[发明专利]基于径向基函数神经网络模型的测井曲线预测方法

权利要求书

1.一种基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：包含所要预测的老井和与老井所处同一油气田的至少1口新井，已知新井的多条测井曲线，运用人工神经网络技术建立预测模型，然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。

2.根据权利要求1所述的基于径向基函数神经网络模型的测井曲线预测方法，其特征在于：所述运用人工神经网络技术建立预测模型的步骤如下，

第一步、选定标准井，

所述标准井为测井曲线较全的新井，该新井的测井曲线为常规测井曲线，该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线；

第二步、确定老井需要预测的具体测井曲线，

假定老井需要预测的某一具体测井曲线为输出且用y表示，老井需要预测的其它具体测井曲线也为输出，其它具体测井曲线的个数为p个，其它具体测井曲线也为输出对应用x₁、x₂、…、x_p表示，其中p为≧2的自然数；

假定用于建立预测模型的具体测井曲线有N个取样点，对应的用向量X₁、X₂、…、X_N表示输入，其中N为>1的自然数，其中第k个输入为X_k＝[x_1k、x_2k、…、x_pk]^T，k＝1,2，…，N，所对应的N个输出用向量Y＝[y₁、y₂、…、y_N]^T表示；^T表示转置，写成行向量，转置就是列向量；

第三步、构建输入—输出训练样本集，从上述第二步所述N个样本中选择M个样本构成基函数的中心，这里采用的是自组织选取中心法，中心位置是动态变化的，然后将N个样本反复输入，直到中心位置稳定为止；

X^j＝[x_1j、x_2j、…、x_pj]^T，j＝1,2,…,M，

所述M为>1的自然数，

选择M个基函数，每个基函数对应一个训练数据，各基函数的形式为

训练数据点X^j是基函数的中心，基函数以输入空间的点X与中心X^j的距离作为函数的自变量，由于距离是径向同性的，所以函数称为径向基函数；

第四步、建立预测模型，

基于第三步所述径向基函数的人工神经网络模型为

式中j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测的某个点的参数(输入)；y是对应的输出；

将第N个训练样本X_i，y_i分别带入上述模型学习训练,得到

上式实际上是一个关于M个未知数(权值系数)ω_j(j＝1,2,…,M)的线性方程组，令并写成矩阵形式就是：

基函数采用Reflected sigmoidal(反演S型)函数

其中δ称为径向基函数的扩展常数，1/δ²称为平滑因子，也称为稳定因子，d_max是样本间的最大距离，N是样本个数；

由于N>M，所以上述方程组是一个超定方程组，解此方程组可获得M个未知数(权值系数)ω_j(j＝1、2、…、M)的解，于是便可得到基于自组织选择

中心法的径向基函数人工神经网络预测模型为

式中X表示输入，y表示输出，X^j(j＝1、2、…、M)表示M个训练中心；

第五步、预测老井所需要预测的测井曲线，

将老井所要预测井段的测井曲线(取样点)值X_i＝[x_1i、x_2i、…、x_pi]^T依次带入中，就可得到所需要预测的测井曲线值y_ii＝1、2、…、N。