典型的多层神经网络模型,神经网络储层建模设计

随机建模的方法和步骤［4］

。

随机建模（StochasticModeling）方法承认地质参数的分布有一定的随机性，而人们对它的认识总会存在一些不确定的因素，因此建立地质模型时考虑了这些随机性引起的多种可能出现的实际情况，供地质人员选择。

随机建模方法认为，在现有技术情况下，对地下储层的认识存在一定的不确定性，一是已知资料控制点有限，以300m井距井网为例，井孔提示的储层体积所占整个储层体积，以百万至千万分之一数量级计，绝大部分储层性质是依靠这些少数已知点去推测的；二是描述这些控制点储层性质的技术本身还存在一定的误差，如测井解释渗透率，经常可达数倍的误差。

随机建模方法同时又认为，作为地质体的储层，其各项属性的非均质分布，由于其有一定的地质成因，应存在一定的地质统计特征，用这一地质统计特征去表征储层非均质性的总体面貌，而不追求每一个预测点的确定的数值，仍然在一定时间、一定条件下可以为油气田开发提供合理的地质模型，保证流体流动模拟的可信和开发决策的正确。

8.1.3.1随机建模的类别储层随机建模通常又分为条件模拟和非条件模拟。

其根本区别在于条件模拟较非条件模拟不仅要求模拟产生的储层随机图像（包含储层分布和物性等方面信息的图像）符合实际资料所观测到的储层属性空间分布的相关结构（地质统计特征），而且要求在井位处（或资料点处）的模拟结果与实际资料一致。

通常讲的随机模拟一般指条件模拟。

随机模拟方法分为以下两类：1）离散性模拟方法：离散性模拟主要建立储层岩相的分布模型，用来描述离散性的地质特征，包括确定储层、隔层、砂体（储渗体）的空间分布边界和空间几何形态等。

实际上就是实现气藏描述中的储层分布预测。所采用的模拟方法包括：示点性过程模拟、马尔可夫-贝叶斯指示模拟、序贯指示模拟、镶嵌过程模拟、截断高斯模拟等方法；对于非条件模拟，则可采用布尔模拟。

2）连续性模拟方法：连续性模拟主要建立岩相边界控制下的储层参数（孔隙度、渗透率、含水饱和度、泥质含量、碳酸盐含量等）的分布模型，即油气藏描述中的储层参数预测。

所采用的模拟方法包括：退火模拟、序贯指示模拟、分形随机函数法、高斯随机函数法以及马尔可夫随机域法等。对于非条件模拟，则可采用转带法。

8.1.3.2储层随机建模的基本步骤储层建模工作的实施主要包括以下三个基本步骤。

（1）建立储层原型模型建立储层原型模型是随机建模的基础，所谓原型模型就是储层的实体地质模型，任何油藏（储层）描述方法都是只由零散信息对储层实体所进行的一种推断，这种推断可以是确定性的（如地震储层横向预测），也可以是不确定性的（如统计推断）。

在不了解地质实体的前提下，任何一次研究结果，只能看作一次对地质实体的随机抽样，抽样结果的准确性依赖于统计的概率把握程度，这种把握程度只能来自于原型模型的建立。

储层原型模型的建立就是为了构筑一个与实际储层尽可能接近的储层信息标准答案库，从可见的实体模型描述入手，来建立各种地质知识库（这其中包括了各种储层的边界和储层参数的空间分布），建立相应的先验概率知识，如参数分布的范围、均值、方差、分布函数等。

只有这样，储层随机建模才有依据。

原型模型的建立方法较多，目前主要采用的有：1）物理模拟——以水槽模拟为主要代表；2）野外露头精细描述——国内外已广泛开展；3）现代沉积研究——在沉积学领域已有大量实例，是构筑沉积学理论的重要基础；4）密井网精细对比与描述——主要在老开发区进行；5）地震资料的确定性建模方法——主要依靠地震资料空间大信息量的优势，依靠资料处理，确定储层分布的宏观模型，重点是砂体的分布，同时也能对储层孔隙度、渗透率参数进行趋势性的估计。

（2）建立储层的随机模型取得了储层原型模型以后，就可以建立储层的随机模型，它是以反映储层各项特征的参数统计为手段，建立相应的概率模型，如储层厚度、孔隙度、渗透率、含油饱和度等参数的分布规律和空间结构。

