A地区页岩气储层总有机碳含量测井评价方法研究

页岩气储层中总有机碳含量（TOC）反映了页岩的生烃潜力,准确获取页岩气储层TOC含量对页岩气的开发具有重要意义.利用测井资料的连续性和纵向分辨率高等特点,建立精度较高的TOC测井评价模型.在分析几种常用TOC测井评价方法限制因素的基础上,结合A地区岩性变化复杂的实际情况,建立了BP神经网络预测TOC、拟合方法计算TOC、基于干酪根含量计算TOC共3种模型,并对该地区X井页岩进行了TOC含量评价.结果表明：在A地区采用BP神经网络预测TOC模型其精度最高,可为岩性复杂地区的TOC含量评价提供技术支持.     

下刚果盆地A区块Madingo组烃源岩TOC含量的地球物理定量预测

TOC含量是烃源岩有机质丰度和生烃潜力评价的重要内容,由于受油基泥浆污染,下刚果盆地A区块可用于实测Madingo组烃源岩TOC含量的样品较少,且分布不均匀,难以进行定量评价。而地球物理资料蕴含着烃源岩的多种地球化学信息,可以有效地定量预测TOC含量。以研究区实测TOC含量和测井资料为基础,通过交会分析寻找与TOC相关性较好的测井参数,分别利用多元回归分析法、改进的ΔlgR法和BP神经网络法预测TOC值,并比较预测值与实测值的相关性,优选计算方法并进行单井TOC含量的测井定量预测。结合三维地震数据建立测井预测TOC含量与井旁道地震属性之间的神经网络模型,计算TOC数据体。结果表明：研究区与实测TOC相关性较好的测井参数包括密度、自然伽马和声波时差;BP神经网络法预测效果最好,单井预测TOC结果和实测TOC值相关系数高达0.9542;研究区TOC三维定量预测结果呈“垂向上层状分布,平面上北东低、南西高”的特征。     

基于不同岩性的总有机碳分段预测方法——以东营凹陷始新统沙河街组三段下亚段为例

陆相泥页岩具有非均质性强的特征,矿物组分、总有机碳含量（TOC）等参数的分布预测是陆相页岩油气资源评价与选区研究的基础。为获取陆相页岩地层上述关键参数纵向分布特征,克服测试实验周期长、成本高、取样难等现实问题,开展了相应关键参数测井预测方法研究。以渤海湾盆地东营凹陷始新统沙河街组三段下亚段为例,结合XRD实测数据以及测录井等资料,具体针对不同岩性选取不同TOC预测模型,建立了不同岩性的TOC识别模板。运用所构建的模型对Fy1井沙三下亚段的岩性、TOC进行典型预测,分段预测TOC方法得到的预测值与实测值之间的相关系数较高,约为0.84,表明该方法可行性较强,可为开展陆相页岩油资源评价及目标评价提供有效的技术支撑。      

四川盆地威远地区五峰组—龙马溪组页岩TOC含量地震定量预测方法及应用

四川盆地威远地区内部钻井少,仅靠岩心实测和测井计算的TOC含量评价该区页岩气资源潜力难度较大,利用地震资料预测页岩TOC含量不但能弥补该区钻井取心少的不足,而且能够评价无井地区页岩的TOC含量。以四川盆地威远地区W201井区三维五峰组—龙马溪组一段1亚段为例,利用钻测井及三维地震资料定量预测了页岩TOC含量的平面及空间分布。首先通过测井计算得到的TOC与地球物理参数交会分析,优选出敏感参数密度,在此基础上,分析该区钻井岩心实测和测井计算的TOC含量与密度的关系,得到计算TOC含量的地震预测模型,然后利用叠前同时反演技术获得该区的密度体,通过预测模型最终实现页岩TOC含量的定量预测。结果表明:①地震预测的TOC与岩心实测和测井计算TOC结果较为吻合,误差较小;②研究区东南部及北部W201井区TOC含量较高,平均值可达2%～4%,为勘探开发有利区。结论认为,该TOC定量预测方法对于研究区适用有效,且对川南地区页岩气勘探开发评价具有一定的指导意义。     

