共查询到18条相似文献，搜索用时 140 毫秒
1.
应用自适应算法对BP网络进行改进，可以提高BP网络的收敛速度和全局寻优性能。在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率的神经网络模型为例，通过网络的学习、训练，建立测井解释神经网络模型。并应用此模型，定量计算出多口井的渗透率值，与常规渗透率计算结果相比，BP的解释结果及精度均令人满意，同时还取得了良好的实际应用效果。 相似文献
2.
3.
神经网络方法在煤层气测井资料解释中的应用 总被引：7，自引：1，他引：6
根据煤层气储层及其测井响应特征,提出应用ＢＰ神经网络（简称ＢＰ网络） 方法进行煤层气测井资料的定量解释。通过对华北某地煤层气测井资料的处理,获得了满意的解释结果,证明该方法是有效和实用的。并对应用过程中的若干问题进行了分析讨论 相似文献
4.
多元线性回归及BP神经网络是煤层含气量测井解释的常用方法。基于澳大利亚Galilee盆地和沁水盆地煤层测井资料和实测含气量数据,通过相关性分析和显著性检验,筛选了和含气量相关的测井参数,通过多元线性回归建立含气量与测井参数的解释模型;基于BP神经网络的理论,通过网络训练和测试,建立了煤层含气量和测井参数的非线性解释模型。讨论了多元线性回归模型的参数选择方法,并对两种解释方法的误差特点进行了分析,讨论了两种方法的适用性。结果显示:多元线性回归法和BP神经网络法是煤层含气量解释的常用方法,前者的解释误差比后者大;多元线性回归法解释精度与煤层含气量相关,适用于含气量较高的井;BP神经网络法解释精度普遍较高,在含气量高和低的井中均可适用,解释效果受输入层样本的数量和质量影响,样本数量越多,区域代表性越强,解释效果越好。 相似文献
5.
介绍了PNN方法原理及其算法训练学习过程,详细阐述了网络识别岩性参数的选取、岩性识别模型的建立过程.通过对比研究PNN与其他6种岩性识别方法,分析相同条件下预测结果,得到不同识别方法的优劣性.经研究发现,PNN概率神经网络方法在生产应用中效果更佳、训练识别用时最短.利用人工智能神经网络对测井数据进行自动解释分析,可满足随钻测井时效性及快速解释处理的地质导向需求. 相似文献
6.
作者在本文中讨论了小波神经网络概念和油水测井曲线段的频率特性。以小波分析为数据预处理工具，首先用小波分解高频成分对测井曲线进行分段，然后应用小波分析提取出测井段的分频能量特征向量，以此向量代表井段的信息，并作为神经网络的输入，进行神经网络的测井解释，实现了小波神经网络的测井分段油水解释。 相似文献
7.
利用径向基函数(RadialBasisFunction,RBF)神经网络的原理对储层参数(孔隙度、渗透率)进行了预测,运用有效测井数据和岩心测试资料作为网络模型的学习样本,通过网络的学习、训练,建立了测井解释的RBF神经网络模型。应用此模型定量计算了鄂尔多斯盆地杭锦旗地区多口井的碎屑岩层的孔隙度和渗透率。与用传统的统计方法比较,神经网络的方法显示出了更好的精度和更强的实用性。 相似文献
8.
将常规储层测井解释方法应用于煤层气储层测井解释,其效果存在一定的折扣。为了改善传统方法在煤层气测井解释中出现的问题,将深度学习的思想引入测井解释,提出受限玻尔兹曼机的数量、受限玻尔兹曼机隐含层神经元数量、分类阈值的确定方法,利用深度信念网络进行煤层识别及煤层气含气量的预测。实验结果表明：首先,在交会图法效果不好的情况下,通过深度信念网络进行煤层识别,继而对识别结果进行适当校正,煤层识别成功率可达到90%以上;其次,经过多种方法的对比,利用深度信念网络进行煤层气含气量预测的效果,要好于BP神经网络、多元回归统计以及Langmuir方程三种方法。深度学习改进了传统的BP神经网络,具备更强的复杂函数泛化能力,适用于煤层气测井解释,并具有进一步的推广价值。 相似文献
9.
测井曲线能敏感反应原煤灰分,为了利用测井数据分析原煤灰分,采用BP神经网络建立测井数据预测原煤灰分模型,用以研究利用自然伽马、密度和视电阻率等测井参数估测原煤灰分的方法。通过网络训练与测试,实验预测结果与期望结果吻合性好、误差小,因而BP神经网络可以用于测井数据预测原煤灰分。 相似文献
10.
11.
基于神经网络的聚类分析在储层流动单元划分中的应用 总被引：2，自引：0，他引：2
以苏里格气田盒8段为研究对象,在细分层和精细沉积学研究基础上,通过对关键井详细研究,以流动层段指标为储层流动单元划分标准,将目的层分为3类流动单元。通过相关性分析结合专家经验,从诸多电性、物性、岩性等参数中优选出表征流动单元的10个特征变量作为预测模型的输入,应用基于神经网络算法的聚类分析方法建立储层流动单元非线性识别模型。通过对其他关键井的回判预测表明,建立的流动单元预测模型可以更全面地考虑各类地质因素与流动单元之间的结构性复杂映射关系,气井产能与流动单元具有较高的对应关系,为气田精细描述与开发井网的优化部署提供可靠基础。 相似文献
12.
借助葵花岛构造油藏描述的实际资料，较详细地叙述测井资料与地质、测试资料紧密结合，通过对四性特征分析，建立测井解释模型和各种解释图版，并建立起适合研究区不同储层的划分有效厚度的物性、电性标准。在储层渗透率计算方面采用先进的神经网络技术。从测井角度对储层非均质性进行精细描述，综合解释出油、气、水层，为储量计算和储层评价提供可靠的物性参数 相似文献
13.
14.
矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。 相似文献
15.
16.
基于东北地区多目标区域地球化学调查获得的海量土壤地球化学数据,利用BP神经网络模型,在土壤地球化学性质与油气田空间位置之间建立模型,构造最优的油气资源预测模型. 以土壤54项地球化学指标以及XY坐标值共同作为模型输入层,以样本是否在油气田内(1代表油气田内,0代表油气田外)作为模型输出层,基于随机抽取的油气田内和油气田外各500个土壤样本数据进行模型训练. 结果显示,多次训练后识别准确率保持在90%左右,说明该模型分类效果较好,可用于油气资源预测. 利用该模型获得了松嫩平原11 291个土壤样本的含油气概率,并绘制了油气资源预测图. 研究表明,神经网络对于解决复杂的非线性地质问题可以发挥重要作用. 相似文献
17.
18.
沉积物的形成受到多种地质因素的综合控制。通过粒度分析可判别沉积物的成因类型,推断其形成的沉积环境,解释环境演变;而沉积物的粒度组分除了受到原岩的控制外,还受到机械沉积作用的影响难以准确预测。运用人工神经网络对稳定湖相沉积物和风沉积物的粒度参数进行研究,将沉积物的4个粒度参数作为网络模型的输入变量,在对168个浙闽沿海迎风岸风成老红砂样品和282个苏贝淖湖滨湖泊沉积物样品所对应的粒度参数进行数据样本训练之后,获得了基于BP神经网络的稳定湖相和风沉积物预测模型。然后利用448个大树摆鱼湖相沉积物粒度参数样本和100个兰州榆中黄土风沉积物粒度参数样本作为测试样本对该模型进行了测试和验证,结果显示模型的可靠性较好,能够对沉积物的形成环境做出正确的判断。 相似文献