典型的多层神经网络模型,神经网络储层建模设计
隨機建模的方法和步驟［4］
。
隨機建模（StochasticModeling）方法承認地質參數的分布有一定的隨機性，而人們對它的認識總會存在一些不確定的因素，因此建立地質模型時考慮了這些隨機性引起的多種可能出現的實際情況，供地質人員選擇。
隨機建模方法認為，在現有技術情況下，對地下儲層的認識存在一定的不確定性，一是已知資料控制點有限，以300m井距井網為例，井孔提示的儲層體積所占整個儲層體積，以百萬至千萬分之一數量級計，絕大部分儲層性質是依靠這些少數已知點去推測的；二是描述這些控制點儲層性質的技術本身還存在一定的誤差，如測井解釋滲透率，經常可達數倍的誤差。
隨機建模方法同時又認為，作為地質體的儲層，其各項屬性的非均質分布，由于其有一定的地質成因，應存在一定的地質統計特征，用這一地質統計特征去表征儲層非均質性的總體面貌，而不追求每一個預測點的確定的數值，仍然在一定時間、一定條件下可以為油氣田開發提供合理的地質模型，保證流體流動模擬的可信和開發決策的正確。
8.1.3.1隨機建模的類別儲層隨機建模通常又分為條件模擬和非條件模擬。
其根本區別在于條件模擬較非條件模擬不僅要求模擬產生的儲層隨機圖像（包含儲層分布和物性等方面信息的圖像）符合實際資料所觀測到的儲層屬性空間分布的相關結構（地質統計特征），而且要求在井位處（或資料點處）的模擬結果與實際資料一致。
通常講的隨機模擬一般指條件模擬。
隨機模擬方法分為以下兩類：1）離散性模擬方法：離散性模擬主要建立儲層巖相的分布模型，用來描述離散性的地質特征，包括確定儲層、隔層、砂體（儲滲體）的空間分布邊界和空間幾何形態等。
實際上就是實現氣藏描述中的儲層分布預測。所采用的模擬方法包括：示點性過程模擬、馬爾可夫-貝葉斯指示模擬、序貫指示模擬、鑲嵌過程模擬、截斷高斯模擬等方法；對于非條件模擬，則可采用布爾模擬。
2）連續性模擬方法：連續性模擬主要建立巖相邊界控制下的儲層參數（孔隙度、滲透率、含水飽和度、泥質含量、碳酸鹽含量等）的分布模型，即油氣藏描述中的儲層參數預測。
所采用的模擬方法包括：退火模擬、序貫指示模擬、分形隨機函數法、高斯隨機函數法以及馬爾可夫隨機域法等。對于非條件模擬，則可采用轉帶法。
8.1.3.2儲層隨機建模的基本步驟儲層建模工作的實施主要包括以下三個基本步驟。
（1）建立儲層原型模型建立儲層原型模型是隨機建模的基礎，所謂原型模型就是儲層的實體地質模型，任何油藏（儲層）描述方法都是只由零散信息對儲層實體所進行的一種推斷，這種推斷可以是確定性的（如地震儲層橫向預測），也可以是不確定性的（如統計推斷）。
在不了解地質實體的前提下，任何一次研究結果，只能看作一次對地質實體的隨機抽樣，抽樣結果的準確性依賴于統計的概率把握程度，這種把握程度只能來自于原型模型的建立。
儲層原型模型的建立就是為了構筑一個與實際儲層盡可能接近的儲層信息標準答案庫，從可見的實體模型描述入手，來建立各種地質知識庫（這其中包括了各種儲層的邊界和儲層參數的空間分布），建立相應的先驗概率知識，如參數分布的范圍、均值、方差、分布函數等。
只有這樣，儲層隨機建模才有依據。
原型模型的建立方法較多，目前主要采用的有：1）物理模擬——以水槽模擬為主要代表；2）野外露頭精細描述——國內外已廣泛開展；3）現代沉積研究——在沉積學領域已有大量實例，是構筑沉積學理論的重要基礎；4）密井網精細對比與描述——主要在老開發區進行；5）地震資料的確定性建模方法——主要依靠地震資料空間大信息量的優勢，依靠資料處理，確定儲層分布的宏觀模型，重點是砂體的分布，同時也能對儲層孔隙度、滲透率參數進行趨勢性的估計。
（2）建立儲層的隨機模型取得了儲層原型模型以后，就可以建立儲層的隨機模型，它是以反映儲層各項特征的參數統計為手段，建立相應的概率模型，如儲層厚度、孔隙度、滲透率、含油飽和度等參數的分布規律和空間結構。
對參數分布規律的認識主要以傳統概率統計為基礎，確定參數分布的大小范圍、均值、方差、分布函數類型等，進而對空間結構進行分析（變差函數的計算）。
通過對儲層特征建立隨機模型，可以把各種地質認識（定性描述）和觀測數據有機地結合起來，并可以反映由于信息缺乏而引起的不確定性。
在已經建立的隨機模型的基礎上，再進行隨機模擬，產生出反映儲層非均質性的一系列等概率實現。
