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.     

人工神经网络在储层敏感性预测中的应用

介绍了改进的ＢＰ网络训练算法。提出了利用人工神经网络快速预测储层潜在敏感性（水敏性、速敏性）的方法步骤。分析表明，该方法受人为因素干扰小（总符合率大于８０％）、所需参数少、适用范围广（特别适于探井），能定量地反映出储层潜在敏感性程度，从而为制定保护油气层技术措施提供较可靠的依据。     

超深井储层潜在敏感性预测

从现有储层岩性、物性资料以及前期积累的试验数据中,找出了造成超深井储层敏感性损害的各种潜在因素,并进行了归一化和定量化处理。利用Matlab数学计算软件的神经网络工具,建立了各种潜在损害因素与储层敏感性伤害之间的神经网络模型,并利用各种潜在损害因素归一化和定量化处理的结果,对网络进行了训练,利用返回检验法验证了该神经网络模型预测储层敏感性损害的准确率,准确率在85%以上。最后利用该神经网络模型对胜科1井深部储层敏感性进行了预测。     

塔中奥陶系碳酸盐岩储层敏感性实验研究

由于塔中奥陶系碳酸盐岩储层特殊的地质特征和较强的敏感性,在勘探开发过程中对造成储层一定程度的伤害,影响了油井的正常生产.从分析储层地质特征入手,通过岩心敏感性流动实验,研究了储层潜在伤害因素、伤害机理及伤害程度.研究结果表明:塔中奥陶系碳酸盐岩储层具有强速敏、强水敏及盐敏、强压敏、弱-中强碱敏以及无酸敏性特征.     

却勒1油藏储层地质特征及伤害因素试验研究

却勒1油藏是分流河道沉积并由构造控制的层状边水油藏，储层特征决定了其在开发过程中存在一定的潜在伤害因素。通过对实际岩心分析测试和敏感性伤害评价实验，并结合储层地质特征分析研究，明确了却勒1油藏储层的碎屑颗粒成分、填隙物、结构、物性和非均质性特征；敏感性伤害评价实验研究结果表明：液相侵入导致水锁、自吸水膨胀是第一位潜在伤害因素；液相侵入形成的水敏、盐敏、酸敏、碱敏是第二位潜在的伤害因素；由压力突增而形成的速敏、压敏是笫三位的潜在伤害因素。     

陕北下寺湾油田储层敏感性研究

为了认识下寺湾油田延长组特低渗透储层开发过程中可能伤害储层的一些因素,在研究其岩石性质及矿物成分特征的基础上,通过敏感性流动试验对该区储层各种潜在敏感性进行了研究。结果表明,该区储层具有中等水敏性、较弱的盐敏性和碱敏性,没有酸敏性和速敏性,同时也分析了各种敏感性的成固机制,为油田开发提供可靠的研究及决策依据。     

自然伽玛能谱测井在储层敏感性预测中的应用

自然伽玛能谱测井不仅可以测得地层的总自然伽玛值．同时还能得到地层的铀、钍、钾含量，据此可以精确地确定储层的粘土矿物含量。本文以大港油田官104地区为例，提出了利用交会方法确定泥岩中各粘土矿物成分及其含量的计算方法。在此基础上．对储层敏感性参数和“五敏”伤害指数进行了单相关分析．然后利用相关系数加权法对官104地区进行了储层敏感性预测，取得了较好的应用效果。     

塔里木盆地塔河油田三叠系砂岩储层特征及其敏感性评价

利用岩心的常规和特殊分析研究了塔里木盆地塔河油田三叠系砂岩储层特征，剖析了油气开发过程中油气储层敏感性因素。研究表明，塔河油田三叠系砂岩储层主要岩性为粗-细粒长石岩屑砂岩和岩屑长石砂岩。储层中具膨胀性能的蒙伊混层矿物含量低，但高岭石、绿泥石具有一定的含量。储集空间主要为次生溶蚀孔隙，局部见零星残存的原生孔隙，储层孔渗性能均属大容积、高渗透的好储层，其中中油组储层物性最好，下油组砂岩次之，上油组相对较差。油田潜在的主要伤害类型以水（盐）敏、碱敏为主，酸敏伤害程度为弱～中等。速敏性较弱。整个油田砂岩中岩屑含量较高，压实作用明显，以线接触为主，属于低～中渗细喉型储层，可能会存在由毛细管力引起的水锁损害，同时其扁状孔喉结构，也使各类敏感性伤害易于发生。     

应用支持向量机方法预测储层敏感性

介绍了支持向量机的基本理论;通过单相关分析找出影响储层敏感性的主要因素,应用测井资料提取这些敏感性参数,使用支持向量机算法,以影响敏感性的主要因素作为支持向量机网络的输入层,预测储层的敏感性.分别使用支持向量机和BP神经网络2种方法对×油田的测井资料进行了处理、分析.对比结果表明,用支持向量机得到的速敏、水敏、盐敏的预测结果具有更高的预测精度.这说明支持向量机预测储层敏感性是一种切实可行的方法.     