对参数分布规律的认识主要以传统概率统计为基础，确定参数分布的大小范围、均值、方差、分布函数类型等，进而对空间结构进行分析（变差函数的计算）。

通过对储层特征建立随机模型，可以把各种地质认识（定性描述）和观测数据有机地结合起来，并可以反映由于信息缺乏而引起的不确定性。

在已经建立的随机模型的基础上，再进行随机模拟，产生出反映储层非均质性的一系列等概率实现。

每个实现就是一种可能的储层参数的空间分布，它们之间的差异反映了随机模型中所包含的不确定性，也就是我们常常谈到的研究中的多解性问题。

（3）储层的随机模拟建立了储层随机模型后，就可以进行储层的随机模拟，随机模拟分为条件模拟和非条件模拟两种。

非条件模拟只是要求再现地质特征的空间分布规律及相关性，而条件模拟不仅要求再现地质特征的空间分布和相关性，而且还要求在抽样位置上与实测数据一致或在指定位置上具有指定的特性。

对于不同的储层属性，具有不同的随机模型，应采用不同的模拟方法。由于大型计算机的出现，使细网格和高维空间的模拟得以实现，在实际应用中，寻求一种快速有效的模拟算法成为众多的研究者所探求的目标。

8.1.3.3储层随机建模的基本流程储层随机建模一般分为两个阶段进行，即先采用离散型模拟方法，建立储层的骨架模型；然后在储层骨架模型边界的控制下，应用针对连续性变量（如储层物性）的模拟方法建立储层参数模型。

这就是目前大多数研究者使用的两阶段建模的基本流程。陈恭洋［4］根据两阶段建模的思路，提出了一个基本的随机建模流程（图8.1），该流程图中包括了9个方面的研究内容。

图8.1储层随机建模总体设计流程框图［4］1）地层模型：以克里格插值技术为基本手段，主要研究储层顶、底界面的空间展布特征，并通过地质统计对比确定小断层带的空间分布。大的断层可由地震资料解释予以确定。

该项研究主要提供后续储层和油气藏模拟的大的边界信息。2）沉积相分析：包括大相和微相分析两部分研究内容，并以后者为研究重点。

大相分析以区域沉积背景知识为指南，结合地震相的分析，明确研究工区较大范围内的沉积体系及空间展布特征。最后确定出油气藏范围内储层所处的相带沉积部位，为微相研究奠定坚实的基础。

微相分析重点研究沉积成因单元的结构要素及其组合型式以及它们的空间展布规律，为储层随机建模提供必要的地质先验知识，主要依据沉积学的研究手段进行。

3）高分辨率层序地层分析：主要应用于油气藏规模的储层对比技术，依靠岩心和测井资料，进行开发阶段的储层表征中储层的精细对比。

因为储层岩性、几何形态、连续性及岩石物理特征等是在沉积物堆积过程中产生的，精确的地层对比可以在四维空间中对这些特征有更清楚的认识，高分辨地层对比是识别非均质性的有效方法。

另外，具时间意义的地层界面通常与流体流动单元的岩石物理面相一致，可通过精细地层对比，划分流动单元。随着时间分辨率的提高，对地层形态和规模、相的位置和岩石物理特征的预测也就更加精确。

与沉积相的分析相结合，是目前油田覆盖区建立储层原型地质模型最有效的方法。

4）储层岩相分布的离散型随机模拟：这是储层随机建模的核心内容之一，一般作为储层随机建模的第一步，为储层参数空间分布的连续性模拟提供边界控制信息。

序贯指示模拟（SISIM）和示性点过程模拟（MPPS）被认为是两种有效的研究方法。

序贯指示模拟以指示理论为基础，将各种沉积微相带视为空间分布的离散性随机变量，进行地质统计学的条件模拟，其缺点是难以描述储层的形态特征。

而示性点过程模拟是一种面向对象的方法，十分符合沉积学的思想和推理过程，将沉积学研究所认定的储层砂体几何形态、位置、大小、连通方式等储层参数作为服从一定分布的离散型随机变量，建立相应的随机模型进行随机模拟，其缺点是难以实现条件模拟。

将两者有机地结合起来可能是一种好的途径。5）测井和地震资料处理：这方面的技术已在现代油气藏描述中被大量采用。

更重要的是补充建模时仅依靠井点信息的不足，使储层建模不仅在油气藏开发阶段发挥重大作用，而且在勘探的各个时期也能充分发挥作用，提供新的储层预测方法。

6）分形和地质统计学条件模拟：这是解决储层参数空间分布的关键性模拟方法。地质统计学模型可以很好地刻画储层参数分布的空间结构和变异性。

而分形方法则能精确地表征储层的非均质性，并能克服由克里金方法所带来的光滑效应。两者的结合已被大量的研究实例证明是一种有效的储层预测途径。

7）网格粗化：储层建模阶段的细网格模拟可以尽可能精细地提示储层的非均质特征。但遗憾的是，在油藏动态模拟器中，由于受到目前计算能力的限制，难以接受这种细网格的参数输入。

