２０２３ 年第 卷第期

３８ １ 地球物理学进展　 Ｐｒｏｇｒｅｓｓ ｉｎ Ｇｅｏｐｈｙｓｉｃｓ ＩＳＳＮ １００４２９０３

， （ ）：
２０２３ ３８ １ ０３２１ ０３２７ ｈｔｔｐ ：／ ／ ｗｗｗ．ｐｒｏｇｅｏｐｈｙｓ．ｃｎ ＣＮ １１２９８２ ／ Ｐ

王猛，董宇，蔡军，等． ２０２３ ． 基于ＢＰ 神经网络的储层渗透率预测及质量评价方法． 地球物理学进展，３８ （１ ）：０３２１０３２７ ，ｄｏｉ：１０． ６０３８ ／

ｐｇ２０２３ ＦＦ００７３ ．
， ， ，
ＷＡＮＧ Ｍｅｎｇ ＤＯＮＧ Ｙｕ ＣＡＩ Ｊｕｎ ｅｔ ａｌ． ２０２３ ． Ｍｅｔｈｏｄ ｆｏｒ ｒｅｓｅｒｖｏｉｒ ｐｅｒｍｅａｂｉｌｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｐｒｏｇｒｅｓｓ ｉｎ
Ｇｅｏｐｈｙｓｉｃｓ （ｉｎ Ｃｈｉｎｅｓｅ ），３８ （１ ）：
０３２１ ０３２７ ，ｄｏｉ ：
１０ ． ６０３８ ／ ｐｇ２０２３ ＦＦ００７３ ．

基于ＢＰ 神经网络的储层渗透率预测及质量评价方法
Ｍｅｔｈｏｄ ｆｏｒ ｒｅｓｅｒｖｏｉｒ ｐｅｒｍｅａｂｉｌｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎ ｂａｓｅｄ ｏｎ
ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ

王猛，董宇，蔡军，刘海波，刘志杰，张志强
１ １ ２ １ １ １

， ， ，
ＷＡＮＧ Ｍｅｎｇ１ ＤＯＮＧ Ｙｕ １ ＣＡＩ Ｊｕｎ ２ ＬＩＵ ＨａｉＢｏ１ ＬＩＵ ＺｈｉＪｉｅ１ ＺＨＡＮＧ ＺｈｉＱｉａｎｇ１ ， ，
１． 中海油田服务股份有限公司，廊坊　 ０６５２０１
２． 中海石油（中国）有限公司上海分公司，上海　 ２０００００
１． ＷｅｌｌＴｅｃｈ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｈｉｎａ Ｏｉｌｆｉｅｌｄ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ ，Ｌａｎｇｆａｎｇ ０６５２０１ ，Ｃｈｉｎａ
２． ＣＮＯＯＣ （Ｃｈｉｎａ ）Ｃｏｍｐａｎｙ Ｌｉｍｉｔｅｄ Ｓｈａｎｇｈａｉ Ｂｒａｎｃｈ ，Ｓｈａｎｇｈａｉ ２０００００ ，Ｃｈｉｎａ

摘　 要　 储层渗透率预测和评价是油气藏勘探与开发 Ａｂｓｔｒａｃｔ Ｒｅｓｅｒｖｏｉｒ ｐｅｒｍｅａｂｉｌｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｅｖａｌｕａｔｉｏｎ

急需突破的瓶颈技术之一，ＢＰ 神经网络预测储层渗透 ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｃｏｒｅ ｔｅｃｈｎｏｌｏｇｉｅｓ ｔｈａｔ ｎｅｅｄ ｔｏ ｂｅ ｂｒｏｋｅｎｉｎ ｔｈｅ
ｅｘｐｌｏｒａｔｉｏｎ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｏｉｌ ａｎｄ ｇａｓ ｒｅｓｅｒｖｏｉｒｓ ｔｈｅ，
率的研究在行业中已有一定的应用，但受限于数据规 ｒｅｓｅａｒｃｈ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈａｓ ｂｅｅｎ ａｐｐｌｉｅｄ ｔｏ ｐｒｅｄｉｃｔ
模、参数调整及模型评价方法，该方法预测结果不稳 ， ，
ｐｅｒｍｅａｂｉｌｉｔｙ ｉｎ ｔｈｅ ｉｎｄｕｓｔｒｙ ｂｕｔ ｄｕｅ ｔｏ ｄａｔａｓｅｔ ｐａｒａｍｅｔｅｒ
定，且不能准确给出全井段储层的连续渗透率的预测 ，
ａｄｊｕｓｔｍｅｎｔ ａｎｄｍｏｄｅｌ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ

