改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)用于基于氣相色譜法的原油密度定量分析

梁海波, 丁 帥, 魏 琪, 鄒佳玲

(西南石油大學(xué)機電工程學(xué)院, 四川 成都 610500)

儲集層原油性質(zhì)的快速判斷,對錄井油氣水解釋、電纜測壓取樣、地層測試工具及工藝的選擇、成藏模式研究有著重要作用[1]。目前地球化學(xué)錄井技術(shù)能夠有效定量描述儲集層含油氣豐度、烴組分分布狀態(tài)等,了解儲集層原油性質(zhì)的細(xì)微變化、原油遭受破壞的程度,發(fā)現(xiàn)地下地質(zhì)現(xiàn)象和規(guī)律的特殊性,為儲集層的綜合評價研究提供可靠性的認(rèn)識[2]。

巖石熱解分析和氣相色譜分析是地化錄井中主要的技術(shù)方法[3]。巖石熱解分析技術(shù)是根據(jù)有機質(zhì)熱蒸發(fā)或熱裂解特性,對含有機質(zhì)的巖樣進(jìn)行程序升溫加熱,使其中的烴類(油、氣)熱蒸發(fā)成氣體,并使高聚合有機質(zhì)(干酪根、瀝青質(zhì)、膠質(zhì))熱裂解為揮發(fā)性的烴類產(chǎn)物,通過惰性氣體攜帶走熱解產(chǎn)物,以氫焰檢測器定量檢測;樣品內(nèi)的殘余有機碳在600 ℃溫度下氧化,生成CO2和少量CO,由紅外或熱導(dǎo)檢測器檢測,經(jīng)計算得到殘余有機碳的含量[4-6]。氣相色譜分析包括熱蒸發(fā)氣相色譜、輕烴氣相色譜等。熱蒸發(fā)氣相色譜技術(shù)是一種應(yīng)用于巖石中烴類組分檢測的錄井方法,原理是將樣品在熱解爐中加熱到300～350 ℃,使存在于儲集巖孔隙或裂縫中的油氣組分揮發(fā),用氣相色譜分離這些產(chǎn)物,并通過火焰離子化檢測器(flame ionization detector, FID)檢測,由計算機自動記錄各組分的色譜峰及其相對含量[4,5]。為了避免儲層原油中較重?zé)N類熱裂解成輕烴或烯烴,導(dǎo)致分析的烴類組分分布失真,熱蒸發(fā)烴分析的溫度必須控制在350 ℃以下。輕烴氣相色譜技術(shù)以原油中的輕烴為研究對象。輕烴泛指原油中的汽油餾分,主要以C1～C2為主,包括烷烴、環(huán)烷烴和芳香烴3族烴類,是石油和天然氣的重要組成部分,在原油中含量最高,組分最豐富。

