BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了研究。采用了一种改进的 BP算法 ,其方法具有收敛速度快、避免网络陷入局部最小和出现振荡现象、优化网络结构等优点。提出了一种基于统计的学习样本生成方法 ,使样本生成问题规范化。使用该方法生成的样本真实可靠 ,具有代表性 ,可大大提高样本质量。实际应用网络进行岩性识别和孔隙度预测 ,取得了令人满意的结果     

基于主成分分析的距离判别分析方法在岩性识别中的应用

针对复杂储层岩性识别难度较大的情况,本文引入基于主成分分析的距离判别分析方法,将测井资料来划分岩性,看作是一种类别判别问题,通过计算样本到各个类的距离大小来判别样品类别的归属;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际结果相比较具有较好的一致性,实验表明,基于主成分分析的距离判别分析方法在岩性识别问题中有着一定的应用前景。     

基于交会图和多元统计法的神经网络技术在火山岩识别中的应用

针对火山岩储层的特殊性(复杂性、离散性和随机性),应用BP神经网络技术对火山岩测井解释中岩性识别问题进行了研究。该方法的技术关键是样本集和初始权重的建立,以及模型的优选。本文提出了一种基于交会图和多元统计法的学习样本生成方法,即根据取心岩样的地球化学和岩石学研究,用交会图技术建立样本集,采用聚类分析和距离判别法确定初始权重。将研究方法应用在松辽盆地杏山地区火山岩岩性识别问题中,取得了很好的效果,岩性解释符合率高于90%。文中通过四种岩性识别处理模式的对比研究,表明赋权重处理模式为最优处理模型。在神经网络模型预测过程中,需充分利用已有的地质经验和测井曲线信息建立典型可靠的样本文件,同时考虑神经网络方法中各种因素的影响,优选模型和计算参数才能使预测结果符合实际情况。     

两种神经网络方法在岩性识别方面的应用

人工神经网络近年来发展十分迅速,因其自身理论方法的不同,在解决各种工程问题上都有别于其它方法,有其独特的成效。本文应用BP网络和RBF网络于石油测井解释中的岩性识别方面,分析了其预测效果,以及网络的构建方法及应用范围。得出两种网络在岩性识别方面上具有的简单实用价值。     

孔隙度预测中的地震特征优化方法及应用

孔隙度是油气藏描述的一个重要参数。基于双相介质中地震波传播理论,论述了地震孔隙度预测原理。考虑到地震孔隙度预测的复杂性与BP网络函数逼近需要利用全体样本的信息、学习效率低（不适于用来优选地震特征）等不足,提出采用完全利用样本信息（CUSI）的网络做孔隙度预测。该方法利用CUSI网络的局部逼近功能,依据井孔数据与井旁地震数据建立地震特征与孔隙度的函数关系来预测孔隙度。在此基础上还提出了CUSI网络孔隙度预测中的地震特征优化原理和基于遗传算法的地震特征优化方法。实际应用结果表明：此方法明显改善了地震孔隙度的预测精度,具有实用价值。     

吼隙度预测中的地震特征优化方法及应用

孔隙度是油气藏描述的一个重要参数。基于双相介质中地震波传播理论,论述了地震孔隙度预测原理。考虑到地震孔隙度预测的复杂性与BP网络函数逼近需要利用全体样本的信息、学习效率低(不适于用来优选地震特征)等不足,提出采用完全利用样本信息(CUSI)的网络做孔隙度预测。该方法利用CUSI网络的局部逼近功能,依据井孔数据与井旁地震数据建立地震特征与孔隙度的函数关系来预测孔隙度。在此基础上还提出了CUSI网络孔隙度预测中的地震特征优化原理和基于遗传算法的地震特征优化方法。实际应用结果表明此方法明显改善了地震孔隙度的预测精度,具有实用价值。     

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。     

基于改进集成学习的测井岩性识别方法研究

测井数据中存在大量与岩性无关的冗余信息，且各类岩性标签数据分布不均匀，严重影响岩性识别准确率，现有测井岩性识别算法无法有效解决岩性类间不平衡问题。为此提出了一种针对不平衡样本集的集成学习岩性预测方法KSMOSEL:首先以录井岩性数据为岩性样本标签，将测井曲线作为模型输入；然后将K-means算法与合成少数类过采样技术(SMOTE)相结合形成K-means-合成过采样算法，即KS采样算法，对岩性样本集进行平衡化处理；最后将采样后的数据集用于构建集成学习模型并训练，采用多个分类器模型融合构成强学习器，通过“软投票”方式预测岩性类型。以Hugoton油气田测井岩性数据为基础，采用改进不平衡样本集的集成学习岩性预测方法对岩性进行分类，并将识别效果与传统的分类模型：支持向量机、K最近邻分类、决策树、XGBoost和随机森林等模型进行对比。试验结果表明：KSMOSEL方法具有更高的精度，岩性识别准确率达到94.28%;KS采样之后，支持向量机、K最近邻分类、决策树、XGBoost、随机森林、GBDT和集成学习等模型岩性识别准确率分别提高了18.68%,12.03%,3.77%,10.23%,24....     

基于模糊支持向量机方法的岩性识别

针对复杂岩性识别中存在的模糊性,提出一种基于模糊支持向量机方法的岩性识别方法。该方法在传统支持向量机方法中引入样本对岩性类别的隶属度,充分考虑储层岩性划分的模糊性和相同岩性对应的特征参数值范围很大等问题。在模糊支持向量机方法中,依据样本的重要性给不同的样本赋予相应的隶属度,使各样本在构造最优分类面时起不同的作用,从而使基于模糊支持向量机的岩性识别方法具有更好的抗噪性能及分类能力。应用效果表明该方法具有适应性强、识别精度高的优点。     

支持向量机在复杂岩性测井识别中的应用

针对海拉尔盆地乌南地区岩性复杂、岩性识别难的问题,在岩心分析资料的刻度下,首先采用主成分分析法优化测井输入参数,然后利用支持向量机的方法进行学习预测,并与聚类分析和神经网络的分类结果进行了比较.对比表明,支持向量机具有结构简单、适应性强、全局优化、训练时间短、泛化能力强等优点,尤其是在解决小样本、非线性和高维模式识别等问题方面,表现出其特有的优势.该方法克服了常规统计方法的局限性,可以在有限样本的情况下得到全局最优解.应用效果表明,利用支持向量机方法识别岩性,具有解释精度高,推广性好的特点,为复杂岩性识别提供了一种新方法.     

石油企业知识型员工流失的原因分析与思考

对石油企业知识型员工流失的现状进行了描述,并分析了流失的原因;阐述了稳定知识型员工队伍的基本思路;从提高待遇、增进感情、发展事业、制度创新四个方面提出了相应的对策。对石油企业的人力资源管理理念的创新进行思考。     

Evaluation of the coking resistance of catalysts of steam conversion of hydrocarbons

Translated from Khimiya i Tekhnologiya Topliv i Masel, No. 10, pp. 9–10, October, 1991.