利用多种模式识别法预测廓固拗陷含油砂体

通过分析地震资料，最大限度地提取各种特征参数，确定各种地震参数及其分布规律，再使用综合参数法，判别分析法、自组织学习人工神经网络和有监督学习人工神经网络等多种技术对廓固拗陷已知油藏Ｊ砂体进行了预测验证，并对Ｂ砂体和Ｃ砂从正反两方面进行了成功预测。     

地震信息的属性参数提取和砂体预测方法

在利用地震信息属性参数进行砂体预测时，仅用单一参数预测的结果往往精度很差，而盲目使用多参数作为神经网络的输入，又会使网络的学习过程不收敛。为克服上述问题，本文通过理论模型研究，并结合实际地震资料，从时间域和频率域中提取了目的层的１９个地震信息属性参数。然后，选取与薄砂层厚度最密切的８种参数进行砂体预测。文中对几种常用的预测方法进行了分析和对比。应用结果表明，多参数的神经网络预测方法的精度最高；主频     

地震道波形分类方法在储层预测中的应用——以二连盆地白音查干凹陷为例

目前 ,用地震属性进行储层预测的方法大体可分为单一参数线性预测法和多参数综合分析法两大类。近年来 ,多参数的人工神经网络储层预测技术应用较多 ,但是需要选择合适的样本 ,并准确提取对砂体厚度反映灵敏的地震属性参数[1] 。在地质条件复杂的地区 ,由于储层厚度和岩性在横向上的变化会引起其地震反射特征发生较大变化 ,因而训练样本非常复杂 ,网络训练也难以收敛。地震道波形实际上是地震振幅、频率、相位的集中体现 ,能够真实地反映地下的地质特征。因此 ,用自组织人工神经网络技术对地震道波形进行分类而形成的离散地震相 ,能迅速预测…     

利用人工神经网络实现对油气井防砂方法优选

人工神经网络预测地层出砂防砂方法的优化有多种，各种优化方法都必须考虑油气井产能情况，模型计算和分析都很复杂、需要的参数较多，而且很多参数现场很难获得，现场可操作性差，经过文献调研和现场的实际分析，应用人工神经网络技术实现对油气井防砂方法优选，在油田的实际生产过程中具有重要意义。应用人工神经网络技术，利用辽河油田稠油油藏单井开发资料建立样本进行网络学习，对所采用的防砂方法进行优化，从而得出优化结果。该神经网络经过在辽河油田现场验证效果很好。     

地震道波形分类方法在储层预测中的应用——以二连盆地白音查干凹陷为例

目前,用地震属性进行储层预测的方法大体可分为单一参数线性预测法和多参数综合分析法两大类.近年来,多参数的人工神经网络储层预测技术应用较多,但是需要选择合适的样本,并准确提取对砂体厚度反映灵敏的地震属性参数[1].在地质条件复杂的地区,由于储层厚度和岩性在横向上的变化会引起其地震反射特征发生较大变化,因而训练样本非常复杂,网络训练也难以收敛.     

一种模糊神经网络技术及其在储层预测中的应用

大庆外围油田的葡萄花油层主要为砂泥岩薄互层，储层砂体横向变化大，这给井位设计带来了很大的难度。近几年地震属性分以用地震特征参数直接预测储层的析技术虽然得到了较快的发展，但地震属性与储层地质参数之间的关系较模糊，难砂岩厚度。为此，研究了一种模糊神经网络预测砂岩技术，它将人工神经网络理论与模糊逻辑分析相结合，在地震属性分析的基础上，以井旁地震道主分量参数为输入，以井孔地质参数为期望输出，建立模糊神经网络，并对网络进行训练，当网络收敛且网络整体方差达到要求的精度时，便完成了网络训练。该技术应用于大庆太平屯地区储层预测中，通过4口后验井检验，预测厚度与钻井厚度吻合较好，平均绝对误差为0.21m。     

基于储集层地质模式用多种地震属性参数预测砂体含油气性

惠民凹陷江家店地区地震波的平均对数衰减率、反演波阻抗和地震振幅对砂体的含油气性反映较敏感 ,在对这些属性参数进行相关性研究的基础上 ,研究已知含油气性砂体的不同储集层地质模式 ,建立在地质模式约束下的多属性参数学习模式 ,采用复赛谱技术计算直接反映砂体吸收属性的地震波平均对数衰减率 ,在储集层地质模式的约束下 ,用支持向量网络方法判别砂体的含油气性。用该方法计算的结果和已知产油层位基本吻合 ,预测结果被钻井所证实。复赛谱分析方法算法稳定 ,计算速度快 ,是识别砂体含油气性较稳定和可靠的方法 ;支持向量网络方法具有更强的分类能力 ,预测实际问题的风险比人工神经网络方法要小得多。表 1图 4参 1 6     

