pnn神经网络在地震反演中的应用

《pnn神经网络在地震反演中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2011年第1期内蒙古石油／L．r-25PNN神经网络在地震反演中的应用吴俊林，曹江辉(成都理工大学信息工程学院，四JII成都610059)摘要：本文论述了基于PNN神经网络的地震反演技术的基本原理和流程，对其中的关键技术环节做了初步探讨。神经网络可以实现地震数据和测井数据之间的复杂关系，从而可以反映储层参数之间的关系，有利于推测地下岩层的物性参数。利用神经网络技术反演得到结果在预测了储层的发育上具有一定的前景。关键词：概率神经网络；地震反演；波阻抗中图分类号：TPl83：P631．8+15文献标识码：A文章编号：1006—7981(2011)1一0025一031概述难用确定的函数

2、加以定量描述，那么可以实现输入近年来神经网络以其非线性大规模并行分布处与输出之间的复杂非线性映射的神经网络就很适合理、自组织、自学习能力引起了许多专家的重视[1]，求解这类问题【2]。在理论和实践方面有了很多新的成果，为各个科学2人工神经网络法反演领域中许多难题的解决提供了前景。在地球物理方目前，人工神经网络在地球物理勘探应用中，面，神经网络不仅在提取地震记录的初至波、识别势BP模型占了很大一部分，主要用来处理数据以及岩场特征以及地震模式、分析石油储层伤害等方面有性识别和波型识别，从而对地层分层和估算地层孔了很多的应用，在反演方面也有了新的进展。地震勘隙度。由于BP神经网络用于函数

3、逼近时存在局部极探由分析地下的构造解释开始，发展到利用地震信小和收敛速度慢等缺点，考虑利用概率神经网络代息来判断岩性，定量计算岩层的物性参数如厚度、孔替BP神经网络，进行地震反演。概率神经网络与BP隙度等来寻找油气的有利区块，在这个过程当中产网络相比最大的不同在于，隐藏层的转换函数不同，生了波阻抗、速度、密度、孔隙度、渗透率、泊松比等输出层的神经元为竞争层的神经元，如果要实现同多种参数的反演方法。由于地震数据和测井数据都一个功能，概率神经网络的神经元个数可能要比BP是利用现有技术得到的地质体的各种性质的直接反网络的神经元个数要多，但是所需要的训练时间却应，它们之间存在着密切的联系，

4、这种复杂的关系很比前向BP网络的要少。·o●’矿·‘■-、，-‘·o-o-‘矿，·__o矿·’-o矿·o●‘、-，o·-o_—o··一_—’·—I·-I'—I·—’··一_—。-·_一-_—’'．一’'—·'_’_·'—’’·_-I‘套。1998年使用了85套，截止2009年合计共使用便。600套。一套装有套气回收装置环空测试井口装置3．2装配有套气回收装置的KH62／32—21多功能价格比装配其它较为繁锁且需要伴热系统的套气回环空测试井口装置可具有原有井口的各种油井作业收装置的偏心井口价格低近1000元，年共节约资金功能。20万元。同时如果每套伴热系统每年耗电近4kw·3．3此装

5、置在各种环境温度条件下无需任何伴热h，那么该套装有套气回收装置环空测试井口装置装置，节约能源，具有良好的经济效益和社会效益，在节约能源方面取得了可观的经济效益。试验表明，值得广泛推广应用。此装置达到了设计要求，对原井口所具有的各种功[参考文献]能及油井作业没有影响，同时将回收天然气进行利用，节约能源，有效地解决了北方油田冬季寒冷天气[1]SY／T5127—2002井口装置和采油树规范．情况下套气回收系统需要伴热的复杂结构等问题。中华人民共和国石油天然气行业标准．3结论[2]单向阀．新编液压工程手册(上册)[M]．北京：3．1偏心井口套气回收装置结构简单，操作维修方北京理工大学出版社

6、．收稿日期：2010一11—15作者简介：吴俊林(1983一)，男，山西忻州人，汉族。硕士，主要从事测井和地震资料反演法的应用。26内蒙古石油化工2011年第1期概率神经网络(ProbabilistieNeuralNet．m一输出层神经元个数。works，PNN)是一种基于概率统计思想和Bayes分3实例分析神经网络地震反演的核心是建立已有类规则构成的分类神经网络，吸收了径向基神经网测络与经典的概率密度估计原理的优点，是以Parzen井的各种曲线信息与井旁地震道以及由地震道窗口函数为激活函数的一种前馈网络模型。它具有得到的地震属性之间的隐含的映射关系，通过神经计算复杂度低、结构简单

7、等特性，收敛速度快，能够网络模型的自学习，获取信息中隐含的知识，得到相以任意精度逼近任意连续函数[3]，得到广泛应用；无应的数学模型，从而利用神经网络技术反演得到储论分类问题多么复杂，只要有足够多的训练数据，它层参数数据体[6]。在采用概率神经网络反演时，进行的结果总收敛于Bayes，得到优化解，稳定性好；直接地震层位标定和建立合适的神经网络是反演的重考虑样本空间的概率特性，以样本空间的典型样本点，其流程图如图2所示。作为隐含层的节点，一经确定就不需要进行重新训练，只