应用Bayes逐步判别分析自动确定岩性

为了应用计算机自动确定整个钻井剖面地层的岩性,本文根据Bayes逐步判别分析的原理,利用有系统取芯的关键井的测井资料,建立各类测井相的判别模型和测井相-岩性数据库。然后,用所建立的判别模型和数据库确定关键井及其它未取芯井地层的岩性,得出这些井连续而完整的岩性剖面图。我们应用此法及相应的测井相分析软件处理了几口井的实际测井资料,结果与岩芯、岩屑录井等地质资料吻合得相当好。证明这种方法是成功的,所开发的测井相分析软件是很有效的。     

核Fisher判别分析在火山岩岩性识别中的应用

针对火山岩储层岩性识别困难的问题,将核Fisher(KFDA)判别分析方法用于火山岩储层的岩性识别中。在详细介绍核Fisher(KFDA)判别分析方法的理论基础上,选取能够反映火山岩岩性变化的常规测井曲线作为特征变量,从8口取心井中随机选取70%的数据样本点参与核Fisher(KFDA)的模型建立,剩余30%数据样本点作为测试集进行岩性正确率的识别。通过对克拉美丽气田石炭系349块火山岩薄片的数据分析表明,利用核Fisher判别分析方法可以有效实现火山岩岩性的分离,与支持向量机(SVM)、BP神经网络和Fisher(FDA)方法比较,该方法识别准确率高,图形化显示方面直观性强,可作为利用常规测井资料识别火山岩岩性的有效手段。     

神经网络在岩性识别中的应用

将神经网络方法引入测井资料的处理和解释中,以塔里木油田某取心井为实例,进行砂岩,泥岩和灰岩的自动识别、识别结果说明了神经网络方法的有效性。     

基于主成分分析的距离判别分析方法在岩性识别中的应用

针对复杂储层岩性识别难度较大的情况,本文引入基于主成分分析的距离判别分析方法,将测井资料来划分岩性,看作是一种类别判别问题,通过计算样本到各个类的距离大小来判别样品类别的归属;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际结果相比较具有较好的一致性,实验表明,基于主成分分析的距离判别分析方法在岩性识别问题中有着一定的应用前景。     

多种岩性分类方法在火山岩岩性识别中的应用

基于对松辽盆地火山岩近5年的测井响应研究,探讨按照松辽盆地火山岩分类原则的二级分类类型,实现利用常规测井资料识别岩性的方法.建立了一个具有准确薄片定名信息的火山岩测井样本,通过交会图分析、聚类分析、判别分析、主成分分析、因子分析、BP神经网络、SOM神经网络及支持向量机等8种方法对样本进行处理,得出各种方法针对岩性分类...     

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。     

ECS测井在火山岩岩性识别中的应用

火山岩岩性定名与识别是岩相划分、储层综合评价与预测、井网部署、开发方案编制的基础。火山岩岩性与岩石成分、结构、构造和成因有关,岩石类型多,定名和识别难度大。ECS利用快中子与地层中的原子核发生非弹性散射碰撞及热中子被俘获的原理,通过解谱和氧化物闭合模型得到地层中主要造岩元素的相对百分含量,并应用聚类分析、因子分析等方法定量求解地层的矿物含量,从岩石成分的角度较好地解决了火山岩岩性识别的问题。研究区火山岩以SiO2为主,Al2O3、K2O Na2O及Fe2O3次之,CaO和MgO则不发育,Si、Al、Fe、Gd是研究区岩性识别的主要指示元素。研究结果表明从基性玄武岩到酸性流纹岩,Si元素产额和K40含量增大、Al和Fe元素产额则减小;熔结凝灰岩的Gd元素产额比熔岩高;常规测井的GR与ECS测井的Si元素产额正相关,地层密度与Fe元素产额正相关,能谱测井的Th含量则与Fe元素产额负相关。ECS以崭新的测井概念、先进的测井技术,具有广泛的应用前景,但各种误差和价格昂贵的问题则使其推广应用受到一定的限制;常规测井信息丰富,从多个方面提供了识别火山岩岩性的资料和手段;将ECS与常规测井、成像测井相结合,是解决火山岩岩性识别难的有效途径。     

测井资料识别火成岩岩性方法研究

随着油气勘探的进展和火成岩储层的不断发现,火成岩储层已经成为油气勘探的新领域火成岩岩性识别是火成岩油藏描述的基础,是火成岩储层评价的关键,因此火成岩岩性的识别成为了研究的重点,而利用测井资料进行火成岩岩性识别可以很好的区分各种岩性,有很好的经济效益和生产效益。     

利用贝叶斯判别法识别岩性基础上的孔隙度评价

伊拉克M油田具有岩性复杂、储集空间多样、非均质性强等特征,常规孔隙度计算模型不能较好地反映其储层孔隙度。为了提高其孔隙度计算精度,在计算孔隙度前先对储层作了岩性判别。以最小错误率的贝叶斯判别法为基础,选取研究区测井资料齐全和岩性分布较均衡的5口井作为样本,选择合适的测井曲线作为输入曲线,利用贝叶斯公式求得每个深度点的各类后验概率值,后验概率值最大的即为该点所属的类别,以此为依据对所有井作了岩性识别。在岩性识别的基础上对经过岩心分析的岩样分类拟合以获得各类岩性的拟合模型以及在该地区的骨架值,根据所输出的岩性代码,可选择该深度点所对应的测井解释模型。识别岩性后计算的孔隙度与岩心分析孔隙度的误差很小,为储层的解释评价提供了理论基础。     

