CMAC神經(jīng)網(wǎng)絡的模型改進及在油藏工程中的應用.pdf

1、巖性、物性、電性和含油性是油藏地質(zhì)研究中的四性特征。其中,由物性特征所描述的儲集層的孔隙度和滲透率,深刻地影響著油藏的開發(fā)方案、儲層的研究比較以及油田的動態(tài)管理等多個方面。一般情況下,通過地震數(shù)據(jù)和測井資料,可以推導出油藏儲層的孔隙度和滲透率,但受膠結(jié)物類型等因素的影響,此二參數(shù)不易準確的測量和預測,且兩者之間的關系往往也難以確定。基于人工智能技術的油藏儲層地質(zhì)參數(shù)的分析與預測,是測井解釋的一種應用,是儲層預測的一種新方法,能夠改善油藏

2、描述和剩余油定量描述,提高儲集層預測準確度的。
　　 本文主要研究內(nèi)容有:
　　 1.設計了抗干擾能力強的模糊主成分分析方法對油藏樣本進行預處理,在更好保存信息的基礎上有效實現(xiàn)了降維以降低分析的復雜度
　　 2.根據(jù)小腦關節(jié)控制模型(CMAC)理論,提出一種基于全局動態(tài)信息的批處理CMAC神經(jīng)網(wǎng)絡模型。該模型在保留局部泛化和無局部極值優(yōu)點的基礎上,利用學習過程中的迭代信息,來確定其學習率的大小；同時,引入自動控制