排序方式： 共有2条查询结果，搜索用时 671 毫秒
1
1.
基于粒子群优化算法的小波神经网络缝洞型储层识别模型 总被引：1，自引：1，他引：0
针对缝洞型储层识别精度较低这一难题,提出了基于粒子群优化算法的小波神经网络（PSO—WNN）储层识别模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络储层识别模型。该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。这里以济阳坳陷桩西埕岛地区古生界潜山缝洞型储层识别为例,利用常规测井参数作为模型的输入参数,以储层类型赋值作为输出,选取九口井的108个已知样本,采用不同隐含层个数对模型进行多次训练。通过对比分析,最终确定隐含层个数为10,建立起该区的Ⅰ类、Ⅱ类、Ⅲ类储层识别模型。利用已建模型对十八个检验样本进行识别,其识别正确率高达100％,而BP神经网络识别正确率为88％。这表明该模型对缝洞型储层的识别效果较好,为缝洞型储层的进一步研究提供了可靠的依据。 相似文献
2.
基于粒子群算法的模糊优选神经网络储层识别模型 总被引：1，自引：1，他引：0
针对致密储层中气水干层识别准确率较低这一难题,提出基于粒子群算法(particle swarm optimization,PSO)的模糊优选神经网络识别模型.其基本思路:首先对所有的变量进行分析,提取反映储层本质的主要属性,消除重叠信息的输入,然后将粒子群算法与模糊优选神经网络相结合,构建基于粒子群算法的模糊优选神经网络识别模型.以陕甘宁盆地中部气田马五1储层气水干层识别问题为例,选用十九口井分层测试的92个已知样本(其中八十个用于模型构建,十二个用于精度检验),对物性、测井和储渗特征等方面的十个特征参数进行分析,从中提炼出电阻率、自然伽玛、产能系数、储渗因子、介质类型因子等五个主成份控制特征参数,消除重叠信息的影响.并以此作为神经网络输入层的输入,以样本储层的产能赋值作为输出,构建基于粒子群算法的模糊优选神经网络模型.模型的识别正确率达到100%,标准误差比传统模糊神经网络降低了60%.这表明该模型具有更高的识别精度,为致密储层的准确识别探索了又一种新方法,对同类地区的研究在一定程度上具有指导作用. 相似文献
1