基于粒子群优化极限学习机的测井孔隙度预测
由于地层成因复杂,加之构造等作用影响,测井信息与实际地层信息间呈非线性对应关系.极限学习机作为一种单隐层前馈神经网络(sLFN)学习算法,可较好的处理此类信息,因无需设置大量网络训练参数而优于传统的神经网络学习算法(如BP算法、SVM等),但要达到理想精度仍需设置大量隐含层节点,基于此,提出了一种基于粒子群优化极限学习机(PSOELM)的孔隙度预测模型,通过优化ELM的输入权值矩阵和隐含层偏差,计算出输出权值矩阵,以减少隐含层节点.本文通过提取现场测井数据并建立孔隙度预测模型,并通过对比PSOELM、ELM、BP三种算法发现,PSOELM可以以更少的隐含层节点获得更高的精度.实验结果证明,PSOELM用于孔隙度的预测具有可行性与有效性.
油气田储层 预测模型 测井孔隙度 粒子群优化极限学习机
国内会议
北京
中文
1-9
2014-08-11（万方平台首次上网日期，不代表论文的发表时间）