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。     

应用量子神经网络预测低渗储层水锁损害

对于低渗储层最主要的损害类型水锁损害进行及时、准确的预测,在油气层保护中起着至关重要的作用。在分析水锁损害产生机理和各种影响因素的基础上,基于生物神经元对信息处理方式和量子神经算法原理构造出一种量子神经元,建立预测储层水锁的量子神经网络模型,并编制软件,进行气藏水锁损害预测。该方法克服了灰关联分析法需要进行评价矩阵分析、操作复杂的缺陷,经大庆油田龙西地区实践证明,该方法运算速度快,系统所需参数少,准确率高(总体符合率达到90%),可为低渗储层保护技术提供可靠的支持。     

应用神经网络信息融合技术快速预测储层敏感性

快速、准确地诊断与预测储层敏感性损害问题一直是储层保护问题研究的一个重要领域。同时预测储层敏感性损害也是一门需要处理大量数据与信息的技术。信息融合技术是将各种途径、任意时间和任意空间上获得的信 息作为一个整体进行综合分析处理的技术。利用信息融合技术进行敏感性损害预测能够尽可能多地使用已有的数据获取最为准确的结果,在输入参数较少的情况下给出一个可靠的数值结果,且受人为因素干扰较少。基于 政进算法编制的神经网络信息融合技术储层敏感性快速预测软件分析表明,该方法受人为因素干扰小,可以渗断储层中邶种敏感性是主要因素并给出一个确切数值,同系统所需参数少,结果可靠（总体符合率达到91％）,是一种能适用于现场的快速有效的方法,为油田合理处理敏感性损害提供了理论依据。     

模式识别在储层敏感性预测中的应用

利用模式识别对储层进行敏感性预测可以对其损害类型及损害程度进行科学诊断,从而为后续钻井液和完井液及其他工作液的优化设计提供重要依据。通过将常规的欧氏距离进行加权改进,解决了应用模式识别的核心问题——构建隶属函数,进而建立了采用模式识别法预测储层敏感性的新模型,并得到了成功应用。以水敏为例,经过特征选择与提取确定特征向量,利用损害程度等级的划分建立水敏损害的均值样板,借助大港油区127组数据检验新了模型在储层敏感性预测中的应用效果。结果表明,水敏指数预测的平均准确率大于86.9%,水敏损害程度的预测成功率也达到了90.0%,证明采用模式识别法预测储层敏感性的新模型具有预测结果准确性高、结论可靠等优点,对提高油气层保护和油气层解堵效果具有十分重要的意义。     

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.     

基于量子神经网络的储层敏感性预测方法研究

储层敏感性评价是油气层保护的一个重要方面,敏感性的评价一般采用室内实验方法。但是室内评价方法存在需要大量岩心且耗时长的缺点,传统的预测模型也存在缺陷。鉴于此,在收整理集岩心资料基础之上,结合量子神经理论,提出量子神经网络储层敏感性预测模型。利用该模型对某地区储层敏感性进行预测,预测结果表明,该模型预测储层敏感性数据与室内实验结果的符合率达到90%以上,其准确率明显高于传统的预测模型,为储层敏感性的评价提供了一种新的、科学的方法。     

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。     

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。     

鄂尔多斯盆地新安边地区延安组下段低渗储层伤害机理分析

储层损害机理研究是储层敏感性评价的最终目的,是储层保护可靠的理论依据。鄂尔多斯盆地新安边地区储层物性较差,属于中孔-低渗到低孔-特低渗储层,从敏感性实验分析入手,测量不同样品的敏感性指数,从而分析并确定了其各敏感性特征。     

应用支持向量机方法预测储层敏感性

介绍了支持向量机的基本理论;通过单相关分析找出影响储层敏感性的主要因素,应用测井资料提取这些敏感性参数,使用支持向量机算法,以影响敏感性的主要因素作为支持向量机网络的输入层,预测储层的敏感性.分别使用支持向量机和BP神经网络2种方法对×油田的测井资料进行了处理、分析.对比结果表明,用支持向量机得到的速敏、水敏、盐敏的预测结果具有更高的预测精度.这说明支持向量机预测储层敏感性是一种切实可行的方法.     

储层敏感性预测技术研究——以新疆油田准东地区为例

储层敏感性情况在保护储层的过程中占有很重要的地位,储层敏感性快速预测技术可以节省大量的人力、物力和时间.因此,采用人工神经网络建立模型来对储层敏感性进行预测.为了提高神经网络的应用效果,通过对4种改进的BP算法进行优选,最终确立采用Levenberg-Marquardt算法建立模型,采用MATLAB和VC++.NET混...     

