基于测井多参数的特低渗储层产能快速预测

油气储层产能的预测评价是油气储层动态特征的一个综合指标。从产能公式分析出发,推导出有效孔隙度、渗透率、电阻率和有效厚度是影响储层产能的主要因素。以测井资料为基础,建立了储层油气产能与储层渗透率、孔隙度和含油性之间的关系,并引入能够有效反映复杂孔隙结构的储层品质指数,充分利用静态测井数据表征动态产能主要因素。利用模糊关联多参数分析方法建立相对完善的油气储层产能综合分类评价预测模型,达到利用测井手段预测产能,优选试油层位,指导油田勘探开发的目的。对M地区特低渗透储层进行了产能快速预测分析,取得了较好的应用效果。     

基于遗传算法优化神经网络的储层渗透率预测

由于储层渗透率的重要性以及复杂性,通过传统的计算方法难以得到准确的结果。人工神经网络的计算方法是一种非线性处理系统,能够根据测井数据预测储层渗透率,然而神经网络的参数以及结构设计均需要人工经验,不仅耗时,而且常常不能取得良好的结果。文章利用遗传算法,对基于误差反向传播算法的人工神经网络的隐层神经元数目、学习速率以及动量项等三个参数进行了自动优化设计,对海拉尔41：7取芯井300个层位的测井数据（输入）以及测量得到的渗透率（期望输出）进行了计算和测试。结果表明经过遗传算法得到的神经网络能够得到准确的渗透率预测结果,尤其是对于渗透率较大的储层（大于10mD）。     

基于储层分类的支持向量机渗透率预测

研究区孔隙度、渗透率分布范围广、非均质性强,在进行储层渗透率求取时存在较大误差。根据取心物性资料、测井资料,选用流动层带指标I_(FZ)划分方法将取心井储层划分Ⅰ、Ⅱ、Ⅲ、Ⅳ类,并建立每类储层的储层类型预测模型。根据与渗透率有关的测井属性变量,利用支持向量机技术对每类储层进行训练学习,分别建立各类储层的渗透率预测模型。对研究区取心井测试样本渗透率进行预测,与常规的统计方法以及分类前的支持向量机预测模型相比,分类后的模型预测精度有了明显提高,为研究区的储层评价提供了一种有效的研究途径。     

川东云和寨气田石炭系储集层特征及预测

云和寨气田石炭系黄龙组主要储集空间为孔隙和裂缝,属于低孔低渗型储层,而裂缝在改善储层渗透率方面发挥着重要的作用。以测井信息为基础,利用神经网络算法对该区未取心井储层的孔隙度、渗透率、含水饱和度参数及裂缝发育程度进行了预测。使用误差统计法对储层参数预测模型效果进行评价,预测效果满足本区所需储层参数计算的精度要求,证明了神经网络算法是在测井信息较少的情况下预测储层的有效手段,为气田评价井、开发井的部署、储量计算及气田开发方案的编制提供了可靠的地质依据。     

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。     

利用电缆地层测试资料精确计算储层产能的新方法

利用泵抽式电缆地层测试资料对储层进行产能预测时,对结果影响较大的两个因素分别是近井地带的污染和测井渗透率的刻度方法。文章通过综合分析储层的渗透率、孔隙度、含水饱和度和泥质含量等测井数据,按照沉积微相特征在垂向上对储层进行精细划分,并在此基础上使用经过校正的电缆地层测试渗透率对测井渗透率进行逐点刻度并直接用于计算各小层的产量,最后通过数值积分的方法获得储层的总产能。该方法消除了近井污染的影响,避免对测井渗透率平均化使用的弊端,从而提高产能预测精度。文章提出的新方法通过新型国产泵抽式电缆地层测试器ERCT在某海上油田产能评价中的成功应用得到了验证。     

基于电阻率测井数据预测产能的新方法

油气层产能预测是储层综合评价的重要指标,目前国内外利用测井资料进行产能预测的方法种类繁多.相对渗透率是影响产能预测的关键参数,而相对渗透率数据一般通过室内岩心实验获取,该方式操作成本高、周期长且难以普遍应用.该文以电阻率与相对渗透率联测获得的岩样实验数据为依据,通过理论推导,建立利用电阻率测井数据计算相对渗透率并结合渗流理论公式进行产能预测的新方法,在葡北区块实际应用效果良好.该方法计算精度较高,具有技术可靠性和经济实用性,适合在油田推广应用.     

基于BP神经网络技术的储层流动单元研究

黄珏油田方4阜一段储层属低孔隙度、低渗透率储层,储层特性较为复杂,在进行储层参数的求取时存在较大误差.结合取心物性资料、测井资料,选用流动带指数IFZ划分方法将取心井储层流动单元划分成Ⅰ、Ⅱ、Ⅲ类,并建立流动单元的识别和划分标准.在此基础上,利用BP神经网络技术对取心井储层流动单元进行学习训练,与测井曲线建立其相关的学习和预测模型,对非取心段储层流动单元进行预测,明显提高了测井解释精度,为储层精细评价提供一种较有效的研究方法.     

