论文部分内容阅读
现代化油藏管理和提高采收率的需要对建立储层模型的准确性和精细化程度的要求越来越高。目前新兴的数据挖掘技术提供了强有力的数据处理及建模技术。本文提出用数据挖掘技术来分析储层数据，以建立合适的储层模型。应用数据挖掘方法直接从真实的生产数据入手，即可避开实际异常复杂不确定的地下储层，又能建立较真实储层模型。
论文所做的研究工作和创新主要体现在以下几个方面：1.分析了遗传算法和模拟退火算法基本特点、原理和具体步骤并提出了改进方法；研究了神经网络模型和随机规划方法，其中详细论述了前馈神经网络、BP算法和随机规划的三种数学模型，并以此作为储层参数的数学模型。
2.为提高模型的性能本文提出将混合建模技术应用于储层建模。在实际应用中单纯的一种方法往往难以建立高效的储层模型，将多种建模技术相互融合，使之取长补短以达到较好的预测效果。其中主要研究了遗传算法-模拟退火算法混合策略、模拟退火-单纯形算法混合策略和神经网路混合策略。
3.提出混合遗传算法的神经网络模型。采用结合神经网络的改进遗传算法来对储层参数进行预测。实验证明该方法符合实际应用的需要，也验证了算法的有效性。
4.提出基于GA和ANN的随机规划模型。采用随机规划与人工神经网络模型相结合的建模方法，设计了一种改进的遗传算法作为随机规划模型的解法，并把这种方法用于储层参数的预测。实验表明该模型具有较强的预测能力和实用性。