第６４卷第１２期２０１３年１２月化工ＣＩＥＳＣ学报Ｊｏｕｍａｌｖ０１．６４ＤｅｃｅｍｂｅｒＮｏ．１２２０１３基于ＲＢＦ神经网络的油藏相对渗透率曲线计算葛玉磊，李树荣（中国石油大学（华东）信息与控制工程学院，山东青岛２６６５８０）摘要：提出了一种基于改进的ＲＢＦ神经网络的相对渗透率曲线计算方法。利用骨干粒子群的位置更新操作更新ＲＮＡ遗传算法的变异算子得到混合ＲＮＡ遗传算法（ＨＲＧＡ），针对ＲＢＦ神经网络中隐含层径向基中心值的确定，利用ＨＲＧＡ算法对其进行优化，并用于相对渗透率曲线的计算。将ＨＲＧＡ优化的ＲＢＦ神经网络和标准ＲＢＦ神经网络计算的相对渗透率曲线与真实值误差对比分析，实验结果表明ＨＲＧＡ优化的ＲＢＦ神经网络明显提高了计算精度。关键词：ＲＢＦ神经网络；混合ＲＮＡ遗传算法；骨干粒子群；径向基中心值；相对渗透率ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０４３８—１１５７．２０１３．１２．０４５中图分类号：ＴＥ３１２文献标志码：Ａ文章编号：０４３８—１１５７（２０１３）１２—４５７１一０７ＣｏｍｐｕｔａｔｉｏｎｏｆｒｅｓｅｒＶｏｉｒｒｅｌａｔｉＶｅｐｅｒｍｅａｂｉｌｉｔｙｂａｓｅｄｏｎｃｕｒＶｅＲＢＦｎｅｕｒａｌｎｅｔｗＯｒｋＧＥＹｕｌｅｉ。ＬＩＳｈｕｒｏｎｇ（ＣｏＺＺＰｇ已ｏ，Ｉ咒，ｂｒ仇ｎ￡ｉｏ行ｎｎｄＣｏ挖ｆ，’ｏｚＥ咒ｇｉ行ＰＰｒｉ竹ｇ，Ｃ＾ｉ行ｎＬ７九ｉｔ肥ｒｓｉｆｙｏ，ＰＰ￡ｒｏｚｅ“ｍ，Ｑｉｎｇｄ口ｏ２６６５８０，Ｓ＾ｎｎｄｏ，ｚｇ，Ｃ＾ｉ行ｎ）Ａｂｓｔｒａｃｔ：Ｉｎｔｈｉｓｐａｐｅｒ，ａｎｏｖｅｌｃａｌｃｕｌａｔｉｎｇｍｅｔｈｏｄｏｎｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙｃｕｒｖｅｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｉｍｐｒｏＶｅｄＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｉｎｔｈｉｓｍｅｔｈｏｄ，ｐｏｓｉｔｉｏｎｄｉｓｐｌａｃｅｍｅｎｔｔｈｅｈｙｂｒｉｄＲＮＡｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ（ＨＲＧＡ）ｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳｏ）ｃｈａｎｇｉｎｇｗｉｔｈｔｈｅｉｄｅａｏｆｂａｒｅｉｓｂｏｎｅｓａｐｐｌｉｅｄｐａｒｔｉｃｌｅｔｏｔｈｅｍｕｔａｔｉｏｎｃｅｎｔｅｒｓｏｐｅｒａｔｏｒｉｓｐｒｏｐｏｓｅｄ．ＴｈｅＨＲＧＡｏｐｔｉｍｉｚｅｔｈｅｖａｌｕｅｏｆｒａｄｉａｌｉｓｕｓｅｄｉｎｂａｓｉｓｆｕｎｃｔｉｏｎｉｎｔｈｅｈｉｄｄｅｎｌａｙｅｒｏｆＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ．ＴｈｉｓｍｅｔｈｏｄｔｈｅｃａｌｃｕｌａｔｉｏｎｏｆｃｕｒｖｅｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙｃｕｒＶｅ．ＢｙｃｏｍｐａｒｉｎｇａｎｄａｎａｌｙｚｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｒｅＩａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙａｎｄｓｔａｎｄａｒｄＲＢＦ，ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｉｎｄｉｃａｔｅｄｔｈａｔｃａｌｃｕｌａｔｅｄｉｍｐｒｏｖｅｂｙＨＲＧＡ—ＲＢＦｔｈｅｃａｌｃｕｌａｔｉｎｇＨＲＧＡ—ＲＢＦｃａｎａｃｃｕｒａｃｙｏｂｖｉｏｕｓｌｙ．