用灰色关联分析识别烃类体系相态特征图

目的：加深对烃类相态特征的认识，提高识别油气藏类型的准确性。方法：用灰色关联分析识别烃类相态特征图，将未知比较序列与已知模式系统化关联，求得它们之间的关联度，找出影响目标值的重要因素，识别出油气藏类型。结果：利用该方法对具体油气藏相态特征图进行识别，检验准确率达１００％。结论：该方法是一种简便、客观而有效的方法。     

地下烃类相态早期识别的地球化学方法

本文阐述了根据烃源岩的热演化阶段，不同温度段烃类的含量和油气全烃色谱指纹特征来早期判断地下烃类相态的地球化学方法，达到了在钻探过程中经济、快速地进行地下储集层中烃类相态的早期预测的目的。这一方法耗时少，花费低，而且所需的原始实验数据容易获得，判识精度较高。     

识别烃类体系相态特征图的模糊数学方法

本文通过图形模糊识别方法,提出分析烃类体系相态特征并判别其类型的模糊识别方法,从而加深了对烃类相态特征的认识,提高了识刑凝析气藏的准确性。     

多元组分莫理尔图的应用

本文编制了某一特定烃类的多元组分莫理尔图,并用于轻烃回收过程的工艺分析。实践表明此图得出的结论与计算数据是比较一致的,该图提供了一种图上作业的手段,而且辅以必要足够精确的分析数据,则可引伸于分析一定组分烃类的相态特征。     

人工神经网络用于化工中非线性模型建立的研究

本文介绍了人工神经网络的基本原理、结构。针对化工中经常遇到的高度非线性问题，以塔板研究中的泄漏模型为例，采用人工神经网络中的ＢＰ（反向传播）算法进行处理。并对网络的拓扑结构、阈值函数、学习速率、动量因子等进行了初步的探讨。结果显示，ＢＰ算法和经典的多元因子分析相比，对数据具有更强的过滤能力和自适应能力，建模效果更佳。     

地下烃类相态早期识别的地球化学方法

本文阐述了根据烃源岩的热演化阶段、不同温度段烃类的含量和油气全烃色谱指纹特征来早期判断地下烃类相态的地球化学方法,达到了在钻探过程中经济、快速地进行地下储集层中烃类相态的早期预测的目的。这一方法耗时少,花费低,而且所需的原始实验数据容易获得,判识精度较高。     

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。     

凝析气藏相态计算及储量预测

烃类体系的相态特征研究对油气田的开发与开采具有重要意义。针对实际开采凝析气藏遇到的实际情况,研究了凝析气藏的相态计算方法,并利用此方法编制出相态计算实用软件。将软件应用于凝析气实例井的相态计算和气藏储量预测,取得较好效果。     

Kohonen自组织模型在录井数据解释中的应用

本文介绍了一种用人工神经网络方法通过综合录井色谱仪对轻质烃气态数据进行在线解释及油气层评价的方法。用３Ｈ轻质烃比值法实现由Ｋｏｈｏｎｅｎ自组织模型对现场数据进行解释，其分类效果较ＢＰ网络符合率高、速度快，非常适用于钻井现场对油气层的快速解释和评价。     

柴达木盆地南八仙油气田油气相态特征

柴达木盆地南八仙油气田发育两套含油气层系：深层的E₃¹油气藏和浅层的N₂²-N₁油气藏。7个样品的油、气高压物性实验结果揭示了凝析油气藏的相态特征和相态分布规律。浅层油气藏属于饱和烃类体系，油气藏类型包括油藏、油环凝析气藏、凝析气顶油藏和凝析气藏；深层油气藏属于未饱和烃类体系，油气藏类型包括湿气藏、凝析气藏和油藏。研究表明，由于深、浅气藏流体组分及温度、压力条件不同，烃类相态也就不同。深入了解地下流体相态特征并确定油气藏类型对于高效合理地开发油气藏、提高油、气采收率具有重要的意义。     

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。     

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。     

基于神经网络的LPG泄散范围的预测方法

提出了一种基于BP神经网络预测液化石油气泄漏扩散范围的分析方法。详细说明了神经网络的分析模型以及样本的选取和学习过程,将BP神经网络的预测结果和采用传统方法的预测结果进行对比分析,表明基于神经网络的分析预测方法不仅能够正确区分液相与气相泄漏,还能准确地预测扩散危害距离,是一种准确、方便、快捷的分析方法,具有一定的工程应用价值。     

人工神经网络在生烃条件评价中的应用

根据生烃条件评价的地质模型,用人工神经网络建立权重分配,改变了以前人为给定权值的方法。通过网络的自学习,自动地建立起权重分配关系,使权重分配较为客观准确。用该方法对鄂尔多斯盆地奥陶系生烃条件进行评价,取得了与专家系统评价基本一致的结果。     

