基于门控循环单元神经网络的储层孔渗饱参数预测

孔隙度、渗透率和饱和度等物性参数是表征储层质量的重要参数,也是储层评价的重要依据。根据测井数据估算岩石的孔隙度、渗透率和饱和度参数,进而评价储层,是测井解释的基本内容。作为一种适于解决非线性和时序性问题的新型深度学习算法,门控循环单元(gated recurrent unit,GRU)神经网络算法能较好地反映出孔渗饱参数与测井数据之间的非线性映射关系以及不同深度历史数据之间的关联。基于GRU神经网络的储层孔渗饱参数预测方法首先采用基于Copula函数的相关性测度法筛选与孔渗饱参数关联度较高的测井参数,而后利用GRU神经网络建立测井数据与孔渗饱参数之间的非线性映射关系。对四川盆地某探区实际测井数据进行了GRU神经网络储层孔渗饱参数预测的模型训练和预测试验,最后将预测结果与多元回归分析、循环神经网络等方法的预测结果进行比较,结果表明,以均方根误差和Pearson相关系数为评价指标,基于门控循环单元神经网络的储层孔渗饱参数预测方法效果优于其它方法。     

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.     

东海深部地层岩石可钻性预测方法研究北大核心CSCD

东海深部地层中部分井PDC钻头与地层性质匹配性不足,导致机械钻速低、钻头磨损严重等问题发生。以室内岩心微钻实验数据为依据,首先建立了测井参数预测岩石可钻性的非线性多元回归模型,同时利用多种人工神经网络方法对岩石可钻性进行了预测,结果表明非线性多元回归模型预测岩石可钻性与常规BP神经网络、级联BP神经网络、径向基RBF神经网络、BP-RBF双级联神经网络模型预测结果均具有较高可信度,但BP-RBF双级联神经网络模型预测效果最好,更适合于东海深部地层岩石可钻性预测。本文研究结果可为东海深部地层岩石可钻性预测及钻头选型提供借鉴。     

东海深部地层岩石可钻性预测方法研究

东海深部地层中部分井PDC钻头与地层性质匹配性不足,导致机械钻速低、钻头磨损严重等问题发生。以室内岩心微钻实验数据为依据,首先建立了测井参数预测岩石可钻性的非线性多元回归模型,同时利用多种人工神经网络方法对岩石可钻性进行了预测,结果表明非线性多元回归模型预测岩石可钻性与常规BP神经网络、级联BP神经网络、径向基RBF神经网络、BP-RBF双级联神经网络模型预测结果均具有较高可信度,但BP-RBF双级联神经网络模型预测效果最好,更适合于东海深部地层岩石可钻性预测。本文研究结果可为东海深部地层岩石可钻性预测及钻头选型提供借鉴。     

基于神经网络的柳林地区煤储层渗透率预测方法

分析了煤储层渗透率预测中存在的问题,提出基于测井信息的GA-BP神经网络预测煤储层渗透率方法,分析其机理及测井参数标准化处理方法。以柳林地区56口井的试井和测井资料为基础,利用灰色关联分析法优选6个测井参数作为输入变量,建立了GA-BP神经网络渗透率预测模型。将渗透率模型的预测结果与实测结果比较,两者具有较高的吻合度,证明该方法在煤储层参数预测的实践中具有较好的适应性。基于所建立的数学模型,对研究区的渗透率进行了预测,完成了渗透率平面分布图,为柳林地区煤层气的勘探开发提供了依据。     

应用神经网络技术求取碎屑岩储层参数

以往由测井资料确定储层参数均采用简化模型所建立的测井响应方程，因而难以反映储集层岩石孔隙结构的客观特征。鉴于神经网络具有非线性处理能力及其它一些优点，故本文采用神经网络技术定量求取储层的孔隙率和渗透率参数。     

基于岩控的人工神经网络在渗透率预测中的应用

渗透率是储层评价中的重要参数,与传统的经验模型或统计模型计算的结果相比,BP神经网络由于高强度非线性映射能力及较强的自适应和自学能力,可以更精确地预测储层渗透率。通过对常规BP网络模型的改进,即在模型中加入定量化的岩性评价参数作为一个学习样本,建立了储层参数与测井响应及岩性之间的非线性模型。应用该方法对北部湾盆地涠西南凹陷涠洲某油田流一段的渗透率进行预测,取得了较好的效果。该方法计算的渗透率与实测渗透率吻合度很好,而且比用常规的、没有岩性控制的BP网络模型计算的渗透率精度更高。除了在储层参数预测方面进行应用,该方法还在储层沉积微相和岩性预测方面有着广泛的应用前景。     

双孔结构储层油气产能的测井预测方法

介绍了一种基于测井资料预测双孔结构碳酸盐岩储层油气产能的新方法。根据碳酸盐岩剖面中的双孔结构储层的地质和测井特征,提取与储层产能密切相关的多个测井和地质参数,考虑这些参数与产能的非线性相关关系以及产能数据的变化特点,采用BP神经网络技术建立其储层产能的预测模型。处理了轮南油田的多口井测井资料,所预测的储层段产能与试油产能较为一致,效果良好,值得推广应用。     

