基于卷积门控循环单元网络的储层参数预测方法

储层参数是储层评价的一项重要内容。针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型。该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力。基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法。实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路。     

基于LSTM循环神经网络的横波预测方法

针对碳酸盐岩储层岩性多样、孔隙结构复杂导致传统横波预测方法受限的问题,文中提出利用长短时记忆神经网络(LSTM)预测复杂碳酸盐岩储层的横波时差.相对于传统的简单点对点学习模式,LSTM通过复用神经元结构,有效学习测井参数的序列信息.以苏里格气田苏东地区碳酸盐岩储层为例,选择声波时差、密度、自然伽马等16个对横波速度较为...     

基于神经网络的储层参数预测方法及应用

储层参数预测在油气勘探与开发中发挥着重要作用。采用神经网络法对储层参数进行预测,建立储层参数(储层砂岩厚度和孔隙度)与目的层地震波属性之间的联系,这种联系是通过人工神经网络来实现的。以地震波属性为输入,储层参数为输出,并以测井资料作为约束条件,指导神经网络学习,进而进行储层参数预测。实际资料处理结果表明,该方法预测的储层孔隙度与砂岩厚度是可靠的。     

基于地震资料的储层产能预测方法

油藏地球物理研究的深入发展,不仅可为油气勘探提供圈闭,而且可为油气田开发提供储层参数。就利用地震资料研究储层产能开展了探索性研究,以地震波属性提取为基础,以神经网络为手段,根据已知井的产能与井旁地震波属性建立神经网络训练集,对LG区块油气产能分布进行预测。结果表明效果显著。     

运用层序地层学模式预测河流相砂岩储层

迄今为止，利用层序地层学理论研究陆相地层层序内部的岩性变化规律和对储集层的分布进行预测，仍是一个未能圆满解决的复杂问题。与海相环境不同，在陆相盆地中，影响沉积物可容空间的因素更为复杂多样，这主要表现为河流平衡剖面对基准面的影响，以及气候和构造运动对沉积物的补给作用。     

双重神经网络预测储层及油气

由自组织神经网络和ＢＰ网络组成的双重神经网络，能够克服各自单独使用的局限性，可在复杂地区进行储层及油气预测。在ＢＰ网训练时，采用同伦学习算法，可得到全局最优解，且收敛速度很快。实际应用表明，在用自组织神经网络或ＢＰ网络不能进行储层及油气预测的地区，采用双重神经网络能取得很好的效果。     

河流相储层描述方法探讨

河流相储集层是油气赋存的重要载体之一，受河流沉积事件性的影响，其发育和分布非常复杂，空间变化很快，因而精细描述河流相储集层的分布并检测其含油性的变化是勘探中的关键。通过分析河流相储集层的发育情况及其地震地质特点，探讨了地震多参数和神经网络技术在河流相储集层预测和描述中的应用，并在埕岛地区馆陶组的描述中进行了尝试，说明该方法在河流相储集层的描述中是有效的。     

薄互层储层预测方法

针对松辽盆地葡萄花油层三角洲沉积薄互层储层的特点．研究不同微相的砂岩与测井特征、地震属性的关系．探讨利用沉积微相、波形特征定性预测砂岩储层发育带的技术。利用地震属性预测技术定量预测储层厚度结果表明，本区整个油层砂岩总厚度与地震属性有很高的相关度．厚砂层的颅测符合率较高。     

基于三维场的储层预测方法及应用

三维体可视化解释是通过采用各种不同的透明度参数,在三维空间内对三维地震数据体直接刻画地层的构造、岩性及沉积特征[1]。这种三维立体扫描和追踪技术可使解释人员快速选定目标,结合精细的钻井标定,可帮助解释人员准确、快速的描述各种复杂的地质现象。自组织神经网络地震相分析是一种基于地震道形状的地质特征描述方法,主要通过对不同地震道的波形分析来获得地震相分布,结合测井相标定,可进一步将地震相转换成沉积相的三维空间分布。在对委内瑞拉英特甘博油田复杂岩性油藏的储层空间非均质性以及油水关系研究中,综合应用这两种基于三维场的地震体直接刻画方法,结合测井标定,取得了很好的应用效果。     

基于深度前馈神经网络方法的横波速度预测

针对横波速度预测问题,在分析经验公式法和岩石物理建模法优缺点的基础上,结合横波速度预测原理,提出基于深度前馈神经网络方法（DFNN）进行横波速度的预测。研究从纵、横波速度关系入手,详细阐述了DFNN方法应用于横波速度预测的可行性,并介绍了该深度学习方法的基本原理;选择声波时差、密度、中子孔隙度、泥质含量、孔隙度5个储层参数与横波速度进行深度神经网络训练,建立可靠的横波速度预测模型。将该模型应用于不同研究区的横波速度预测,结果表明基于DFNN方法预测横波速度能够有效提高预测的精度和效率,适用范围广,可以为叠前AVO分析、叠前反演提供可靠的横波数据,具有较高的实际应用价值和推广意义。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

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.     

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.     

基于多层感知机网络的薄储层预测

相比地震反演方法和技术,基于多属性回归方法的储层预测技术能够缓解分辨率有限、过于模型化等问题,但模型泛化能力不足常造成井间薄储层预测结果不合理。为此,提出基于多层感知机深度学习网络的多属性回归薄储层预测方法,即以地震数据（提供背景信息）、90°相移数据（提供储层结构近似信息）、储层不连续界限属性（提供储层空间分布信息）为输入,以井点高频自然伽马为期望输出,利用多层感知机深度学习网络训练模型,预测井间自然伽马值,利用自然伽马值与砂—泥岩性的高度相关特性刻画薄储层。A油田实际资料测试表明,自然伽马预测值与真实值平均相关系数达到86.4%（训练集,10口井）和85.5%（验证集,两口井）,明显优于传统多属性回归方法。应用该方法解释重点层段6套小层,薄储层预测结果与156口井实钻砂岩厚度平均相关系数较相移数据提升约38%,证实该方法应用效果良好。     

模糊神经网络预测储层及油气

利用模糊理论和 BP网络相结合组成的模糊神经网络系统 ,能够克服单独使用 BP网络的局限性 ,可在地质条件较复杂地区进行储层及油气预测。通过实际资料应用表明 ,在单独应用 BP网络进行储层及油气预测效果较差的地区 ,采用模糊神经网络能取得较好的效果。     

利用GRU神经网络预测横波速度

储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU(gated recurrent unit)神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明:①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。     

基于多分辨率U-Net网络的地震数据断层检测方法

断层检测是地震资料解释的一项重要工作。基于相干体、曲率等属性的常规断层检测方法不够直观,人工手动拾取断层无法高效处理实际生产中的海量地震数据。深度学习网络由于具有强大的特征提取能力和高效的特征表达能力,近年来被广泛应用于地震数据处理和解释中。为此,提出了一种基于多分辨率U-Net网络（MultiResU-Net）的断层检测方法,即引入多分辨率模块增强网络模型的多尺度断层检测能力,使用残差路径代替普通跳跃连接,缩小用于拼接的特征图之间的语义差别。相比于普通U-Net网络,训练完备的多分辨率U-Net网络模型测试结果具有更高的准确度,Jacard指数和Dice系数分别提高了0.027和0.136,并且断层检测错误率降低了0.094。通过网络中间层可视化分析直观地展示了网络模型对地震数据的特征提取、表达过程。将网络扩展到三维并与迁移学习结合后,同样在三维实际地震数据应用中取得了较好的效果。该方法对于实际生产中实现高效、自动化断层检测具有重要意义。