薄层砂体识别的地震沉积学研究——以 TZ12 井区为例

薄层砂体的预测一直是精细储层评价所面临的一个重要问题。 地震沉积学是目前识别薄层砂体横向展布特征的一个重要研究方法。 针对地震资料品质差、薄层砂体描述难等实际情况,以地震沉积学理论为指导,利用“频率控制地震同相轴倾角及内部结构”和“三维地震资料横向分辨率较高”这 2 个重要理念,在经典地震沉积学研究的基础上,增加了拓频处理和多元地震属性预测储层参数等技术,这不仅对薄层砂体横向展布进行了有效识别,而且对重要小层的砂体厚度和砂地比进行了预测,总结出了一套适用于 TZ12 井区的地震沉积学识别薄层方法。     

一种预测岩性油气藏成藏条件的地震方法

在缺少钻井、测井资料的条件下,如何对岩性油气藏主要成藏因素进行有效预测和定量计算一直是石油勘探界致力研究的课题。应用地质统计学等方法对地震相关参数与岩性油气藏成藏关系进行研究,总结地震层速度和砂体反射振幅等地震参数与烃源岩剩余压力、等效排烃压力之间内在的联系,进而用地震速度谱资料计算砂岩体内的孔隙压力和烃源岩剩余围岩压力、用地震反射振幅和频率估算砂体厚度并预测砂体孔隙度、根据经验关系计算等效排烃压力,可实现用地震参数对砂岩透镜体成藏条件的定量评价。     

港浅8-6井区河道砂体储层预测的综合研究

在对多种方法储层预测结果对比的基础上，采用三维可视化地震解释软件对大港油田港浅8—6井区明化镇组河道砂体进行了预测，提出了河道砂体三维可视化地震解释储层预测方法。其思路是：利用三维可视化解释软件的可视化解释功能，快速扫描数据体，寻找河道砂体，砂体与构造背景或与井点含油气信息结合寻找含油气潜力砂体，然后对潜力砂体进行预测和描述。该方法对于港东开发区平面上快速变化、纵向上频繁叠置的明化镇组曲流河薄砂体的预测取得了较好的效果，预测的NmⅢ4—2油层砂体已被完钻的7口新井所证实。三维可视化地震解释储层预测法可实现油层厚度仅为3．5～6．6m的河道薄砂体的精细描述。     

人工神经网络在气井管理及动态预测中的应用

鄂尔多斯盆地苏里格气田东区管理的井数多,稳产难度大,这对气藏开发及管理提出了更高的要求,而基于人工神经网络的气井动态预测方法不需要提供具体的地质参数,也不完全依赖气井生产动态数据。因此具有独特的优点。预测可分为3个步骤:1建立气井生产动态特征指标,用几个特征数据简单地识别气井生产能力,迅速准确地把待识别的单井生产日报数据与知识库样本中的单井做出类比,找到最相似的气井;2把ARPS递减曲线参数(初始产量、初始递减率)和开发指标(初始压力、动储量)作为预测目标,并与动态特征识别指标一起组合成向量,形成ARPS递减预测人工神经网络的预测模型,并计算气井每个月的动态数据;3建立气井动态人工神经网络训练的知识库,为更准确地预测气井合理开发指标提供依据。该方法在苏里格气田东区得到了成功应用,在投产时间较长的一批井中,通过动态分析以及气藏数值模拟得到143口井的气井动态ARPS递减参数人工神经网络预测模型,组成了人工神经网络的训练样本(知识库),为更准确地预测气井合理开发指标提供了依据。     

基于人工神经网络的油水分离旋流器设计模型

以人工神经网络为手段，建立了油水分离旋流器设计模型。采用三层BP网络模型，成功地实现了根据处理物料物性参数和分离要求进行油水分离旋流器结构与操作参数全面设计的过程。通过设定足够大的神经网络训练次数，神经网络预测误差可逼近所需精度，完全满足油水分离旋流器参数设计要求。     

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。     

人工神经网络在动态过程故障诊断中的应用

以加氢裂化反应器为实际背景，将人工神经网络较成功地用于动态过程的故障诊断，研究了输入样本的时间序列，输出参数值的离散化及网络拓扑结构等问题，拓宽了人工神经网络的应用范围，为将来反应和分离系统的进一步联合实时优化控制创造了条件。     

人工神经网络技术在储集层参数预测中的应用

建立在传统的经验模型或统计模型基础上的常规测井储集层参数预测方法其精度和成功率均较低。介绍了人工神经网络在处理非线性相关参数预测方面的优势和多层前馈神经网络的结构,以及在处理非线性参数过程中的原理和数学计算方法。通过实例说明了神经网络技术在测井孔隙度参数预测中所取得的成果。     