重庆南川地区龙马溪组页岩微裂缝发育影响因素及程度预测

通过野外观测、室内实验和镜下观测,总结了重庆南川地区龙马溪组页岩微裂缝发育的宽度范围、优势方位及在压汞实验阶段进汞量曲线图上的表现等特征,分析了页岩矿物成分、TOC值、RO值、孔隙率、构造变形等因素对页岩微裂缝发育的影响,探讨了"100nm孔体积"和"总进汞量"指标与微裂缝发育程度之间的相关性,利用矿物成分含量、TOC值、RO值、孔隙率等实验数据,结合构建的构造因子,建立了页岩微裂缝发育影响因素的量化指标,运用BP神经网络模型,探讨了页岩微裂缝发育的影响因素与发育程度之间的量化联系,对微裂隙发育程度进行预测研究,认为研究区龙马溪组页岩中发育宽度在百纳米—百微米的微裂缝,形成不同级别的微裂缝网络;阶段进汞量曲线在一定程度上反映了页岩中超微裂缝的发育程度;微米级的微裂缝宽度主要集中在100μm以下,与构造变形关系密切;BP神经网络模型中的权值矩阵反映了微裂缝影响因素与微裂缝发育程度之间的量化联系,可以运用BP神经网络对微裂缝的发育程度进行量化预测。     

鄂尔多斯盆地延长组烃源岩有机碳含量测井预测方法优选及应用

尽管通过测井数据预测烃源岩有机碳含量(TOC)具有经济快速的明显优势,但由于不同地区及地层的特殊性,其预测误差限制了该方法的广泛应用。利用前人提出的预测烃源岩TOC含量的自然伽马测井法、体积密度测井法、多元回归分析法和BP神经网络模型,结合鄂尔多斯盆地延长组的地质特征建立了研究区TOC含量预测的经验公式和模型。优选认为BP模型为延长组TOC含量预测精度最高的方法,并将其应用于盆地南部YK1井延长组,得到9 220个样点的TOC值,辨识出4段连续厚度大于10m的有效烃源岩,分别位于长_9~1段、长_7~3段、长_7~2段和长_7~1段,并且长_7~2—长_7~3段为TOC含量最高的优质层段。研究发现,这些有效烃源岩层段均不同程度地发育油页岩,并且同一层段TOC含量预测值在不同地区的钻井中可能出现明显的差异,这与延长组不同沉积时期古湖泊沉积相的分布和差异相一致。     

基于随机森林算法的泥页岩孔隙度预测

准确、快速地获取泥页岩孔隙度对页岩油空间分布及勘探目标预测具有重要意义。针对利用测井响应方程预测孔隙度精度较低的问题,建立一种基于随机森林算法的孔隙度预测模型,与BP 神经网络、支持向量机和XGBoost 算法进行预测精度对比,并利用SHAP 方法分析测井参数的重要性和影响范围。研究结果表明：随机森林算法可以很好地预测泥页岩孔隙度,且预测效果好于BP 神经网络、支持向量机和XGBoost 算法;基于随机森林算法的泥页岩孔隙度预测在渤海湾盆地某凹陷应用发现,对模型预测孔隙度最重要的前3 项测井参数为补偿中子、自然伽马和普通视电阻率;基于随机森林算法的泥页岩孔隙度预测模型可以快速识别单井孔隙度,不仅可以弥补因无法连续取心而难以获取完整孔隙度分布特征的问题,还能大幅提高孔隙度预测效率与精度。     

神经网络构建稠油掺稀黏度预测模型研究

本文利用BP神经网络能够较好地在实验数据基础上建立稠油掺稀黏度预测模型,以对新疆塔河油田稠油掺入四种稀油的黏度预测为例,通过BP神经网络建立预测模型,并与四种传统基于线性回归的建模方法及进行改进的方法进行对比,结果表明：利用神经网络建立模型的最大误差为4.1%,黏度与温度、稀稠比的非线性关系能够较好拟合,对比基于线性回归方法的建模方法及其改进算法有着更高的拟合精度。     

