一种基于BP神经网络的完井液污染类型识别方法

目的 解决油田目的层钻井过程中完井液受盐水、残酸等污染后不能高效识别污染类型的问题。方法 对完井液进行不同质量占比的盐水、残酸污染测定,采用K-means聚类订正不同污染等级数据样本的标签。根据数据样本特征的获取难易度、隐藏层数目,训练不同的BP神经网络模型,并由留一交叉验证法检验模型的分类准确率。结果 数据样本拥有的特征越多,训练的BP神经网络分类准确率越高,隐层数目越多,分类准确率反而越低。选择包含“流变+老化+滤失+井名”4类特征的数据样本建立1隐藏层的BP神经网络模型,其平均分类准确率达到93.18%。结论 由流变、滤失等特征训练的BP神经网络模型可快速应用于试油现场,解决完井液污染类型识别问题,避免了试油现场因缺少大型仪器而无法鉴别完井液污染类型的难题。     

基于LSTM-BP神经网络的地层孔隙压力计算方法

地层孔隙压力是油气井从设计到完钻过程中重要的基础数据,准确计算地层孔隙压力是保障钻井安全、提高钻井效率的重要前提。为了克服传统地层孔隙压力计算方法精度不足、计算效率不高的问题,本文考虑到钻井与地层沉积均为序列性和非线性过程,提出了将长短期记忆神经网络(LSTM)和误差反向传播神经网络(BP)相结合计算地层孔隙压力的方法,利用LSTM层提取钻-测-录多源数据中的序列性特征信息,经过BP层构建特征信息与地层孔隙压力之间的非线性映射关系。通过对油田现场钻测录数据进行清洗并综合相关性分析和钻井经验知识优选了18种输入参数,对LSTM-BP地层孔隙压力计算模型进行训练和测试,并采用网格搜索法对LSTM-BP神经网络模型的5种模型超参数进行了优选,效果最优的单井计算模型和邻井计算模型的平均绝对误差分别为4.92 MPa和2.34 Mpa,均方根误差分别为6.65 Mpa和3.03 Mpa,平均相对误差分别为4.36%和8.31%。最后与传统BP模型、LSTM模型和支持向量机(SVM)模型的最优结果进行对比,结果显示,本文所建立的LSTM-BP神经网络模型精度均高于BP模型、LSTM模型和SVM模型...     

基于人工神经网络的致密储层渗透率预测

致密储层渗透率求解困难.在基于流动单元指数与岩石粒度研究的基础上,通过设置3组不同输入参数的BP神经网络模型比较分析,发现采用微球电阻率测井值、自然伽马相对值、岩石骨架相关的中子和密度值(M、N)和孔隙度值作为输入参数的BP模型预测精度最高,然后用这些输入参数做为广义回归神经网络算法的输入,对岩心渗透率进行训练与预测.对比3种线性模型与2种神经网络模型对3口验证井岩心渗透率数据的预测误差,结果表明,针对研究靶区致密储层,线性模型对于渗透率的预测精度较低,神经网络模型可有效提高渗透率的预测精度,在训练样本较小的情况下,BP神经网络对渗透率的预测效果比广义回归神经网络略差.通过22口井实际资料处理结果分析表明,基于广义回归神经网络算法的渗透率模型可提高预测精度.     

基于岩石抗钻特性的BP神经网络钻头选型方法

地层岩石抗钻特性是影响钻头使用效果最重要的一个因素,传统的钻头选型方法大多只是定性分析地质层位和钻头的对应关系,定量地计算分析岩石抗钻特性与钻头使用效果之间的关系较少。在分析现有钻头选型方法的基础上,提出一种基于岩石抗钻特性的BP神经网络钻头选型方法,并在大港油田进行了应用。首先基于测井资料和室内实验建立大港油田地层抗钻特性评价模型,并且利用模型计算得到的岩石力学参数数据和现场钻头使用数据编码成神经网络学习样本,然后建立完钻井地层抗钻特性和对应最佳钻头类型的BP神经网络模型,最后输入学习样本完成神经网络训练。利用该模型进行选型时需提供待钻井段的岩石力学参数预测数据,神经网络经过计算之后会输出最佳钻头类型。该选型方法在港深18-17井应用效果不错,优选的钻头在港深18-17井沙一段相比于邻井同一层段平均机械钻速提高了25%。     

