BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了,研究,采用了一种改进的的BP算法,其方法具有收敛速度快,避免网络陷入局部最小和出现振荡现象,优化网络结构等优点,提出了一种基于统计的学习样本生成方法,使样本生成问题规范化,使用该方法生成的样本真实可靠,具有代表性,可大大提高样本质量,实际应用网络进行岩性识别和孔隙度预测,取得了令人满意的结果。     

基于MATLAB神经网络的岩性识别

利用MATLAB工具箱中的快速BP算法来训练神经网络，并用神经网络来进行测井资料的岩性识别。通过对已知井段测井数据进行学习，来预测同一地区其他井段的岩性。实验结果表明．MATLAB工具箱中的快速BP算法具有很高的实用价值。     

卷积神经网络在岩性识别中的应用

深度学习是人工智能中的一个重要部分,卷积神经网络作为深度学习一个分支,用多层非线性计算单元可以表达高度非线性和高变度函数。提出将卷积神经网络应用于判别储层岩性的方法,构建了一个双层的卷积神经网络模型,样本回判准确率为99%。通过把卷积神经网络方法与岩石物理相方法和支持向量机方法进行对比,分析卷积神经网络方法准确率高、速度快,岩性预测具有实时性。由此证明卷积神经网络在储层岩性识别中的适用性,且准确率较高。     

BP神经网络预测碳酸盐岩地层孔隙度

常规测井解释孔隙度的方法是运用线性响应方程求解,或用统计方法建立测井曲线与孔隙度之间的统计关系模型求解,但这些方法在面对越来越复杂的地质条件和非均质性的研究对象(如碳酸盐岩地层)时,所得出的结果与地层的实际数值存在着较大误差。利用对碳酸盐岩地层孔隙度敏感的测井值建立样本,利用BP神经网络预测碳酸盐岩地层孔隙度,预测孔隙度与岩心孔隙度有良好的符合关系,孔隙度逐点对应的绝对误差普遍小于1·0孔隙度单位。     

利用贝叶斯判别法识别岩性基础上的孔隙度评价

伊拉克M油田具有岩性复杂、储集空间多样、非均质性强等特征,常规孔隙度计算模型不能较好地反映其储层孔隙度。为了提高其孔隙度计算精度,在计算孔隙度前先对储层作了岩性判别。以最小错误率的贝叶斯判别法为基础,选取研究区测井资料齐全和岩性分布较均衡的5口井作为样本,选择合适的测井曲线作为输入曲线,利用贝叶斯公式求得每个深度点的各类后验概率值,后验概率值最大的即为该点所属的类别,以此为依据对所有井作了岩性识别。在岩性识别的基础上对经过岩心分析的岩样分类拟合以获得各类岩性的拟合模型以及在该地区的骨架值,根据所输出的岩性代码,可选择该深度点所对应的测井解释模型。识别岩性后计算的孔隙度与岩心分析孔隙度的误差很小,为储层的解释评价提供了理论基础。     

BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了研究。采用了一种改进的 BP算法 ,其方法具有收敛速度快、避免网络陷入局部最小和出现振荡现象、优化网络结构等优点。提出了一种基于统计的学习样本生成方法 ,使样本生成问题规范化。使用该方法生成的样本真实可靠 ,具有代表性 ,可大大提高样本质量。实际应用网络进行岩性识别和孔隙度预测 ,取得了令人满意的结果     

基于BP神经网络算法识别苏里格气田致密砂岩储层岩性

以薄片鉴定资料为准,从筛选敏感测井参数入手,优选了对岩性敏感的自然伽马和光电吸收截面指数作为BP神经网络输入端信息进行网络训练和学习,对测井数据进行了标准化处理,以消除由于测井系列以及仪器型号的不同引起的刻度误差。应用BP神经网络法对苏里格气田目的层段复杂岩性进行识别,其结果与岩心录井岩性符合度较高,平均符合率达84.48%。采用该方法对致密砂岩气藏储层岩性的识别,可以有效地为后续沉积相等方面的研究提供资料基础。     

神经网络在岩性识别中的应用

将神经网络方法引入测井资料的处理和解释中,以塔里木油田某取心井为实例,进行砂岩,泥岩和灰岩的自动识别、识别结果说明了神经网络方法的有效性。     

两种神经网络方法在岩性识别方面的应用

人工神经网络近年来发展十分迅速,因其自身理论方法的不同,在解决各种工程问题上都有别于其它方法,有其独特的成效。本文应用BP网络和RBF网络于石油测井解释中的岩性识别方面,分析了其预测效果,以及网络的构建方法及应用范围。得出两种网络在岩性识别方面上具有的简单实用价值。     

