模糊综合评价法在致密储层物性预测中的应用

致密储层非均质性强,物性参数级差较大,用传统的方法建立孔隙度、渗透率模型解释精度低,难以满足精细解释的要求。在论述模糊综合评价技术基本原理的基础上,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,利用模糊综合评价法建立AC、DEN、GR、Rt等4条测井曲线与孔隙度和渗透率之间的非线性映射关系,在一定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。该测井解释处理软件挂接在Lead或Forward测井处理软件平台上,有利于测井的快速定量解释与成图。模糊综合评价法计算的储层参数值变化范围大,建立的模型可同时预测不同储层类型的储层物性参数,且预测结果比常规数理统计法的精度高。     

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。     

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。     

相似度-遗传神经网络在储层物性预测中的应用

传统的测井解释需要建立精确的数学模型,并常伴有严格的条件限制,因此很难得到真实反映储层特性的结果.采用遗传算法与BP神经网络相结合,利用遗传算法的全局寻优特点,优化神经网络的连接权值和阀值,提高网络的训练精度和预测精度,避免了BP算法易陷入局部极小的缺点,提高运算速度.将相似度的概念引入到测井中,定义相似度在测井中的计算公式,提出相似度与遗传神经网络相结合的方法.实例研究表明,预测准确性较高,可以有效控制预测精度,避免因储层差别大而造成的预测精度降低的现象.     

基于测井资料的BP神经网络模型在孔隙度定量预测中的应用

分析了储层孔隙度预测中存在的问题,提出了把测井信息当作影响储层孔隙度的因素、并根据已知测井信息与储层孔隙度的关系、建立适当的BP神经网络模型、在一定的学习条件下对未知样本进行预测的方法。通过实例研究,预测结果的准确性较高且明显优于回归分析预测的结果,认为此法可以作为一种储层孔隙度定量预测的方法。     

应用神经网络方法建立单井物性解释模型

濮城油田南区沙二上2 3油藏,储层物性复杂,常规解释模型精度低,难以用于本区单井物性解释.采用神经网络(BP)方法按物性的自然分区特征建立了解释模型,进行分段解释.物性分段解释的孔隙度、渗透率误差比笼统解释的明显减小,为寻找剩余油提供有利的地质依据.     

基于改进SADE算法的神经网络预测储层物性

为准确计算孔隙度、渗透率等储层物性参数,结合模拟退火和差分进化算法的主要优点,提出一种改进的模拟退火差分进化(SADE)算法,将复杂储层物性预测过程中神经网络权值的训练转化为无约束优化问题,并建立新目标函数,进而利用改进的SADE算法进行求解,并与传统方法计算结果进行比较.新目标函数使得神经网络权值的调整不受样本期望输出大小的影响,更适用于变化范围较大的样本数据训练;改进的SADE算法利用退火温度控制差分进化的选择过程和差分策略的选用,前期具有很好的多样性,后期有较好的收敛能力,克服了经典算法早熟的缺点,提高了全局搜索能力和鲁棒性.利用该算法对现场实际资料进行计算,取得了很好的效果.     

相似度-共轭梯度BP算法在储层孔隙度预测中的应用

传统的基于测井资料的孔隙度求取是威利时间平均公式和它的一些改进形式,这种方法只是简单的线性形式。然而,由于储层的非均匀性,孔隙度与测井响应之间的关系必然是非线性的,利用线性的方法很难得到能够真实反映储层特性的结果。为了解决这个问题,本文采用了共轭梯度算法建立BP神经网络模型,经过网络学习训练后,对未知的样本进行预测。同时,定义了相似度在测井中的含义及计算公式,通过计算所要预测样本储层的相似度,来判断预测样本是否适合用所建立的神经网络模型进行预测。模拟结果表明,当预测储层和标准储层相似度高时,预测结果和实测结果误差很小;反之,预测结果和实测结果存在较大误差。因此,在孔隙度预测之前,须先计算预测样本的相似度,以判断是否适合,这样可以有效的控制预测精度,避免因储层差别很大而造成的神经网络预测精度降低的现象。     