每個實現就是一種可能的儲層參數的空間分布，它們之間的差異反映了隨機模型中所包含的不確定性，也就是我們常常談到的研究中的多解性問題。
（3）儲層的隨機模擬建立了儲層隨機模型后，就可以進行儲層的隨機模擬，隨機模擬分為條件模擬和非條件模擬兩種。
非條件模擬只是要求再現地質特征的空間分布規律及相關性，而條件模擬不僅要求再現地質特征的空間分布和相關性，而且還要求在抽樣位置上與實測數據一致或在指定位置上具有指定的特性。
對于不同的儲層屬性，具有不同的隨機模型，應采用不同的模擬方法。由于大型計算機的出現，使細網格和高維空間的模擬得以實現，在實際應用中，尋求一種快速有效的模擬算法成為眾多的研究者所探求的目標。
8.1.3.3儲層隨機建模的基本流程儲層隨機建模一般分為兩個階段進行，即先采用離散型模擬方法，建立儲層的骨架模型；然后在儲層骨架模型邊界的控制下，應用針對連續性變量（如儲層物性）的模擬方法建立儲層參數模型。
這就是目前大多數研究者使用的兩階段建模的基本流程。陳恭洋［4］根據兩階段建模的思路，提出了一個基本的隨機建模流程（圖8.1），該流程圖中包括了9個方面的研究內容。
圖8.1儲層隨機建模總體設計流程框圖［4］1）地層模型：以克里格插值技術為基本手段，主要研究儲層頂、底界面的空間展布特征，并通過地質統計對比確定小斷層帶的空間分布。大的斷層可由地震資料解釋予以確定。
該項研究主要提供后續儲層和油氣藏模擬的大的邊界信息。2）沉積相分析：包括大相和微相分析兩部分研究內容，并以后者為研究重點。
大相分析以區域沉積背景知識為指南，結合地震相的分析，明確研究工區較大范圍內的沉積體系及空間展布特征。最后確定出油氣藏范圍內儲層所處的相帶沉積部位，為微相研究奠定堅實的基礎。
微相分析重點研究沉積成因單元的結構要素及其組合型式以及它們的空間展布規律，為儲層隨機建模提供必要的地質先驗知識，主要依據沉積學的研究手段進行。
3）高分辨率層序地層分析：主要應用于油氣藏規模的儲層對比技術，依靠巖心和測井資料，進行開發階段的儲層表征中儲層的精細對比。
因為儲層巖性、幾何形態、連續性及巖石物理特征等是在沉積物堆積過程中產生的，精確的地層對比可以在四維空間中對這些特征有更清楚的認識，高分辨地層對比是識別非均質性的有效方法。
另外，具時間意義的地層界面通常與流體流動單元的巖石物理面相一致，可通過精細地層對比，劃分流動單元。隨著時間分辨率的提高，對地層形態和規模、相的位置和巖石物理特征的預測也就更加精確。
與沉積相的分析相結合，是目前油田覆蓋區建立儲層原型地質模型最有效的方法。
4）儲層巖相分布的離散型隨機模擬：這是儲層隨機建模的核心內容之一，一般作為儲層隨機建模的第一步，為儲層參數空間分布的連續性模擬提供邊界控制信息。
序貫指示模擬（SISIM）和示性點過程模擬（MPPS）被認為是兩種有效的研究方法。
序貫指示模擬以指示理論為基礎，將各種沉積微相帶視為空間分布的離散性隨機變量，進行地質統計學的條件模擬，其缺點是難以描述儲層的形態特征。
而示性點過程模擬是一種面向對象的方法，十分符合沉積學的思想和推理過程，將沉積學研究所認定的儲層砂體幾何形態、位置、大小、連通方式等儲層參數作為服從一定分布的離散型隨機變量，建立相應的隨機模型進行隨機模擬，其缺點是難以實現條件模擬。
將兩者有機地結合起來可能是一種好的途徑。5）測井和地震資料處理：這方面的技術已在現代油氣藏描述中被大量采用。
更重要的是補充建模時僅依靠井點信息的不足，使儲層建模不僅在油氣藏開發階段發揮重大作用，而且在勘探的各個時期也能充分發揮作用，提供新的儲層預測方法。
6）分形和地質統計學條件模擬：這是解決儲層參數空間分布的關鍵性模擬方法。地質統計學模型可以很好地刻畫儲層參數分布的空間結構和變異性。
而分形方法則能精確地表征儲層的非均質性，并能克服由克里金方法所帶來的光滑效應。兩者的結合已被大量的研究實例證明是一種有效的儲層預測途徑。
7）網格粗化：儲層建模階段的細網格模擬可以盡可能精細地提示儲層的非均質特征。但遺憾的是，在油藏動態模擬器中，由于受到目前計算能力的限制，難以接受這種細網格的參數輸入。
因此，必須進行網格的粗化，粗化的準則一般需要考慮到儲層孔隙容積和儲層的滲流能力（即孔隙度和滲透率），其中尤以儲層對流體傳導能力（滲透率）的近似最為關鍵。
