基于粒子群算法的模糊优选神经网络储层识别模型

详细信息   

• 责任者：张银德^c成都理工大学^1967^e博士^f高级工程师 ; 匡建超 ; 曾剑毅
• 刊名：物探化探计算技术
• 出版年：2008
• 卷期：30^b3总119
• 关键词：储层预测 ; 神经网络系统20^a模糊数学30^a粒子群算法
• 页码：202～205
• 索书号：P630.6/363-14
• 图表：^c表4参10
• 分类号：0831,2000
• 文摘期号：2008/10

摘要

针对致密储层中气水干层识别准确率较低这一难题，提出基于粒子群算法(particle swarm optimization，PSO)的模糊优选神经网络识别模型。其基本思路：首先对所有的变量进行分析，提取反映储层本质的主要属性，消除重叠信息的输入，然后将粒子群算法与模糊优选神经网络相结合，构建基于粒子群算法的模糊优选神经网络识别模型。以陕甘宁盆地中部气田马五1储层气水干层识别问题为例，选用19口井分层测试的92个已知样本(其中80个用于模型构建，12个用于精度检验)，对物性、测井和储渗特征等方面的10个特征参数进行分析，从中提炼出电阻率、自然伽玛、产能系数、储渗因子、介质类型因子等5个主成份控制特征参数，消除重叠信息的影响。并以此作为神经网络输入层的输入，以样本储层的产能赋值作为输出，构建基于粒子群算法的模糊优选神经网络模型。模型的识别正确率达到100％，标准误差比传统模糊神经网络降低了60％。这表明该模型具有更高的识别精度，为致密储层的准确识别探索了又一种新方法，对同类地区的研究在一定程度上具有指导作用。