)g(x)與f(x)之間損失最校損失函數(shù)J如公式(3-3)：211||||((),)2kiiiJCLgxy(3-3)根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，必須盡量減少損失函數(shù)。即公式(3-4)：211min[||||()]2kiiiC..{(),()|,0}iiiiiiiistyfxyfx(3-4)式中，為擬合精度；i為目標(biāo)值之上超出部分值；i為目標(biāo)值之下超出部分值；C為懲罰系數(shù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)BP網(wǎng)絡(luò)的車牌字符識(shí)別方法研究[J]. 張國(guó)云,向燦群,吳健輝,郭龍?jiān)?涂兵.  計(jì)算機(jī)應(yīng)用與軟件. 2017(04)
[2]復(fù)合滲透率測(cè)井評(píng)價(jià)方法在砂礫巖稠油油藏的應(yīng)用——以克拉瑪依油田某區(qū)八道灣組為例[J]. 陳科貴,陳旭,張家浩.  地球科學(xué)進(jìn)展. 2015(07)
[3]深度學(xué)習(xí)國(guó)內(nèi)研究綜述[J]. 樊雅琴,王炳皓,王偉,唐燁偉.  中國(guó)遠(yuǎn)程教育. 2015(06)
[4]基于DBN模型的遙感圖像分類[J]. 呂啟,竇勇,牛新,徐佳慶,夏飛.  計(jì)算機(jī)研究與發(fā)展. 2014(09)
[5]深度置信網(wǎng)絡(luò)在垃圾郵件過(guò)濾中的應(yīng)用[J]. 孫勁光,蔣金葉,孟祥福,李秀娟.  計(jì)算機(jī)應(yīng)用. 2014(04)
[6]基于模糊C均值聚類算法和貝葉斯判別函數(shù)研究深水油藏分類評(píng)價(jià)[J]. 丁帥偉,姜漢橋,陳民鋒,羅銀富,湯國(guó)平.  西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(02)
[7]軟件可靠性預(yù)測(cè)中不同核函數(shù)的預(yù)測(cè)能力評(píng)估[J]. 樓俊鋼,蔣云良,申情,江建慧.  計(jì)算機(jī)學(xué)報(bào). 2013(06)
[8]測(cè)井曲線活度法在地層劃分中的應(yīng)用[J]. 郝建華,雷穎,王佳音,湯金奎,崔朋波.  中國(guó)石油和化工標(biāo)準(zhǔn)與質(zhì)量. 2012(06)
[9]測(cè)井曲線自動(dòng)分層解釋方法研究[J]. 彭智,樊官民.  石油儀器. 2011(03)
[10]基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的滲透率預(yù)測(cè)方法[J]. 楊建,楊程博,張巖,崔力公,王龍飛.  巖性油氣藏. 2011(01)

博士論文
[1]支持向量回歸機(jī)及其應(yīng)用研究[D]. 田英杰.中國(guó)農(nóng)業(yè)大學(xué) 2005



本文編號(hào)：2935176