8）油氣藏數值模擬動態擬合與靜態資料約束決策：這是對前述儲層隨機建模所產生的多幅等概率實現的圖像進行優選決策的過程。研究的重點并不在于動態模擬，因此無需考慮復雜條件下的數值模擬問題。
主要是對油氣藏壓力、產油氣量和含水率三項參數進行歷史擬合，并結合靜態地質資料的各項條件約束（包括儲層參數的統計規律和地質認識等），選取一個最符合動態和靜態條件的隨機圖像作為所建立的儲層地質模型。
這一模型是以各種參數場的形式所表示的。9）三維可視化：即將前面所建立的反映儲層地質模型的各種參數場通過計算機進行三維成像或制圖。
目前，三維可視化的研究與設計已經成為計算機成像領域中的一項熱門課題，它使所取得的成果大大地增強了油氣藏的研究與管理的可操作性和直觀性。
綜上所述，儲層建模實際上是對油田各類數據資料通過計算機技術進行有效的綜合。
因此，從地質角度上講，要形成一套比較先進而有效的建模方法，更大程度上還是要依賴于先進的地質、地球物理和分析測試資料處理技術來獲取可靠的輸入參數。
8.1.3.4儲層隨機建模的軟件系統在隨機模型方法和理論發展的同時，模擬軟件也得到了一定的發展，美國斯坦福大學、墨西哥礦業技術學院、荷蘭皇家/殼牌公司、雪飛龍公司、GeoQuest公司等都開發和研制了自己的地質統計學和儲層模擬軟件。
加拿大GeoStat系統公司和McGill大學聯合推出了智能模擬或專家系統軟件GeoStat，法國石油研究院和地質統計中心聯合開發的HERESIM軟件包也取得了較大的影響。
這些軟件的主要功能如下：1）以轉帶法和指示克里格法相結合，用于儲層的橫向和垂向對比，其數學基礎是Bessel函數和指示相關函數（美國墨西哥礦業技術學院開發TUBA軟件）；2）用于SGI圖形工作站的地質模型軟件，其特色是可以采取任意切片的方法來展現儲層孔隙度、滲透率和砂體在連續斷面或切片上的分布特征，其數理基礎是隨機模擬（美國Strata-Model公司研制SGM軟件）；3）以條件概率法為基礎設計，主要用于模擬砂巖油藏中的三維儲層的連通性和構形（荷蘭皇家/殼牌集團公司推出MONARCH軟件）；4）以BP神經網絡技術為主、依據地質統計學和地震特征進行隨機建模的軟件，其關鍵方法是分析并擬合儲層物理特性和巖石屬性的直方圖和變差函數分布，求出它的特征值，以建立數學模型（荷蘭Jason公司推出StatMod軟件）；5）將地質統計和智能模擬技術相結合，不僅包括各種數值運算、多元統計，還包含可引導、承擔、評價和推斷地質統計運行的知識和專家經驗。
因此，該軟件具有兩大特色：一是儲層地質特性模擬及立體化定量顯示；二是具有地質解釋中的專家知識和經驗（加拿大GeoStat系統公司和McGill大學聯合推出GeoStat系統）。
上述軟件都在各自的使用中發揮了很大的效益，也取得了不少有意義的成果。
盡管每套軟件各有側重，但考察它們的共同之處，主要體現在三個方面：①強調儲層描述的高度定量化，體現了油氣儲層研究已從定性發展到了定量的水平；②均從儲層骨架分布和儲層參數特征兩個方面進行建模，把握了儲層特征的關鍵要素；③體現了多學科、多信息的綜合研究趨勢。
因此，從儲層建模軟件的發展，也顯示出了儲層隨機建模在當前油氣勘探開發研究中的重要意義和良好前景。
谷歌人工智能寫作項目：小發貓
關于Matlab BP神經網絡建模的問題 50
假設輸入的是5個參數，輸出1個參數深度神經網絡怎么用。神經網絡的節點結構為5-N-1（N是中間層節點數，數目根據實驗效果確定，可選5~10個）關于輸入延遲，不清楚意思。
是否可以做這樣的數據處理：假設t時間的5個輸入數據和t+1時間的1個輸出數據對應，則以這一對數據作為訓練樣本，也不需要其理解神經網絡中的延時處理機制。
訓練函數寫法：net=train(net,t時間的輸入數據,t+1時間的輸入數據);。
遺傳神經網絡儲層參數預測
。
4.4.1網絡的識別過程由于地震勘探中廣泛采用三維地震、高分辨率勘探等新技術，資料處理中也引入了多種新的處理方法，使得綜合提取多種地震信息成為可能，使用這些信息進行儲層橫向預測的可靠性也有了很大提高。
利用地震信息解決巖性或儲層橫向預測問題，是現階段比較熱門的課題，已經取得了一些進展，但還沒有一種適用于各種地質情況的標準方法。本文使用的遺傳神經網絡識別方法也是一種嘗試。