钻井油气层保护提高了勘探开发效益

实施良好的储层保护技术措施，是提高勘探开发效益的有效方法。油气层保护技术有很强的针对性，只有弄清储层特征、潜在损害因素、敏感性和钻井完井液损害机理，才能提出与储层相匹配的、合理的保护油气层的钻井完井液技术措施。新疆油田公司在2000年的钻井设计中强化了油气层保护设计内容，把油气层保护设计作为重要工作。从可能的储层或已知的要开发的储层物性出发，研究分析了储层的岩石组成成分、填隙物成分与含量、粘土矿物组成与含量、胶结类型、孔隙类型、敏感性，以及储层的损害因素、损害类型、损害程度，从而提出了针对性较强地保护油气层的钻井完井液配方和相应的钻井工艺要求，形成了一套较完整的保护油气层钻井设计方案。     

油气藏水相圈闭损害预测新方法——相圈闭系数法

准确预测水相圈闭损害是储层保护技术和增产改造措施优选的基础。目前的预测方法，如渗透率损害率、水相圈闭损害指数和总水体积等，多用来预测油层水锁损害，且因考虑因素不够全面或使用不够简便，而不能较好地预测水相圈闭损害，尤其是致密气层的水相圈闭损害。根据初始含水饱和度、储层压力、流体性质和储层孔隙结构等对水相圈闭损害的影响机理，提出了预测水相圈闭损害程度的相圈闭系数法，研究了其对渗透率、初始含水饱和度和压差的敏感性，给出了预测标准。相圈闭系数是无因次量，具有考虑因素全面、实用简便、易于推广等特点，已经应用到致密气藏水相圈闭损害预测，并取得了较好效果。     

预测储层潜在敏感性损害的新方法

在传统的统计分析法基础上,提出了应用模糊数学法和人工神经网络法对储层潜在敏感性损害进行预测。介绍了新方法预测储层潜在敏感性所依据的数学原理和预测过程,并以水敏性预测为例,对实际预测的结果进行了讨论。此外,对几种预测储层潜在敏感性方法的特点进行了分析和比较,结果表明,人工神经网络法具有良好的自适应性、自组织性、容错性,预测精度较高,是一种较理想的预测储层潜在敏感性损害的新方法。     

径向基神经网络优化及在储层敏感性定量预测中的应用

径向基(RBF)神经网络法具有网络结构简单、逼近能力强和学习速度快等优点,已成为最具发展潜力的储层敏感性智能预测方法之一,但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题。通过在输入层中引入补充节点,对网络拓扑结构进行优化,有效地提高了RBF神经网络的逼近精度和泛化能力。在确定储层敏感性主要影响因素的基础上,通过对径向基函数散布常数的优选,进一步优化了RBF神经网络的性能。采用所收集的胜利、辽河、大港及江苏油田共125组数据,进行了神经网络训练和预测检验,优化了RBF神经网络,并在储层敏感性预测方面进行了应用。结果表明,对于训练集内的样本,预测的平均准确率均大于93.79%,且预测值与实验值的相关系数均大于0.995;对于训练集外的样本,预测的平均准确率大于91.59%,预测值与实验值的相关系数大于0.994,实现了对储层敏感性的准确、定量预测。     

低渗砂岩储层水锁损害的灰色神经网络预测模型

基于灰色GM（O，N）静态模型和BP神经网络模型，提出了一种新的参数估算的模型即灰色神经网络模型来预测低渗砂岩储层的水锁损害。结果表明，用灰色神经网络模型来预测低渗砂岩储层的水锁损害是可行的。经验证，该预测模型具有规律性以及神经网络的高度非线性，其效果明显优于传统的回归分析，灰色GM（O，N）静态预测法和一般的神经网络法。     

综合运用BP网络和优化算法建立储层敏感性预测模型

通过对近年来储层敏感性预测方法的分析研究,认为神经网络方法是一种较理想的预测储层敏感性的新方法。但是常规的BP算法存在收敛速度慢、局部极小值等缺点。为此,采用了动量-自适应学习率调整方法和L-M优化算法,效果明显改善,其中L-M优化算法效果最好,收敛速度快,误差最小。利用L-M优化方法建立的储层速敏网络模型,预测渗透率损害程度的准确率达93％,基本上满足了油气昙敏感性预测的需要。     

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。     

应用PCA和多元非线性回归快速预测储层敏感性

通过对比分析近年来各种储层敏感性的预测方法,发现耦合PCA与多元非线性回归分析是一种快速、精确、泛化能力强的敏感性预测新方法。以盐敏为例,经过特征选择与提取,建立了预测储层盐敏损害指数的数学模型,并通过精度检验提高其泛化能力。借助塔里木油田的90组样本,检验了新模型在储层敏感性预测中的应用效果。结果表明,盐敏损害指数的平均准确率大于95%,从而证明耦合PCA与多元非线性回归的算法能达到快速、准确预测储层敏感性的目的。该方法操作简单,准确率高,泛化能力强,具有较好的应用前景。