基于MATLAB神经网络的岩性识别

利用MATLAB工具箱中的快速BP算法来训练神经网络，并用神经网络来进行测井资料的岩性识别。通过对已知井段测井数据进行学习，来预测同一地区其他井段的岩性。实验结果表明．MATLAB工具箱中的快速BP算法具有很高的实用价值。     

应用粗集神经网络系统识别火山岩岩性

针对火山岩岩性复杂、识别难度大的问题,应用粗集神经网络系统及测井资料开展了火山岩岩性识别.首先,根据粗集理论对测井信息进行优化约简,然后利用优化后的信息建立样本集,采用LM算法的BP神经网络进行学习.运用优化的特征参数和训练好的BP神经网络对火山岩岩性进行识别的结果表明,该方法具有快速、稳定的优点,识别准确率较高.     

BP神经网络在辽河坳陷太古宇潜山内幕岩性识别中的应用

太古宇基岩内幕岩性复杂,岩性划分难度较大。研究中以岩心定名为基础,挖掘太古宇不同岩性测井曲线的响应特征,抽取对基岩内幕岩性敏感的密度、中子、伽玛以及光电吸收截面指数作为输入端构建BP神经网络对太古宇岩性进行识别。识别结果与岩心测试资料对比表明,BP神经网络岩性识别结论可靠。该研究丰富了太古宇基岩岩性识别方法,为太古宇内幕深化研究奠定方法基础。     

BP神经网络在致密砂岩气藏岩性识别中的应用

蜀南地区须家河组地层岩性复杂,属于低孔、低渗致密气藏,致密砂岩测井识别是该地层天然气勘探中所面临的关键问题和难点之一。针对常规测井岩性识别准确率不高的状况,提出利用BP神经网络进行复杂岩性测井识别。神经网络识别输入样本采用选取靠近其所属岩类的平均值的样本以提高神经网络的精度,并对输入数据进行标准化以消除测井曲线间量纲的影响。运用BP神经网络模型对研究区域复杂岩性进行识别,识别结果与岩心岩性和录井岩性较为相符,对该区域的储层识别和沉积相的研究具有一定的参考价值。     

基于模式识别的稠油油藏复杂岩性识别方法

利用常规测井曲线、交会图等方法识别稠油油藏岩性正确率低,效率不高。选用已采集的油田测井资料,分别采用费歇判别法、BP神经网络、极限学习机3种模式识别法,对稠油油藏岩性进行识别,并利用岩心、录井资料对识别结果进行检验。研究结果表明,费歇识别法正确率为81.2%,BP神经网络识别正确率为90.3%,极限学习机识别正确率为92%。在合理有效提取参数的条件下,极限学习机和BP神经网络的岩性识别符合率要高于费歇判别法,且具有运算速度快、效率高等优点。模式识别法在测井解释岩性识别方面有一定的推广应用价值。     

BP-神经网络识别地层岩性-以银额盆地为例

本文介绍了目前岩性识别方法中较先进的BP神经网络法,提出运用BP神经网络的优化方案,从而使岩性识别的迭代运算更精确。最后对在银额盆地进行的实践应用进行了讨论,结果表明BP神经网络识别率优于交会图法。     

钻井岩性实时识别方法研究

地层岩性的实时识别对及时调整钻井参数、有效控制井眼轨迹具有十分重要的作用。以录井资料为基础识别地层岩性,必须综合考虑钻井操作参数、水力参数以及钻头磨损状态的影响,而随钻过程中,就目前的技术还不能够实时测量钻头磨损状态。根据BP神经网络原理,建立了岩性识别双重神经网络模型。第1个神经网络用来在已知钻头磨损状态条件下,识别所钻地层岩性;第2个神经网络用来在已知地层岩性条件下,预测钻头磨损状态。2个神经网络通过钻头磨损状态参数连接起来,选取样本数据分别对2个神经网络进行训练,并结合随钻录井数据,根据岩性识别流程图对岩性进行实时识别。应用该模型在新疆油田进行了岩性实时识别试验,识别结果与测井解释结果相比,符合率达85%。应用结果表明该模型具有一定的合理性和实用性。     

应用人工神经网络模型识别白云岩类型

显微镜下观察岩石结构结合地层岩石沉积背景的地质知识作出人为判断是地层岩性的常规识别方法。针对该方法需要专业技术性强、镜下观察能力高、识别结果受人为因素影响大的不利因素,以羌塘盆地白云岩类型识别为例,提出了一种简单、快速、有效的识别方法——人工神经网络识别法。在概述人工神经网络模型、简介BP神经网络模型拓扑结构及其训练算法的基础上,阐述了建立识别白云岩类型的神经网络模型的训练过程与注意事项。应用结果表明,该模型性能良好、有效可行,准确率高,可作为羌塘盆地识别白云岩类型的一种有效方法;同时,对于地层岩性识别研究向人工智能化方向发展具有引导作用。     

基于BP神经网络算法识别苏里格气田致密砂岩储层岩性

以薄片鉴定资料为准,从筛选敏感测井参数入手,优选了对岩性敏感的自然伽马和光电吸收截面指数作为BP神经网络输入端信息进行网络训练和学习,对测井数据进行了标准化处理,以消除由于测井系列以及仪器型号的不同引起的刻度误差。应用BP神经网络法对苏里格气田目的层段复杂岩性进行识别,其结果与岩心录井岩性符合度较高,平均符合率达84.48%。采用该方法对致密砂岩气藏储层岩性的识别,可以有效地为后续沉积相等方面的研究提供资料基础。     