烃源岩总有机碳含量测井预测模型探讨——以陆丰凹陷文昌组为例

测井参数与烃源岩总有机碳（TOC）含量之间存在某种响应关系,可以利用测井参数对TOC进行预测。建立了陆丰凹陷文昌组烃源岩TOC和电阻率曲线、声波时差曲线、中子孔隙度曲线、自然伽马曲线和密度曲线之间的多元回归模型、BP神经网络模型和曲线叠合模型,探讨了3种模型对TOC预测效果的差异。结果表明,多元回归模型对陆丰凹陷文昌组半深湖亚相、三角洲前缘亚相烃源岩的TOC预测效果较好,对滨浅湖亚相的预测效果较差;BP神经网络模型比多元回归模型预测的效果好;曲线叠合模型预测效果较差。在实际应用中,BP神经网络模型适用于测井参数与TOC难以用显式函数表达,且有足够大数据量的地层;多元回归模型适用于测井参数与TOC有明显相关性的地层;曲线叠合模型适用于伽马曲线对黏土和有机质含量响应明显的地层,并且目标曲线在非烃源岩层能较好叠合。通过对以上模型的分析,可向该坳陷其他次级凹陷推广应用。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

基于XGBoost的测井曲线重构方法

测井数据在地层评价中具有十分重要的作用,但是实际应用中由于地质、工程等因素的影响,经常出现部分测井数据缺失甚至漏测的情况。基于传统的经验模型和多元回归分析的测井曲线重构方法精度不够,因此提出利用机器学习方法进行测井曲线的重构;考虑到神经网络的局限性,基于XGBoost构建了测井曲线重构模型。以渤海湾盆地定向井为例验证重构模型的效果：首先进行了测井曲线补全和生成实验,并通过K折交叉验证将XGBoost模型性能与梯度提升决策树（GBDT）、随机森林（RF）和全连接神经网络（FNN）三种方法进行对比,然后结合地质背景分析预测效果。验证结果表明,基于XGBoost的测井曲线重构方法在准确性和稳定性方面都取得了更好的效果,并且表现出较强的泛化能力。     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.     

原油闪点预测模型的研究

针对原油这类结构组成复杂、差异性大、可燃的复杂混合体系,选取各地区共计101种原油的恩氏蒸馏温度、20℃密度、20℃粘度作为输入变量,建立原油闪点预测模型。采用主成分分析法对输入变量进行降维,除去恩氏蒸馏系列数据中的信息冗余,分别采用多元线性回归(MLR)、BP神经网络、RBF神经网络三种方法建模,并对模型的预测结果进行对比,RBF神经网络模型的预测准确度与稳定性均为最优,绝对误差期望为2.94℃,相对误差期望为3.45%,BP神经网络模型的准确性优于多元线性回归模型,稳定性不如MLR模型。     

基于改进神经网络的渗透率预测方法

由于传统BP算法具有收敛速度慢、易陷入局部极小值等不足,文中对其进行了改进。在Kozeny-Carman方程和杨正明研究的基础上,借助于MATLAB神经网络工具箱,建立了预测岩石渗透率的3层前馈型BP神经网络模型。对改进的神经网络模型进行的仿真训练结果表明:改进模型具有更快的收敛速度和更高的精度,模型预测值与实验室测试值的一致性比较好,其相对误差小于10%,完全能够满足现场精度要求。     

渤海湾盆地渤中凹陷西南部深层烃源岩有机相预测

针对渤海湾盆地渤中凹陷西南部烃源岩层系多、非均质性较强等特点,开展了烃源岩干酪根显微组分、元素分析、岩石热解、气相色谱等地球化学分析测试,在沉积相的约束下对比了ΔlogR系列方法、多元回归法、BP神经网络法预测有机质丰度参数的优劣,优选BP神经网络法进行烃源岩总有机碳含量、裂解烃含量的单井预测,进而计算得到氢指数预测曲线,结合总有机碳含量进行有机相分析,定量刻画各层系烃源岩的有机相,分析烃源岩的优劣和展布特征。结果表明,BP神经网络法的预测精度相对较高,东营组二段下亚段烃源岩主要为Ⅱ₂型干酪根,氢指数为125～400 mg/g,总有机碳含量基本小于3%,其有机相主要为BC相、C相和CD相;东营组三段烃源岩主要为Ⅱ₁—Ⅱ₂型干酪根,沙河街组沙一二段、沙三段烃源岩主要为Ⅰ—Ⅱ₁型干酪根,这三套烃源岩的氢指数为250～650 mg/g,总有机碳含量为3%左右或大于3%,其有机相主要为B相、BC相和C相。沙河街组优质烃源岩主要发育于研究区中南部,是下一步勘探的重点区域。