储层预测技术详解.docVIP

4.1 LPM储层预测技术LPM是斯伦贝谢公司GeoFrame地震解释系统中最新推出的储层预测软件，利用地震属性体来指导储层参数（如砂岩厚度）在平面的展布，以此来实现储层参数的准确预测。LPM预测储层砂体可分两步进行：首先，它是将提取的地震属性特征参数与井孔处的砂岩厚度、有效厚度进行数据分析，将对储层预测起关键作用的地震属性特征参数优选出来，根据线性相关程度的大小，建立线性或非线性方程。线性方程的建立主要采用多元线性回归方法；非线性方程的建立主要采用神经网络方法；其次，根据建立的方程，利用网格化的地震属性体来指导储层参数（如砂岩厚度）在平面的成图。4.1.1多元线性回归基本原理设因变量y与自变量x1， x2 ，…，xm有线性关系，那么建立y的ｍ元线性回归模型： (4.1)其中β0，β1，…，βm为回归系数；ξ是遵从正态分布N(0，σ2)的随机误差。在实际问题中，对y与x1， x2 ，…，xm作n次观测，即x1t， x2t ，…，xmt ，即有： (4.2)建立多元回归方程的基本方法是： (1)由观测值确定回归系数β0，β1，…，βm的估计b0，b1， …，bm得到yt对x1t，x2t ，…，xmt；的线性回归方程： (4.3)其中表示的估计；是误差估计或称为残差。 (2)对回归效果进行统计检验。 (3)利用回归方程进行预报。 回归系数的最小二乘法估计根据最小二乘法，要选择这样的回归系数b0，b1， …，bm使 (4.4)达到极小。为此，将Q分别对b0，b1， …，bm求偏导数，并令，经化简整理可以得到b0，b1， …，bm，必须满足下列正规方程组： (4.5) (4.6)其中 (4.7) (4.8) (4.9) (4.10)解线性方程组(4.5)，即可求得回归系数，将代入(4.6)式可求出常数项。4.1.2 BP网络多层感知器具有独特的学习算法，该学习算法就是著名的BP算法，所以多层感知器常常被称为BP网络。BP网络是一种层状结构的前馈神经网络，它是由输入层、隐含层（一层或者多层）和输出层构成（图4-3）；输入层神经元的个数为输入信号的维数，隐含层个数视具体情况而定，输出层神经元个数为输入信号维数。BP神经网络输入层中的每个源节点的激励模式（输入向量）单元组成了应用于第二层（如第一隐层）中神经元（计算节点）的输入信号，第二层输出信号称为第三层的输入，其余层类似。网络每一层神经元只含有作为他们输入前一层的输出信号，网络输出层（终止层）神经元的输出信号组成了对网络中输入信号（起始层）源节点产生激励模式的全部响应。即信号从输入层输入，经隐层传给输入层，由输出层得到输出信号。图4-1 BP人工神经元模型图4-1 BP人工神经元模型BP学习过程可以描述如下：工作信号正向传播：输入信号从输入层经隐单元传向输出层，在输出端产生输出信号，这是工作信号的正向传播。在信号向前传递过程中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出，则转入误差信号的反向传播。误差信号的反向传播：网络实际输出与期望输出之间的差值即为误差信号，误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在误差信号反向传播过程中，网络权值由误差反馈进行调节。经过权值的不断修正使网络实际输出更接近期望输出。误差反传播算法（BP算法）利用梯度下降技术使实际输出y(t)与期望输出d(t)的误差能量最小。 （4.11）网络学习时，开始取一小的随机数作为网络权值和内部阈值的初值，然后反复输入训练样本，计算实际输出与期望输出的差值，据此调整权值，直至权值收敛，并使代价函数降至可接受值。对训练样本集中第P个输入及其期望输出，网络的第j个节点与第i个节点的联接权修正量可用下式计算 （4.12）式中 η—学习率—误差项—节点i的输出其中误差信号δ对输出层和隐含层分别为： （4.13） （4.14）调整后的权值与阈值分别为： （4.15） （4.16）节点输出O由前向传播算得： （4.17） （4.18）