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。     

BP神经网络法在三塘湖盆地芦草沟组页岩岩相识别中的应用

对于复杂岩性页岩岩相的识别,传统的建立岩相图版的方法因未充分考虑到测井数据间的相似性造成的干扰以及与岩心实验数据尺度上的差异性,导致建立的识别图版中不同类别的样本点相互重叠、界限模糊,预测偏差较大。针对该问题,以三塘湖盆地马朗凹陷芦草沟组二段为例,在对储层特征充分认识的基础上,采用了一种基于主成分分析的BP神经网络方法,首先分析研究区岩心资料并对其进行归类组合,划分出富有机质纹层相、富碳酸盐纹层相和富凝灰质纹层相3种岩相类型,以便缩小与测井数据间的尺度误差;其次建立岩相图版并提取自然伽马、声波时差、补偿密度、补偿中子、电阻率等5条对岩相变化响应较为敏感的测井曲线,分析各主成分的因子载荷地质因素并优选出3个含有大量岩相信息的主成分PC2,PC3和PC4;最后建立起岩相与测井曲线间的映射关系,同时对研究区重点井芦1井进行了验证性的岩相识别。结果表明,与传统图版识别方法相比,将主成分分析与BP神经网络相结合的岩相识别方法可有效消除测井曲线相似性带来的干扰,解决因岩心数据与测井数据尺度不同所造成的预测偏差增大的问题,使岩相识别正确率得到明显提高。该方法对页岩岩相识别较为实用,具有一定的推广应用价值。     

基于等效探测体积模型的自然伽马测井仪器响应分析

建立了自然伽马测井等效探测体积模型,采用自然伽马刻度井测井数据对模型进行了验证,表明该模型可以有效计算自然伽马测井的理论响应。计算了不同长度、直径晶体自然伽马测井仪器的响应特征,分析了仪器的纵向分辨率与NaI晶体直径、长度的关系。自然伽马测井的响应幅度与地层厚度之间呈现较好的二次函数关系,纵向分辨率随晶体长度变化而线性变化。     

自然电位、自然伽马测井曲线在文15块的应用

自然电位(SP)、自然伽马(GR)测井曲线形态和特征与沉积相带及其储集砂体关系密切,它们对不同水动力条件造成的不同环境下的沉积层序在粒度、分选、泥质含量等方面特征响应十分敏感.利用自然电位、自然伽马同步减小的较大幅度评价识别渗砂层,划分有利的骨架砂体沉积微相带;利用自然电位、自然伽马减小的幅度差评价识别低渗砂、致密砂层...     

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。     

三角洲体系沉积微相的测井识别方法与应用

沉积微相是沉积体系中最基本的沉积单元,而它的沉积特征可以通过测井曲线来反映。在关键井岩心研究的基础上,从测井响应曲线中提取有用的特征参数,建立一种三角洲测井沉积微相模式。比照测井区的测井曲线特征,进而划分判定三角洲沉积微相。文中主要介绍用SP（自然电位）测井曲线和SHDT（地层倾角）测井的特征进行微相识别。很多油田应用该方法在识别沉积微相方面取得了非常好的效果。     

提高地震反演中测井建模精度的方法与应用——自然伽马反演模型建模方法

储层反演技术是利用地震和测井信息,在地质理论指导下对储层的空间展布和几何形态进行宏观描述.然而,某些储层反演模型重构方法由于对测井曲线录取时的影响因素、地层埋深对测井曲线的影响、复杂地质条件下不同岩性在测井曲线上响应的差异等问题缺乏深入分析,在一定程度上影响了利用储层反演结果区分地层岩性的能力,同时也制约了储层预测技术的广泛应用.研究以二连断陷盆地为例,在分析自然伽马曲线的各种不同影响因素的基础上,总结出一套自然伽马岩性反演模型的重构方法.认为由于地层受不同沉积时期等因素的影响,造成了自然伽马测井曲线上泥岩基线的差异和砂岩判别标准的不统一,同时由于钙质泥岩等特殊岩性的存在而影响了利用自然伽马测井曲线对砂岩和泥岩的识别,对这些影响因素做校正处理,可提高储层反演结果的岩性识别能力.     

