论文摘要
当今,油气勘探开发得到了进一步发展,浅层和储集条件简单的区块得到了较为充分地勘探开发。随着石油勘探领域不断地向深层和储集条件复杂的区域进军,油气勘探活动越来越复杂,要求勘探技术水平必须相应地提高。今后油气开发的重点将是复杂油气储集层,一方面,复杂油气储集层具有非均匀性、非线性及不确定性的响应特征,显然,基于均匀线性理论的传统统计方法难以达到这种要求;另一方面,储层管理中涉及地震、测井、地质等海量数据,信息量大,来源多样,一般的信息管理技术难以及时而有效地处理。因此要提高储层描述的精度和可靠性,最大限度地挖掘和利用已有的地震与测井的信息,以适应复杂储层油气田勘探开发的要求,必须寻找新的信息管理技术来迎接油田勘探开发的新挑战。软计算作为一种智能技术,能充分利用不精确性、不确定性和部分真实的信息,具有易处理和鲁棒性的优点,能综合运用推理和搜索方法处理海量数据与信息问题,在复杂储层勘探开发信息管理中将发挥着重要作用。本文以国家自然科学基金项目“石油储层管理中的集成软计算的理论与方法研究（NO:70573101）”为基础,主要探讨了软计算集成技术在储层预测中的信息管理理论与实践问题。即如何有效集成软计算中的神经网络、模糊逻辑、智能优化算法（遗传算法、粒群算法）技术建立储层参数与地震信息之间的联系并提取相应规则。通过对地震属性优化、油井类型识别、储层参数横向预测、提取地震储层模糊规则,实现地震数据——参数信息——储层认识的动态过程。为此本文做了如下的工作:（1）探讨了软计算技术之间集成的一般原则与规律。在总结软计算技术研究发展概况的基础上,对软计算技术中的神经网络、模糊系统、进化算法两两之间,三者之间集成的一般原则与规律,作了较为详细的分析与探讨。（2）提出了一种基于GA-BP的地震属性优化方法。采用GA二进制编码与BP神经网络集成的方法,对从复杂的地震记录中提取的各种地震信息,自适应地进行属性优化,即从全体地震属性集中挑选出与储层关系最密切、最能代表储层特征的地震属性子集,以降低信息冗余及多解性,提高了储层预测精度。（3）提出一种GA-FCM油井类型识别方法。集成遗传算法与模糊C均值分类方法,能根据井旁地震道属性与油井的含油气性（干井、低产井、高产井）关系来优化地震属性,得到与油井类别关系最强的少数地震属性,进行油井类型识别,不但识别率高,而且应用模糊隶属度,对识别结果具有较强的解释性。（4）建立了一种储层预测的动态全参数自适应BP神经网络模型。它将GA、SA与BP三种算法有机地融合在一起,实现优势互补,采用二进制与实数混合编码,能动态地根据样本特征对BP网络中的输入节点数、隐层节点数、转移函数、权值与阈值等进行自适应优化调整。在保证精度的前提下,使网络的结构相对简单（较少的输入节点和隐层节点数）,同时采用自适应交叉率、变异率与学习率,以增强网络的自适应能力与泛化能力,极大的减少人为主观因素对网络设计的影响。（5）改进了RBF网络最近邻中心学习算法。采用离散PSO优化方法,对最近邻中心学习算法进行了改进,解决了最近邻中心学习算法半径选择难、中心向量对样本输入次序依赖性强的不足。（6）提出了一种混合编码的MPSO-RBF学习方法。集成PSO与RBF技术,有效地解决了RBF中隐节点确定难问题,同时能全局地优化RBF网络参数（中心、宽度）与输出层权值,与现有RBF学习方法作了详细的对比研究,发现该方法学习后的RBF隐节点少,性能优越,并成功地应用于地震储层预测中。（7）提取地震储层模糊规则。根据优选后的地震属性,集成神经网络、模糊系统、进化计算,提出了一种GA-FNN网络,该模型物理意义明显,具有较高的透明度与可解释性,并成功应用于地震属性与储层厚度之间的模糊规则提取,形成专家决策知识。此外,为实现本文各种软计算集成方法,编写了大量的Matlab算法程序。本文研究成果和结论对软计算集成具有重要理论意义,对石油勘探、地震储层信息管理具有重要的指导意义与实用价值。
论文目录
