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。     

人工神经网络在储层敏感性预测中的应用

介绍了改进的ＢＰ网络训练算法。提出了利用人工神经网络快速预测储层潜在敏感性（水敏性、速敏性）的方法步骤。分析表明，该方法受人为因素干扰小（总符合率大于８０％）、所需参数少、适用范围广（特别适于探井），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。     

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。     

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。     

塔北地区储层敏感性综合预测

综合分析地质、地震及测井资料，可以准确地预测储层的敏感性。以地质分析及敏感性实验资料为基础，以测井资料为标定手段，以地震信息为横向预测导向，综合处理各种信息，从而实现对区域储层的敏感性预测。其中，利用测井资料预测储层敏感性是关键，须采用多参数相关系数法进行单井储层敏感性分析。以塔北地区侏罗系为例，综合各类信息进行了储层敏感性处理，分析结果表明，该区储层速敏弱，水敏、盐敏、碱敏和酸敏程度中等，与其储层敏感性实验结果基本吻合。     

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。     

油气储层损害识别及诊断信息融合模型研究

应用信息融合技术与不确定性决策理论,构建了对油气储层损害进行识别、诊断、评价和预测的信息融合模型。该模型以储层多源信息构成储层类型识别的样本空间,以储层损害所有可能类型构成目标类型论域,利用证据合成规则进行多层次空间信息融合,以置信区间作为各类可能损害的智能诊断和决策的依据;同时建立了储层损害诊断和保护智能决策系统的体系框架,提出以分级多层黑板模型为基本框架,以产生式规则构建知识源和以证据理论作为不确定性推理的多源信息融合专家系统的智能诊断和决策实现技术。该技术更加有效地利用储层及储层损害多源信息,准确判断储层损害成因及损害程度,使油气储层保护技术及时、准确和系统地得到应用。     

应用量子神经网络快速预测储层敏感性

针对室内评价储层敏感性预测的不足和传统神经网络模型的缺陷,在收集岩心分析资料、分析生物神经元的信息处理方式和量子特性的基础上,提出一种具有量子特性权值和活性值的量子神经网络预测模型[1]。对吉林油田伊通地区储层敏感性进行快速预测,其结果表明,量子神经网络模型的敏感性伤害程度预测结果明显优于传统BP神经网络,与岩心流动实验结果的符合率达到88%。该方法能快速、准确地预测储层的敏感性指数,为保护油气层提供可靠的理论依据。     

超深井储层潜在敏感性预测

从现有储层岩性、物性资料以及前期积累的试验数据中,找出了造成超深井储层敏感性损害的各种潜在因素,并进行了归一化和定量化处理。利用Matlab数学计算软件的神经网络工具,建立了各种潜在损害因素与储层敏感性伤害之间的神经网络模型,并利用各种潜在损害因素归一化和定量化处理的结果,对网络进行了训练,利用返回检验法验证了该神经网络模型预测储层敏感性损害的准确率,准确率在85%以上。最后利用该神经网络模型对胜科1井深部储层敏感性进行了预测。     

低孔低渗储层敏感性快速预测软件的研究

针对储层敏感性预测实验室评价的不足 ,通过对储层结构、结构参数、储层敏感性矿物与敏感性的亲疏关系进行研究 ,运用VB语言编辑出一套软件 ,针对河南油田储层敏感性进行快速地预测 ,将河南油田安棚深层系储层的有关信息输入到软件程序中进行预测 ,二者结果基本吻合。     

地震多属性融合技术在贝尔凹陷储层预测中的应用

地震属性分析是一种快速、有效的储层预测方法,但地震单属性储层预测多解性强,尤其对多物源、 相变快、多期次火山活动、岩石成分较复杂的断陷盆地,预测精度会明显降低。 提出了基于沉积特征分区 域的地震多属性融合储层预测方法。 首先利用地震波形分类技术将研究区按沉积特征划分为不同区域, 然后对不同区域分别统计地震多属性与储层的相关系数并进行线性拟合,最终将各区域拟合结果综合为 全区储层预测结果。 在海拉尔盆地贝尔凹陷南屯组储层预测中,利用 164 口井目的层砂地比数据及优选 的 7 种地震属性,采用逐步线性回归法进行全区拟合,其相关系数仅为 0.52;采用基于沉积特征分区域地 震多属性融合技术进行储层定量预测,并将其综合为全区储层预测结果,其相关系数达 0.85,且储层预测 结果与钻遇储层发育情况及沉积规律吻合较好,说明该方法可明显提高储层预测精度。     

