基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)用于剩余油分布的研究.pdf

1、剩余油分布的預(yù)測有很高的收益，因此引起世界各國對剩余油分布進(jìn)行研究的重視。經(jīng)過多年的開發(fā)，目前地下油水關(guān)系變得日趨復(fù)雜，有必要進(jìn)行剩余油分布規(guī)律的研究。
　　 本文分析了多種剩余油預(yù)測分析技術(shù)與方法。對神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘等的理論與相關(guān)算法進(jìn)行了分析、討論。神經(jīng)網(wǎng)絡(luò)具有并行處理、自適應(yīng)、自組織、聯(lián)想記憶及容錯性和健壯性等特點(diǎn)，能夠探測出數(shù)據(jù)集合的非線性關(guān)系，在數(shù)據(jù)挖掘中常常采用神經(jīng)網(wǎng)絡(luò)方法。
　　 研究了對影響剩余油分布的

2、主要參數(shù)－含油飽和度進(jìn)行預(yù)測的軟件系統(tǒng)的設(shè)計方法與實現(xiàn)技術(shù)。此系統(tǒng)可實現(xiàn)使用多種神經(jīng)網(wǎng)絡(luò)模型來完成剩余油分布的預(yù)測。神經(jīng)網(wǎng)絡(luò)模型可選：BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)中又可選激勵函數(shù)：Sigmoid型激勵函數(shù)和TAN激勵函數(shù)；可選算法：傳統(tǒng)算法和變步長算法；且在力求保持傳統(tǒng)BP算法簡潔性的基礎(chǔ)上，使其神經(jīng)元個數(shù)、目標(biāo)精度、迭代次數(shù)動態(tài)可調(diào)。
　　 此系統(tǒng)可依據(jù)包含有井位置等參數(shù)的已有數(shù)據(jù)，通過基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)進(jìn)行

3、訓(xùn)練，建立起學(xué)習(xí)網(wǎng)絡(luò)，訓(xùn)練完成后，對比這些預(yù)測模型，選出最優(yōu)模型。在已知其它原始參數(shù)的情況下，就可以利用此預(yù)測系統(tǒng)對其他未知井區(qū)進(jìn)行剩余油分布的預(yù)測。
　　 研究結(jié)果表明，改進(jìn)的BP網(wǎng)絡(luò)、尤其是RBF網(wǎng)絡(luò)計算方法可以克服常規(guī)測井解釋中所遇到的高度復(fù)雜非線性建模的難題，極大地簡化了解釋中的數(shù)學(xué)手段，同時與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比精度更高，收斂速度更快。
　　 通過對預(yù)測值與實際數(shù)據(jù)的對比與分析，證明該軟件具有理想的預(yù)測效果并有