模糊综合评价法在致密储层物性预测中的应用

致密储层非均质性强,物性参数级差较大,用传统的方法建立孔隙度、渗透率模型解释精度低,难以满足精细解释的要求。在论述模糊综合评价技术基本原理的基础上,根据取心井段储层物性与测井信息的关系,选取相应的测井曲线,利用模糊综合评价法建立AC、DEN、GR、Rt等4条测井曲线与孔隙度和渗透率之间的非线性映射关系,在一定条件下运用该模型可对研究区未知样本的物性参数进行预测。该测井解释处理软件挂接在Lead或Forward测井处理软件平台上,有利于测井的快速定量解释与成图。模糊综合评价法计算的储层参数值变化范围大,建立的模型可同时预测不同储层类型的储层物性参数,且预测结果比常规数理统计法的精度高。     

延长油田某区本溪组储层物性测井解释模型的建立

随着钻井取心和岩心分析技术的不断提高,利用岩心刻度测井建立测井解释模型将更好的提高测井解释精度以及储层精细描述程度。在分析测井数据标准化、岩心归位等技术难题的基础上,建立了延长油田某区本溪组储层物性测井解释模型:选用岩心分析孔隙度(φ)与声波曲线(AC)来建立孔隙度测井解释模型;通过岩心分析的孔隙度与岩心测量的渗透率建立渗透率数学模型;选用阿尔奇公式建立储集层的含水饱和度解释模型。取得了较好的效果。     

致密砂岩储层物性参数预测方法研究

致密砂岩储层不同于常规砂泥岩储层,具有低孔、低渗等特征,其地震弹性参数和储层物性参数的关系复杂,储层的岩石物理确定性建模和反演难度大。为了有效预测致密砂岩储层的物性参数,基于岩石物理敏感性参数分析结果,采用核贝叶斯判别法,构建了孔隙度、孔隙尺度和渗透率预测技术流程。首先考虑孔隙尺度对渗透率的影响,提出了等效孔隙尺度求取方法;进而展开岩石物理敏感性参数分析,得到对储层物性敏感的弹性参数;最后利用核贝叶斯判别法求取储层物性参数。所构建的致密砂岩储层孔隙度、等效孔隙尺度和渗透率预测技术流程,保证了渗透率预测的准确性。测井和地震资料试验结果表明预测的孔隙度和渗透率均与测井数据匹配良好,该方法能够有效识别砂岩储层并刻画其孔渗特征,对油气田的勘探开发具有重要的指导意义。     

��������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。     

基于MATLAB的BP神经网络在储层物性预测中的应用

在阐述BP神经网络模型结构的基础上.根据取心井段储层物性与测井信息的关系,选取相应的测井曲线,运用MATLAB神经网络工具箱中特定的函数对建立的神经网络模型进行训练,使得储层物性(孔隙度、渗透率)和测井响应之间具有较强的非线性映射关系,在一定的条件下运用该模型可对研究区未知样本的物性参数进行预测.实例研究表明,预测准确性较高,显示出BP神经网络对储层预测的潜在优势和实用价值.     

利用Matlab可视化软件建立非均质储集层模型

非均质地层、储集层的物性参数级差较大,用传统统计方法很难准确建立储集层参数与测井响应之间的关系,而神经网络技术通过多次非线性映射可对二者关系达到最佳逼近。作者论述了BP网络的基本原理及其改进算法,并以克拉玛依某砾岩油藏为例,说明了神经网络储集层参数建模过程及应用Matlab工具包实现的方法,用该方法建立的储集层参数解释模型取得了较理想的结果。     

吐哈盆地吐玉克油田油层测井解释方法研究

吐玉克油田为一块状底水稠油油田,含油性与物性关系明显;油层电阻率与孔隙度呈正相关关系.通过对储层的岩石物理特征研究,建立了稠油层物性与含油性关系以及物性、含油性与电性之间的关系;基于剖面岩性复杂的特点,分别利用声波、密度测井分段开展了以孔隙度模型为主的储层参数建模;以孔隙度15×10-3 μm2和渗透率17.5%关系为拐点和试油约束的中子-密度交会方法,建立了油层分类标准;岩心分析岩石物性数据和测井计算孔隙度、渗透率结果对比表明,储层参数模型精度可以满足生产的需要.现场应用结果表明,研究成果解释精度高,地效果显著.     

