偏最小二乘神经网络在储层识别和产能预测中的应用--以陕甘宁盆地中部气田马五1储层为例

针对致密储层中气水干层识别和产能预测准确率较低这一难题，提出偏最小二乘神经网络方法：用偏最小二乘方法对输入自变量集进行主成分提取预处理，消除重叠的输入信息，用可变学习速率反向传播算法（VLBP）和附加动量方法（AMOBP）构建BP储层识别和产能预测的网络模型。以陕甘宁盆地中部气田马五。储层气、水、干层识别问题为例，选用19口井分层测试的92个已知样本，在提取物性、测井和储渗特征等方面的14个特征参数后，通过偏最小二乘方法提炼得到电阻率（Rlld）、声波时差（△t）、产能系数（kh）、储渗因子（KФs）、介质类型因子（EE）等5个主成分控制特征参数，消除了信息的重叠。以此为神经网络输入元，以样本储层的类型与产能级别为输出，用VLBP和AMOBP算法建立储层识别和产能预测的BP网络模型。模型的吻合率迭100％，均方误差比传统三层网络降低约50％。表明该模型的计算收敛速度快。精度高，为致密储层的准确识别探索了又一新的方法。