摘要ABSTRACT第一章 绪论§1.1 研究的背景及意义1.1.1 研究的背景1.1.2 研究的意义§1.2 储层预测技术的发展与现状§1.3 储层预测信息管理中软计算的作用1.3.1 数据的挖掘和融合1.3.2 智能解释和数据分析1.3.3 聚类分析1.3.4 属性优化§1.4 研究的思路与主要研究内容1.4.1 研究思路1.4.2 主要研究内容第二章 软计算理论及其讨论§2.1 神经网络2.1.1 BP神经网络2.1.2 RBF神经网络2.1.3 自组织特征映射网络§2.2 模糊系统2.2.1 若干模糊概念2.2.2 模糊系统2.2.3 模糊逻辑系统的组成2.2.4 模糊逻辑系统的分类2.2.5 模糊系统的基本理论2.2.6 模糊建模2.2.7 模糊系统的一些难点问题§2.3 遗传算法2.3.1 GA运行过程2.3.2 GA中的几种编码方式2.3.3 GA适应度函数§2.4 模拟退火2.4.1 算法基本原理2.4.2 相关参数的选取2.4.3 算法基本步骤2.4.4 模拟退火算法特点§2.5 粒子群算法2.5.1 算法的基本原理2.5.2 算法的参数分析2.5.3 算法基本步骤本章小节第三章 软计算集成§3.1 软计算集成一般框架§3.2 模糊神经网络3.2.1 概况3.2.2.模糊系统与神经网络的联系3.2.3 模糊系统与神经网络的集成§3.3 进化神经网络3.3.1 进化神经网络主要集成方式3.3.2 进化神经网络一般思路§3.4 进化模糊系统3.4.1 集成模式3.4.2 集成类型3.4.3 遗传模糊聚类算法§3.5 进化模糊神经网络3.5.1 概述3.5.2 一种集成方式§3.6 混合进化计算3.6.1 GA-SA3.6.2 GA-PSO本章小节第四章 地震属性优化的集成软计算方法§4.1 地震属性及其分类4.1.1 地震属性的概念4.1.2 地震属性的分类§4.2 地震属性优化问题4.2.1 地震属性优化4.2.2 地震属性优化的必要性4.2.3 地震属性优化方法概述§4.3 基于GA-BP网络优化地震属性4.3.1 GA-BP网络优化地震属性流程4.3.2 GA设计4.3.3 BP网络设计4.3.4 实例研究§4.4 基于GA-FCM地震属性优化油井识别4.4.1 聚类与FCM聚类算法4.4.2 GA-FCM属性优化模型4.4.3 模型相关设计4.4.4 实例验证本章小节第五章 一种自适应BP网络及其在储层预测中的应用§5.1 两种SA-BP集成方式性能比较分析5.1.1 SA—BP模型方法5.1.2 仿真比较实验研究5.1.3 结论§5.2 一种动态全参数自适应BP神经网络模型5.2.1 引言5.2.2 模型相关设计5.2.3 自适应优化网络相关参数步骤§5.3 地震储层预测实例研究5.3.1 问题的描述5.3.2 利用地震属性预测的理论基础5.3.3 网络输入及样本设计5.3.4 网络效果比较研究5.3.5 结论本章小节第六章 两种PSO-RBF集成方式研究§6.1 RBF网络常用的学习算法及存在的问题6.1.1 基于K-Means聚类的RBF学习算法6.1.2 正交最小二乘法OLS的RBF学习算法6.1.3 最近邻聚类的RBF学习算法6.1.4 基于梯度下降法的RBF学习算法§6.2 一种基于离散粒子群的自适应RBF网络模型6.2.1 离散粒子群6.2.2 模型相关设计6.2.3 算法步骤6.2.4 算法流程图6.2.5 仿真实验§6.3 一种基于MPSO-RBF混合学算法6.3.1 算法相关设计6.3.2 算法步骤6.3.3 仿真实验§6.4 基于MPSO-RBF的地震储层横向预测本章小节第七章 地震储层模糊规则提取的遗传模糊神经集成方法§7.1 基于Mamdani的遗传模糊神经集成7.1.1 一种GA-BP FNN模糊神经网络7.1.2 GA-FNN模型相关设计7.1.3 GA-FNN集成算法步骤§7.2 基于GA-BP FNN地震储层模糊规则提取7.2.1 样本及数据7.2.2 FNN映射结果7.2.3 模糊规则提取本章小节第八章 结论与展望§8.1 结论§8.2 主要创新点§8.3 展望致谢参考文献
相关论文文献
标签：软计算集成论文; 地震信息论文; 储层预测论文; 信息管理论文; 决策论文;
