BP神经网络及在岩性识别上的应用研究.pdf

王胜超，等：BP神经网络及在岩性识别上的应用研究 物流工程与技术 BP神经网络及在岩性识别上的应用研究 王胜超，文汉云 (长江大学，湖北 荆州434023) [摘要]测井数据处理与解释的重要内容之一是岩性研究。与常规测井资料相比，结合各种岩性分析化验结果及 分类统计．发现线性回归分析是其主要的研究手段。本文先介绍了人工神经网络。然后着重讲述了BP神经网络的原 理，改进BP神经网络的方法，以及在岩性识别上的应用研究。 【关键词】BP神经网终；岩性识另13；改进BP神经网络 [DOI]10．13939／j．cnki．zgsc．2015．24．063 (2)计算总误差：E=1／2p×2E。。 1主要研究内容 (3)对样本集中各个样本数据输入，然后一次重复 根据国内外研究现状，利用目前研究最透彻的人工 下面过程，然后转向(2)： 神经网络技术一BP(Back Propagation)人工神经网络， 首先，取一样本数据输入，然后按下面公式向前计算 以C鬣NET为软件工具，通过合理地编写程序，针对低 各层节点的输出： 阻、高放射等非常规储层进行识别与判别。主要利用常 规测井资料，以实际的岩心、岩屑观察、物性等分析测 嘶是歹节点的加权和，i为，的信号源方向的相邻节点，0；为 试资料、试油试产资料为测井参数约束的标准，针对储 i节点的输出，节点，的输入，0。=一1，耽=0)； 层的岩性进行预测、判断。从而得出BP人工神经网络 x 其次，方向修正形，：既(t+1)=w(t)+硒f0f 方法在测井数据处理与解释中的优势所在，并指出其缺 (其中，Q是学习因子)。 陷与不足之处¨·。 3 BP神经网络在岩性识别上的应用 2 BP神经网络 3．1地层特征 2．1基本BP神经网络的设计 在储层测井响应特征方面，本文研究油区的泥岩与 基本BP算法包括两个方面：信号的前向传播和误差 砂质泥岩均以高自然伽马、正自然电位幅度、微电极无 的反向传播。即计算实际输出时按从输入到输出的方向进 差异或差异幅度小为特征、并且有电阻率相对偏低和高 行，而权值和阈值的修正从输出到输入的方向进行㈨。 声波时差值的特征，较纯的泥岩层往往还出现井径扩大 现象。粉砂岩、泥质砂岩以中．高自然伽马和中一低负 异常幅度自然电位及微电极差异幅度小或无差异为特 征。视电阻率变化较大。细砂岩为主要储集层，以自然 电位高负异常幅度低自然伽马值及微电极差异幅度大为