基于测井参数的遗传BP神经网络识别火山岩岩性——以准噶尔盆地西北缘中拐凸起石炭系火山岩为例

准噶尔盆地西北缘中拐凸起石炭系火山岩储层岩石类型复杂多样,既有火山熔岩、火山碎屑岩,又有侵入岩,造成该区岩性识别难度较大。为此,引入了遗传算法的BP神经网络,遗传BP神经网络是以自身特有的样本学习能力获得识别模式,识别结果客观可靠。利用测井参数对中拐凸起石炭系火山岩储集层的岩性进行识别研究,选取典型井的测井参数训练遗传BP神经网络,以获得网络神经元的连接权值。获得满意的权值后,通过输入其他已知井的测井数据对其进行检验,检验结果表明,该方法识别火山岩岩性的可信度高,具有较强的可行性。     

可伸缩式PDC-孕镶金刚石耦合仿生智能钻头的破岩仿真

针对钻井过程中岩性识别困难、PDC钻头磨损严重、孕镶金刚石钻头破岩效率低和钻头泥包等问题,采用BP神经网络学习算法建立了岩性识别模型,并设计了一种新型可伸缩式PDC-孕镶金刚石耦合仿生智能钻头,分别在软件Matlab和ABAQUS上进行了岩性识别仿真和破岩仿真。仿真结果表明:BP神经网络模型对岩性的识别精度非常高,有利于合理选择钻头类型、及时调整钻井参数和提高钻井效率;仿生智能钻头作用于岩石表面的应力远大于常规钻头,使岩石更易达到破碎极限,从而提高钻头钻速。本设计集智能岩性识别、高破岩效率、自再生功能、防泥包功能于一体,为我国石油钻头的设计提供了一种新思路,具有重要意义。     

火山岩储层岩性识别方法研究

近年来,国内外相继发现火山岩油气藏。随着油气勘探难度的增加,火山岩油气藏已成为今后油气勘探开发的重要目标之一。由于喷发方式和构造的不同,火山岩具有岩石类型多、定名和识别困难等特点,严重制约了火山岩储层评价技术的发展,影响了火山岩油气藏的勘探开发。本文鉴于火山岩储层岩性识别成功率低这一实际情况,分析火山岩形成的特点及其岩相类型,总结识别火山岩岩性的物探技术,地层元素俘获谱、成像等测井技术和BP、SOM神经网络法,为火山岩储层岩性识别提供技术支持。     

地层岩性随钻识别的神经网络方法研究

钻井过程中随钻识别钻头当前位置的岩性信息对于合理选择钻头类型、快速建立岩性剖面、及时发现油气层和卡准取心层位有着重要意义。钻井实践证明，地层岩性的变化在钻井参数上有很好的综合体现。以录井资料为基础，结合已钻井的测井资料，根据BP神经网络原理，建立了地层岩性随钻识别神经网络模型。应用该模型在新疆油田进行了地层岩性随钻识别试验，试验结果与测井资料解释结果相比，效果较好，符合率可达80％。     

基于改进KNN算法的潜山复杂岩性测井识别方法

兴隆台中生界砾岩油气藏是辽河坳陷近年发现的大型整装构造-岩性油藏,探明程度低,勘探潜力大。油藏受岩相与构造的共同控制,储层非均质性极强,岩性类型复杂多样,导致测井识别难度较大,严重制约了该区的勘探进程。为此,依据岩心观察、岩屑录井及薄片鉴定结果,按照储层分类评价需求及测井可识别原则,重新将研究区岩性划分为碎屑岩和火山岩两大类,具体包括花岗质砾岩、混合砾岩、砂岩、泥岩、玄武岩、凝灰岩等6种岩石类型。通过分析不同类型岩石的测井响应特征,建立岩性交会图版,确定敏感测井参数。在此基础上,针对测井数据特点,对K最邻近值(KNN)算法进行改进,提出了基于测井属性加权的剪切邻近(MKNN)机器学习算法,并用于岩性预测。结果表明:相比传统的K最邻近值(KNN)算法,MKNN算法效率更高,解决了KNN算法受岩性样本类型不均衡及测井参数重叠的影响,岩性识别准确率由82.3%提高至88.7%,有效地解决了勘探老区岩性精细评价问题。该研究对提高复杂岩性油藏的测井评价精度具有一定的借鉴意义。     

模糊神经网络油气预测

本文在分析研究ＢＰ网络油气预测存在问题的基础上，提出了一种模糊神经网络。这种网络与ＢＰ网络相似，它是将模糊的概念结合于网络之中，使神经网络可以处理结构化的知识，亦即由专家给出的规则，从而提高了油气预测结果的可信度。同时，在网络训练时采用同伦学习算法，大大提高了网络训练的收速度，避免了用梯度下降法训练网络所产生的局部收敛现象。模糊神经网络已在大庆探区多个高分辨率区块进行了油气预测的实际应用，取得了较     

BP神经网络在致密砂岩储层测井识别中的应用

川西须家河组地层岩性复杂，属于超致密低孔渗储层，所以储层识别是该地层天然气勘探中所面临的关键问题和难点之一。针对常规储层识别准确率不高的状况，提出利用BP神经网络进行储层含气含水或干层的识别。 利用模糊聚类和产层测试结果标定建模样本，采取随机抽样形成建模集与测试集，建立BP神经网络模型对23口井的储层进行含气含水或干层预测，正确率达77.9%以上，明显地提高了该地区的测井解释精度，是一种准确率较高的储层预测方法。     

基于改进BP神经网络的油井流入动态研究

针对传统流入动态研究方法误差较大等问题,提出利用改进的BP神经网络进行油井流入动态研究。通过采用LM算法和贝叶斯正则化算法,改进了常规BP神经网络收敛速度慢、泛化能力差等缺点,并探讨了通过优化网络结构来提高网络泛化能力的方法。实例计算结果表明,采用LM算法和贝叶斯正则化算法的改进BP神经网络用于油井流入动态研究是可行的...