基于粒子群优化极限学习机的测井孔隙度预测
- 会议时间：2014-08-11
- 关键词：油气田储层 ; 预测模型 ; 测井孔隙度 ; 粒子群优化极限学习机
- 母体文献：2014油气藏监测与管理国际会议论文集
- 会议名称：2014油气藏监测与管理国际会议
- 会议地点：北京
- 主办单位：中国石油大学
- 语种：chi
- 分类号：TP3;P63
摘要
由于地层成因复杂,加之构造等作用影响,测井信息与实际地层信息间呈非线性对应关系.极限学习机作为一种单隐层前馈神经网络(sLFN)学习算法,可较好的处理此类信息,因无需设置大量网络训练参数而优于传统的神经网络学习算法(如BP算法、SVM等),但要达到理想精度仍需设置大量隐含层节点,基于此,提出了一种基于粒子群优化极限学习机(PSOELM)的孔隙度预测模型,通过优化ELM的输入权值矩阵和隐含层偏差,计算出输出权值矩阵,以减少隐含层节点.本文通过提取现场测井数据并建立孔隙度预测模型,并通过对比PSOELM、ELM、BP三种算法发现,PSOELM可以以更少的隐含层节点获得更高的精度.实验结果证明,PSOELM用于孔隙度的预测具有可行性与有效性.