吐玉克油田稠油储层矿物特征与敏感性评价

通过X射线衍射物相分析（XRD）和扫描电镜（SEM）等方法探讨了吐玉克油田T2k稠油储层的敏感性矿物组成和产状，利用室内敏感性实验和国外学者研究成果阐明了敏感性矿物和蒸汽驱采油的潜在损害机理。研究表明，粘土矿物的主要类型有高岭石、绿泥石、伊利石和伊朦混层矿物四类，而敏感性矿物主要类型有薄膜式、栉壳式、桥接式和孔隙充填式四种；引起研究区储层损害的潜在因素主要是粘土矿物、碱敏和水敏，其次是矿物产状、速敏、酸敏和盐敏，而蒸汽驱采油对储层敏感性矿物的影响因素主要是凝析液DH值和温度。     

径向基神经网络优化及在储层敏感性定量预测中的应用

径向基(RBF)神经网络法具有网络结构简单、逼近能力强和学习速度快等优点,已成为最具发展潜力的储层敏感性智能预测方法之一,但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题。通过在输入层中引入补充节点,对网络拓扑结构进行优化,有效地提高了RBF神经网络的逼近精度和泛化能力。在确定储层敏感性主要影响因素的基础上,通过对径向基函数散布常数的优选,进一步优化了RBF神经网络的性能。采用所收集的胜利、辽河、大港及江苏油田共125组数据,进行了神经网络训练和预测检验,优化了RBF神经网络,并在储层敏感性预测方面进行了应用。结果表明,对于训练集内的样本,预测的平均准确率均大于93.79%,且预测值与实验值的相关系数均大于0.995;对于训练集外的样本,预测的平均准确率大于91.59%,预测值与实验值的相关系数大于0.994,实现了对储层敏感性的准确、定量预测。     

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。     

储层敏感性预测技术研究——以新疆油田准东地区为例

储层敏感性情况在保护储层的过程中占有很重要的地位,储层敏感性快速预测技术可以节省大量的人力、物力和时间.因此,采用人工神经网络建立模型来对储层敏感性进行预测.为了提高神经网络的应用效果,通过对4种改进的BP算法进行优选,最终确立采用Levenberg-Marquardt算法建立模型,采用MATLAB和VC++.NET混...     

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。     

应用测井和BP神经网络算法预测储层敏感性

在收集薄片,铸体薄片,粒度,压汞,X－衍射,扫描电镜,物性,敏感性流动实验等岩心分析资料的基础上,首先通过单相关分析找出影响敏感性的主要因素,然后应用测井资料提取这些敏感性参数,最后以影响敏感性的主要因素做为BP神经网络的输入层,应用BP神经网络算法,建立敏感性预测模型,预测储层敏感性,该方法对西部某油 资料进行了处理分析,结果表明,速效,水敏,盐敏,酸敏和碱敏的结果与该油田的敏感性流动实验结果的符合率为80％左右。     

考虑温度因素的储层敏感性预测方法

通过研究温度对储层黏土矿物、孔隙度以及渗透率的影响规律,发现温度对储层孔隙度的影响较小,渗透率随温度的变化与孔隙度之间存在一定关系.在BP神经网络模型的基础上,将温度作为一个新的神经元引入到输入层中,通过对网络隐层数的优化设计和误差分析,提出了考虑温度影响的储层敏感性预测新方法,编写了相应的计算程序实现了敏感性预测的智能化.通过与室内实验结果对比,该方法精度大于83%,且受人为因素影响小,具有较高的预测精度,为高温条件下储层敏感性预测提供了一种新的手段.     

遗传算法与神经网络法在碳酸盐岩储集层评价中的应用

碳酸盐岩储集层的孔隙空间非常复杂,因而进行储集层评价难度很大。近年来.采用神经网络进行储层评价越来越普遍,且取得了较好效果。但由于神经网络存在一些难以克服的缺点.如训练速度慢、网络结构设计缺乏理论指导以及易陷入局部极小点等,使得神经网络的应用受到一定的限制。针对这种情况.提出了利用遗传算法同神经网络相结合的方法来进行储集层评价,在很大程度上弥补了神经网络的这些缺陷。给出了方法的基本理论,并在某地区进行了碳酸盐岩储层评价,评价结果与测井解释和钻井结果吻合得较好。     

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。