确定泥质砂岩储层地层水电阻率新方法探索

地层水电阻率始终是确定储层含水饱和度的一个关键参数。基于在未受注入水影响的目的层地层水矿化度等于邻近泥岩层束缚水矿化度的假设，提出了一种利用邻近泥岩信息求取地层水矿化度的方法，并用实际测井资料进行了试算。此方法的提出不仅对未水淹泥质砂岩储层的评价有一定的价值，同时对将来开展水淹层储层的混合液电阻率的求取也有一定的启示。     

高泥质含量疏松砂岩油层解堵防砂技术

高泥质、疏松砂岩油藏同时存在大量出砂和地层严重污染堵塞问题。对这类油层如采用传统的机械和化学防砂工艺,则防不住粉细砂,或防砂有效而产液量大幅度下降。分析了曲堤油田防砂及解堵过程中的经验教训及要解决的关键技术问题;通过室内防膨、解堵、稳砂拦砂流动模拟试验等方法,研究开发出解堵防砂一体化技术,该方法可在酸化解除地层堵塞的同时改变砂粒表面电位,增强砂粒内聚力而起到防砂的作用。通过现场156口井的应用,解堵防砂有效率达92.3%,平均有效期274d,累计增油43.4×104 t,经济效益显著。     

含气泥质砂岩频散特性的实验研究

根据岩石电性物理分析可知，不同频率范围，岩石复电阻率频散的物理机理不同。低频时，岩石的复电阻率频散现象主要由“有源的”的伽伐尼电流和“无源的”涡旋电流引起的，与位移电流无关。当频率小于10 kHz时，复电阻率测井主要受激发极化效应影响。在12 Hz～100 kHz频率范围内，对不同含水饱和度的含气泥质砂岩进行复电阻率测量，实验结果表明，含气泥质砂岩的复电阻率频散特性与含油泥质砂岩的复电阻率频散特性相同，随着含水饱和度的增大，频散程度降低，因此利用复电阻率测井技术同样可以有效地评价含气泥质砂岩储层。从岩石复电阻率频散特性曲线中可以看出，某一频点的相角和异相电阻率大体和该频点上复电阻率幅值频散特性曲线的斜率成正比关系，即复电阻率幅值随频率变化愈快，相角和异相电阻率绝对值愈大，随着频率的降低，激发极化效应将显著增强。     

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。     

应用人工神经网络识别水淹层

油层水淹后，水淹层的内部物性明显区别于油层的原始状态，由于水淹状况复杂多变，使用一般测井解释方法识别水淹层具有很大困难。本文研究了人工神经网络ＢＰ算法处理测井资料来识别水淹层的基本原理和具体实现，给出了ＢＰ算法的改进方法及在两个油田的实际应用效果。     

BP神经网络在测井资料标准化中的应用

夏宏泉刘红岐：ＢＰ神经网络在测井资料标准化中的应用，测并技术，１９９６（３）２０，２０１～２０６。神经网络是一门新兴的信息处理技术，它可用来解决测井精细解释和油藏描述中的模式识别和预测估值等问题。本文从神经网络的结构、功能和特点及学习规则出发，探讨了应用神经网络进行测井资料标准化的可行性，并以Ｓ地区沙三段三孔隙度测井资料为应用实例，采用ＢＰ神经网络技术对其进行了标准化分析校正，处理效果令人满意。该法为测井资料标准化找到了一条新的途径，值得借鉴使用。     

泥质砂岩中束缚水的介电特性

泥质砂岩“双水模型”只讨论了束缚水和自由水在导电响应上的差异,本文对泥质砂岩介电响应机理进行分析,说明了粘土颗粒表面的束缚水和自由水在介电响应上的差异。另外,在大量实验测量的基础上,计算得到束缚水的复介电常数值,结果表明理论分析和实验测量是一致的。利用上述理论和实验研究结果修正了电磁波测井的解释模型,并将该模型用于实际测井资料解释,求得的冲洗带残余油饱和度(S_(or))和束缚水饱和度(S_(wirr))与取心分析值符合较好。依据上述理论和实验分析提出了电磁波测井资料解释应用的新领域。     

