BP神经网络及在岩性识别上的应用研究.doc

上传人:99****p 文档编号:1850972 上传时间:2019-03-18 格式:DOC 页数:4 大小:24KB
下载 相关 举报
BP神经网络及在岩性识别上的应用研究.doc_第1页
第1页 / 共4页
BP神经网络及在岩性识别上的应用研究.doc_第2页
第2页 / 共4页
BP神经网络及在岩性识别上的应用研究.doc_第3页
第3页 / 共4页
BP神经网络及在岩性识别上的应用研究.doc_第4页
第4页 / 共4页
亲,该文档总共4页,全部预览完了,如果喜欢就下载吧!
资源描述

1、BP 神经网络及在岩性识别上的应用研究摘要 测井数据处理与解释的重要内容之一是岩性研究。与常规测井资料相比,结合各种岩性分析化验结果及分类统计,发现线性回归分析是其主要的研究手段。本文先介绍了人工神经网络。然后着重讲述了 BP 神经网络的原理,改进 BP 神经网络的方法,以及在岩性识别上的应用研究。 关键词 BP 神经网络;岩性识别;改进 BP 神经网络 DOI 10.13939/ki.zgsc.2015.24.063 1 主要研究内容 根据国内外研究现状,利用目前研究最透彻的人工神经网络技术-BP( Back Propagation)人工神经网络,以 C#.NET 为软件工具,通过合理地编写

2、程序,针对低阻、高放射等非常规储层进行识别与判别。主要利用常规测井资料,以实际的岩心、岩屑观察、物性等分析测试资料、试油试产资料为测井参数约束的标准,针对储层的岩性进行预测、判断。从而得出 BP 人工神经网络方法在测井数据处理与解释中的优势所在,并指出其缺陷与不足之处。 2 BP 神经网络 2.1 基本 BP 神经网络的设计 基本 BP 算法包括两个方面:信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行,而权值和阈值的修正从输出到输入的方向进行。 2.2 BP 神经网络算法步骤 (1) 初始化网络权值,阈值,及有关参数(如学习因子) 。 3 BP 神经网络在岩性识别上的

3、应用 3.1 地层特征 在储层测井响应特征方面,本文研究油区的泥岩与砂质泥岩均以高自然伽马、正自然电位幅度、微电极无差异或差异幅度小为特征、并且有电阻率相对偏低和高声波时差值的特征,较纯的泥岩层往往还出现井径扩大现象。粉砂岩、泥质砂岩以中.高自然伽马和中一低负异常幅度自然电位及微电极差异幅度小或无差异为特征。视电阻率变化较大。细砂岩为主要储集层,以自然电位高负异常幅度低自然伽马值及微电极差异幅度大为特征。部分储油砂层的自然伽马值偏高。细砂岩含油后一般电阻率较高。 3.2 基本 BP 网络的构建与实现 3.2.1 测井数据的处理 由于各种测井数据量纲不一致,进入网络之前,无论是学习样本或预测数据

4、,都需先进行归一化处理,将它们置于统一的数值量纲范围内,如在0,1之间。对于具有近似线性特征的信息,可以采用线性归一化公式:处理。 3.2.2 岩性参数的设置 由于在做岩性识别时,我们设置了相应的参数。其中有聚类参数、自然加码、井的深度等。其中聚类设置表示,自然加码的设置是判断输入数据的合法性,井的深度和间隔有利于模仿底层结构。 3.3 改进的 BP 网络(动量-自适应)的实现 3.3.1 增加动量项 附加动量法使网络在修正其权值时,不仅考虑误差在梯度上的作用,且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下,网络可能陷入浅的局部极小值,利用附加动量的作用有可能滑过这些极小值。带有附加

5、动量因子的权值和阈值调节公式为: 根据附加动量法的设计原则,当修正的权值在误差中导致太大的增长结果时,新的权值应被取消而不被采用,并使动量作用停止下来,以使网络不进入较大误差曲面;当新的误差变化率超过一个事先设定的最大误差变化率时,也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于 1 的值。典型的取值取 1.04。所以,在进行附加动量法的训练程序设计时,必须加进条件判断以正确使用其权值修正公式。 训练程序设计中采用动量法的判断条件为: 3.3.2 自适应调节学习率 对于一个特定的问题,要选择适当的学习速率不是一件容易的事情。通常是凭经验或实验获取,但即使这样,对训练开始初期功效较

6、好的学习速率,不见得对后来的训练合适。为了解决这个问题,人们自然想到在训练过程中,自动调节学习速率。通常调节学习速率的准则是:检查权值是否真正降低了误差函数,如果确实如此,则说明所选学习速率小了,可以适当增加一个量;若不是这样,那么就应该减少学习速率的值。下式给出了一个白适应学习速率的调整公式: 3.3.3 引入陡度因子 误差曲面上存在平坦区域,权值调整进入平坦区的原因是神经元输出进入了变换函数的饱和区,如果调整进入平坦区没法压缩神经元的净输入,就使其输出退出变换函数的饱和。 3.3.4 动量-自适应学习速率调整算法 当采用前述的动量法时,BP 算法可以找到全局最优解,而当采用自适应学习速率时,BP 算法可以缩短训练时间,采用这两种方法也可以用来训练神经网络,该方法称为动量-自适应学习速率调整算法。 4 结论 本文最终结果发现 BP 神经网络在储层岩性及含油性预测的应用完全可与其他常规测井解释方法媲美,符合率甚至超过常规方法。随着人工神经网络理论的深入研究及计算机技术的发展,可能会出现基于神经网络原理和方法的计算机系统。人工神经网络的规模将会逐渐加大,训练方法将会得到革命性的改进。人工神经网络对于复杂地层情况的模拟将会越来越精确,预测结果的准确性也会不断提高。也可能会成为测井资料处理与解释中可选的一种主要方法。

展开阅读全文
相关资源
相关搜索

当前位置:首页 > 学术论文资料库 > 毕业论文

Copyright © 2018-2021 Wenke99.com All rights reserved

工信部备案号浙ICP备20026746号-2  

公安局备案号:浙公网安备33038302330469号

本站为C2C交文档易平台,即用户上传的文档直接卖给下载用户,本站只是网络服务中间平台,所有原创文档下载所得归上传人所有,若您发现上传作品侵犯了您的权利,请立刻联系网站客服并提供证据,平台将在3个工作日内予以改正。