基于人工神经网络的石油化工工程建设项目管理绩效评价

针对非线性多输入多输出的石油化工工程建设项目管理绩效评价问题,应用人工神经网络构建评价模型。使用50个项目的287个学习案例数据,以10个影响因素为输入,6个指标为输出,对BP神经网络、基于遗传算法的BP神经网络、径向基函数神经网络与广义回归神经网络4类网络模型进行训练和测试。通过均方误差的比较,发现基于遗传算法的BP神经网络优于一般的BP神经网络,广义回归神经网络的测试结果优于BP神经网络,径向基函数神经网络具有最好的误差精度。2个应用示例表明,人工神经网络应用于石油化工工程建设项目管理绩效的评价是可行和有效的。     

基于支持向量机的分层注水效果预测模型设计与实现

将影响分层注水效果的井控储量、渗透率变异系数、连通率、原油粘度、月产油量、含水率、连通油井数、分注的分段数作为输入参数,将评价分层注水效果好坏的无因次增油量作为输出参数,建立了基于支持向量机的分层注水效果预测模型。选用油田实施井例建立了支持向量机的学习样本和检验样本,使用支持向量机的回归训练算法对学习样本进行学习训练,然后对检验样本进行预测运算,结果表明支持向量机方法能够达到较高的预测精度。与油藏数值模拟法和BP神经网络法计算结果进行对比,表明了支持向量机方法的预测精度高于其他两种方法,可以用来预测分层注水的效果,指导油田进行分层注水选井工作。     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。     

PDC钻头条件下随钻岩性识别方法研究

使用PDC钻头钻井速度快、岩屑细碎,给随钻岩性识别带来较大的困难。针对这一问题,通过录井仪从现场采集到诸如机械钻速、钻压、泵压和扭矩等参数,这些参数从不同方面反映了地层的岩石性质,与岩性之间的关系密切。采用三层BP神经网络来描述录井仪采集到的参数与岩性之间的关系。用张店油田的张2104井的2500~2700 m井段资料建立岩性预测模型。通过对张2104井的2000~2200 m井段和张2201井的2600~2800 m井段的测试表明,张2104井的砂泥岩层的预测精度为93.6%,张2201井砂泥岩层的预测精度为89.2%,其中纯砂岩和泥岩的预测精度将近100%,过渡性岩石的预测失误是产生误差的主要原因。通过分析表明,用神经网络预测PDC随钻岩性是一个比较可靠的方法。     

应用BP神经网络预测石脑油热裂解产物收率

采用BP神经网络模型建立了石脑油裂解产物收率的预测方法。BP神经网络模型的输入层设12个结点,输出层设22结点,设一层隐含层。在保证学习训练数据具有代表性的情况下,BP神经网络模型的预测结果与实验数据相比,误差约为5%。BP神经网络模型的预测结果比非线性回归方法的预测结果要好。BP神经网络模型的外延性不强,外延的部分数据预测结果偏差较大。在能够保证基础学习训练数据的准确性和合理选取的条件下,BP神经网络模型能够应对乙烯装置原料变化频繁的情况。     

伊朗扎格罗斯地区Mansuri油田储集层物性模拟

以伊朗Mansuri油田50口井的常规测井资料为基础,优选人工智能算法,对Mansuri油田白垩系Ilam组4个层的孔隙度和渗透率分布进行模拟。首先利用5口有岩心物性分析资料的井,遴选出常规测井的声波时差、密度和中子孔隙度作为输入参数,采用反向传播人工神经网络(BP神经网络)和支持向量回归方法进行储集层孔隙度和渗透率计算,根据计算结果与岩心实测结果的相关性,选择采用BP神经网络法进行物性计算。然后,利用克里金地质统计算法,对Mansuri油田Ilam组4个层的孔隙度和渗透率分布进行模拟,结果表明,层2.1和层2.2为高孔隙度层,层1、层2.1和和层2.2高渗透层,层3为非储集层;储集层孔隙度和渗透率分布总体呈北部高、南部低的特点。     

BP神经网络法预测水基绒囊钻井液当量静态密度

为研究水基绒囊钻井液当量静态密度随井深变化规律,以绒囊钻井液PVT实验数据为样本,建立了反映绒囊钻井液压力、温度和密度关系的BP神经网络。以BP神经网络为基础,建立与压力和温度相关的井深与绒囊钻井液井下静态当量密度预测模型。模型计算结果相比多元回归预测结果,与PVT实测数据相对误差更小,与磨80-C1井现场测定的0~2 500 m钻井液静态当量密度结果更吻合。用建立的BP神经网络模型预测磨80-C1井所在的磨溪地区绒囊钻井液2 500~6 000 m的静态当量密度,发现绒囊钻井液随井深增加密度逐渐减小,表明绒囊未在高温高压下被压缩成连续相,随井深增加,温度使气囊膨胀作用比压力压缩作用更明显,间接证明了绒囊结构抗压缩能力强的同时,也表明温度加强了绒囊封堵作用。同时,BP神经网络应用于预测钻井液井下静态当量密度,为井下密度预测提供了一种新的数学处理方法。     

