井聚类地震属性优化方法在古708区块的应用

讨论了利用地震属性优化方法在齐家北地古708区块进行储层预测的过程，针对单纯地震属性优化方法储层预测符合率低的实际，运用井资料聚类联合地震属性优化进行储层预测的方法．取得了较好效果，该方法对提高外围油田扶余油层储层预测精度具有一定意义。     

基于聚类分析的地震属性优化及储层预测——以敖包塔油田敖9工区为例

应用常规地震属性分析技术进行储层预测已受到普遍重视并得到广泛应用,然而由于地震属性与所预测对象之间关系复杂,应用单一地震属性预测储层精度不高,且地震属性种类繁多不能同时参与预测,而地震属性优化技术恰能较好地解决这个问题。为此,采用基于聚类分析的地震属性优化方法,通过计算属性间的相关系数,确定相关程度,优选属性组合进行储层预测。在松辽盆地大庆长垣南部敖包塔油田葡萄花油层储层预测中,单一地震属性预测储层砂体砂岩厚度和有效厚度的相关系数分别为0.7317和0.6734,而采用聚类分析的地震属性优化方法优选属性组合后预测储层砂体相关系数可达到0.8515和0.7704,预测精度明显提高。     

基于粗糙极化稀疏矩阵的地震属性融合约简方法及其应用

石油地震勘探中主要采用地震属性进行油气预测,但需针对不同预测对象从众多地震属性中优选敏感属性、剔除冗余属性,以确保预测结果的准确性。为此,在充分研讨粗糙集理论和极化矩阵的基础上,提出一种基于粗糙极化稀疏矩阵的地震属性融合约简方法。通过稀疏极化矩阵组合计算,找到所有的地震属性融合约简;同时还从理论上证明了粗糙极化稀疏矩阵地震属性融合约简方法的可行性。仿真试验和实际资料应用的结果表明：该方法简单、便捷;对地震属性约简处理后,不仅可降低预测的多解性,提高预测精度,而且还可提高预测处理的效率和综合应用效果。     

高精度地震属性储层预测技术研究

地震属性技术是储层预测的重要手段，但地震储层预测存在多解性，可靠性程度低问题，预测出的最终图件难以进行合理的地质解释，文章基于地震属性与地质属性随时空变化的关系，根据地震属性与储层属性相关程度，以及地震属性对储层参数敏感程度来进行地震属性有效性分析；然后将搜索算法与神经网络相结合来实现地震属性优化，用优化出的地震属性再进行多元储层预测。实际工区的砂岩厚度预测结果表明，上述方法可明显提高储层预测的精度。     

利用地震多属性变换预测储层分布

论述了一种从地震数据预测储层分布的新方法。采用多属性变换的技术 ,从地震资料中提取属性 ,首先从单属性出发进行属性优化 ,利用多层前馈神经网络的方法 ,训练一个神经网络 ,把选择的属性作为网络输入 ,通过训练 ,预测测井储层物性。通过实际应用得到了某地区的精细的储层分布图。应用结果表明 ,该方法是一种行之有效预测储层分布的好方法。     

地震属性优选、融合探讨

油气勘探评价中,地震属性作为主要的储层预测手段,发挥了重要的作用。但由于地震属性自身的局限性、多解性,使得属性优选、多属性合理组合等方面难度较大,降低了预测的准确性。就上述问题,本文从地震属性的地球物理含义及所赋予的地质意义出发,重点开展了基本地震属性优先选择、古地貌背景约束下地震属性选取等四种方法的研究及应用效果的分析,有效地增强了地震属性预测的针对性,提高了预测能力和精度,在实际应用中取得了较好的效果。     

地震数据油气预测中的属性优化方法

本文简单介绍了智能信息处理中新出现的RoughSet（RS）理论及属性选择方法，从双相介质地震波传播理论角度，探讨了地震数据油气预测属性优化原理，提出了基于RS理论的地震数据油气预测属性优化方法。实际应用表明；本方法速度快、易实现，而且在优选属性、最大程度地减少提取地震属性种数、提高分类正确率等方面，明显优于其它方法。本方法将成为地震数据油气预测的一种有效手段。     

基于独立分量分析的地震属性优化

随着储层预测要求精度的提高，从众多地震属性集中挑选对所预测对象最敏感的地震属性，进行地震属性优化的工作相当重要。K-L变换通过一正交变换优选出一些不相关的地震属性，而不能优选出一些更高阶的相互独立的地震属性，即K-L变换仅利用了属性的二阶统计特性。独立分量分析（ICA）作为分解观测数据中独立信息的有力工具，不仅利用了信号的二阶统计特性，而且还利用了信号的高阶统计特性。将ICA引入到地震多属性优化中，利用它对地震属性进行高阶统计特征分析，从而能优选出最敏感的、相互独立的地震属性。另外，ICA属性优化方法不需要测井数据、井旁储层段的参数、钻井数据等，也不受勘探、开发阶段测井资料的数量限制。实际资料的应用分析表明，应用独立分量分析优化后的地震属性作储层预测具有较高的精度和可靠性，是一种新的属性优化方法。     

利用地震多属性变换预测储层分布

论述了一种从地震数据预测储层分布的新方法。采用多属性变换的技术，从地震资料中提取属性，首先从单属性出发进行属性优化，利用多层前馈神经网络的方法，训练一个神经网络，把选择的属性作为网络输入，通过训练，预测测井储层物性。通过实际应用得到了某地区的精细的储层分布图。应用结果表明，该方法是一种行之有效预测储层分布的好方法。     

