单砂体非均质性定量化描述新方法

为了提高渗透率的解释精度 ,选择人工神经网络方法建立了储层渗透率解释模型 ,同时 ,为了能够更快地获得准确、稳定的解释模型 ,对BP网络进行了改进 ,编制了自检验遗传神经网络应用程序 ;然后利用改进的人工神经网络建立渗透率解释模型 ,对储层渗透率剖面进行了逐点解释 ,在此基础上进一步结合分形几何学提出了渗透率的韵律维数、韵律角、韵律高等能够更全面、准确描述储层非均质性的概念。     

特低渗储层参数预测方法研究

针对特低渗透储层的岩心分析困难、测井解释难度大、储层物性井间外推不准等问题，提出了一套行之有效的系统的解决方法。具体做法是：首先，利用核磁共振成像技术来获得岩心的孔隙度、渗透率、含油饱和度资料；然后，利用改进了的人工神经网络建立高精度的孔隙度、渗透率和饱和度的测井解释模型；最后，利用分形克里格技术对储层参数进行井间及外推插值。将这套方法用于某油田S68区块扶余油层的储层参数预测，处理效果较为理想。     

渗透率级差对底水油藏剩余油分布规律影响

渗透率级差是影响底水油藏剩余油分布及油水运移规律的主要因素。油田投入开发后,纵向非均质底水油藏内部剩余油分布规律极其复杂,使得油藏后期调整开发潜力及编制剩余油挖潜方案更加困难。基于不同渗透率级差,利用油藏数值模拟方法,建立了不同韵律下4个底水油藏剩余油分布机理模型;研究不同渗透率级差对底水油藏剩余油分布及油水运移规律的影响。模型计算结果表明,渗透率级差越大,正韵律储层下部剩余油分布越多;渗透率级差越小,反韵律、复合反韵律及复合反正韵律储层下部剩余油分布越多。实例证明,考虑储层不同渗透率级差能够准确有效地描述底水油藏剩余油分布规律。     

基于流动单元改进的渗透率解释模型

储层评价中计算的渗透率往往与地层实际渗透率相差甚大,主要是因为同一个储层渗透率解释模型固定不变,实际上储层内部孔隙结构复杂多变。罗家油田滩坝砂地层具有5个沉积微相,基于流动单元方法把地层划分为5种流动单元,每种流动单元对应1种沉积微相,划分流动单元后储层渗透率评价精度提高了10.2%。对流动单元的渗透率解释模型进行改进,改进后的渗透率模型更符合流动单元的定义,更方便建立不同流动单元的渗透率解释模型。     

��������ɰ�Ҵ��������Ԥ�ⷽ����Ӧ��

在边际油气田中,泥质砂岩致密油气田占有相当大的比重,然而,泥质砂岩致密油气田的储层物性预测是该类油气田高效开发的瓶颈问题之一。泥质砂岩致密储集层的储层岩石泥质含量高、粒径小、变化大,由于渗透率特别低,难以应用常规方法进行岩心分析,测定孔隙度、渗透率、饱和度等相当困难,而且不准确;同时,由于泥质含量很高,孔隙度、渗透率、饱和度都很低,各项参数与测井数据的相关性变得很差,甚至不敏感;由于水动力变化剧烈,储层平面非均质强,在进行储层物性的平面预测时,井间外推插值不准确。针对这些问题,文章提供了一套系统实用的解决方法。首先,利用核磁共振成像技术来获得岩心的孔隙度、渗透率、含油饱和度值;之后,应用改进了的遗传人工神经网络建立高精度的孔隙度、渗透率和饱和度的测井解释模型,并对井点测井数据进行逐点解释;最后,利用分形克里格技术对储层参数进行井间外推插值。将这套方法用于某油气田的储层参数预测,处理效果较为理想。     

确定不同岩性储层渗透率参数的方法研究

储层渗透率是进行储层评价的一个重要参数，以往在建立渗透率解释模型时往往没有考虑岩性对储层渗透性的影响，事实上岩性对储层渗透性的影响是比较大的。本文探讨了以往渗透率解释模型的不足之处和岩性对储层渗透率的影响，给出一种利用测井资料结合岩心分析资料确定不同岩石类型储层渗透率的方法。     

基于岩石物理相的酸性火山岩储层渗透率解释模型研究

渗透率是评价油气储层的主要参数之一,针对松辽盆地徐深气田酸性火山岩储层存在岩性复杂、孔隙类型多样、非均质性强的特点,应用单一的孔隙度-渗透率关系模型计算渗透率精度低,不能满足储层评价及开发需要。综合应用岩心资料、常规测井与成像测井资料,基于岩石物理相建立了火山岩储层渗透率解释模型,其精度明显高于常规方法建立的渗透率解释模型,经计算得到的渗透率与岩心分析数据符合较好。通过实际资料处理结果表明,基于岩石物理相建立的火山岩储层渗透率计算方法,有效提高了渗透率解释精度,为储层评价开发提供了比较准确的渗透率参数。     