GA辅助BP神经网络预测催化裂化装置汽油产率

催化裂化反应-再生系统是一个高度非线性和强耦合的操作系统,用传统建模方法很难描述。鉴于人工神经网络（ANN）非线性预测和自学习自适应能力强,而遗传算法（GA）全局寻优能力强的特点,将两者结合,先通过GA寻得BP神经网络最优的权值和阈值初值,再赋予BP,从而改善BP模型随机不确定选择初值的方法,提高其映射精度。以某炼油厂2.8 Mt/a MIP装置反应-再生系统为研究对象,选取第一反应器温度、第二反应器温度、第一再生器温度、第二再生器温度、反应器压力、再生器压力等6个变量为神经网络的输入变量,汽油产率为输出变量,建立6-11-1的BP神经网络,并采用GA来对BP神经网络的权值和阈值进行优化。结果表明,未经GA优化时BP神经网络对催化裂化汽油产率的预测数据的均方误差为5.16,而经GA优化后预测数据的均方误差为4.92。     

基于老井资料的碳酸盐岩储层测井解释研究

碳酸盐岩储层岩性复杂，老油气区测井系列不全，测井定量解释的难度很大。文章选取研究区有利构造部位测井项目齐全的井，以取心和测试层段为研究基础，通过深入分析典型储层岩性、物性及含油气性在电性上的响应特征，分类建立了中子、密度与其它测井曲线的关系数据样本，用BP神经网络方法建立中子和密度曲线的构建模型并预测其它老井的中子和密度曲线；用最优化测井解释方法，在准确识别岩性的基础上完成较高精度的测井资料数字处理；结合试气和投产资料，建立储层及有效厚度评价标准，进行储层测井综合解释。用该方法对老气田12口井三叠系嘉二段储层进行了精细测井处理和解释，取得了比较满意的效果。分析认为：在碳酸盐岩储层测井解释中，岩性识别是关键；BP神经网络在构建测井曲线中有其独到之处，该研究思路和方法对老井复查工作有一定的参考使用价值。     

渤海湾盆地渤中凹陷西南部深层烃源岩有机相预测

针对渤海湾盆地渤中凹陷西南部烃源岩层系多、非均质性较强等特点,开展了烃源岩干酪根显微组分、元素分析、岩石热解、气相色谱等地球化学分析测试,在沉积相的约束下对比了ΔlogR系列方法、多元回归法、BP神经网络法预测有机质丰度参数的优劣,优选BP神经网络法进行烃源岩总有机碳含量、裂解烃含量的单井预测,进而计算得到氢指数预测曲线,结合总有机碳含量进行有机相分析,定量刻画各层系烃源岩的有机相,分析烃源岩的优劣和展布特征。结果表明,BP神经网络法的预测精度相对较高,东营组二段下亚段烃源岩主要为Ⅱ₂型干酪根,氢指数为125~400 mg/g,总有机碳含量基本小于3%,其有机相主要为BC相、C相和CD相;东营组三段烃源岩主要为Ⅱ₁—Ⅱ₂型干酪根,沙河街组沙一二段、沙三段烃源岩主要为Ⅰ—Ⅱ₁型干酪根,这三套烃源岩的氢指数为250~650 mg/g,总有机碳含量为3%左右或大于3%,其有机相主要为B相、BC相和C相。沙河街组优质烃源岩主要发育于研究区中南部,是下一步勘探的重点区域。     

应用BP网络进行重油化学组成的关联计算

描述了应用具有高度非线性映射能力的BP神经元网络进行石油物性数据关联的基本方法，以重油的密度、碳氢比、粘度和康氏残炭等常规物性作为关联参数，对重油的化学组成进行关联，结果优于由回归分析所得的关联式。该方法具有统一的模型，自动形成物性与关联参数的相关关系，以及计算简单方便等特点，适合于处理组成极其复杂的石油体系。     

地震多参数在塔河油田储层含油气性预测中的应用

新疆塔河地区地震属性参数与测井数据并非存在着明显的一一对应关系，很难用精确的算法来描述，使用多参数共同解释又往往产生相互矛盾的结果。针对这种情况，介绍一种三维地震资料多参数神经网络技术将丰富的地震资料与较稀少的钻井、测井数据结合起来进行沿层含油气性预测与评价的方法。首先分析塔河地区的地质规律及目的层段井资料的含油气性，研究井位处地震属性参数与目的层含油气性之间的关系，然后筛选出较稳定的、灵敏度较高的瞬时频率、反射强度、瞬时相位等优势地震参数进行归一化作为网络的输入数据，目的层段的测井或岩心油气显示为神经网络的期望值进行网络训练，最后用经过训练的网络对整个工区内各道相应目的层段进行沿层预测，形成油气预测图，实际应用表明该方法是可行的。     

平衡常数K值的快速算法

在油气藏的组分模型中，需要进行大量的相平衡计算。其中，平衡常数K值的计算是非常关键的。根据相平衡公式精确计算K值需要大量的计算时间。提出采用BP神经网络来计算K值，并根据不同的情况需要可以建立简化的或完整的BP网络。指出用BP网络计算K值具有计算速度快、精度高的优点。