基于神经网络的岩性物性参数计算方法研究

岩性物性参数的计算会关系到后续油气田开发生产,因而备受录井解释、地质分析等部门的高度重视。为了解决传统数理计算方法计算岩性物性参数需要依赖人工经验,计算量大,造成人力成本和时间成本较高且计算准确率不高的问题,提出一种基于神经网络的岩性物性参数计算方法。通过对研究的储层地质特征进行分析,选取孔隙度和渗透率作为反映岩性的物性参数;阐明应用测井曲线反映岩性物性参数的合理性,选取合适的测井曲线,应用不同的测井曲线特征提取方法提取测井曲线特征,作为神经网络的输入参数;设计岩性物性参数计算的技术路线,构建BP神经网络模型,选取样本数据集对神经网络模型完成模型训练,最终实现对选区岩性物性参数的计算,为储层岩性识别提供依据。实验结果表明,基于BP神经网络的岩性物性参数计算方法能够较为准确地计算岩性物性参数。     

概率神经网络方法在岩性识别中的应用

本文研究利用概率神经网络方法进行测井资料的岩性识别;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,预测结果与实际测量结果相比具有较好的一致性,其计算量小且预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,概率神经网络在岩性识别问题中有着一定的应用前景。     

基于粗集和神经网络的石油测井数据挖掘方法

由于石油测井数据存在着模糊性和噪声，在数据挖掘中单纯使用粗集方法会受噪 声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大时使网络结构复杂且训练时间长．为解决这些问题，根据测井解释原理，本文提出一种将两者结合起来的数据挖掘方法，即经过测井资料预处理、样本信息粗集方法简化、神经网络学习训练、待识信息网络识别和误差分析等步骤，其中使用的二层非线性连接权神经网络简化了网络的运算．通过岩性识别和储层参数定量计算两个应用实例，结果表明这种数据挖掘方法在测井解释中其识别率远高于其它单一数据挖掘方法，效果令人满意．     

基于遗传优化径向基概率神经网络的岩性识别应用

岩性识别是测井数据解释中最关键的一环,但传统的岩性识别方法解释效率慢,精度低,受人为因素影响大。为此,提出一种遗传优化径向基概率神经网络(RBPNN)的岩性识别方法。该方法融合概率神经网络(PNN)和径向基函数神经网络(RBFNN)的优势来构造RBPNN,采用遗传算法搜索使得RBPNN训练法误差最小的最优隐中心矢量和相匹配的核函数控制参数,优化网络结构,提高收敛速度与精度,形成全结构遗传优化的RBPNN模型。实例应用表明,基于遗传优化RBPNN的岩性识别能够达到工程实际应用的规范标准,且是可行有效的,能够为油田地质勘探领域的岩性识别提供科学的理论支持与依靠。     

多源信息融合的测井曲线分层算法研究

测井数据解释中,针对单一测井曲线无法真实反映地层属性问题,提出以多条测井曲线的滤波因子为权值,融合出一条综合特征曲线,对该特征曲线相继采用层内差异法细分层与模糊聚类校正分层,实现特征曲线的合理分层。实验结果表明:该方法避免了海量数据处理过程,剔除了噪点数据的影响,提高了分层的速度与精度,能够为应用测井资料进行岩性识别、测井相分析、储层划分等研究提供有利的技术支撑。     

应用BP神经网络预测油页岩含油率

根据测井资料计算油页岩含油率多采用△logR法或改进的△logR法,这些方法中参数获取过程中易产生诸多误差,且这些方法是建立在油页岩含油率与特征测井曲线值是线性关系的基础上的,而在实际非均质性地层中,测井对油页岩含油率参数的响应在本质上必然是非线性的。基于此,运用BP神经网络来预测柴达木盆地北部地区侏罗纪油页岩含油率。首先分析研究区段测井数据的数理统计分布特征,在优选学习样本的基础上再采用一种基于LM（ Levenberg-Marquardt）算法的BP神经网络进行含油率预测,最后得出一组由40个连接权值与11个阈值组成的含油率参数解释模型,油页岩含油率预测值与岩心实验室分析值吻合很好,均方误差能控制在0.1918。因此,运用此模型可以预测相同地质背景条件下的油页岩含油率。     

