神经网络在测井信息解释中的研究与应用
发布时间：2020-12-24 06:38
测井解释的核心就是确定测井信息和地质信息之间的关系,即利用测井获得的局部数据来确定整个工区地下储层岩性、储层流体性质和储层参数(孔隙度、渗透率和饱和度等)。传统上主要是依靠地质学家通过以往经验建立的数学公式利用局部数据来进行预测,但是面对地下未知的复杂地质情况,这些方法都有很大的局限性。人工神经网络技术特别是深度学习等新的神经网络模型的出现,为解决复杂非线性关系的表达和映射问题开辟了新的解决思路。研究人工智能新技术并借助它解决油气领域中的决策难题有重要理论和应用价值。论文在深入分析测井解释相关技术的发展,以及计算机技术在测井解释中应用研究现状的基础上,重点研究人工神经网络在测井解释中的应用问题,目的是为了找到能够更好地利用测井数据进行地质属性参数预测的方法。论文首先研究和分析了几种用于测井解释的典型浅层神经网络模型的特点和不足,设计出一种由三种浅层神经网络有机组合起来的联合神经网络模型,该模型的特点是表达能力和适应性强,可扩展性好。研究深度神经网络模型,并根据测井解释的实际情况,给出了利用深度置信神经网络(DBN)进行孔隙度预测的解决方案。针对神经网络在低渗致密特殊油气藏上测井解释准确...
【文章来源】：中国石油大学(华东)山东省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
BP神经网络结构
中国石油大学（华东）硕士学位论文21在上式中，iW代表节点之间的连接权重，为连接偏置，f则是激活函数，通常采用S型函数来描述。BP神经网络在进行分类预测方面的优势主要有：（1）强泛化性。即使输入网络的数据没有在训练过程中训练过时，网络也可以将输入数据映射到较为精准的预测数据上。（2）强容错性。针对数据中可能出现的输入样本误差较大，甚至是某个错误数据，网络可以通过对其他正确数据的学习从而降低对网络模型正确预测的影响。BP网络还有以下几点不足：（1）网络训练过程比较容易收敛于局部的最优值，比较难于预测出全局最优值。（2）无法根据公认的完整理论进行网络结构设计，网络结构会直接影响网络的预测能力。图3-2RBF神经网络结构Fig3-2RBFneuralnetworkstructureRBF神经网络[43]（如图3-2所示的网络结构），与BP网络均为前馈神经网络，但径向基神经网络使用径向基函数作为神经元的激活函数。隐层将输入向量从低维空间映射到高维空间中。径向基函数通常用来计算当前点与任意中心点之间的欧氏距离，单一神经元的输出参照公式(3-2)：1(||||)MiiiYradbasWXB(3-2)在上式中，iW表示权重，B为偏置，radbas代表激活函数。RBF网络的主要用途是解决分类预测等相关问题。它在分类预测方面的能力主要体现在以下几个方面：（1）逼近性能良好。经过数学证明可以发现RBF能够非常接近的
第三章联合神经网络孔隙度预测应用研究22对任何非线性函数进行描述。（2）没有局部极值。RBF神经网络是从全局对函数关系进行描述，所以可以找到全局的最优值，而不是像BP网络一样陷入局部最优解。（3）学习速度快。RBF网络的参数调整非常简单，可以很快的完成训练过程。然而，它也有不足之处：（1）由于RBF神经网络是基于全局数据模拟的，如果输入误差较大时网络可能会逼近于一个与目标函数相差甚远的函数。（2）在对大量数据进行训练时，会造成RBF网络的复杂程度上升。图3-3支持向量回归模型Fig3-3SupportVectorRegressionModel支持向量回归（SVR）[44]通过训练得到一个映射函数，将分类样本映射到更易于分类的高层特征空间，结构如图3-3所示。对于给定的样本数据{(,)|1,2,,}iixyik（ix是输入值，iy是输出值），假定它服从函数yf(x)。首先对样本数据进行参数拟合，使得拟合后的函数g(x)与f(x)之间损失最校损失函数J如公式(3-3)：211||||((),)2kiiiJCLgxy(3-3)根据结构风险最小化原则，必须尽量减少损失函数。即公式(3-4)：211min[||||()]2kiiiC..{(),()|,0}iiiiiiiistyfxyfx(3-4)式中，为拟合精度；i为目标值之上超出部分值；i为目标值之下超出部分值；C为惩罚系数。
【参考文献】：
期刊论文
[1]基于改进BP网络的车牌字符识别方法研究[J]. 张国云,向灿群,吴健辉,郭龙源,涂兵. 计算机应用与软件. 2017(04)
[2]复合渗透率测井评价方法在砂砾岩稠油油藏的应用——以克拉玛依油田某区八道湾组为例[J]. 陈科贵,陈旭,张家浩. 地球科学进展. 2015(07)
[3]深度学习国内研究综述[J]. 樊雅琴,王炳皓,王伟,唐烨伟. 中国远程教育. 2015(06)
[4]基于DBN模型的遥感图像分类[J]. 吕启,窦勇,牛新,徐佳庆,夏飞. 计算机研究与发展. 2014(09)
[5]深度置信网络在垃圾邮件过滤中的应用[J]. 孙劲光,蒋金叶,孟祥福,李秀娟. 计算机应用. 2014(04)
[6]基于模糊C均值聚类算法和贝叶斯判别函数研究深水油藏分类评价[J]. 丁帅伟,姜汉桥,陈民锋,罗银富,汤国平. 西安石油大学学报(自然科学版). 2014(02)
[7]软件可靠性预测中不同核函数的预测能力评估[J]. 楼俊钢,蒋云良,申情,江建慧. 计算机学报. 2013(06)