伊朗扎格罗斯地区Mansuri油田储集层物性模拟

以伊朗Mansuri油田50口井的常规测井资料为基础,优选人工智能算法,对Mansuri油田白垩系Ilam组4个层的孔隙度和渗透率分布进行模拟。首先利用5口有岩心物性分析资料的井,遴选出常规测井的声波时差、密度和中子孔隙度作为输入参数,采用反向传播人工神经网络(BP神经网络)和支持向量回归方法进行储集层孔隙度和渗透率计算,根据计算结果与岩心实测结果的相关性,选择采用BP神经网络法进行物性计算。然后,利用克里金地质统计算法,对Mansuri油田Ilam组4个层的孔隙度和渗透率分布进行模拟,结果表明,层2.1和层2.2为高孔隙度层,层1、层2.1和和层2.2高渗透层,层3为非储集层;储集层孔隙度和渗透率分布总体呈北部高、南部低的特点。     

基于门控循环单元神经网络的储层孔渗饱参数预测

孔隙度、渗透率和饱和度等物性参数是表征储层质量的重要参数,也是储层评价的重要依据。根据测井数据估算岩石的孔隙度、渗透率和饱和度参数,进而评价储层,是测井解释的基本内容。作为一种适于解决非线性和时序性问题的新型深度学习算法,门控循环单元(gated recurrent unit,GRU)神经网络算法能较好地反映出孔渗饱参数与测井数据之间的非线性映射关系以及不同深度历史数据之间的关联。基于GRU神经网络的储层孔渗饱参数预测方法首先采用基于Copula函数的相关性测度法筛选与孔渗饱参数关联度较高的测井参数,而后利用GRU神经网络建立测井数据与孔渗饱参数之间的非线性映射关系。对四川盆地某探区实际测井数据进行了GRU神经网络储层孔渗饱参数预测的模型训练和预测试验,最后将预测结果与多元回归分析、循环神经网络等方法的预测结果进行比较,结果表明,以均方根误差和Pearson相关系数为评价指标,基于门控循环单元神经网络的储层孔渗饱参数预测方法效果优于其它方法。     

马家嘴油田马3断块戴南组储层非均质性研究

通过岩心、薄片、测井等资料,综合利用渗透率韵律性、渗透率变异系数、渗透率级差及渗透率突进系数,对马3断块的 E2 d25、E2 d11和 E2 d12的层内及层间非均质性进行研究,发现各层在层内及层间非均质性较强,其中 E2 d12的层间非均质性最强。利用储层物性预测技术研究其平面非均质性特征,绘制了马3断块 E2 d25、E2 d11和 E2 d12三层的孔隙度和渗透率平面预测图,发现三个小层的东北部储层物性较好。研究成果为油田后期注水开发提供指导。     

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。     

径向基函数神经网络在启动压力梯度预测中的应用

启动压力梯度直接影响着低渗透油田的开采量以及油藏压力的预测精度。它与流体粘度、密度、渗透率、孔隙度等影响因素呈非线性关系。而人工神经网络具有表示任意非线性关系和学习的能力，是解决复杂非线性、不确定性和时变性问题的新思想和新方法。利用径向基函数(RBF)人工神经网络对启动压力梯度进行预测，并结合岩心的启动压力梯度的实际测定结果进行研究，结果表明：RBF人工神经网络是一种较为有效的预测方法，具有较高的精度．该方法可以为低渗油田的开发提供可靠的基础数据，节省了人力、物力。     

相似度-遗传神经网络在储层物性预测中的应用

传统的测井解释需要建立精确的数学模型,并常伴有严格的条件限制,因此很难得到真实反映储层特性的结果.采用遗传算法与BP神经网络相结合,利用遗传算法的全局寻优特点,优化神经网络的连接权值和阀值,提高网络的训练精度和预测精度,避免了BP算法易陷入局部极小的缺点,提高运算速度.将相似度的概念引入到测井中,定义相似度在测井中的计...     

