10.3969/j.issn.1673-5005.2017.02.009
基于离散过程神经网络页岩油气储层有机碳含量预测
受地层岩性变化影响,传统方法进行有机碳含量(TOC)拟合预测精度偏低.为提高TOC拟合精度,减小普通神经网络对连续信号的时间累积误差,提出一种极限学习离散过程神经网络的TOC拟合预测模型.模型用向量模拟过程式输入,内部通过抛物插值的数值积分完成离散样本的时域聚合.通过对离散过程神经元的结构分析,提出极限学习训练算法,在隐层相关参数随机赋值后,通过Moore-Penrose广义逆求解输出权值,模型学习速度快.最后将该方法应用于TOC拟合预测,利用相关性分析,选取对TOC响应最敏感的测井曲线作为模型的特征输入.与传统方法和其他神经网络对比,该方法的拟合精度较高,预测TOC与实测值有更好的相关性.
总有机碳、离散过程神经网络、网络训练、Moore-Penrose广义逆
41
TE122.1(石油、天然气地质与勘探)
国家自然科学基金项目41602141,41402109,41330313
2017-06-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
80-87