采用神经网络方法据测井预测低渗气藏的孔隙度和渗透率

人工神经网络作为据有限、常见的数据组估算储层参数的方法得到广泛普及。利用人工神经网络方法需要输入的数据包括，与期望输出值有关的测井记录和用于训练的“真实”数据。我们将利用两个实例研究来说明利用神经网络据测井数据预测孔隙度和渗透率。在两个实例中，气田研究所需的预测是改善气藏管理和优化开采。在堪萨斯州的雨果顿（Hugoton)大型气田中，孔隙度是根据自然伽马能谱、光电分析和体积密度数据，利用类属神经网络软件预测的。这种类属神经网络软件可将神经网络建立的关系式转化成一个方程式，此方程式很容易用于所有具所需测井曲线的井。渗透率是利用更具测井方向性的软件预测出来的，此软件在网络的产生和应用中，并入了输入数据的深度窗口。除了利用输入曲线预测孔隙度之外，中子测井还用于预测渗透率。在雨果顿实例中，矿物学是确定孔隙度和渗透率的关键因素，因此大部分输入数据提供了关于储层矿物组分的资料。在训练孔隙度和渗透率的神经网络中，岩心分析作为“真实”情况。在俄克拉荷马州的雷德奥克（Red Oak)气田中，通常没有密度测井或是测井质量差，可建立多重神经网络用来据伽马射线和深感应数据预测密度。然后综合测量的和预测的密度曲线，用于计算孔隙度。建立一个辅助的网张,以便据伽马射线、感应和密度数据估算出5种级别的渗透率，岩心柱渗透率测量值可作为训练中的真实数据。这些网络的关键特征不是统计训练而是具选择性，反向预测输入数据进行验证且采用输入数据折高等距间隔。     

人工神经网络预测木头油田储层孔隙度渗透率

由于历史原因，木头小规模油田在开发过程中，评价油藏、储层的物性参数严重匮乏。随着开发阶段的不断变化，剩余油分布、注采关系分析和油藏地质建模、数值模拟等工作需要高精度的物性参数。本文提出了应用改进的人工神经网络BP模型对储层孔隙度、渗透率进行预测的方法，通过实际运用，和使用多元逐步回归法相比，预测的精度大幅度提高,渗透率相关系数可由0．8436提高到0．9961，相对误差2．19％，从而为深化储层认识提供了准确的孔隙度、渗透率参数。     

利用神经网络预测储层孔隙度

储层孔隙度是评价储集层油气储量的重要参数之一.基于神经网络的LM算法预测储层的孔隙度主要步骤包括样本的选取与预处理,网络结构的设计,基于Matlab神经网络工具箱编程实现的LM算法的网络训练,声波孔隙度预测.经与BP算法比较,该算法迭代速度快且计算精度高.     

用人工神经网络由孔隙度预测渗透率

通过人工神经网络系统可以由井筒某一深度的孔隙度值预测井筒相同深度的渗透率值。这项研究采用的是善于进行预测的反向传播结构网络。预测渗透率的传统研究方法是回归分析，在回归分析中假设孔隙度与渗透率的关系是已知的，但在实际上，这一关系的函数式，即模式方程是未知的。相反，神经网络方法则假设不存在函数关系。用于检验人工神经网络法孔隙度预测渗透率的六口井选自阿拉巴马南部的Ｂｉｇ Ｅｓｃａｍｂｉａ Ｃｒｅｅｋ油田     

人工神经网络预测木头油田储层孔隙度渗透率

由于历史原因,木头小规模油田在开发过程中,评价油藏、储层的物性参数严重匮乏。随着开发阶段的不断变化,剩余油分布、注采关系分析和油藏地质建模、数值模拟等工作需要高精度的物性参数。本文提出了应用改进的人工神经网络BP模型对储层孔隙度、渗透率进行预测的方法,通过实际运用,和使用多元逐步回归法相比,预测的精度大幅度提高,渗透率相关系数可由0.8436提高到0.9961,相对误差2.19%,从而为深化储层认识提供了准确的孔隙度、渗透率参数。     

基于改进神经网络的渗透率预测方法

由于传统BP算法具有收敛速度慢、易陷入局部极小值等不足,文中对其进行了改进。在Kozeny-Carman方程和杨正明研究的基础上,借助于MATLAB神经网络工具箱,建立了预测岩石渗透率的3层前馈型BP神经网络模型。对改进的神经网络模型进行的仿真训练结果表明:改进模型具有更快的收敛速度和更高的精度,模型预测值与实验室测试值的一致性比较好,其相对误差小于10%,完全能够满足现场精度要求。     