人工神经网络预测木头油田储层孔隙度渗透率

由于历史原因，木头小规模油田在开发过程中，评价油藏、储层的物性参数严重匮乏。随着开发阶段的不断变化，剩余油分布、注采关系分析和油藏地质建模、数值模拟等工作需要高精度的物性参数。本文提出了应用改进的人工神经网络BP模型对储层孔隙度、渗透率进行预测的方法，通过实际运用，和使用多元逐步回归法相比，预测的精度大幅度提高,渗透率相关系数可由0．8436提高到0．9961，相对误差2．19％，从而为深化储层认识提供了准确的孔隙度、渗透率参数。     

神经网络在测井解释中的应用

本文利用人工神经网络来确定储层参数：孔隙度和渗透率；识别油（气）、水、干层，以便对它们进行评价和开采。其过程是：首先选取适当的网络模型和学习算法，然后利用关键井的岩芯分析数据、试油结果和相应的一组测井数据训练网络，建立研究地区的测井解释模型，最后运用已建立的模型对未知井进行预测，给制出各井的解释成果图。     

应用阵列声波测井资料定量评价碳酸盐岩储层渗透性

碳酸盐岩储层晶间孔、微裂缝发育,非均质性较砂岩储层大,常规孔隙度渗透率建模方法求取的渗透率存在较大误差,渗透率参数的准确求取存在困难。基于声波测井的相关理论及对斯通利波影响因素的分项假设,得到根据储层斯通利波时差、剪切模量及流体信息计算反映储层渗透性的流体移动指数的计算公式,并分层位建立其与储层渗透率的解释模型,实现了对碳酸盐岩储层渗透率参数的定量评价。应用上述方法对实际阵列声波测井资料进行处理解释,解释结果与物性分析资料具有较高的一致性,提高了测井解释评价精度。     

基于渗透率合成技术的砂岩油藏产能预测方法

利用常规测井资料准确计算钻杆地层测试（DST）渗透率，能够大幅提高海上非均质砂岩油藏产能预测精度。为此，综合考虑惠州凹陷宏观沉积成岩作用和微观孔隙结构对储层渗透率的影响，建立了不同类型储层绝对渗透率的测井解释模型。正演分析表明，射孔层段不同渗透率级差的储层对产能的贡献明显不同；对不同级别储层渗透率进行加权求和得到合成测井渗透率，并对权系数大小进行约束，突出优势储层对产能的贡献，建立了DST渗透率的回归拟合方程；采用差分进化算法进行迭代，得到DST渗透率计算方程的最优解。采用该方法对惠州凹陷72个油层产能进行预测，48个油层的产能大于100 m3/d，预测相对误差小于30%的油层占比90%；24个油层的产能为10～100 m3/d，相对误差小于50%的油层占比79%。研究结果表明，基于渗透率合成技术的砂岩油藏产能预测方法，能够为海上油田测试作业决策提供指导，降低勘探作业成本。      

人工神经网络技术在油田储层物性预测中的应用――以西峰油田为例

与传统的测井资料解释和信息处理技术相比较,在对非均质性较强、物性参数级差较大的储集层物性预测中,人工神经网络技术具有极强的自适应和自学习能力,其通过很强的非线性映射,能够精确地建立储集层参数与测井响应之间的非线性模型。在论述神经网络技术基本原理的基础上,对西峰油田延安组和延长组储层的物性参数(孔隙度和渗透率等)进行了预测,取得了较理想的结果。预测结果表明:渗透率参数级差不大(<102)时,预测精度高;渗透率的变化范围较大(>103)时,对具有高渗透率储层的预测精度高,而对具有低渗透率储层的预测值相对误差较大。     

大庆长垣不同时期测井解释渗透率变化规律探讨

为了认识大庆长垣注水开发过程中储层渗透率的变化规律，研究储层水驱过程，寻找剩余油及其分布，满足地质建模和数值模拟的需要，分析大庆长垣不同时期测井解释渗透率差异较大的原因，研究了不同岩心的室内水驱实验渗透率的变化，优选区块的取心井岩心分析渗透率的变化，优选区块的开发井测井解释渗透率的变化，并对变化规律进行了对比分析。结果表明，随着油田注水开发，储层的渗透率逐渐增大，造成不同时期完钻井测井解释渗透率差异较大的原因不仅仅是储层渗透率自身的变化，更重要的是与测井解释模型的差异有关。建议对不同时期测井解释渗透率进行系统误差校正，以满足储层精细地质研究的需要。     

