《表5 本文方法与解析法的解释参数对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的径向复合油藏自动试井解释方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图5—图10给出了本文方法与解析法的计算结果对比，表5给出了相应的解释参数。由图5a和图6a可知，对于无噪音或有轻微噪音的实测数据，本文方法能正确解释出地层参数，这从实测曲线与计算曲线几乎重合可以看出。随着噪音的增加，解释结果仍然很好，如图7a和图8a所示。甚至当实测数据有杂乱噪音时，训练好的卷积神经网络仍然能近乎完美解释出地层与井筒参数，如图9a所示。即使当实测数据在局部上下振荡时，图10a表明解释结果仍然很好。这证明了本文方法的有效性和鲁棒性。即使训练样本中存在部分“坏样本”，训练后的卷积神经网络仍能正确解释实测关井压力数据。这说明，少量的“坏样本”不会影响卷积神经网络的性能，只是不能正确解释出“坏样本”所对应的参数。若剔除“坏样本”，可以预见训练后的卷积神经网络将有更优异的表现。如何剔除“坏样本”将是今后的研究内容之一。