Neural Approach for Calculating Permeability of Porous Medium
摘要
渗透是多孔的媒介的最重要的性质之一。因为水库具有严肃的异质，由使用单个 well-loggingresponse 和简单公式精确计算水库渗透是更加困难的，并且记载得好的反应弯被许多复杂因素糟糕秘密地影响。我们建议一个神经网络方法计算多孔的媒介的渗透。由改进 back-propagationneural 网络的算法，集中速度被提高，更好的结果能被完成。一个 four-layerback-propagation 网络被构造有效地从井日志数据计算渗透。自发的潜力，深侧面的木头的抵抗力，微坡度的木头的抵抗力，微正常的木头的抵抗力，当输入，和渗透作为输出被选择，声学的木头的间隔运输时间和浅侧面的木头的抵抗力被选择。有 35 个 and40 单位，分别地在二隐藏的层使用。在训练课程期间，在计算渗透和标准模式之间的关联系数象 0.9937 一样高，在他们之间的平均绝对错误是 0.046 亩 m ( 2 )，平均相对错误仅仅是1.93% .For 实际应用，在计算渗透和实际渗透之间的平均相对错误象大约10.0%一样也低。
引用本文（GB/T 7714）
张继成, 刘莉, 宋考平. Neural Approach for Calculating Permeability of Porous Medium[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2006.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。