Ｋｅｙｗｏｒｄｓ：ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；ｈｙｂｒｉｄＲＮＡｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ｂａｒｅｂｏｎｅｓｐａｒｔｉｃｌｅｓｗａｒｍ；ｖａｌｕｅｏｆｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｃｅｎｔｅｒｓ；ｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙ士石可用于预测采油速度、最终采收率、含水率、油藏的润湿性等基本生产情况‘卜２Ｉ。因此，在工程实践油水相对渗透率曲线是油田开发方案编制、油田开采动态预测以及油藏模拟中的一项重要参数，中，准确计算出相对渗透率曲线，是必不可少的。关于相对渗透率曲线的计算，通常采用达西公２０１３一０８—１２收到初稿，２０１３一０８—２２收到修改稿。联系人及第一作者：葛玉磊（１９８９一），男，硕士。基金项目：国家自然科学基金项目（６０９７４０３９）；山东省自然科学基金项目（ＺＲ２０１１ＦＭ００２）。Ｒｅｃｅｉｖｅｄｄａｔｅ：２０１３—０８—１２．Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＧＥＦｏｕｎｄａｔｉｏｎｉｔｅｍ：Ｙｕｌｅｉ，ｇｅｙｕｌｅｉ＠１２６．ｃｏｍｂｙｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅｓｕｐｐｏｒｔｅｄＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６０９７４０３９）．万方数据・４５７２・化工学报第６４卷式及其改进形式计算几个离散点处的数值，通过曲线拟合得到相对渗透率曲线，再从曲线的相应位置得到相对渗透率［３］。人工神经网络广泛应用于非线性的函数逼近和拟合，以其自适应映射和在拟合中无须作假设而使拟合的效果具有较高的精度［４］。径向基函数网络（ＲＢＦ网络）具有较强的输入、输出映射功能和复杂的非线性处理能力，在函数逼近领域有广泛的应用。本文是将径向基函数（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ，ＲＢＦ）网络模型应用到渗透率曲线的计算中［５］。ＲＢＦ神经网络隐含层的中心值通常由标准ＲＢＦ的正交最小二乘算法来完成，该算法对初始中心的选择比较敏感，可能陷入局部最佳值，不能得到相对好的拟合效果。遗传算法（ＧＡ）具有较好的全局搜索能力，减少了陷于局部最优的可能［６］。但是传统的遗传算法存在收敛速度慢，容易早熟，遗传算子的无方向性等缺点［７］。本文在动态改变ＲＮＡ遗传算法的变异算子时，结合了骨干粒子群的位置更新公式，得到混合ＲＮＡ遗传算法（ＨＲＧＡ），利用混合遗传算法优化ＲＢＦ神经网络隐含层的中心值，进而将遗传算法优化的ＲＢＦ神经网络（ＨＲＧＡ—ＲＢＦ）应用到相对渗透率曲线的拟合计算中。１ＲＢＦ神经网络的原理ＲＢＦ网络主要包括三层：输入层、隐含层、输出层，其结构如图１所示，它是一种前馈反向传播网络。ＲＢＦ网络实现函数逼近的基本思想：若把网络看成是对未知函数的逼近，则任何函数都可以表示成一组基函数的加权和。