储层敏感性预测中新方法研究与应用

及时准确地预测储层敏感性损害问题一直是油气层保护研究的一个重要课题。本文在收集岩心分析资料的基础上,通过单相关分析确定影响敏感性的主要因素,应用一种基于多层激励函数的量子神经网络。建立了储层敏感性损害预测的量子神经网络模型,它可以有效提高网络的收敛速度和预测的准确率。基于量子神经网络的预测模型分析表明,该方法受人为因素干扰小,同时系统所需参数少,应用广泛,结果可靠(总体符合率达到88%),能有效地反映出储层潜在敏感性损害程度,为制定保护油气层技术措施提供较可靠的依据。     

应用神经网络信息融合技术快速预测储层敏感性

快速、准确地诊断与预测储层敏感性损害问题一直是储层保护问题研究的一个重要领域。同时预测储层敏感性损害也是一门需要处理大量数据与信息的技术。信息融合技术是将各种途径、任意时间和任意空间上获得的信 息作为一个整体进行综合分析处理的技术。利用信息融合技术进行敏感性损害预测能够尽可能多地使用已有的数据获取最为准确的结果,在输入参数较少的情况下给出一个可靠的数值结果,且受人为因素干扰较少。基于 政进算法编制的神经网络信息融合技术储层敏感性快速预测软件分析表明,该方法受人为因素干扰小,可以渗断储层中邶种敏感性是主要因素并给出一个确切数值,同系统所需参数少,结果可靠（总体符合率达到91％）,是一种能适用于现场的快速有效的方法,为油田合理处理敏感性损害提供了理论依据。     

应用量子神经网络预测低渗储层水锁损害

对于低渗储层最主要的损害类型水锁损害进行及时、准确的预测,在油气层保护中起着至关重要的作用。在分析水锁损害产生机理和各种影响因素的基础上,基于生物神经元对信息处理方式和量子神经算法原理构造出一种量子神经元,建立预测储层水锁的量子神经网络模型,并编制软件,进行气藏水锁损害预测。该方法克服了灰关联分析法需要进行评价矩阵分析、操作复杂的缺陷,经大庆油田龙西地区实践证明,该方法运算速度快,系统所需参数少,准确率高(总体符合率达到90%),可为低渗储层保护技术提供可靠的支持。     

模式识别在储层敏感性预测中的应用

利用模式识别对储层进行敏感性预测可以对其损害类型及损害程度进行科学诊断,从而为后续钻井液和完井液及其他工作液的优化设计提供重要依据。通过将常规的欧氏距离进行加权改进,解决了应用模式识别的核心问题——构建隶属函数,进而建立了采用模式识别法预测储层敏感性的新模型,并得到了成功应用。以水敏为例,经过特征选择与提取确定特征向量,利用损害程度等级的划分建立水敏损害的均值样板,借助大港油区127组数据检验新了模型在储层敏感性预测中的应用效果。结果表明,水敏指数预测的平均准确率大于86.9%,水敏损害程度的预测成功率也达到了90.0%,证明采用模式识别法预测储层敏感性的新模型具有预测结果准确性高、结论可靠等优点,对提高油气层保护和油气层解堵效果具有十分重要的意义。     

基于量子神经网络的储层敏感性预测方法研究

储层敏感性评价是油气层保护的一个重要方面,敏感性的评价一般采用室内实验方法。但是室内评价方法存在需要大量岩心且耗时长的缺点,传统的预测模型也存在缺陷。鉴于此,在收整理集岩心资料基础之上,结合量子神经理论,提出量子神经网络储层敏感性预测模型。利用该模型对某地区储层敏感性进行预测,预测结果表明,该模型预测储层敏感性数据与室内实验结果的符合率达到90%以上,其准确率明显高于传统的预测模型,为储层敏感性的评价提供了一种新的、科学的方法。     

