《表3 S 223井BP模型自相关系数（随钻测、录井，元素录井及其他测井数据）》

  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

《大民屯凹陷元古界裂缝密度模型建立方法及应用》

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

本方法作为数据驱动的神经网络算法，输入参数的种类及数量对最终输出模型的精度有较大影响。在模型训练过程中，将输入参数分选为随钻测录井数据（电阻率、自然伽马、井径、钻时、气测及其衍生数据等），元素录井数据及其他测井数据（声波时差、密度等）三类。将此三类数据逐批次增加到BP模型中进行训练，从相关矩阵（表1、表2、表3）来看，随着输入数据量的增加，BP模型对裂缝密度（Intensity）的总相关程度显著提升，当只输入随钻测、录井数据时，模型对裂缝密度总相关度为0.678，在此基础上加入元素In、Cd数据，则总相关度提升为0.735，再加入其他测井数据AC、DEN，则总相关度提升为0.771。从各个输入参数对裂缝密度的相关性来看，贡献率最高参数是RT、Tg及AC，均属于公认的裂缝表征曲线。贡献率次高的则是元素录井的Cd和In，分别达到0.289和0.234，故在随钻条件下进行裂缝密度计算时，元素录井是随钻测、录井参数的重要补充。如表2所示，此时的总相关度接近0.75。在BP模型训练中，根据所选建模井的资料收集情况，可以调整不同的输入参数组合，本研究的建模井包含全部三类数据，故优选包含随钻测、录井，元素录井及其他测井数据作为输入的BP模型为最终模型，利用该模型计算的裂缝密度曲线（FRAC-DEN）见图6。值得注意的是，由于目的层包含石英岩及白云岩两大类储集层，需对不同岩性分别建立各自的裂缝计算模型。