摘要：针对Timur/Coates和SDR公式计算储层渗透率处理步骤繁琐的缺点,设计了一个实现非线性回归的单隐层前馈神经网络(single hidden layer feedforward neural network,SLFNN),该网络包含一个具有非线性激活函数的隐含层、两个线性全连接层和一个dropout层。为了防止学习过程中陷于局部最优和小样本数据集造成的过拟合,使用了Adam优化器、ReLU激活函数、何恺明均匀分布权重初始化方法和余弦退火热重启学习率调整算法。以某油田A~D四口生产井不同层位上的测井和岩心构成的小样本数据作为训练集和验证集,采用5折交叉验证方法,确定了隐含层神经元个数、初始学习率和dropout层神经元失活概率。最后以同区块E井数据作为测试集,使用4种模型(SLFNN、随机森林回归、支持向量回归和极端梯度提升回归)分别对渗透率进行了预测和对比。实验结果表明,在测试集下SLFNN模型的平均绝对误差(MAE)和决定系数(R 2)均比其他3种模型的优,说明SLFNN模型对储层渗透率的预测是有效的。