偏最小二乘神经网络在储层识别和产能预测中的应用--以陕甘宁盆地中部气田马五1储层为例

针对致密储层中气水干层识别和产能预测准确率较低这一难题，提出偏最小二乘神经网络方法：用偏最小二乘方法对输入自变量集进行主成分提取预处理，消除重叠的输入信息，用可变学习速率反向传播算法（VLBP）和附加动量方法（AMOBP）构建BP储层识别和产能预测的网络模型。以陕甘宁盆地中部气田马五。储层气、水、干层识别问题为例，选用19口井分层测试的92个已知样本，在提取物性、测井和储渗特征等方面的14个特征参数后，通过偏最小二乘方法提炼得到电阻率（Rlld）、声波时差（△t）、产能系数（kh）、储渗因子（KФs）、介质类型因子（EE）等5个主成分控制特征参数，消除了信息的重叠。以此为神经网络输入元，以样本储层的类型与产能级别为输出，用VLBP和AMOBP算法建立储层识别和产能预测的BP网络模型。模型的吻合率迭100％，均方误差比传统三层网络降低约50％。表明该模型的计算收敛速度快。精度高，为致密储层的准确识别探索了又一新的方法。     

基于粒子群优化算法的小波神经网络缝洞型储层识别模型

针对缝洞型储层识别精度较低这一难题,提出了基于粒子群优化算法的小波神经网络（PSO—WNN）储层识别模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络储层识别模型。该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。这里以济阳坳陷桩西埕岛地区古生界潜山缝洞型储层识别为例,利用常规测井参数作为模型的输入参数,以储层类型赋值作为输出,选取九口井的108个已知样本,采用不同隐含层个数对模型进行多次训练。通过对比分析,最终确定隐含层个数为10,建立起该区的Ⅰ类、Ⅱ类、Ⅲ类储层识别模型。利用已建模型对十八个检验样本进行识别,其识别正确率高达100％,而BP神经网络识别正确率为88％。这表明该模型对缝洞型储层的识别效果较好,为缝洞型储层的进一步研究提供了可靠的依据。     

基于ABC-BP模型的煤层含气量预测

煤层含气量预测是煤层气资源勘探开发利用前期的重要研究内容之一。近些年,BP神经网络算法常用于煤层含气量预测领域,但传统BP模型在训练过程中往往存在收敛速度慢、对初始值敏感以及易陷入局部极小值等问题。为此,提出了一种改进的以人工蜂群算法为特征的BP神经网络预测方法。以沁水盆地某工区3号煤层为研究对象,首先,利用R型聚类分析法对目标煤储层所提取的多种类型的地震属性进行分类,优选出4种对煤层含气量变化反应最敏感且相互独立的地震属性;再利用人工蜂群算法(ABC)寻找BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。预测结果与各井含气量的变化趋势基本吻合,其中,训练井处的平均误差率为0.23%,验证井处的误差率低于15%,预测精度较高,因此,该预测方法可靠性高,适用性强,可有效用于煤层含气量预测。      

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型，参考自适应控制系统的控制器，把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数，通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化。仿真实例结果表明，基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高，有较好的网络的泛化和适应能力，能够很好地控制系统的输出跟随参考模型的输出。     

改进的模糊神经网络模型在储层产能预测中的应用研究

常规神经网络在当训练样本时分母项易趋于0，导致运算进入死循环，降低了结果的可信度。改进的模糊神经网络模型克服了上述现象，具有绝对收敛性，且隐含层的神经元个数容易调整。将该改进模型用于储层产能预测，正确率达95%以上。     

鄂尔多斯盆地西南部镇泾油田延长组致密砂岩储层裂缝测井识别

低孔低渗致密砂岩储层的测井评价和开发难度较大,裂缝发育情况对这类储层的产能影响十分重要。为了利用常规测井资料实现致密砂岩储层裂缝发育情况的评价,基于井径、电阻率、密度、声波等常规测井曲线计算出8个裂缝指示参数,然后利用这8个参数构建了一个裂缝综合识别参数。该裂缝综合识别参数对裂缝的识别正确率更高。将这一套方法应用于鄂尔多斯盆地西南部镇泾油田延长组致密砂岩储层裂缝识别,对于所有样本,裂缝综合指标法识别正确率为81.4%以上。本研究给出的方法对于利用常规测井资料评价致密砂岩储层的裂缝发育情况和有效性提供了一种途径,对致密砂岩储层的勘探开发有一定的帮助。     

基于PSONN的大坝监控实时预报模型

将粒子群算法（PSO）引入大坝监测领域,提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。     

核主成分分析与支持向量机模型在储层识别中的应用

针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别.该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别.由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能.将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法.     

非线性回归分析的PSO小波网络方法及应用

文章介绍了粒子群算法（PSO）和小波神经网络的基本原理，把基于粒子群小波网络的混合算法应用到非线性回归问题中，并对算法解决非线性回归问题进行了实践分析，最后建立了测井响应值和物性参数孔隙度之间的回归模型。从仿真结果可以看出，本方法的回归值和岩心分析值符合较好，表明粒子群小波网络进行非线性回归分析是一种有效的数据回归方法。     

PSO-LIBSVM在钾盐矿层识别中的应用研究

钾盐的紧缺严重制约了中国农业的发展,加大钾盐的勘探开发力度有助于提高我国钾盐的自给自足能力。四川盆地钾盐资源丰富,是我国目前重要的钾盐勘探开发研究区域之一。杂卤石作为四川盆地最重要的固态钾盐矿物,常夹杂在硬石膏、岩盐和白云岩等岩层中。针对常规测井解释方法难以精确识别杂卤石的问题,因此,提出一种新的基于粒子群算法(PSO)优化的支持向量机(SVM)杂卤石识别方法开展四川盆地杂卤石的分类识别研究。以PSO和SVM理论为基础,结合测井解释方法,选择对杂卤石测井响应灵敏的有效数据作为输入样本,随机产生训练集和测试集,并采用PSO优选出径向基核函数参数,建立杂卤石分类预测模型。与录井结果对比,基于PSO的SVM模型识别准确率达到了97.5758%,在识别精度和速度上明显优于交叉验证方法优化的SVM模型。结果表明,该模型在四川盆地钾盐勘探中具有广阔的应用前景。