电子测试
電子測試
전자측시
ELECTRONIC TEST
2009年
6期
1-5
,共5页
过程神经元网络%样条函数%测井资料%岩性识别
過程神經元網絡%樣條函數%測井資料%巖性識彆
과정신경원망락%양조함수%측정자료%암성식별
测井岩性识别是油气勘探中十分重要的基础工作,可为测井解释选择正确解释方法和解释参数提供依据.本文利用过程神经元网络建立了复杂的非线性岩性辨识模型;同时,为了提高对实际问题求解的适应性和算法执行效率,开发了一种基于样条函数拟合的过程神经元网络学习算法.最后,结合海拉尔盆地贝16区块的实际测井资料进行岩性识别.实验结果表明,基于样条过程神经元网络的岩性辨识方法避免了采用传统BP神经网络预先建立复杂的数学或物理模型来提取小层测井曲线形态模式特征的过程,有效改善了网络的运算速度和对实际数据的抗扰性,具有较好的稳定性和泛化能力.
測井巖性識彆是油氣勘探中十分重要的基礎工作,可為測井解釋選擇正確解釋方法和解釋參數提供依據.本文利用過程神經元網絡建立瞭複雜的非線性巖性辨識模型;同時,為瞭提高對實際問題求解的適應性和算法執行效率,開髮瞭一種基于樣條函數擬閤的過程神經元網絡學習算法.最後,結閤海拉爾盆地貝16區塊的實際測井資料進行巖性識彆.實驗結果錶明,基于樣條過程神經元網絡的巖性辨識方法避免瞭採用傳統BP神經網絡預先建立複雜的數學或物理模型來提取小層測井麯線形態模式特徵的過程,有效改善瞭網絡的運算速度和對實際數據的抗擾性,具有較好的穩定性和汎化能力.
측정암성식별시유기감탐중십분중요적기출공작,가위측정해석선택정학해석방법화해석삼수제공의거.본문이용과정신경원망락건립료복잡적비선성암성변식모형;동시,위료제고대실제문제구해적괄응성화산법집행효솔,개발료일충기우양조함수의합적과정신경원망락학습산법.최후,결합해랍이분지패16구괴적실제측정자료진행암성식별.실험결과표명,기우양조과정신경원망락적암성변식방법피면료채용전통BP신경망락예선건립복잡적수학혹물리모형래제취소층측정곡선형태모식특정적과정,유효개선료망락적운산속도화대실제수거적항우성,구유교호적은정성화범화능력.