论文部分内容阅读
本文是围绕地下油气储层的识别展开的一系列研究工作。就目前的测井解释而言，常规方法在油气识别中的实际应用效果不尽人意，精度不够高，预测结果与实际结果有时相差较大，从而造成资源和资金的浪费。因此，建立一种快速、有效地油气储层识别模型，对提高油气产量、降低开发成本具有重要的意义。
油气探测信息是多源、多参数、多侧面的耦合信息，其信息量大、样本空间复杂，且探测信息与探测目标不具备完全一致性和因果性，因此油气模式识别呈复杂的非线性动态随机过程，难以建立合适的数学模型。人工神经网络和遗传算法(GA)是解决上述非线性不确定问题的有力工具。BP神经网络模型是在油气识别、工程测井等领域广泛应用的神经网络模型之一，但存在训练时间较长、收敛速度较慢、易陷入局部最小等问题，使其在实际应用中存在局限性。GA是一种全局优化策略，只需要适应值函数来指导搜索，可为其它方法提供全局搜索服务。
为了寻求一种有效的油气储层识别模型，使得能够处理大信息量、复杂样本空间油气信息，本文提出改进的遗传BP神经网络方案，利用改进GA全局搜索问题解的特性对BP神经网络的权值进行快速优化，约束BP神经网络训练学习过程。研究表明，相对于基本BP算法和基本遗传BP算法，改进的遗传BP算法具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。
本文所做的工作主要包括以下几方面：
1、详细阐述了将GA与BP神经网络相结合的遗传BP神经网络模型。以BP算法作为底层，以GA作为上层，先将权值用GA训练，较快地搜索到最优解附近，给BP算法提供较好的初始值，然后采用BP算法搜索出最优解。
2、研究了遗传BP算法的改进算法。引入郭涛算法、高斯变异、自适应搜索子空间等方法对基本遗传算法进行改进；引入遗传算法中群体的概念和Gauss变异对BP算法中的学习率和冲量系数进行动态调整。
3、通过对标准样本和不同规模油气样本空间的神经网络训练对比，表明了改进遗传BP算法在收敛速度和精度上较基本BP算法和基本遗传BP算法均有很大提高，特别地，对于复杂大样本空间油气信息训练具有优势，验证了改进遗传BP神经网络在油气储层识别的可行性和高效性。