基于注意力机制和双向长短时记忆网络的横波速度预测方法及应用

横波速度信息对油气勘探而言至关重要，但实际测井资料中常常缺失横波速度资料。横波速度与测井参数之间存在非线性相关性，二者关系复杂难以用解析解表征。为此，提出了一种基于注意力机制和双向长短时记忆网络的横波速度预测方法(AT-BLSTM)。该方法首先利用注意力机制为测井参数分配权重，自动聚焦对横波速度预测贡献大的测井参数，然后利用双向长短时记忆网络以及横波速度曲线纵向上的时序特征，挖掘各种测井参数与横波速度之间的相关关系，获得各种测井参数与横波速度之间的学习模型，再输入优选测井参数，最终可直接获得横波速度的预测结果。将上述方法应用于挪威北海Volve油田和我国西南某工区的实际测井资料进行横波速度预测，并将预测结果与常规双向长短时记忆网络、门控循环神经网络以及基于经验公式的传统方法的预测结果进行对比。结果表明，利用基于注意力机制和双向长短时记忆网络的横波速度预测方法得到的测井参数权重分配合理，横波速度预测结果与实测横波速度误差较小、相关系数较高，有效提高了横波速度预测精度，预测结果具有良好的稳定性。     

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。     

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。     

基于岩性识别的BP神经网络孔隙度预测

研究区目的层有效储层岩性包括细砂岩和粉砂岩两种,目前依赖于常规线性拟合方程在该区的孔隙度等参数预测中存在着较大的误差。为实现对储层参数的准确预测,结合了多种测井信息,在利用Fisher判别法对岩性进行识别的基础上,分别建立了细砂岩和粉砂岩的神经网络孔隙度预测模型。实际应用表明,分岩性所建立的非线性人工神经网络模型比常规线性模型具有更高的预测精度,能为该区后续的储层综合评价提供可靠的数据基础。     

改进人工神经网络原理对储层渗透率的预测——以北部湾盆地涠西南凹陷为例

人工神经网络的计算方法是一种非线性处理系统,是根据测井数据进行储层物性参数预测的方法。以往在利用遗传算法预测渗透率的时候,因为只考虑了单一的数据点,没有把临近层位的数据加入学习过程中来,故影响了预测模型的精度和可信度。为弥补这一不足,利用相临多个层位的数据点进行学习,进而建立储层渗透率的预测模型,并在岩心分析化验数据和相关测井曲线数据归一化的基础上,利用改进的开窗技术,借助反馈的神经网络方法对地层的渗透率进行逐点计算。通过北部湾盆地涠西南凹陷的实例实践表明,用该方法预测的渗透率与实测的渗透率的值符合较好。     

人工智能在测井地层评价中的应用现状及前景

测井是求取储层物性参数、发现与评价油气藏、预测油气储量的重要手段。测井技术更新换代、测井技术种类发展多样化、测井数据管理方式多元化等多重因素导致测井信息具有测量种类多、数据量大和多源异构等大数据特征。人工智能技术的快速发展为解决测井地层评价中的多解性、不确定性等难题提供了新的思路和方法,"测井＋人工智能"也是一个亟待探索的新领域。在系统回顾人工智能在测井领域的研究现状和进展基础上,重点讨论了有监督机器学习和半监督机器学习、神经网络和深度学习等人工智能技术在测井曲线重构、岩相预测和物性参数计算等测井地层评价中的应用。受样本数量有限、处理流程不完善和自我调节能力较差等因素制约,人工智能在流体研究、储层综合评价等测井领域具有较大的发展空间和广阔的应用前景。     

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。     

相似度-遗传神经网络在储层物性预测中的应用

传统的测井解释需要建立精确的数学模型,并常伴有严格的条件限制,因此很难得到真实反映储层特性的结果.采用遗传算法与BP神经网络相结合,利用遗传算法的全局寻优特点,优化神经网络的连接权值和阀值,提高网络的训练精度和预测精度,避免了BP算法易陷入局部极小的缺点,提高运算速度.将相似度的概念引入到测井中,定义相似度在测井中的计...     

储层预测中的非线性反演方法(为《岩性油气藏》创刊而作)

储层预测中非线性反演方法的研究是地球物理学中一个非常重要的研究领域。在对人工神经网络、分形分维等非线性方法研究的基础上,阐述了Seimpar测井参数反演技术,它是一种非线性反演方法,既可以避开褶积公式进行波阻抗反演,又可以在井约束下用地震记录反演测井参数曲线。能够解决常规地震反演难以解决的复杂地质问题,实际应用中取得了较好的地质效果。     

基于层次专家委员会机器模型的致密储层裂缝开度预测方法

裂缝开度是表征致密储层品质及评价油气产能的关键参数。受沉积、成岩和构造作用的影响,致密储层具有较强的非均质性,导致测井响应特征复杂、无规律,利用常规测井解释方法或者单一机器学习模型很难准确预测储层裂缝开度。为了解决这一问题,提出一种基于层次专家委员会机器模型的致密储层裂缝开度预测方法。首先,从岩心和成像测井资料中获取储层裂缝开度参数,选取相同深度敏感的测井数据作为特征变量构建样本集;然后,采用核岭回归、支持向量回归、BP神经网络作为基础专家网络单元训练、学习样本集;再借助递阶层次结构模型和门神经网络模型构建层次网络模块,自适应生成各个基础专家网络单元的初始权重;最后,综合考虑各个基础专家网络单元的预测性能,利用条件交替期望变换确定各个基础专家网络在最终输出中的贡献,准确预测储层的裂缝开度。实际资料应用表明,该方法能有效地定量表征井中储层裂缝开度,可为致密储层评价提供可靠的地球物理技术支撑。