因此，必须进行网格的粗化，粗化的准则一般需要考虑到储层孔隙容积和储层的渗流能力（即孔隙度和渗透率），其中尤以储层对流体传导能力（渗透率）的近似最为关键。

8）油气藏数值模拟动态拟合与静态资料约束决策：这是对前述储层随机建模所产生的多幅等概率实现的图像进行优选决策的过程。研究的重点并不在于动态模拟，因此无需考虑复杂条件下的数值模拟问题。

主要是对油气藏压力、产油气量和含水率三项参数进行历史拟合，并结合静态地质资料的各项条件约束（包括储层参数的统计规律和地质认识等），选取一个最符合动态和静态条件的随机图像作为所建立的储层地质模型。

这一模型是以各种参数场的形式所表示的。9）三维可视化：即将前面所建立的反映储层地质模型的各种参数场通过计算机进行三维成像或制图。

目前，三维可视化的研究与设计已经成为计算机成像领域中的一项热门课题，它使所取得的成果大大地增强了油气藏的研究与管理的可操作性和直观性。

综上所述，储层建模实际上是对油田各类数据资料通过计算机技术进行有效的综合。

因此，从地质角度上讲，要形成一套比较先进而有效的建模方法，更大程度上还是要依赖于先进的地质、地球物理和分析测试资料处理技术来获取可靠的输入参数。

8.1.3.4储层随机建模的软件系统在随机模型方法和理论发展的同时，模拟软件也得到了一定的发展，美国斯坦福大学、墨西哥矿业技术学院、荷兰皇家/壳牌公司、雪飞龙公司、GeoQuest公司等都开发和研制了自己的地质统计学和储层模拟软件。

加拿大GeoStat系统公司和McGill大学联合推出了智能模拟或专家系统软件GeoStat，法国石油研究院和地质统计中心联合开发的HERESIM软件包也取得了较大的影响。

这些软件的主要功能如下：1）以转带法和指示克里格法相结合，用于储层的横向和垂向对比，其数学基础是Bessel函数和指示相关函数（美国墨西哥矿业技术学院开发TUBA软件）；2）用于SGI图形工作站的地质模型软件，其特色是可以采取任意切片的方法来展现储层孔隙度、渗透率和砂体在连续断面或切片上的分布特征，其数理基础是随机模拟（美国Strata-Model公司研制SGM软件）；3）以条件概率法为基础设计，主要用于模拟砂岩油藏中的三维储层的连通性和构形（荷兰皇家/壳牌集团公司推出MONARCH软件）；4）以BP神经网络技术为主、依据地质统计学和地震特征进行随机建模的软件，其关键方法是分析并拟合储层物理特性和岩石属性的直方图和变差函数分布，求出它的特征值，以建立数学模型（荷兰Jason公司推出StatMod软件）；5）将地质统计和智能模拟技术相结合，不仅包括各种数值运算、多元统计，还包含可引导、承担、评价和推断地质统计运行的知识和专家经验。

因此，该软件具有两大特色：一是储层地质特性模拟及立体化定量显示；二是具有地质解释中的专家知识和经验（加拿大GeoStat系统公司和McGill大学联合推出GeoStat系统）。

上述软件都在各自的使用中发挥了很大的效益，也取得了不少有意义的成果。

尽管每套软件各有侧重，但考察它们的共同之处，主要体现在三个方面：①强调储层描述的高度定量化，体现了油气储层研究已从定性发展到了定量的水平；②均从储层骨架分布和储层参数特征两个方面进行建模，把握了储层特征的关键要素；③体现了多学科、多信息的综合研究趋势。

因此，从储层建模软件的发展，也显示出了储层随机建模在当前油气勘探开发研究中的重要意义和良好前景。

谷歌人工智能写作项目：小发猫

关于Matlab BP神经网络建模的问题 50

假设输入的是5个参数，输出1个参数深度神经网络怎么用。神经网络的节点结构为5-N-1（N是中间层节点数，数目根据实验效果确定，可选5~10个）关于输入延迟，不清楚意思。

是否可以做这样的数据处理：假设t时间的5个输入数据和t+1时间的1个输出数据对应，则以这一对数据作为训练样本，也不需要其理解神经网络中的延时处理机制。

训练函数写法：net=train(net,t时间的输入数据,t+1时间的输入数据);。

遗传神经网络储层参数预测

。

4.4.1网络的识别过程由于地震勘探中广泛采用三维地震、高分辨率勘探等新技术，资料处理中也引入了多种新的处理方法，使得综合提取多种地震信息成为可能，使用这些信息进行储层横向预测的可靠性也有了很大提高。

