基于神经网络自学技术在油藏描述中应用研究.docVIP

基于神经网络自学技术在油藏描述中应用研究 　　摘 要：本文介绍了基于网格网络自学技术在油藏描述中的应用研究和网格网络自学技术算法，以及这些算法的具体实现过程和油藏描述的特点及此算法的实现过程，最后介绍了神经网络自学技术的应用特点。 　　关键词：神经网格 油藏描述 级联算法 　　 　　引言 　　 　　目前，由于易于寻找油气藏的减少，油气资源勘探已趋向岩性、地层等隐蔽油气藏方向，油藏描述方法技术就成为油气资源勘探开发工程中必不可少的核心技术之一，而油藏参数的分析和预测是油藏描述的最重要方面。比较准确的、精细的油藏参数预测无疑能够回答勘探实践中的一些重要问题。 　　级联算法就是一种典型的构造性神经网络。运用级联算法，对油藏各参数进行分析、抽象，可以最大限度地把地下油藏的三维特征描述清楚，而且更重要的是利用较少的资料能较准确地预测出地下油藏的渗透率、饱和度和孔隙度，能够比较准确地描述出各种开发属性三维空间的具体细节。因此本文将探索的利用构造性神经网络预测油藏参数是很有意义的。 　　关于神经网络自学技术应用于“油藏参数的预测”的意义 　　 　　1.油藏描述技术 　　 　　油藏描述是以石油地质学、沉积学、地震地层学和测井地质学为基础，以数学地质学和计算机自动绘图技术为手段，最大限度地利用地震、钻井、测井、试油和分析化验等资料，对油藏进行综合研究和描述的新技术。它表现出了以下重要的特点: 　　(1)阶段性:油藏描述贯穿于勘探开发的全过程，从第一口发现井到油田最后废弃为止，多次分阶段滚动进行。 　　(2)先进性:现代油藏描述尽量采用各种先进实用的科学技术和方法，如现代数学方法和理论的大量应用，包括地质统计学及随机模拟、模式识别、模糊数学、专家系统、神经网络、分形几何等。 　　(3)早入性:油藏描述应从油田第一口发现井开始就开展工作。油田发现后，开发工作人员介入得越早，油藏描述工作开始得越早越好。 　　为了把油藏描述的结果准确、详细、直观地表达出来，应在石油勘探开发中进行科学的管理和决策。油藏参数是一些很重要的指标，??此油藏参数的预测是否准确，绘出的图样是否合理，直接影响到油藏描述的效果。“神经网络自学技术”就是以重点对油藏参数进行分析、预测，增强了油藏描述技术的可靠性。 　　2.推出神经网络自学技术的工作机制 　　传统的神经网络学习算法，其具体步骤为： 　　(1)初始化。确定神经元的转换函数(通常取为Sigmoid函数)，给定精度控制参数ε(ε＞0)，学习率L及动量系数。 　　(2)计算网络输出y 。 　　(3)计算误差函数E，如果E＜ε转(5)，否则转(4)。 　　(4)调整输出层和隐层的权值，转(2)。 　　(5)存储最优权值W ，算法结束。 　　这里需要注意的是权值调整是在误差向后传播过程中逐层进行的，当网络的所有权都被更新一次后，我们说网络经过了一个学习周期。 　　网络经过若干次训练（迭代）后，得到了网络的最优权值Ｗ 。 　　本文所采用的构造性学习算法――CC算法是一种监督学习方式，它融合了两个观点：第一个是重叠结构，该结构中我们每次只添加一个隐层单元，而且添加后都不改变；第二个是学习算法，它创造和装载了新的隐层单元。对于每一个新隐层单元，该方法尝试去最大化新单元输出与网络残留误差信号之间的联系。其生长过程如下图所示： 　　 　　算法重复直到网络的全体误差小于某个给定值。 　　我们的目标是训练输出权重使平方和最小，即 　　 　　3.神经网络自学技术的初步应用 　　Rajesh Parekh、Jihoon Yang和Vasant Honavar三位研究了神经网络自学技术在模式识别方面的应用，研究得到了美国科学基金、John Deere基金、美国安全局和IBM公司的支持。 　　该研究使用了几十倍的交叉确认方法。每一个数组都被分成10等份，而且对于每一个数组，每个方法的独立运行都是受控的。对于第i个运动，第i个包是按照测试包来设计的，而剩余的9个包中的样品被用来训练。在训练的最后，网络的普遍性是在测试包上测试。单独的TLU的是用热感知器方法来训练的。每个神经元的权值按一定间隔随机地被初始化为一个新，以适应在整个6个点中输入到神经元的平均网格。 　　 　　图2总结了实验的结果，该实验是设计来测试构造性学习算法的收敛性。它列举出了实验用的方法和网络尺寸（隐藏和输出神经元的数目）的标准偏差、训练的精确度，以及建立在3个周期和电离层数组上的M Pyramid-real和M Tiling-real方法的测试精确度。为了区别，我们包含了运用热感知器方法训练单层网络的结果。感知器方法在两个数组的训练精确度都少100%（这巩固了数组的非线性可分离性）。这些结果表明不仅仅构造性算法训练