在ＲＢＦ网络函数逼近中，选择合适的隐含层神经元的传递函数，构成一组基函数来逼近目标函数∞］。ｉｎｐｕｔ１ａｙｅｒｘｈｉｄｄｅｎｌａｙｅｒＲ＠）ｏｕｔｐｕｔｌａｙｃｒｙ图１ＲＢＦ神经网络结构Ｆｉｇ．１ＳｔｒｕｃｔｕｒｅｃｈａｒｔｏｆＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ设输入层包括咒个神经元节点，隐含层包括，．个神经元节点，输出层包括Ｍ个神经元节点。隐含层第Ｊ个神经元节点与输入层第ｉ个神经元节点之间的连接权为％，隐含层神经元节点Ｊ与输入万方数据层咒个神经元节点之间的连接权向量为Ｍ一（哟！，姊２，…，％）７，ｊ一１，２，…，ｒ（１）则隐含层神经元与输入层神经元之间的连接权矩阵为Ｗ１一（训ｌ，砒，…，叫，）７（２）给定一个包含Ｎ个不同点的集合｛ｚｉ∈Ｒ”Ｉｉ一１，２，…，Ｎ）和相应的Ｎ个实数的一个集合｛ｄｉ∈Ｒ１ｉ一１，２，…，Ｎ），寻找一个函数Ｆ：Ｒ”一Ｒ１满足下述插值条件Ｆ（ｚ。）＝ｄ。，ｉ一１，２，…，Ｎ（３）ＲＢＦ的函数逼近就是选择一个函数Ｆ（插值曲面通过所有的已知数据点）具有下列形式ＮＦ（ｚ）一乏：ｍ，，Ｉ（０ｚ—ｚ，０）（４）ｌ一１其中，｛ｊ６（忙一ｚｉ１１）ｌｉ一１，２，…，Ｎ）是Ｎ个任意函数的集合，称为径向基函数；』・ｌＩ表示欧几里德范数。径向基函数通常采用高斯函数，其具体形式为Ｒ；（工）一ｅｘｐｆ一掣１，ｉ一１，２，…，ｍ（５）、ＬＤ・，其中，ｚ是竹维输入向量；巩是第ｉ个感知的变量，它决定了基函数的宽度；ｍ是隐含层神经元个数；ｃｉ是第ｉ个基函数的中心，与ｘ具有相同维数的向量。２基于骨干粒子群的混合ＲＮＡ遗传算法（ＨＲＧＡ）遗传算法是一种基于自然选择和基因遗传的全局优化算法，全局寻优能力和通用性较强，特别适合于传统搜索方法难于解决的复杂非线性优化问题。但也存在一些缺陷，如收敛速度慢，容易早熟，遗传算子的无方向性等。ＲＮＡ遗传算法在继承传统遗传算法的染色体选择、交叉和变异的基础上，引入生物分子操作，通过碱基编码和蛋白质分子的折叠，产生新一代群体，并逐渐逼近最优解，提高了遗传算法的搜索效率和寻优性能‘９｜。但是，遗传算子的无方向性仍然没有解决，为此本文引入骨干粒子群的位置更新公式更新遗传算法的变异算子，提出混合ＲＮＡ遗传算法。２．１标准粒子群及骨干粒子群算法‘１０３假设种群大小为Ｎ，粒子维数为ｍ。第￡代粒子ｉ的位置为Ｘ，（≠）一（ｚｎ（￡），…，ｚ。（ｆ），…，ｚ。（￡）），ｉ一１，２，…，Ｎ第１２期葛玉磊等：基于ＲＢＦ神经网络的油藏相对渗透率曲线计算・４５７３・速度为Ｖ，（ｆ）一（让ｊ（￡），…，ｕｉ（ｆ），…，‰（ｆ））粒子迄今搜索到的个体历史最优值为ｆ）ＢＰｓｆ。（￡）一（加Ｐｎ，ｌ（ｆ），…，加Ｐ５ｆｉ（￡），…，加Ｐ“。（￡））全局最优值为ＧＢＰ盯（ｆ）一（９６Ｐｓ￡ｌ（ｆ），…，驴Ｐ“，（￡）…，驴Ｐ５￡。（ｆ））于是，粒子按式（６）更新位置和速度ｕｉ（￡＋１）＝ｆｌｒｌＪ（加Ｐ盯Ⅱ（ｔ）一ｚｉ（￡））＋ｔ删ｕ（￡）＋ｆ２ｒ２Ｊ（驴８盯Ｊ—ｚｉ（￡））２ｉ（￡＋１）一％（￡）＋％（￡＋１）（６）其中，伽为惯性权重［１１｜，ｃ，和ｃ：称为加速算子，ｒ，ｊ和ｎ，是在［ｏ，１］上均匀分布的随机数。Ｋｅｎｎｅｄｙ［１２３在２００３年提出了骨干粒子群算法，在粒子的位置更新中采用式（７）代替原有粒子群算法的演化方程式（６）％（ｆ＋１）一Ｎｆ坐堕旦÷坐！业，粒子的位置是从以丛堕生堕望！业为均值，以Ｉ加碰ｉ（ｆ）一加删，（￡）ｌ１（７）Ｉ户６Ｐ５￡ｉ（ｆ）一９６Ｐ５ｆ，（￡）Ｉ为标准差的高斯分布中抽样得到的随机数。