根據(jù)儲集層原油性質(zhì)密度劃分標(biāo)準(zhǔn)[1,7],在溫度20 ℃條件下,將原油分為凝析油(密度≤0.830 g/cm3)、輕質(zhì)油(密度在0.830～0.870 g/cm3之間)、中質(zhì)油(密度在0.870～0.920 g/cm3之間)、重質(zhì)油(密度在0.920～1.000 g/cm3之間)、超重油(密度≥1.000 g/cm3)。通過計算原油密度直接評價原油性質(zhì)是一個重要方向。利用巖石熱解分析的3個主要參數(shù)S0(90 ℃時檢測的單位質(zhì)量巖石中的烴含量(氣態(tài)烴), mg/g)、S1(300 ℃時檢測的單位質(zhì)量巖石中的烴含量(液態(tài)烴), mg/g)、S2(300～600 ℃檢測的單位質(zhì)量巖石中的烴含量,mg/g)以及其派生參數(shù)PG(含油氣總量,mg/g)、TPI(總產(chǎn)率指數(shù))、OPI(油產(chǎn)率指數(shù))、HPI(原油中重質(zhì)烴類及膠質(zhì)和瀝青質(zhì)含量)、PS(輕重?zé)N比),可以建立原油密度的定量評價公式[4],該模型能夠較準(zhǔn)確地預(yù)測儲集層原油密度,為試油及開發(fā)的措施、方案提供一定的數(shù)據(jù)支撐。但是該模型利用特定區(qū)域的數(shù)據(jù)建模,模型參數(shù)固定,因此模型的多區(qū)域泛化能力不強,并且需要巖石熱解分析的大量原始數(shù)據(jù)。通過建立地化(巖石熱解、熱解氣相色譜)衍生參數(shù)解釋評價圖版來對儲集層油質(zhì)類型進(jìn)行判斷也是目前常用的方法,利用熱解氣相色譜和巖石熱解分析中主峰碳數(shù)、∑nC21-/∑nC22+(nC表示正構(gòu)烷烴,下標(biāo)表示碳數(shù);∑nC21-: nC21以前組分質(zhì)量分?jǐn)?shù)總和;∑nC22+: nC21以后組分質(zhì)量分?jǐn)?shù)總和)和(S0+S1)/S2這3個主要參數(shù),組合3種不同種類的解釋圖版用于判斷原油性質(zhì),該方法應(yīng)用于中國渤海油田A區(qū)域效果良好,能夠較為準(zhǔn)確地判斷出儲集層原油性質(zhì)[5,7,8],與常規(guī)氣測錄井相比提高了判斷的準(zhǔn)確率。但該圖版的建立需要使用大量實際數(shù)據(jù)作為基礎(chǔ)來計算趨勢線并劃分不同油質(zhì)區(qū)域,效率較低,且該方法建立的解釋評價圖版只適用于特定區(qū)域,更換不同區(qū)域的油井后需要重新建立解釋評價圖版,因此該方法缺少泛化能力。隨著近年來大數(shù)據(jù)與人工智能的快速發(fā)展,許多研究人員也將數(shù)據(jù)挖掘技術(shù)應(yīng)用在錄井原油性質(zhì)判別中,對巖石熱解數(shù)據(jù)和氣相色譜數(shù)據(jù)進(jìn)行適當(dāng)數(shù)據(jù)處理并提取合適的特征參數(shù),再利用決策樹即可對原油性質(zhì)進(jìn)行分類[9]。相比于以上兩種常規(guī)分析判斷方法,應(yīng)用該技術(shù)對原油性質(zhì)分類的效率有所提高,但是準(zhǔn)確率相對較低,且其訓(xùn)練所用數(shù)據(jù)量比較少,應(yīng)用范圍也相對較小,尚有很大提升空間。除了以上基于巖石熱解和氣相色譜數(shù)據(jù)進(jìn)行的原油性質(zhì)判斷外,還有基于高斯過程回歸預(yù)測欠飽和油藏密度預(yù)測,以及多層前饋反向傳播感知器預(yù)測欠飽和原油密度這兩種方法,但是該方法只適用于欠飽和油藏,且其尚未直接提出對原油性質(zhì)的預(yù)測分類方法[10,11]。

為了適應(yīng)工程錄井的智能化發(fā)展方向,減少人力成本的同時加快對儲集層原油性質(zhì)的判斷,本文提出一種新的儲集層原油密度預(yù)測模型,該模型優(yōu)化了地化錄井巖石熱解氣相色譜圖特征參數(shù)提取方法,優(yōu)選了8種與密度相關(guān)性較大的譜圖特征參數(shù),將其與反向傳播神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)以及麻雀搜索優(yōu)化算法相結(jié)合,實現(xiàn)了對目標(biāo)儲集層原油密度的定量分析,模型收斂速度快,準(zhǔn)確率高且具有較強的泛化能力,適用于對不同區(qū)域不同儲集層原油密度的快速預(yù)測。

1 實驗方法

1.1 氣相色譜條件

RZF-3000型熱解組分儀(山東魯南瑞虹化工儀器有限公司),Petrocol?EX2887毛細(xì)管色譜柱(5.0 m×0.53 mm×0.10 μm，美國默克公司),熱解爐口溫度300 ℃,火焰離子化檢測器溫度310 ℃;色譜柱初始柱溫100 ℃,以10 ℃/min程序升溫至300 ℃,恒溫25 min,運行結(jié)束。氮氣作載氣,流速為41.5 mL/min;氫氣作燃?xì)?流速為40 mL/min;空氣作助燃?xì)夂蛣恿?流速為300 mL/min,分流比為1∶60;尾吹用氮氣,流速為25 mL/min。