利用概率神经网络预测成岩相——以鄂尔多斯盆地合水地区延长组长8段储层为例

鄂尔多斯盆地合水地区延长组长8段储层非均质性强,传统的成岩相评价方法存在局限,提出了利用概率神经网络进行成岩相预测的新方法首先对输入项参数进行了研究,选择沉积微相和洌_j井曲线中的自然伽马(GR)、自然电位(SP)、井径测井(cAL)、声波时差(Ac)、补偿中子(CNL)、密度测井(DEN)数值作为输入层参数,然后对概率神经网络进行训练和检验,最后利用建立好的神经网络对研究区成岩相进行预测,准确率达到90%以上,该方法适用于未取心井区域的成岩相研究     

常规测井资料定量解释碳酸盐岩微相——以伊拉克北Rumaila油田Mishrif组为例

基于常规测井资料分析的沉积微相精细识别方法在碎屑岩中有着很好的识别能力和预测能力。但是,碳酸盐岩强烈的成岩作用和成岩后改造,使得在碎屑岩体系中行之有效的主要基于自然伽马曲线（GR）、自然电位曲线（SP）和深、浅电阻率曲线（RD、RS）的交会图和模糊聚类沉积微相测井识别方法在碳酸盐岩沉积微相划分中遇到挑战。波斯湾地区伊拉克 Rumaila油田主力储层白垩系Mishrif组为典型的沉积孔隙型碳酸盐岩储层。在北Rumaila油田选取Mishrif组岩心、测井和录井等地质资料较为完备的8口代表性钻井作为标准井,对其进行沉积相、亚相和微相的精细刻画,进而提取标准井中自然伽马（GR）、中子（CNL）和密度（DEN）3条常规测井曲线与沉积微相相匹配的关键参数（曲线均值和GR曲线的离差平方和）,建立测井相-沉积微相的定量转换关系。在此基础上,采用Bayes逐步判别法建立了基于常规测井的北Rumaila油田Mishrif组碳酸盐岩沉积微相的测井判别模型,并利用该模型实现了对未建模井沉积微相的准确标定。与交会图法和模糊聚类法相比,Bayes逐步判别法能够整合更多的测井参数,进而提供更好的适应于沉积型碳酸盐岩的沉积微相测井定量识别方法。     

三介质模型常规测井变尺度极差分析裂缝预测技术

油气储层裂缝分布预测对工区储层开发、注水及剩余油分布特征研究等均具有重要意义。未进行大量取心、成像测井的工区,常规测井资料是进行井中裂缝识别及预测的重要手段。裂缝性地层测井响应受基质岩性、基质孔隙所含流体、裂缝孔隙所含流体3种介质的共同影响。现有变尺度极差分析主要是对声波时差、自然伽马测井数据进行处理,难以区分基质孔隙变化及裂缝对测井响应的影响,对高角度裂缝识别也存在一定困难。文中基于三介质模型,对自然伽马、声波时差及浅侧向电阻率进行变尺度极差分析,反演出地层垂向岩性、基质孔隙、电性变化特征,提取裂缝分布指示信息,并与工区成像资料进行对比,取得了较好的识别及预测效果,能很好地应用到工区裂缝研究中。     

烃源岩总有机碳含量测井预测模型探讨——以陆丰凹陷文昌组为例

测井参数与烃源岩总有机碳（TOC）含量之间存在某种响应关系,可以利用测井参数对TOC进行预测。建立了陆丰凹陷文昌组烃源岩TOC和电阻率曲线、声波时差曲线、中子孔隙度曲线、自然伽马曲线和密度曲线之间的多元回归模型、BP神经网络模型和曲线叠合模型,探讨了3种模型对TOC预测效果的差异。结果表明,多元回归模型对陆丰凹陷文昌组半深湖亚相、三角洲前缘亚相烃源岩的TOC预测效果较好,对滨浅湖亚相的预测效果较差;BP神经网络模型比多元回归模型预测的效果好;曲线叠合模型预测效果较差。在实际应用中,BP神经网络模型适用于测井参数与TOC难以用显式函数表达,且有足够大数据量的地层;多元回归模型适用于测井参数与TOC有明显相关性的地层;曲线叠合模型适用于伽马曲线对黏土和有机质含量响应明显的地层,并且目标曲线在非烃源岩层能较好叠合。通过对以上模型的分析,可向该坳陷其他次级凹陷推广应用。     

