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五1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(Δt)、产能系数(kh)、储渗因子(KΦS)、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。模型的吻合率达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。