遗传神经网络储层参数预测
。
4.4.1网络的识别过程由于地震勘探中广泛采用三维地震、高分辨率勘探等新技术,资料处理中也引入了多种新的处理方法,使得综合提取多种地震信息成为可能,使用这些信息进行储层横向预测的可靠性也有了很大提高。
利用地震信息解决岩性或储层横向预测问题,是现阶段比较热门的课题,已经取得了一些进展,但还没有一种适用于各种地质情况的标准方法。本文使用的遗传神经网络识别方法也是一种尝试。
利用多种地震信息,应用遗传神经网络方法进行储层横向预测的流程如图4-6所示。
网络识别所需要的裂缝、溶蚀孔洞、产能等参数的模式,以及模式井和预测井的模式级别等参数,参见第三章的3.3至3.4节中的相关内容。
特征提取中的参数包括统计特征、自相关特征及非线性特征等三大类19个过程提取参数。图4-6神经网络储层预测流程图4.4.2识别预测结果网络预测的过程就是对所有已知和未知样本进行不断拟合的过程。
预测结果见图4-7至图4-9。网络的训练就是要通过对大量样本的有监督学习,使连接网络节点的权值更趋合理,其标志是相对误差的收敛。
溶蚀孔洞网络训练次数达到6000次以上,产能预测网络训练次数达到8000次以上,裂缝训练网络需达到15000次。
所有网络的训练结果,均达到了0.05的规定相对误差限,可以用来进行储层参数和产能预测。用训练好的网络对原始训练数据(模式井点的已知参数)进行预测称为网络回判预测。网络回判率越高则预测结果可信度越高。
对已知井点的裂缝、溶蚀孔洞和产能的回判率分别为:90%、92%和88%。
图4-7义和庄区块碳酸盐岩潜山储层溶蚀分布预测图图4-8义和庄区块碳酸盐岩潜山储层裂缝分布预测图图4-9义和庄区块碳酸盐岩潜山储层产能分布预测图。
谷歌人工智能写作项目:神经网络伪原创
神经网络参数如何确定
神经网络各个网络参数设定原则:①、网络节点 网络输入层神经元节点数就是系统的特征因子(自变量)个数,输出层神经元节点数就是系统目标个数写作猫。隐层节点选按经验选取,一般设为输入层节点数的75%。
如果输入层有7个节点,输出层1个节点,那么隐含层可暂设为5个节点,即构成一个7-5-1BP神经网络模型。在系统训练时,实际还要对不同的隐层节点数4、5、6个分别进行比较,最后确定出最合理的网络结构。
②、初始权值的确定 初始权值是不应完全相等的一组值。已经证明,即