质量，在油田现场并未大规模推广应用． 本文针对传统 ，
ｒｅｓｕｌｔ ｏｆ ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ｕｎｃｅｒｔａｉｎ ａｎｄ ｔｈｅ ｐｒｅｄｉｃｔｉｖｅ
ｑｕａｌｉｔｙ ｏｆ ｃｏｎｔｉｎｕｏｕｓ ｐｅｒｍｅａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｗｈｏｌｅ ｗｅｌｌ ｃａｎｎｏｔ
ＢＰ 神经网络预测储层渗透率方法中存在的问题，在对 ，
ｂｅ ｇｉｖｅｎ ａｃｃｕｒａｔｅｌｙ ｉｔ ｉｓ ｓｅｌｄｏｍ ｕｓｅｄ ｉｎ ｏｉｌｆｉｅｌｄ． Ｉｎ ｖｉｅｗ
机器学习的数据处理、参数选择系统考察的基础上，定 ｏｆ ｔｈｅ ｐｒｏｂｌｅｍｓ ｅｘｉｓｔｉｎｇ ｉｎ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ＢＰ ｎｅｕｒａｌ
量分析了不同输入曲线、网络结构、样本大小对渗透率 ，
ｎｅｔｗｏｒｋ ｍｅｔｈｏｄ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｐｅｒｍｅａｂｉｌｉｔｙ ｂａｓｅｄ ｏｎ ｔｈｅ
ｓｙｓｔｅｍａｔｉｃ ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ ｐａｒａｍｅｔｅｒ
预测模型精度的影响，总结了ＢＰ 神经网络预测渗透率 ，
ｓｅｌｅｃｔｉｏｎ ｏｆ ｔｈｅ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｔｈｉｓ ｐａｐｅｒ ｑｕａｎｔｉｔａｔｉｖｅｌｙ
模型的参数优选方案；并提出了一种基于模型森林的 ，
ａｎａｌｙｚｅｓ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｉｎｐｕｔ ｃｕｒｖｅｓ ｎｅｔｗｏｒｋ
预测曲线质量逐点评价方法，实现了对全井段渗透率 ｓｔｒｕｃｔｕｒｅ ａｎｄ ｓａｍｐｌｅ ｓｉｚｅ ｏｎ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｐｅｒｍｅａｂｉｌｉｔｙ
，
ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｓｕｍｍａｒｉｚｅｓ ｔｈｅ ｐａｒａｍｅｔｅｒ ｓｅｌｅｃｔｉｏｎ
预测的质量评价． 实际应用表明，本研究提出的储层渗 ｓｃｈｅｍｅ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｐｅｒｍｅａｂｉｌｉｔｙ ｐｒｅｄｉｃｔｉｏｎ
透率预测及质量评价方法与实际岩心渗透率吻合度 ；
ｍｏｄｅｌ ａｎｄ ｐｕｔｓ ｆｏｒｗａｒｄ ａ ｐｏｉｎｔｂｙｐｏｉｎｔ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ
高，推广应用前景良好． ，
ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｃｕｒｖｅ ｑｕａｌｉｔｙ ｂａｓｅｄ ｏｎ ｍｏｄｅｌ ｆｏｒｅｓｔ ｗｈｉｃｈ
ａｃｈｉｅｖｅｓ ｔｈｅ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ ｏｆ ｗｈｏｌｅ ｗｅｌｌ ｐｅｒｍｅａｂｉｌｉｔｙ
关键词　 渗透率评价；神经网络；参数优选；质量控制； ｐｒｅｄｉｃｔｉｏｎ． Ｔｈｅ ｐｒａｃｔｉｃａｌ ａｐｐｌｉｃａｔｉｏｎ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ
逐点评价 ｒｅｓｅｒｖｏｉｒ ｐｅｒｍｅａｂｉｌｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｑｕａｌｉｔｙ ｅｖａｌｕａｔｉｏｎ
ｍｅｔｈｏｄ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ ｉｓ ｈｉｇｈｌｙ ｃｏｎｓｉｓｔｅｎｔ ｗｉｔｈ ｔｈｅ

中图分类号　 Ｐ６３１ ，
ｃｏｒｅ ｐｅｒｍｅａｂｉｌｉｔｙ ａｎｄ ｈａｓ ａ ｇｏｏｄ ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｓｐｅｃｔ．
；
Ｋｅｙｗｏｒｄｓ Ｐｅｒｍｅａｂｉｌｉｔｙ ｅｖａｌｕａｔｉｏｎ Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ；
文献标识码　 Ａ ； ；
Ｐａｒａｍｅｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ Ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ＰｏｉｎｔｂｙＰｏｉｎｔ
ｄｏｉ ：
１０． ６０３８ ／ ｐｇ２０２３ＦＦ００７３ ｅｖａｌｕａｔｉｏｎ

收稿日期　 ２０２１０８０３ ；　 修回日期　 ２０２２ ０６ １６ ． 　 　 　 　 投稿网址　 ｈｔｔｐ ：／ ／ ｗｗｗ． ｐｒｏｇｅｏｐｈｙｓ． ｃｎ
基金项目　 国家科技重大专项“大型油气田及煤层气开发“超低渗地层测试技术与装备”（２０１７ ＺＸ０５０１９ ００４ ）资助．
第一作者简介　 王猛，男，１９８２ 年生，硕士研究生，高级工程师，主要从事测井及地质资料的综合解释评价与研究工作．
Ｅｍａｉｌ ：ｗａｎｇｍｅｎｇ１０ ＠ ｃｏｓｌ． ｃｏｍ． ｃｎ
３２２ 地球物理学进展　 ｗｗｗ． ｐｒｏｇｅｏｐｈｙｓ． ｃｎ ， （）
２０２３ ３８ １ 　

０　 引 　 言
层，一个输出层组成，各层由若干个神经元（节点）
构成，上下层之间的神经元相互连接，但同层的神经
储层渗透率是储层评价、产能预测、油田开发参 元并不连接，如图１ 所示． 神经网络中每个节点代表
数设计、油藏数值模拟最重要的资料． 每一种测井参 一种特定的输出函数，成为激励函数，每两个节点间
数都不同程度地反映了储层渗透率的信息，且渗透 的联结都代表一个对于通过该连接信号的加权值，
率与测井参数之间是典型的多参数非线性映射问题 称之为权重，这相当于神经网络的记忆．
（邹文波，２０２０ ），综合利用多种测井参数预测渗透 ＢＰ 神 经网络（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ）
率，对于提高储层渗透率计算精度具有十分重要的 是由Ｒｕｍｅｌｈａｒｔ 等（１９８６ ）提出，是一种按照误差逆
意义． 向传播算法训练的多层前馈神经网络． 网络的学习
目前，渗透率主要采用单重孔隙介质渗透率模 需要经历信息正向传播和误差反向传播两个过程
型（Ｋｏｚｅｎｙ，１９２７ ；Ｃａｒｍａｎ，１９３７ ；Ｔｉｍｕｒ，１９６８ ）和岩心 （杨淑娥和黄礼，２００５ ）．
拟合法（Ａｍａｅｆｕｌｅ ｅｔ ａｌ． ，２００９ ；Ｇｕｎｔｅｒ ｅｔ ａｌ． ，２０１４ ）． １． １　 网 络正向传播原理
其中，单重孔隙介质渗透率模型中最常用的是Ｔｉｍｕｒ 网络模型中层与层之间的信息传递依靠矩阵运
公式，该方法的缺陷是束缚水饱和度难以准确求取； 算（式（１ ））：
岩心拟合法最常用的是基于“流动单元”思想的储 ｙ＝ｘ×ｗ ＋ｂ ， ｉ ｉ （１ ）
层类型划分方法，该方法虽然保证了每一类储层孔 其中，ｘ 为上一层的特征向量，输出到下一层的向量
隙度与渗透率有良好的相关性，但流动单元指标参 为ｙ，ｗ 为第ｉ 层映射到第ｉ ＋ １ 层的权重矩阵，ｂ 为
ｉ ｉ