基于测井资料的BP神经网络模型在孔隙度定量预测中的应用

分析了储层孔隙度预测中存在的问题,提出了把测井信息当作影响储层孔隙度的因素、并根据已知测井信息与储层孔隙度的关系、建立适当的BP神经网络模型、在一定的学习条件下对未知样本进行预测的方法。通过实例研究,预测结果的准确性较高且明显优于回归分析预测的结果,认为此法可以作为一种储层孔隙度定量预测的方法。     

应用卷积神经网络识别测井相

选用东海F气田的砂质辫状河三角洲的自然伽马数据作为训练数据构建深度卷积神经网络,并首次用于测井相识别。选用四种自然伽马曲线形态作为特征,将数值转变为图像形式,首先对图像做标准化、添加噪声、旋转和转灰度等处理,再对数据增强与扩充,建立训练和测试数据集;然后,训练卷积神经网络建立测井相识别模型,并在训练过程中加入了Dropout、局部响应归一化和L₂正则化等策略限制了模型的复杂程度,提高了模型泛化能力;针对测井信息中不同级次沉积单元响应叠加带来的自动识别难题,使用不同尺度的小波基函数及极值分割处理和切分测井数据,最终有效划分了不同尺度沉积单元。通过与其他分类算法对比,验证了所提方法具有较好的测井相识别效果。     

BP神经网络在辽河坳陷太古宇潜山内幕岩性识别中的应用

太古宇基岩内幕岩性复杂,岩性划分难度较大。研究中以岩心定名为基础,挖掘太古宇不同岩性测井曲线的响应特征,抽取对基岩内幕岩性敏感的密度、中子、伽玛以及光电吸收截面指数作为输入端构建BP神经网络对太古宇岩性进行识别。识别结果与岩心测试资料对比表明,BP神经网络岩性识别结论可靠。该研究丰富了太古宇基岩岩性识别方法,为太古宇内幕深化研究奠定方法基础。     

利用神经网络的LM算法确定碳酸盐岩声波孔隙度

确定碳酸盐岩声波孔隙度是测井解释中的一个难题，传统方法是利用平均时差公式经过适当校正或使用声波、中子、密度等两种以上的测井资料求取，在具体使用中误差较大且很不方便。为此，基于Levenberg—Marquardt算法，提出一种确定碳酸盐岩声波孔隙度的神经网络方法，主要步骤包括：样本信息的预处理、网络结构的设计、采用LM算法的网络学习训练、碳酸盐岩声波孔隙度的确定。仿真实验和比较分析表明，该方法快速稳定，其结果与真实值吻合程度高。     

基于BP神经网络进行裂缝识别研究

裂缝系统是个复杂的地质体,其储层物性的改善作用是非线形的,各种评价参数与裂缝发育程度之间的关系也是非线形的。基于人工神经网络理论,开展了常规测井资料识别评价裂缝的研究。结果表明,基于BP神经网络的裂缝性储集层常规测井识别,与成像测井对比具有较好的应用效果。     

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％。     

径向基函数神经网络在孔隙度预测中的应用

利用径向基函数神经网络对新疆乌尔禾地区三叠系白口泉组储层孔隙度进行预测,取得了较好的效果。对比分析结果表明,径向基函数神经网络预测结果较BP神经网络以及线性回归法预测结果精度高。阐述了应用中应该注意的问题。     

BP神经网络磁性体顶面埋深预测方法

基于磁力异常确定磁性体埋深是磁法勘探的研究目的之一,对磁性矿藏、火成岩及磁性基底的研究具有重要意义。为此,通过提取大量理论长方体模型的磁力异常以及垂向一阶、二阶、三阶导数的极大值,获得三个极值比值并形成序列。利用这些极值比序列与相应模型的顶面深度构成训练样本,对构建的BP神经网络进行训练,并存储训练成功的BP神经网络,用于磁性体顶深预测。模型计算结果表明,91%以上训练样本和非训练样本的预测误差都小于10%。将该方法用于中国YX地区火山岩顶面埋深的预测,结果与钻井数据吻合较好,说明了方法的实用性和有效性。     

Predicting formation lithology from Iog data by using a neural network

In order to increase drilling speed in deep complicated formations in Kela-2 gas field,Tarim Basin,Xinjiang,west China,it is important to predict the formation lithology for drilling bit optimization.Based on the conventional back propagation(BP)model,an improved BP model was proposed,with main modifications of back propagation of error,self-adapting algorithm,and activation function,also a prediction program was developed.The improved BP model was successfully applied to predicting the lithology of formations to be drilled in the Kela-2 gas field.     

Predicting formation lithology from log data by using a neural network

In order to increase drilling speed in deep complicated formations in Kela-2 gas field, Tarim Basin, Xinjiang, west China, it is important to predict the formation lithology for drilling bit optimization. Based on the conventional back propagation （BP） model, an improved BP model was proposed, with main modifications of back propagation of error, self-adapting algorithm, and activation function, also a prediction program was developed. The improved BP model was successfully applied to predicting the lithology of formations to be drilled in the Kela-2 gas field.