基于遗传算法优化神经网络的储层渗透率预测

由于储层渗透率的重要性以及复杂性,通过传统的计算方法难以得到准确的结果。人工神经网络的计算方法是一种非线性处理系统,能够根据测井数据预测储层渗透率,然而神经网络的参数以及结构设计均需要人工经验,不仅耗时,而且常常不能取得良好的结果。文章利用遗传算法,对基于误差反向传播算法的人工神经网络的隐层神经元数目、学习速率以及动量项等三个参数进行了自动优化设计,对海拉尔41：7取芯井300个层位的测井数据（输入）以及测量得到的渗透率（期望输出）进行了计算和测试。结果表明经过遗传算法得到的神经网络能够得到准确的渗透率预测结果,尤其是对于渗透率较大的储层（大于10mD）。     

储层渗透率预测方法研究

根据毛细管理论解释了传统孔渗关系的合理性,指出这种关系在复杂孔隙结构储层评价中的不足.根据3口井的岩心资料建立了储层的渗透率模型,对研究区1口井进行了渗透率预测,并将其结果与采用改进的BP神经网络技术的预测结果进行对比,认为神经网络技术有助于提高储层渗透率预测的精度.     

人工神经网络预测木头油田储层孔隙度渗透率

由于历史原因,木头小规模油田在开发过程中,评价油藏、储层的物性参数严重匮乏。随着开发阶段的不断变化,剩余油分布、注采关系分析和油藏地质建模、数值模拟等工作需要高精度的物性参数。本文提出了应用改进的人工神经网络BP模型对储层孔隙度、渗透率进行预测的方法,通过实际运用,和使用多元逐步回归法相比,预测的精度大幅度提高,渗透率相关系数可由0.8436提高到0.9961,相对误差2.19%,从而为深化储层认识提供了准确的孔隙度、渗透率参数。     

改进神经网络测井解释技术在宝北油田的应用

利用遗传算法与人工神经网络 (BP网络 )的原理结合 ,对BP网络进行了改进 ,应用改进后的BP算法 ,建立了针对测井解释的网络模型 ,并应用此模型定量计算了宝北区块的多口井的渗透率值 ,其解释结果及精度均令人满意 ,取得了良好的实际应用效果。     

大排量电缆地层测试复合流动压降解释模型

利用电缆地层测试预测试压降数据进行渗透率解释,能够快速获得储层参数,为下步正式测试工作提供参考。对于大排量电缆地层测试器,在较薄储层测试时,压力很快传播到储层上下不渗透边界,流体的流动形态也从球形流动过渡到圆柱形流动,而目前还没有针对电缆地层测试的球形流一柱形流复合流动压降解释模型。为了通过电缆地层测试压降数据快速获得可靠渗透率参数,指导进一步的精确测试参数选取。应用渗流力学理论和方法,建立了电缆地层测试球形流一柱形流复合流动压降解释模型,利用该模型,可以提高薄层测试时压降渗透率的解释精度。     

冷家油田重力流储层的测井解释模型研究

在冷家油田冷43块油气勘探中，已发现大量的重力流沉积储层。该类储层非均质性强，油水分布复杂，常规测井解释结果不能反映储层的真实情况。应用数理统计理论和人工神经网络模型，通过系统分析，则可以建立多元非线性测井解释模型，从而准确解释油层参数，指导油气开发。该方法的进一步应用，揭示了油层I2小层的油水分布规律，对改善冷家油田的开发效果提出了建议。     

渤海L油田厚层疏松砂岩储层纵向水淹规律地质影响因素实验分析

基于渤海L油田典型厚层疏松砂岩油藏开展了储层韵律性和渗透率级差两大地质因素对厚储层油藏纵向水淹规律影响的实验研究。通过提取典型井组地质参数,建立了均质、正韵律、反韵律、复合韵律等9种韵律性平板可视化实验模型和反韵律模型的4种渗透率级差平板可视化模型。韵律性实验结果表明:在不同韵律性条件下,厚储层油水运动规律特征不同,在初期见水时刻和含水98%时刻,剩余油分布特征各异,最终采收率差异明显。不同级差实验结果表明:厚储层油藏见水时刻临界动用级差大于水淹级差;含水98%时刻,临界动用级差和水淹级差较接近,揭示初始见水时未动用的储层,水淹后的高含水期更难动用。实验结果可以有效指导后续调整井挖潜研究。