数计算误差较大，使得渗透率计算误差较大（李雄 偏置项．
炎等，２０２０ ）． 每一种渗透率计算方法均有其特定的 激励函数的作用是给网络模型加入非线性因
适用范围，对不同层位进行解释时都需要选择不同 素，使神经网络可以更好地解决实际中较为复杂的
的经验参数和计算方法，且在测井参数的选择上有 非线性问题． 常用的网络激励函数为Ｓｉｇｍｏｉｄ 函数
所限制，因而解释结果存在较大的误差． （式（２ ）），由于任何输入都会被缩放到０ 到１ ，因此
在储层参数预测方面，一些浅层的神经网络已 会出现梯度消失的现象，为了避免该问题的影响，在
有所应用，比如ＢＰ 神经网络（Ｎａｓｉｍｉ ｅｔ ａｌ． ，２０１０ ； 数据输入模型前，需要对数据进行归一标准化处理．
Ｌｅｉｔｅ ａｎｄ Ｖｉｄａｌ ，
２０１１ ）． 该类算法实现较为简单，但 式（２ ）为：
针对复杂的非线性问题的泛化能力受到一定制约 ｓｉｇｍｏｉｄ ＝
１
． （２ ）
（Ｂｅｎｇｉｏ，２００９ ），同时还存在着收敛速度慢、容易陷 １ ＋ｅ －ｚ

入局部最优解等问题． 深度学习在神经网络的网络 神经网络模型的网络结构决定了算法复杂度和

结构复杂度和深度上均有所增加，通过多层网络对 模型可调度，隐藏层数和节点数是网络模型超参数
特征进行提取变换，在高维空间中将分类或回归问 选择中的重要内容，层数和节点数越多意味着模型
题简单化，从而提高其准确性，如ＤＮＮ 神经网络（安 可调节性越强，预测结果粒度越细，但同时也意味着
鹏和曹丹平，２０１８ ）． 该类算法在一定程度上简化了 计算复杂度越高，一般确定隐含层和节点数的基本
特征参数的提取，能够有效解决复杂的非线性问题， 原则是：在满足精度要求的前提下选取尽可能紧凑
但网络结构设置较为复杂，同时还存在着网络结构 的结构，即取尽可能少的隐藏层和节点数（安鹏等，
过于复杂导致地模型过拟合等问题． ２０１９ ）．
本文通过对网络结构、模型输入特征、样本大小 １． ２　 网 络反向传播原理
进行定量对比分析，总结了ＢＰ 神经网络预测渗透 网络模型初始化一般采用随机初始化权重和偏
率模型的参数优选方案和最小适用数据规模，同时 置，将样本数据传入到网络，通过损失函数（式（３ ））
基于数理统计的思想，设计了一套全局最优模型的 比较输出与实际值之间的差异，就可以得到当前参
筛选方案和预测结果评价方法，使计算的渗透率曲 数下的模型误差． 由于参数的设置十分随意，不可能
线和质量评价更符合实际． 一次就能把模型确定，必须有一个“学习机制”，让
模型不断优化逼近到最佳的状态． 式（３ ）为：
ｌｏｓｓ ＝ （ｙ － ｙ ）， （３ ）
１　 ＢＰ 神 经 网 络 ２
ｔａｒｇｅｔ ｏｕｔ

神经网络模型由一个输入层，一个或多个隐含 其中，ｙ 为实际值，ｙ 为输出，ｌｏｓｓ 为模型误差．

ｔａｒｇｅｔ ｏｕｔ
 ， （ ） 王猛，等：基于ＢＰ 神经网络的储层渗透率预测及质量评价方法　 （ｗｗｗ． ｐｒｏｇｅｏｐｈｙｓ． ｃｎ）
　 ２０２３ ３８ １ ３２３

