测井技术
測井技術
측정기술
WELL LOGGING TECHNOLOGY
2011年
2期
171-175
,共5页
测井解释%煤层气%煤质分析%地球物理测井%BP神经网络%遗传算法
測井解釋%煤層氣%煤質分析%地毬物理測井%BP神經網絡%遺傳算法
측정해석%매층기%매질분석%지구물리측정%BP신경망락%유전산법
煤层气储层具有很强的非均质性和各向异性,使得测井资料解释结果具有多解性、模糊性和不确定性.提出了将遗传算法和神经网络相结合的方法,利用遗传算法优化神经网络的连接权值及阈值,从而提高网络训练精度和煤层气储层评价精度.该方法避免了标准BP算法易陷入局部最小和遗传算法局部搜索能力较差的缺点,提高了运算速度.介绍了利用遗传算法优化网络连接权值及阈值的步骤和煤质参数预测步骤.通过选取学习样本、确定网络结构、归一化处理数据,建立了基于GA-BP神经网络的煤层气储层煤质测井评价模型.对26个样本数据的分析对比表明,该算法具有较高的预测精度和较快的运算速度.10多口井的实际应用表明,GA-BP神经网络模型预测结果与煤心测试数据匹配很好,且与体积模型计算结果具有良好的一致性.
煤層氣儲層具有很彊的非均質性和各嚮異性,使得測井資料解釋結果具有多解性、模糊性和不確定性.提齣瞭將遺傳算法和神經網絡相結閤的方法,利用遺傳算法優化神經網絡的連接權值及閾值,從而提高網絡訓練精度和煤層氣儲層評價精度.該方法避免瞭標準BP算法易陷入跼部最小和遺傳算法跼部搜索能力較差的缺點,提高瞭運算速度.介紹瞭利用遺傳算法優化網絡連接權值及閾值的步驟和煤質參數預測步驟.通過選取學習樣本、確定網絡結構、歸一化處理數據,建立瞭基于GA-BP神經網絡的煤層氣儲層煤質測井評價模型.對26箇樣本數據的分析對比錶明,該算法具有較高的預測精度和較快的運算速度.10多口井的實際應用錶明,GA-BP神經網絡模型預測結果與煤心測試數據匹配很好,且與體積模型計算結果具有良好的一緻性.
매층기저층구유흔강적비균질성화각향이성,사득측정자료해석결과구유다해성、모호성화불학정성.제출료장유전산법화신경망락상결합적방법,이용유전산법우화신경망락적련접권치급역치,종이제고망락훈련정도화매층기저층평개정도.해방법피면료표준BP산법역함입국부최소화유전산법국부수색능력교차적결점,제고료운산속도.개소료이용유전산법우화망락련접권치급역치적보취화매질삼수예측보취.통과선취학습양본、학정망락결구、귀일화처리수거,건립료기우GA-BP신경망락적매층기저층매질측정평개모형.대26개양본수거적분석대비표명,해산법구유교고적예측정도화교쾌적운산속도.10다구정적실제응용표명,GA-BP신경망락모형예측결과여매심측시수거필배흔호,차여체적모형계산결과구유량호적일치성.
