摘要：径向基（RBF）神经网络法具有网络结构简单、逼近能力强和学习速度快等优点，已成为最具发展潜力的储层敏感性智能预测方法之一，但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题。通过在输入层中引入补充节点，对网络拓扑结构进行优化，有效地提高了RBF神经网络的逼近精度和泛化能力。在确定储层敏感性主要影响因素的基础上，通过对径向基函数散布常数的优选，进一步优化了RBF神经网络的性能。采用所收集的胜利、辽河、大港及江苏油田共125组数据，进行了神经网络训练和预测检验，优化了RBF神经网络，并在储层敏感性预测方面进行了应用。结果表明，对于训练集内的样本，预测的平均准确率均大于93．79％，且预测值与实验值的相关系数均大于0．995；对于训练集外的样本，预测的平均准确率大于91．59％，预测值与实验值的相关系数大于0．994，实现了对储层敏感性的准确、定量预测。

关键词：储层敏感性 径向基神经网络 补充节点 散布常数 训练精度 

单位：中国石油大学（华东）石油工程学院 山东青岛266555 中国石油大学（北京）教育部石油工程重点实验室 北京102249 中国石油大学（华东）计算机与通信工程学院 山东东营257061