利用地震信息解决岩性或储层横向预测问题，是现阶段比较热门的课题，已经取得了一些进展，但还没有一种适用于各种地质情况的标准方法。本文使用的遗传神经网络识别方法也是一种尝试。

利用多种地震信息，应用遗传神经网络方法进行储层横向预测的流程如图4-6所示。

网络识别所需要的裂缝、溶蚀孔洞、产能等参数的模式，以及模式井和预测井的模式级别等参数，参见第三章的3.3至3.4节中的相关内容。

特征提取中的参数包括统计特征、自相关特征及非线性特征等三大类19个过程提取参数。图4-6神经网络储层预测流程图4.4.2识别预测结果网络预测的过程就是对所有已知和未知样本进行不断拟合的过程。

预测结果见图4-7至图4-9。网络的训练就是要通过对大量样本的有监督学习，使连接网络节点的权值更趋合理，其标志是相对误差的收敛。

溶蚀孔洞网络训练次数达到6000次以上，产能预测网络训练次数达到8000次以上，裂缝训练网络需达到15000次。

所有网络的训练结果，均达到了0.05的规定相对误差限，可以用来进行储层参数和产能预测。用训练好的网络对原始训练数据（模式井点的已知参数）进行预测称为网络回判预测。网络回判率越高则预测结果可信度越高。

对已知井点的裂缝、溶蚀孔洞和产能的回判率分别为：90%、92%和88%。

图4-7义和庄区块碳酸盐岩潜山储层溶蚀分布预测图图4-8义和庄区块碳酸盐岩潜山储层裂缝分布预测图图4-9义和庄区块碳酸盐岩潜山储层产能分布预测图。

油藏描述技术在油田开发中的应用

。

王德明　王贺林【摘要】　油藏描述技术自我国开始引进、发展以来，已在油田勘探、开发领域得到了广泛的应用，尤其是“八五”以来新技术、新方法的应用和各生产、研究单位的攻关努力，使油藏描述技术有了明显的进展；油藏描述定量化与半定量化研究内容和程度的丰富和提高，使储层横向预测技术、测井多井评价技术、储层形态、储层参数和含油性预测等方面的地质建模技术更接近地下实体；成果显示的可视化程度和预测模拟技术进一步提高。

目前油藏描述技术已成为油田科技人员地质研究的重要手段。

【关键词】　油藏描述　地震横向预测　测井多井评价　随机建模　神经网络一、概述油藏描述是70年代末开始出现、80年代发展起来并在不断完善的一项对油气藏进行综合研究和评价的新技术。

国内外学者对油藏描述技术都进行了不同的定义，国内大多数学者认为，油藏描述是把地质、地震、测井、生产测试和计算机技术等融为一体，对油藏的格架、储层属性及其内部的流体性质、空间分布等进行全面性的综合研究和描述，最终建立一个三维、定量的油藏地质模型的一套综合应用技术，从而为合理开发油（气）藏制定开发战略和技术措施提供必要的和可靠的地质依据。

国外首先提出油藏描述概念的斯伦贝谢测井公司认为，油藏描述技术服务（或油藏研究）以测井为主。

斯伦贝谢公司提出油藏描述应分为：①油田地质构造与储集体几何形态的研究；②关键井研究；③油田测井资料标准化；④测井相分析；⑤油田参数转换与渗透率的研究；⑥井与井间的地层对比；⑦单井综合测井地层评价；⑧储集层参数的汇总与作图；⑨计算油田的油气地质储量；⑩单井动态模拟；⑪测井数据库的建立与应用等11个研究内容。

他们并提出，油藏描述的核心是测井油藏描述。

到1985年斯伦贝谢公司才将三维地震资料及VSP（垂直地震）资料引入到油藏描述的测井井间相关的研究中，但它所强调的油藏描述仍是以测井为主体模式的技术、多学科的协同研究及最终的储层三维模型。

我国开始引进油藏描述（reservoirdescription）这一术语是在80年代中期，并从多方面开展了综合研究攻关工作。

进入90年代，油藏描述工作在我国各大油田得到了全面开展，通过各油田、石油院校、研究单位的共同努力，逐步形成了一些适应我国陆相储层和多断块特点的油藏描述方法，形成了以地质、地震、测井、综合录井、测试等资料为研究内容的油藏描述系统。

二、在油田开发中的应用油藏描述在油气田应用较为广泛，为更多的在油田开发领域工作的技术人员所接受，并逐渐完善、规范，形成了具有开发特色的油藏描述理论技术，如精细沉积微相研究技术、微构造研究技术、随机建模技术、综合储层预测技术、综合地质建模技术、裂缝预测技术、确定剩余油技术，等等。

