偏最小二乘神经网络在储层识别和产能预测中的应用——以陕甘宁盆地中部气田马五1储层为例

详细信息   

• 责任者：刘锡健^c成都理工大学 ; 匡建超
• 刊名：矿物岩石
• 出版年：2005
• 卷期：25^b4总102
• 关键词：储集层 ; 最小二乘法 ; 神经网络系统11^a陕甘宁盆地20^a原理 ; 算法 ; 模型30^a储层识别 ; 产能预测
• 页码：80～84
• 索书号：P310.6/967-1
• 图表：^c表6参6插图
• 分类号：0831,2000
• 文摘期号：2006/07

摘要

针对致密储层中气水干层识别和产能预测准确率较低这一难题,提出偏最小二乘神经网络方法:用偏最小二乘方法对输入自变量集进行主成分提取预处理,消除重叠的输入信息,用可变学习速率反向传播算法(VLBP)和附加动量方法(AMOBP)构建BP储层识别和产能预测的网络模型。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,在提取物性、测井和储渗特征等方面的14个特征参数后,通过偏最小二乘方法提炼得到电阻率(R11d)、声波时差(△t)、产能系数(kh)、储渗因子(Kφ_s)、介质类型因子(EE)等5个主成分控制特征参数,消除了信息的重叠。以此为神经网络输入元,以样本储层的类型与产能级别为输出,用VLBP和AMOBP算法建立储层识别和产能预测的BP网络模型。模型的吻合率达100%,均方误差比传统三层网络降低约50%。表明该模型的计算收敛速度快,精度高,为致密储层的准确识别探索了又一新的方法。