基于卷积门控循环单元网络的储层参数预测方法

储层参数是储层评价的一项重要内容。针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型。该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力。基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法。实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路。     

基于神经模糊系统的储层参数反演

神经模糊系统,即把神经网络与模糊逻辑结合起来,用神经网络来构造模糊系统,使建立的储层参数反演模型既能处理输入信息,又能嵌入专家的模糊性知识,提高了模型的抗干扰能力和预测精度,同时,也克服了人工神经网络技术的储层参数反演与预测在实际应用中暴露出的一些难点。通过基于神经模糊系统的网络结构、建模步骤及应用的研究,与常规多元线性回归分析、模糊系统建模相比较,获得了较高的储层参数反演预测精度。     

神经模糊系统的储层参数反演

神经模糊系统,即把神经网络与模糊逻辑结合起来,用神经网络来构造模糊系统,使建立的储层参数反演模型既能处理输入信息,又能嵌入专家的模糊性知识,提高了模型的抗干扰能力和预测精度,同时,也克服了人工神经网络技术的储层参数反演与预测在实际应用中暴露出的一些难点.通过基于神经模糊系统的网络结构、建模步骤及应用的研究,与常规多元线性回归分析、模糊系统建模相比较,获得了较高的储层参数反演预测精度.     

一种模糊神经网络技术及其在储层预测中的应用

大庆外围油田的葡萄花油层主要为砂泥岩薄互层，储层砂体横向变化大，这给井位设计带来了很大的难度。近几年地震属性分以用地震特征参数直接预测储层的析技术虽然得到了较快的发展，但地震属性与储层地质参数之间的关系较模糊，难砂岩厚度。为此，研究了一种模糊神经网络预测砂岩技术，它将人工神经网络理论与模糊逻辑分析相结合，在地震属性分析的基础上，以井旁地震道主分量参数为输入，以井孔地质参数为期望输出，建立模糊神经网络，并对网络进行训练，当网络收敛且网络整体方差达到要求的精度时，便完成了网络训练。该技术应用于大庆太平屯地区储层预测中，通过4口后验井检验，预测厚度与钻井厚度吻合较好，平均绝对误差为0.21m。     

神经网络在评价塔北低阻油气储层参数中的应用

本文阐述了塔里木盆地北部地区（简称塔北）低阻油气储层的成因及评价北低阻油气储层 方法一神经网络法。该方法利用神经网络原理中前馈网络中的逆传播（ＢＰ）学习算法求取孔隙度、渗透率和饱和度等储怪参数。在选择解释模型时，考虑了各参数的不同选取了不同的网络结构。通过实际资料的处理结果与化验资料、测试结果相比较，认为神经网络法在塔北低阻油气储层测井解释中提高了储层参数的评价精度，具有良好的地质效果。     

碳酸盐岩岩溶储层次生孔隙发育带预测

碳酸盐岩岩溶储层非均质性和各向异性强,采用井震联合方法对储层次生孔隙度进行了预测。首先利用成像测井数据评价碳酸盐岩储层次生孔隙参数,然后运用模糊神经网络技术建立次生孔隙参数与井旁道地震属性之间的关系模型,进而预测全工区储层次生孔隙度分布。采用井震联合方法预测的次生孔隙发育带与钻遇优质储层的井点吻合,预测结果在研究区块有一定的可用性。     

油田高含水期非均质储层产能预测技术

储层产能预测是一种对储层产油能力进行综合性评价的技术,也是测井界的一项技术难题,本文着重在水淹机理实验研究的基础上,通过分析研究确定了在动态开发情况下变化的饱和度指数（n)和胶结指数（m)的影响因素和变化规律;利用测井资料结合动态地质资料建立适应油田不同开发期的产能预测模型;利用神经网络技术提高了产能预测的解释精度,建立了包括岩性,物性,混合水电阻率等参数的解释模型。利用FMT测井资料解决了地层压力的计算并进行储层产能的评价和预测。     

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.     

