用于储层参数预测的神经网络模式识别方法研究

论文题目: 用于储层参数预测的神经网络模式识别方法研究

论文类型: 博士论文

论文专业: 油气田开发工程

作者: 高美娟

导师: 翟云芳

关键词: 神经网络模式识别,径向基函数网络,遗传算法,小波变换,边缘检测,小波神经网络,模糊神经网络,支持向量机,统计学习理论,储层参数,火山岩储层,地震特征参数

文献来源: 大庆石油学院

发表年度: 2005

论文摘要: 石油的产生有着不可重复性,不可实验性的特点。人们对地下油气储层的认识存在相当程度的模糊性和不确定性。由于某些不正确的认识会带来巨额生产资金消耗。研究准确识别与预测储层及参数空间变化的方法,在油气勘探开发中都具有重要的实际意义,可以提高生产效益,为国家节约巨额的资金。本文以油田的科技攻关项目为背景,以准确、清晰地再现地下油气储层及参数空间展布,提高油气勘探开发的准确率,节约生产成本,提高生产效率为目标,将计算机模式识别技术和现代预测理论与石油生产相结合,围绕对地下油气储层及参数的识别与预测进行一系列的研究工作。主要内容如下:1.在系统分析研究人工神经网络原理的基础上,对误差回传神经网络(BP)的结构、计算公式进行了深入研究。针对地下储层参数与地震特征参数是复杂的非线性关系,很难用精确的表达式表示出来这一问题,指出了神经网络以其自身的非线性逼近能力是解决上述问题的有利工具,同时给出了神经网络进行储层参数预测的过程描述。2.在深入分析径向基函数(RBF)神经网络和遗传算法理论的基础上,提出了一个基于自适应遗传算法的径向基函数神经网络的结构优化算法,并将该算法成功地应用于储层参数的横向预测,取得了非常好的效果。该算法将基函数的中心参数和宽度参数编成染色体,将网络结构优化和参数学习分两个阶段进行,训练和进化。先用梯度下降法学习某一染色体对应的网络的中心和宽度参数,而后用最小二乘法学习网络的线性权值和偏移常数;再用遗传进化算法优化隐节点数。通过这两个过程的交替进行,得到满足误差要求的具有最小隐节点数的并且隐节点基函数具有不同宽度参数的RBF神经网络。3.深入研究分析小波变换理论和边缘检测原理,并将地震数据剖面看成是二维数字图像,地震剖面上的反射界面相当于二维数字图像的边缘。首次提出将小波变换模极大边缘检测技术应用到地震剖面图像的特殊处理上,使用于储层研究的地震资料具有较高的质量,即高信噪比、高分辨率。从而使计算机能更准确、可靠地预测储层参数的空间展布,提高勘探开发的精确度。用该方法对实际资料进行了处理,取得了较好的效果。4.在深入研究分析小波神经网络的结构、性质、算法和逼近能力的基础上,同时通过小波神经网络与常用网络的比较,提出了用于储层参数预测的小波神经网络优化算法,得到了较为优化的网络结构,并给出了系统的学习算法。由于人工神经网络具有自学习、自适应、鲁棒性、容错性和扩充性能,而小波分析具有时频局部特性和变焦特性,将两者的优势相结合,使得小波神经网络具有较强的逼近、容错能力。实际资料预测表明,本文提出的用于储层参数预测的小波神经网络具有收敛速度快,逼近非线性能力强的优点。5.在深入分析模糊系统理论和神经网络的基础上,针对神经网络和模糊系统各自的优点和不足,对模糊系统和神经网络的融合技术进行了深入研究,结合火山岩储层识别预测的特点和难点,提出了用于火山岩储层识别预测的模糊神经网络系统,同时给出了系统的结构和参数学习算法及识别预测火山岩储层的步骤。在方法研究过程中,充分利用现有的样本数据,发挥神经网络的自适应学习能力和模糊系

