基于门控循环单元神经网络的测井曲线预测方法

为了减少泥浆侵入对测井曲线的影响,许多油田采用随钻测井技术,需先预测未钻地层测井曲线,这对随钻测井具有非常重要的指导作用。为此,提出一种基于门控循环单元神经网络（GRU）预测未钻地层测井曲线的方法,该模型将长短期记忆神经网络（LSTM）的输入门和遗忘门合并成更新门,输出门变成重置门,使模型结构简单,不易出现过拟合现象,保留LSTM模型的长时记忆功能,且能有效缓解梯度消失或梯度爆炸问题。以新疆油田直井和南海西部油田随钻测井的实际测井数据为例,选取已钻地层以及邻井的自然伽马、深感应电阻率、声波时差、密度和井径5条测井曲线数据作为训练样本输入到LSTM和GRU模型中进行学习训练,将训练好的模型用于预测未钻地层的测井曲线。应用结果表明,GRU比LSTM模型在新疆油田和南海西部油田预测测井曲线的平均相关系数分别提高13.78%和12.13%,平均均方根误差分别下降27.08%和42.17%,GRU模型能够准确地预测未钻地层测井曲线的变化趋势。     

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时...     

基于神经网络的储层参数预测方法及应用

储层参数预测在油气勘探与开发中发挥着重要作用。采用神经网络法对储层参数进行预测,建立储层参数(储层砂岩厚度和孔隙度)与目的层地震波属性之间的联系,这种联系是通过人工神经网络来实现的。以地震波属性为输入,储层参数为输出,并以测井资料作为约束条件,指导神经网络学习,进而进行储层参数预测。实际资料处理结果表明,该方法预测的储层孔隙度与砂岩厚度是可靠的。     

基于双向循环神经网络的河流相储层预测方法及应用

河流相储层通常具有横向变化快、地震反射特征多解性强的特点,因而河流相储层地震预测难度大。将测井信息与地震多属性相结合实现河流相储层地震预测,传统的方法包括多元线性回归方法、地质统计学方法和BP神经网络等。人工智能深度学习方法为井震信息的融合提供了新的解决思路。通过构建井震学习样本,提出了一种基于双向循环神经网络的井震融合储层预测方法。从储层沉积连续性角度,将地震数据看成具有纵向联系的时序数据,以CD地区100余口井馆上段地层的储层和非储层为学习样本,构建双向循环神经网络储层预测方法,通过训练优选超参数建立井震融合的深度学习储层预测模型。该预测模型应用于CD地区河流相储层预测的效果显著,细小河道形态清楚,预测精度高,有效指导了CD地区的勘探部署。     

基于径向高斯网络的薄互储层参数预测

针对油气藏所具有的复杂性,以及薄互层沉积的储层厚度薄且横向变化剧烈的特点,本文提出了一种用于薄互储层参数预测的新方法--径向高斯网络技术。径向高斯函数网络（RBFNN）采用局部逼近网络方式,具有学习速度快的优点和很强的函数逼近和模式分类的能力,因而可提高薄互储层参数的预测精度。实例验证了此方法的正确性。     

基于LSTM循环神经网络的横波预测方法

针对碳酸盐岩储层岩性多样、孔隙结构复杂导致传统横波预测方法受限的问题,文中提出利用长短时记忆神经网络(LSTM)预测复杂碳酸盐岩储层的横波时差.相对于传统的简单点对点学习模式,LSTM通过复用神经元结构,有效学习测井参数的序列信息.以苏里格气田苏东地区碳酸盐岩储层为例,选择声波时差、密度、自然伽马等16个对横波速度较为...     

基于一维卷积神经网络的横波速度预测

纵横波速度是地球物理勘探中识别储层岩性、物性和储层等目标极其重要的信息,由于采集技术与成本投入的限制,横波速度资料通常较为缺乏,横波速度预测便成为岩石物理分析中亟需解决的重要问题.传统上基于理论方法和经验公式的横波速度转换方法局限性较大,常规的点对点的机器学习方法无法有效表达测井参数的空间特征,对横波速度与其它测井参数...     

