- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
随钻测井实时岩性判识方法研究.pdf
第35卷第12期 煤 炭 技 术 V01.35No.12
12月 Dec·2016
2016年 Coal7rechnology
doi:10.1330l/j.cnki.ct.2016.12.045
随钻测井实时岩性判识方法研究木
陈 刚
(中煤科工集团西安研究院有限公司,西安710077)
摘
中每种方法使用同样的测井资料作为样本,对相同的测井数据做预测识别,选出更为适合的方法应
用到测井岩性解释自动识别中。
关键词:随钻测井;岩性识别;支持向量机;神经网络
中图分类号:P631文献标志码:A
MethodforLWD
Time Iden倘cation
Research咖Real
Lithology
C腿NGa峰
Research Coal and 710077,China)
∞’an Institute,ChinaTechnologyEn垂neeringGroup,Xi7aIl
of fourkinds0fcurrent
SVM,GRNN,Bayesian,Elmanpopular
Abstr越t:Throughcomparativestudy
methodsand ineachmethod thesame
lith010宴了identi6cationcomparativeexperiments using logging
dataasthe d砒aofthesame and oftheselectedmore
sample,thelog百ng recognitionprediction
wasusedtotlIeweU inautomatic
suitablemethod log舀nglith0109yinte甲retation recognition.
network
Keywords:LWD;litholo灯identification;SVM;neural
0 引言 逼近的神经网络。GRNN对于学习速度和分类能力
在地质勘探及储层评价中.岩性识别是一项重 方面效果更为突出.且拥有径向基函数RBF的三大
中之重的工作.是储层参数求解的基础.是矿物成 特点:最佳逼近、菲线性映射和全局最优的性能,网
分、结构等的综合反映。但由于沉积环境复杂性和真 络最终的优化回归面是收敛样本量积聚最多的选
实地层分布非均质性.传统的岩性识别方法并不能 择.回归效果在数据资料缺乏时较为显著,GRNN网
准确地反映储层岩性。支持向量机SVM在机器学 络输出层是线性的权值.选定作用函数中心及隐含
习领域属于有监督学习模型.通常用来进行回归分 层结点个数后.为增进网络学习速度,应用线性权值
析、分类、以及模式识别,是近年来提出的一种新方 学
文档评论(0)