BP神经网络在致密砂岩储层测井识别中的应用

川西须家河组地层岩性复杂，属于超致密低孔渗储层，所以储层识别是该地层天然气勘探中所面临的关键问题和难点之一。针对常规储层识别准确率不高的状况，提出利用BP神经网络进行储层含气含水或干层的识别。 利用模糊聚类和产层测试结果标定建模样本，采取随机抽样形成建模集与测试集，建立BP神经网络模型对23口井的储层进行含气含水或干层预测，正确率达77.9%以上，明显地提高了该地区的测井解释精度，是一种准确率较高的储层预测方法。     

BP神经网络在致密砂岩气藏岩性识别中的应用

蜀南地区须家河组地层岩性复杂,属于低孔、低渗致密气藏,致密砂岩测井识别是该地层天然气勘探中所面临的关键问题和难点之一。针对常规测井岩性识别准确率不高的状况,提出利用BP神经网络进行复杂岩性测井识别。神经网络识别输入样本采用选取靠近其所属岩类的平均值的样本以提高神经网络的精度,并对输入数据进行标准化以消除测井曲线间量纲的影响。运用BP神经网络模型对研究区域复杂岩性进行识别,识别结果与岩心岩性和录井岩性较为相符,对该区域的储层识别和沉积相的研究具有一定的参考价值。     

基于BP神经网络算法识别苏里格气田致密砂岩储层岩性

以薄片鉴定资料为准,从筛选敏感测井参数入手,优选了对岩性敏感的自然伽马和光电吸收截面指数作为BP神经网络输入端信息进行网络训练和学习,对测井数据进行了标准化处理,以消除由于测井系列以及仪器型号的不同引起的刻度误差。应用BP神经网络法对苏里格气田目的层段复杂岩性进行识别,其结果与岩心录井岩性符合度较高,平均符合率达84.48%。采用该方法对致密砂岩气藏储层岩性的识别,可以有效地为后续沉积相等方面的研究提供资料基础。     

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。     

四川盆地致密砂岩储层测井评价方法

四川盆地陆相碎屑岩地层埋藏深、岩性致密,为典型的低孔、低渗储层。针对其储层岩性复杂、测井环境影响因素较多、储层评价较困难等问题,利用岩心实验、物性分析、薄片鉴定、FMI成像及核磁共振等资料,结合测试资料,与测井信息建立转换关系,研究致密砂岩储层的孔隙度等参数计算方法;利用核磁测井对储层质量进行综合评价,在致密砂岩储层的有效性评价和孔径分析的过程中起到了较好的作用,并建立了陆相致密砂岩储层测井评价方法。该方法的解释结果与现场测试结果相符合。     

超致密砂岩储层裂缝与含气性识别

川西HX地区须二段储层属超致密砂岩储层。由于其非常致密，在测井曲线上储层孔隙空间以及所含流体的信息反映非常微弱，造成储层含气性识别非常困难。以实验分析结果为依据，建立了裂缝评价指标渗透率增大率，对超致密砂岩储层进行裂缝评价。在对测井曲线综合分析的基础上，筛选出对天然气反映敏感的测井信息进行储层聚类分析，对储层含气性差异作分类评价。最后，通过裂缝指标与聚类分析结果的综合研究，确定储层的含气性。     

主成分分析法在致密砂岩岩性识别的应用研究

致密砂岩储层孔隙结构复杂,非均质性强,岩性识别困难.传统的基于特征曲线进行曲线重叠、构造参数或建立交会图识别岩性的方法依赖解释人员的知识和经验,而机器学习方法基于测井曲线和岩性类别的映射关系进行数理统计,无法直接观察岩性识别的过程.因此,提出利用主成分分析法来对致密砂岩岩性进行识别,选取对研究区岩性敏感的自然电位、补偿...     

“新三组合”测井技术在鄂尔多斯盆地致密砂岩储层评价中的应用

鄂尔多斯盆地致密砂岩储层具有非均质性强、岩性致密、孔隙结构复杂、连通程度差、孔隙度与渗透率极低等特征,致使常规测井仪器响应特征不明显,储层评价准确性不高。为有效提高致密砂岩储层评价的准确性,采用元素俘获能谱、核磁共振、介电扫描测井相结合的“新三组合”测井技术,对致密砂岩储层进行综合评价。与“常规三组合”测井技术及其测井解释模型相比,“新三组合”测井技术能够提供丰富的储层物理参数,ELANPlus测井解释模型能够更精细地计算储层特征参数,使储层岩性及流体识别、孔隙度计算更加准确、直观、可靠。实际应用表明,在研究区储层评价中“新三组合”测井技术能够提高致密砂岩储层评价的准确性。     

人工蜂群最优化测井解释方法在致密砂岩储层评价中的应用

最优化测井解释方法打破了常规解释的局限性,充分利用测井资料及地质信息,可有效地评价复杂岩性储层,而优化算法是最优化测井解释的关键。利用人工蜂群(ABC)最优化方法求取苏里格致密砂岩储层某段的各组分体积含量,并与细菌觅食-复合形混合算法(BFA-CM)和遗传算法(GA)进行对比。结果表明,ABC最优化测井解释方法在处理致密砂岩储层时具有参数设置简单,全局搜索能力强,不需要二次优化就可达到所需精度,为最优化测井解释提供了一种新方法。     