利用多種地震信息，應用遺傳神經網絡方法進行儲層橫向預測的流程如圖4-6所示。
網絡識別所需要的裂縫、溶蝕孔洞、產能等參數的模式，以及模式井和預測井的模式級別等參數，參見第三章的3.3至3.4節中的相關內容。
特征提取中的參數包括統計特征、自相關特征及非線性特征等三大類19個過程提取參數。圖4-6神經網絡儲層預測流程圖4.4.2識別預測結果網絡預測的過程就是對所有已知和未知樣本進行不斷擬合的過程。
預測結果見圖4-7至圖4-9。網絡的訓練就是要通過對大量樣本的有監督學習，使連接網絡節點的權值更趨合理，其標志是相對誤差的收斂。
溶蝕孔洞網絡訓練次數達到6000次以上，產能預測網絡訓練次數達到8000次以上，裂縫訓練網絡需達到15000次。
所有網絡的訓練結果，均達到了0.05的規定相對誤差限，可以用來進行儲層參數和產能預測。用訓練好的網絡對原始訓練數據（模式井點的已知參數）進行預測稱為網絡回判預測。網絡回判率越高則預測結果可信度越高。
對已知井點的裂縫、溶蝕孔洞和產能的回判率分別為：90%、92%和88%。
圖4-7義和莊區塊碳酸鹽巖潛山儲層溶蝕分布預測圖圖4-8義和莊區塊碳酸鹽巖潛山儲層裂縫分布預測圖圖4-9義和莊區塊碳酸鹽巖潛山儲層產能分布預測圖。
油藏描述技術在油田開發中的應用
。
王德明 王賀林【摘要】 油藏描述技術自我國開始引進、發展以來，已在油田勘探、開發領域得到了廣泛的應用，尤其是“八五”以來新技術、新方法的應用和各生產、研究單位的攻關努力，使油藏描述技術有了明顯的進展；油藏描述定量化與半定量化研究內容和程度的豐富和提高，使儲層橫向預測技術、測井多井評價技術、儲層形態、儲層參數和含油性預測等方面的地質建模技術更接近地下實體；成果顯示的可視化程度和預測模擬技術進一步提高。
目前油藏描述技術已成為油田科技人員地質研究的重要手段。
【關鍵詞】 油藏描述 地震橫向預測 測井多井評價 隨機建模 神經網絡一、概述油藏描述是70年代末開始出現、80年代發展起來并在不斷完善的一項對油氣藏進行綜合研究和評價的新技術。
國內外學者對油藏描述技術都進行了不同的定義，國內大多數學者認為，油藏描述是把地質、地震、測井、生產測試和計算機技術等融為一體，對油藏的格架、儲層屬性及其內部的流體性質、空間分布等進行全面性的綜合研究和描述，最終建立一個三維、定量的油藏地質模型的一套綜合應用技術，從而為合理開發油（氣）藏制定開發戰略和技術措施提供必要的和可靠的地質依據。
國外首先提出油藏描述概念的斯倫貝謝測井公司認為，油藏描述技術服務（或油藏研究）以測井為主。
斯倫貝謝公司提出油藏描述應分為：①油田地質構造與儲集體幾何形態的研究；②關鍵井研究；③油田測井資料標準化；④測井相分析；⑤油田參數轉換與滲透率的研究；⑥井與井間的地層對比；⑦單井綜合測井地層評價；⑧儲集層參數的匯總與作圖；⑨計算油田的油氣地質儲量；⑩單井動態模擬；?測井數據庫的建立與應用等11個研究內容。
他們并提出，油藏描述的核心是測井油藏描述。
到1985年斯倫貝謝公司才將三維地震資料及VSP（垂直地震）資料引入到油藏描述的測井井間相關的研究中，但它所強調的油藏描述仍是以測井為主體模式的技術、多學科的協同研究及最終的儲層三維模型。
我國開始引進油藏描述（reservoirdescription）這一術語是在80年代中期，并從多方面開展了綜合研究攻關工作。
進入90年代，油藏描述工作在我國各大油田得到了全面開展，通過各油田、石油院校、研究單位的共同努力，逐步形成了一些適應我國陸相儲層和多斷塊特點的油藏描述方法，形成了以地質、地震、測井、綜合錄井、測試等資料為研究內容的油藏描述系統。
二、在油田開發中的應用油藏描述在油氣田應用較為廣泛，為更多的在油田開發領域工作的技術人員所接受，并逐漸完善、規范，形成了具有開發特色的油藏描述理論技術，如精細沉積微相研究技術、微構造研究技術、隨機建模技術、綜合儲層預測技術、綜合地質建模技術、裂縫預測技術、確定剩余油技術，等等。
為了更精確地研究油氣田開發過程中的地質變化、指導油氣田生產，我們應根據油氣田所處的不同的開發階段，提出不同的研究內容和技術要求。
也就是在油田發現、評價、開發、設計等開發準備階段，確定為早期油藏描述；在方案實施、調整等主體開發階段確定為主體階段油藏描述；在油田進入高含水期提高采收率階段確定為精細油藏描述。
