人工神经网络在试井上应用现状
（本来论文打算采用人工神经网络作试井自动拟合，现在改用别的了，这个调研奉献出来吧。）最初，人们采用图版拟合法获得有关油藏和井的参数，使理论曲线与实测曲线达到最佳拟合，不可避免的会有人工误差，效率低等缺点。70年代后，计算机开始在试井解释发展上扮演重要角色，人们发展了基于最优化原理的自动拟合解释方法，自动拟合解释方法是应用最小二乘法原理对实测压力资料构造函数进行最优计算求得地层参数。在一定时间内这种非线性的回归方法被认为是最佳的计算油藏参数的方法，它加快了解释的效率和速度，并且提高了解释结果的可信度。然而这样的方法需要预先知道特定的模型，并且必须给定初始的油藏参数估计值，而这个数值的值直接影响解释的效率。于是人们开始尝试采用其他方法来进行参数拟合，在90年代，人工神经网络开始在试井解释上应用。
人工神经网络（Artificial Neural Network，ANN）亦称为神经网络（Neural Network，NN），是由大量处理单元（神经元Neurons）广泛互连而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络所具有的非线性特征、大量的并行分布结构以及学习和归纳能力使其在诸多如建模、时间序列分析、模式识别、信号处理以及控制等方面得到广泛的应用。尤其面对缺少物理或统计理解、观察数据中存在统计变化、数据由非线性机制产生等棘手问题，神经网络能够提供较为有效的解决方法。人工神经网络在试井解释上的应用主要有两个方面，一是通过人工神经网络辨认试井解释模型，二是通过人工神经网络确定油藏参数。
1986年Grignarten，A.C.首次提出采用计算机辅助试井解释。1990年美国Stanford大学Allain,O.F.和Horne,R.N 利用人工智能识别试井解释模型，所识别的对象是压力导数双对数曲线。
1990年德克萨斯A&M大学的AL-Kabbi,A.U.,McVay,D.A.和Lee,W,J 在SPE上发表了他们利用人工神经网络识别试井解释模型的研究成果，掀起了试井解释神经网络方法的研究高潮。
人工神经网络抗噪音干扰的能力较强，因此，引入人工神经网络可以克服人工智能过程所无法避免的不足，改善了试井分析的智能化效果，大大提高了人工智能的正确识别率。O.F.Allain与O.P.Houze（1992年）将人工神经网络引入试井分析专家系统的草图质量评价过程，S.Athichanagorn与R.N.Horone（1995年）将人工神经网络引入顺序概率参数识别过程，初步尝试了人工神经网络与试井分析专家系统的结合。
由于试井问题的特殊性，待识别的实测模式信号与理论模式信号相比，不仅信号本身存在噪声，最主要的是信号不完整。由于信号的不完整，不论是二范数归一法还是分段处理归一化方法，都必须将使得待识别曲线的形态发生变化，因而待识别模式的模态发生了转移，不当的信号预处理方法本身扩大了待识别信号的噪声，甚至改变了待识别信号的模式。显然，传统的信号预处理方法不能简单的应用于识别试井这一特殊问题，如何对试井模式信号进行预处理一直是困扰正确利用神经网络识别试井模型的主要障碍之一。1994年Alberta大学的Kacheong Yueung等人提出了了分段归一化处理方法，正是他们认识到这一问题后提出的解决措施。但二范数归一化处理并没有解决实测曲线与学习样本之间存在位移的问题，并且可能将曲线数据不完整的模式噪音扩大成为新的模式，因而方法不完善。分段处理方法正是为了消除实测曲线早期和晚期数据不完整而提出的一种改进方法。然而分段处理法解决了时间轴上的不统一性，对压力轴方向的不统一性却无能为力。
1996年Wonmo采用HT-BP 神经网络方法来进行参数拟合。他试图利用HT方法，从图像转化的角度来消除这一影响。HT利用极坐标转换将图像映射到极坐标参数空间，利用参数空间对单元数值累加提取图像特征，并将参数空间中单元的数值状态作为神经网络输出。HT方法对模式的平移不敏感，即具有模式平移不变性。但对模式的完整性要求更为严格，即对早期和晚期记录的完整性难以保证的试井问题，HT方法不能发挥其特色。1999年邓远忠等提出了试井解释模型实测识别曲线预处理的坐标变换与插值处理方法，效果较好，消除了常规归一化处理方法的模式转移现象，保障了待识别模式的正确识别。
1996年Sandeep Sinha研究了自组织特征映射网络（Self Organizing Feature Maps—SOFM）在试井解释上的应用。SOFM是一种无导师指导的自学习，自组织网络。网络通过对训练样本的学习，提取样本的特征，并将样本映射到特征层的相应位置。SOFM没有导师的指导，其对输入样本提取特征，并将特征映射到网络输出层的二维网格上。由于试井曲线的相似性和曲线本身特征的模糊性较大，因此，SOFM常常不能将试井曲线正确归类。所以，SOFM网络不能作为试井解释模型的理想分类器。
1999年邓远忠研究了Hopfield和Hamming网络方法，它们都是属于联想记忆网络。Hamming与Hopfield不同之处在于它是一个完整的分类器，而不只是一个联想网络。对于未知的模式输入，Hamming网络能直接给出识别结果，与Hopfield相比，Hamming是更为理想的网络分类器。另外他也研究了混合AI的神经网络方法，此方法将大的分类任务分成小的子任务，首先完成子任务的识别任务，然后在将子问题组合还原。实践证明，混合AI神经网络神经网络的试井解释模型识别能力较强，适合处理各种试井问题。
国内外研究结果表明，神经网络方法大大简化了试井
解释参数识别过程
·