声波测井识别致密砂岩裂缝储层的应用

低孔低渗致密砂岩储层是一种较复杂的储层类型。致密砂岩储层由于其孔渗性差,其产油气能力主要取决于储层中裂缝发育的情况。裂缝不仅可以使孤立的孔洞得以连通。发育成有效的储集空间,大大提高基质渗透率,是油气的主要运移通道更是决定致密砂岩储层产能的关键因素。因此,裂缝发育规律研究已成为提高勘探开发效益所面临的首要问题。本文在了解砂岩裂缝的相关概念以及它的形成机理的基础上研究了声波测井在裂缝储层识别和评价的响应特征。     

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。     

基于BP神经网络进行裂缝识别研究

裂缝系统是个复杂的地质体，其储层物性（主要是渗透性）的改善作用是非线形的，各种评价参数与裂缝发育程度之间的关系也是非线形的，导致对裂缝进行定量评价十分困难，单纯依靠常规测井资料进行裂缝识别，存在主观不确定性及多解性；成像测井虽然直观准确，但成本较高。本文基于人工神经网络理论，开展了常规测井资料识别评价裂缝的研究。结果表明，基于BP神经网络的裂缝性储集层常规测井识别，与成像测井对比具有较好的应用效果。     

集成神经网络信息融合技术在油种鉴别中的应用

介绍了一种应用集成神经网络信息融合技术的油种鉴别系统。它以加权信息融合技术为基础,对各种油类的三维荧光谱的光谱分析数据采用集成神经网络进行油种鉴别。通过对机油的举例验证表明,该鉴别系统能将鉴别误差由7．59％减小到2．51％。该系统充分利用了数据信息,其诊断精度及学习能力明显优于单一神经网络诊断模型。     

基于人工神经网络实现裂缝性储集层的测井识别

裂缝识别是长期困扰裂缝油气藏勘探的难题之一，单纯依靠常规测井资料进行裂缝识别，存在主观不确定性及多解性；成像测井直观准确，但成本较高。本文基于人工神经网络理论，开展了常规测井资料识别评价裂缝性储层的研究。结果表明，基于人工神经网络的裂缝性储集层常规测井识别，具有较好的效果。     

牛东火山岩油藏岩性识别技术及应用

牛东石炭系火山岩油藏是吐哈油田发现的第一个火山岩油藏,岩性复杂多变,准确识别岩性对储层识别显得尤为重要,也是划分火山岩喷发期次、识别岩相、建立储层参数解释模型、综合评价储层的基础。本文在测井响应特征分析的基础上,结合各种取心、录井资料,分三步建立牛东火山岩岩性识别模式,取得了较好效果,为同类油田进行火山岩岩性识别提供借鉴作用。     

BP神经网络模型设计的研究

就BP神经网络应用设计中的网络隐含层数、隐含层神经元个数等具体设计问题进行了研究与探讨,提出一种新的构建BP神经网络模型方法。实验表明,使用该方法构建的网络模型训练曲面图形时,得到的网络输出曲面与原样本曲面非常接近,训练误差满足设定要求。     

BP神经网络在中压加氢裂化装置多方面预测中的应用研究

应用Matlab软件构建了三层BP神经网络,并对中压加氢裂化装置转化率、喷气燃料干点和高压换热器壳程压降等方面进行了预测,结果表明BP神经网络模型准确度受样本数据质量、网络隐藏层节点数目影响较大,对中压加氢裂化工艺参数、产品性质、高换设备状态等均展示出较好预测能力。其中,对加氢裂化转化率预测的准确度最低,相对误差为±（5%～10%）;对喷气燃料干点预测的准确度较高,相对误差为±（0.15%～2.0%）;对高压换热器壳程压降值预测的绝对误差为±0.03 MPa以内,满足换热器状态监测要求。     

储层敏感性预测模型中BP网络隐层数的优选及应用

储层敏感性预测是多变量的非线性系统,而神经网络解决非线性问题有其独特的优势,是目前用于储层敏感性预测是较好的方法。在建立预测方法过程中,BP网络隐层结点数的确定直接影响到网络的学习效率。通过对目前四种隐层结点数确定方法进行探讨,优选出储层敏感性预测中BP神经网络合理的隐层结点数,并在实际预测中进行应用,从而使预测结果更客观和符合实际。应用情况表明,该方法可大大缩短网络学习时间,从而提高学习效率,使网络以最快的速率达到收敛。     

前馈神经网络的岩性识别方法

测井资料的地质解释是测井过程中十分重要的环节。岩芯资料少,测井资料较多及测井参数分布的模糊性,是岩性识别中的困难所在。在引入前馈神经网络方法的基础上,以取芯井岩芯与测井参数的对应关系作为识别模式,经过向识别模式学习获得模式识别智能知识,从而利用这些智能知识去识别未取芯井的测井岩性。通过对胜利油田永一地区沙河街组四段测井岩性的计算机判识,正确判别率达100%.应用结果表明,神经网络方法性能良好,具有极好的应用前景。