碎屑岩油气水层神经网络解释模型

该文针对地质录井油气水层综合解释所用传统方法存在的问题，介绍一种基于人工神经网络的模式识别新方法。采用的神经网络模型为四层BP网络。输入层有14个神经元，第一隐含层25个神经元，第二隐含层14个神经元，输出层有4个神经元。选用了辽河油区400个碎屑岩层样本对网络进行训练，训练后网络识别率达到96．5％。说明人工神经网络是一种有效的综合解释油气水层的新方法。     

分层神经网络模型在单井油气层综合解释中的应用

根据油气层综合解释的特点,提出了单井油气层综合解释的人工神经网络方法。采用的神经网络模型为包含28个输入神经元、26个隐含神经元和4个输出神经元的三层网络。选择了松辽盆地北部大庆长垣以西地区91个试油层段的资料对网络进行了训练,通过对已知样品的交叉验证,训练后的神经网络识别符合率为93.4％,证明人工神经网络是一种有效的油气层综合解释方法。     

�˹�������ģ����������ʶ�����е�Ӧ��

据油气层综合解释的特点，提出了单井油气层综合解释的人工神经网络方法。采用简单的分层网络、向后传播算法和误差逐次修正法建立的人工神经网络模型，是一个包含２８个输入神经元、２６个隐含神经元和４个输出神经元的三层网络。选择了松辽盆地北部大庆长垣以西地区９１个已试油气层段的资料对网络进行了训练，通过对已知样品的交叉验证，训练后的神经网络识别符合率达９３．４％，高于现场测井解释和综合判断的符合率     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

低阻油气层识别方法研究

在油气勘探开发中,地球物理测井资料解释的最基本任务之一是在钻孔剖面上准确地识别油(气)层、油水同层、水层、干层等。 新疆塔北地区三叠系的特殊油气层电阻率低于或接近水层电阻率，在电性上直接区分特殊油气层与水层很不现实;另外，该区油气层的特征和油气层的影响因素明显与其它油田存在差异，故解决问题方法和思路不同于其它油田。文章利用油气层、油水同层、水层和干层的测井曲线和储层参数，建立识别储层流体属性的判别模型，采用灰关联分析聚类法、BP人工神经网络等模式识别法，对实际测井资料进行了解释，识别结果与试油结果对比表明BP人工神经网络、奇异值分解等方法识别结果与实际结果基本一致，没有漏掉油气层，取得了好的解释效果。     

基于最小二乘支持向量机的油气水层识别方法

测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代小样本学习算法——支持向量机,是至今模式识别问题的强有力解决方法之一。本文针对现有方法在解决油气水层识别问题中的不足,提出了最小二乘支持向量机(LSSVM)的油气水层识别方法。该方法依据测井所得到的小样本、不适定性等数据信息建立并归一化数据样本集;通过网格搜索法选择LSSVM训练参数C和σ2,用交叉验证法对目标函数进行寻优找到最佳的参数;通过训练学习数据样本和测试数据样本,建立最小二乘支持向量机分类器识别模型。用本文提出的新方法研究了大庆油田某油藏的油气水层识别问题,结果表明最小二乘支持向量机的油气水层识别方法较人工神经网络和标准支持向量机的油气水层识别方法具有更快的运算速度和准确率,是一种值得进一步研究及推广使用的方法。     

Kohonen自组织在录井数据解释中的应用

木文介绍了一种用人工神经网络方法通过综合录井色谱仪对轻质烃气态数据进行在线解释及油气层评价的方法。用３Ｈ轻质烃比值法实现由Ｋｏｈｏｎｅｎ自组织模型对现场数据进行解释，其分类效果较ＢＰ网络符合率高、速度快，非常适用于钻井现场对油气层的快速解释和评价。     

宝浪油田气测变化规律及解释方法改进

新疆焉耆盆地博湖坳陷宝浪油田开发初期气测特征明显，但经过10年的开发，随着注水量增大，气测异常发生了很大变化，主要表现在C1相对含量呈上升趋势，而重烃组分与全烃的比值呈下降趋势。在这种情况下沿用原来的气测录井解释方法已很难准确划分油气水层。为此，提出了人工神经网络油气水层解释模型，阐述了模型特征参数的优化及确定方式、模型的产生过程和权系数的确定途径，经过反复训练与试验，实际输出与期望输出最大误差小于0．01。应用表明，采用人工神经网络油气水层解释模型更有利于准确评价油气水层，其解释符合率可达到86．7％。     

Kohonen自组织模型在录井数据解释中的应用

本文介绍了一种用人工神经网络方法通过综合录井色谱仪对轻质烃气态数据进行在线解释及油气层评价的方法。用３Ｈ轻质烃比值法实现由Ｋｏｈｏｎｅｎ自组织模型对现场数据进行解释，其分类效果较ＢＰ网络符合率高、速度快，非常适用于钻井现场对油气层的快速解释和评价。     

综合录井油气层评价的人工神经网络方法研究

将人工神经网络模型引入综合录井油气层评价中，提出了一种改进的ＢＰ算法。采用层次模式识别的方法，对塔里木油田的实际数据进行了试算，以识别油层、气层、含水油层、油水同层、含油水层、气水同层、油气水同层、水层、干层。实验结果表明：该方法可行，且不受气测参数有效范围的限制。     

