利用人工神经网络预测砂岩储层渗透率.pdfVIP

维普资讯 大 庆 石 油 学 院 学 报 第 29卷 第 4期 2005年 8月 JOURNAIOFDAQING PETROLEUM INSTITUTE Vo1．29 No．4 利用人工神经网络预测砂岩储层渗透率 张 雁 ，柳成志 ，秦秋寒 ，张世广 ，翟永库 (1．大庆石油学院 地球科学学院，黑龙江 大庆 163318； 2．大庆油 田有限责任公司 测试技术服务公司，黑龙江 大庆 163414 ) 摘 要 ：根据渗流原理，利用人工神经 网络算法建立了预测砂岩储层渗透率 的模型 ，应用该模型分析 了萨尔 图油 田 中区储层渗透率．结果表明：预测渗透率与实测渗透率吻合较好 ，预测渗透率 的变化趋势与取心井段岩性的变化规律相 符 ；应用人工神经网络预测渗透率的方法，既可保证数据总体分布的正确性 ，又可提高渗透率预测 的精度． 关 键 词 ：人工神经网络；渗透率 ；砂岩储层 中图分类号 ：TEI22．2 文献标识码 ：A 文章编号 ：1ooo一1891(2005)04—0olO一02 1 方法原理 反映储层非均质性最直接的参数是渗透率 ，利用常规的统计 、专家系统等方法解释的渗透率精度一直 较低 ．人工神经网络具有结构 、神经元传递函数及学习算法 3个属性 [3]，在实际应用中，多采用反向 传播网络 (简称 BP网络)或它的变化形式 ，它是前馈网络的核心 ，在处理不确定性和非结构化信息方面具 有独特 的优势．由于渗透率的影响因素较多，不确定性 、非结构化严重 ，因此 ，适宜应用 BP网络方法预测 砂岩储层的渗透率． 参数的选取对利用人工神经网络预测渗透率的精度影响极大．由达西公式知[6，渗透率与流量 、流体 黏度、孔隙度 、外界压力 、孔喉连通程度等相关，当流体一定时 ，渗透率主要取决于孔 隙度 及孔 隙结构． 反映孔隙结构的参数有 ：粒度中值 M ，束缚水饱和度 S ，泥质含量 、，．因此，可将渗透率 K视为 K 一 _厂(，Vh，Me，S )． (1) 由式 (1)即可确定引入人工神经网络的输入、输 出参数． 2 人工神经网络模型 利用人工神经 网络方法预测渗透率 ，输入参数的数 值为萨尔图油 田中区取心井取心段的分析化验数据 ，网 络模型见图 1．选取的模型为 3层结构 ，包括输入层 、隐 含层和输出层． 由式 (1)知 ，输入节点有 4个 ：孑L隙度、泥质含量、粒 度中值、束缚水饱和度．网络隐含层 的神经元太少 ，网络 训练次数增多，训练精度不高 ；神经元太多，则计算时间 增加 ；因此 ，本模型中取隐含节点数为 5个．输 出节点 即 为渗透率． 神经元在输入信号作用下产生输出信号的规律取决 图1 预测渗透率的人工神经网络模型 于神经元功能函数 ，不同的神经元功能函数其效果 、收敛速度也不同．对于所建立 的预测渗透率 的BP模 收稿 日期 ：2005—04—11；审稿人：傅 广 ；编辑 ：曾湘华 作者简介：张 雁(1973一)，女，硕士 ，讲师 ，从事储层地质学方面的研究 维普资讯 第4期 张 雁等 ：利用人工神经 网络预测砂岩储层渗透率 型，要求其不仅具有高的预测精度，还应具有适用性 ，理想的模型应该是全局误差最小 ，而仅强调精度易陷 人局部误差最小．本研究中选用线性函数作为神经元的功能函数． 学习样本为研究区内所有取心井取心段的渗透率分析化验数据．在学习之前，对学习样本严格筛选 ， 先用线性回归方法分析 ，剔除部分异常的样本 ；然后用聚类方法从剩余样本中选出有代表性的作为学习样 本，其分布范围与总样本分布基本一致 ；最后确定参加学习的样本为 352个．经过 12万次的学习得到： K 一 10 。。 ”。 s+。。¨