1.2 地化譜圖特征的提取

儲集層原油中的部分烴總是會與巖石中的細(xì)菌和氧氣發(fā)生菌解、氧化作用[1]。該作用會形成一定量的未分辨化合物(unresolved complex mixtures, UCMs),色譜柱無法細(xì)分,但能測定其總量[12],在色譜圖中的表現(xiàn)是形成基線隆起特征。為了表征這一重要特征,需要計算原油的生物降解度(D)[1]:

(1)

其中A1代表曲線峰頂連線數(shù)值積分,A2代表曲線谷底連線數(shù)值積分。A1與A2采用頂峰識別算法,提取特征峰特征,忽略不需要識別的小峰,然后對識別到的峰進(jìn)行數(shù)值積分。

根據(jù)巖石熱解氣相色譜的原理可知,主峰出現(xiàn)時間越靠后碳數(shù)越大。同時基于原油生物降解原理,主峰碳數(shù)越大生物降解程度越嚴(yán)重。因此本實驗將色譜圖中最高峰的保留時間作為一個預(yù)測原油密度、劃分原油性質(zhì)的重要特征參數(shù)。

本文所研究的色譜圖中正構(gòu)烷烴主要分布在nC12～nC37,其中主峰碳C17～C18為凝析油,C21～C23為輕質(zhì)油,C22～C24為中質(zhì)油,C28為重質(zhì)油[1]。某一碳數(shù)烴的出峰時間并不能完全代表原油性質(zhì),但將碳數(shù)相近的烴類放在一起便可作為一個重要特征?；诖?為了表征某類烴的出峰特征,本文提出色譜峰面積分割法,將整個譜圖峰面積按照某類烴的峰面積進(jìn)行縱向分割。具體來說,每4個碳數(shù)劃分一個區(qū)域,在時間軸上均勻劃分出6個區(qū)域。各分割區(qū)域的面積即可作為氣相色譜不同烴類出峰的特征。

大部分氣相色譜圖樣本的基線位置處曲線特征比較復(fù)雜,很難確定,需要特殊處理。中值濾波和高斯平滑處理廣泛用于圖像降噪處理[13],本實驗采用該方法去除色譜基線周圍的特征峰,準(zhǔn)確確定譜圖的基線位置。使用MATLAB軟件,調(diào)用函數(shù)medfilt()對圖像處理實現(xiàn)中值濾波,調(diào)用smoothdata()函數(shù)實現(xiàn)高斯平滑處理。

各特征值與原油密度相關(guān)系數(shù)r按照以下公式[9]計算:

(2)

1.3 模型建立

1.3.1反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測模型

反向傳播神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)[14]。該網(wǎng)絡(luò)通常有一個或多個隱層,本文在該層中均采用sigmoid型傳遞函數(shù),為了實現(xiàn)對原油密度的預(yù)測所以輸出層中傳遞函數(shù)采用線性傳遞函數(shù),這樣整個反向傳播神經(jīng)網(wǎng)絡(luò)便可以輸出任意值。根據(jù)前文提取的特征參數(shù),每一張色譜圖可以提取8個特征值,組成一個8維特征向量作為反向傳播神經(jīng)網(wǎng)絡(luò)模型的輸入。因此這里將反向傳播神經(jīng)網(wǎng)絡(luò)的輸入層定為8維,輸出層定為1維。本文采用網(wǎng)絡(luò)結(jié)構(gòu)增長型方法選取隱層節(jié)點個數(shù),即根據(jù)經(jīng)驗公式(3)[14],先設(shè)置較少的節(jié)點數(shù),對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并測試學(xué)習(xí)誤差,然后逐漸增加節(jié)點數(shù),直到學(xué)習(xí)誤差不再明顯減少為止。

(3)

式中n1取整數(shù)部分作為反向傳播網(wǎng)絡(luò)的隱層節(jié)點個數(shù),n為輸入節(jié)點個數(shù),m為輸出節(jié)點個數(shù),a為1到10的常數(shù)。

