本文關鍵詞：基于非線性學習理論的非常規(guī)儲層基本參數(shù)測井評價

  更多相關文章： 非常規(guī)儲層 煤儲層 頁巖儲層 BP人工神經(jīng)網(wǎng)絡 支持向量機

【摘要】：本文將非線性學習理論應用到非常規(guī)儲層基本參數(shù)的測井評價中，開展了煤體結構、煤層含氣量和頁巖儲層巖性、頁巖總有機碳(TOC)含量測井預測評價研究。在對煤層氣儲層和頁巖氣儲層測井響應的基礎上，分析了煤體結構、煤層含氣量、頁巖儲層巖性、頁巖TOC含量與測井曲線之間的關系。結合研究區(qū)巖心及實驗資料，，建立了BP神經(jīng)網(wǎng)絡和SVM分類模型；建立了煤層含氣量的BP人工神經(jīng)網(wǎng)絡和多項式預測模型；通過交叉驗證和網(wǎng)格搜索算法建立了基于結構最優(yōu)的支持向量機頁巖氣儲層巖性預測模型，針對樣本不平衡問題，引入懲罰參數(shù)c、提出增加小樣本權系數(shù)的解決辦法；通過改進的BP算法和SVM回歸算法，建立了BP人工神經(jīng)網(wǎng)絡和支持向量機預測模型，并對應用效果進行了誤差分析。結果表明：非線性理論具有極強的非線性逼近能力，能真實反映非常規(guī)儲層與測井參數(shù)之間的關系，預測結果與實測值之間誤差小，取得了較好的應用效果。
【關鍵詞】：非常規(guī)儲層 煤儲層 頁巖儲層 BP人工神經(jīng)網(wǎng)絡 支持向量機
【學位授予單位】：中國礦業(yè)大學（北京）
【學位級別】：博士
【學位授予年份】：2015
【分類號】：P618.13
【目錄】：

