用神经网络预测孔隙度和渗透率

用神经网络预测孔隙度和渗透率
董海超
【摘要】若要对洛带地区某些井区的参数值进行预测计算并加以讨论,需要应用已经建立的网络模型.以35井的10个点为例,用PSO算法和BP算法计算出结果之后,再与岩心分析值各自进行比较,能明显地看出基于PSO网络的预测结果和岩心分析值的关系更加吻合.从相对误差上来看,孔隙度逐点对应的PSO算法的相对误差要普遍小于BP算法的预测结果,因此PSO算法在总体上要比BP算法好.
【期刊名称】《油气田地面工程》
【年(卷),期】2012(031)001
【总页数】1页(P77)
【关键词】神经网络;储层预测;微粒群算法
【作者】董海超
【作者单位】东北石油大学电气信息工程学院
【正文语种】中文
描述储层特征最重要的两个参数就是孔隙度和渗透率，由于它们受胶结物类型等因素的影响，很难测量和预测，两者之间的关系往往也难以确定。

微粒群算法（以下简称PSO）是由美国社会心理学家Kennedy和电气工程师Eberhar共同提出的。

在1995年Kennedy和Eberhart提出了二进制PSO算法，该方法可用于神经网络的结构优化。

采用PSO算法训练神经网络时，首先应确定个体，这些个体是将神经元间的连接
权值编码成实数码串，神经元是在特定结构中选取的。

假设网络中包含M个优化
权值，则每个个体将由一个M维向量来表示，这个M维向量是由M个权值参数
组成的。

若要对洛带地区某些井区的参数值进行预测计算并加以讨论，需要应用已经建立的网络模型。

以35井的10个点为例，表1给出了分析的统计误差。

分别用PSO算法和BP算法计算出结果之后，再与岩心分析值各自进行比较，能明显地看出基于PSO网络的预测结果和岩心分析值的关系更加吻合。

从相对误差上来看，孔隙度
逐点对应的PSO算法的相对误差要普遍小于BP算法的预测结果，因此PSO算法在总体上要比BP算法好。

在PSO算法中，结合渗透率的模型，对99个洛带地区的样本进行学习，发现学
习精度的提高效果十分明显。

结合建立好的模型，对40个预测样本进行渗透率预测。

通过渗透率网络模型对洛带地区某些井区的参数值进行渗透率预测计算并讨论，以同样的10个点（35井）为例，结果表明：有部分样本的预测结果相对误差较大，可能是岩心分析值过大或者过小造成的，对整个效果造成了一定影响。

但是从总体上来看，基于微粒群算法的神经网络预测渗透率的相对误差绝大多数小于20%。