论文目录:

第1章绪论

1.1 课题的目的和意义

1.2 神经网络的研究与发展历史

1.2.1 神经网络发展的历史

1.2.2 神经网络方法在油气勘探开发中的应用研究

1.3 储层预测的研究与进展

1.3.1 储层预测的研究概述

1.3.2 火山岩储层识别预测的研究现状

1.4 神经网络模式识别概述

1.4.1 模式识别系统

1.4.2 神经网络模式识别

1.4.3 径向基函数网络

1.4.4 小波神经网络

1.4.5 模糊神经网络

1.5 遗传算法研究与发展概述

1.5.1 遗传算法的研究与发展概述

1.5.2 遗传算法的应用现状研究

1.6 支持向量机的研究与进展

1.6.1 机器学习与统计学习理论

1.6.2 支持向量机原理

1.6.3 支持向量机的理论及方法研究现状

1.6.4 支持向量机的应用研究现状

1.7 本文的主要研究内容及创新点

第2章人工神经网络

2.1 引言

2.2 神经元模型

2.2.1 生物神经元的结构

2.2.2 生物神经元的功能和特征

2.2.3 人工神经元的理论模型

2.3 神经网络模型

2.3.1 神经网络的结构特点

2.3.2 神经网络的互连结构分类

2.3.3 神经网络的自学习过程

2.4 误差回传神经网络(BP)