大量研究表明，骨干粒子群算法避免了标准粒子群算法的参数调节，采用概率搜索方式，提高了算法的精度和搜索效率，效果明显优于标准粒子群算法。２．２混合ＲＮＡ遗传算法（ＨＲＧＡ）ＲＮＡ遗传算法是基于碱基编码和生物分子操作的算法，核苷酸主要有４种，分别为：腺嘌呤（Ａ）、尿嘧啶（Ｕ）、鸟嘌呤（Ｇ）和胞嘧啶（Ｃ）。采用不同的核苷酸来区分不同的碱基。生物分子中每３个碱基构成一个氨基酸，因此可以将个体中３个连续的碱基当成一个氨基酸单元进行相应的生物操作。为了减少计算量并控制种群规模在一定范围，算法中设置蛋白质折叠操作只发生在没有执行ＲＮＡ再编码的个体中。接下来最重要的工作就是合理改变变异概率口’１３｜。Ａｎｇｅｌｉｎｅ［１４］在１９９８年提出粒子群位置更新的本质是一种变异操作。ＨＲＧＡ算法的主要过程为：编码、选择和交叉（ＲＮＡ再编码和蛋白质自折叠、互折叠操作）、变异。在变异过程中采用式（７）更新遗传算法的变异算子，来改进算法。传统ＲＮＡ遗传算法有固定的变异概率，变异万方数据是随机的、不定向的。而ＨＲＧＡ可以反映个体的历史信息和种群的共享信息，它能使每个个体做定向的变异，从而提高搜索效率。由于不改变选择算子和交叉算子，保证了强大的全局搜索能力。因此，ＨＲＧＡ具有更高效的寻优和探索能力。３ＨＲＧＡ—ＲＢＦ算法ＲＢＦ学习算法的核心问题就是求解学习参数，主要包括：隐含层到输出层的连接权值，基函数的宽度巩，基函数的中心值ｃｉ。本文通过标准ＲＢＦ神经网络求解隐含层神经元；采用伪逆法直接求隐含层到输出层的连接权值；为了便于求解，中心基函数的宽度采用相同的值，按式（８）计算盯一ｊ垒（８）￣／２竹式中以为隐含层神经元个数，ｄ。为隐含层各中心之间的最大距离。本文利用ＨＲＧＡ—ＲＢＦ算法求解隐含层基函数的中心值，主要流程如下［１５１６。。（１）初始化①采用实数编码，碱基长度取３的整数倍。②随机确定一个初始种群Ｐ。（初始聚类中心值），种群个体数为Ｎ，每个个体代表一个ＲＢＦ网络，交叉概率Ｐｃ。、Ｐｃ：，变异概率Ｐｍ。初始化个体的历史最优解ＰＢＰｓｆｉ和种群全局最优解ＧＢＰｓ￡。③确定适应度函数，按式（９）求取［１７１，一一［Ｎｌｇ（ｍｅａｎ）＋４矗］＋６（９）其中，ｍｅａｎ为样本的均方误差，表达式为ｍ。。ｎ一专妻＠一∽ｚ呲ａｎ一丙自∽一８ｔ）。（１０）ＬⅢ’式中Ｎ为输入样本总数，ｆｉ为ＲＢＦ网络的输出向量，Ｐ。为实际的输出向量（即为真实值），尼为隐含层神经元个数，６为人为设定的常数（根据经验一般取较大的值，保证厂＞ｏ）。④求取适应度值，以个体适应度的大小来确定该个体被遗传到下一代个体中的概率口８｜。并将其与ＰＢＰｓ￡ｉ和ＧＢｅｓ￡对应的适应度值比较，更新个体历史最优解ＰＢＰ对。及种群全局最优解ＧＢＰｓ￡。（２）遗传操作①选择：采用轮盘赌选择方法，选择适当个体保存到下一代，采用精英保留策略避免算法出现退化现象。②交叉：ＲＮＡ再编码，蛋白质折叠（自折叠化工学报第６４卷图２Ｆｉｇ．２ＨＲＧＡ—ＲＢＦ算法流程ＦｌｏｗｃｈａｒｔｏｆａｌｇｏｒｉｔｈｍＨＲＧＡ—ＲＢＦ和互折叠）。采用不替换策略，即新个体不取代父个体。为了使ＲＮＡ再编码操作在算法中发挥更大作用，对ＲＮＡ再编码操作赋予比蛋白质折叠操作更大的概率（即Ｐｃ。＞Ｐｃ：）。③变异：依据变异概率Ｐｍ，对当前ＰＢＰｓ￡ｉ和ＧＢＰｓ￡，采用式（７）作为变异算子，执行变异操作，得累计液量、累计油量、累计时间和压差，然后利用邓英尔等‘２０３改进的达西公式，把原始的差压和流量的关系转化为含水饱和度和油水相对渗透率的关系，经滤波处理后具体实验数据见表１。