径向基神经网络优化及在储层敏感性定量预测中的应用

被引：11

作者：

吴雄军 ^{[1
]}

蒋官澄 ^{[2
]}

赵琳 ^{[1
]}

景海峰 ^{[3
]}

谢水祥 ^{[2
]}

机构：

[1] 中国石油大学(华东)石油工程学院

[2] 中国石油大学(北京)教育部石油工程重点实验室

[3] 中国石油大学(华东)计算机与通信工程学院

来源：

油气地质与采收率 | 2012年 / 19卷 / 01期

基金：

国家杰出青年科学基金;

关键词：

储层敏感性; 径向基神经网络; 补充节点; 散布常数; 训练精度; 收敛性;

D O I：

10.13673/j.cnki.cn37-1359/te.2012.01.015

中图分类号：

P618.13 [石油、天然气]; TP183 [人工神经网络与计算];

学科分类号：

070403 [天体物理学]; 140502 [人工智能];

摘要：

径向基(RBF)神经网络法具有网络结构简单、逼近能力强和学习速度快等优点,已成为最具发展潜力的储层敏感性智能预测方法之一,但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题。通过在输入层中引入补充节点,对网络拓扑结构进行优化,有效地提高了RBF神经网络的逼近精度和泛化能力。在确定储层敏感性主要影响因素的基础上,通过对径向基函数散布常数的优选,进一步优化了RBF神经网络的性能。采用所收集的胜利、辽河、大港及江苏油田共125组数据,进行了神经网络训练和预测检验,优化了RBF神经网络,并在储层敏感性预测方面进行了应用。结果表明,对于训练集内的样本,预测的平均准确率均大于93.79%,且预测值与实验值的相关系数均大于0.995;对于训练集外的样本,预测的平均准确率大于91.59%,预测值与实验值的相关系数大于0.994,实现了对储层敏感性的准确、定量预测。

引用

页码：107 / 110+118 +118

页数：5

共 17 条

[1]

人工智能与油气储集层保护.[M].李琪编著;.石油工业出版社.1998,

[2]

保护储集层技术.[M].张绍槐等编著;.石油工业出版社.1993,

[3]

Two techniques of sensitivity and uncertainty analysis of fuzzy expert systems [J].