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.     

基于小波降噪与人工智能的岩性识别研究

岩性识别是深度学习在油气田开发的主要应用方向之一,人工智能模型可有效提升油气田开发、现场施工的效率。通过小波降噪技术,对某区块15 764条测井数据,及其7种特征进行降噪处理,提升测井曲线信噪比,进而构建随机森林、XGBoost、支持向量机模型,并采用精准度、召回率、F1评分对模型预测效果进行对比评估。研究结果表明,小波降噪技术可有效提升测井曲线信噪比,突出岩性特征。降噪处理后,XGBoost模型表现最优,测试集精准度、召回率、F1评分均可达0.998。支持向量机模型采用降噪后数据训练,预测效果提升最为明显,总评分提升9.2%。     

基于注意力机制和双向长短时记忆网络的横波速度预测方法及应用

横波速度信息对油气勘探而言至关重要，但实际测井资料中常常缺失横波速度资料。横波速度与测井参数之间存在非线性相关性，二者关系复杂难以用解析解表征。为此，提出了一种基于注意力机制和双向长短时记忆网络的横波速度预测方法(AT-BLSTM)。该方法首先利用注意力机制为测井参数分配权重，自动聚焦对横波速度预测贡献大的测井参数，然后利用双向长短时记忆网络以及横波速度曲线纵向上的时序特征，挖掘各种测井参数与横波速度之间的相关关系，获得各种测井参数与横波速度之间的学习模型，再输入优选测井参数，最终可直接获得横波速度的预测结果。将上述方法应用于挪威北海Volve油田和我国西南某工区的实际测井资料进行横波速度预测，并将预测结果与常规双向长短时记忆网络、门控循环神经网络以及基于经验公式的传统方法的预测结果进行对比。结果表明，利用基于注意力机制和双向长短时记忆网络的横波速度预测方法得到的测井参数权重分配合理，横波速度预测结果与实测横波速度误差较小、相关系数较高，有效提高了横波速度预测精度，预测结果具有良好的稳定性。     

地面自然伽马曲线正演模型的高分辨率研究

岩心描述资料、地面自然伽马曲线资料与井下自然伽马曲线资料三者进行一定程度上的刻度对应后,再结合BP神经网络构建出比较合理的正演模型,此模型用于其它非取心井的自然伽马曲线预测,把预测出的具有较高分辨率并能够反映出薄互层的自然伽马曲线最后应用于测井精细解释,再结合其它测井曲线,能够分辨出厚度为0.3米或0.4米的薄储层,从而在一定程度上达到提高常规测井纵向分辨率的目的。     

基于数据驱动和循环滑动时窗的小层智能划分方法

老油田开发井数多、纵向上多套层系发育、油水关系复杂,地层对比人工解释工作量大、多解性强。常规大数据研究思路将多条测井曲线和分层样本标签通过选定的一种机器学习方法一次性建立样本预测模型,该方法预测模型精度低、收敛困难。针对性地提出了一种基于数据驱动和循环滑动时窗的小层智能划分方法,优选对地质分层敏感的测井曲线作为特征参数,为丰富样本库采取“窗口对点”的循环滑动时窗方法多次进行样本数据采集,通过优化不同机器学习方法的超参数,得到最佳训练模型,使用该模型对小层智能划分结果进行预测。分析结果表明,滑动时窗长度为20、步长为2时进行样本采集,基于随机森林方法构建的小层智能划分模型预测准确率达88.4%,优于常规一次性建模预测方法,取得最优的测试效果。     

在加拿大东海岸Venture气田应用人工神经网络模拟技术预测渗透率

由未取心井段的测井信息估算渗透率是一个重要问题,也是很多地学学科遇到的难题。估算渗透率的最常用方法不是应用经验公式,就是应用某种形式的多元线性回归(MLR)技术。比较复杂一点的多元非线性回归(MNLR)技术,由于涉及到近似数学模型的选择和所选模型对输入变量的敏感性分析等困难而很少采用。但新近发展的一类非线性优化人工神经网络(ANNs)技术比较好地克服了这些困难。 我们应用反向传播ANN(BP—ANN)模拟了空间位置和六种不同的测井曲线与渗透率之间的关系。取自Venture气田的四口井中数据形成BP—ANN模拟所需的训练数据集和监督学习数据集。在同一气田,保留五分之一的井中数据作为独立数据集用作试验。用这些试验数据作试验时,训练后的BP—ANN产生的渗透率和取心井段实测的渗透率匹配得很好。由训练后的BP—ANN计算出的渗透率剖面揭示出许多低渗透率层、并可在井间进行对比。这些层很可能是储层内流体受阻的原因,对进一步油藏开发计划有着重要意义。 为便于讨论,我们采用了同样数据集的常规统计法预测方程(即MLR和MNLR)。这些例子着重强调了BP—ANN方法在解决多变量、非线性模拟,诸如渗透率估算等难题中的效用。     