双孔结构储层油气产能的测井预测方法

介绍了一种基于测井资料预测双孔结构碳酸盐岩储层油气产能的新方法。根据碳酸盐岩剖面中的双孔结构储层的地质和测井特征,提取与储层产能密切相关的多个测井和地质参数,考虑这些参数与产能的非线性相关关系以及产能数据的变化特点,采用BP神经网络技术建立其储层产能的预测模型。处理了轮南油田的多口井测井资料,所预测的储层段产能与试油产能较为一致,效果良好,值得推广应用。     

Improved Permeability Prediction of a Heterogeneous Carbonate Reservoir Using Artificial Neural Networks Based on the Flow Zone Index Approach

Abstract

Permeability is one of the most important parameters required for reservoir characterization. Although core analysis provides more exact information, core data do not exist for all wells in the reservoir because coring is expensive and time consuming. Therefore, another approach should be sought for permeability determination. The objective of this study was to create an artificial neural network (ANN) model in order to use well log data to predict permeability in uncored wells/intervals. The well log, core, and other data were gathered from an Iranian heterogeneous carbonate reservoir. A flow zone indicator was then predicted using an ANN approach with well logs as input variables. The reservoir was thus classified into different zones based on hydraulic flow units to overcome the extreme heterogeneity. Then, a separate ANN training procedure was followed for each flow zone with log data as input variables and permeability as output. This improved method is capable of permeability prediction in heterogeneous carbonate reservoirs in uncored wells/intervals with an average error of less than 10.9%.     

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。     

BP神经网络法预测顺北超深碳酸盐岩储层应力敏感程度

顺北油田是典型的深层应力敏感性油田,由于深井取心困难或者没有足够岩心支撑实验,同时岩样非均质性强,无法测试应力敏感程度,影响储层物性和产能评价的准确性。收集鹰山组7口井与应力敏感相关的测井、试井等6种测试数据,渗透率、裂缝宽度等7种参数,以及岩石组分、储层温压等资料,利用单相关分析和灰色关联分析筛选11个应力敏感伤害主控因素,加载至所建BP神经网络,设定激励函数和网络参数进行训练直至达到期望误差,在训练好的模型中加载已知应力敏感伤害结果的输入层参数进行计算,将计算结果与已知结果比较,应力敏感伤害程度预测符合率为100%,平均预测误差7.15%。再利用所建网络对顺北一间房组进行预测,并以室内实验值作为基准,计算得到应力敏感渗透率伤害率和临界应力预测误差均小于10%,表明该模型同样适用于其他碳酸盐岩储层应力敏感伤害预测。研究结果表明,BP神经网络法可以用来预测碳酸盐岩储层的应力敏感程度,能够解决深层碳酸盐岩储层由于取心困难导致无法支撑实验的难题。     

储层敏感性预测模型中BP网络隐层数的优选及应用

储层敏感性预测是多变量的非线性系统,而神经网络解决非线性问题有其独特的优势,是目前用于储层敏感性预测是较好的方法。在建立预测方法过程中,BP网络隐层结点数的确定直接影响到网络的学习效率。通过对目前四种隐层结点数确定方法进行探讨,优选出储层敏感性预测中BP神经网络合理的隐层结点数,并在实际预测中进行应用,从而使预测结果更客观和符合实际。应用情况表明,该方法可大大缩短网络学习时间,从而提高学习效率,使网络以最快的速率达到收敛。     

BP�������ڴ��������е�Ӧ��

BP神经网络不同于传统的CRA（碳酸盐岩复杂岩性处理程序）测井解释方法，具有强的抗干扰能力和非线性映射能力。通过在四川盆地东北部地区铁山坡含气构造飞仙关组气藏储量计算中的应用证实，用BP神经网络计算的孔隙度与岩心分析结果有很好的一致性，能满足储量计算要求。在气水判别方面，BP神经网络计算气层段的含水饱和度与岩心分析结果相比，误差在10％以内，能指示气层特征；在水层段，BP神经网络计算的含水饱和度大于50％，能指示水层特征。表明BP神经网络可以应用于确定储量参数和判别储层流体性质。     

基于岩性识别的BP神经网络孔隙度预测

研究区目的层有效储层岩性包括细砂岩和粉砂岩两种,目前依赖于常规线性拟合方程在该区的孔隙度等参数预测中存在着较大的误差。为实现对储层参数的准确预测,结合了多种测井信息,在利用Fisher判别法对岩性进行识别的基础上,分别建立了细砂岩和粉砂岩的神经网络孔隙度预测模型。实际应用表明,分岩性所建立的非线性人工神经网络模型比常规线性模型具有更高的预测精度,能为该区后续的储层综合评价提供可靠的数据基础。