基于BP神经网络的海洋平台振动载荷识别

利用ANSYS软件建立了W12-1海洋平台的有限元模型，通过在模型识别点上施加激励得到的响应方法获得了BP神经网络的训练数据。建立了关于W12-1海洋平台的BP神经网络模型，并对其振动载荷进行了识别。识别结果表明，在对海洋平台这样的大型复杂结构进行载荷识别时，神经网络方法相对于传统载荷识别方法具有更高的识别精度。     

一种基于模糊神经网络的水淹层识别方法

针对油田水淹层识别存在在的模糊性和多解性，提出了一种基于模糊神经网络的水淹层识别方法。该方法将神经网络技术所具有的自适应性、容错性与模糊逻辑所具有的模拟人类思维中的模糊综合判别特点有机的结合，实现了多因素模糊综合判断推理来完成水淹层识别。采用该方法，对川中油田135个地层样本进行处理，符合率达87．6％。结果表明该方法对解决水淹层自动识别问题具有良好的适应性，可提高水淹层自动识别的精度。     

用于油水层识别的一种简化的神经计算方法

在油水层识别中,单纯使用神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,为此基于属性约简和最优化原理提出一种简化的神经计算方法,主要包括基于粗糙集的样本属性约简算法,基于LM方法的稳定学习算法,以及基于黄金分割的隐合层节点数确定的优化算法等。仿真试验和实际应用表明,这种简化的神经计算方法不仅满足识别系统的精度要求,而且起到节省成本、提高处理速度等功效,在油水层识别中效果显著。     

大庆油田含钙薄互储层水淹层判别方法

大庆长垣西部萨尔图、高台子油层含钙薄互储层具有岩性复杂、孔隙度和渗透率低、单层厚度小的固有特性,致使储层四性关系混乱,测井响应有效信号减弱,注水开发后地层水电阻率难于确定.从原始油藏入手,以多元回归分析为手段,建立起水淹前实测纯油层、纯水层电阻率与测量环境、储层岩性及物性参数的内在关系.通过水淹后当前地层电阻率与纯油、纯水电阻率对应比较,找出水淹与未淹情况下油、水层电阻率的差异,在未知地层水电阻率情况下实现水淹层识别.经5口生产井19个水淹层检验,水淹层解释符合率达到89.4%.     

喇嘛甸油田密井网砂质辫状河厚砂层单砂体识别

以大庆喇嘛甸油田葡I组23小层（PI23）厚砂层为研究对象,总结了砂质辫状河单砂体分布模式,并相应探索了一套密井网区单砂体识别方法。辫状河厚砂层由多期辫状河叠加而成,发育心滩坝和辫状水道砂体,以心滩坝砂体为主。依据单井泛滥平原细粒夹层垂向上对厚砂层进行期次划分对比,然后分别对每期辩状河连片砂体采用“单井识别、侧向划界、平面组合”的方法识别出单砂体。     

人工神经网络在生烃条件评价中的应用

根据生烃条件评价的地质模型,用人工神经网络建立权重分配,改变了以前人为给定权值的方法。通过网络的自学习,自动地建立起权重分配关系,使权重分配较为客观准确。用该方法对鄂尔多斯盆地奥陶系生烃条件进行评价,取得了与专家系统评价基本一致的结果。     

用神经网络确定奇异值分解滤波参数

讨论了确定奇异值分解（ＳＶＤ）滤波参数的原则，简介了输出为一维情况下的自组织特征映射种经网络，阐述了用自组织特征映射种经网络确定ＳＶＤ滤波参数的原理，并用实际资料进行了试算，结果表明：该方法明显地改进了ＳＶＤ滤波效果。     

神经网络技术识别厚油层层内剩余油方法

以检查井资料为基础,利用统计分析的方法建立储层物性(孔隙度和渗透率)及岩性(泥质含量)的测井解释模型,并按厚油层内部存储性和渗流性质的差异,建立起三级流动单元的识别和划分标准。在此基础上,利用神经网络技术对密闭取心检查井资料进行学习训练,建立起原始含油饱和度、目前含油饱和度和残余油饱和度的测井解释模型,从而实现对厚油层层内剩余油的综合定量解释,为高含水期厚油层层内剩余油挖潜提供物质基础。     

基于遗传—BP算法和图像处理的沉积微相识别

针对目前沉积微相自动识别模型和算法存在的某些不适应性,提出了一种基于遗传-BP算法与图像处理技术相结合的方法.根据取心井分析资料和专家解释结果确定区块微相类型,采用最小决策规则对模式特征指标和典型样本进行筛选,建立各类沉积微相标准模式库.利用图像处理技术将测井曲线和地质参数转化为图像模式,由神经网络自动提取和记忆曲线所表征的小层模式特征.用遗传和BP算法相结合的方法训练多层前馈神经网络,所得的神经网络稳定,学习收敛速度快,同时有很强的记忆能力和推广能力.对于过渡性微相在识别中存在的多解性,在小层对比基础上,参照邻井同层微相识别结果,在大环境下依据区块地质规律采用模糊逻辑推理方法确认和修正微相识别类型,保证平面沉积相和小层单井相的一致性.此模型对解决沉积微相自动识别问题具有良好的适应性.对大庆萨北油田15口井进行了资料处理,取得了较好的效果.