利用储层沉积学参数预测砂岩孔隙度

根据大量岩心资料,通过地质多元统计分析,将影响砂岩储层的地质因素,包括沉积相、骨架颗粒成分、成岩作用及埋藏史等量化为沉积学参数,并研究这些参数与孔隙度的关系,从而建立了砂岩储层孔隙度预测公式.用该公式对辽东湾及埕岛地区深部地层孔隙度进行了预测,误差一般小于2%.     

基于CNN-BiGRU混合神经网络的电潜螺杆泵产液量预测方法

为了解决电潜螺杆泵产液量虚拟计量的预测精度和稳定性,提出了一种基于双重注意力机制的卷积神经网络(CNN)和门控循环单元(GRU)混合模型(CNN-BiGRU)。油井产量预测易受油压、套压及泵工况等因素的影响,先利用皮尔逊相关系数和主成分分析法对数据进行降维,并确定主要影响因素;再利用CNN网络的局部连接和全局共享来提取历史油井产液量的空间特征;然后将特征送入GRU网络,提取数据的时间特征;最后利用双重注意力机制为不同的特征赋值对应的权值,进一步提升模型的预测精准度。将该方法应用到50 000条产液量数据样本上,模型预测精准度RMSE和MAPE分别取得5.24%、3.17%。与GRU、CNN-GRU模型相比,所提方法应用效果显著,能有效提升预测精度,具有一定的工程应用价值。     

利用储层沉积学参数预测砂岩孔隙度

根据大量岩心资料，通过地质多元统计分析，将影响砂岩储层的地质因素，包括沉积相，骨架颗粒成分，成岩作用及埋藏史等量化为沉积学参数，并研究这些参数与孔隙度的关系，从而建立了砂岩储层孔隙度预测公式，用该公式对辽东湾及埕岛地区深部地层孔隙度进行了预测，误差一般小于2％。     

基于人工智能算法的油井地层压力预测新方法

地层压力预测研究中,数值模拟方法存在计算量大、耗时长、需要大量专业知识作支撑等问题,单一模型由于具有网络结构简单、参数量少、运行速度快等优点,被广泛采用,但大量的应用发现其具有容易过拟合、泛化能力不强等问题。基于人工智能的快速发展,文章提出一种基于CNN-BiGRU-MLP融合模型的地层压力预测方法。首先对卷积神经网络进行优化;然后对新兴的门控循环单元进行改进,形成双向门控循环单元,达到数据复用的效果,增强网络对高维数据的处理能力;最后通过多层感知机再对特征之间的关联进一步提取。同时使用L2正则化技术优化网络。分析表明,文章提出的融合模型预测准确率可以达到95.24%,均方误差可以降低至0.006 6,平均绝对误差可以降低至0.064 8,弥补了数值模拟方法和经典单一模型的不足,为地层压力预测提供了一种新方法。     

基于深度前馈神经网络方法的横波速度预测

针对横波速度预测问题,在分析经验公式法和岩石物理建模法优缺点的基础上,结合横波速度预测原理,提出基于深度前馈神经网络方法（DFNN）进行横波速度的预测。研究从纵、横波速度关系入手,详细阐述了DFNN方法应用于横波速度预测的可行性,并介绍了该深度学习方法的基本原理;选择声波时差、密度、中子孔隙度、泥质含量、孔隙度5个储层参数与横波速度进行深度神经网络训练,建立可靠的横波速度预测模型。将该模型应用于不同研究区的横波速度预测,结果表明基于DFNN方法预测横波速度能够有效提高预测的精度和效率,适用范围广,可以为叠前AVO分析、叠前反演提供可靠的横波数据,具有较高的实际应用价值和推广意义。     

