安塞油田重复压裂选井选层研究

为了提高安塞油田重复压裂的效果,进行了选井选层的深入研究。通过对安塞油田以往重复压裂效果的分析,挑选出对重复压裂效果影响明显的参数作为安塞油田重复压裂选井选层样本库参数,在此基础之上建立了各样本库参数的评价方法,进而最终建立了安塞油田重复压裂选井选层样本库。最后用模糊模式识别模型、多因素非线性生产统计模型和人工神经网络模型分别分析了安塞油田重复压裂选井选层样本库,并对3种分析结果取交集确定最优井层。通过测试样本检验,所用方法的选井选层结果与实际增产效果结果符合较好。该方法能为安塞油田下一步的重复压裂选井选层工作提供指导性意见。     

重复压裂选井选层人工神经网络方法

重复压裂选井选层需要综合考虑地质特征、油气藏特性、物性参数等。难以用传统的数学方法来求解这些参数之间高度非线性的映射关系。将遗传算法与人工神经网络理论相结合，建立了重复压裂选井评层方法。提高了重复压裂决策模型的精度与适应性，在现场应用收到了良好的应用效果，证明了该方法的可靠性，对重复压裂选井选层有重要指导意义。     

基于最小二乘支持向量机的重复压裂选井选层方法研究

常用的重复压裂选井选层的经验方法是基于矿场统计资料的研究方法,这种方法具有一定的主观性、盲目性和风险性。引入基于统计学习理论的最小二乘支持向量机算法,综合考虑地层地质特征、油气藏特性、物性参数、测试和生产数据等多方面的因素,形成重复压裂选井选层方法。计算证明,该方法对重复压裂选井选层有指导作用。     

重复压裂选井选层的BP神经网络法

影响重复压裂选井的因素很多,且各个因素之间具有复杂的非线性关系,利用传统的预测方法受到诸多限制。针对此问题,应用现代数学理论,确定了影响重复压裂选井选层的主要因素,建立了选井选层模型。研究结果表明,应用灰色系统理论方法可综合考虑多种影响因素,并对其进行量化,确定出这些因素对压后效果的权重影响,增加了决策的科学性;建立的BP神经网络模型能够自组织、自适应地解决复杂的非线性问题,增加了重复压裂选井选层预测结果的可信度;应用遗传算法及自适应学习效率法对模型进行了改进,提高了网络的学习效率和精确度。本模型对现场实际施工有一定的指导作用。     

用T-S模型模糊神经网络进行压裂效果预测

压裂效果受多种因素的影响，不同井况的不同参数对压裂效果的影响程度不一样，具有许多的模糊性。运用T－S模型模糊神经网络，建立各种影响因素与压裂效果之间的关系模型和预测模型，可以用来指导压裂选井选层的压裂施工工艺。实践证明，该方法用于压裂效果预测具有良好的适应性和实用性。     

新木油田重复压裂的选井选层方法

重复压裂是一个系统工程,选井选层是基础.在油藏研究的基础上,从油层电性指标、剩余油分布、地层能量、油层完善程度、压裂周期、目标井层的含水状况等方面进行分析,总结出一套重复压裂选井选层的方法,矿场实践取得了较好的效果,该方法对同类型油田重复压裂选井选层有一定的借鉴作用.     

水平井压裂选井选层技术探讨

压裂水平井的开发效果和经济效益均优于压裂垂直井,横向裂缝水平井的生产效果好于纵向裂缝水平井,而水平井压裂选井选层是决定压裂效果的关键环节,成功的选井选层可提高压裂成功率和有效率,产生更高的经济效益。不同类型储层的压裂选井选层影响因素也不同,砂泥岩地层压裂的主要影响因素是储层物性、电性、含油气性和岩性,而碳酸盐岩地层压裂的主要影响因素是缝洞储集体的发育情况。探井和开发生产井的选井选层影响因素也不同,探井主要考虑地质静态参数．而开发生产井则侧重于生产动态数据。压裂选井选层人工智能系统能够根据目标区块已有的压裂数据,建立压裂效果的各类预测模型,运用这些模型实现对目标区块目的井（层）的压裂效果预测,从而达到智能化选井选层的目的。文中通过对地层不整合油藏、屋脊断块油藏、厚层底水块状油藏、缝洞型碳酸盐岩油藏及低渗透油气藏等不同类型油气藏水平井压裂选井选层影响因素的分析,提出各自的选井原则和思路,为不同类型油气藏水平井压裂选井选层提供了依据。     

高含水后期油井重复压裂选井选层方法探讨

针对杏北地区重复压裂井比例较高、压裂潜力变小、选井选层难度越来越大的实际,通过对“九五”以来重复压裂井的分析,总结出适合杏北地区重复压裂井优化选井选层的原则和重复压裂井的压裂时机,在实践中应用后,取得了较好的效果。     

朝阳沟油田压裂井层优选

压裂是油气藏增产改造的重要技术措施,为保证压裂措施效果需要量化选井选层标准、优选压裂井油层参数.以朝阳沟油田某区块为例,将压后日增油量作为压裂效果评价标准,进行压裂井层参数研究.首先利用灰色关联法筛选主要影响因素,结合数学统计分析法,初步确定理想压裂井层参数范围:然后利用模糊综合分析和层次分析方法确定出高评价参照井,进而修正理想压裂井层的参数范围,并以此作为压裂选井选层的标准.应用结果表明,方法简便、准确度高,对油田压裂选井选层工作具有一定的指导意义和应用价值.     

