测井技术
測井技術
측정기술
Well Logging Technology
2015年
5期
586-590
,共5页
胡红%曾恒英%梁海波%罗静%王剑波
鬍紅%曾恆英%樑海波%囉靜%王劍波
호홍%증항영%량해파%라정%왕검파
测井解释%数据处理%主成分分析%学习矢量量化%岩性识别%特征提取%样本优选
測井解釋%數據處理%主成分分析%學習矢量量化%巖性識彆%特徵提取%樣本優選
측정해석%수거처리%주성분분석%학습시량양화%암성식별%특정제취%양본우선
log interpretation%data processing%principal component analysis (PCA)%learning vector quantization (LVQ)%lithology identification%feature extraction%sample optimization
利用测井资料识别岩性的关键是建立非线性数学模型.针对测井曲线数量多和BP算法的局限,提出一种基于主成分分析(Principal Component Analysis,PCA)和学习矢量量化神经网络(Learning Vector Quantization,LVQ)的岩性识别方法.建立可靠的岩性与测井参数响应的对应关系,优选样本点和测井曲线组成样本集.通过主成分分析实现对测井数据的压缩、降维,依据分析结果建立基于LVQ神经网络的岩性识别模型.潘庄地区某井实际应用表明,经过PCA降维后,LVQ神经网络的收敛速度和识别率都得到了明显提高,训练时间缩短了10 s左右,识别率提高20％以上;考虑"次获胜"神经元的LVQ2学习算法具有比LVQ1算法更强的模式识别能力,识别率提高4％;PCA-LVQ模型网络结构简单,容易实现,识别率可达90％,具有较好的应用前景.
利用測井資料識彆巖性的關鍵是建立非線性數學模型.針對測井麯線數量多和BP算法的跼限,提齣一種基于主成分分析(Principal Component Analysis,PCA)和學習矢量量化神經網絡(Learning Vector Quantization,LVQ)的巖性識彆方法.建立可靠的巖性與測井參數響應的對應關繫,優選樣本點和測井麯線組成樣本集.通過主成分分析實現對測井數據的壓縮、降維,依據分析結果建立基于LVQ神經網絡的巖性識彆模型.潘莊地區某井實際應用錶明,經過PCA降維後,LVQ神經網絡的收斂速度和識彆率都得到瞭明顯提高,訓練時間縮短瞭10 s左右,識彆率提高20％以上;攷慮"次穫勝"神經元的LVQ2學習算法具有比LVQ1算法更彊的模式識彆能力,識彆率提高4％;PCA-LVQ模型網絡結構簡單,容易實現,識彆率可達90％,具有較好的應用前景.
이용측정자료식별암성적관건시건립비선성수학모형.침대측정곡선수량다화BP산법적국한,제출일충기우주성분분석(Principal Component Analysis,PCA)화학습시량양화신경망락(Learning Vector Quantization,LVQ)적암성식별방법.건립가고적암성여측정삼수향응적대응관계,우선양본점화측정곡선조성양본집.통과주성분분석실현대측정수거적압축、강유,의거분석결과건립기우LVQ신경망락적암성식별모형.반장지구모정실제응용표명,경과PCA강유후,LVQ신경망락적수렴속도화식별솔도득도료명현제고,훈련시간축단료10 s좌우,식별솔제고20％이상;고필"차획성"신경원적LVQ2학습산법구유비LVQ1산법경강적모식식별능력,식별솔제고4％;PCA-LVQ모형망락결구간단,용역실현,식별솔가체90％,구유교호적응용전경.
