和拟合法。表为井井井井井和井的测井数据作为测试样本的横波速度预测值与实际值的相关系数。由表可见对于训练数据，本文方法的预测结果与实际值的相关系数平均值为，大于拟合法和公式法对于测试法。本文采用算法更新梯度的速度相对较快，但由于单个样本的训练大多会带来很多噪声，因此算法的每次迭代并不都是向着整体最优化的方向进行，易造成早期收敛快晚期收敛慢的现象。参考文献刘欣欣，印兴耀，张峰种碳酸盐岩储层横波速度估算方法中国石油大学学报自然科学版，罗水亮，杨培杰，胡光明，等基于变形模型的矩阵方程迭代精细横波预测地球物理学报，郑旭桢，王涛，刘钊，等泥岩基质弹性参数对模型横波速度估算的影响石油地球物理勘探，唐杰，王浩，姚振岸，等基于岩石物理诊断的横波速度估算方法石油地球物理勘探，熊晓军，林凯，贺振华基于等效弹性模量反演的横波速度预测方，表明本文方法的实用性较好。表井井井井井井井井井和井的测井数据表井井井井井井井井井和井的测井数据图横波速度预测值和真实值从左至右依次为训练井训练井测试井和测试井图横波速度绝对误差曲线从左至右依次为训练井训练井测试井和测试井结束语本文提出了种基于神经网络的横波速度预测方法，利用区的测井数据训练测试，得到以下认识。横波速度与纵波速度密度和自然伽马等储层参数之间存在定的相关性。纵波速度密度和电阻率对数与横波速度呈较好的正相关关系。自然伽马值孔隙度与横波速度呈负相关关系。利用基于神经网络的横波速度预测方法对实际测井数据的试算结果表明对于多数井训练少数井验证，训练数探讨横波速度预测中神经网络的应用地球物理学论文对应的个维数组依次输入到构建好的神经网络中，对神经网络训练。探讨横波速度预测中神经网络的应用地球物理学论文。将训练样本对应的个维数组依次输入构建好的神经网络中，对神经网络训练。然后将测试样本对应的个维数组依次输入到训练好的神经网络中，输出预测横波速度并与实际横波速度基于公式法预测的横波速度和基于拟合法预测的横波速度对比。表为井井井井井井井井井和井的测井数据作为训练样本的横波速度预测相对误差。由表可见对于训练数据，本文方法预测的横波速度相对误差平均值为，小于多数井训练少数井验证对于测试数据，本文方法预测的横波速度相对误差平均值为，大于多数井训练少数井验证。这是由表为井井井井井和井的测井数据作为测试样本的横波速度预测相对误差。由表可见对于训练数据，本文方法预测的横波速度相对误差约为，小于拟合法和公式法对于测试数据，本文方法预测的横波速度相对误差略有增大，约为，仍低于公式法和拟合法。表为井井井井井和井的测井数据作为测试样本的横波速度预测值与实际值的相关系数。由表可见对于训练数据，本文方法的预测结果与实际值的相关系数平均值为，大于拟合法和公式法对于测试数据，本文方法的相关系数略有减小，平均值为，仍大于公式法和拟合法。选择井井井井井和井的测井数据作为测试样本，其他测井数据作为训练样本。将训练样本对应的个维数组和测试样本对应的个维数组然伽马横波速度孔隙度横波速度电阻率对数横波速度为两个变量之间的相关系数基于的横波速度预测方法神经网络理论神经网络是神经网络的种变体，神经网络是在的基础上发展起来的。是种成熟的机器学习方法，在处理时序数列方面具有着很大优势。中包含信号反馈结构，能将时刻的输出信息与时刻之前的信息相关联，具有动态特征和记忆功能。图为结构示意图。由图可见结构包括输入层隐藏层和输出层，其中隐藏层包含反馈结构时刻的输出值是该时刻及其之前时刻的输入信息共同作用的结果能够有效地分析和处理较短的时序数列，但不能分析和处理维储层参数与横波速度的相关性储层参数反映了储层的具体特征，与横波速度之间存在着必然联系。通常通过测井方法得到储层参数，目前常用的测井方法包括声波时差测井密度测井自然伽马测井中子测井和电阻率测井等。本文主要分析由这些测井方法得到的储层参数纵波速度密度自然伽马值孔隙度和电阻率与横波速度之间的相关性。纵横波速度同时受储层的岩石骨架和孔隙流体影响，因此纵横波速度之间存在正相关关系密度直接参与储层体积模量和剪切模量的计算，间接参与横波速度的计算，因此密度与横波速度具有定相关性自然伽马值反映了储层骨架中的泥质含量，与横波速度具有正相关关系孔隙度值反映了储层的地质结构，直接影响横波外，郑旭桢等唐杰等熊晓军等基于岩石物理建模预测横波速度，均取得了较好效果。利用岩石物理建模法预测横波速度精度较高，但是算法复杂所需参数较多，导致计算效率较低。经验公式法和岩石物理建模法都是基于横波速度和其他参数之间的关系，利用其他参数预测横波速度。经验公式法利用储层参数密度和自然伽马等预测横波速度，岩石物理建模法利用弹性参数体积模量和剪切模量等预测横波速度，相比而言，储层参数更容易获得。