表１实验数据统计ＴａｂＩｅ１得到下一代。（３）判别找到最优的种群，作为隐含层径向基函数的中心。ＨＲＧＡ—ＲＢＦ算法的流程如图２所示。传统的目标函数优化法的核心思想是求导数，要求目标函数的优化参数（如连接权、ＲＢＦ中心、宽度等）可导，这样会使结果出现局部极小点，影响精度。另外，隐层节点数是离散的、不可导的，目标函数法不能优化网络拓扑结构。而ＨＲＧＡ—ＲＢＦ算法是从个体人手，不但可以优化网络的权值，还可以优化网络的隐层结构，优化的精度高，稳定性好。４Ｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｓｔａｔｉｓｔｉ鹤ＨＲＧＡ—ＲＢＦ在相对渗透率计算中的应用４．１相对渗透率曲线计算本文的数据是从典型的低渗油藏孤东５４井２７—１的岩心通过非稳态法实验测得［１９｜，从实验室测Ｎｏｔｅｓ：Ｋｄｅｎｏｔｅｓｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙ．ｗａｔｅｒｒｅｌａｔｉｖｅｔｉｏｎ．ｐｅｒｍｅａｂｉｌｉｔｙｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｒｗ，Ｋｒｏｄｅｎｏｔｅｏｉｌａｎｄｓａｔｕｒａ—Ｓｗｄｅｎｏｔｅｓｗａｔｅｒ万方数据第１２期葛玉磊等：基于ＲＢＦ神经网络的油藏相对渗透率曲线计算利用上述的ＨＲＧＡ—ＲＢＦ算法，优化ＲＢＦ网络隐含层中心值，取种群规模Ｎ一１００，交叉概率Ｐｆ，＝ｏ．８，Ｐｆ２一ｏ．７，变异概率Ｐｍ一０．１５，遗传最大代数为５００代，学习效率为ｏ．０５，学习目标为１０～，最大训练次数为３０００。在表１数据的基础上拟合水相、油相的相对渗透率曲线，为了增强对比效果，还利用在曲线拟合中比较常用的最小二乘法以及标准ＲＢＦ分别对油水两相相对渗透率曲线作拟合，得到图３、图４。４．２计算误差分析为了突出ＨＲＧＡ—ＲＢＦ的优越性，更好地体现计算结果，按式（１１）取计算值和实验值的差值，分别列入表２。表２误差统计Ｔａｂｌｅ２ＥｒｒｏｒｓｓｔａｔｉｓｔｉｃＳ一Ｆｉｇ．３＋可图３油相相对渗透率曲线计算结果ＣｏｍｐｕｔａｔｉｏｎｒｅｓｕｌｔｓｏｆｏｉｌｐｈａｓｅｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙＮ一∥鬈．／’／／【△Ｋ—Ｋ实验一Ｋ计算（１１）ｅｘ口ｅｎｍｅｎｔａｌＨＲＧＡ．ＲＢＦｄａｔａ：茸二墓薰瓣乱№。０１０ｒ０—ｓｔａｎｄａｒｄＲＢＦ／：＋《Ｌ．？一‘；ｊ．．∥／｛。。盐～∥／眚。。。ｌ－／０６卜／：≯由于最小二乘法得到的结果误差较大，下面不做讨论，为了区分标准ＲＢＦ和ＨＲＧＡ—ＲＢＦ计算的相对渗透率曲线结果，对油水两相的误差作如下处理△Ｋ油相＝一ＪＫ实验一Ｋ计算ｌ△Ｋ承相一ｌＫ实验一Ｋ计算ｌ（１２）品将表２中的数据处理后，得到图５曲线，在。坐标轴上方的是水相相对渗透率的误差，在。坐标轴下方的是油相相对渗透率的误差。图５中，红色线是用ＨＲＧＡ—ＲＢＦ算法得到的曲线，蓝色线是用标准ＲＢＦ得到的曲线，可以发现，ＨＲＧＡ—ＲＢＦ对相对渗透率的计算准确度要明显高于标准ＲＢＦ。定义以下两个评价指标：误差均方根值图４水相相对渗透率曲线计算结果Ｆｉｇ．４Ｃｏｍｐｕｔａｔｉｏｎｒｅｓｕｌｔｓｏｆｗａｔｅｒｐｈａｓｅｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙ在图３和图４中，对最小二乘法、标准ＲＢＦ和ＨＲＧＡ—ＲＢＦ计算的相对渗透率曲线进行对比，结果说明，对于油相和水相，最小二乘法得到的相对渗透率曲线误差较大，偏离实验数据较大，而标准ＲＢＦ和ＨＲＧＡ—ＲＢＦ的结果与实验数据极为接近。