測井解釋的核心就是確定測井信息和地質(zhì)信息之間的關(guān)系,即利用測井獲得的局部數(shù)據(jù)來確定整個工區(qū)地下儲層巖性、儲層流體性質(zhì)和儲層參數(shù)(孔隙度、滲透率和飽和度等)。傳統(tǒng)上主要是依靠地質(zhì)學家通過以往經(jīng)驗建立的數(shù)學公式利用局部數(shù)據(jù)來進行預測,但是面對地下未知的復雜地質(zhì)情況,這些方法都有很大的局限性。人工神經(jīng)網(wǎng)絡技術(shù)特別是深度學習等新的神經(jīng)網(wǎng)絡模型的出現(xiàn),為解決復雜非線性關(guān)系的表達和映射問題開辟了新的解決思路。研究人工智能新技術(shù)并借助它解決油氣領域中的決策難題有重要理論和應用價值。論文在深入分析測井解釋相關(guān)技術(shù)的發(fā)展,以及計算機技術(shù)在測井解釋中應用研究現(xiàn)狀的基礎上,重點研究人工神經(jīng)網(wǎng)絡在測井解釋中的應用問題,目的是為了找到能夠更好地利用測井數(shù)據(jù)進行地質(zhì)屬性參數(shù)預測的方法。論文首先研究和分析了幾種用于測井解釋的典型淺層神經(jīng)網(wǎng)絡模型的特點和不足,設計出一種由三種淺層神經(jīng)網(wǎng)絡有機組合起來的聯(lián)合神經(jīng)網(wǎng)絡模型,該模型的特點是表達能力和適應性強,可擴展性好。研究深度神經(jīng)網(wǎng)絡模型,并根據(jù)測井解釋的實際情況,給出了利用深度置信神經(jīng)網(wǎng)絡(DBN)進行孔隙度預測的解決方案。針對神經(jīng)網(wǎng)絡在低滲致密特殊油氣藏上測井解釋準確... 

【文章來源】：中國石油大學(華東)山東省 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

中國石油大學（華東）碩士學位論文21在上式中，iW代表節(jié)點之間的連接權(quán)重，為連接偏置，f則是激活函數(shù)，通常采用S型函數(shù)來描述。BP神經(jīng)網(wǎng)絡在進行分類預測方面的優(yōu)勢主要有：（1）強泛化性。即使輸入網(wǎng)絡的數(shù)據(jù)沒有在訓練過程中訓練過時，網(wǎng)絡也可以將輸入數(shù)據(jù)映射到較為精準的預測數(shù)據(jù)上。（2）強容錯性。針對數(shù)據(jù)中可能出現(xiàn)的輸入樣本誤差較大，甚至是某個錯誤數(shù)據(jù)，網(wǎng)絡可以通過對其他正確數(shù)據(jù)的學習從而降低對網(wǎng)絡模型正確預測的影響。BP網(wǎng)絡還有以下幾點不足：（1）網(wǎng)絡訓練過程比較容易收斂于局部的最優(yōu)值，比較難于預測出全局最優(yōu)值。（2）無法根據(jù)公認的完整理論進行網(wǎng)絡結(jié)構(gòu)設計，網(wǎng)絡結(jié)構(gòu)會直接影響網(wǎng)絡的預測能力。圖3-2RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig3-2RBFneuralnetworkstructureRBF神經(jīng)網(wǎng)絡[43]（如圖3-2所示的網(wǎng)絡結(jié)構(gòu)），與BP網(wǎng)絡均為前饋神經(jīng)網(wǎng)絡，但徑向基神經(jīng)網(wǎng)絡使用徑向基函數(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)通常用來計算當前點與任意中心點之間的歐氏距離，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)絡的主要用途是解決分類預測等相關(guān)問題。它在分類預測方面的能力主要體現(xiàn)在以下幾個方面：（1）逼近性能良好。經(jīng)過數(shù)學證明可以發(fā)現(xiàn)RBF能夠非常接近的

第三章聯(lián)合神經(jīng)網(wǎng)絡孔隙度預測應用研究22對任何非線性函數(shù)進行描述。（2）沒有局部極值。RBF神經(jīng)網(wǎng)絡是從全局對函數(shù)關(guān)系進行描述，所以可以找到全局的最優(yōu)值，而不是像BP網(wǎng)絡一樣陷入局部最優(yōu)解。（3）學習速度快。RBF網(wǎng)絡的參數(shù)調(diào)整非常簡單，可以很快的完成訓練過程。然而，它也有不足之處：（1）由于RBF神經(jīng)網(wǎng)絡是基于全局數(shù)據(jù)模擬的，如果輸入誤差較大時網(wǎng)絡可能會逼近于一個與目標函數(shù)相差甚遠的函數(shù)。（2）在對大量數(shù)據(jù)進行訓練時，會造成RBF網(wǎng)絡的復雜程度上升。圖3-3支持向量回歸模型Fig3-3SupportVectorRegressionModel支持向量回歸（SVR）[44]通過訓練得到一個映射函數(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)。首先對樣本數(shù)據(jù)進行參數(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)風險最小化原則，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為目標值之上超出部分值；i為目標值之下超出部分值；C為懲罰系數(shù)。

【參考文獻】：
期刊論文
[1]基于改進BP網(wǎng)絡的車牌字符識別方法研究[J]. 張國云,向燦群,吳健輝,郭龍源,涂兵.  計算機應用與軟件. 2017(04)
[2]復合滲透率測井評價方法在砂礫巖稠油油藏的應用——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.  地球科學進展. 2015(07)
[3]深度學習國內(nèi)研究綜述[J]. 樊雅琴,王炳皓,王偉,唐燁偉.  中國遠程教育. 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.  計算機研究與發(fā)展. 2014(09)
[5]深度置信網(wǎng)絡在垃圾郵件過濾中的應用[J]. 孫勁光,蔣金葉,孟祥福,李秀娟.  計算機應用. 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價[J]. 丁帥偉,姜漢橋,陳民鋒,羅銀富,湯國平.  西安石油大學學報(自然科學版). 2014(02)
[7]軟件可靠性預測中不同核函數(shù)的預測能力評估[J]. 樓俊鋼,蔣云良,申情,江建慧.  計算機學報. 2013(06)
[8]測井曲線活度法在地層劃分中的應用[J]. 郝建華,雷穎,王佳音,湯金奎,崔朋波.  中國石油和化工標準與質(zhì)量. 2012(06)
[9]測井曲線自動分層解釋方法研究[J]. 彭智,樊官民.  石油儀器. 2011(03)
[10]基于改進神經(jīng)網(wǎng)絡的滲透率預測方法[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]支持向量回歸機及其應用研究[D]. 田英杰.中國農(nóng)業(yè)大學 2005



本文編號：2935176