1.早期油藏描述油田開發早期，油田剛被勘探發現確定，主要研究目的是油田的評價、開發設計，盡可能真實地描述地下狀況。
這一階段資料來源少，主要以應用地震、探井地質資料為主，其主要研究內容和技術包括：（1）以區域背景和地震資料為基礎，從成因分析入手，確定油藏的基本骨架（構造骨架、沉積骨架、地層骨架）；（2）以儲層沉積學為基礎，應用地質知識庫的沙體空間分布預測技術，應用比較沉積學原理，在正確分析沉積環境的基礎上，依靠古代和現代的同類型沉積類似物的已有地質知識來進行推理，進行儲層建模；（3）應用地震橫向預測資料建立概念地質模型；（4）以確定儲層骨架空間分布為重點的隨機建模技術；（5）油氣水分布確定。
2.主體開發階段油藏描述油田主體開發階段，也就是開發方案實施、監測、調整階段。這一階段工作的核心內容就是最大限度地提高二次采油的采收率，推遲三次采油甚至四次采油階段的到來。
這一階段鉆井、錄井、測井、測試資料豐富，油藏描述研究的內容具體豐富，主要內容可依據開發的需要分為二個小階段。
第一個小階段是主體開發初級階段油藏描述，具體研究內容包括以下7項：（1）構造落實；（2）地層劃分及對比，全區統層；（3）各種地質圖件（對比圖、剖面圖、柵狀圖、平面圖）的編制；（4）各種基礎數據的統計，分析整理，如沙體形態，長、寬延伸方向，連通程度，韻律性夾層類型、成因、分布、厚度、密度、頻率、滲透性裂縫發育狀況，發育的位置、巖性、層位、井段、強度、開啟性、作用等；（5）編制射孔方案從地質上分析儲量動用程度，打開程度的完善性根據儲層、油氣水分布確定射孔井段的位置檢查井身結構，固井質量；（6）編制配產配注方案儲層連通性，受益井多少儲層微觀孔隙結構及敏感性，提出注水水質要求分析高滲透帶可能造成的水竄性分析邊底水能量出砂；（7）編制措施治理方案（酸化、壓裂）儲層成巖作用，膠結物成分及含量現地應力大小及方向構造發育史，古地應力場演變，裂縫發育分布及方向等。
第二個小階段是主體開發中后期油藏描述，用越來越多的動態資料驗證靜態資料的準確性，修正地質模型，具體研究內容包括以下6項：（1）深化儲層沉積研究，通過動態、靜態資料的結合進行沉積相再認識，細分對比單元；（2）通過動態資料補充修改儲層的對比連通關系；（3）利用生產測試和試井資料驗證斷層及隔層的封閉性；（4）通過注采井見效快慢，評價儲層平面非均質性及儲層滲透率的方向性，進而預測注水波及效率及死油區的分布；（5）利用產液剖面、吸水剖面研究儲層水淹厚度，進行儲層層內非均質程度的再評價；（6）研究同一套開發層系內不同滲透率儲層的動用狀況，進行層間非均質性研究。
這一階段油藏描述的研究精度明顯提高，主要應用技術有：（1）小層劃分對比及全區統層技術；（2）落實構造系統，包括三維地震、地層傾角測井、鉆井地層對比、RFT測試、油氣水分布關系、注示蹤劑等；（3）測井多井儲層評價技術；（4）動態跟蹤研究；（5）測試方法綜合應用；（6）儲層靜態模型建立方法技術。
3.高含水期提高采收率油藏精細描述階段這一階段油田開發已進入后期，地下油氣分布減少而且零散。
因此這一階段油藏描述的主要特點是研究精度高，研究單位小，與動態結合更緊，計算機化程度高，預測符合率高，最終能更精確、直觀地描述地下狀況。
主要應用的技術、方法是：（1）微地質界面研究；（2）沉積微相、微流動單元研究；（3）儲層物性動態變化空間分布規律研究；（4）流動單元空間結構研究；（5）儲層預測隨機模型建立；（6）地質、油藏、數值模擬一體化研究剩余油分布規律。
隨著油藏描述技術的廣泛應用，一些新的技術、新的方法也得到了充分的應用，如地質統計分析、灰色系統分析、模糊數學、神經網絡及分析幾何學等，以及先進的計算機、工作站技術的普遍應用，從而使油藏描述技術的應用更加科學化、精細化和定量化，圖象顯示直觀可視化（圖1）。
圖1 現代油藏描述流程圖油藏描述技術的應用，為我們認識高含水、高采出油田的剩余油潛力分布狀況，低滲、稠油、構造巖性復雜油田投入開發進行概念設計，制定開發方案，提供了先進的技術和方法，并取得了很好的效果。
如“八五”以來應用現代油藏描述方法，對東河塘、丘陵、彩南、埕烏、小撈、塔中4等油田進行早期描述，編制概念設計，制定開發方案，不僅節約了資金而且創出了90年代開發工作新水平。