基于门控循环单元神经网络的测井曲线预测方法

为了减少泥浆侵入对测井曲线的影响，许多油田采用随钻测井技术，需先预测未钻地层测井曲线，这对随钻测井具有非常重要的指导作用。为此，提出一种基于门控循环单元神经网络（GRU）预测未钻地层测井曲线的方法，该模型将长短期记忆神经网络（LSTM）的输入门和遗忘门合并成更新门，输出门变成重置门，使模型结构简单，不易出现过拟合现象，保留LSTM模型的长时记忆功能，且能有效缓解梯度消失或梯度爆炸问题。以新疆油田直井和南海西部油田随钻测井的实际测井数据为例，选取已钻地层以及邻井的自然伽马、深感应电阻率、声波时差、密度和井径5条测井曲线数据作为训练样本输入到LSTM和GRU模型中进行学习训练，将训练好的模型用于预测未钻地层的测井曲线。应用结果表明，GRU比LSTM模型在新疆油田和南海西部油田预测测井曲线的平均相关系数分别提高13.78%和12.13%，平均均方根误差分别下降27.08%和42.17%，GRU模型能够准确地预测未钻地层测井曲线的变化趋势。     

基于深度学习的裂缝预测在S区潜山碳酸盐岩储层中的应用

准确描述并预测裂缝空间分布是裂缝型潜山油藏储层开发的前提条件,裂缝型潜山油藏构造复杂、断层发育、地震反射多表现为空白或杂乱反射,传统的依赖模型的反演方法难以表征复杂的潜山断裂系统。为此,提出了以测井裂缝敏感参数FIC c为训练目标的深度信念网络反演方法。首先基于碳酸盐岩裂缝在测井曲线上的响应特征,综合伽马、井径等曲线,构建敏感性裂缝识别参数FIC c;然后以基于优选井计算的FIC c曲线作为训练目标、以井旁地震数据作为训练特征构成训练样本,通过训练深度信念网络,建立井旁地震数据与FIC c曲线之间的非线性映射关系;最后将训练成熟的网络模型应用到整个地震数据体,反演得到裂缝识别参数FIC c,进而预测裂缝空间分布。S区潜山裂缝预测的应用结果表明,测井裂缝识别参数FIC c识别结果与成像测井裂缝识别结果基本吻合,FIC c作为训练目标在S区裂缝预测中具有较好的可靠性;应用深度信念网络反演的解释结果表明S区潜山主要发育北东向裂缝,呈带状沿断层大面积发育,与熵属性刻画的裂缝发育带一致性较好,钻井吻合率达71%。     

一种实用的成像测井数据自动校深方法

在eXpress 平台中,ADM程序只能对低采样率测井项目进行纵向深度匹配,而无法对高采样率测井项目按照低采样率测井曲线进行纵向深度匹配.分析发现,通过降低数据文件的采样率,可以应用ADM程序对高采样率测井项目(如CBIL和STAR测井项目)进行纵向深度匹配,达到自动校深的目的.     

基于多元回归模型重构测井曲线的方法研究及应用

地层岩性、物性和含油气性与测井曲线之间存在一定的相关性,不同的测井曲线常常反映不同的地层性质,因此,很难用单一的函数来描述曲线之间的数学关系。 多元回归技术是处理变量间相关关系的有效方法,目前已得到广泛应用。 一般运用多元线性回归模型来描述测井曲线之间的关系,该模型对简单的地层特性关系分析较为有效,但随着地质影响因素的增多,其效果也往往欠佳。 为此,以常规多元线性回归模型为基础,推导了非线性回归模型,将复杂的非线性问题简化为较为简单的线性问题来处理,增强了多元回归技术的适用性;同时,建立了多元回归原始参数与模型的优选方法,为最优回归结果的获取提供了技术支撑;最后,探讨了测井曲线重构在地质与工程作业中的具体意义,并以 3 个应用实例证明了该技术的可行性。