綜合考慮單個樣本的誤差與全局誤差,采用均方根誤差RMSE來衡量整個網(wǎng)絡(luò)模型的誤差:

(4)

1.3.2基于麻雀搜索算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型

廣義回歸神經(jīng)網(wǎng)絡(luò)建立在非參數(shù)核回歸的基礎(chǔ)上,是基于徑向基函數(shù)網(wǎng)絡(luò)的一種改進(jìn)神經(jīng)網(wǎng)絡(luò)模型[15-19]。如圖1所示為廣義回歸神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖,輸入層的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本中輸入向量的維數(shù),模式層神經(jīng)元數(shù)目等于學(xué)習(xí)樣本的數(shù)目,輸出層神經(jīng)元數(shù)目等于樣本輸出向量維數(shù)。輸入層神經(jīng)元不進(jìn)行運算,直接將輸入變量X傳遞給模式層。模式層又稱為隱回歸層,各神經(jīng)元對應(yīng)不同的樣本,神經(jīng)元i的傳遞函數(shù)為[15]:

(5)

其中σ為平滑因子。

圖 1 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Generalized regression neural network structure xn: input parameter; Pn: mode layer node; n: number of nodes in the mode layer; S0: arithmetic summation of mode layer; Sm: weighted summation of mode layer; ym: output result.

模式層每個神經(jīng)單元對應(yīng)一個訓(xùn)練樣本,以高斯核函數(shù)為活化核函數(shù)。求和層共由兩個單元組成,分別求用于輸出層計算的分子項和分母項。其中第一個單元與輸出節(jié)點個數(shù)m對應(yīng),第j個節(jié)點輸出Sj為輸出向量Y中的第j個元素yij與模式層中第i個神經(jīng)元輸出Pi的加權(quán)和,即模式層中第i個神經(jīng)元Pi與求和層中第j個神經(jīng)元間的連接權(quán)值為yij,其計算公式如下[16]:

(j=1, 2, …,m)

(6)

第2個單元只有一個節(jié)點,即模式層各神經(jīng)元與求和層的連接權(quán)值為1,輸出S0為模式層各節(jié)點輸出Pi之和,其計算公式如下[17]:

(7)

輸出層各神經(jīng)元的輸出即估計值為求和層中兩個單元的求和結(jié)果相除,其計算公式如下[18]:

(8)

當(dāng)訓(xùn)練數(shù)據(jù)很大時,廣義回歸神經(jīng)網(wǎng)絡(luò)不需要像反向傳播神經(jīng)網(wǎng)絡(luò)那樣進(jìn)行多次迭代計算,該模型具有更快的學(xué)習(xí)速度,并能夠收斂到最優(yōu)回歸曲面。對于廣義回歸神經(jīng)網(wǎng)絡(luò)算法,當(dāng)所輸入的訓(xùn)練樣本集確定時,神經(jīng)網(wǎng)絡(luò)訓(xùn)練本質(zhì)上是確定平滑因子σ的過程,網(wǎng)絡(luò)的預(yù)測性能與平滑因子σ的取值有很大關(guān)聯(lián)。

受到麻雀的覓食行為和反捕食行為的啟發(fā),有研究提出了麻雀搜索算法[20,21],該算法能在限定范圍內(nèi)快速搜索最佳參數(shù),獲得最優(yōu)解。本文使用該算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的平滑因子σ。模型輸入特征向量同上文,設(shè)定σ的搜索空間為(0, 2),以及麻雀搜索算法的適應(yīng)度函數(shù)為廣義回歸神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練均方根誤差RMSE:

f(σ)=RMSEGRNN

(9)

2 結(jié)果與討論

2.1 實驗樣本

現(xiàn)場鉆井施工得到的240個巖石樣本中,有120個樣本是巖屑取樣,另外120個是壁心取樣,經(jīng)過巖石熱解氣相色譜分析得到240個譜圖樣本,其中各類樣本所占比重如圖2所示。巖屑取樣和壁心取樣得到的是來自不同位置的巖石樣本,因此其經(jīng)過巖石熱解氣相色譜分析得到的樣本譜圖特征有一定差異。在訓(xùn)練模型時,這兩種樣本應(yīng)獨立分析對比,以驗證最佳取樣位置,提高數(shù)據(jù)來源的可靠性。