利用神经网络从三维地震资料预测储层孔隙度

常规用于估计孔隙度的外延技术，在非均质区域内，是不准确的。利用来自三维地震资料的振幅信息能够生成孔隙度图件，并且能够分解小规模的井间非均质性。储层的地震模型是确定预计的井间变化的数量和规模的一个主要因素。通过利用测井曲线孔隙度资料和三维地震资料训练向后传递神经网络，可以获得孔隙度图件。随后，利用训练后的网络预测每个ＣＭＰ位置的孔隙度数值。利用这种技术生成的孔隙度图件目前在蒙大拿中部－北部的Ｒａｂｂ     

用神经网络和地质统计学综合多元信息进行储层预测

由于实际地下地质地球物理条件的复杂性和地震等资料品质所限,相关问题的解决较为困难。在研究中如何将多元信息结合起来是实现这一目标的可行途径。遵循这一思路,在D气田地震储层预测中,针对研究区储层地质、地球物理特点,尝试用神经网络和地质统计学作为不同信息的融合平台,并将二者结合起来,充分地将多种地震属性和测井资料相结合,有效地减少了储层预测的多解性,提高了储层预测精度,达到了良好的应用效果。     

双重神经网络预测储层及油气

由自组织神经网络和ＢＰ网络组成的双重神经网络，能够克服各自单独使用的局限性，可在复杂地区进行储层及油气预测。在ＢＰ网训练时，采用同伦学习算法，可得到全局最优解，且收敛速度很快。实际应用表明，在用自组织神经网络或ＢＰ网络不能进行储层及油气预测的地区，采用双重神经网络能取得很好的效果。     

基于储层分类的低孔隙度低渗透率储层产能预测方法研究

利用研究区内22块压汞样品及4440块有效物性分析样品,建立起低孔隙度低渗透率储层的分类标准,为基于测井数据进行储层分类提供参考依据与标准.依据标准对253个储层进行了类别划分,优选了用于储层类别划分的测井特征参数,建立了3类储层特征参数分布范围及均值.借助自适应BP神经网络技术建立了适合研究区长63段的储层分类判别模...     

基于神经网络的LM算法预测储层声波孔隙度

精确确定储层的声波孔隙度是测井解释中的一个难题.传统方法在使用时的局限性,提出基于神经网络的LM算法预测储层的声波孔隙度.其主要步骤包括样本的选取与预处理,网络结构的设计,基于Matlab神经网络工具箱编程实现的LM算法的网络训练、声波孔隙度预测.经与BP算法比较,该算法迭代速度快且计算精度高,能较准确地实现声波孔隙度的预测任务.     

砂砾岩储层孔隙度和渗透率预测方法

垦西地区沙四段砂砾岩体岩块含量高,矿物多变,孔隙结构复杂,导致测井响应差异大,用传统的统计回归方法和测井解释方法计算储层孔隙度和渗透率精度很低.用基于测井相分析的参数回归法、多矿物模型测井最优化方法和BP神经网络法等方法分别计算砂砾岩孔隙度和渗透率,其目的是提高复杂岩性储层参数的解释精度,满足油藏描述和储量计算对参数精度的要求.通过与岩心分析结果对比,基于测井相分析的参数回归法较一般解释方法的解释精度高,而多矿物模型测井最优化法和BP神经网络法等非参数数学建模方法比前者的效果更好.该方法提高了现有测井信息的利用率,在垦西地区砂砾岩体应用中取得了良好的效果.     

径向基函数神经网络在孔隙度预测中的应用

利用径向基函数神经网络对新疆乌尔禾地区三叠系白口泉组储层孔隙度进行预测,取得了较好的效果。对比分析结果表明,径向基函数神经网络预测结果较BP神经网络以及线性回归法预测结果精度高。阐述了应用中应该注意的问题。     

双孔隙度预测技术在油藏描述中的应用

利用双孔隙度预测技术,进行井信息约束条件下的波阻抗反演,采用神经网络非线性最优化技术进行油藏多参数模式识别,指出储层有利区.模式识别的结果包括孔隙度、含流体性质及其饱和度等.以濮城油田沙一下l、濮128块沙三上6油藏为例,论述了如何从录井、测井和地震资料中提取指示油气藏分布的信息,并对这些信息进行交互校正和分类,然后采用双孔隙度法进行油藏描述,使油藏特征定量化描述得以实现.     

利用GRU神经网络预测横波速度

储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU(gated recurrent unit)神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明:①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。     

用地震资料预测孔隙度

本文根据地震资料讨论预测储层孔隙度的一些方法,对地质统计法预测孔隙度作了较为详细的讨论,并用数值模拟储层模型和实例说明该方法的实用性和可靠性.