• 摘要5
• Abstract5-6
• 詳細摘要6-9
• Detailed Abstract9-15
• 第一章 引言15-29
• 1.1 研究目的與意義15-16
• 1.2 國內(nèi)外研究現(xiàn)狀16-22
• 1.2.1 煤層氣儲層測井響應特征研究現(xiàn)狀16-18
• 1.2.2 頁巖氣儲層測井響應特征研究現(xiàn)狀18-21
• 1.2.3 研究存在的問題21-22
• 1.3 研究內(nèi)容與方法路線22-24
• 1.3.1 研究內(nèi)容22-23
• 1.3.2 研究方法和技術路線23-24
• 1.4 完成的工作量與創(chuàng)新點24-29
• 1.4.1 完成的主要工作24-27
• 1.4.2 主要創(chuàng)新點27-29
• 第二章 非線性學習理論29-53
• 2.1 有監(jiān)督學習理論概述29-39
• 2.1.1 神經(jīng)元基本概念29-34
• 2.1.2 Rosenblatt 感知器34-35
• 2.1.3 線性神經(jīng)網(wǎng)絡35-39
• 2.2 BP 神經(jīng)網(wǎng)絡學習理論39-46
• 2.2.1 BP 神經(jīng)網(wǎng)絡的拓撲結構39-40
• 2.2.2 BP 神經(jīng)網(wǎng)絡原理及實現(xiàn)40-43
• 2.2.3 BP 神經(jīng)網(wǎng)絡算法的改進43-46
• 2.3 支持向量機學習理論46-51
• 2.3.1 線性可分的最優(yōu)超平面46-48
• 2.3.2 線性不可分的最優(yōu)超平面48
• 2.3.3 核函數(shù)48-49
• 2.3.4 支持向量機（SVM)回歸49-51
• 2.4 小結51-53
• 第三章 煤層氣儲層測井響應特征53-83
• 3.1 煤的測井響應53-55
• 3.2 煤層氣的測井響應特征55-58
• 3.3 煤體結構識別58-81
• 3.3.1 研究區(qū)基本地質(zhì)條件59-60
• 3.3.2 煤體結構的測井響應特征60-72
• 3.3.3 煤體結構的測井響應識別72-81
• 3.4 小結81-83
• 第四章 煤層含氣量解釋模型83-95
• 4.1 基于測井參數(shù)的煤層含氣量預測方法83-85
• 4.1.1 相關分析和交會圖分析法優(yōu)選測井響應83-84
• 4.1.2 基于 Elman 的神經(jīng)網(wǎng)絡學習算法優(yōu)化84-85
• 4.2 基于測井響應的煤層含氣量預測模型85-93
• 4.2.1 研究區(qū)地質(zhì)概況85-86
• 4.2.2 煤層含氣量測井響應參數(shù)優(yōu)選86-90
• 4.2.3 預測模型的建立90-91
• 4.2.4 預測結果及誤差分析91-93
• 4.3 小結93-95
• 第五章 頁巖氣儲層特征及測井響應機理95-111
• 5.1 頁巖氣儲層的巖性特征95-96
• 5.2 頁巖的測井響應特征96-101
• 5.3 頁巖氣儲集層的測井響應特征101-102
• 5.4 支持向量機巖性識別102-107
• 5.4.1 識別方法102-105
• 5.4.2 支持向量機巖性分類實例105-107
• 5.5 頁巖氣儲層力學參數(shù)分析107-109
• 5.6 小結109-111
• 第六章 總有機碳（TOC）含量及含氣量預測111-123
• 6.1 TOC 含量預測方法111-114
• 6.1.1 數(shù)據(jù)歸一化111
• 6.1.2 測井參數(shù)優(yōu)選方法111-112
• 6.1.3 基于交叉驗證（CV)的 SVR 結構參數(shù)優(yōu)化112-113
• 6.1.4 TOC 含量預測方法流程113-114
• 6.2 頁巖氣儲層 TOC 含量與測井參數(shù)關系及模型114-120
• 6.2.1 研究區(qū)地質(zhì)概況114
• 6.2.2 TOC 含量與測井參數(shù)相關關系114-116
• 6.2.3 支持向量機（SVR)的回歸預測模型116-118
• 6.2.4 BP 神經(jīng)網(wǎng)絡預測模型118-120
• 6.3 頁巖氣儲層含氣量計算120-122
• 6.4 小結122-123
• 第七章 非常規(guī)儲層基本參數(shù)測井評價系統(tǒng)123-133
• 7.1 需求分析123
• 7.2 軟件工作流程及開發(fā)工具123-124
• 7.3 系統(tǒng)功能的具體實現(xiàn)124-129
• 7.3.1 數(shù)據(jù)編輯及轉換功能124-125
• 7.3.2 煤體結構識別功能125-127
• 7.3.3 煤層含氣量預測功能127-128
• 7.3.4 頁巖氣儲層巖性識別功能128
• 7.3.5 頁巖氣儲層 TOC 含量預測功能128-129
• 7.4 模型算法優(yōu)化129-131
• 7.4.1 BP 神經(jīng)網(wǎng)絡算法改進129-131
• 7.4.2 SVM 算法的改進131
• 7.5 軟件系統(tǒng)的應用131
• 7.6 小結131-133
• 第八章 結論及展望133-137
• 參考文獻137-147
• 致謝147-149
• 作者簡介149

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 朱光有,金強,張林曄;用測井信息獲取烴源巖的地球化學參數(shù)研究[J];測井技術;2003年02期

2 傅雪海,姜波,秦勇,葉詩忠,章云根,曾慶華;用測井曲線劃分煤體結構和預測煤儲層滲透率[J];測井技術;2003年02期

3 趙毅;毛志強;蔡文淵;羅安銀;趙永昌;;煤層氣儲層測井評價方法研究[J];測井技術;2011年01期

4 陳鋼花;董維武;;遺傳神經(jīng)網(wǎng)絡在煤質(zhì)測井評價中的應用[J];測井技術;2011年02期

5 侯俊勝，尉中良;自組織神經(jīng)網(wǎng)絡在測井資料解釋中的應用[J];測井技術;1996年03期

6 柳孟文,李能根,趙文光,王海華;煤層氣綜合評價技術初探[J];測井技術;1999年02期

7 傅雪海,陸國楨,秦杰,賈紅焱;用測井響應值進行煤層氣含量擬合和煤體結構劃分[J];測井技術;1999年02期

8 潘和平,劉國強;應用BP神經(jīng)網(wǎng)絡預測煤質(zhì)參數(shù)及含氣量[J];地球科學;1997年02期

9 潘和平，劉國強;依據(jù)密度測井資料評估煤層的含氣量[J];地球物理學進展;1996年04期

10 孟召平;張吉昌;Joachim Tiedemann;;煤系巖石物理力學參數(shù)與聲波速度之間的關系[J];地球物理學報;2006年05期

本文編號：667996