储层预测技术在东濮凹陷前8地区的应用

针对东濮凹陷前8地区油气藏勘探程度高，断块小、埋藏深、储层薄的特点，在综合分析地震、测井及地质资料的基础上，确定了适合本地区的储层预测方法。该方法的工作原理是，①在目的层附近提取子波，调整井旁地震层位和测井分层，制作合成记录，进行层位标定；②对地震层位进行加密，追踪出砂层组，然后利用这些层位和断层数据体建立地震框架地质模型；③利用测井资料和地震数据体进行波阻抗反演，建立砂岩厚度与波阻抗的统计关系，将地震属性转换为储层参数。将储层预测成果应用于井位部署，实际钻探结果与储层预测结果较为吻合。     

基于BP神经网络的分层相控碳酸盐岩储层渗透率预测方法

碳酸盐岩储层受成岩作用影响大,孔隙-喉道结构复杂,孔隙度—渗透率相关性较低,渗透率预测难度较大,常规以线性关系为主的预测方法结果不理想。提出了基于BP神经网络的储层渗透率综合预测方法,可以有效预测碳酸盐岩储层渗透率。方法主要分3步。首先对岩心数据和测井数据进行质量控制;然后结合地质特征,优选预测测井曲线参数和神经网络模型的参数,建立预测模型;最后综合多来源资料,进行预测结果质量控制。将该方法应用于中东地区碳酸盐岩A油藏,渗透率预测结果较好。碳酸盐岩储集空间复杂,孔、洞、缝均发育,岩心塞的渗透率测量只能代表局部位置,而试井资料的动态有效渗透率测量范围较大,可以体现储集空间特征,加之储层黏土矿物含量低,不存在储层敏感性问题和各向异性较弱等因素,最终导致试井动态渗透率数值一般高于岩心渗透率。     

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。     

BP神经网络法预测顺北超深碳酸盐岩储层应力敏感程度

顺北油田是典型的深层应力敏感性油田,由于深井取心困难或者没有足够岩心支撑实验,同时岩样非均质性强,无法测试应力敏感程度,影响储层物性和产能评价的准确性。收集鹰山组7口井与应力敏感相关的测井、试井等6种测试数据,渗透率、裂缝宽度等7种参数,以及岩石组分、储层温压等资料,利用单相关分析和灰色关联分析筛选11个应力敏感伤害主控因素,加载至所建BP神经网络,设定激励函数和网络参数进行训练直至达到期望误差,在训练好的模型中加载已知应力敏感伤害结果的输入层参数进行计算,将计算结果与已知结果比较,应力敏感伤害程度预测符合率为100%,平均预测误差7.15%。再利用所建网络对顺北一间房组进行预测,并以室内实验值作为基准,计算得到应力敏感渗透率伤害率和临界应力预测误差均小于10%,表明该模型同样适用于其他碳酸盐岩储层应力敏感伤害预测。研究结果表明,BP神经网络法可以用来预测碳酸盐岩储层的应力敏感程度,能够解决深层碳酸盐岩储层由于取心困难导致无法支撑实验的难题。     

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.     

XGBoost算法在致密砂岩气储层测井解释中的应用

传统单一模型的机器学习方法用于致密砂岩气储层测井解释时存在多解性,为此,将XGBoost算法应用于致密砂岩气储层测井解释。基于A工区测井解释资料,以不同种类的测井资料作为输入变量,通过XGBoost算法建立回归预测模型,预测该区孔隙度与渗透率参数,并探讨了XGBoost算法中各类参数的优化。以准确率指标为评价标准,通过XGBoost算法建立的分类预测模型对该区储层类型进行预测,同时与随机森林方法和支持向量机算法进行比较,XGBoost算法的预测效果较好。结果表明XGBoost算法能准确地预测孔隙度、渗透率并对该工区致密砂岩气层进行有效识别。     

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。     

基于GA-ANFIS的油气储层地震预测方法及应用

基于GA-ANFIS理论，将遗传算法与模糊神经网络技术有机地相结合，构成一种新的油气储层地震非线性预测方法。这种新的预测方法在油气储层预测中，利用地震数据和测井数据之间的非线性映射关系建立训练样本，将GA算法与ANFIS网络中的学习算法相结合，构成混合算法来优化ANFIS网络的前提参数和结论参数，并在遗传算法中加入禁忌搜索算法，这种混合算法自始至终将各算法按一定概率比例进行，其概率自适应变化，加快了网络收敛速度和提高了网络性能，获得了良好的预测效果。在测井数据约束下，应用所提出的方法对碳酸岩盐储层和砂岩储层分别进行了平面预测和剖面预测，并按储层有效性指数进行了储层分级，这种分级反映了储层的有效性和含油气状况，提高了油气储层的实际预测效果，是对油气储层预测技术的一种新发展，开拓了油气储层预测发展技术。