2.4.1 误差回传神经网络概述

2.4.2 BP 网络的计算公式

2.5 本章小结

第3章基于改进遗传算法的径向基函数网络的储层参数预测

3.1 引言

3.2 径向基函数网络

3.2.1 径向基函数网络的结构

3.2.2 径向基函数网络学习算法

3.2.3 径向基函数网络与BP 网络对比

3.2.4 径向基函数网络逼近理论

3.3 遗传算法

3.3.1 遗传算法的基本步骤

3.3.2 基于二进制编码的遗传算法

3.3.3 基于浮点数编码的遗传算法

3.3.4 遗传算法收敛性分析

3.4 自适应遗传算法基本原理

3.4.1 自适应遗传算法

3.4.2 自适应交换概率和变异概率

3.5 基于改进遗传算法的径向基函数网络

3.5.1 问题提出

3.5.2 染色体基因编码方式

3.5.3 群体规模及遗传算子

3.5.4 网络隐节点中心值和宽度参数的学习算法

3.5.5 基于改进遗传算法的径向基函数网络

3.6 基于改进遗传算法的径向基函数网络的储层参数预测

3.6.1 地震特征参数

3.6.2 地震特征参数的提取和选择

3.6.3 应用实例

3.7 本章小结

第4章小波变换及小波神经网络在储层预测中应用

4.1 引言

4.2 小波分析

4.2.1 小波基本概念

4.2.2 二进小波变换

4.2.3 Hilbert 空间的基

4.2.4 正交小波及多尺度分析

4.3 小波变换模极大检测地震反射界面

4.3.1 Marr-Hildreth 边缘检测理论

4.3.2 小波变换模极大边缘检测原理

4.3.3 小波变换模极大边缘检测方法实现和处理流程

4.4 小波神经网络

4.4.1 小波神经网络的结构形式

4.4.2 小波神经网络的性质和学习算法

4.4.3 小波神经网络的分类、构造和选择

4.4.4 小波神经网络的最佳逼近

4.4.5 小波神经网络的全局逼近和L~2 逼近

4.4.6 小波神经网络与常用网络比较

4.5 小波神经网络在储层参数预测中的应用

4.5.1 用于储层参数预测的小波基函数选取

4.5.2 用于储层参数预测的小波基函数网络

4.5.3 地震特征参数

4.5.4 应用实例

4.6 本章小结

第5章基于模糊神经网络的火山岩储层的识别与预测

5.1 引言

5.2 模糊理论

5.2.1 模糊集合

5.2.2 常用的隶属函数

5.2.3 模糊集合运算

5.2.4 模糊数及其运算

5.3 模糊关系和模糊逻辑推理

5.3.1 模糊关系

5.3.2 模糊关系运算

5.3.3 模糊蕴含和模糊逻辑推理

5.4 模糊逻辑系统

5.4.1 模糊系统

5.4.2 模糊逻辑系统框架

5.4.3 Takagi-----Sugeno(TS)模糊逻辑系统

5.4.4 模糊逻辑系统的逼近问题

5.5 模糊系统和神经网络的融合

5.5.1 问题的提出

5.5.2 模糊系统和神经网络的等价性

5.5.3 模糊系统和神经网络融合的形态

5.5.4 结构等价的模糊系统和神经网络

5.5.5 神经网络的实现

5.6 模糊神经网络

5.6.1 模糊神经网络的概念

5.6.2 几种基本的模糊神经元

5.6.3 模糊神经网络的结构

5.7 用于火山岩储层识别预测的模糊神经网络

5.7.1 系统描述

5.7.2 系统的建立

5.7.3 网络结构

5.7.4 网络的学习方法

5.7.5 模糊神经网络系统识别预测火山岩储层的步骤

5.8 基于模糊神经网络的火山岩储层的识别预测

5.8.1 火山岩储层特点

5.8.2 火山岩储层识别与预测

5.8.3 地震特征参数的提取及选择

5.8.4 应用实例

5.9 本章小结

第6章支持向量机应用于火山岩储层的研究

6.1 引言

6.2 机器学习的基本问题和方法

6.2.1 机器学习问题的表示

6.2.2 经验风险最小化

6.2.3 复杂性与推广能力

6.3 统计学习理论的核心内容

6.3.1 学习过程一致性的条件

6.3.2 函数集的学习性能与VC 维

6.3.3 推广性的界

6.3.4 结构风险最小化

6.4 支持向量机

6.4.1 最优分类面

6.4.2 广义最优分类面

6.4.3 规范化超平面集的子集结构

6.4.4 分类支持向量机

6.4.5 支持向量机的多类分类问题

6.5 用于火山岩储层预测的回归支持向量机

6.5.1 ε不敏感损失的回归支持向量机

6.5.2 支持向量机的训练算法

6.5.3 回归支持向量机的估计性能分析

6.5.4 自适应回归支持向量机

6.6 基于回归支持向量机的火山岩储层的识别预测

6.6.1 样本数据

6.6.2 支持向量回归的参数调整

6.6.3 应用实例

6.7 本章小结

结论

致谢

参考文献

攻读博士学位期间完成的科研工作和发表的论文

发布时间: 2006-06-12

参考文献

[1].储层参数模型建立[D]. 张公社.西南石油学院2005
[2].致密储层岩石物理建模及储层参数预测[D]. 刘倩.中国石油大学(华东)2016
[3].储层四维建模与剩余油仿真研究[D]. 潘少伟.中国石油大学2010
[4].基于智能计算的储层预测方法研究及应用[D]. 吴秋波.成都理工大学2011
[5].孔隙介质储层参数反演与流体识别方法研究[D]. 张生强.吉林大学2014
[6].基于粗糙集—支持向量机的油气储层参数预测方法研究[D]. 邓燕.中国地质大学（北京）2013
[7].三肇地区葡萄花油层储层参数及水淹层测井解释方法研究[D]. 邓刚.大庆石油学院2010
[8].分层注水储层参数变化机理与配注参数动态调配方法研究[D]. 张玉荣.东北石油大学2011
[9].鄂尔多斯盆地延长组高自然伽马储层成因及测井评价[D]. 刘航军.西北大学2013
[10].地震储层参数非线性反演与预测方法研究[D]. 贺懿.中国海洋大学2008

用于储层参数预测的神经网络模式识别方法研究

猜你喜欢