为了更精确地研究油气田开发过程中的地质变化、指导油气田生产，我们应根据油气田所处的不同的开发阶段，提出不同的研究内容和技术要求。

也就是在油田发现、评价、开发、设计等开发准备阶段，确定为早期油藏描述；在方案实施、调整等主体开发阶段确定为主体阶段油藏描述；在油田进入高含水期提高采收率阶段确定为精细油藏描述。

1.早期油藏描述油田开发早期，油田刚被勘探发现确定，主要研究目的是油田的评价、开发设计，尽可能真实地描述地下状况。

这一阶段资料来源少，主要以应用地震、探井地质资料为主，其主要研究内容和技术包括：（1）以区域背景和地震资料为基础，从成因分析入手，确定油藏的基本骨架（构造骨架、沉积骨架、地层骨架）；（2）以储层沉积学为基础，应用地质知识库的沙体空间分布预测技术，应用比较沉积学原理，在正确分析沉积环境的基础上，依靠古代和现代的同类型沉积类似物的已有地质知识来进行推理，进行储层建模；（3）应用地震横向预测资料建立概念地质模型；（4）以确定储层骨架空间分布为重点的随机建模技术；（5）油气水分布确定。

2.主体开发阶段油藏描述油田主体开发阶段，也就是开发方案实施、监测、调整阶段。这一阶段工作的核心内容就是最大限度地提高二次采油的采收率，推迟三次采油甚至四次采油阶段的到来。

这一阶段钻井、录井、测井、测试资料丰富，油藏描述研究的内容具体丰富，主要内容可依据开发的需要分为二个小阶段。

第一个小阶段是主体开发初级阶段油藏描述，具体研究内容包括以下7项：（1）构造落实；（2）地层划分及对比，全区统层；（3）各种地质图件（对比图、剖面图、栅状图、平面图）的编制；（4）各种基础数据的统计，分析整理，如沙体形态，长、宽延伸方向，连通程度，韵律性夹层类型、成因、分布、厚度、密度、频率、渗透性裂缝发育状况，发育的位置、岩性、层位、井段、强度、开启性、作用等；（5）编制射孔方案从地质上分析储量动用程度，打开程度的完善性根据储层、油气水分布确定射孔井段的位置检查井身结构，固井质量；（6）编制配产配注方案储层连通性，受益井多少储层微观孔隙结构及敏感性，提出注水水质要求分析高渗透带可能造成的水窜性分析边底水能量出砂；（7）编制措施治理方案（酸化、压裂）储层成岩作用，胶结物成分及含量现地应力大小及方向构造发育史，古地应力场演变，裂缝发育分布及方向等。

第二个小阶段是主体开发中后期油藏描述，用越来越多的动态资料验证静态资料的准确性，修正地质模型，具体研究内容包括以下6项：（1）深化储层沉积研究，通过动态、静态资料的结合进行沉积相再认识，细分对比单元；（2）通过动态资料补充修改储层的对比连通关系；（3）利用生产测试和试井资料验证断层及隔层的封闭性；（4）通过注采井见效快慢，评价储层平面非均质性及储层渗透率的方向性，进而预测注水波及效率及死油区的分布；（5）利用产液剖面、吸水剖面研究储层水淹厚度，进行储层层内非均质程度的再评价；（6）研究同一套开发层系内不同渗透率储层的动用状况，进行层间非均质性研究。

这一阶段油藏描述的研究精度明显提高，主要应用技术有：（1）小层划分对比及全区统层技术；（2）落实构造系统，包括三维地震、地层倾角测井、钻井地层对比、RFT测试、油气水分布关系、注示踪剂等；（3）测井多井储层评价技术；（4）动态跟踪研究；（5）测试方法综合应用；（6）储层静态模型建立方法技术。

3.高含水期提高采收率油藏精细描述阶段这一阶段油田开发已进入后期，地下油气分布减少而且零散。

因此这一阶段油藏描述的主要特点是研究精度高，研究单位小，与动态结合更紧，计算机化程度高，预测符合率高，最终能更精确、直观地描述地下状况。

主要应用的技术、方法是：（1）微地质界面研究；（2）沉积微相、微流动单元研究；（3）储层物性动态变化空间分布规律研究；（4）流动单元空间结构研究；（5）储层预测随机模型建立；（6）地质、油藏、数值模拟一体化研究剩余油分布规律。

随着油藏描述技术的广泛应用，一些新的技术、新的方法也得到了充分的应用，如地质统计分析、灰色系统分析、模糊数学、神经网络及分析几何学等，以及先进的计算机、工作站技术的普遍应用，从而使油藏描述技术的应用更加科学化、精细化和定量化，图象显示直观可视化（图1）。