基于地震资料的储层产能预测方法

油藏地球物理研究的深入发展,不仅可为油气勘探提供圈闭,而且可为油气田开发提供储层参数。就利用地震资料研究储层产能开展了探索性研究,以地震波属性提取为基础,以神经网络为手段,根据已知井的产能与井旁地震波属性建立神经网络训练集,对LG区块油气产能分布进行预测。结果表明效果显著。     

基于生成对抗网络的储层地质建模方法研究进展

地下储层地质建模对油气和水资源的开发以及CO2地质封存(CCS)具有重要意义.传统基于地质统计学的建模方法(如基于变差函数或多点统计学的方法)产生的储层地质模型可在一定程度上与地质模式保持一致,但当模式特征变得复杂时,则具有明显的缺陷.深度学习中的生成对抗网络(GANs)能够抽象和再现复杂的空间模式特征,而在许多领域得...     

特低渗储层参数预测方法研究

针对特低渗透储层的岩心分析困难、测井解释难度大、储层物性井间外推不准等问题，提出了一套行之有效的系统的解决方法。具体做法是：首先，利用核磁共振成像技术来获得岩心的孔隙度、渗透率、含油饱和度资料；然后，利用改进了的人工神经网络建立高精度的孔隙度、渗透率和饱和度的测井解释模型；最后，利用分形克里格技术对储层参数进行井间及外推插值。将这套方法用于某油田S68区块扶余油层的储层参数预测，处理效果较为理想。     

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。     

基于MATLAB的BP神经网络在储层物性预测中的应用

在阐述BP神经网络模型结构的基础上.根据取心井段储层物性与测井信息的关系,选取相应的测井曲线,运用MATLAB神经网络工具箱中特定的函数对建立的神经网络模型进行训练,使得储层物性(孔隙度、渗透率)和测井响应之间具有较强的非线性映射关系,在一定的条件下运用该模型可对研究区未知样本的物性参数进行预测.实例研究表明,预测准确性较高,显示出BP神经网络对储层预测的潜在优势和实用价值.     

基于流动单元分类的致密砂岩储层渗透率预测

渗透率是衡量岩石允许流体通过的畅通程度的参数,是反映储层渗流特性进行储层评价的关键参数之一.鄂尔多斯盆地中南部地区长6致密砂岩储层由于受沉积环境、成岩作用和构造因素的综合影响,孔隙结构复杂、非均质性强.岩心孔渗实验数据中,相同孔隙度数值的岩心渗透率数值相差1至2个数量级,利用常规解释方法进行渗透率解释精度较低,不能满足...     

两口井条件下的储层参数预测方法

井间储层参数预测,按常规的数理统计方法,需要许多井的资料才能得以进行。作者在油藏描述中利用地质统计与分形几何学相结合的方法,开发了只有两口井条件下的井间储层参数预测方法。这个方法不仅能够预测出两井间目的层任一点的储层参数,而且可以作出两井连线上目的层的参数剖面。既丰富了储层表征的内容,也促进了油藏地质工作的数字化。     

相似度-共轭梯度BP算法在储层孔隙度预测中的应用

传统的基于测井资料的孔隙度求取是威利时间平均公式和它的一些改进形式,这种方法只是简单的线性形式。然而,由于储层的非均匀性,孔隙度与测井响应之间的关系必然是非线性的,利用线性的方法很难得到能够真实反映储层特性的结果。为了解决这个问题,本文采用了共轭梯度算法建立BP神经网络模型,经过网络学习训练后,对未知的样本进行预测。同时,定义了相似度在测井中的含义及计算公式,通过计算所要预测样本储层的相似度,来判断预测样本是否适合用所建立的神经网络模型进行预测。模拟结果表明,当预测储层和标准储层相似度高时,预测结果和实测结果误差很小;反之,预测结果和实测结果存在较大误差。因此,在孔隙度预测之前,须先计算预测样本的相似度,以判断是否适合,这样可以有效的控制预测精度,避免因储层差别很大而造成的神经网络预测精度降低的现象。