神经网络在测井资料岩性识别中的应用研究

将神经网络用于石油测井资料岩性识别.在对主要分层曲线做分层直方化处理、聚类并层处理、归一化处理之后,利用FTART2神经网络对测井数据进行学习,从而预测未知地层的岩性.实验结果表明,PTART2在实用效果上明显优于该领域目前常用的D-BP算法.     

基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用。选取与天然裂缝发育有关的测井曲线作为样本集．先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝。给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著。粗糙集有效地约简样本信息．BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行。     

基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用.选取与天然裂缝发育有关的测井曲线作为样本集,先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝.给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著.粗糙集有效地约简样本信息,BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行.     

基于Logistic方法定量判别岩性的研究

判别地层的岩性是地质勘探中的一项最基础性工作。过去,主要靠钻孔岩心编录来判别地层岩性,但对大量快速无岩心钻进的钻孔来讲,此方法就行不通了。针对这种情况,应用Logistic判别法,进行了利用煤田测井曲线数据定量判别岩性的研究工作。研究得出:应用此方法能够自动、定量的判别岩性,达到了研究目的。     

神经网络测井解释计算系统及其应用

强调神经网络算法在测井解释中的优越性；重点介绍神经网络测井解释计算系统，并给出应用实例，该方法先进，系统操作方便，计算速度快，处理结果准确，有广阔的应用前景。     

一类正规模糊神经网络及其在复杂水淹层识别中的应用

考虑了一种五层结构的正规化模糊神经网络模型,针对网络结构的优化问题给出了该网络模型的规则层节点的选取方法和相应的反传播学习规则.对于具有较少数输入节点的情况,该网络有较快的训练速度.油藏测井解释中水淹层的识别是石油开发中特别是开发中后期比较突出的一个问题,复杂的地质条件在测井曲线的表现中具有许多模糊性,在各种模糊条件的组合下油藏水淹表现为强水淹、中水淹、弱水淹和无水淹等情形.将正规模糊神经网络用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系,从而实现模糊性油藏测井解释中水淹层的识别.实验表明此方法对解决水淹层识别问题具有良好的适应性和实用性.     

基于改进LSTM神经网络的测井曲线重构方法

地球物理测井过程中,由于仪器测量或者井眼原因等经常会造成部分测井曲线失真或缺失的情况,针对失真或缺失部分测井曲线的补全与生成问题,对测井领域知识和长短期记忆神经网络(LSTM)进行了研究,提出联合领域知识与深度学习的测井曲线重构模型(DK-LSTM)。利用测井领域知识中的地层岩性特征指数筛选数据得到高质量的训练样本,并将其作为深度学习重构测井曲线的依据;构建并训练带有领域知识约束层的长短期记忆神经网络模型;基于测井曲线间的强依赖关系在重构模型中引入注意力机制,进而生成并补全测井曲线中失真或缺失的信息。实验结果表明DK-LSTM测井曲线重构模型较标准长短期记忆神经网络和串级长短期记忆神经网络具有更准确的预测效果,为测井曲线重构提供了一种新思路。     

基于Map-Reduce并行构架和AE的大数据指纹监控识别算法

传统的指纹识别监控方法在应用到以海量、在线和增量为特征的大数据环境中时,不能自动高效地进行识别;由此设计了一种基于Map-Reduce并行框架和AE的大数据智能监控指纹识别算法;首先,设计了基于AE和BP神经网络的识别模型,采用AE进行指纹图像自动特征提取,然后提出了一种基于比较差异算法对AE进行参数初始化的训练算法,采用BP神经网络进行具体识别;最后,将识别过程分解为Map函数和Reduce函数;在Map-Reduce并行框架下对FVC2004中的指纹数据库进行实验,实验结果表明了文中方法能自动、高效地进行指纹识别。     

