神经网络在测井岩性识别中的应用
岩性识别不仅是储层评价、油藏描述等方面的一项重要内容，同时也是求解储层参数的重要依据，准确的岩性识别结果可以为勘探和开发提供可靠的依据，在寻找油气资源、评估油气储量方面发挥了巨大的作用。由于实际储层的非均质性，传统的岩性识别方法很难表征储层的真实特性。神经网络以其具有的分布处理、自学习、自组织、高度非线性和容错能力，为有效的利用测井信息进行岩性识别提供了一种新方法。本文利用主成分分析法（PCA）对测井数据进行预处理；建立BP网络岩性识别模型和PCA-BP网络岩性识别模型对测井数据进行岩性识别；建立SOM网络岩性识别模型对测井数据进行岩性聚类。
⑴分析测井数据，进行有效的识别岩性，应尽可能多地采用各种测井参数，但测井参数之间所反映的岩性信息有一定的重叠；对于复杂问题和高维输入变量，直接用神经网络进行预测，会带来网络规模的剧增，运算时间的增加，网络的收敛性和泛化能力的降低。为了解决上述问题，利用主成分分析法对测井数据进行预处理，从具有复杂相关性的测井参数中，提取最能反映岩性特征的彼此独立的主成分，使其能有效地综合原测井参数反映的岩性信息。这不仅降低了原测井数据的维数，简化了计算，而且各个主成分间互不相关。
⑵对于有监督的学习样本，建立PCA-BP网络岩性识别模型。PCA-BP网络岩性识别模型是一种将主成分分析和BP神经网络相结合对岩性识别的方法，首先对测井数据进行主成分分析，分析结果作为BP神经网络的输入参数进行训练，并用该模型对测试样本进行识别。结果表明该方法同传统的BP网络岩性识别模型相比，不仅简化了网络结构（网络的输入层神经元个数由5个减少为3个），网络收敛速度加快了21%，而且识别精度也提高了25%。
⑶对于无监督的学习样本，建立SOM网络岩性识别模型。SOM网络是一种竞争式学习网络，具有较强的聚类和容错能力。结合某地的实际测井资料，进行SOM网络岩性识别的应用研究。结果表明，SOM网络能够对学习样本进行自动聚类，且识别的准确率较高。
油藏勘探;储层评价;岩性识别;SOM神经网络
北京化工大学
硕士
计算机应用技术
张国英
2009
中文
TE19;TP183
61
2010-01-19（万方平台首次上网日期，不代表论文的发表时间）