计算模型误差后，通过反向传播算法反向依次 ２． １　 特征选取及网络构建
计算每个隐含层的误差项，采用梯度下降法 不同测井反映的地层信息不同，大体可分为三
（Ｈｏｃｈｒｅｉｔｅｒ ｅｔ ａｌ． ，２００１ ）逐步调整每个隐含层的节 类：岩性、孔隙度、电阻率，由渗透率定义可知渗透率
点参数ｗ 和ｂ． ｗ 和ｂ 每次调整的方向及大小由根 和岩性、孔隙度高度相关，但深浅电阻率的差异在一
据损失函数计算模型中的每一个参数的梯度决定， 定程度上也反映了储层的渗透率． 为了避免增加模
常用的优化算法为Ａｄａｍ 算法（Ｋｉｎｇｍａ ａｎｄ Ｂａ， 型的复杂度，在得到数据集后需要进行探索性数据
２０１７ ）． 同时为了防止模型过拟合，还采用了Ｄｒｏｐｏｕｔ 分析，目前可选的筛选方案有两类：经验法和
正则化方法（Ｈｉｎｔｏｎ ｅｔ ａｌ． ，２０１２ ；Ｓｒｉｖａｓｔａｖａ ｅｔ ａｌ． ， Ｐｅａｒｓｏｎ 相关系数法． 经验法从经典公式出发，选择
２０１４ ），每 次迭代训练时随机使一部分节点失活（即 自然伽马（ＧＲ ）、自然电位（ＳＰ）、密度（ＺＤＥＮ ）、声波
不调整该节点的参数），从而解决因协同作用引起 （ＤＴＣ ）、中子（ＣＮＣＦ）；Ｐｅａｒｓｏｎ 相关系数法利用公式
的过拟合问题． 计算测井数据和渗透率数据之间的相关系数，选取
相关系数绝对值大于０． ３ 的曲线：井径（ＣＡＬ ）、伽马
２　 网 络 模 型 训 练 （ＧＲ ）、中子（ＣＮＣＦ）、声波（ＤＴＣ ）、密度（ＺＤＥＮ ）、深
ＢＰ 神经网络模型的训练流程如下： 电阻率（ＲＤ ）、浅电阻率（ＲＳ）．
（１ ）特征选取：选择与岩心渗透率高度相关的 在网络结构中，当且仅当数据非线性分离时才
测井信息输入到网络中，可供选择的筛选方案有两 需要隐含层，因此对于一般简单的数据集，１ ～ ２ 层
类，分别为经验法和相关系数法； 隐含层通常就足够了（Ｌｏｖａｓｓｙ ｅｔ ａｌ． ，２０１１ ），同时根
（２ ）归一标准化：为避免出现梯度消失的现象， 据经验，神经元数量一般等于输入变量的数量ｎ，或
将数据集进行归一化处理，并筛除异常及无效数据； 是输入变量的２ 倍再加１ ，即２ｎ ＋ １．
（３ ）数据集划分：划分为测试集、训练集，通常 依据以上调研结果，将各类特征选取方法与网
采用交叉验证的思想，即拿出大部分样本进行训练， 络结构参数进行组合，求取各模型的渗透率预测结
小部分样本进行预测并记录误差，循环多次，直到所 果的平均相对误差，如图２ 和表１ 所示．
有样本都被预测了一次而且仅被预测了一次，记录 表１　 各类模型渗透率预测结果的平均相对误差
它们的误差平方加和，以便于得到更加可靠稳定的 Ｔａｂｌｅ １　 Ａｖｅｒａｇｅ ｒｅｌａｔｉｖｅ ｅｒｒｏｒ ｏｆ ｐｅｒｍｅａｂｉｌｉｔｙ ｐｒｅｄｉｃｔｉｏｎ
模型； ｒｅｓｕｌｔ ｏｆ ｎｅｔｗｏｒｋ ｍｏｄｅｌｓ
（４ ）网络构建：选择合适的隐含层及节点数，避 节点个数
免模型过拟合或欠拟合； 特征选取 网络结构
ｎ ２ｎ ＋ １
（５ ）模型优化：正向传播计算该模型参数下的 单隐含层 ６０ ％ ４７ ％
误差，反向传播计算每个节点权重的梯度来调整模 相关系数法
双隐含层 １３６ ％ ８４ ％
型参数，使预测结果向实际值逼近，循环迭代直至训 单隐含层 ８４ ％ ６７ ％
练得到符合要求的模型． 经验法
双隐含层 ２７９ ％ ２０５ ％
以上训练流程中，特征参数、网络模型的隐含层
数及节点数对模型最终的训练效果影响极大，选取 从表１ 中可以看出，在特征选取方法上，根据计
方法十分复杂，需要根据设计者的经验和多次试验 算测井数据与岩心渗透率之间的相关系数的方法，
来确定（沈花玉等，２００８ ）． 因此，总结一套通用的渗 明显要优于人工经验选择的方法，同时单隐含层和
透率预测模型参数优选方案，将有助于该方法在油 节点个数为２ｎ ＋ １ 的组合方案也要优于其他组合方
田现场的推广应用． 案． 这表明相关系数大小可有效反映不同曲线对渗
本文实验数据来源于东海陆架盆地５ 口探井， 透率的敏感程度，避免错误信息对模型的影响，可以
共计２８７ 组岩心渗透率和测井资料，测井资料包括 快速便捷地实现特征优选，此外，渗透率预测网络模
自然伽马、自然电位、深浅电阻率、密度等常规九条 型中隐含层数为１ 层为最佳，过多的隐含层会降低
测井数据． 将２８７ 组数据分为训练集和测试集，其中 模型的泛化能力．
训练集２２０ 组用于模型学习，余下６７ 组作为测试集 ２． ２　 样本大小
不参与模型训练，仅用来计算模型预测渗透率误差． 在满足数据集规律性良好的前提下，训练样本
３２４ 地球物理学进展　 ｗｗｗ． ｐｒｏｇｅｏｐｈｙｓ． ｃｎ
的规模决定了模型泛化能力的强弱． 在测井领域中，
因单井岩心分析资料数量较少，一般采用区域岩心
资料构建模型，在保证数据规律性的同时扩充样本
规模． 但实际应用中真正有价值的数据也是很少的，
因此需要解决小样本学习需求，图３ 和图４ 是从上
文２２０ 组数据中分别挑选２５ 组、５０ 组数据，以单隐
含层、节点数为２ｎ ＋ １ 网络结构训练渗透率预测模
型，分别与岩心渗透率进行对比验证，计算平均相对
误差分别为９１％ 、６０％ ． 经反复验证可知，当样本规
模低于２５ 组时，数据集规律性偏低，模型泛化能力
偏弱，无法达到测井解释要求的精度（渗透率的平
均相对误差小于１００％ ），随着样本规模的增大，数
据特征和规律性增强，模型泛化能力增强．
３　 预 测 与 质 量 评 价
机器学习模型预测渗透率存在的最大问题是预
测结果的不确定性，同一组数据、同样的输入特征和
网络结构，每次训练得到的模型预测渗透率结果均
不相同，因此需要有效方法从中筛选出最优预测结
果． 同时由于机器学习模型普遍从已知数据中获得
知识，因此具备强数据依赖性的特点，当前机器学习
模型质量评价需要从样本集中留出一部分数据作为
测试集，以测试集预测准确率、误差作为学习模型的
质量评价标准，并以此提出了“留出法（Ｈｏｌｄｏｕｔ ）”、
“交叉验证法（Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ ）”、“自助法
（Ｂｏｏｔｓｔｒａｐｐｉｎｇ ）”三种划分数据集的方法（王嘉凯
等，２０２０ ），但当模型作用于未知数据进行预测时，
该质量评价标准却并不适用，因此需要新的质量评
价标准，使预测渗透率质量评价更符合实际．
３． １　 最 优模型筛选
ＢＰ 神 经网络中反向传播过程通常采用梯度下
降法使模型误差最小化． 梯度下降法通过求解目标
函数的梯度向量，将当前位置的负梯度方向作为搜
索方向，如图５ 所示，这里一个圈代表一个函数梯
度，最中心点表示函数极值点，每次迭代根据当前位
置求得梯度和步长找到一个新位置，这样不断迭代
不断逼近全局最优点． 但实际情况是，不同神经网络
初始参数下，每次训练得到的模型均是不同方向上
的局部最优解，难以得到全局最优解．
为筛选出最逼近全局最优点的最优模型，本文
借鉴了随机森林算法（Ｂｒｅｉｍａｎ ａｎｄ Ｃｕｌｔｅｒ，２００８ ）的
思想，用随机初始神经网络参数的方式训练得到一
个模型森林，由于初始参数不同，因此模型森林的每
一个模型是各不相同的． 将测井数据输入到模型森
， （）
２０２３ ３８ １ 　
林中，会得到多条预测渗透率曲线，根据随机森林的
思想，预测渗透率曲线相同条数最多的为最终输出
结果，即“少数服从多数”． 但在实际应用中，相同预
测结果极少，但相似曲线极多，于是采用多条预测曲
线中平均相关系数最高的曲线为最终输出结果． 具
体操作如下：
（１ ）多次随机初始化神经网络参数，循环训练
样本得到模型森林；
（２ ）将测试数据集输入到模型森林中，得到多
条预测曲线；
（３ ）多条预测曲线两两之间分别计算相关
系数；
（４ ）计算每条预测曲线对应的多个相关系数的
平均值，获取各条预测曲线的平均相关系数；
（５ ）对平均相关系数进行排序，选择平均相关
系数最大的预测曲线作为最终的预测结果．
３． ２　 预 测质量评价
在统计学习（李航，２０１２ ）中，数据的特征和规
律性影响的是模型的稳定性，数据的规模大小影响
的是模型的泛化能力，模型输出精度越高，模型森林
输出结果越相近，因此模型输出结果的稳定性可反
映模型预测结果的精度． 当模型应用于无岩心验证
的新井数据集时，通过最优模型筛选方案可优选出
最逼近全局最优点的预测曲线，通过计算最优预测
曲线与其他预测曲线的偏离程度（式（４ ）），可反映
模型森林在新数据集中预测结果的好坏． 式（４ ）为：
槡
ｎ
Ｃ ＝
ｖ
１
ｎ∑
（ｙ － ｙ） ， （４ ） ｉ
２
其中ｙ 为最优预测曲线某一深度点的渗透率，单位
ｉ＝１
为１０ ｍ ；ｙ 为其他预测曲线同一深度点的渗透
－ １５ ２
ｉ
率，单位为１０ ｍ ；ｎ 为模型个数；ｃ 为偏离程度，
－ １５ ２
ｖ
单位为１０ ｍ ． － １５ ２
依据随机森林算法的思想，ｙ 为模型森林计算
出的最佳结果，其他模型的预测结果与最佳结果的
偏离程度，可反映模型森林输出结果的稳定性，ｃ 值
越小，表明输出结果越稳定，计算精度越高． 反之，ｃ
ｖ
值越大，表明输出结果越不稳定，计算精度越低．
ｖ
将上述预测质量评价方法应用于数十口井中，
将预测结果与岩心资料进行对比，总结出以下一般
规律：当ｃ 满足０ ～ ５ 时，质量等级为优；当ｃ 满足
ｖ ｖ
５ ～ １０ 时 ，质量等级为良；当ｃ 满足１０ ～ １５ 时，质量 ｖ
等级为中；当ｃ 大于１５ 时，质量等级为差． ｖ
４　 实 例 应 用 分 析
Ｈ 井为西湖凹陷某构造带的一口探井． 利用
 ， （ ） 王猛，等：基于ＢＰ 神经网络的储层渗透率预测及质量评价方法　 （ｗｗｗ． ｐｒｏｇｅｏｐｈｙｓ． ｃｎ）
　 ２０２３ ３８ １ ３２５