体现出ＲＢＦ神经网络在相对渗透率曲线计算中的有效性。再蓐万方数据・４５７６・化工学报第６４卷量｝２０对渗透率，见表４。从表中可以发现，无论是标准／ｌ，，ｊｌＲＢＦ还是ＨＲＧＡ—ＲＢＦ的精度都比较高，但是本文提出的ＨＲＧＡ—ＲＢＦ算法求得的油水相对渗透率更接近真实值，相对误差更小，因此，ＨＲＧＡ—ＲＢＦ的泛化能力较好，精度较高。藿１０Ｏ‘。＼、√■、、．、广ｆ＼∥、、Ｙ，ｏ一×－、，一ｏ、ｊ．＼●－＾一，，ｉｏ善一ｌｏ一墨一３０一５—２０‘ＨＲＧＡ．ＲＢＦＨＲＧＡ．ＲＢＦ—ｓｔａｎｄａｒｄＲＢＦ一ｓｔａｎｄａｒｄＲＢＦ２４６８１０Ｙｎ＼／＼＼／－＼。／．５结论＼／＼／＼／本文将ＲＮＡ遗传算法和ＲＢＦ应用于相对渗透率曲线的计算中，得到如下结论：１８４０Ｏ１２１４１６ｓｃａｌｅｄｉｖｉｓｉｏｎ（１）提出了ＨＲＧＡ—ＲＢＦ算法，利用骨干粒子群的位置更新操作更新ＲＮＡ遗传算法的变异算子，得到了ＨＲＧＡ遗传算法，利用ＨＲＧＡ优化ＲＢＦ隐含层基函数的中心值。（２）利用ＨＲＧＡ—ＲＢＦ算法计算油水相对渗透图５油水两相误差分析曲线Ｆｉｇ．５ＥｒｒｏｒａｎａＩｙｓｉｓｃｕｒｖｅｏｆｏｉｌｗａｔｅｒｐｈａｓｅ误差均值｝一音ＩＫ实验一Ｋ计算Ｉ（１４）率曲线，计算结果误差与真实值十分吻合。说明了ＨＲＧＡ—ＲＢＦ算法的有效性和合理性。（３）本文只是对ＲＢＦ神经网络中隐含层基函数的中心值进行了优化，而ＲＢＦ网络的学习参数依据式（１３）、式（１４）计算表２中数据，分别得到油水两相相对渗透率对于３种方法的不同数值，见表３。表３误差分析结果Ｔａｂｌｅ３Ｅｒｒｏｒａｎａｌｙｓｉｓ还包括隐含层神经元个数、隐含层到输出层的权值等，这些参数都可以优化。Ｒｅｆｅｒｅｎｃｅｓｒ幅ｕＩｔＳ［１］ＬｉＫｅｗｅｎ（李克文），ＤａｉＺｈｉｊｉａｎ（戴志坚），ＪｉａｎｇＴｈｅｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｆｆｌｏｗｍｅｔｈｏｄｓｔｅａｄｙｆｌｏｗＹｉｒ。ｎｇｍｅｔｈｏｄ（江义容）．ａｎｄｕｎｓｔｅａｄｙｎｎｄ［Ｊ］．Ｐ订ｒｏｆＰ“ｍＥ■ｐｚｏｍ￡ｉｏｎＤＰｕＰｚｏ户ｍＭｆ（石油勘探与开发），１９９５，２２（１）：４７—５１［２］ｚｅｎｇＹｏｎｇ（曾勇），ＪｉｎＪｉｎｇｌｅｉ（金敬镭）．ｒｅｌａｔｉｖｅ—ｐｅｒｍｅａｂｉｌｉｔｙｉｎＡｐｐｌｉｃａｔｉｏｎｏｆＯｉｌｆｉｅｌｄＰ甜ｒｏｚｅ“ｍｏｉｌｗａｔｅｒＢａｍｉａｎｈｅＪ缸”ｇ＾口”从表３中可以看出，无论是水相还是油相，ＨＲＧＡ—ＲＢＦ的误差均值和误差均方根值都是最小的，因此，本文提出的ＨＲＧＡ—ＲＢＦ算法对于相对渗透率曲线的计算效果很好，准确度高于一般算法。为了验证网络的泛化能力，取Ｓ。一０．５５，并分别用ＨＲＧＡ—ＲＢＦ和标准ＲＢＦ求出对应的油水相表４数值泛化与误差Ｔａｂｌｅ４ｄｅｖｅｌｏｐｍｅｎｔｕｈｉｕＰｒｓｉ￡ｙ［Ｊ］．ＪＤ“ｒ”＆ｚｏ，ｏ，ｓｒｎ，厂ｎｎｄｗｏｒ女Ｐｒｓ（江汉石油职工大学学报），２００４，１７（４）：３ｌ－３３［３］ＹａｎｇＹｕ（杨宇），ｚｈｏｕｗｅｎ（周文），ＱｉｕＫｕｎｔａｉ（邱坤Ａｎｅｗｍｅｔｈｏｄｏｆｃａｌｃｕｌａｔｉｎｇｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙ泰）．ｃｕｒｖｅ［Ｊ］．ＰＰｆｒｏｚＰ“ｍＧＰｏｆｏｇ，ⅡｎｄＲＰｆｏ训Ｐｒ＿），Ｅ．，丫ｉｆ妇”ｆｙ（油气地质与采收率），２０ｌｏ。１７（２）：１０５—１０７［４］ｗａｎｇＱｉ（王启）．