利用遗传神经网络识别水淹层

胜坨油田水淹非常严重，有效的识别水淹层并定量地划分水淹级别，对油田开发非常重要。利用遗传神经网络实现了水淹层的自动识别。根据关键井的统计数据，首先建立标准的流体测井相数据库，合理地划分储层水淹级别，然后利用遗传神经网络对已知样本进行训练。遗传神经网络比简单的BP神经网络鲁棒性强，收敛速度快。用训练好的遗传神经网络对胜坨油田的水淹情况进行研究，取得了较好的效果。     

高含水期水淹层的定量识别

首先讨论水淹层在测井曲线上的变化特征 ,然后结合实际资料 ,对关键井储层水淹级别进行了研究 ,给出了与储层非均质性和流体性质密切相关的特征参数的计算方法 ,并根据关键井的资料建立了用于遗传神经网络学习的样本。在此基础上 ,利用遗传神经网络 (GA -BP)对此样本数据库进行训练 ,建立水淹层定量识别遗传神经网络模型 ,然后利用此模型对进行未知储层判别 ,识别水淹层 ,划分水淹级别。实际计算表明 ,该方法在油田高含水期定量识别水淹层是有效的。     

模糊聚类神经网络技术在识别水淹层中的应用

以认识油藏水淹层的水淹情况、指导石油勘探开发为目标,对比常用的多元回归分析方法,引入反向传播神经网络技术。针对油藏水淹层的测井资料,选取感应电导率、声波时差和电阻率作为特征变量,利用聚类分析法,根据水淹层测井数据的亲疏关系进行分类,分类结果作为神经网络结构输出,对测井数据进行训练学习,提高水淹层识别准确率。研究结果表明基于聚类分析的神经网络技术,可以很好地对油层水淹情况进行分析。     

概率神经网络在盐水水淹层识别中的应用

埕岛油田油层的水淹类型主要是盐水水淹,地层电阻率随水淹程度增强呈现单调递减的特征,但地层电阻率递减量与水淹程度关系极其复杂,至今还没有有效识别水淹层及其水淹程度的方法。为此,提出了基于概率神经网络的水淹层预测模型,首先结合埕岛油田实际测井和测试结论将水淹程度划分为未水淹、弱水淹、中水淹、强水淹和特强水淹5个水淹级别,并进行测井特征参数与水淹程度相关性分析,依此优选能更好反映水淹程度的测井特征参数;其次,利用提取的测井特征参数与测试结论建立靶区概率神经网络模型学习样本库;最后,利用概率神经网络对判识样本进行水淹层预测,并用当前深度学习分类效果较好的Adaboost算法作对比分析。结果显示：概率神经网络水淹层预测精度提升了10%,有效地提高了盐水水淹层的识别精度。     

过程神经网络在厚层细分水淹解释中的应用

针对油田注水开发中后期油层水淹状况复杂,储层性质发生改变,导致测井曲线的幅度和形态发生相应的变化,建立一种能描述测井曲线幅度和形态变化的模式识别技术,有利于储层水淹级别的准确判别.在分析水驱后储层性质变化规律及水淹层测井响应特征基础上,提取厚油层的曲线形态特征,弥补了由于厚层细分引起的曲线形态信息缺失.选取曲线形态特征参数、原始测井曲线以及成果曲线作为识别水淹层的特征参数,建立了基于过程神经网络的水淹层自动识别方法.应用7口取心检查井的176个样本建立水淹层模式库,进行网络训练,使用训练好的过程神经网络对大庆油田北1～55检E66井等2口井进行水淹解释,结果表明,解释符合率为81.3%,该方法可提高水淹层测井评价的精度.     