2.2 氣相色譜圖處理結(jié)果

按照1.1節(jié)的方法提取色譜圖樣本的各項特征參數(shù),圖3是計算降解度時色譜處理結(jié)果圖,在MATLAB軟件中使用頂峰識別算法獲取色譜圖的峰頂和谷底并將其連接為封閉圖形,圖中曲谷底數(shù)值積分面積A2遠(yuǎn)遠(yuǎn)小于曲線峰頂數(shù)值積分面積A1,根據(jù)公式(1)可知,降解度D更接近0,反映出儲集層原油生物降解度低。

圖 3 頂峰連線、谷底連線處理圖Fig. 3 Processing diagram of peak connection and valley bottom connection

中值濾波對脈沖噪聲有良好的濾除作用,特別是在濾除噪聲的同時,能夠保護(hù)信號的邊緣,使之不被模糊,這些優(yōu)良特性是線性濾波方法所不具有的。高斯濾波是一種線性平滑濾波,適用于消除色譜圖中的高斯噪聲。圖4為濾波后的譜圖曲線以及計算的基線位置,與圖5對比可以看出,基線位置并不是谷底連線,一般基線位置高于谷底連線。這里確定的基線位置可以用于后續(xù)計算基線分區(qū)面積。

圖 4 基線確定色譜圖Fig. 4 Baseline determination chromatogram

圖 5 分區(qū)后的色譜圖Fig. 5 Post-partitional chromatogram

如圖5是分割后的填充色譜圖,在時間軸上將色譜填充圖分為6個分區(qū),以不同顏色標(biāo)記。通過計算分區(qū)面積可以得出分區(qū)面積特征與原油密度的相關(guān)性。從表1可以看出,分區(qū)頂峰連線與橫軸所圍絕對面積、分區(qū)基線面積、分區(qū)絕對面積相對分區(qū)矩形面積(以分區(qū)橫軸為寬、縱軸為長的矩形面積)的比值與原油密度的相關(guān)性都較大。同一區(qū)域的3種分區(qū)面積特征與原油密度的相關(guān)性差距不大。因此,為了減少模型輸入?yún)?shù)的維數(shù),在保證6個區(qū)域所用分區(qū)面積特征是同一種的情況下,只需從3種分區(qū)面積特征中任意選取一種作為后續(xù)模型的輸入?yún)?shù)即可,本文選擇分區(qū)絕對面積作為特征參數(shù)。樣本譜圖的降解度和原油密度的相關(guān)系數(shù)可達(dá)0.919 1,符合降解度高的樣本原油密度高的規(guī)律。曲線最大峰值出現(xiàn)時間與原油密度相關(guān)系數(shù)為0.709 2。因此本實驗使用6個分區(qū)面積特征、降解度、最大峰出現(xiàn)時間這8個特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入。

表 1 各分區(qū)面積特征與原油密度的相關(guān)性

2.3 實驗?zāi)Ｐ驮u價指標(biāo)

將巖屑取樣譜圖和壁心取樣譜圖各分成兩組,其中83%的樣本用于神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練(100個), 17%的樣本用于模型測試(20個)。利用選取的數(shù)據(jù)集分別訓(xùn)練建立的3種智能模型,測試結(jié)果表明,改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)模型的預(yù)測分類結(jié)果優(yōu)于其他兩種模型。根據(jù)前文所述儲集層原油性質(zhì)密度劃分標(biāo)準(zhǔn)[1]和油氣性質(zhì)分類規(guī)范[22],當(dāng)預(yù)測密度與試油密度的絕對誤差不超過0.02時,后續(xù)對原油性質(zhì)的判斷準(zhǔn)確率可以達(dá)到90%以上。基于此本文將密度預(yù)測誤差閾值設(shè)為0.02,各模型對巖屑取樣譜圖和壁心取樣譜圖的密度預(yù)測誤差符合率如表2所示。相比于前兩類預(yù)測模型,改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)模型對巖屑樣本和壁心樣本的預(yù)測誤差符合率均在95%以上。

