论文部分内容阅读
油气识别是油气测井评价的重要内容。利用测井资料准确识别油气层，在油气藏的勘探与开发中具有重要的现实意义。然而，由于油气储层中测井曲线受储层岩性、地层水性和储层非均匀性、复杂性影响较大，造成含油气储层测井曲线异常特征不明显，容易导致测井解释的多解性。提高解释的精度和研究解的唯一性是测井解释的一个重要研究方向。
在进行油气储层识别时，通常是引入多种测井曲线，综合利用多种测井参数对储层进行识别。如何在众多测井曲线中优选出与储层关系最为密切的测井曲线是一个关键的问题。粗糙集(RS)理论是波兰学者Z.Pawlak教授在1982年提出的，为研究对不完整数据进行分析，发现数据间的关系，提取有用属性，简化信息处理提供了一个有力的工具。
人工神经网络在模式识别方面具有较强的非线性映射能力和容错性能，被广泛应用于油气储层识别。BP(Back-Propagation)神经网络是被广泛应用的神经网络模型之一，但是BP网络存在着收敛速度慢、易于陷入局部极小、结构设计复杂等缺点，尤其在解决样本量大的问题时，效果不理想，在实际应用中存在着局限性。遗传算法(GA)(Genetic Algorithm)是模仿生物进化机制发展起来的随机全局搜索和优化方法。本文利用自适应遗传BP网络进行油气储层识别，以基于粗糙集理论优化后的测井曲线作为网络的输入，用自适应遗传算法对神经网络的初始权值和阈值进行优化，动态构建适用于油气识别的神经网络。该方法将遗传算法和BP神经网络结合起来，集中了遗传算法全局搜索能力强和BP神经网络局部收敛速度快的优点，克服了BP神经网络容易陷入局部极小值的问题。并且在进行遗传操作的过程中，算法能够自适应的调整交叉率和变异率，有效的解决了基本遗传算法收敛性差，易早熟的缺点。应用构建的神经网络模型，提取中国西北雅克拉地区已知目标层的A井的测井信息。以油、气、水层为识别目标，构建样本空间，对储层进行识别，获得良好效果。