改进的B-P神经网络系统在储层敏感性伤害预测中的应用

从储层保护的角度出发,对长庆油田的储层伤害进行了综合分析研究,确定了对储层造成伤害的几种因素:水敏、盐敏、速敏、酸敏、碱敏,并采用Kohonen自组织网络和改进的B-P网络相结合的组合神经网络技术建立了储层敏感性伤害的预测模型.该模型改进了以往神经网络模型在数据处理方面的缺点,缩短了网络学习训练的时间.运用该模型对长庆油田储层伤害进行了预测,预测结果与实测结果较一致性,说明改进后的神经网络模型在储层敏感性伤害预测中能够满足工程预测的需要,从而为油气层保护技术措施提供可靠的依据.     

神经网络方法在缝洞型碳酸盐岩储层酸压改造中的应用

运用人工神经网络对塔河油田缝洞型碳酸盐岩储层酸压效果进行预测研究。通过溶洞型区、裂缝型区的划分把塔河油田酸压井划分到两个区块内,这样使得各区内影响因素与压后产能的关系变得明确。确定选用单隐层BP神经网络结构作为酸压效果预测的模型,通过综合相关系数、偏相关系数及灰色关联度确定神经网络参数输入组合,通过改变输入参数个数及改变隐层节点个数研究不同结构神经网络模型与压后效果的关系,分别优选出适合两个区块的最优神经网络模型。现场应用表明,BP人工神经网络是适合该类储层酸压效果预测的方法。     

基于岩控的人工神经网络在渗透率预测中的应用

渗透率是储层评价中的重要参数,与传统的经验模型或统计模型计算的结果相比,BP神经网络由于高强度非线性映射能力及较强的自适应和自学能力,可以更精确地预测储层渗透率。通过对常规BP网络模型的改进,即在模型中加入定量化的岩性评价参数作为一个学习样本,建立了储层参数与测井响应及岩性之间的非线性模型。应用该方法对北部湾盆地涠西南凹陷涠洲某油田流一段的渗透率进行预测,取得了较好的效果。该方法计算的渗透率与实测渗透率吻合度很好,而且比用常规的、没有岩性控制的BP网络模型计算的渗透率精度更高。除了在储层参数预测方面进行应用,该方法还在储层沉积微相和岩性预测方面有着广泛的应用前景。     

改进的神经网络模型在储层敏感性预测中的应用

在改进的神经网络训练算法的基础上，提出了利用神经网络快速预测储层潜在敏感性（水敏性、速敏性、盐敏性、酸敏性和碱敏性，简称“五敏”）的方法。在对储层的“五敏”伤害预测中，采用Kohonen自组织网络和BP网络建立了敏感性伤害的预测模型，提高了预测的精度。分析表明，该方法受人为因素干扰小、所需参数少、适用范围广（特别适用于探井），能定量地反映出储层潜在敏感性程度，从而为制定保护油气层技术措施提供较可靠的依据。     

径向基神经网络优化及在储层敏感性定量预测中的应用

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。     

应用支持向量机方法预测储层敏感性

介绍了支持向量机的基本理论;通过单相关分析找出影响储层敏感性的主要因素,应用测井资料提取这些敏感性参数,使用支持向量机算法,以影响敏感性的主要因素作为支持向量机网络的输入层,预测储层的敏感性.分别使用支持向量机和BP神经网络2种方法对×油田的测井资料进行了处理、分析.对比结果表明,用支持向量机得到的速敏、水敏、盐敏的预测结果具有更高的预测精度.这说明支持向量机预测储层敏感性是一种切实可行的方法.     

考虑温度因素的储层敏感性预测方法

通过研究温度对储层黏土矿物、孔隙度以及渗透率的影响规律,发现温度对储层孔隙度的影响较小,渗透率随温度的变化与孔隙度之间存在一定关系.在BP神经网络模型的基础上,将温度作为一个新的神经元引入到输入层中,通过对网络隐层数的优化设计和误差分析,提出了考虑温度影响的储层敏感性预测新方法,编写了相应的计算程序实现了敏感性预测的智能化.通过与室内实验结果对比,该方法精度大于83%,且受人为因素影响小,具有较高的预测精度,为高温条件下储层敏感性预测提供了一种新的手段.     