综合运用BP网络和优化算法建立储层敏感性预测模型

通过对近年来储层敏感性预测方法的分析研究,认为神经网络方法是一种较理想的预测储层敏感性的新方法。但是常规的BP算法存在收敛速度慢、局部极小值等缺点。为此,采用了动量-自适应学习率调整方法和L-M优化算法,效果明显改善,其中L-M优化算法效果最好,收敛速度快,误差最小。利用L-M优化方法建立的储层速敏网络模型,预测渗透率损害程度的准确率达93％,基本上满足了油气昙敏感性预测的需要。     

应用PCA和多元非线性回归快速预测储层敏感性

通过对比分析近年来各种储层敏感性的预测方法,发现耦合PCA与多元非线性回归分析是一种快速、精确、泛化能力强的敏感性预测新方法。以盐敏为例,经过特征选择与提取,建立了预测储层盐敏损害指数的数学模型,并通过精度检验提高其泛化能力。借助塔里木油田的90组样本,检验了新模型在储层敏感性预测中的应用效果。结果表明,盐敏损害指数的平均准确率大于95%,从而证明耦合PCA与多元非线性回归的算法能达到快速、准确预测储层敏感性的目的。该方法操作简单,准确率高,泛化能力强,具有较好的应用前景。     

改进的B-P神经网络系统在储层敏感性伤害预测中的应用

从储层保护的角度出发,对长庆油田的储层伤害进行了综合分析研究,确定了对储层造成伤害的几种因素:水敏、盐敏、速敏、酸敏、碱敏,并采用Kohonen自组织网络和改进的B-P网络相结合的组合神经网络技术建立了储层敏感性伤害的预测模型.该模型改进了以往神经网络模型在数据处理方面的缺点,缩短了网络学习训练的时间.运用该模型对长庆油田储层伤害进行了预测,预测结果与实测结果较一致性,说明改进后的神经网络模型在储层敏感性伤害预测中能够满足工程预测的需要,从而为油气层保护技术措施提供可靠的依据.     

应用单相关分析和多元回归快速预测储层敏感性

敏感性研究是分析储层损害机理的前提,对于优化钻探和开发过程中的各个作业环节,以及制定系统的油气层保护技术方案具有非常重要的意义。对近年来发展起来的各种储层敏感性预测方法进行了探讨,发现利用单相关分析和多元回归预测储层敏感性是一种较理想的、快速的预测敏感性的新方法。在常规岩心分析和敏感性矿物分析的基础上,提取与各敏感性有关的信息,利用单相关分析和多元回归预测储层敏感性,其准确率能够达到85%,基本上满足了油气层敏感性预测的需要。相对单一的预测方法,二者结合的预测结果有明显改善,并且该方法计算简单、适用性强、物理意义明确。     

基于BP神经网络的储层微孔隙结构类型预测

储层的微孔隙结构是影响高含水期油田剩余油分布的主要冈素.提出了基于神经网络技术埘测井资料处理以识别储层孔隙结构类型的方法.介绍了BP神经网络原理.该方法利用人工神经网络技术所具有的非线性、容错性和较强的模式识别能力实现了综合推理,进行储层孔隙结构类型预测.选取反映孔隙结构类型特征的自然电位、自然伽马,声波时差等7条常规测井曲线建立样本模式.并统一刻度,进行归一化处理.建立了神经网络模型.对大庆油田采油五厂储层样本进行了处理,符合率达80%以上,表明该方法用于预测储层微孔隙结构类型是可行和有效的.     

人工神经网络技术在塔河油田的应用

塔河油田为碳酸盐岩缝洞型油藏,具有极强的非均质性,单纯用静态资料来认识这类油藏非常困难。提出利用生产动态资料和信息进行塔河油田油藏描述研究的新思路。利用人工神经网络技术在处理非线性相关参数预测方面的优势,以渗流理论为基础,结合试井成果,推导出影响油藏开发的重要参数(地层系数)与生产信息的关系;建立了人工神经网络预测储集层参数的结构模型。塔河油田研究证明,神经网络技术在塔河油田碳酸盐岩缝洞型油藏储集层评价预测和非均质性分析等方面具有较强的实用价值。     