基于覆盖粗糙集的地震属性约简及其应用

在油、气预测中,并非用到的地震属性越多,预测效果就越好。由于计算误差等影响,冗余地震属性反而会使预测的准确率降低。目前地震属性约简较多采用粗糙集的思想优化地震属性。然而,等价关系在有些情况下难以实现,而且连续地震属性经离散化处理后会造成原始数据失真,因此本文提出基于覆盖粗糙集的地震属性约简方法,不仅有效解决了地震属性等价关系和数据失真的问题,还克服了粗糙集理论在地震属性约简中应用的局限性,使粗糙集理论更具一般化。仿真试验和实际应用表明,通过样本地震属性约简,可以提高油、气预测精度。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

神经网络法地震反演应用及效果

X潜山研究区属于储层非均质性极强的裂缝型油藏,构造极为复杂,初始模型的构建难度极大,多解性非常强。为此,要寻找一种方法,充分利用现有各种测井资料,弥补声波测井的不足;充分利用地震资料的中频信息,来提高储层反演的分辨率和精度,尽可能的减少反演结果的多解性,增加反演成果的客观性,以便更准确地进行储层预测。作者建立地震属性与测井资料的多维线性或非线性的统计关系,进而利用基于神经网络法地震反演和线性、非线性多元地震属性分析对裂缝型储层进行横向预测。概率神经网络方法采用了交叉检验预测精度的方法,所以,在相关性较好的情况下,增加了预测结果的可靠性,减少了多解性,提高了预测结果的精度。     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

基于灰关联分析与K-L变换的双重属性优化方法

将灰关联分析和K-L变换有机地结合起来可以实现属性的双重优化。利用灰关联分析实现了地震属性的敏感性分析，并建立了储层参数与属性之间的灰色关联。在此基础上，通过K-L变换将属性空间的高维属性映射为低维属性，且去除了属性之间的相关性，从而有效地解决了属性组合的优化问题。采用BP神经网络对目标进行预测表明，灰关联分析和K-L变换相结合的属性双重优化方法能充分发挥单个方法各自的优点，有助于属性分析、关联以及组合优化问题的解决，从而提高了地震储层预测的运算速度和精度。     

基于主成分分析的NCPSO-BP机械钻速预测

目前常用的机械钻速预测理论模型仅通过相关性、贡献度来筛选模型输入参数，没有积极挖掘随钻采集的复杂属性间关系，导致信息缺乏完整性。为了最大化保留复杂属性间线性关系，提出了一种基于主成分分析的钻速预测模型，并引入混沌变异的小生境粒子群算法(NCPSO)优化BP神经网络，提高模型的收敛速度与精度。首先，采用主成分分析法根据不同的方差贡献度对高维钻井数据进行降维、降噪；其次，建立智能优化算法-神经网络钻速预测模型，利用混沌变异的小生境粒子群算法的训练结果为BP神经网络权值、阈值赋予初值，以此建立机械钻速预测模型；最后，在不同输入维度进行对比分析NCPSO-BP模型与PSO-BP，GA-BP和标准BP的机械钻速预测结果。研究结果表明，在8维、10维输入的情况下，NCPSO-BP机械钻速模型的预测精度平均提高了59%，训练速度平均提高了26.3%，为日益复杂的钻井环境下机械钻速精确预测提供了理论基础。     

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     

基于粒子群优化的BP网络在地震属性融合技术中的应用

受地震资料品质、岩性、构造等诸多因素的影响,单一地震属性只能在一定程度上提供预测储层的方向,并存在多解性。地震属性融合技术用井孔资料对地震属性进行标定,建立储层含油气性与地震属性之间的关系,采取数学手段融合多种地震属性进行储层含油气性判别,避免了单一地震属性解释储层的多解性问题。BP网络具有良好的非线性拟合能力,但是易陷入局部极小值,不收敛,影响预测精度。针对该问题,采用粒子群优化其网络权值和阈值,再用BP网络对储层、非储层进行模式识别,取得较好成效。     

利用BP神经网络预测注水管道的腐蚀速率

利用人工神经网络的自适应、自组织学习能力 ,通过对训练样本集的学习 ,预测了注水管道的腐蚀速率。通过实例 ,采用 4种不同的预测腐蚀速率的方法 ,即采用传统的预测腐蚀速率的CVDA— 84规范、传统的BP神经网络、改进的Rumelhart和MBP神经网络计算注水管道的腐蚀速率。CVDA— 84规范偏保守 ,采用BP以及改进的BP神经网络预测的腐蚀速率和观测值基本一致。但采用BP人工神经网络预测时 ,迭代次数比CVDA大得多 ,采用改进的Rumel hart和MBP神经网络能有效地提高预测速度 ,改善网络的收敛性 ,并且使预测精度有所提高     

井壁稳定性实时预测方法

为有效解决钻井过程中的井壁失稳问题,根据地震和测井信息之问的密切联系,建立了基于地震属性的实时井壁稳定性预测模型.该模型综合利用地震、测井和地质资料,从待钻目标井和已完钻邻井的井旁地震记录中分别提取最优地震属性组合,运用小波神经网络建立已钻井地震属性与测井数据之间的分层映射关系模型,利用当前待钻地层的地震属性并选取相应的映射模型实时预测钻头以下地层的声波和密度测井曲线.基于预测结果结合井壁稳定力学模型计算待钻层段的孔隙压力、坍塌压力和破裂压力,进而预测安全钻井液密度范围.塔里木油田的实际应用表明,该预测模型具有良好的实时操作性能,测井曲线、地应力、孔隙压力、破裂压力和安全钻井液密度范围的预测精度均较高.图5表1参21