图１　 三层ＢＰ 神经网络结构图

Ｆｉｇ． １　 Ｓｔｒｕｃｔｕｒｅ ｄｉａｇｒａｍ ｏｆ ｔｈｒｅｅ ｌａｙｅｒ ＢＰ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
图４　 ５０ 组样本训练模型预测渗透率误差
Ｆｉｇ． ４　 Ｅｒｒｏｒ ｏｆ ｐｒｅｄｉｃｔ ｐｅｒｍｅａｂｉｌｉｔｙ ｂｙ ｔｒａｉｎｉｎｇ ｍｏｄｅｌ
ｗｉｔｈ ５０ ｓｅｔｓ ｏｆ ｓａｍｐｌｅｓ

图２　 最佳模型预测渗透率误差
Ｆｉｇ． ２　 Ｅｒｒｏｒ ｏｆ ｔｈｅ ｂｅｓｔ ｍｏｄｅｌ ｔｏ ｐｒｅｄｉｃｔ ｐｅｒｍｅａｂｉｌｉｔｙ

图５　 梯度下降法示意图
Ｆｉｇ． ５　 Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ ｍｅｔｈｏｄ

相关系数法计算各曲线与岩心渗透率之间
Ｐｅａｒｓｏｎ
的相关性，从中优选相关系数绝对值大于０． ３ 的曲
线：ＣＡＬ、ＧＲ 、ＣＮＣＦ、ＤＴＣ 、ＺＤＥＮ 、ＲＤ 、ＲＳ． 构建输入
层＋ 隐藏层＋ 输出层的单隐藏层网络结构，隐藏层
神经元节点数为１５． 以此网络结果采用随机初始网
络参数的方式训练得到有１０００ 组模型的模型森林，
通过计算各条预测渗透率曲线的平均相关系数，选
取平均相关系数最大的预测曲线作为最终的预测结
图３　 ２５ 组样本训练模型预测渗透率误差 果，再利用公式（４ ）计算预测质量评价参数ｃ ，最终 ｖ