基于遗传算法的乙烯生产装置神经网络模型的建立

基于遗传算法建立乙烯生产装置神经网络模型；先依据乙烯生产装置工况间的非线性程度设计人工神经网络模型结构．再用遗传算法对该网络模型参数进行组合优化确定，所建模型既可用来进行乙烯产率预测，亦可用来对其生产工况优化,示例表明；建好后的网络模型可对乙烯生产装置进行快速工艺参数优化，获得较优的操作数据。     

Comparative evaluation of back-propagation neural network learning algorithms and empirical correlations for prediction of oil PVT properties in Iran oilfields

This paper presents a new approach to improve the performance of neural network method to PVT oil properties prediction. The true value of PVT properties which is determined based on the accurate data is a challenge of the petroleum industry. The main goal of the following investigation would be the performance comparison of various back-propagation learning algorithms in neural network that could be applied for PVT prediction. Up to now, no procedure has been presented to determine the network structure for some complicated cases, therefore; design and production of neural network would be almost dependent on the user's experience. To prevent this problem, neural network based recommended procedure in this study was applied to present the advantages. To show the performance of this procedure, several learning algorithms were investigated for comparison. One of the most common problems in neural network design is the topology and the parameter value accuracy that if those elements selection was correctly and optimally, the designer would achieve better results. Since, fluids of different regions have varying hydrocarbon properties, therefore, the empirical correlations in different hydrocarbon systems should be investigated to find their accuracies and limitations. In this study, an investigation of different empirical correlations along with the artificial neural networks in Iran oilfields has been presented. Then, the new model of artificial neural network for prediction of PVT oil properties in Iran crude oil presented. To test this new method, it was evaluated by collecting dataset from 23 different oilfields in Iran (south, central, western and continental shelf). In this study, two networks for prediction of bubble point pressure values (P_b) and the oil formation volume factor at bubble point (B_ob) were designed. The parameters and topology of the optimum neural networks were determined and in order to consider the effect of these networks designing on results, their performances were compared with various empirical correlations. According to comparison between the obtained results, it shows that the improved method presented has better performance rather than empirical and current methods in neural network designing in petroleum applications for these predictions.     

烃源岩总有机碳含量测井预测模型探讨——以陆丰凹陷文昌组为例

测井参数与烃源岩总有机碳（TOC）含量之间存在某种响应关系,可以利用测井参数对TOC进行预测。建立了陆丰凹陷文昌组烃源岩TOC和电阻率曲线、声波时差曲线、中子孔隙度曲线、自然伽马曲线和密度曲线之间的多元回归模型、BP神经网络模型和曲线叠合模型,探讨了3种模型对TOC预测效果的差异。结果表明,多元回归模型对陆丰凹陷文昌组半深湖亚相、三角洲前缘亚相烃源岩的TOC预测效果较好,对滨浅湖亚相的预测效果较差;BP神经网络模型比多元回归模型预测的效果好;曲线叠合模型预测效果较差。在实际应用中,BP神经网络模型适用于测井参数与TOC难以用显式函数表达,且有足够大数据量的地层;多元回归模型适用于测井参数与TOC有明显相关性的地层;曲线叠合模型适用于伽马曲线对黏土和有机质含量响应明显的地层,并且目标曲线在非烃源岩层能较好叠合。通过对以上模型的分析,可向该坳陷其他次级凹陷推广应用。     

Modeling Asphaltene Precipitation Under Gas Injection and Pressure Depletion Conditions

Asphaltene precipitation is a major problem during primary oil production and enhanced oil recovery in the petroleum industry. In this work, a series of experiments was carried to determine the asphaltene precipitation of bottom hole live oil during gas injection and pressure depletion condition with Iranian bottom hole live oil sample, which is close to reservoir conditions using high pressure-high temperature equilibrium cell. In the majority of previous works, the mixture of recombined oil (mixture dead oil and associated gas) was used which is far from reservoir conditions. The used pressure ranges in this work covers wide ranges from 3 to 35 MPa for natural depletion processes and 24–45 MPa for gas injection processes. Also, a new approach based on the artificial neural network (ANN) method has been developed to account the asphaltene precipitation under pressure depletion/gas injection conditions and the proposed model was verified using experimental data reported in the literature and in this work. A three-layer feed-forward ANN by using the Levenberg-Marquardt back-propagation optimization algorithm for network training has been used in proposed artificial neural network model. The maximum mean square error of 0.001191 has been found. In order to compare the performance of the proposed model based on artificial neural network method, the asphaltene precipitation experimental data under pressure depletion/gas injection conditions were correlated using Solid and Flory-Huggins models. The results show that the proposed model based on artificial neural network method predicts more accurately the asphaltene precipitation experimental data in comparison to other models with deviation of less than 5%. Also, the number of parameters required for the ANN model is less than the studied thermodynamic models. It should be noted that the Flory and solid models can correlate accurately the asphaltene precipitation during methane injection in comparison with CO₂ injection.