高含水期油井重复压裂技术研究

高含水期重复压裂是一项多专业、复杂的系统工程,必须进行综合分析、完善注采井网、采取适当的压裂工艺才能有效提高重复压裂效果.随着杏北开发区开发时间的延长,综合含水不断上升,油井压裂选井选层难度大,压裂效果逐年变差.通过对杏北开发区高含水期重复压裂技术研究,确定了重复压裂选井选层工艺方法和压裂时机,并在现场试验中取得了较好的效果.     

BP�������ڴ��������е�Ӧ��

BP神经网络不同于传统的CRA（碳酸盐岩复杂岩性处理程序）测井解释方法，具有强的抗干扰能力和非线性映射能力。通过在四川盆地东北部地区铁山坡含气构造飞仙关组气藏储量计算中的应用证实，用BP神经网络计算的孔隙度与岩心分析结果有很好的一致性，能满足储量计算要求。在气水判别方面，BP神经网络计算气层段的含水饱和度与岩心分析结果相比，误差在10％以内，能指示气层特征；在水层段，BP神经网络计算的含水饱和度大于50％，能指示水层特征。表明BP神经网络可以应用于确定储量参数和判别储层流体性质。     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。     

基于测井参数的遗传BP神经网络识别火山岩岩性——以准噶尔盆地西北缘中拐凸起石炭系火山岩为例

准噶尔盆地西北缘中拐凸起石炭系火山岩储层岩石类型复杂多样,既有火山熔岩、火山碎屑岩,又有侵入岩,造成该区岩性识别难度较大。为此,引入了遗传算法的BP神经网络,遗传BP神经网络是以自身特有的样本学习能力获得识别模式,识别结果客观可靠。利用测井参数对中拐凸起石炭系火山岩储集层的岩性进行识别研究,选取典型井的测井参数训练遗传BP神经网络,以获得网络神经元的连接权值。获得满意的权值后,通过输入其他已知井的测井数据对其进行检验,检验结果表明,该方法识别火山岩岩性的可信度高,具有较强的可行性。     

概率神经网络技术在油气藏物性参数预测中的应用

通过实例介绍了利用一种概率神经网络技术预测储层物性参数的方法。该方法克服了传统方法的某些局限性 ,预测储层物性参数时不需要地震子波 ;而是直接建立测井曲线和地震属性的关系 ,用相关系数衡量目标测井曲线和地震属性之间的相似性 ;用逐步递归法选取最佳属性 ;用交互验证法监视所选属性的可靠性     

Neural Network Identification of Hydrocarbon Potential of Shaly Sand Reservoirs

Abstract

Hydrocarbon potential evaluation of shaly sand layers requires the adoption of certain shaly water model and also the selection of suitable conventional logging suite. The main target is how to get the accurate porosity and how to convert the apparent water saturation to true water saturation for given shaly sand layer. In this paper neural network approach is presented to replace the conventional interpretation of well logging data to better determine formation porosity and water saturation and to well identify hydrocarbon potential of clean and shaly sand layers. Two neural networks were constructed, one for prediction of porosity using six well logging data inputs: GR, LLD, RHOB, NPHI, PEF, and Δt); and water saturation using five well logging data inputs: GR, LLD, RHOB, NPHI and PEF. Shale volume was defined from GR data. Each neural network is trained using available logging data and validated using the core data before applying it to the entire well log. Neural network predicted formation porosity and water saturation for tested sections of one well. Also using the cut off values of porosity, water saturation and shale volume, the neural network defined the possible pay zones in the well. Network outputs have shown good matching with core data and the reference calculated petrophysical parameters. The developed network approach has successfully deduced porosity, water saturation and defined pay zones in a new well that projects its application for new wells.     

�߷ֱ��ʷ����Է��ݷ�����Ӧ���о�

文章所述的ANFIS是将模糊技术与神经网络技术相结合而形成的一种高分辨率非线性反演方法，是集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学能力于一体的新技术。ANFIS是由可更改的前提和结论两部分组成，采用（GD+LSE）混合算法自适应地进行调节，该算法减少了原始纯反向传播算法的收缩空间的维数，因而收敛速度非常快。这种高分辨率非线性反演方法兼有二者的优点，对原始模型没有依赖性。在实际反演中，首先由井点出发构造测井资料与井旁地震道的非线性映射关系，并根据地下介质在横向上的变化特征来更新非线性映射关系，并在地质约束下进行自适应外推，其反演过程是总体反演过程，以实现高分辨率反演，获得高分辨率的储层参数剖面。实践证明，应用ANFIS可建立储层参数与地震信息之间的较精确关系，所获得的储层参数剖面具有精度和分辨率高的特点，是提高储层预测效果的一种有效手段。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

运用现代数学理论和计算机智能技术优选压裂井层

油气井压裂后要获得好的增产效果,首先要选取最适合进行增产措施改造的井。影响一口井压裂效果的参数包括地质静态、开发动态及压裂施工等多方面参数,从理论上讲,每一个参数对压裂效果都有不同程度的影响。传统的选井方法主要依靠经验或生产需求来选择施工井层,具有一定的主观性、盲目性和风险性。本文充分运用现代数学理论,即模糊聚类、模糊神经分类系统和模糊排序法,筛选了可靠的数据,确定了压裂选井主要影响因素;深入研究了影响压裂成功率的主要因素并应用层次分析法确定各因素的权重,研究了各候选井压裂成功率的大小;同时,充分运用计算机智能技术,提出了改进的自适应遗传算法,将该遗传算法与神经网络结合 起来,形成了改进的遗传神经网络,该网络收敛快、泛化能力强,克服了传统数学方法在处理这类问题时的局限性和误差大的缺点,可以用来优选压裂井。应用效果表明,该方法预测结果与现场实施压裂后的增产效果非常吻合。