基于横波测井资料的神经网络火山岩流体性质识别

利用偶极横波测井数据求取火山岩储层的4个气层识别指标:压缩系数、泊松比、横纵波速度比以及等效弹性模量差比.这4个气层识别指标在一定程度上都能指示气层的存在,但是单个指标不能将气层、差气层、气水同层、水层、干层区分开,为此引入Kohonen神经网络方法综合识别流体性质.在试气层段提取各个气层指标的数据作为神经网络的输入,流体性质作为输出,构成Kohonen神经网络所需样本数据,建立神经网络气层自动识别方法,通过合层技术自动输出解释剖面.在松南火山岩气田应用,与试气结论相比,预测符合率为83.3％.     

混合泥质砂岩有效介质通用HB电阻率模型在高泥储层中的应用

基于Berg提出的层状泥质或分散泥质砂岩有效介质HB电阻率模型，并在总孔隙中考虑粘土结合水的体积，但不考虑粘土结合水与地层水导电性的差别，将粘土结合水与地层水的导电性差别归结到粘土颗粒导电中，建立了混合泥质砂岩有效介质通用HB电阻率模型。通过研究混合泥质砂岩有效介质通用HB电阻率模型的求解方法，表明模型导出的关于Swt的方程是一个一元二次方程，可用求根公式求解，解法非常简单。通过对混合泥质砂岩有效介质通用HB电阻率模型中各参数的确定方法进行研究，给出了有效的参数确定方法。利用建立的混合泥质砂岩有效介质通用HB电阻率模型，对海拉尔盆地高泥地区的苏1、苏3井进行处理，并将模型计算的含水饱和度与试油结果进行对比，结果表明模型计算的含水饱和度是合理的。该模型适用于高泥地区的泥质砂岩地层解释。     

临南油田夏52块沙三中泥质砂岩油层的测井评价

以X射线衍射、扫描电镜、岩电实验、物性分析报告、试油等资料为基础 ,研究临南油田夏 5 2块沙三中泥质砂岩油层低电阻的成因机理 ,认为富含高岭石的泥质砂岩油层 ,泥质附加导电性不是电阻率降低的主导因素 ,更重要的是高束缚水饱和度和高地层水矿化度。泥质含量高 ,但泥质对中 -高孔隙度储层物性影响小。中 -高孔隙度岩样电阻率指数与含水饱和度 (I-Sw)关系曲线与低孔隙度岩样相比 ,差别较大 ,故将孔隙度作为选取含水饱和度解释模型和测井评价的约束条件 ,解释精度和评价级别都有所提高     

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。     

神经网络技术在气田产能评价中的应用

从气田的实际情况出发 ,讨论了储层的产能与测井响应之间的潜在关系。采用神经网络技术实现了测井对产能的预测评价 ,从而为气田的开发奠定了一定的基础 ,进一步拓宽了测井在油气勘探开发中的应用范围。     

自组织神经网络在测井资料解释中的应用

本文描述了自组织神经网络－－改进的ＡＲＴ模型（包氏神经网络）的基本结构及其学习算法；给出了该网络进行测井资料的解释的计算步骤；最后，以人工合成数据的自动分类和某煤田综合测井数据的煤怪自动为例，检验了该方法的正确性有效性。     

泥质砂岩电化学测井解释模型及求解方法

建立了自然电位和激发极化电位测井响应模型。根据大量的岩心实验数据，确定了自然电位和激发极化电位理论模型定量求解地层水矿化度(地层水电阻率)、地层阳离子交换量方法。实例证明该方法可靠。     

用多矿物双水模型评价海拉尔盆地泥质砂岩储层

针对海拉尔盆地储集层岩块含量高、储层物性变化大等特点，选用优化测井方法进行处理解释。首先根据海拉尔盆地实际地质分析资料建立了多矿物双水解释模型，采用此模型并选用多条测井曲线，分别建立测井响应方程，然后利用优化测井解释方法计算出岩石骨架成分与储层参数，达到了对储层储集性质及流体性质精确解释的目的。对该区多口井的处理结果与实际岩心分析及试油资料的分析对比结果表明，建立的测井解释模型与方法先进、合理、可靠，计算的储集参数精度较高，取得了很好的应用效果。此外，根据岩相特征与实际取心资料建立了岩相划分标准，进行了测井相的划分。     