但是在般情况下，横波速度和弹性参数的关系式较横波速度和储层参数的关系式更准确，因此提高横波速度预测精度和预测效率可以从两方面入手，即建立横波速度和储层参数之间的高精度关系式或提高提取弹性参域取得了重大进展。机器学习方法主要分为分类回归和聚类种，其中回归主要处理和预测时序数列。神经网络是基于回归思想提出的种机器学习方法，并已经成功应用于时序数列的分析和预测。通过引入神经网络，本文提出种利用储层参数预测横波速度的方法，具体步骤包括神经网络构建数据预处理样本训练和数据预测等。选择区测井数据测试，结果表明该方法具有较高精度和较好的适用性。探讨横波速度预测中神经网络的应用地球物理学论文。前向计算每个神经元的输出值。反向计算每个神经元的误差项。神经网络误差项的反向传播包括两个方面个是沿时间的反向传播，即主要通过建立岩石物理模型精确地计算岩石的弹性参数，然后基于弹性参数和横波速度之间的关系计算横波速度。等基于砂岩和泥岩孔隙的几何形态，提出了砂泥岩储层的等效介质模型模型随后等基于该模型估算了碳酸盐岩的孔隙形状，较为精确地预测了横波速度。刘欣欣等采用自适应遗传算法计算岩石物理模型的弹性参数预测横波速度并应用于体积模量反演，取得了较好效果。罗水亮等对模型和模型进行变形，提出了变形模型，利用地震反演预测横波速度。此外，郑旭桢等唐杰等熊晓军等基于岩石物理建模预测横波速度，均取得了较好效果。利用岩石物理建模法预测横波速度精度较高，但是算法复神经网络的种变体，神经网络是在的基础上发展起来的。是种成熟的机器学习方法，在处理时序数列方面具有着很大优势。中包含信号反馈结构，能将时刻的输出信息与时刻之前的信息相关联，具有动态特征和记忆功能。图为结构示意图。由图可见结构包括输入层隐藏层和输出层，其中隐藏层包含反馈结构时刻的输出值是该时刻及其之前时刻的输入信息共同作用的结果能够有效地分析和处理较短的时序数列，但不能分析和处理维度过长的时序数列，否则会产生梯度消失或梯度爆炸的现象。针对这问题，等提出了种改进结构神经网络，其隐藏层探讨横波速度预测中神经网络的应用地球物理学论文数的效率，后者在目前较难实现。本文主要研究如何精确地建立横波速度和储层参数之间的关系式。近年来，机器学习技术迅速发展，在不同领域取得了重大进展。机器学习方法主要分为分类回归和聚类种，其中回归主要处理和预测时序数列。神经网络是基于回归思想提出的种机器学习方法，并已经成功应用于时序数列的分析和预测。通过引入神经网络，本文提出种利用储层参数预测横波速度的方法，具体步骤包括神经网络构建数据预处理样本训练和数据预测等。选择区测井数据测试，结果表明该方法具有较高精度和较好的适用性。探讨横波速度预测中神经网络的应用地球物理学论文元回归法，。经验公式法容易实现，计算效率高，但拟合关系式反映了大量测井数据的统计规律，在实际应用时存在较大误差。岩石物理建模法主要通过建立岩石物理模型精确地计算岩石的弹性参数，然后基于弹性参数和横波速度之间的关系计算横波速度。等基于砂岩和泥岩孔隙的几何形态，提出了砂泥岩储层的等效介质模型模型随后等基于该模型估算了碳酸盐岩的孔隙形状，较为精确地预测了横波速度。刘欣欣等采用自适应遗传算法计算岩石物理模型的弹性参数预测横波速度并应用于体积模量反演，取得了较好效果。罗水亮等对模型和模型进行变形，提出了变形模型，利用地震反演预测横波速度。法包括声波时差测井密度测井自然伽马测井中子测井和电阻率测井等。本文主要分析由这些测井方法得到的储层参数纵波速度密度自然伽马值孔隙度和电阻率与横波速度之间的相关性。纵横波速度同时受储层的岩石骨架和孔隙流体影响，因此纵横波速度之间存在正相关关系密度直接参与储层体积模量和剪切模量的计算，间接参与横波速度的计算，因此密度与横波速度具有定相关性自然伽马值反映了储层骨架中的泥质含量，与横波速度具有正相关关系孔隙度值反映了储层的地质结构，直接影响横波速度储层的岩石骨架通常不导电，电阻率主要反映储层的孔隙流体特征，因此也能反映横波速度变化。图为区储层参数与横波速度交会图。由图可当前时刻起，计算每个时刻的误差项另个是将误差项传递到上层。根据误差项，利用优化算法计算相应的权重梯度。利用得到的梯度更新权重。本文采用随机梯度下降法计算权重梯度。普通的批量梯度下降法在每次迭代过程中把所有的样本都计算遍，然后更新梯度算法是从样本中随机抽出组进行计算然后更新梯度。相对于算法，算法既能够较好地避免在计算过程中陷入局部极值，又不需要在每次迭代过程中计算所有样本，能够兼顾计算效率和计算精度。随着勘探技术的发展，传统的经验公式法已经不能满