常规曲线裂缝相识别

常规曲线裂缝相识别

ID:32886127

大小:203.00 KB

页数:4页

时间:2019-02-17

常规曲线裂缝相识别_第1页
常规曲线裂缝相识别_第2页
常规曲线裂缝相识别_第3页
常规曲线裂缝相识别_第4页
资源描述:

《常规曲线裂缝相识别》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、常规曲线裂缝相识别尽管裂缝在各常规曲线上具有相应的响应特征,很难找到一个线性关系式或通过逻辑判断来进行常规曲线裂缝解释。本次研究,在上述成像测井裂缝解释成果作为标定的基础上采用自适应能力很强的神经网络方法进行了裂缝相识别。人工神经网络(ArtificialNeuralNetwork.简称ANN)是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络,具有高度

2、的非线性,能够进行复杂的逻辑操作和非线性关系实现的系统。典型的神经网络结构如图4-2所示。在众多的人工神经网络模型中,最常用的是BP(BackPropagation)模型,即利用误差反向传播算法求解的多层前向神经网络模型。BP网络在故障诊断、模式识别、图像识别、管理系统等方面都得到了广泛的应用。图4-2  典型的神经网络结构图 (3)裂缝密度解释(图4-4):与裂缝相识别相似,利用5口具有成像测井解释成果的井作为网络训练数据解释裂缝密度,网络输入数据同样为自然伽马、深浅侧向电阻率及其幅度差、密度、声波时差及补偿中子,并

3、对输入曲线进行主组分变换。但由于成像资料与常规测井探测深度的差别,二者在裂缝密度定量解释上差别更大些,相关系数为0.46,对于裂缝解释来说相关系数属正常。上述常规测井裂缝解释只能对高角度裂缝及低角度裂缝进行识别,无法对高角度裂缝进行方位分组解释(由于常规曲线无方位信息),其解释的高角度裂缝密度仍不能满足分组建立高角度裂缝模型的需要。研究过程中,曾尝试求取来自成像测井解释的各方位裂缝密度曲线与相应方位断裂距离的关系,进而计算各井的不同方位裂缝密度,但因二者的级差太大,导致相关性很差。最终采用统计方法按方位分解高角度裂缝密

4、度曲线,即根据成像测井各方位裂缝密度所占比例(Ne:Ns:Nw=8.5:6:1)将高角度裂缝密度曲线分解为Ne、Ns、Nw三个方向的裂缝密度曲线。 首先需要进行知识的获取,将数据分为两部分,一部分用于训练网络,另一部分用于测试。将训练网络的数据按一定顺序编码,分别赋给网络输入、输出节点,通过神经网络学习算法对样本进行学习,经过网络内部自适应算法不断修正权值,直到达到所要求的学习精度为止。此时在大量神经元之间联结权值上就分布着专家知识和经验。训练完毕后,再将测试网络的数据从初始状态出发,向前推理,将显示出的故障结果与实际

5、的测试数据结果相比较,如果误差很小,说明网络的权值建立正确;如果误差较大,说明网络的权值建立有误,需要重新进行网络的训练。将训练样本训练完毕后,即可对各井进行预测判断。只要实际输入模式接近于某一个训练时的学习样本的输入模式,则可产生出接近学习样本的输出结果,也就是所谓的自联想功能。同时,由于网络计算上的大量并行性,当机器运行状况改变,出现网络学习未考虑的情况时,系统亦能给出正确分类结果。同时将新数据并入网络,实现系统的自适应。一般来说,学习的样本越多,诊断结果的准确率越高。BP算法因其简单、易行、计算量小、并行性强等优

6、点,是目前神经网络训练采用最多也是最成熟的训练算法之一。BP算法的实质是求解误差函数的最小值问题,由于它采用非线性规划中的梯度下降法(GradientDescent),按误差函数的负梯度方向修正权值。其主要思路是如果求出训练网络的指标函数误差: 一般的BP算法称为标准误差逆传播算法,也就是对应每一次输入都校正一次权值。这种算法不是全局误差意义上的梯度下降计算。对各个神经元的输出求偏导数,那么就可以算出误差对所有连接权值的偏导数,从而可以利用梯度下降法来修改各个连接权值。真正的全局误差意义上的梯度下降算法是在全部训练模式

7、都学习完后才校正连接权和阈值。利用5口具有成像测井解释成果的井作为网络训练数据,网络输入数据为自然伽马、深浅侧向电阻率及其幅度差、密度、声波时差及补偿中子,为避免曲线之间各自的相关性对网络训练的影响,对输入曲线进行主组分变换,即正交变换,网络训练的相关系数为0.67,对于裂缝解释来说相关系数比较高。神经网络裂缝相训练相关系数表  裂缝相识别结果与成像测井解释结论有较好的对应关系(图4-3),只是裂缝相识别的裂缝发育段多于成像测井解释结论,分析原因为,由于本区裂缝非常发育,而成像资料的探测半径相对于常规测井来说非常小,常

8、规曲线能够探测到成像测井探测不到的裂缝存在。图4-3  常规曲线裂缝相识别结果  (3)裂缝密度解释(图4-4):与裂缝相识别相似,利用5口具有成像测井解释成果的井作为网络训练数据解释裂缝密度,网络输入数据同样为自然伽马、深浅侧向电阻率及其幅度差、密度、声波时差及补偿中子,并对输入曲线进行主组分变换。但由于成像资料与常规测井探测深

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。