碎屑岩油气水层神经网络解释模型

该文针对地质录井油气水层综合解释所用传统方法存在的问题,介绍一种基于人工神经网络的模式识别新方法。采用的神经网络模型为四层BP网络。输入层有14个神经元,第一隐含层25个神经元,第二隐含层14个神经元,输出层有4个神经元。选用了辽河油区400个碎屑岩层样本对网络进行训练,训练后网络识别率达到96.5%。说明人工神经网络是一种有效的综合解释油气水层的新方法。     

分层神经网络模型在单井油气层综合解释中的应用

根据油气层综合解释的特点,提出了单井油气层综合解释的人工神经网络方法。采用的神经网络模型为包含28个输入神经元、26个隐含神经元和4个输出神经元的三层网络。选择了松辽盆地北部大庆长垣以西地区91个试油层段的资料对网络进行了训练,通过对已知样品的交叉验证,训练后的神经网络识别符合率为93.4％,证明人工神经网络是一种有效的油气层综合解释方法。     

�˹�������ģ����������ʶ�����е�Ӧ��

据油气层综合解释的特点，提出了单井油气层综合解释的人工神经网络方法。采用简单的分层网络、向后传播算法和误差逐次修正法建立的人工神经网络模型，是一个包含２８个输入神经元、２６个隐含神经元和４个输出神经元的三层网络。选择了松辽盆地北部大庆长垣以西地区９１个已试油气层段的资料对网络进行了训练，通过对已知样品的交叉验证，训练后的神经网络识别符合率达９３．４％，高于现场测井解释和综合判断的符合率     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

低阻油气层识别方法研究

在油气勘探开发中,地球物理测井资料解释的最基本任务之一是在钻孔剖面上准确地识别油(气)层、油水同层、水层、干层等。 新疆塔北地区三叠系的特殊油气层电阻率低于或接近水层电阻率，在电性上直接区分特殊油气层与水层很不现实;另外，该区油气层的特征和油气层的影响因素明显与其它油田存在差异，故解决问题方法和思路不同于其它油田。文章利用油气层、油水同层、水层和干层的测井曲线和储层参数，建立识别储层流体属性的判别模型，采用灰关联分析聚类法、BP人工神经网络等模式识别法，对实际测井资料进行了解释，识别结果与试油结果对比表明BP人工神经网络、奇异值分解等方法识别结果与实际结果基本一致，没有漏掉油气层，取得了好的解释效果。     

宝浪油田气测变化规律及解释方法改进

新疆焉耆盆地博湖坳陷宝浪油田开发初期气测特征明显，但经过10年的开发，随着注水量增大，气测异常发生了很大变化，主要表现在C1相对含量呈上升趋势，而重烃组分与全烃的比值呈下降趋势。在这种情况下沿用原来的气测录井解释方法已很难准确划分油气水层。为此，提出了人工神经网络油气水层解释模型，阐述了模型特征参数的优化及确定方式、模型的产生过程和权系数的确定途径，经过反复训练与试验，实际输出与期望输出最大误差小于0．01。应用表明，采用人工神经网络油气水层解释模型更有利于准确评价油气水层，其解释符合率可达到86．7％。     

Kohonen自组织模型在录井数据解释中的应用

本文介绍了一种用人工神经网络方法通过综合录井色谱仪对轻质烃气态数据进行在线解释及油气层评价的方法。用３Ｈ轻质烃比值法实现由Ｋｏｈｏｎｅｎ自组织模型对现场数据进行解释，其分类效果较ＢＰ网络符合率高、速度快，非常适用于钻井现场对油气层的快速解释和评价。     

用函数链神经网络建立油气水层解释模型

为了克服用ＢＰ网络建模进行油气水层评价存在的误差，采用函数链神经网络建立识别模型。该文介绍了用此方法建立的三个模型：气测解释模型、地质测井综合解释模型、气测地质测井综合解释模型，并介绍了现场及完井后的解释评价情况。网络采用增强输入模式的方法，用单层网络训练样本，达到理想效果，三个模型的识别率都是１００％。     

Kohonen自组织在录井数据解释中的应用

木文介绍了一种用人工神经网络方法通过综合录井色谱仪对轻质烃气态数据进行在线解释及油气层评价的方法。用３Ｈ轻质烃比值法实现由Ｋｏｈｏｎｅｎ自组织模型对现场数据进行解释，其分类效果较ＢＰ网络符合率高、速度快，非常适用于钻井现场对油气层的快速解释和评价。     

利用BP人工神经网络建立油气水层解释模型

利用ＢＰ人工神经网络误差反传播算法,开发了录井神经网络解释软件,通过对焉耆盆地勘探至今的已试油层的原始资料的学习、训练,建立了焉耆盆地神经网络储层解释模型,运用该模型可圆满地解决储层流体类型（凝析油气层、油气层、油层、气层、油水同层、水层和干层）的划分和识别,使得综合利用气测、地化、测井等原始资料识别储层流体类型,实现计算机处理自动化。其精度及解释效果均令人满意,该方法值得推广应用。     

BP网络用于解释泥浆气测数据

介绍了一种人工神经网络BP算法及其在录井气测数据解释中的应用方法。该网络是基于气测解释的3H方法图版的识别,在现场进行油气层的解释,具有符合率高,速度快,并成功地编程应用于综合录井在线软件。     