Ｆｉｇ． ３　 Ｅｒｒｏｒ ｏｆ ｐｒｅｄｉｃｔ ｐｅｒｍｅａｂｉｌｉｔｙ ｂｙ ｔｒａｉｎｉｎｇ

得到的结果如图６ 所示．
ｍｏｄｅｌ ｗｉｔｈ ２５ ｓｅｔｓ ｏｆ ｓａｍｐｌｅｓ 图中蓝色点为参与模型训练的岩心渗透率数
据，红色点为测试模型应用效果的岩心渗透率数据，
从图中可以看出测试层段ｃ 值均小于１ ，根据经验 ｖ
３２６ 地球物理学进展　 ｗｗｗ． ｐｒｏｇｅｏｐｈｙｓ． ｃｎ ， （）
２０２３ ３８ １ 　

图６　 西湖凹陷Ｈ 井的应用效果

Ｆｉｇ． ６　 Ａｐｐｌｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｗｅｌｌ Ｈ ｉｎ Ｘｉｈｕ Ｔｒｏｕｇｈ

规律可知，该段预测质量整体为优． 计算训练数据与 全局最优解的思路，同时基于该思路提出了一种通

最终预测结果的平均相对误差为３６． ２％ ，计算测试 过计算预测曲线ｃ 值的大小逐点评价预测质量的 ｖ

数据与最终预测结果的平均相对误差为１１％ ，表明 方法，并首次实现了对全井段渗透率预测质量的定

该模型森林预测结果为优，与ｃ 预测质量评价等级
ｖ
性和定量评价，效果显著．
相同，同时从红色点与预测渗透率曲线的重合程度 （３ ）通过海上多个区域的实际应用表明，该方
及ｃ 值的大小，可以看出该预测质量评估方法可以
ｖ
法预测的储层渗透率与实际岩心渗透率吻合度高，
实现对预测质量的逐点评估，评估结果与岩心分析 推广应用前景良好．
结果高度一致．
致　 谢　 感谢审稿专家提出的修改意见和编辑部的
５　 结 　 论 大力支持！
（１ ）在传统的ＢＰ 神经网络的基础上，总结了一
套渗透率预测模型参数优选方案：通过相关系数法 Ｒｅｆｅｒｅｎｃｅｓ
选择输入曲线，采用单隐含层且隐含层节点数为２ｎ
＋１ 时 （其中ｎ 为输入曲线条数），可有效提高模型 ， ， ，
Ａｍａｅｆｕｌｅ Ｊ Ｏ Ａｌｔｕｎｂａｙ Ｍ Ｔｉａｂ Ｄ ｅｔ ａｌ． ２００９ ． Ｅｎｈａｎｃｅｄ ｒｅｓｅｒｖｏｉｒ
： （ ）
ｄｅｓｃｒｉｐｔｉｏｎ Ｕｓｉｎｇ ｃｏｒｅ ａｎｄ ｌｏｇ ｄａｔａ ｔｏ ｉｄｅｎｔｉｆｙ ｈｙｄｒａｕｌｉｃ ｆｌｏｗ
预测精度，同时在保证测井数据规律性良好的前提 ｕｎｉｔｓ ａｎｄ ｐｒｅｄｉｃｔ ｐｅｒｍｅａｂｉｌｉｔｙ ｉｎ ｕｎｃｏｒｅｄ ｉｎｔｅｒｖａｌｓ ／ ｗｅｌｌｓ． ＳＰＥ
，
下，该方案最小适用训练集规模为２５ 组，可以满足 ２６４３６ ２０５２２０．
，
Ａｎ Ｐ Ｃａｏ Ｄ Ｐ． ２０１８ ． Ｒｅｓｅａｒｃｈ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｌｏｇｇｉｎｇ ｌｉｔｈｏｌｏｇｙ
测井解释渗透率的精度需求（即误差小于１００％ ）． （
ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ． Ｐｒｏｇｒｅｓｓ ｉｎ Ｇｅｏｐｈｙｓｉｃｓ ｉｎ
Ｃｈｉｎｅｓｅ）， （ ）：
３３ ３ ， ：
１０２９ １０３４ ｄｏｉ １０． ６０３８ ／ ｐｇ２０１８ ＢＢ０３１９．
（２ ）提供了一种全新的通过建立模型森林逼近 ， ， ，
Ａｎ Ｐ Ｃａｏ Ｄ Ｐ Ｚｈａｏ Ｂ Ｙ ｅｔ ａｌ． ２０１９ ． Ｒｅｓｅｒｖｏｉｒ ｐｈｙｓｉｃａｌ ｐａｒａｍｅｔｅｒｓ
 ， （ ） 王猛，等：基于ＢＰ 神经网络的储层渗透率预测及质量评价方法　 （ｗｗｗ． ｐｒｏｇｅｏｐｈｙｓ． ｃｎ）
　 ２０２３ ３８ １ ３２７

ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＬＳＴＭ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｐｒｏｇｒｅｓｓ ｉｎ ， ， ， ：