人工神经网络在油层对比中的应用

本文根据油层对比的思路，建立了利用神经网络技术进行油层对比的总体流程：①预处理；②用神经网络法进行油层对比；③结论检测；④绘制油层对比图。其中，结论检测为选择项。     

人工神经网络技术在油田储层物性预测中的应用――以西峰油田为例

与传统的测井资料解释和信息处理技术相比较,在对非均质性较强、物性参数级差较大的储集层物性预测中,人工神经网络技术具有极强的自适应和自学习能力,其通过很强的非线性映射,能够精确地建立储集层参数与测井响应之间的非线性模型。在论述神经网络技术基本原理的基础上,对西峰油田延安组和延长组储层的物性参数(孔隙度和渗透率等)进行了预测,取得了较理想的结果。预测结果表明:渗透率参数级差不大(<102)时,预测精度高;渗透率的变化范围较大(>103)时,对具有高渗透率储层的预测精度高,而对具有低渗透率储层的预测值相对误差较大。     

概率神经网络及其在储层产能预测中的应用

概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。针对储层产能的预测问题，提出了一种具体的概率神经网络方法，包括网络模型的构造、学习训练和预测识别等步骤。基于MATLAB6．5设计出概率神经网络的具体应用软件，实际应用表明，在储层产能预测中效果显著。与BP网络进行对比实验，其预测正确率优于BP网络。     

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。     

�������ڲ⾮�����е�Ӧ��

对测井资料进行必要的预处理和合理的取舍后，与地质参数结合，建立起正确的样本集。设计ＢＰ网神经网络，修改神经元作用函数，调整神经元的权值递推式，对样本进行网络训练，在网络系统误差小于允许误差时，网络训练结束。使用得到的网络模型参数，就能得到所需结果。输入测井资料、计算储层参数，计算结果与岩心分析结果相比较，其误差很小。在测井所处理的储层参数与储层产能对应关系很差的情况下，将储层参数与储层产能挂钩，设计ＢＰ网络进行样本训练，训练过程中修整了步长调整因子和平滑因子，得到网络模型参数后进行储层产能评价，效果很好，精度较高。对汉明网络的结构、神经元的权值、域值和输出函数作了改进，使其适用于输入为连续值的模式识别，经实际资料处理证实，该网络有较强的模式识别能力，并见到良好效果。     

基于勘探开发数据库的油气模式识别方法

讨论了油气层模式识别的流程和数据处理方法。以白音查干的达尔其为研究工区．T5^2层位为处理目标,达7井、达8井、达9井、达ll井、达12井、达13井为样本井．对孔踩度、含油饱和度等物性数据进行神经网络学习和物性预测。结果表明，神经网络模型对动态变化性强的数据自适应性强．具备外推内插功能．对井间的油气物性变化的预测准确．处理结果合理。     

致密砂岩储层孔隙度定量预测——以鄂尔多斯盆地姬塬地区长8油层组为例

鄂尔多斯盆地姬塬地区长8油层组为典型的低孔、低渗致密砂岩储层。由于其孔隙结构复杂、非均质性强,应用传统的孔隙度计算方法误差较大,结合姬塬地区长8油层组的具体地质特征,运用广义回归神经网络模型对致密砂岩储层孔隙度进行了预测。结果表明,利用该方法预测的孔隙度与利用岩心分析的孔隙度符合率较高。该方法对于未取心井区致密砂岩储层孔隙度的研究具有很好的应用前景。     

人工神经网络在砂砾岩油藏采收率预测中的应用

目前砂砾岩油藏采收率标定存在很大难度,常规方法预测采收率与实际相比偏差很大。通过调研砂砾岩油藏开发实例及相关资料,选取我国东部某典型砂砾岩油藏,确定了砂砾岩油藏采收率的主要影响因素,并编写BP神经网络程序计算砂砾岩油藏水驱采收率,计算结果精度较高。因此,认为应用BP神经网络方法预测砂砾岩油藏水驱采收率是可行的、有效的。