利用BP人工神经网络建立油气水层解释模型

利用BP人工神经网络误差反传播算法,开发了录井神经网络解释软件,通过对焉耆盆地勘探至今的已试油层的原始资料的学习、训练,建立了焉耆盆地神经网络储层解释模型,运用该模型可圆满地解决储层流体类型(凝析油气层、油气层、油层、气层、油水同层、水层和干层)的划分和识别,使得综合利用气测、地化、测井等原始资料识别储层流体类型,实现计算机处理自动化。其精度及解释效果均令人满意,该方法值得推广应用。     

用函数链神经网络建立油气水层解释模型

为了克服用BP网络建模进行油气水层评价存在的误差,采用函数链神经网络建立识别模型。该文介绍了用此方法建立的三个模型:气测解释模型、地质测井综合解释模型、气测地质测井综合解释模型,并介绍了现场及完井后的解释评价情况。网络采用增强输入模式的方法,用单层网络训练样本,达到了理想效果,三个模型的识别率都是100%。     

�½���������ϵ���������������������о�

由于低电阻率油气层的电阻率低于或接近邻近水层的电阻率，降低了利用电阻率识别油气层和水层的分辨率，给测井解释带来较大的难度。新疆塔北地区中新生界的泥质砂岩油气储层主要为灰色细、中－粗泥质砂岩，其孔隙性和渗透性好，并且储层厚度大，是值得重点研究的层段。该层段有二类油气储层（一般油气层和特殊油气层），基本上都属于低电阻率油气层，尤其是特殊油气层，电阻率(0.4～1.5 Ω·m）低于或接近邻近水层的电阻率。为了利用测井等资料评价新疆塔北三叠系低阻油气层，文章在分析和研究测井曲线、岩心分析资料的基础上， 提取水层、油气层测井曲线以及储层物性特征，剖析了低阻油气层成因是高矿化度地层水、高束缚水饱和度、微孔隙发育，而泥质导致油气层电阻率减小是前三个成因的综合反映。利用建立的泥质砂岩储层导电模型，通过导电模型计算含水饱和度以及相关的储层参数来区分油气层与水层，其研究成果与试油结论相符。     

低电阻率油气层的测井解释

赵文杰，白全胜，金秀珍等．低电阻率油气层的测井解释．测井技术，１９９８，２２（增刊）：３３～３６由于低电阻率油气层的测井响应特征不明显，其电阻率数值非常低，给利用测井资料识别油气水层带来困难。通过对胜利油区常见低电阻率油气层的岩性、物性和电性特征的描述，综合分析了低电阻率油气层的成因，并探讨了依据测井资料定性判别和定量解释低电阻率油气层的方法。     

应用BP神经网络方法区分油水层

测井解释是一项主要任务是区分油气水层，目前采用的方法主要是基于统计学理论的经验公式，因而或多或少存在一些不足，而人工神经网络方法具有高度自学、自适应和抗干扰等特点，能够有效地区分油水导。文章根据油水层物理特性，进行了BP算法改进，实际应用表明，其识别率远高于传统方法，效果令人满意。     

神经网络信息技术及其在测井解释中的应用

1 神经网络信息系统基本概念神经网络是一种通过模拟人的大脑神经结构去实现人脑智能活动功能的计算机信息处理系统 ,它具有人脑的基本功能 ,但又不是人脑的真实写照 ,它是一种人脑的抽象、简化和模拟模型 ,故称人工神经网络。构成神经网络的基本三要素是 :处理单元 (神经元 )、网络结构和学习算法。神经元是神经网络的基本成份 ,它通常是一个多输入单输出的非线性单元。网络结构系指神经元之间的连接方式 ,文中采用的BP网络是一种层状结构的前馈神经网络 ,它由一个输入层、一个输出层和输入层与输出层之间的一个或若干个隐含层组成。常用…     

五参数录井综合解释模型

该文提出的五参数综合解释模型,是井口地质录井综合解释油气水层的一种定量解释方法。它以气测、K.S法、判别模型和电测解释结果为基础,用逐步判别法建立的。它用最大概率解决归类问题,使油气水层解释符合率和正判率都得以提高,为井口地质综合解释自动化作了一次成功尝试。     

综合录井油气层评价的人工神经网络方法研究

将人工神经网络模型引入综合录井油气层评价中，提出了一种改进的ＢＰ算法。采用层次模式识别的方法，对塔里木油田的实际数据进行了试算，以识别油层、气层、含水油层、油水同层、含油水层、气水同层、油气水同层、水层、干层。实验结果表明：该方法可行，且不受气测参数有效范围的限制。     

基于最小二乘支持向量机的油气水层识别方法

测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代小样本学习算法——支持向量机,是至今模式识别问题的强有力解决方法之一。本文针对现有方法在解决油气水层识别问题中的不足,提出了最小二乘支持向量机(LSSVM)的油气水层识别方法。该方法依据测井所得到的小样本、不适定性等数据信息建立并归一化数据样本集;通过网格搜索法选择LSSVM训练参数C和σ2,用交叉验证法对目标函数进行寻优找到最佳的参数;通过训练学习数据样本和测试数据样本,建立最小二乘支持向量机分类器识别模型。用本文提出的新方法研究了大庆油田某油藏的油气水层识别问题,结果表明最小二乘支持向量机的油气水层识别方法较人工神经网络和标准支持向量机的油气水层识别方法具有更快的运算速度和准确率,是一种值得进一步研究及推广使用的方法。