PCR和LM-BP神经网络在孔隙度预测中的应用
Inner Mongolia Petrochemical Industry（2022）
摘要
储层孔隙度是反映储层储集性能的重要参数.目前通常选取与岩心分析孔隙度相关性较高的测井数据与孔隙度建立多元线性回归模型预测储层的孔隙度.因忽略了相关性较低的测井数据可能会造成地层孔隙度部分信息漏失,并且由于变量间的多重共线性会导致采用测井数据进行多变量综合分析时的回归模型不稳定,增大预测误差.针对以上问题,综合选取反映地层声、电、放属性的测井数据,采用主成分回归(PCR)算法、Levenberg-Marquardt(LM)算法优化的BP神经网络以及多元线性回归的方法,分别对靶区Q4段的孔隙度进行预测,结果表明LM-BP神经网络、PCR及多元线性回归的相对误差分别为7.10％、10.63％、14.99％.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要