基于人工神经网络的储层参数预测研究

论文摘要

非线性时间序列预测是近年发展起来的一个备受关注的研究领域。传统的预测方法已经越来越不适应现代要求，由于非线性系统本身的复杂性和神经网络技术良好的适应性，基于人工神经网络的预测前景广阔。因此本文采用神经网络的方法进行石油储层参数的预测。提高储层参数预测的精度对于提高油田采收率、延长油田开发年限具有重要意义。(1)首先，本文阐述了一些基本的神经网络算法，其中着重研究了广义回归神经网络算法和Elman型回归神经网络算法。(2)然后，本文介绍了利用这两种算法进行预测建型，并研究了模型的稳定性和推广能力。除此之外，还比较了GRNN与BP网络和RBF网络的优缺点。(3)在神经网络石油储层参数预测的实际应用中，对遇到问题进行了详细的分析与探讨，突出的问题是训练样本大、训练时间长、收敛速度慢。(4)为了克服上述不足，本文提出将蚁群算法用于Elman型回归网络的算法中，对实际储层参数的仿真预测结构表明，该模型能够有效提高网络精度，具有良好的稳定性和适应能力，其预测性能明显优于单纯的Elman型回归网络。试验结果表明，基于人工神经网络的储层参数预测是可行的和有效的，利用神经网络进行储层参数预测对于有效指导油田开采具有较大的参考价值。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的和意义
• 1.2 国内外研究现状
• 1.3 本文主要研究内容
• 第2章 神经网络用于预测的基本概念
• 2.1 预测的基本概念
• 2.1.1 预测的概念
• 2.1.2 预测的基本步骤
• 2.1.3 预测的方法
• 2.2 神经网络的基本概念
• 2.2.1 人工神经网络的概念
• 2.2.2 神经网络的互连模式
• 2.2.3 神经网络的仿真、学习与训练概述
• 2.2.4 神经网络的特性
• 2.3 神经网络在预测建模中的优势
• 2.3.1 现有参数数据的问题
• 2.3.2 神经网络在预测建模中的优势
• 2.4 神经网络预测储层参数的总体思想
• 2.5 本章小结
• 第3章 几种常用神经网络模型
• 3.1 BP神经网络
• 3.1.1 BP网络结构
• 3.1.2 BP算法
• 3.1.3 BP算法的缺点
• 3.2 径向基神经网络
• 3.2.1 RBF网络的基本结构
• 3.2.2 RBF的映射关系
• 3.3 广义回归神经网络模型
• 3.3.1 GRNN基本理论
• 3.3.2 GRNN模型结构
• 3.3.3 GRNN学习算法
• 3.4 Elman神经网络预测概述
• 3.5 神经网络建模的评判标准
• 3.5.1 神经网络的泛化能力
• 3.5.2 效果评价标准
• 3.6 本章小结
• 第4章 基于GRNN网络的储层参数横向建模
• 4.1 GRNN与BP网络及RBF网络的比较
• 4.1.1 GRNN建模的结果分析
• 4.1.2 GRNN与BP网络的仿真比较
• 4.1.3 GRNN与RBF的仿真比较
• 4.1.4 GRNN的优点
• 4.2 GRNN横向建模的设计
• 4.3 建模设计的实施
• 4.3.1 数据的准备
• 4.3.2 神经网络结构设计
• 4.3.3 神经网络模型结构的保存及测试
• 4.4 本章小结
• 第5章 基于Elman网络的储层参数纵向建模
• 5.1 Elman神经网络纵向建模的设计
• 5.1.1 时间序列预测技术
• 5.1.2 Elman建模设计
• 5.2 纵向建模的设计实施
• 5.2.1 Elman网络中间层神经元个数的设计
• 5.2.2 训练指标的选取
• 5.3 Elman网络的不足
• 5.4 本章小结
• 第6章 Elman网络的改进
• 6.1 蚁群优化算法
• 6.1.1 蚁群算法的基本原理
• 6.1.2 蚁群算法的特点
• 6.1.3 基于蚁群优化算法过程
• 6.2 蚁群算法与神经网络相似性
• 6.3 基于蚁群优化算法建型实施
• 6.4 ACO-Elman与Elman结果比较
• 6.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