图1　现代油藏描述流程图油藏描述技术的应用，为我们认识高含水、高采出油田的剩余油潜力分布状况，低渗、稠油、构造岩性复杂油田投入开发进行概念设计，制定开发方案，提供了先进的技术和方法，并取得了很好的效果。

如“八五”以来应用现代油藏描述方法，对东河塘、丘陵、彩南、埕乌、小捞、塔中4等油田进行早期描述，编制概念设计，制定开发方案，不仅节约了资金而且创出了90年代开发工作新水平。

再者，应用精细油藏描述技术，对高含水油田进行研究，指导对重点519个区块开展了控水稳油工作，年平均含水上升率由1990年的1.9%降到1995年的0.25%，自然递减率一直控制在14%以内，综合递减率控制在7%以内，创造了显著的经济效益。

三、今后的发展方向油藏描述技术是一种多学科交叉，地震、测井、石油地质、随机模拟和计算机科学相互综合应用的技术；油藏描述技术今后的发展应用，主要是解决地下复杂地质体模式判别问题、油藏参数空间分布、连续定量反应问题、储层流体渗流动态显示问题、最优工程方案确定问题等。

因此油藏描述的发展趋势关键取决于提高多学科协同分析地质问题的综合程度，随着模拟技术的深入应用和计算机功能的高速发展，用更准确的模型来实现对储层结构和油藏参数的高精度预测会是不久的将来的事。

如何建立bp神经网络预测 模型

。

建立BP神经网络预测模型，可按下列步骤进行：1、提供原始数据2、训练数据预测数据提取及归一化3、BP网络训练4、BP网络预测5、结果分析现用一个实际的例子，来预测2015年和2016年某地区的人口数。

已知2009年——2014年某地区人口数分别为3583、4150、5062、4628、5270、5340万人执行BP_main程序，得到[2015, 5128.呵呵3946380615234375][2016,5100.5797325642779469490051269531]代码及图形如下。

小波神经网络的建模怎么确定隐含层的神经元个数

确定隐层节点数的方法为“试凑法”。隐含神经元的数目是非常重要的，它的选取结果直接影响到网络的性能好坏。

如果隐含层的神经元数量太少，网络就不能够很好的学习，即便可以学习，需要训练的次数也非常多，训练的精度也不高。

当隐含层神经元的数目在一个合理的范围内时，增加神经元的个数可以提高网络训练的精度，还可能会降低训练的次数。

但是，当超过这一范围后，如果继续增加神经元的数量，网络训练的时间又会增加，甚至还有可能引起其它的问题。

那么，究竟要选择多少个隐含层神经元才合适呢?遗憾的是，至今为止还没有理论规定该如何来确定网络隐含层的数目。所以，只能用尝试的方法来寻找最适宜的隐含层神经元数目。

本文采取的做法是:构建多个BP网络，它们除了隐含层神经元个数不同外，其它一切条件都相同，通过比较它们训练的循环次数和网络精度，找到最佳的神经元个数。小波神经网络的隐层设计原则也遵循这个方法。

也有一些经验公式，可以作为参考。

剩余油可以用什么方法预测 5

。

通过文献调研知，目前对于剩余油的研究方法基本有以下5种[1,2,6]1、开发地质学方法开发地质学是研究剩余油形成与分布的基础和主要方法之一，其核心内容是通过油藏地质精细描述，揭示微构造、沉积微相及油藏非均质性对剩余油形成与分布的控制作用，应用储层相控建模、岩石物理相、流动单元、神经网络等研究手段寻找剩余油分布的富集区。

(1)储层相控建模技术通过检查井取心的四性关系分析，形成关键井储层参数的三维数据体，在沉积微相边界的控制下，应用随机建模的方法勾绘沉积成因的三维储层参数图，研究储层参数的三维空间展布，从而形成在沉积微相控制下的储层三维可视化。

剩余油主要分布于井网控制区域外的砂体以及井网控制砂体物性变差的边缘地带，在水驱未波及区域亦是剩余油大量分布的区域。

(2)岩石物理相方法岩石物理相是各种地质作用的综合反映，是沉积作用、成岩作用以及构造作用和流体改造作用下形成的成因单元。岩石物理相最终表现为现存的孔隙网络特征，包括储层宏观物性及储层孔隙结构模型。

该方法根据平面渗透率与剩余油的关系、主要流动孔喉半径与剩余油的关系等，应用地质统计学方法，将研究区划分为多个级别的岩石物理相，研究不同岩石物理相对剩余油形成与分布的控制作用，从而确定剩余油分布的岩石物理相区域。

(3)储层流动单元法流动单元是由CLHearn[7]于1984年首次提出的研究储层特征的概念，认为流动单元是横向上和垂向上连续的储集带，在该带内，岩石的特点和影响流体流动的岩石物理性质在各处都相似。