Ｓｒｉｖａｓｔａｖａ Ｎ Ｈｉｎｔｏｎ Ｇ Ｋｒｉｚｈｅｖｓｋｙ Ａ ｅｔ ａｌ． ２０１４ ． Ｄｒｏｐｏｕｔ Ａ ｓｉｍｐｌｅ
（
Ｇｅｏｐｈｙｓｉｃｓ ｉｎ Ｃｈｉｎｅｓｅ ）， （ ）：
３４ ５ ， ：
１８４９ １８５８ ｄｏｉ １０ ． ６０３８ ／ ｗａｙ ｔｏ ｐｒｅｖｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｒｏｍ ｏｖｅｒｆｉｔｔｉｎｇ． Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ
ｐｇ２０１９ ＣＣ０３６６ ． Ｂｅｎｇｉｏ Ｙ． ２００９ ． Ｌｅａｒｎｉｎｇ ｄｅｅｐ ａｒｃｈｉｔｅｃｔｕｒｅｓ ｆｏｒ ， （ ）：
Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ １５ １ １９２９１９５８．
ＡＩ． Ｆｏｕｎｄａｔｉｏｎｓ ＆ Ｔｒｅｎｄｓ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ２ １ ， （ ）： １１２７． ，
Ｔｉｍｕｒ Ａ． １９６８ ． Ａｎ ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ ｐｅｒｍｅａｂｉｌｉｔｙ ｐｏｒｏｓｉｔｙ ａｎｄ ｒｅｓｉｄｕａｌ
， ：
Ｂｒｅｉｍａｎ Ｌ Ｃｕｔｌｅｒ Ａ． ２００８． ｒａｎｄｏｍＦｏｒｅｓｔ Ｂｒｅｉｍａｎ ａｎｄ Ｃｕｔｌｅｒｓ ｒａｎｄｏｍ ｗａｔｅｒ ｓａｔｕｒａｔｉｏｎ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｆｏｒ ｓａｎｄｓｔｏｎｅ ｒｅｓｅｒｖｏｉｒｓ． Ｔｈｅ Ｌｏｇ
ｆｏｒｅｓｔｓ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｒｅｇｒｅｓｓｉｏｎ． ， （ ）：
Ａｎａｌｙｓｔ ９ ４ ８１７．
Ｃａｒｍａｎ Ｐ Ｃ． １９３７． Ｆｌｕｉｄ ｆｌｏｗ ｔｈｒｏｕｇｈ ｇｒａｎｕｌａｒ ｂｅｄｓ． Ｔｒａｎｓ． Ｉｎｓｔ． ， ，
Ｗａｎｇ Ｊ Ｋ Ｌｉｕ Ａ Ｓ Ｌｉｕ Ｘ Ｌ． ２０２０ ． Ｑｕａｌｉｔｙ ｅｌｅｍｅｎｔｓ ａｎｄ ｔｅｓｔｉｎｇ
， ：
Ｃｈｅｍ． Ｅｎｇ． １５ １５０１６６． ｍｅｔｈｏｄｓ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｍｏｄｅｌ ａｎｄ ｓｙｓｔｅｍ． Ｉｎｆｏｒｍａｔｉｏｎ
， ， ，
Ｇｕｎｔｅｒ Ｇ Ｗ Ｓｐａｉｎ Ｄ Ｒ Ｖｉｒｏ Ｅ Ｊ ｅｔ ａｌ． ２０１４． Ｗｉｎｌａｎｄ ｐｏｒｅ ｔｈｒｏａｔ （
Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｓｔａｎｄａｒｄｉｚａｔｉｏｎ ｉｎ Ｃｈｉｎｅｓｅ ），（ ）：Ｚ１ ，
１６ ２０ ２６．
ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄＡ ｐｒｏｐｅｒ ｒｅｔｒｏｓｐｅｃｔ ： Ｎｅｗ ｅｘａｍｐｌｅｓ ｆｒｏｍ ，
Ｙａｎｇ Ｓ Ｅ Ｈｕａｎｇ Ｌ． ２００５ ． Ｆｉｎａｎｃｉａｌ ｃｒｉｓｉｓ ｗａｒｎｉｎｇ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ＢＰ
ｃａｒｂｏｎａｔｅｓ ａｎｄ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍｓ． ／ ／ ＳＰＷＬＡ ５５ ｔｈ Ａｎｎｕａｌ Ｌｏｇｇｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｓｙｓｔｅｍ Ｅｎｇｉｎｅｅｒｉｎｇ Ｔｈｅｏｒｙ ａｎｄ Ｐｒａｃｔｉｃｅ （ ｉｎ
：
Ｓｙｍｐｏｓｉｕｍ． Ｃｈｉｃａｇｏ Ｓｏｃｉｅｔｙ ｏｆ Ｐｅｔｒｏｐｈｙｓｉｃｉｓｔｓ ａｎｄ Ｗｅｌｌ Ｌｏｇ Ｃｈｉｎｅｓｅ ）， （ ）：
２５ １ １２ １８．
Ａｎａｌｙｓｔｓ． Ｚｏｕ Ｗ Ｂ． ２０２０ ． Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｒｅｓｅａｒｃｈ ｓｔａｔｕｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ
， ， ，
Ｈｉｎｔｏｎ Ｇ Ｅ Ｓｒｉｖａｓｔａｖａ Ｎ Ｋｒｉｚｈｅｖｓｋｙ Ａ ｅｔ ａｌ． ２０１２ ． Ｉｍｐｒｏｖｉｎｇ ｎｅｕｒａｌ （ ）， （ ）：
ｗｅｌｌ ｌｏｇｇｉｎｇ． Ｗｅｌｌ Ｌｏｇｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｃｈｉｎｅｓｅ ４４ ４ ３２３
ｎｅｔｗｏｒｋｓ ｂｙ ｐｒｅｖｅｎｔｉｎｇ ｃｏａｄａｐｔａｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｄｅｔｅｃｔｏｒｓ． ａｒＸｉｖ ： ３２８．
１２０７ ０５８０．
， ，
Ｈｏｃｈｒｅｉｔｅｒ Ｓ Ｙｏｕｎｇｅｒ Ａ Ｓ Ｃｏｎｗｅｌｌ Ｐ Ｒ． ２００１ ． Ｌｅａｒｎｉｎｇ ｔｏ ｌｅａｒｎ ｕｓｉｎｇ
， ，
ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ． ／ ／ Ｄｏｒｆｆｎｅｒ Ｇ Ｂｉｓｃｈｏｆ Ｈ Ｈｏｒｎｉｋ Ｋ ｅｄｓ． Ａｒｔｉｆｉｃｉａｌ
Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ —
，
ＩＣＡＮＮ ２００１ ． ＩＣＡＮＮ ２００１ ． Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ
， ： ，
Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ｖｏｌ ２１３０． Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ Ｓｐｒｉｎｇｅｒ ８７９４ ．
附中文参考文献
， ：
Ｋｉｎｇｍａ Ｄ Ｐ Ｂａ Ｊ． ２０１７． Ａｄａｍ Ａ ｍｅｔｈｏｄ ｆｏｒ ｓｔｏｃｈａｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ．
安鹏，曹丹平． ２０１８ ． 基于深度学习的测井岩性识别方法研究与应
：
ａｒＸｉｖ １４１２． ６９８０ ．
Ｋｏｚｅｎｙ Ｊ． １９２７ ． Ｕｂｅｒ ＫａｐｉｌｌａｒｅＬｅｉｔｕｎｇ ｄｅｓ Ｗａｓｓｅｒｉｍ Ｂｏｄｅｎ． 用． 地球物理学进展， ３３ （３ ）： １０２９ １０３４ ， ｄｏｉ： １０． ６０３８ ／
，
Ｌｅｉｔｅ Ｅ Ｐ Ｖｉｄａｌ Ａ Ｃ． ２０１１ ． ３ Ｄ ｐｏｒｏｓｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ｆｒｏｍ ｓｅｉｓｍｉｃ ｐｇ２０１８ＢＢ０３１９ ．
ｉｎｖｅｒｓｉｏｎ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ． Ｃｏｍｐｕｔｅｒｓ ＆ Ｇｅｏｓｃｉｅｎｃｅｓ ３７ ８， （ ）： 安鹏，曹丹平，赵宝银，等． ２０１９． 基于ＬＳＴＭ 循环神经网络的储层
１１７４１１８０ ．
， ， ，
Ｌｉ Ｘ Ｙ Ｑｉｎ Ｒ Ｂ Ｐｉｎｇ Ｈ Ｔ ｅｔ ａｌ． ２０２０． Ｅｓｔａｂｌｉｓｈｍｅｎｔ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ 物性参数预测方法研究． 地球物理学进展，３４ （５ ）：１８４９ １８５８ ，
ｏｆ ｈｉｇｈｐｒｅｃｉｓｉｏｎ ｐｅｒｍｅａｂｉｌｉｔｙ ｍｏｄｅｌ． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ ｄｏｉ ：１０ ． ６０３８ ／ ｐｇ２０１９ＣＣ０３６６．
（
Ｐｅｔｒｏｌｅｕｍ Ｅｄｉｔｉｏｎ ｏｆ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ ）（ ）， （）：
ｉｎ Ｃｈｉｎｅｓｅ ４４ ６ １４２０．
李航． ２０１２ ． 统计学习方法． 北京：清华大学出版社．
， ， ，
Ｌｏｖａｓｓｙ Ｒ Ｋóｃｚｙ Ｌ Ｔ Ｇáｌ Ｌ ｅｔ ａｌ． ２０１１ ． Ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ
ｓｔａｂｉｌｉｔｙ ｉｎ ｔｅｒｍｓ ｏｆ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒｓ． ／ ／ ２０１１ ＩＥＥＥ １２ ｔｈ 李雄炎，秦瑞宝，平海涛，等． ２０２０ ． 高精度渗透率模型的建立与应
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ 用． 中国石油大学学报（自然科学版），４４ （６ ）：１４ ２０ ．
（ ） ， ：
Ｉｎｆｏｒｍａｔｉｃｓ ＣＩＮＴＩ ． Ｂｕｄａｐｅｓｔ Ｈｕｎｇａｒｙ ＩＥＥＥ ３２３ ３２８．， 沈花玉，王兆霞，高成耀，等． ２００８ ． ＢＰ 神经网络隐含层单元数的
， ，
Ｎａｓｉｍｉ Ｒ Ｓｈａｈｂａｚｉａｎ Ｍ Ｉｒａｎｉ Ｒ． ２０１０． Ｎｏｔｉｃｅ ｏｆ Ｖｉｏｌａｔｉｏｎ ｏｆ ＩＥＥＥ
：
Ｐｕｂｌｉｃａｔｉｏｎ Ｐｒｉｎｃｉｐｌｅｓ Ａ ｈｙｂｒｉｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎｎｅｕｒａｌ 确定． 天津理工大学学报，２４ （５ ）：１３１５．
ｎｅｔｗｏｒｋ ｓｔｒａｔｅｇｙ ｆｏｒ ｐｅｒｍｅａｂｉｌｉｔｙ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｈｅ ｒｅｓｅｒｖｏｉｒ． ／ ／ 王嘉凯，刘艾杉，刘祥龙． ２０２０ ． 人工智能机器学习模型及系统的质
， ： ，
ＳＰＥＥＤＡＭ ２０１０． Ｐｉｓａ Ｉｔａｌｙ ＩＥＥＥ ６９７ ７０２．
量要素和测试方法． 信息技术与标准化，（Ｚ１ ）：１６２０ ，２６．
， ，
Ｒｕｍｅｌｈａｒｔ Ｄ Ｅ Ｈｉｎｔｏｎ Ｇ Ｅ Ｗｉｌｌｉａｍｓ Ｒ Ｊ． １９８６． Ｌｅａｒｎｉｎｇ
， （ ）：
ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ ｂａｃｋｐｒｏｐａｇａｔｉｎｇ ｅｒｒｏｒｓ． Ｎａｔｕｒｅ ３２３ ６０８８ 杨淑娥，黄礼． ２００５ ． 基于ＢＰ 神经网络的上市公司财务预警模型．
５３３ ５３６ ． 系统工程理论与实践，２５ （１ ）：１２１８．
， ， ，
Ｓｈｅｎ Ｈ Ｙ Ｗａｎｇ Ｚ Ｘ Ｇａｏ Ｃ Ｙ ｅｔ ａｌ． ２００８ ． Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｔｈｅ
邹文波． ２０２０． 人工智能研究现状及其在测井领域的应用． 测井技
ｎｕｍｂｅｒ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈｉｄｄｅｎ ｌａｙｅｒ ｕｎｉｔｓ． Ｊｏｕｒｎａｌ ｏｆ Ｔｉａｎｊｉｎ
（
Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｃｈｉｎｅｓｅ ）， （ ）：
２４ ５ １３１５ ． 术，４４ （４ ）：３２３ ３２８．