再者，應用精細油藏描述技術，對高含水油田進行研究，指導對重點519個區塊開展了控水穩油工作，年平均含水上升率由1990年的1.9%降到1995年的0.25%，自然遞減率一直控制在14%以內，綜合遞減率控制在7%以內，創造了顯著的經濟效益。
三、今后的發展方向油藏描述技術是一種多學科交叉，地震、測井、石油地質、隨機模擬和計算機科學相互綜合應用的技術；油藏描述技術今后的發展應用，主要是解決地下復雜地質體模式判別問題、油藏參數空間分布、連續定量反應問題、儲層流體滲流動態顯示問題、最優工程方案確定問題等。
因此油藏描述的發展趨勢關鍵取決于提高多學科協同分析地質問題的綜合程度，隨著模擬技術的深入應用和計算機功能的高速發展，用更準確的模型來實現對儲層結構和油藏參數的高精度預測會是不久的將來的事。
如何建立bp神經網絡預測 模型
。
建立BP神經網絡預測模型，可按下列步驟進行：1、提供原始數據2、訓練數據預測數據提取及歸一化3、BP網絡訓練4、BP網絡預測5、結果分析現用一個實際的例子，來預測2015年和2016年某地區的人口數。
已知2009年——2014年某地區人口數分別為3583、4150、5062、4628、5270、5340萬人執行BP_main程序，得到[2015,?5128.呵呵3946380615234375][2016,5100.5797325642779469490051269531]代碼及圖形如下。
小波神經網絡的建模怎么確定隱含層的神經元個數
確定隱層節點數的方法為“試湊法”。隱含神經元的數目是非常重要的，它的選取結果直接影響到網絡的性能好壞。
如果隱含層的神經元數量太少，網絡就不能夠很好的學習，即便可以學習，需要訓練的次數也非常多，訓練的精度也不高。
當隱含層神經元的數目在一個合理的范圍內時，增加神經元的個數可以提高網絡訓練的精度，還可能會降低訓練的次數。
但是，當超過這一范圍后，如果繼續增加神經元的數量，網絡訓練的時間又會增加，甚至還有可能引起其它的問題。
那么，究竟要選擇多少個隱含層神經元才合適呢?遺憾的是，至今為止還沒有理論規定該如何來確定網絡隱含層的數目。所以，只能用嘗試的方法來尋找最適宜的隱含層神經元數目。
本文采取的做法是:構建多個BP網絡，它們除了隱含層神經元個數不同外，其它一切條件都相同，通過比較它們訓練的循環次數和網絡精度，找到最佳的神經元個數。小波神經網絡的隱層設計原則也遵循這個方法。
也有一些經驗公式，可以作為參考。
剩余油可以用什么方法預測 5
。
通過文獻調研知，目前對于剩余油的研究方法基本有以下5種[1,2,6]1、開發地質學方法開發地質學是研究剩余油形成與分布的基礎和主要方法之一，其核心內容是通過油藏地質精細描述，揭示微構造、沉積微相及油藏非均質性對剩余油形成與分布的控制作用，應用儲層相控建模、巖石物理相、流動單元、神經網絡等研究手段尋找剩余油分布的富集區。
(1)儲層相控建模技術通過檢查井取心的四性關系分析，形成關鍵井儲層參數的三維數據體，在沉積微相邊界的控制下，應用隨機建模的方法勾繪沉積成因的三維儲層參數圖，研究儲層參數的三維空間展布，從而形成在沉積微相控制下的儲層三維可視化。
剩余油主要分布于井網控制區域外的砂體以及井網控制砂體物性變差的邊緣地帶，在水驅未波及區域亦是剩余油大量分布的區域。
(2)巖石物理相方法巖石物理相是各種地質作用的綜合反映，是沉積作用、成巖作用以及構造作用和流體改造作用下形成的成因單元。巖石物理相最終表現為現存的孔隙網絡特征，包括儲層宏觀物性及儲層孔隙結構模型。
該方法根據平面滲透率與剩余油的關系、主要流動孔喉半徑與剩余油的關系等，應用地質統計學方法，將研究區劃分為多個級別的巖石物理相，研究不同巖石物理相對剩余油形成與分布的控制作用，從而確定剩余油分布的巖石物理相區域。
(3)儲層流動單元法流動單元是由CLHearn[7]于1984年首次提出的研究儲層特征的概念，認為流動單元是橫向上和垂向上連續的儲集帶，在該帶內，巖石的特點和影響流體流動的巖石物理性質在各處都相似。
WJEbanks[8]認為流動單元是儲集層巖性、物性和微觀孔喉特征的綜合反映，是地下流體滲流的基本單元。
該方法主要根據反映流動單元特征的儲層參數，運用地質統計學方法將儲層劃分為不同級別的流動單元，在不同級別的流動單元中油水滲流是有差異的，水淹特征各不相同，反映剩余油的分布是有差異的，從而對剩余油的平面分布做出判斷和預測。