多井条件下进行测井神经网络储层参数计算

神经网络在测井计算储层参数中被广泛应用并获得良好的应用效果,但在具有多口井岩心资料控制条件下,建立统一的数学模型就显得很重要,这对于提高不同钻井之间计算结果的可对比性和井间储层参数预测的精度具有重要的意义。该研究在对测井资料进行编辑、标准化、归一化及深度漂移校正的基础上,建立了分层段多井统一的测井储层参数计算BP神经网络模型。经实际资料验证,模型的预测效果良好。      

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。     

人工神经网络技术在储集层参数预测中的应用

建立在传统的经验模型或统计模型基础上的常规测井储集层参数预测方法其精度和成功率均较低。介绍了人工神经网络在处理非线性相关参数预测方面的优势和多层前馈神经网络的结构,以及在处理非线性参数过程中的原理和数学计算方法。通过实例说明了神经网络技术在测井孔隙度参数预测中所取得的成果。     

井壁稳定性实时预测方法

为有效解决钻井过程中的井壁失稳问题,根据地震和测井信息之问的密切联系,建立了基于地震属性的实时井壁稳定性预测模型.该模型综合利用地震、测井和地质资料,从待钻目标井和已完钻邻井的井旁地震记录中分别提取最优地震属性组合,运用小波神经网络建立已钻井地震属性与测井数据之间的分层映射关系模型,利用当前待钻地层的地震属性并选取相应的映射模型实时预测钻头以下地层的声波和密度测井曲线.基于预测结果结合井壁稳定力学模型计算待钻层段的孔隙压力、坍塌压力和破裂压力,进而预测安全钻井液密度范围.塔里木油田的实际应用表明,该预测模型具有良好的实时操作性能,测井曲线、地应力、孔隙压力、破裂压力和安全钻井液密度范围的预测精度均较高.图5表1参21     

利用GRU神经网络预测横波速度

储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU（gated recurrent unit）神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明：①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。     

改进人工神经网络原理对储层渗透率的预测——以北部湾盆地涠西南凹陷为例

人工神经网络的计算方法是一种非线性处理系统,是根据测井数据进行储层物性参数预测的方法。以往在利用遗传算法预测渗透率的时候,因为只考虑了单一的数据点,没有把临近层位的数据加入学习过程中来,故影响了预测模型的精度和可信度。为弥补这一不足,利用相临多个层位的数据点进行学习,进而建立储层渗透率的预测模型,并在岩心分析化验数据和相关测井曲线数据归一化的基础上,利用改进的开窗技术,借助反馈的神经网络方法对地层的渗透率进行逐点计算。通过北部湾盆地涠西南凹陷的实例实践表明,用该方法预测的渗透率与实测的渗透率的值符合较好。     

用神经网络系统辨识理论建立的优化储层地质模型

以系统辨识理论为基础,以神经网络技术为手段,将储层视为一个黑箱系统,综合利用地质、地震和测井资料,通过对储层系统进行仿真辨识,建立储层参数的仿真预测模型,从而建立一个优化的储层地质模型,为油藏动态分析及数值模拟提供可靠的地质依据.     

高含水期水淹层解释方法研究

以取心井和观察井的动态测井资料及岩心分析数据为依据,利用ＢＰ神经网络技术建立高含水期水淹层解释模型,通过对辽河油田锦１６块油藏部分开井的精细评价,计算出相应的储层参数,剩余油饱和度等,达到水淹层评价的目的。     

钻井岩性实时识别方法研究

地层岩性的实时识别对及时调整钻井参数、有效控制井眼轨迹具有十分重要的作用。以录井资料为基础识别地层岩性,必须综合考虑钻井操作参数、水力参数以及钻头磨损状态的影响,而随钻过程中,就目前的技术还不能够实时测量钻头磨损状态。根据BP神经网络原理,建立了岩性识别双重神经网络模型。第1个神经网络用来在已知钻头磨损状态条件下,识别所钻地层岩性;第2个神经网络用来在已知地层岩性条件下,预测钻头磨损状态。2个神经网络通过钻头磨损状态参数连接起来,选取样本数据分别对2个神经网络进行训练,并结合随钻录井数据,根据岩性识别流程图对岩性进行实时识别。应用该模型在新疆油田进行了岩性实时识别试验,识别结果与测井解释结果相比,符合率达85%。应用结果表明该模型具有一定的合理性和实用性。     

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。