混合智能学习法神经网络在储层油气预测中的应用研究

人工神经网络作为一门新兴的非线性科学,近年来,随着神经网络理论研究的发展,神经网络技术越来越广泛地应用于诸多领域,而且这些领域对神经网络技术的要求也变得越来越高。由于神经网络储层油气横向预测方法抗干扰能力强,容错性好,对参数独立性要求不严格,而且可以同时研究大量地震特征参数,提高了油气横向预测的水平。90年代以来,神经网络技术在储层油气预测领域得到了广泛应用。本文在对近年来神经网络技术在储层油气预测中应用现状研究的基础上,针对BP网络在储层油气预测中存在的不足及遗传算法优化神经网络连接权时存在的局限性,引入变尺度混沌算法,将遗传算法和变尺度混沌算法有机结合起来,使两者相互取长补短,形成变尺度混沌遗传算法。通过引进混沌搜索策略,对遗传算法的初始种群进行混沌搜索,筛选出优化种群,并将遗传算法作为前馈型神经网络的学习算法,再次运用混沌搜索策略,对遗传学习过程进行优化。改进后的遗传学习算法结合前馈型神经网络应用于储层油气预测,取得了较好的效果。 此外,本文对地震属性优化方法进行了研究分析。多参数进行储层预测时,并不是使用的特征越多越好,最佳特征的维数取决于实际问题的预测效果。在应用神经网络进行储层预测时,只有网络训练集样本的选取广泛,能覆盖整个特征空间时,训练好的网络才会在学习过程中给出较好的预测结果。针对实际问题中训练样本特少的情况,本文尝试性地运用聚类分析法优选地震特征参数,将距离较远或相似系数低的特征参数聚为一类,用来对未知样本进行地震储层预测。利用优选后的参数进行储层预测,在实际应用时取得了较好的效果。