应用单相关分析和多元回归快速预测储层敏感性

敏感性研究是分析储层损害机理的前提,对于优化钻探和开发过程中的各个作业环节,以及制定系统的油气层保护技术方案具有非常重要的意义。对近年来发展起来的各种储层敏感性预测方法进行了探讨,发现利用单相关分析和多元回归预测储层敏感性是一种较理想的、快速的预测敏感性的新方法。在常规岩心分析和敏感性矿物分析的基础上,提取与各敏感性有关的信息,利用单相关分析和多元回归预测储层敏感性,其准确率能够达到85%,基本上满足了油气层敏感性预测的需要。相对单一的预测方法,二者结合的预测结果有明显改善,并且该方法计算简单、适用性强、物理意义明确。     

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。     

克依构造带气藏储层特征及伤害因素分析

克依构造带是塔里木盆地最大的储气构造。由于对储层特征及储层潜在伤害的因素认识不足,导致工艺措施不当对储层造成伤害,从而影响气井产能。通过岩心分析测试和室内试验评价,对克依构造带储层特征作了分析研究,并对储层潜在伤害因素进行了简要分析,提出了相应的储层保护措施。研究表明,克依构造带气藏储层属于碎屑岩、中—小孔—微孔、中—低渗、中—细短喉道,具有强层内和平面非均质性的气藏。对于不同区块、不同层位的储层应采取不同的储层保护措施。对于克拉苏区块巴什基奇克组应防止固相颗粒侵入、液相侵入和各种敏感性伤害;对于大北、吐北和吐孜区块的浅层气藏应注意各种敏感性伤害、水锁和固相颗粒及液相的侵入;对于依奇克里克构造带阳霞组和阿合组主要应防止储层的水锁伤害和自吸水,同时注意各种敏感性伤害,储层段如果发育各种成因的裂缝,在高比重泥浆条件下要防止压裂式井漏。     

基于双向循环神经网络的河流相储层预测方法及应用

河流相储层通常具有横向变化快、地震反射特征多解性强的特点,因而河流相储层地震预测难度大。将测井信息与地震多属性相结合实现河流相储层地震预测,传统的方法包括多元线性回归方法、地质统计学方法和BP神经网络等。人工智能深度学习方法为井震信息的融合提供了新的解决思路。通过构建井震学习样本,提出了一种基于双向循环神经网络的井震融合储层预测方法。从储层沉积连续性角度,将地震数据看成具有纵向联系的时序数据,以CD地区100余口井馆上段地层的储层和非储层为学习样本,构建双向循环神经网络储层预测方法,通过训练优选超参数建立井震融合的深度学习储层预测模型。该预测模型应用于CD地区河流相储层预测的效果显著,细小河道形态清楚,预测精度高,有效指导了CD地区的勘探部署。     

��������ͼ���Σ��ںϷ�����Ӧ���о�

图像融合是一种信息综合处理技术，通过对多个图像信息的提取与综合，获得同一目标的更准确、更为全面和更为可靠的图像描述，以利于目标的检测、识别或跟踪。油气储层图像（形）融合方法是一种空间域的加权图像融合的方法，它既可适用于无噪声图像的融合，也可适用于含噪声图像的融合；加权系数可采用简单方法确定，也可采用PCA变换确定，在图像融合过程中加权是自动进行的。油气储层图像融合充分利用和继承了多个表征储层特征和品质的图像中包含的冗余信息和互补信息，强化了图像中的信息，增强了图像的可靠性，因此融合后的储层图像具有良好的鲁棒性。文章基于储层裂缝富集区是油气的储集空间，成功地对某地区嘉凌江组嘉二1储层的储层裂缝分布图和储层地震综合预测图进行了融合处理，应用该图形在嘉二1储层的含天然气背景区中更准确和更可靠地圈定出天然气富集目标区，并为钻探所证实，这极大地提高了勘探成功率。     