(4)人工神經網絡方法人工神經網絡方法以豐富可靠的檢查井資料、測井資料為基礎，利用神經網絡識別技術，實現任意井點油層水淹程度的自動判別(定性判別)。
用神經網絡模型判別油層水淹程度精確程度的高低取決于兩個因素:利用檢查井資料建立一個可信的、判別精度高的模型:從儲層剩余油影響因素中選取輸入和輸出的參數應該是主要因素。
該方法的缺點是需要有足夠數量的檢查井提供資料，對剩余油分布的預測僅僅是定性的判別，此外由于各油田、各井區油層的沉積環境、沉積特征、油水分布規律以及油水層的動用程度的差異等，使得該方法的應用具有區域性，局部性的特點。
(5)微構造的影響微構造是指在油氣藏構造背景上油層本身的微細起伏變化所顯示的局部構造特征及不易確定的微小斷層的總稱。
在重力分異作用下，剩余油富集區不僅僅局限于高部位大型背斜內，低部位的正向微構造和小斷層遮擋所形成的微型屋脊式構造也是剩余油集中部位。
低部位的正向微構造包括油層的微小隆起(構造幅度小于10m)和處于油氣運移通道上的側向開啟而垂向封閉的微小斷層(斷距小于10m)。
因此對于以上這兩種微構造發育的油田來說，應該應用較密的井網資料和小間距等高線進行微構造研究，結合油水運動規律，尋找剩余油富集區域。
2、油藏工程方法目前研究剩余油形成與分布的油藏工程方法中最廣泛應用的是示蹤劑技術，包括單井回流示蹤劑試井和井間示蹤劑測試，其早期的分析方法只是定性的判斷注水井與生產井之間是否存在連通性及高滲透條帶，1984年Abbaszadeh-Dehghani在五點井網中示蹤劑流動特征的基礎上，通過研制軟件，定量的求取注水井與生產井之間的厚度、滲透率等地層參數。
通過井間示蹤劑資料、數值模擬軟件，可以對油藏的高滲透、低滲透層進行預測，預測水淹層以及剩余油飽和度的分布等。
通過井間示蹤劑技術確定剩余油飽和度的分布是目前國內比較常用的方法之一，無論在理論上還是實踐上均比較成熟。
除了示蹤劑技術外，研究剩余油飽和度的方法還有含水率法[9];水驅特征曲線截距法:物質平衡方法;生產資料擬和法;以及由前蘇聯學者提出的水動力學方法和不穩定試井方法[10]。
但這幾種方法只能計算某個小層的剩余油飽和度平均值或剩余油分布的大致區域，而不能確切反映剩余油飽和度平面分布的差異性，因而在應用上受到其局限性的限制。
但是作為對單井調整來講，往往不失為很有效的依據，效果通常比較明顯。
3、測井方法研究剩余油飽和度測井技術是目前國內外確定剩余油飽和度在井剖面上分布的最廣泛使用的方法，根據井眼條件的不同，可以分為裸眼井測井和套管井測井兩大類，裸眼井測井包括電阻率測井，核磁測井，電磁波傳播測井，介電常數測井等方法，套管井測井主要包括脈沖中子俘獲測井，碳氧比測井，重力測井等方法。
此外，對于大多數開發中后期油田來說，測井方法確定的剩余油飽和度大多低于實際巖心分析的剩余油飽和度，這就對測井方法提出了挑戰，也是測井方法必須要克服的問題。
4、數值模擬技術數值模擬技術是在對不同儲層、井網、注水方式等條件下，應用流體力學模擬油藏中流體的滲流特征，定量研究剩余油分布的主要手段。
目前我國絕大多數油田均應用數值模擬方法進行剩余油分布的定量研究，但實踐證明通過數值模擬技術確定的剩余油飽和度分布圖并沒有完全體現出研究人員所期望的實用價值。
數值模擬技術從其模型本身來講是比較完善的，但其研究精度在很大程度上取決于地質建模的精度。
雖然說儲層地質模型為數值模擬提供了三維數據體，但是儲層建模本身的隨機模擬方法就已經指出了建模結果的不確定性，也就難以使數值模擬擺脫目前的困境。
因此在應用數值模擬方法時必須充分考慮油藏的非均質性，真正實現精細地質建模與油藏模擬模型之間一體化，提高數值模擬技術的精度。此外對于如何解決網格粗化等問題仍需要進行技術攻關。
5、高分辨率層序地層學方法高分辨率層序地層學是從成因地層學入手，對儲層進行較為精細的對比，在油田或油氣藏范圍內，主要通過關鍵界面的認識和對比進行研究。
該方法主要根據沉積基準面原理，詳細劃分對比儲集層，建立高分辨率層序地層框架，此時等時地層格架與一定級次的流動單元相一致，控制了砂體儲集層內一定規模的流體流動，同時由于沉積物的體積分配與相分異的結果，砂體儲集層的非均質性特征與基準面之間存在對應關系，為注水對應分析及剩余油預測提供了依據。