概率神经网络及其在储层产能预测中的应用

概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。针对储层产能的预测问题，提出了一种具体的概率神经网络方法，包括网络模型的构造、学习训练和预测识别等步骤。基于MATLAB6．5设计出概率神经网络的具体应用软件，实际应用表明，在储层产能预测中效果显著。与BP网络进行对比实验，其预测正确率优于BP网络。     

储层敏感性预测中新方法研究与应用

及时准确地预测储层敏感性损害问题一直是油气层保护研究的一个重要课题。本文在收集岩心分析资料的基础上,通过单相关分析确定影响敏感性的主要因素,应用一种基于多层激励函数的量子神经网络。建立了储层敏感性损害预测的量子神经网络模型,它可以有效提高网络的收敛速度和预测的准确率。基于量子神经网络的预测模型分析表明,该方法受人为因素干扰小,同时系统所需参数少,应用广泛,结果可靠(总体符合率达到88%),能有效地反映出储层潜在敏感性损害程度,为制定保护油气层技术措施提供较可靠的依据。     

储层敏感性快速预测软件在大港油田的研究与应用

在储层特征分析，室内实验，机理研究的基础上，利用人工神经BP网络建立预测模型，并编制了预测储层5种敏感性的软件，该软件受人为因素干扰小，所需参数少，准确度高，综合符合率大于80％现场应用结果表明，该技术能为制定保护油气层技术措施提供较可靠的依据，能提高油田滚动开发效益，改善老油田的开发效果，该软件对BP算法进行了改进，（1）从两方面入手使网络摆脱平坦区，一是对输入数据进行归一化处理，使O1的取值在[0,1]之间，二是一旦网络陷入平坦区域，局部极小，使连接权值Wkj,Wji和阈值Qk,Qj同时缩小一个因子，λ＞1，可使Ok(1-Ok)脱离零值，离开平坦区；（2）加速收敛，方法有自动调整学习因子，添加动量项以及对权值进行批处理，用BP算法预测储层潜在敏感性，首先应确定影响储层敏感性的主要因素，然后根据这些因素有针对性地收集有关资料并进行处理，再根据敏感性预测的要求，设计相应的网络结构进行训练，最后对训练好的网络进行.检验。     

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。     

The Prediction of Permeability Using an Artificial Neural Network System

Abstract

The authors studied the efficiency and accuracy of neural network model for prediction of permeability as a key parameter in reservoir characterization. So, some multilayer perceptron (MLP) neural network models with different learning algorithms of Levenberg-Margnardt, back propagation, improved back propagation (IBP), and quick propagation with three layers and different node numbers (3, 4, 5, 6, 7) in the middle layer have been presented. These models have been obtained by 630 permeability data from one of offshore reservoirs located in Saudi Arabia. The accuracy of models was studied by comparing the obtained results of each model with experimental data. So, the neural network with IBP learning method and five nodes in the middle layer has the most accuracy.     

应用神经网络信息融合技术快速预测储层敏感性

快速、准确地诊断与预测储层敏感性损害问题一直是储层保护问题研究的一个重要领域。同时预测储层敏感性损害也是一门需要处理大量数据与信息的技术。信息融合技术是将各种途径、任意时间和任意空间上获得的信 息作为一个整体进行综合分析处理的技术。利用信息融合技术进行敏感性损害预测能够尽可能多地使用已有的数据获取最为准确的结果,在输入参数较少的情况下给出一个可靠的数值结果,且受人为因素干扰较少。基于 政进算法编制的神经网络信息融合技术储层敏感性快速预测软件分析表明,该方法受人为因素干扰小,可以渗断储层中邶种敏感性是主要因素并给出一个确切数值,同系统所需参数少,结果可靠（总体符合率达到91％）,是一种能适用于现场的快速有效的方法,为油田合理处理敏感性损害提供了理论依据。     