基于改进PSO-SVM的钻井液侵入储层深度预测

开展钻井液侵入储层深度预测,对于测井评价以及提高油井产能具有一定的现实意义。在分析钻井液侵入储层的机理和特征的基础上,提出了钻井液侵入储层的影响因素指标体系,建立了改进PSO-SVM的钻井液侵入储层深度预测模型,以塔里木塔中35口井为例进行了实证分析,并与传统BP神经网络和SVM模型预测结果进行了对比。研究结果表明:侵入深度与泥饼的渗透率、钻井液与储层压差以及侵入时间正相关,与储层孔隙度和钻井液粘度负相关,改进的PSO-SVM模型预测结果误差小,准确率高,能够用于钻井液侵入储层深度预测,具有广泛的应用前景。     

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。     

下刚果盆地A区块Madingo组烃源岩TOC含量的地球物理定量预测

TOC含量是烃源岩有机质丰度和生烃潜力评价的重要内容,由于受油基泥浆污染,下刚果盆地A区块可用于实测Madingo组烃源岩TOC含量的样品较少,且分布不均匀,难以进行定量评价。而地球物理资料蕴含着烃源岩的多种地球化学信息,可以有效地定量预测TOC含量。以研究区实测TOC含量和测井资料为基础,通过交会分析寻找与TOC相关性较好的测井参数,分别利用多元回归分析法、改进的ΔlgR法和BP神经网络法预测TOC值,并比较预测值与实测值的相关性,优选计算方法并进行单井TOC含量的测井定量预测。结合三维地震数据建立测井预测TOC含量与井旁道地震属性之间的神经网络模型,计算TOC数据体。结果表明：研究区与实测TOC相关性较好的测井参数包括密度、自然伽马和声波时差;BP神经网络法预测效果最好,单井预测TOC结果和实测TOC值相关系数高达0.9542;研究区TOC三维定量预测结果呈“垂向上层状分布,平面上北东低、南西高”的特征。     

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。     

BP神经网络磁性体顶面埋深预测方法

基于磁力异常确定磁性体埋深是磁法勘探的研究目的之一,对磁性矿藏、火成岩及磁性基底的研究具有重要意义。为此,通过提取大量理论长方体模型的磁力异常以及垂向一阶、二阶、三阶导数的极大值,获得三个极值比值并形成序列。利用这些极值比序列与相应模型的顶面深度构成训练样本,对构建的BP神经网络进行训练,并存储训练成功的BP神经网络,用于磁性体顶深预测。模型计算结果表明,91%以上训练样本和非训练样本的预测误差都小于10%。将该方法用于中国YX地区火山岩顶面埋深的预测,结果与钻井数据吻合较好,说明了方法的实用性和有效性。     

气体钻井随钻安全风险智能识别方法

针对目前智能钻井技术在工况表征、样本收集整理、数据处理及特征提取方面的不足,建立随钻安全风险智能识别方法.使用相关性分析法,确定表征气体钻井安全风险的关联参数;收集并整理20余井次安全风险时段监测数据,建立气体钻井多种安全风险数据样本库,并使用少样本扩展方法扩充样本数量.根据气体钻井随钻监测数据样本形式,设计两层卷积神...     

钻机自动送钻系统模糊最优控制

为了便于钻机自动送钻系统模糊最优控制的离线仿真寻优，以实际钻井现场测试的送钻过程数据为依据，建立了三层BP神经网络，拟合钻井送钻过程模型。以系统输入与输出之间的误差平方积分最小为优化目标，以模糊逻辑控制的量化因子、比例因子、修正因子、模糊量隶属函数的类型和模糊量论域的界限等参数为优化变量，以送钻过程神经网络模型为被控系统，进行离线仿真寻优，得出模糊控制器的最优参数，并以这些参数为基础进行自动送钻系统控制实验。研究结果表明，用三层BP神经网络构建送钻系统模型，拟合效果好，收敛快；先离线仿真寻求控制参数的最优值，以此为基础再进行在线控制是可行的；对于钻机自动送钻系统，模糊最优控制比常规模糊控制的控制效果更好。