The Estimation of Formation Permeability in a Carbonate Reservoir Using an Artificial Neural Network

Abstract

Reservoir permeability is an important parameter that its reliable prediction is necessary for reservoir performance assessment and management. Although many empirical formulas are derived regarding permeability and porosity in sandstone reservoirs, these correlations cannot be accurately depicted in carbonate reservoir for the wells that are not cored and for which there are no welltest data. Therefore, having a framework for estimation of these parameters in reservoirs with neither coring samples nor welltest data is crucial. Rock properties are characterized by using different well logs. However, there is no specific petrophysical log for estimating rock permeability; thus, new methods need to be developed to predict permeability from well logs. One of the most powerful tools that we applied by the authors is artificial neural network (ANN), whose advantages and disadvantages have been discussed by several authors. In particular, 767 data sets were used from five wells of Bangestan reservoir in a southwestern field of Iran. Depth, Neutron (NPHI), Density (RHOB), Sonic (DT) logs, and evaluated total porosity (PHIT) from log data were used as the input data and horizontal permeability obtained by coring was as target data. Sixty percent of these data points were used for training and the remaining for predicting the permeability (i.e., validation and testing). An appropriate ANN was developed and a correlation coefficient (R) of 0.965 was obtained by comparing permeability predictions and the actual measurements. As a result, the neural science can be used effectively to estimate formation permeability from well log data.     

模糊神经网络推理系统定量计算储层参数

储层参数是地层评价的基础。自适应模糊神经网络推理系统是综合了模糊逻辑与人工神经网络两者优势的一种人工智能方法．该方法既可用于模式分类．又可进行连续计算。这是一种基于数据的建模方法,模糊隶属度函数及模糊规则是通过大量已知数据的学习得到的．而不是按经验或直觉信息给定的。这对于那些特性还不为人们所了解或者特性非常复杂的系统尤其重要．因此特别适于复杂储层评价中的定性解释与定量计算。研究结果表明,这种方法具有较高的计算精度。     

基于广义回归神经网络的压裂井砂量优化

以影响压裂井产量的地层参数和压裂施工参数作为输入变量,压裂后的每米产量为输出变量,建立了压裂井产量预测的广义回归神经网络模型,并根据与目标油井地质参数的欧式距离的大小来选择学习样本。通过该模型预测不同砂量下油井压裂后的产量变化情况,并结合经济评价方法来确定以经济效益为目标的最优加砂量。实例分析表明,该方法是可行的。     

The Determination of Lithofacies Using an Optimized Neural Network and Well Log Data

Determination of lithofacies is prime factor in producing oil and gas for in oil and gas exploration. One of the most common ways to reach this information is using well log analysis, lithology information, and laboratory test. High skill experts are needed for interpretation and evaluation of data. Therefore, designing a model that is able to determine lithofacies using well log data without other information will be very economical. The author presents a neural network–based lithofacies determination technique is presented and finally lithofacies were determined very well by using resistivity, neutron, density, gamma ray, and sonic logs.     

Gas-Chimney Detection in 3D Seismic by Neural Network

Recognition of hydrocarbon migration is so vital for petroleum exploration. Developing intelligent systems (artificial neural network) enable experts to achieve more details from seismic data. Although detection of migration direction using seismic data is difficult, Chimney-cube analysis overcomes this problem. The authors used several filters, seismic attributes, neural network (supervised and unsupervised), and interpreters' viewpoints. In supervised method artificial and human intelligence cover their limitations and in unsupervised method the authors eliminate the experts' views. Chimney recognizes the migration direction and locates the spill points, mud volcanoes, gas seepages, sealing, and nonsealing faults and finally the origin of hydrocarbon.