径向基神经网络优化及在储层敏感性定量预测中的应用

• 作者: 吴雄军 景海峰 蒋官澄 谢水祥 赵琳
• 来源期刊: 油气地质与采收率
• 学科: 工学
• 关键词: 储层敏感性 径向基神经网络 补充节点 散布常数 训练精度 收敛性
• 年，卷（期）: 2012,（1）
• 所属期刊栏目: 油气藏工程
• 页码范围: 107-110
• 分类号: TE353.3
• 字数: 3578字
• 语种: 中文
• DOI: 10.3969/j.issn.1009-9603.2012.01.029

摘要

径向基(RBF)神经网络法具有网络结构简单、逼近能力强和学习速度快等优点,已成为最具发展潜力的储层敏感性智能预测方法之一,但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题.通过在输入层中引入补充节点,对网络拓扑结构进行优化,有效地提高了RBF神经网络的逼近精度和泛化能力.在确定储层敏感性主要影响因素的基础上,通过对径向基函数散布常数的优选,进一步优化了RBF神经网络的性能.采用所收集的胜利、辽河、大港及江苏油田共125组数据,进行了神经网络训练和预测检验,优化了RBF神经网络,并在储层敏感性预测方面进行了应用.结果表明,对于训练集内的样本,预测的平均准确率均大于93.79％,且预测值与实验值的相关系数均大于0.995；对于训练集外的样本,预测的平均准确率大于91.59％,预测值与实验值的相关系数大于0.994,实现了对储层敏感性的准确、定量预测.