WJEbanks[8]认为流动单元是储集层岩性、物性和微观孔喉特征的综合反映，是地下流体渗流的基本单元。

该方法主要根据反映流动单元特征的储层参数，运用地质统计学方法将储层划分为不同级别的流动单元，在不同级别的流动单元中油水渗流是有差异的，水淹特征各不相同，反映剩余油的分布是有差异的，从而对剩余油的平面分布做出判断和预测。

(4)人工神经网络方法人工神经网络方法以丰富可靠的检查井资料、测井资料为基础，利用神经网络识别技术，实现任意井点油层水淹程度的自动判别(定性判别)。

用神经网络模型判别油层水淹程度精确程度的高低取决于两个因素:利用检查井资料建立一个可信的、判别精度高的模型:从储层剩余油影响因素中选取输入和输出的参数应该是主要因素。

该方法的缺点是需要有足够数量的检查井提供资料，对剩余油分布的预测仅仅是定性的判别，此外由于各油田、各井区油层的沉积环境、沉积特征、油水分布规律以及油水层的动用程度的差异等，使得该方法的应用具有区域性，局部性的特点。

(5)微构造的影响微构造是指在油气藏构造背景上油层本身的微细起伏变化所显示的局部构造特征及不易确定的微小断层的总称。

在重力分异作用下，剩余油富集区不仅仅局限于高部位大型背斜内，低部位的正向微构造和小断层遮挡所形成的微型屋脊式构造也是剩余油集中部位。

低部位的正向微构造包括油层的微小隆起(构造幅度小于10m)和处于油气运移通道上的侧向开启而垂向封闭的微小断层(断距小于10m)。

因此对于以上这两种微构造发育的油田来说，应该应用较密的井网资料和小间距等高线进行微构造研究，结合油水运动规律，寻找剩余油富集区域。

2、油藏工程方法目前研究剩余油形成与分布的油藏工程方法中最广泛应用的是示踪剂技术，包括单井回流示踪剂试井和井间示踪剂测试，其早期的分析方法只是定性的判断注水井与生产井之间是否存在连通性及高渗透条带，1984年Abbaszadeh-Dehghani在五点井网中示踪剂流动特征的基础上，通过研制软件，定量的求取注水井与生产井之间的厚度、渗透率等地层参数。

通过井间示踪剂资料、数值模拟软件，可以对油藏的高渗透、低渗透层进行预测，预测水淹层以及剩余油饱和度的分布等。

通过井间示踪剂技术确定剩余油饱和度的分布是目前国内比较常用的方法之一，无论在理论上还是实践上均比较成熟。

除了示踪剂技术外，研究剩余油饱和度的方法还有含水率法[9];水驱特征曲线截距法:物质平衡方法;生产资料拟和法;以及由前苏联学者提出的水动力学方法和不稳定试井方法[10]。

但这几种方法只能计算某个小层的剩余油饱和度平均值或剩余油分布的大致区域，而不能确切反映剩余油饱和度平面分布的差异性，因而在应用上受到其局限性的限制。

但是作为对单井调整来讲，往往不失为很有效的依据，效果通常比较明显。

3、测井方法研究剩余油饱和度测井技术是目前国内外确定剩余油饱和度在井剖面上分布的最广泛使用的方法，根据井眼条件的不同，可以分为裸眼井测井和套管井测井两大类，裸眼井测井包括电阻率测井，核磁测井，电磁波传播测井，介电常数测井等方法，套管井测井主要包括脉冲中子俘获测井，碳氧比测井，重力测井等方法。

此外，对于大多数开发中后期油田来说，测井方法确定的剩余油饱和度大多低于实际岩心分析的剩余油饱和度，这就对测井方法提出了挑战，也是测井方法必须要克服的问题。

4、数值模拟技术数值模拟技术是在对不同储层、井网、注水方式等条件下，应用流体力学模拟油藏中流体的渗流特征，定量研究剩余油分布的主要手段。

目前我国绝大多数油田均应用数值模拟方法进行剩余油分布的定量研究，但实践证明通过数值模拟技术确定的剩余油饱和度分布图并没有完全体现出研究人员所期望的实用价值。

数值模拟技术从其模型本身来讲是比较完善的，但其研究精度在很大程度上取决于地质建模的精度。

虽然说储层地质模型为数值模拟提供了三维数据体，但是储层建模本身的随机模拟方法就已经指出了建模结果的不确定性，也就难以使数值模拟摆脱目前的困境。

因此在应用数值模拟方法时必须充分考虑油藏的非均质性，真正实现精细地质建模与油藏模拟模型之间一体化，提高数值模拟技术的精度。此外对于如何解决网格粗化等问题仍需要进行技术攻关。