孔隙度预测中的地震特征优化方法及应用

孔隙度是油气藏描述的一个重要参数。基于双相介质中地震波传播理论,论述了地震孔隙度预测原理。考虑到地震孔隙度预测的复杂性与BP网络函数逼近需要利用全体样本的信息、学习效率低（不适于用来优选地震特征）等不足,提出采用完全利用样本信息（CUSI）的网络做孔隙度预测。该方法利用CUSI网络的局部逼近功能,依据井孔数据与井旁地震数据建立地震特征与孔隙度的函数关系来预测孔隙度。在此基础上还提出了CUSI网络孔隙度预测中的地震特征优化原理和基于遗传算法的地震特征优化方法。实际应用结果表明：此方法明显改善了地震孔隙度的预测精度,具有实用价值。     

基于测井资料的BP神经网络模型在孔隙度定量预测中的应用

分析了储层孔隙度预测中存在的问题,提出了把测井信息当作影响储层孔隙度的因素、并根据已知测井信息与储层孔隙度的关系、建立适当的BP神经网络模型、在一定的学习条件下对未知样本进行预测的方法。通过实例研究,预测结果的准确性较高且明显优于回归分析预测的结果,认为此法可以作为一种储层孔隙度定量预测的方法。     

基于灰关联分析与K-L变换的双重属性优化方法

将灰关联分析和K-L变换有机地结合起来可以实现属性的双重优化。利用灰关联分析实现了地震属性的敏感性分析，并建立了储层参数与属性之间的灰色关联。在此基础上，通过K-L变换将属性空间的高维属性映射为低维属性，且去除了属性之间的相关性，从而有效地解决了属性组合的优化问题。采用BP神经网络对目标进行预测表明，灰关联分析和K-L变换相结合的属性双重优化方法能充分发挥单个方法各自的优点，有助于属性分析、关联以及组合优化问题的解决，从而提高了地震储层预测的运算速度和精度。     

应用改进的BP人工神经网络快速预测储层敏感性

标准的神经网络算法存在训练时间长，在一些特定的给定初值情况下会陷入局部最小等缺点，应用受到一定限制。该文介绍了改进的BP人工神经网络训练算法，该算法在一个权值修改过程中对权值修改两次，以达到加速收敛避免陷入局部最小等目的，利用该算法进行了储层敏感性快速预测软件研制。分析表明，该算法受人为因素干扰小，所需参数少，结果比较可靠，总体符合率达到91％，改进后的算法训练所需时间与标准BP网络相比缩短了许多，是一种适用于现场的良好方法。     

基于GA-ANFIS的油气储层地震预测方法及应用

基于GA-ANFIS理论，将遗传算法与模糊神经网络技术有机地相结合，构成一种新的油气储层地震非线性预测方法。这种新的预测方法在油气储层预测中，利用地震数据和测井数据之间的非线性映射关系建立训练样本，将GA算法与ANFIS网络中的学习算法相结合，构成混合算法来优化ANFIS网络的前提参数和结论参数，并在遗传算法中加入禁忌搜索算法，这种混合算法自始至终将各算法按一定概率比例进行，其概率自适应变化，加快了网络收敛速度和提高了网络性能，获得了良好的预测效果。在测井数据约束下，应用所提出的方法对碳酸岩盐储层和砂岩储层分别进行了平面预测和剖面预测，并按储层有效性指数进行了储层分级，这种分级反映了储层的有效性和含油气状况，提高了油气储层的实际预测效果，是对油气储层预测技术的一种新发展，开拓了油气储层预测发展技术。     

基于统计学习理论的高含盐油藏储层渗透率变化预测

为了在较少的实验数据条件下，实现对高含盐油藏储层渗透率变化规律的有效预测，对自组织、改进型BP神经网络和支持向量机3种方法在水驱储层渗透率变化预测中的应用进行了探讨。3种方法的对比研究表明，在小样本条件下，支持向量机方法能够兼顾模型的通用性和推广性。在王场油田潜三段北断块油藏储层渗透率变化的敏感性分析应用结果表明，该方法可准确地预测储层渗透率的变化规律；编制的动态油藏数值模拟软件应用结果显示，考虑储层渗透率变化的剩余油数值模拟结果符合率达75％，而不考虑储层渗透率变化的结果符合率仅为45％。充分说明了动态模拟的优越性。     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。