ｎｅｕｒａｌｎｅｔｗｏｒｋｏｎＲｅｓｅａｒｃｈｆｕｎｃｔｉｏｎａｎｄａｐｐｌｉｃａｔｉｏｎ。ｆａｒｔｉｆｉｃｉａｌａｐｐｒｏｘｉｍａｔｉｏｎ［Ｊ］．ｃ。ｍ户“抬ｒＤＰ口Ｐｚｏ户ⅢＰｎｆ＆Ａ声户ｚｉｆｎ￡ｉｏ”ｓ（电脑开发与应用），２０１２，２５（７）：８５—８６Ｎｕｍｅ“ｃａｌｇｅｎｅｒａｌｉｚａｔｉｏｎａｎｄｅｒｒｏｒ［５］ｚｏｕＹｏｕｌｏｎｇ（邹友龙），ＨｕＦａｌｏｎｇ（胡法龙），ＬｉｃｈａｎｇＸｉｏｆｒｏｃｋｒａｄｉａｌ（李长喜），Ｌｉｃｈａｏｌｉｕ（李潮流）．ＰｒｅｄｉｃｔｉｏｎｐｅｒｍｅａｂｉｌｉｔｙｂａｓｉｓａｎｄｆｌｕｉｄｍｏｌｅｃｕＩａｒｃｏｍｐｏｓｉｔｉｏｎｕｓｉｎｇｆｕｎｃｔｉｏｎ［Ｊ］．Ⅵ０ｚｚＬｏｇｇｉｎｇＴ＿ｆ＾ｎｏｆｏｇｙ（测井技术），２０１２。３６（３）：２２５—２２９［６］ＹｉｎＦａｎｇｈｕａ（尹芳华），Ｉ。ｉｗｅｉｍｉｎ（李为民），ＹａｏＣｈａｏ０ｐｔｉｍｉｚａｔｉｏｎｆｏｒｂｉｏｄｉｅｓｅｌｐｒｏｄｕｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｃ＾Ｐｍｉｆ口ｚ２００８，（姚超）．ｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ—ｎｅｕｒａｌｎｅｔｗ。ｒｋＥ竹ｇｉｎｅＰｒ抽ｇＰｒｏｇｒＰｓｓ［Ｊ］．，＂ｄ“盯ｒｙⅡＮｄ（化工进展），万方数据第１２期葛玉磊等：基于ＲＢＦ神经网络的油藏相对渗透率曲线计算・４５７７・２７（８）：１２９３—１２９７［７］ｚｈｏｕＭｉｎｇ（周明），ｓｕｎｓｈｕｄｏｎｇ（孙树栋）．ＴｈｅＰｒｉｎｃｉｐｌｅａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＧｅｎｅｔｉｃＡ１９０ｒｉｔｈｍ（遗传算法原理及应用）［Ｍ］．Ｂｅ巧ｉｎｇ：ＤｅｆｅｎｓｅＩｎｄｕｓｔｒｙＰｒｅｓｓ，１９９６［８］ＨｏｕＹｕａｎｂｉｎ（侯媛彬），ＤｕＪｉｎｇｙｉ（杜京义），ｗａｎｇＭｅｉ（汪梅）．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ（神经网络）［Ｍ］．ｘｉ’ａｎ：ｘｉｄｉａｎＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００７：１７６—１８６［９］ＷａｎｇＫＴ，ＷａｎｇＮ．ＡｐｒｏｔｅｉｎｉｎｓｐｉｒｅｄＲＮＡｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｏｒｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉ。ｎｉｎｈｙｄｒｏｃｒａｃｋｉｎｇｏｆｈｅａｖｙｏｉｌ［Ｊ］．ｃ＾ＰｍｉｆｎｚＥｎｇｉＨｅＰｒｉＨｇＪｏ“ｒ”Ⅱ￡，２０ｌ１，１６７（１）：２２８—２３９［１０］ＫｅｎｎｅｄｙＪ，ＥｂｅｒｈａｒｔＲＣ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ／／ＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｃ］．Ｐｏｓｃａｔａｗａｙ，ＮＪ，１９９５：１９４２一１９４８［１１］ＳｈｉＹ，ＥｂｅｒｈａｒｔＲＣ．Ａｍｏｄｉｆｉｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｌｚｅｒ／／Ｅｖｏｌｕｔｉｏｎａｒｙｃｏｍｐｕｔａｔｉ。ｎ［ｃ］．