论文部分内容阅读
油藏特性识别在油藏描述中扮演着重要的角色。传统的油藏描述方法有多种,但大部分都是基于统计学及经验公式;而且参数数量多、维数高,存在很大的随机性和不确定性等。为了克服这些不足,近年来国内外一些学者提出利用混合软计算方法进行油藏描述。鉴于模糊神经软计算在自学习、模式识别和近似推理方面的优势,本论文利用软计算方法对油藏特性进行识别。
随着软计算的研究与发展,实际应用中融合多种方法的混合软计算表现出比单一方法更大的优越性。例如,神经模糊系统,进化模糊系统,可以充分利用神经网络的学习能力,模糊系统的推理能力以及进化计算的搜索能力。但是,这些混合方法也有一定的局限性,诸如神经模糊系统不易找到全局最优解等。通过三种基本软计算方法的融合能够克服这一局限性。理论研究和仿真试验均表明该方法不仅有效,而且能弥补传统学习算法的不足。
油藏特性的准确识别有助于我们做出合理的油气藏开发决策,同时也能够提高油气公司的经济效益。本论文首先介绍一种新的基于模糊神经系统的油藏识别技术模型,该系统主要是通过在神经网络中融入模糊逻辑并最终通过遗传算法进行优化而得。接着提出一套分析识别方法,并详细介绍了此模型用于油藏特性识别的过程,如样本参数的选择、网络的构建和优化、网络的学习和表示、结果优化等。最后结合实际测井参数,进行油藏特性识别,并给出相应的可视化信息,得到了很好的识别精度,从而为油田开发提供了依据。
对实例的测试结果表明:该模型是一种操作简便、易于实现、性能良好的有效模型。