应用GRNN预测致密砂岩气层压裂产能与等级

"潘保芝，石玉江，蒋必辞等人在2015年的研究中探讨了致密砂岩气层的压裂产能及等级预测方法，主要针对鄂尔多斯盆地苏里格东部地区的盒8段致密砂岩气层。他们利用测井参数与压裂施工参数，通过神经网络法，特别是Elman神经网络、支持向量回归（SVR）和广义回归神经网络（GRNN）三种模型进行了压裂产能的预测分析。研究发现，GRNN模型在参数简洁性、预测精度和运算速度上具有优势，适合用于预测致密砂岩气层的压裂产能等级，且在实际应用中预测准确率达到了90%。" 这篇论文关注的是如何有效地预测致密砂岩气层的压裂产能，这是由于这类储层的特性——孔隙度小、渗透率低、含气饱和度低，使得其天然产能极低，必须依赖压裂技术来提高产量。作者采用的预测方法是基于数学统计的神经网络法，通过分析影响储层流动性质的测井数据（如电阻率、自然伽马、声波时差、中子、密度）和反映压裂施工过程的参数（单位厚度砂体积、砂比、砂质量浓度、单位厚度排量、单位厚度入井总液量），构建预测模型。 在三种神经网络模型中，Elman神经网络是一种具有反馈连接的递归神经网络，适用于处理序列数据；支持向量回归（SVR）是一种监督学习模型，能够在非线性情况下进行高效预测；而广义回归神经网络（GRNN）则以其简单的网络结构（只有一个平滑参数）和快速的收敛速度受到青睐。通过对这些模型的对比，研究发现GRNN在预测产能等级时表现最优，不仅参数少，而且预测精度高，运行速度快，这使得GRNN成为优选的预测工具。 论文的结论部分提到，使用GRNN模型对苏里格东部地区致密砂岩气层压裂产能的等级预测，准确率达到了90%，这为实际的油气田开发提供了重要的决策依据。这种预测方法的应用有助于优化压裂设计，提高能源开采效率，同时降低不必要的成本支出。