西湖凹陷中央背斜带中北部花港组储层成岩相测井识别

基于测井资料对未取心井区域的成岩相进行人工智能识别成为必然的趋势。利用岩心铸体薄片与扫描电镜资料,划分西湖凹陷中央背斜带中北部花港组储层成岩相,总结了六种典型成岩相类型,各类成岩相所对应的测井响应差异明显。结果表明,测井系列自然伽马、补偿中子、声波时差、深侧向电阻率、浅侧向电阻率和密度等为成岩相判别敏感曲线。对比岩心薄片资料表明,概率神经网络模型可以准确识别未取心井段的成岩相,识别准确率可达到90%以上。     

定量自动识别测井微相的数学方法

此前的测井微相自动识别方法多侧重于数理统计定量分析,或仅采用少数几个数学参数进行识别,不能全面体现反映沉积环境的测井特征。本文从沉积成因角度,采取用反映沉积环境的全部测井相要素进行建模,识别的思路,建立了以测井曲线幅度,形态等9个测井相要素作定量描述的多个数学模型;再用优选的测井相曲线（特征曲线）按各个测井相要素（尤其是特征测井相要素）对各测井微相建模,并据此用不同井的各曲线提取的测井相要素识别测井微相,这样就建立了一种全面而有效的定量识别测井微相的数学方法。     

改进遗传神经网络在洛带气田测井解释中的应用

洛带气田蓬莱镇组的主要储产层为浅水三角洲沉积，含油气资源比较丰富，但地质情况非常复杂，测井物性参数解释十分困难。文章针对本地区储层非均质性强、岩性复杂，用常规测井方法难以解释的特点，在测井解释时选用了神经网络计算法，并且应用遗传算法（ＧＡ）对传统的BP神经网络进行了改进。在此基础上，利用多种测井数据及岩心分析资料作为网络模型的学习样本，通过网络的学习、训练，建立了渗透率等参数的神经网络计算模型，应用此模型计算了新样本的预测物性参数值。计算结果与实际岩心分析结果相比较后表明，遗传BP算法的学习速度和计算精度均令人满意。     

舞阳、襄城凹陷盐湖相地层岩性识别方法研究

针对舞阳、襄城地区盐湖相地层的特点、勘探情况及测井资料现状,采用数理统计、神经网络分析技术等一些近代数学方法,成功地研制了一套定性、定量识别储层岩性的方法,并建立了储层岩性测井参数解释图版和一套适应该地区岩性的测井系列。为全面准确地解释该地区地质情况提供了可靠的手段。     

塔里木盆地下侏罗统阿合组下砂砾岩段致密砂岩成岩相划分及测井识别——以库车坳陷依奇克里克地区为例

塔里木盆地库车坳陷依奇克里克地区下侏罗统阿合组储层成岩作用复杂、非均质性强,具有低孔、低渗特征。利用岩心观察、普通薄片和铸体薄片鉴定、扫描电镜等多种地质资料,依据成岩作用及成岩矿物将目的层划分为5类成岩相：致密压实相、碳酸盐胶结相、不稳定组分溶蚀相、溶蚀微裂缝相和微裂缝相。通过交会图处理常规测井资料,发现不同的成岩相具有不同的测井响应,但由于不同的成岩相测井响应存在信息重叠,因此并不能通过交会图识别不同成岩相。利用BP神经网络对测井信息进行数据挖掘,将成岩相测井识别从低维线性不可分问题映射到高维非线性可分,训练出的学习模型准确率较高,并通过与薄片鉴定结果和孔渗数据的对比,验证了学习模型的准确性,进而为缺乏取心井段的储层成岩相测井识别提供依据。     

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。     

王府断陷火石岭组火山岩岩性及岩相识别

王府断陷火山岩岩性及岩相复杂,利用常规方法识别难度较大。为了提高王府断陷火石岭组火山岩岩性及岩相识别的可靠性,文中从火石岭组不同类型火山岩储层的岩心观察出发,对岩石薄片、测井资料等进行详细分析,总结了火山岩储层的测井响应特征,提出了适应本区的火山岩岩性及岩相识别方法。研究中充分利用常规测井及特殊测井资料识别火山岩岩性的结构构造,并通过测井相、地震相综合标定,建立该区典型的火山岩岩相、测井相和地震相模式,从而进一步识别火山岩岩石结构构造特征。该方法对王府断陷火山岩研究具有较好的指导意义。     

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。