神经网络技术在复杂断块油藏水淹层评价中的应用

复杂断块油藏岩性纵向上变化大,水淹后物性和电性也与原始状态有明显差距,使用一般测井解释方法识别水淹层级别具有难度,再加上众多确定的以及不确定的断层的存在,使得从动态上定性识别水淹层也难以做到。以复杂断块G油田试油资料为基础,运用BP神经网络技术,优选对水淹程度敏感的电阻率测井、自然电位测井、声波时差测井以及自然伽马测井数据作为学习数据,建立了水淹层网络训练模型,并据此对未试油小层的水淹层级别进行了预测,证实水淹层评价符合率达到80%以上,由此可以证明BP神经网络技术对此类油田水淹层评价具有很好的适应性。     

利用快速神经网络方法识别水淹层

随着丘陵、鄯善、温米油田注水开发的逐年加深，油层水淹的问题也越来越突出。准确识别水淹层可以提高油井的一次投产成功率，提高采油厂的经济效益。识别水淹层的方法较多，其中利用神经网络方法识别水淹层是近些年发展起来的较为有效的新方法，通过在吐哈油田的具体应用表明，神经网络法对于吐哈盆地低孔、低渗、岩性、水性较为复杂的水淹层储层特征具有较为准确的逻辑判断。研究表明：只要学习样本建立准确，利用快速神经网络方法识别水淹层在吐哈三大油田有较好的应用效果。     

重构电阻率曲线识别水淹层的方法及应用

测井解释评价水淹层时,由于原生地层水与注入水混合后性质多变,混合地层水电阻率变化没有普遍规律可循。利用神经网络能够准确模拟输入与输出之间复杂非线性关系的特点。重构油层水淹前的电阻率,利用重构电阻率曲线与实测电阻率的差异,表征注入水对电阻率曲线的影响。根据注入水性质,利用水淹前、后电阻率的变化量定性表征流体性质的变化,利用水淹指数对水淹层进行分级评价,能够准确识别水淹层,在实际生产中应用效果好。     

基于主成分分析的离散过程神经网络水淹层动态预测方法

提出了一种利用主成分分析和离散过程神经网络进行水淹层动态预测的方法,对测井曲线信息随油层厚度变化的离散数据进行主成分分析,减少了离散过程神经网络模型的输入参数,排除了各参数之间的相关性.引入了反映深度变化累积效应的输入参数--测井参数曲线层段的不同油层厚度.据此建立的识别模型能够反映出随含水率的上升、深度不同时测井曲线的变化规律.实例研究表明,提出的方法与BP神经网络识别方法、支持向量机方法相比较具有更快的运算速度和更高的识别精度,能够体现出高含水期水淹层的动态变化特征.     

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。     

双河油田Ⅷ-Ⅸ油组强水淹层细分评价方法研究

针对双河油田Ⅷ-Ⅸ油组高含水期的强水淹层,利用岩心分析资料、测井资料、试油、试采资料,通过开展水淹机理实验研究,建立水淹层动态饱和度指数、胶结指数的模型.综合强水淹层岩性、产水率、孔隙结构及电性等细分标准,对强水淹层定性识别和细分定量解释研究,建立了Ⅷ-Ⅸ油组中厚油层强水淹细分解释标准.形成1套利用测井技术进行强水淹层细分精细评价的完整方法.     

多因素水淹强度指数在剩余油评价中的应用

针对常规测井解释方法确定水淹层剩余油饱和度时参数难以确定、测井资料缺失等问题,选用合理的水淹评价因素,利用基于椭圆基函数的动态模糊神经网络方法对水淹强度指数进行多因素预测,得到由多因素水淹强度指数划分的水淹级别和剩余油平面分布规律。实例证明,水淹级别预测正确率为100%,剩余油饱和度计算相对误差在10.7%以内,具有现场应用意义。     

神经网络方法在水淹层识别中的改进

在充分探讨BP神经网络基本原理的基础上,提出了用改进的神经网络进行水淹层识别的一种方法。研究中为了解决网络中由于学习率ε的不稳定而导致的网络振荡问题,采用了一种新型的动态学习率方法。实际应用结果表明,该方法的运用进一步提高了水淹层解释精度,通过对南阳油田4口井的试油结果相对比,其符合率达到80％。     

稠油水淹层识别方法研究—以井楼油田为例

通过对稠油岩心淡水变倍数驱替实验,研究了稠油水淹层孔隙度、电阻率的变化规律,确定了水淹层电阻率先降低后增高的规律,为电法测井识别水淹层提供了依据。研究了油田水淹条件下的测井响应特征,确立了利用AC-RT、RT-SW交汇图模板法以及利用C/0比测井解释水淹层的方法,建立了井楼油田水淹层测井解释标准,为油田后期注水开采打下了坚实的基础。     