表 2 模型預(yù)測誤差符合率(絕對誤差<0.02)

圖6為麻雀搜索算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)模型迭代優(yōu)化曲線,模型初次訓(xùn)練時適應(yīng)度值較大,經(jīng)過幾次尋優(yōu)算法的調(diào)整后,適應(yīng)度值快速下降且曲線振蕩較少,經(jīng)過15次迭代后適應(yīng)度值基本穩(wěn)定在較小值,說明模型收斂速度較快且穩(wěn)定,可極大地節(jié)約人工調(diào)參的時間。

圖 6 麻雀搜索算法迭代曲線Fig. 6 Iterative curve of sparrow search algorithmFitness value=RMSE.

表3是各模型對密度預(yù)測的RMSE,反映了模型預(yù)測密度的離散程度和泛化能力。RMSE越小,模型對密度的預(yù)測越接近真實值,且其對不同樣本譜圖的預(yù)測差異性越小。圖7展示了各模型對巖屑樣本和壁心樣本密度預(yù)測的絕對誤差曲線圖。結(jié)果表明,廣義回歸神經(jīng)網(wǎng)絡(luò)的RMSE和絕對誤差均小于反向傳播神經(jīng)網(wǎng)絡(luò),且通過麻雀搜索算法優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡(luò)對密度預(yù)測的精度和穩(wěn)定性得到進(jìn)一步提高。各模型預(yù)測的結(jié)果都表明,壁心取樣譜圖的預(yù)測效果要優(yōu)于巖屑取樣譜圖,這說明壁心取樣更能真實反應(yīng)儲集層原油性質(zhì)。

表 3 模型預(yù)測的均方根誤差

圖 7 密度預(yù)測的絕對誤差Fig. 7 Absolute errors of density prediction

根據(jù)各模型對樣本譜圖的密度預(yù)測結(jié)果,以及儲集層原油性質(zhì)密度劃分規(guī)則,可以得出色譜原油性質(zhì)分類結(jié)果,準(zhǔn)確率見表4。3種模型中,預(yù)測效果最好的是改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)模型,且壁心取樣獲得的數(shù)據(jù)比巖屑取樣獲得的數(shù)據(jù)更具代表性。

表 4 原油性質(zhì)分類準(zhǔn)確率

3 結(jié)論

隨著工程錄井的不斷發(fā)展,其對智能化的要求也越來越高。為了減少人力勞動并且更加快速準(zhǔn)確地判斷原油性質(zhì),提高效率,使用機器學(xué)習(xí)的方法對原油性質(zhì)進(jìn)行預(yù)測分類逐漸成為大趨勢。本文針對現(xiàn)有的工程錄井方法和原油性質(zhì)判斷模型的不足之處,提出了一種基于巖石熱解氣相色譜的儲集層原油密度預(yù)測模型。對目前的巖石熱解氣相色譜曲線特征參數(shù)的提取方法進(jìn)行了優(yōu)化,通過分析各特征參數(shù)與原油密度的相關(guān)性,優(yōu)選了氣相色譜圖中8種表征原油性質(zhì)的可靠的特征參數(shù),對比分析了反向傳播神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)及其改進(jìn)模型的效果。麻雀搜索算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)模型對巖屑樣本和壁心樣本的預(yù)測RMSE可以降到0.007 9和0.006 9,均優(yōu)于前兩種模型。與圖版法、數(shù)據(jù)挖掘法相比,該模型收斂速度快,可泛化能力較強,大大減少了工作量和時間,提高了錄井的效率,可為后期原油開采提供重要的數(shù)據(jù)支撐。

對于原始樣本的處理方法往往決定了后期提取特征參數(shù)的真實程度,為了進(jìn)一步提高模型預(yù)測的準(zhǔn)確度,可以考慮改進(jìn)樣本數(shù)據(jù)處理和歸一化方法,以及增加樣本來源的廣泛性。在本研究所建立的改進(jìn)廣義回歸神經(jīng)網(wǎng)絡(luò)模型上,還可以進(jìn)一步改進(jìn)麻雀搜索優(yōu)化算法,加速模型收斂速度,提高模型準(zhǔn)確度。