| 【中文题名】 | 基于人工神经网络的储层参数预测研究 |
| 【英文题名】 | Reservoir Parameter Prediction Modeling Research Based on Neural Network |
| 【学科专业】 | 模式识别与智能系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 预测,神经网络,时间序列,蚁群算法,, |
| 【英关键词】 | prediction,neural network,times series,ant colony algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【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... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-10 |
|
第1章 绪论 |
10-13 |
|
1.1 研究的目的和意义 |
10 |
|
1.2 国内外研究现状 |
10-12 |
|
1.3 本文主要研究内容 |
12-13 |
|
第2章 神经网络用于预测的基本概念 |
13-24 |
|
2.1 预测的基本概念 |
13-15 |
|
2.1.1 预测的概念 |
13-14 |
|
2.1.2 预测的基本步骤 |
14 |
|
2.1.3 预测的方法 |
14-15 |
|
2.2 神经网络的基本概念 |
15-20 |
|
2.2.1 人工神经网络的概念 |
15-16 |
|
2.2.2 神经网络的互连模式 |
16-18 |
|
2.2.3 神经网络的仿真、学习与训练概述 |
18-20 |
|
2.2.4 神经网络的特性 |
20 |
|
2.3 神经网络在预测建模中的优势 |
20-21 |
|
2.3.1 现有参数数据的问题 |
20-21 |
|
2.3.2 神经网络在预测建模中的优势 |
21 |
|
2.4 神经网络预测储层参数的总体思想 |
21-23 |
|
2.5 本章小结 |
23-24 |
|
第3章 几种常用神经网络模型 |
24-41 |
|
3.1 BP神经网络 |
24-26 |
|
3.1.1 BP网络结构 |
24-25 |
|
3.1.2 BP算法 |
25-26 |
|
3.1.3 BP算法的缺点 |
26 |
|
3.2 径向基神经网络 |
26-28 |
|
3.2.1 RBF网络的基本结构 |
26-27 |
|
3.2.2 RBF的映射关系 |
27-28 |
|
3.3 广义回归神经网络模型 |
28-35 |
|
3.3.1 GRNN基本理论 |
29-32 |
|
3.3.2 GRNN模型结构 |
32-33 |
|
3.3.3 GRNN学习算法 |
33-35 |
|
3.4 Elman神经网络预测概述 |
35-37 |
|
3.5 神经网络建模的评判标准 |
37-40 |
|
3.5.1 神经网络的泛化能力 |
37-39 |
|
3.5.2 效果评价标准 |
39-40 |
|
3.6 本章小结 |
40-41 |
|
第4章 基于GRNN网络的储层参数横向建模 |
41-53 |
|
4.1 GRNN与BP网络及RBF网络的比较 |
41-44 |
|
4.1.1 GRNN建模的结果分析 |
41-42 |
|
4.1.2 GRNN与BP网络的仿真比较 |
42-43 |
|
4.1.3 GRNN与RBF的仿真比较 |
43-44 |
|
4.1.4 GRNN的优点 |
44 |
|
4.2 GRNN横向建模的设计 |
44-46 |
|
4.3 建模设计的实施 |
46-51 |
|
4.3.1 数据的准备 |
46-48 |
|
4.3.2 神经网络结构设计 |
48-51 |
|
4.3.3 神经网络模型结构的保存及测试 |
51 |
|
4.4 本章小结 |
51-53 |
|
第5章 基于Elman网络的储层参数纵向建模 |
53-62 |
|
5.1 Elman神经网络纵向建模的设计 |
53-56 |
|
5.1.1 时间序列预测技术 |
53-54 |
|
5.1.2 Elman建模设计 |
54-56 |
|
5.2 纵向建模的设计实施 |
56-60 |
|
5.2.1 Elman网络中间层神经元个数的设计 |
56-59 |
|
5.2.2 训练指标的选取 |
59-60 |
|
5.3 Elman网络的不足 |
60-61 |
|
5.4 本章小结 |
61-62 |
|
第6章 Elman网络的改进 |
62-69 |
|
6.1 蚁群优化算法 |
62-66 |
|
6.1.1 蚁群算法的基本原理 |
62-63 |
|
6.1.2 蚁群算法的特点 |
63-64 |
|
6.1.3 基于蚁群优化算法过程 |
64-66 |
|
6.2 蚁群算法与神经网络相似性 |
66 |
|
6.3 基于蚁群优化算法建型实施 |
66-67 |
|
6.4 ACO-Elman与Elman结果比较 |
67-68 |
|
6.5 本章小结 |
68-69 |
|
结论 |
69-70 |
|
参考文献 |
70-75 |
|
攻读硕士学位期间发表的论文和取得的科研成果 |
75-76 |
|
致谢 |
76 |
|
| 【DOI】 | LunWen.ID:2.2008.388833 |
