SPE外文翻譯.doc

在低渗透砂岩层气藏中现场预测克林肯伯格渗透率的新方法 Mehdi Tadayoni ，National Iranian Oil Company and Mina Valadkhani ，Sepah Bank （1） 方程1也与克林肯伯格提及的相互关联，p是平均压力，k在平均压力下观察到的表面气体渗透率，K是真实的渗透率或者是克林肯伯格在无限大的平均压力下的渗透率。b是气体滑脱因子，他的系数取决于特别气体的平均自由半径和多孔介质的平均孔隙半径。正如下面给出的方程式（2） （2） 其中λ是自由行程的气体摩尔数，他是通过速度梯度垂直传导给井的,并且c是比值因子，其中r是毛细管的半径或者孔隙半径。理想化的多孔介质是这样的全部的数值在 这些原料中是同一横截面和横向是随机的通过坚固的原料。方程2表明气体滑脱效应对于低渗透的孔隙岩样有重大的意义由于他的极其小的孔隙值。 人工神经网络（ANN）是克林肯伯格效应预测的一种方法。利用人工网络神经可以除去一些关于成本和发展模型预测渗透率贡献的问题。人工网络神经是一个数字进程系统有能力学习和了解投入和产出的复杂关系通过使用联通的智能神经元。人工网络神经有学习的能力，因为他能认知，分类和归纳。人工网络神经的自主学习可以被管理，在这种情况下，投入和产出模式被要求或者自主的方式，这仅仅需要输入模式。图表1展示了人工神经网络的。神经网络的反传播的方法在有价值的网络中在广泛的不同的问题中由于它的能力而被设计，训练和归纳（预测），这样而被选中的(Oyerokun, 2002)。一个反传播方法的网络是多层网络而不是未发现的地层。他的有效输入向前传播是当错误的向后传播去适应这个链接体系是为了提高他的可预测能力。这种持续性是知道需要的最小量错误被获得时才停止。 图表1：伴有隐藏层的神经网络示意图 图表2：伴有3个隐藏层的反传播网络的结构 反传播算法的学习 图表3：:总纲发展蓝图网络的的一个视图 每层是由几个神经元组成，并且这些层是通过一系列的相关重量相互联通的。这些神经元是来自最初的输入或者是互连来接收输入，或者是通过用一个适当的非线性传递函数来换算生产输出。不同的传递函数被应用于多层的前馈神经网络结构中，这些结构有相切的双曲线，逻辑的S型并且线性传递函数是最重要的传递。这些传递函数有方程3-6给出了，分别是： （3） （4） （5） 其中 n 是： （6） 在以上的方程式中，a，p，W，b，还有k分别是输出的传递函数，输入向量，权向量，偏置，和一个常量参数。在这篇论文中，a，p，W，b，k中的每个函数变量是在培训过程中不同的层和结构中被检查的 目的就是为了发现预测的人工神经网络。 英国BP石油公司，是由鲁梅哈特，欣顿和威廉姆斯开发的，在人工网络神经在管理学习模型中是最流行的。标准的反向传播方法是一个梯度下降的算法，它的网络砝码向性能作用相反的方向转变。在英国BP石油公司的学习过程中，相互连接的砝码使用一个错误的收敛技术来获得一个给定输入的期望的输出，这一直在被调整中。 （7） 上方程式中Tk和Ak分别代表的是输出神经的真实值和预测值，并且k是输出神经。根据梯度偏差，梯度下降的算法适合这个砝码，下式子以给出： （8） 其中η代表学习率， 的一般的形式是通过下面的形式表达出来： （9） 替代方程(10)到方程(9)，我们有梯度误差由于: （10） 是接头层相关的输出值到相互连接砝码。是误差信号，它是根据是否神经元j是一个输出层来计算，如果神经元j是输