基于非下采样剪切波变换—参数自适应脉冲耦合神经网络的属性融合裂缝预测方法

常用的叠后地震属性主要有相干体(描述波形相似性)、曲率体(表征构造应力引起的地层弯曲程度)、倾角体(刻画地层构造变化特征)等,但仅仅依靠单一属性很难准确地预测地下裂缝分布情况。为此,提出一种基于非下采样剪切波变换(NSST)—参数自适应脉冲耦合神经网络(PA-PCNN)的属性融合裂缝预测方法,该方法基于NSST分解算法,将多种属性数据分解为高、低频子带,将融合后的多尺度、多方向高、低频子带进行数据重构,得到最终的多属性融合结果,可进一步提取裂缝的轮廓及细节信息。具体步骤为:①提取描述相同尺度裂缝的多种地震属性(相干、曲率及倾角等属性),通过NSST将多种属性分解为高、低频子带,其中高频子带包含更多的裂缝细节信息,低频子带可更好地刻画裂缝轮廓且具有丰富的能量信息。②对高频子带运用PA-PCNN模型进行融合,无需人工设置参数,得到更全面的高频数据;结合八邻域的改进拉普拉斯算子加权和与局部能量加权方法对低频子带进行融合,使低频数据更好地保留细节及能量信息,以得到丰富的低频数据。③通过逆NSST方法有效地完成属性融合裂缝预测。运用所提方法对M区属性数据进行测试,并对比了不同方法的属性融合裂缝预测结果,证明基于NSST—PAPCNN的属性融合裂缝预测方法能够更有效地预测裂缝。     

基于非下采样剪切波变换—参数自适应脉冲耦合神经网络的属性融合裂缝预测方法

常用的叠后地震属性主要有相干体(描述波形相似性)、曲率体(表征构造应力引起的地层弯曲程度)、倾角体(刻画地层构造变化特征)等,但仅仅依靠单一属性很难准确地预测地下裂缝分布情况。为此,提出一种基于非下采样剪切波变换(NSST)—参数自适应脉冲耦合神经网络(PA-PCNN)的属性融合裂缝预测方法,该方法基于NSST分解算法,将多种属性数据分解为高、低频子带,将融合后的多尺度、多方向高、低频子带进行数据重构,得到最终的多属性融合结果,可进一步提取裂缝的轮廓及细节信息。具体步骤为:①提取描述相同尺度裂缝的多种地震属性(相干、曲率及倾角等属性),通过NSST将多种属性分解为高、低频子带,其中高频子带包含更多的裂缝细节信息,低频子带可更好地刻画裂缝轮廓且具有丰富的能量信息。②对高频子带运用PA-PCNN模型进行融合,无需人工设置参数,得到更全面的高频数据;结合八邻域的改进拉普拉斯算子加权和与局部能量加权方法对低频子带进行融合,使低频数据更好地保留细节及能量信息,以得到丰富的低频数据。③通过逆NSST方法有效地完成属性融合裂缝预测。运用所提方法对M区属性数据进行测试,并对比了不同方法的属性融合裂缝预测结果,证明基于NSST—PAPCNN的属性融合裂缝预测方法能够更有效地预测裂缝。     

基于OVT域资料的低渗透砂砾岩储集层预测

准噶尔盆地玛湖凹陷东斜坡百口泉组砂砾岩储集层“甜点”,具有侧向叠置严重、厚度较小、非均质性较强的特点,基于常规资料准确预测该类储集层的难度较大。而以方位各向异性分析为核心的OVT域叠前地震属性分析技术,能够充分利用叠前地震资料蕴含的地质信息和流体信息,可以更有效地进行储集层预测。但是由于原始OVT域道集受不稳定的能量、不均衡的密度以及较低信噪比的影响,其道集质量不稳定。因此,介绍了一种从道集评价及预处理开始,利用动态分析寻找优势的道集方位,并进行部分道集叠加提高地震资料的成像质量及分辨率的方法。利用处理后的地震资料,在玛东地区预测了“甜点”储集层的分布,预测“甜点”储集层发育区面积约140 km2,为玛东地区井位部署和储量落实提供了依据。