深度延迟人工神经网络判别水淹程度

深度延迟人工神经网络模型可以计算水淹层参数和判别水淹层,此方法避开了油层水淹后,混合液电阻率难以求准的问题,所建立测井信息与地层参数之间的非线性关系更符合油层水淹后的实际情况.深度延迟神经网络模型建立了储层地质参数与测井资料之间在深度上的动态关系,即一个深度点的地质参数由多个深度点的测井数据来描述,自动考虑了上下围岩的影响,而且测井信息与水淹层参数之间的复杂关系不需要具体的数学物理模型描述,只需有合适的样本集对网络训练即可获得解释模型.对东濮凹陷濮城油田沙河街组二段下亚段20口井的测井资料处理表明,用延迟人工神经网络模型计算水淹层剩余油饱和度,进而判别水淹程度,应用效果良好,符合率达82.4%.     

疏松砂岩气藏水淹层识别技术与应用

水淹层识别对油田开发中后期剩余油挖潜具有重要意义。测井资料具有连续、经济等优点,利用测井资料判断水淹层具有明显的优势。分析了水淹层识别技术的国内外研究现状,总结了不同的常规测井曲线对应的水淹层特征,并利用交会图版法开展了实际应用。     

CA油田水淹层综合解释方法研究及应用

评价水淹层需要利用多种测井资料进行综合解释。通过对CA油田主力区块W2、W5、W8断块水淹层测井响应特征的分析研究,利用自然电位、电阻率、声波时差等测井资料,结合相关地质、生产等信息,对水淹层进行定性识别,利用双频电阻率测井技术进行水淹级别的定量评价,在W2-93井和W8-49井的现场应用取得了较好效果,解释结果与实际情况相符。     

基于过程神经网络的水淹层自动识别系统

针对油田开发中、后期的水淹层判别问题,提出了一种基于过程神经元网络的自动识别方法.过程神经网络是由若干过程神经元和一般非时变神经元按一定拓扑结构组成的一种连续神经网络,其输入和权值可以是过程函数.过程神经网络能够自动提取输入函数的曲线形态和幅值特征,并将多条曲线特征加以组合,形成类别输出.考虑到实际测井资料为随深度变化的离散采样数据,采用一种基于离散Walsh变换的方法对测井数据进行转换,实现了原始测井数据向网络的直接输入.根据取心井分析资料和专家解释结果确定了区块油层水淹类型,建立了水淹层标准模式库.在进行学习样本筛选时,考虑小层沉积微相类型和旋回特性对油层水淹状况的影响,模式库中包含了研究区块内各类具有沉积特征代表性的典型水淹油层样本.所建立的过程神经网络判别模型稳定,有较强的推广应用价值.对大庆萨北油田具有试油资料或投产初期分层测试资料的加密井进行了实际处理,取得了较好的结果.     

大庆西部低渗透水淹层识别方法研究

A油田是大庆西部外围地区的典型低渗透油田,主要目的层萨尔图油层具有储层薄、物性差、含泥含钙重的特点,其水淹层常规测井响应特征不明显,识别难度较大。为解决这一难题,研究从水淹层导电机理入手,分类建立了水淹层解释图版和标准,同时考虑测井的局限性,利用录井和动态水淹分析成果对测井水淹层解释结果进行补充和修正,建立了测井-录井-动态水淹层综合解释方法。应用该方法,水淹层解释符合率达75.0%。     

过套管电阻率测井在京11断块水淹层评价中的应用

为指导水平井设计和钻井,同时为油田的二次开发提供依据,利用过套管电阻率测井方法在华北油田京11断块进行了20口井的套管井剩余油评价.利用过套管电阻率测井资料对地层水淹状况进行了分析和研究,进行了测井资料质量分析及重点井的措施层特征分析.分析表明,电阻率降低对应的均是强水淹层;电阻率升高对应的有中水淹层和强水淹层;电阻率基本不变时,地层受到注水影响越明显,水淹强度越高.编制了京11断块水淹层定性解释图版和解释标准.对18口井进行了重新处理解释,总解释符合率提高到89.5%,证明过套管电阻率测井技术是一种有效的剩余油监测方法.