基于模式识别的稠油油藏复杂岩性识别方法

利用常规测井曲线、交会图等方法识别稠油油藏岩性正确率低,效率不高。选用已采集的油田测井资料,分别采用费歇判别法、BP神经网络、极限学习机3种模式识别法,对稠油油藏岩性进行识别,并利用岩心、录井资料对识别结果进行检验。研究结果表明,费歇识别法正确率为81.2%,BP神经网络识别正确率为90.3%,极限学习机识别正确率为92%。在合理有效提取参数的条件下,极限学习机和BP神经网络的岩性识别符合率要高于费歇判别法,且具有运算速度快、效率高等优点。模式识别法在测井解释岩性识别方面有一定的推广应用价值。     

一种快速实用的测井岩性自动识别方法

针对海拉尔盆地贝尔地区岩性复杂、岩性识别难的问题,在岩心分析资料的刻度下采用交会图法优选对岩性识别敏感的参数,利用主成分分析方法提取第1、第2主成分建立岩性识别图版;根据各种岩性的分布区域,将主成分分析图版程序化,挂接到卡奔软件中,可以对单井目的层进行快速连续操作处理。该方法省去了曲线方波化取值的繁琐以及人工读值误差。通过对该区域3口新取心井的处理分析,岩性自动识别精度达到91.2%。该方法易于操作,岩性识别精度高,满足了研究区储量提交以及油田勘探开发需求。     

基于测井多参数的复杂储层岩性综合识别

受多期不同类型构造、沉积、成岩的作用,MA凹陷芦草沟组岩性复杂多样。通过分析已知测井资料和取心岩性的对应关系,建立该区测井相—岩相蛛网模式库,利用灰色关联理论对MA凹陷18口井储层进行岩性自动识别,其对应的364块实验取心薄片结果分析对比,其中各岩性的符合率均达到80%,实现了对多种测井信息集成和综合分析,达到了用定量参数形象反映定性问题的目的,提高了复杂储层岩性识别的精度。     

基于模糊模式识别的贴近度法判别煤田测井岩性

选取影响岩性识别的7个主要参数,结合某地实际测井资料,建立基于模糊模式识别法的岩性识别标准模型.分别计算了各个待定样本与3个标准模型的格贴近度、海明贴近度、欧式贴近度、最大最小贴近度及算术平均最小贴近度.分析了不同贴近度方法求得的贴近度,结果表明5种方法所识别的结果都正确;通过分析对比5种方法所求得的最大贴近度曲线,可知海明贴近度方法所得结果较为稳定、准确,适合该次岩性识别实验;验证了应用模糊模式识别法进行测井岩性识别的可行性和科学性.     

基于主成分分析的SOM神经网络在火山岩岩性识别中的应用

针对火山岩储层岩性识别难的问题,提出一种将主成分分析和SOM神经网络相结合对测井资料进行处理的岩性识别方法.主成分分析能较好地提取表征样本的少数几个独它的综合指标,从而能够消除神经网络输入间的相关性,降低神经网络的输入维数,简化网络结构,加速网络收敛速度,从整体上提高网络的性能.针对松辽盆地徐家围子地区内有薄片分析及全岩分析的325块岩样,单独使用主成分分析方法的岩性识别正确率为79.38%,单独使用自组织神经网络方法的岩性识别正确率为82.15%,结合上述2种方法的岩性识别正确率为87.38%.由此在实际处理20口井火山岩层段时,将原始测井数据通过主成分分析进行精简处理,然后再通过SOM神经网络进行识别分类,最终厚度符合率为85.2%,从而为利用常规测井资料识别火山岩岩性又提供一种有效方法.     

盐家油田深层砂砾岩储层岩性自动识别新技术

盐家油田深层砂砾岩储层岩性复杂,不同岩性的测井响应特征差异小,不易识别.岩性识别是储层参数计算和油水层判别的基础.提出了以常规测井资料为基础的NRA岩性自动识别技术,分析岩性敏感性,并剔除物性影响,最终构建出1条反映粒序变化的岩性判别曲线,通过岩心描述和电成像资料刻度,实现了砂砾岩岩性自动识别.经现场验证,该方法有效地...     

梨树断陷砂砾岩测井岩性识别

以梨树断陷砂砾岩储层为研究对象,结合岩心、EMI成像图及常规测井曲线,建立砂砾岩岩性与测井响应的关系.利用主成分分析得出主因子F;利用常规测井曲线中自然伽马、声波时差及岩性参数N构造出岩性识别指数L,结合主因子F和岩性识别指数L建立砾质、砂质、泥质储层的测井响应一岩石类别模式.与自组织神经网络、模糊聚类及主成分分析方法进行对比,该方法具有较高的识别符合率,能够满足实际生产需求.     

测井识别岩性新方法--支持向量机方法

将基于统计学习理论的支持向量机方法引入到测井资料处理和解释中。在测井岩性识别方面研究发现,支持向量机方法克服了神经网络的固有缺陷,提供了一种识别岩性的新方法。应用效果表明该方法具有适应性强、识别精度高的优点。