5、高分辨率层序地层学方法高分辨率层序地层学是从成因地层学入手，对储层进行较为精细的对比，在油田或油气藏范围内，主要通过关键界面的认识和对比进行研究。

该方法主要根据沉积基准面原理，详细划分对比储集层，建立高分辨率层序地层框架，此时等时地层格架与一定级次的流动单元相一致，控制了砂体储集层内一定规模的流体流动，同时由于沉积物的体积分配与相分异的结果，砂体储集层的非均质性特征与基准面之间存在对应关系，为注水对应分析及剩余油预测提供了依据。

神经网络算法原理

4.2.1概述人工神经网络的研究与计算机的研究几乎是同步发展的。

1943年心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型，20世纪50年代末，Rosenblatt提出了感知器模型，1982年，Hopfiled引入了能量函数的概念提出了神经网络的一种数学模型，1986年，Rumelhart及LeCun等学者提出了多层感知器的反向传播算法等。

神经网络技术在众多研究者的努力下，理论上日趋完善，算法种类不断增加。目前，有关神经网络的理论研究成果很多，出版了不少有关基础理论的著作，并且现在仍是全球非线性科学研究的热点之一。

神经网络是一种通过模拟人的大脑神经结构去实现人脑智能活动功能的信息处理系统，它具有人脑的基本功能，但又不是人脑的真实写照。它是人脑的一种抽象、简化和模拟模型，故称之为人工神经网络（边肇祺，2000）。

人工神经元是神经网络的节点，是神经网络的最重要组成部分之一。目前，有关神经元的模型种类繁多，最常用最简单的模型是由阈值函数、Sigmoid函数构成的模型（图4-3）。

图4-3人工神经元与两种常见的输出函数神经网络学习及识别方法最初是借鉴人脑神经元的学习识别过程提出的。

输入参数好比神经元接收信号，通过一定的权值（相当于刺激神经兴奋的强度）与神经元相连，这一过程有些类似于多元线性回归，但模拟的非线性特征是通过下一步骤体现的，即通过设定一阈值（神经元兴奋极限）来确定神经元的兴奋模式，经输出运算得到输出结果。

经过大量样本进入网络系统学习训练之后，连接输入信号与神经元之间的权值达到稳定并可最大限度地符合已经经过训练的学习样本。

在被确认网络结构的合理性和学习效果的高精度之后，将待预测样本输入参数代入网络，达到参数预测的目的。

4.2.2反向传播算法（BP法）发展到目前为止，神经网络模型不下十几种，如前馈神经网络、感知器、Hopfiled网络、径向基函数网络、反向传播算法（BP法）等，但在储层参数反演方面，目前比较成熟比较流行的网络类型是误差反向传播神经网络（BP-ANN）。

BP网络是在前馈神经网络的基础上发展起来的，始终有一个输入层（它包含的节点对应于每个输入变量）和一个输出层（它包含的节点对应于每个输出值），以及至少有一个具有任意节点数的隐含层（又称中间层）。

在BP-ANN中，相邻层的节点通过一个任意初始权值全部相连，但同一层内各节点间互不相连。

对于BP-ANN，隐含层和输出层节点的基函数必须是连续的、单调递增的，当输入趋于正或负无穷大时，它应该接近于某一固定值，也就是说，基函数为“S”型（Kosko，1992）。

BP-ANN的训练是一个监督学习过程，涉及两个数据集，即训练数据集和监督数据集。

给网络的输入层提供一组输入信息，使其通过网络而在输出层上产生逼近期望输出的过程，称之为网络的学习，或称对网络进行训练，实现这一步骤的方法则称为学习算法。

BP网络的学习过程包括两个阶段：第一个阶段是正向过程，将输入变量通过输入层经隐层逐层计算各单元的输出值；第二阶段是反向传播过程，由输出误差逐层向前算出隐层各单元的误差，并用此误差修正前层权值。

误差信息通过网络反向传播，遵循误差逐步降低的原则来调整权值，直到达到满意的输出为止。

网络经过学习以后，一组合适的、稳定的权值连接权被固定下来，将待预测样本作为输入层参数，网络经过向前传播便可以得到输出结果，这就是网络的预测。

反向传播算法主要步骤如下：首先选定权系数初始值，然后重复下述过程直至收敛（对各样本依次计算）。

（1）从前向后各层计算各单元Oj储层特征研究与预测（2）对输出层计算δj储层特征研究与预测（3）从后向前计算各隐层δj储层特征研究与预测（4）计算并保存各权值修正量储层特征研究与预测（5）修正权值储层特征研究与预测以上算法是对每个样本作权值修正，也可以对各个样本计算δj后求和，按总误差修正权值。