数据挖掘在测井资料解释中的应用

随着油气勘探的程度越来越高,测井面临的地质情况也越来越复杂,使得传统资料解释存在应用不灵的问题。在分析测井数据特点的基础上,针对储层特性数据量纲不一、形式多样的特点,提出了在测井资料中进行数据挖掘,从而解决目前测井资料解释中数据复杂多样的问题。     

一种测井岩性识别的寻优模型

岩土作为一种极其复杂的材料,通常会受到外界多种因素的影响而发生变化,这些影响因素既包括断层、裂隙、雨水冲刷和腐蚀等天然环境因素,也包括众多的人为因素,从而导致测井岩性的识别会产生大量的干扰数据。在对大数据量的信息寻优处理的算法中,支持向量机(Support Vector Machine,SVM)是一种受到广泛关注的寻优方法。但是传统的SVM寻优方法存在耗时长的缺陷,因此将传统SVM寻优当中的留一交叉法改为K折交叉法,并利用这种优化的SVM对测井岩性数据进行寻优处理,来进行测井岩性的识别。对比试验结果表明,相对于传统支持向量机的寻优算法,该方法具有识别正确率高、收敛速度快等优点。     

BP神经网络在地震震相识别中的应用

在自动地震数据解释中的一个重要问题是用三分量台站记录的数据来进行初始震相识别本文利用ARCESS、NORESS、FINESA、GERESS台阵的三分量台站以及波兰KSP和前苏联GRAM三分量台站记录数据的震相偏振属性设计了一个3层BP神经网络,实现了对震相的识别.由于输入数据的多维度和对台站的依赖特性,该方法在一定程度上解决了传统方法中存在的问题.     

BP数字识别自动监控系统

设计并实现了磁控溅射仪自动监控系统,对实验过程进行自动监控并记录实验数据,由服务器主控程序监控实验,存储并识别数字数据,识别过程是调用Matlab语言编写的识别系统生成的动态链接库,用BP神经网络训练神经元来进行识别,可以由客户端主控程序调用并查看实验数据曲线,实现实时的远程监控,解决了磁控溅射仪没有数据输出接口不方便记录实验数据的困难及实验过程中高辐射对人体危害的问题.整个系统识别效率高,速度快,准确性高,自动监控实验过程,具有很高的实用价值和应用前景.     

基于EM和GMM的朴素贝叶斯岩性识别

朴素贝叶斯分类器可以应用于岩性识别.该算法常使用高斯分布来拟合连续属性的概率分布,但是对于复杂的测井数据,高斯分布的拟合效果欠佳.针对该问题,提出基于EM算法的混合高斯概率密度估计.实验选取苏东41-33区块下古气井的测井数据作为训练样本,并选取44-45号井数据作为测试样本.实验采用基于EM算法的混合高斯模型来对测井数据变量进行概率密度估计,并将其应用到朴素贝叶斯分类器中进行岩性识别,最后用高斯分布函数的拟合效果作为对比.结果表明混合高斯模型具有更好的拟合效果,对于朴素贝叶斯分类器进行岩性识别的性能有不错的提升.     

基于离散Hopfield网络的测井曲线交叉线识别算法

在石油测井工程图纸的曲线矢量化过程中,由于背景网格与曲线、曲线与曲线存在大量交织,致使曲线跟踪中断,需要人工判断走向,难于实现自动跟踪。提出一种基于离散型Hopfield神经网络(DHNN)的测井曲线交叉线识别方法。这个方法先设置8个标准方向样本,对网络进行训练。在曲线跟踪的过程中,当遇到交叉点,就进入交叉线识别,通过训练好的网络进行分支匹配,再结合宽度匹配正确判断曲线走向。理论研究和实验分析表明,采用该方法提高了交叉线识别的正确率,抗干扰效果较好。