神經網絡算法原理
4.2.1概述人工神經網絡的研究與計算機的研究幾乎是同步發展的。
1943年心理學家McCulloch和數學家Pitts合作提出了形式神經元的數學模型，20世紀50年代末，Rosenblatt提出了感知器模型，1982年，Hopfiled引入了能量函數的概念提出了神經網絡的一種數學模型，1986年，Rumelhart及LeCun等學者提出了多層感知器的反向傳播算法等。
神經網絡技術在眾多研究者的努力下，理論上日趨完善，算法種類不斷增加。目前，有關神經網絡的理論研究成果很多，出版了不少有關基礎理論的著作，并且現在仍是全球非線性科學研究的熱點之一。
神經網絡是一種通過模擬人的大腦神經結構去實現人腦智能活動功能的信息處理系統，它具有人腦的基本功能，但又不是人腦的真實寫照。它是人腦的一種抽象、簡化和模擬模型，故稱之為人工神經網絡（邊肇祺，2000）。
人工神經元是神經網絡的節點，是神經網絡的最重要組成部分之一。目前，有關神經元的模型種類繁多，最常用最簡單的模型是由閾值函數、Sigmoid函數構成的模型（圖4-3）。
圖4-3人工神經元與兩種常見的輸出函數神經網絡學習及識別方法最初是借鑒人腦神經元的學習識別過程提出的。
輸入參數好比神經元接收信號，通過一定的權值（相當于刺激神經興奮的強度）與神經元相連，這一過程有些類似于多元線性回歸，但模擬的非線性特征是通過下一步驟體現的，即通過設定一閾值（神經元興奮極限）來確定神經元的興奮模式，經輸出運算得到輸出結果。
經過大量樣本進入網絡系統學習訓練之后，連接輸入信號與神經元之間的權值達到穩定并可最大限度地符合已經經過訓練的學習樣本。
在被確認網絡結構的合理性和學習效果的高精度之后，將待預測樣本輸入參數代入網絡，達到參數預測的目的。
4.2.2反向傳播算法（BP法）發展到目前為止，神經網絡模型不下十幾種，如前饋神經網絡、感知器、Hopfiled網絡、徑向基函數網絡、反向傳播算法（BP法）等，但在儲層參數反演方面，目前比較成熟比較流行的網絡類型是誤差反向傳播神經網絡（BP-ANN）。
BP網絡是在前饋神經網絡的基礎上發展起來的，始終有一個輸入層（它包含的節點對應于每個輸入變量）和一個輸出層（它包含的節點對應于每個輸出值），以及至少有一個具有任意節點數的隱含層（又稱中間層）。
在BP-ANN中，相鄰層的節點通過一個任意初始權值全部相連，但同一層內各節點間互不相連。
對于BP-ANN，隱含層和輸出層節點的基函數必須是連續的、單調遞增的，當輸入趨于正或負無窮大時，它應該接近于某一固定值，也就是說，基函數為“S”型（Kosko，1992）。
BP-ANN的訓練是一個監督學習過程，涉及兩個數據集，即訓練數據集和監督數據集。
給網絡的輸入層提供一組輸入信息，使其通過網絡而在輸出層上產生逼近期望輸出的過程，稱之為網絡的學習，或稱對網絡進行訓練，實現這一步驟的方法則稱為學習算法。
BP網絡的學習過程包括兩個階段：第一個階段是正向過程，將輸入變量通過輸入層經隱層逐層計算各單元的輸出值；第二階段是反向傳播過程，由輸出誤差逐層向前算出隱層各單元的誤差，并用此誤差修正前層權值。
誤差信息通過網絡反向傳播，遵循誤差逐步降低的原則來調整權值，直到達到滿意的輸出為止。
網絡經過學習以后，一組合適的、穩定的權值連接權被固定下來，將待預測樣本作為輸入層參數，網絡經過向前傳播便可以得到輸出結果，這就是網絡的預測。
反向傳播算法主要步驟如下：首先選定權系數初始值，然后重復下述過程直至收斂（對各樣本依次計算）。
（1）從前向后各層計算各單元Oj儲層特征研究與預測（2）對輸出層計算δj儲層特征研究與預測（3）從后向前計算各隱層δj儲層特征研究與預測（4）計算并保存各權值修正量儲層特征研究與預測（5）修正權值儲層特征研究與預測以上算法是對每個樣本作權值修正，也可以對各個樣本計算δj后求和，按總誤差修正權值。
?
總結
以上是生活随笔為你收集整理的典型的多层神经网络模型,神经网络储层建模设计的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： The Rust Programming
- 下一篇： 无处 不在的无线智能——6g 的关键驱动