[8]测井曲线活度法在地层划分中的应用[J]. 郝建华,雷颖,王佳音,汤金奎,崔朋波. 中国石油和化工标准与质量. 2012(06)
[9]测井曲线自动分层解释方法研究[J]. 彭智,樊官民. 石油仪器. 2011(03)
[10]基于改进神经网络的渗透率预测方法[J]. 杨建,杨程博,张岩,崔力公,王龙飞. 岩性油气藏. 2011(01)
博士论文
[1]支持向量回归机及其应用研究[D]. 田英杰.中国农业大学 2005
本文编号：2935176
【文章来源】：中国石油大学(华东)山东省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
BP神经网络结构
中国石油大学（华东）硕士学位论文21在上式中，iW代表节点之间的连接权重，为连接偏置，f则是激活函数，通常采用S型函数来描述。BP神经网络在进行分类预测方面的优势主要有：（1）强泛化性。即使输入网络的数据没有在训练过程中训练过时，网络也可以将输入数据映射到较为精准的预测数据上。（2）强容错性。针对数据中可能出现的输入样本误差较大，甚至是某个错误数据，网络可以通过对其他正确数据的学习从而降低对网络模型正确预测的影响。BP网络还有以下几点不足：（1）网络训练过程比较容易收敛于局部的最优值，比较难于预测出全局最优值。（2）无法根据公认的完整理论进行网络结构设计，网络结构会直接影响网络的预测能力。图3-2RBF神经网络结构Fig3-2RBFneuralnetworkstructureRBF神经网络[43]（如图3-2所示的网络结构），与BP网络均为前馈神经网络，但径向基神经网络使用径向基函数作为神经元的激活函数。隐层将输入向量从低维空间映射到高维空间中。径向基函数通常用来计算当前点与任意中心点之间的欧氏距离，单一神经元的输出参照公式(3-2)：1(||||)MiiiYradbasWXB(3-2)在上式中，iW表示权重，B为偏置，radbas代表激活函数。RBF网络的主要用途是解决分类预测等相关问题。它在分类预测方面的能力主要体现在以下几个方面：（1）逼近性能良好。经过数学证明可以发现RBF能够非常接近的
第三章联合神经网络孔隙度预测应用研究22对任何非线性函数进行描述。（2）没有局部极值。RBF神经网络是从全局对函数关系进行描述，所以可以找到全局的最优值，而不是像BP网络一样陷入局部最优解。（3）学习速度快。RBF网络的参数调整非常简单，可以很快的完成训练过程。然而，它也有不足之处：（1）由于RBF神经网络是基于全局数据模拟的，如果输入误差较大时网络可能会逼近于一个与目标函数相差甚远的函数。（2）在对大量数据进行训练时，会造成RBF网络的复杂程度上升。图3-3支持向量回归模型Fig3-3SupportVectorRegressionModel支持向量回归（SVR）[44]通过训练得到一个映射函数，将分类样本映射到更易于分类的高层特征空间，结构如图3-3所示。对于给定的样本数据{(,)|1,2,,}iixyik（ix是输入值，iy是输出值），假定它服从函数yf(x)。首先对样本数据进行参数拟合，使得拟合后的函数g(x)与f(x)之间损失最校损失函数J如公式(3-3)：211||||((),)2kiiiJCLgxy(3-3)根据结构风险最小化原则，必须尽量减少损失函数。即公式(3-4)：211min[||||()]2kiiiC..{(),()|,0}iiiiiiiistyfxyfx(3-4)式中，为拟合精度；i为目标值之上超出部分值；i为目标值之下超出部分值；C为惩罚系数。
【参考文献】：
期刊论文
[1]基于改进BP网络的车牌字符识别方法研究[J]. 张国云,向灿群,吴健辉,郭龙源,涂兵. 计算机应用与软件. 2017(04)
[2]复合渗透率测井评价方法在砂砾岩稠油油藏的应用——以克拉玛依油田某区八道湾组为例[J]. 陈科贵,陈旭,张家浩. 地球科学进展. 2015(07)
[3]深度学习国内研究综述[J]. 樊雅琴,王炳皓,王伟,唐烨伟. 中国远程教育. 2015(06)
[4]基于DBN模型的遥感图像分类[J]. 吕启,窦勇,牛新,徐佳庆,夏飞. 计算机研究与发展. 2014(09)
[5]深度置信网络在垃圾邮件过滤中的应用[J]. 孙劲光,蒋金叶,孟祥福,李秀娟. 计算机应用. 2014(04)
[6]基于模糊C均值聚类算法和贝叶斯判别函数研究深水油藏分类评价[J]. 丁帅伟,姜汉桥,陈民锋,罗银富,汤国平. 西安石油大学学报(自然科学版). 2014(02)
[7]软件可靠性预测中不同核函数的预测能力评估[J]. 楼俊钢,蒋云良,申情,江建慧. 计算机学报. 2013(06)
[8]测井曲线活度法在地层划分中的应用[J]. 郝建华,雷颖,王佳音,汤金奎,崔朋波. 中国石油和化工标准与质量. 2012(06)
[9]测井曲线自动分层解释方法研究[J]. 彭智,樊官民. 石油仪器. 2011(03)
[10]基于改进神经网络的渗透率预测方法[J]. 杨建,杨程博,张岩,崔力公,王龙飞. 岩性油气藏. 2011(01)
博士论文
[1]支持向量回归机及其应用研究[D]. 田英杰.中国农业大学 2005
本文编号：2935176
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2935176.html