Ａｎｃｈｏｒａｇｅ，ＡＫ，１９９８：５１９—５２３［１２］ＫｅｎｎｅｄｙＪ．Ｂａｒｅｂｏｎｅｓｐａｒｔｉｃｌｅｓｗａｒｍｓ／／ＳｗａｒｍＩｎｔｅｌｌｉｇｅｎｃｅｓｙｍｐｏｓｉｕｍ［Ｃ］．２００３：８０—８７［１：；］ＣｌａｒｋＤＰ．ＭｏｌｅｃｕｌａｒＢｉ。ｌｏｇｙ：ＵｎｄｅｒｓｔａｎｄｌｎｇｔｈｅＧｅｎｅｔｉｃＲｅｖｏｌｕｔｉ。ｎ［Ｍ］．ＮｅｗＹｏｒｋ：ＡｃａｄｅｍｉｃＰｒｅｓｓ，２００５［１４］ＡｎｇｅｌｉｎｅＰＪ．ＥｖｏｌｕｔｉｏｎａｒｙｏｐｔｉｍｉｚａｔｉｏｎｕＰｒ５“５ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉ。ｎ：ｐｈｉｌｏｓｏｐｈｙａｎｄｐｅｒｆ。ｒｍａｎｃｅｄｉｆｆｅｒｅｎｃｅｓ［Ｊ］．Ｅｕｏｆ“ｆｉｏｎｄ７ｙＰｒｏｇｒｎ埘埘ｉｎｇ，１９９８：６０ｌ６１０万方数据［１５］ＳｔｅｖｅＡＢ，ＧｕａｎｇＩ，Ｚ．Ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｆｉｇｕｒａｔｉｏｎｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｄｔｈｍｓ［Ｊ］．Ｎｅ“ｒⅡ￡ＮＰｆ∞ｏｒ＾ｓ，１９９５，８（６）：８８７８９０［１６］ｗａｎｇＹａｎｍｉｎ（王延敏），ＹａｏＰｉｎ鲥ｉｎｇ（姚平经）．Ａｄｖａｎｃｅｍｅｎｔｏｆｓｉｍｕｌａｔｉｏｎａｎｄｏｐｔｉｍｉｚａｔｉｏｎｆｏｒｔｈｅｒｍａｌｌｙｃｏｕｐｌｅｄｄｉｓｔｉｌｌａｔｉｏｎｕｓｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．Ｊｏ“ｒｎｎｚｏ，ｃｈＰ坍ｉｃｎｆ，ｎｄＭｓｆ７ｙ口ＨｄＥｎｇｉ”ＰＰｒ抽ｇ（Ｃ％ｉ”ｎ）（化工学报），２００３，５４（９）：１２４６１２５０［１７］ＴｕａｎＬＡ，ＢｈａｔｔａｃｈａｒｙａＫ．Ｃｏｍｐｅｔｉｔｉｖｅｆｒａｍｅｗｏｒｋｆｏｒｐｒｏｃｕｒｅｍｅｎｔｏｆｉｎｔｅｒｒｕｐｔｉｂｌｅｌｏａｄｓｅｒｖｉｃｅｓ［Ｊ］．Ｔ阳”５．ｏ”Ｐｏ叫ＰｒＳｙ５ｆｅｍｓ，２００３，１８（２）：８８９８９７［１８］Ｃｈｅｎｘｉａｏ（陈霄），ｗａｎｇＮｉｎｇ（王宁）．ＡｎｅｗＤＮＡｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎ［Ｊ］．ｃｆＥｓｃＪｏ“ｒｎｎｚ（化工学报），２０１０，６１（８）：１９１２—１９１８［１９］Ｙａｎｇｓｈｅｎ９１ａｉ（杨胜来），ｗｅｉＪｕｎｚｈｉ（魏俊之）．ＲｅｓｅｒｖｏｉｒＰｈｙｓｉｃｓ（油层物理）［Ｍ］．Ｂｅｉｊｉｎｇ：ＰｅｔｒｏｌｅｕｍＩｎｄｕｓｔｒｙＰｒｅｓｓ，２００４［２０］ＤｅｎｇＹｉｎｇ’ｅｒ（邓英尔），Ｉ，ｉｕｃｉｑｕｎ（刘慈群），ＰａｎｇＨ０ｎｇｗｅｉ（庞宏伟）．ｃａｌｃｕｌａｔｉｏｎｏｆｒｅｌａｔｉｖｅｐｅｒｍｅａｂｉｌｉｔｙｏｆｌｏｗｐｅｒｍｅａｂｉｌｉｔｙｒｏｃｋｗｉｔｈｍｕｌｔｉｐｌｅｆａｃｔｏｒｓ［Ｊ］．ｘｉ”Ｊ妇”ｇＰ“ｒｏｚＰ“ｍＧＰｏｆｏｇｙ（石油地质），２００３，２４（２）：１５２一］５４基于RBF神经网络的油藏相对渗透率曲线计算
作者：作者单位：刊名：英文刊名：年，卷(期)：
葛玉磊， 李树荣， GE Yulei， LI Shurong
中国石油大学(华东)信息与控制工程学院,山东青岛,266580化工学报
CIESC Jorunal2013,(12)
本文链接：http://d.wanfangdata.com.cn/Periodical_hgxb201312045.aspx