人工神经网络技术在油田储层物性预测中的应用――以西峰油田为例

与传统的测井资料解释和信息处理技术相比较,在对非均质性较强、物性参数级差较大的储集层物性预测中,人工神经网络技术具有极强的自适应和自学习能力,其通过很强的非线性映射,能够精确地建立储集层参数与测井响应之间的非线性模型。在论述神经网络技术基本原理的基础上,对西峰油田延安组和延长组储层的物性参数(孔隙度和渗透率等)进行了预测,取得了较理想的结果。预测结果表明:渗透率参数级差不大(<102)时,预测精度高;渗透率的变化范围较大(>103)时,对具有高渗透率储层的预测精度高,而对具有低渗透率储层的预测值相对误差较大。     

自适应BP神经网络技术在超低渗储层分类中的应用

利用研究区内22块压汞样品及4 440块有效物性分析样品,建立起超低渗透率储层的分类标准.通过与前人研究成果的比较,发现所建立的标准是可行的.借助自适应BP神经网络技术建立了适合研究区长6段的储层分类判别模型,并将其判别结果与综合判别结果对比,吻合程度较高.     

BP神经网络在原油三相计量中的应用

针对原油三相计量问题,运用BP神经网络的理论和方法,使用MAT-LAB工具箱函数编程,提出一种应用BP神经网络技术的智能式计量方案.采用四层BP神经网络结构进行实验,以影响原油三相计量的主要因素即频率、压力、压差为网络输入,原油油、水、气体积流量为网络输出,双隐含层、输出层激活函数分别采用tansig、purelin,实验中网络计量均方差达到10-10..实验数据表明,这种应用BP神经网络技术的智能式计量方案是可行的.     

同伦BP算法在储集层参数预测中的应用

同伦算法是解决非线性优化问题的新理论，将同伦算法引入误差反向传播神经网络，提高了网络的训练速度，消除了常规BP网络算法收敛于局部极值的缺点。该算法具有稳定性强、训练速度快、收敛精度高的优点。实际应用表明，利用此网络进行储集层参数预测，提高了参数预测的可靠性；该算法具有克服网络病态的能力。     

BP神经网络在沥青延度预测上的应用

在我国的沥青标准体系中,延度是一个重要指标。但是,目前对于延度的预测方法可用的很少。人工神经网络可以对输入和输出间复杂的关系进行关联,能对复杂的函数关系进行线性和非线性的拟合。该文用调合沥青原料四组分数据和调合比例计算而来的四组分值作为输入,延度作为输出,在MATLAB上进行了数学建模,建立并训练BP神经网络,检验神经网络的性能优劣。结果表明:训练出来的BP神经网络对于调合汤青的延度具有较好的预测能力。     

应用神经网络计算储层参数

以岩心分析资料及多种测井信息为依据，首先利用样本信息的神经元模型（ＣＵＳＩ）解决了储层参数的计算问题，并利用改进后的自适应神经元模型（ＡＣＵＳＩ）提高了分析精度。最后利用前馈神经网络的误差反向传播模型（ＢＰ）网络的外延和信息表达能力解决了非储层的定量识别。应用上述方法对辽河油田四口井进行了逐步参数分析，分析结果与实际情况吻合很好。     

基于BP神经网络的海洋平台振动载荷识别

利用ANSYS软件建立了W12-1海洋平台的有限元模型，通过在模型识别点上施加激励得到的响应方法获得了BP神经网络的训练数据。建立了关于W12-1海洋平台的BP神经网络模型，并对其振动载荷进行了识别。识别结果表明，在对海洋平台这样的大型复杂结构进行载荷识别时，神经网络方法相对于传统载荷识别方法具有更高的识别精度。     

基于BP神经网络的注采比预测

采用编制的计算机程序计算了注采比与水油比法、多元回归法、物质平衡法、GM(1,1)模型和BP神经网络预测法的拟合注采比与实际注采比之间的误差大小,其平均相对误差分别为1.67%、1.08%、19.22%、1.38%和0.88%。对各种预测法产生误差的原因进行了理论分析,得出BP神经网络预测方法的精度最高,而且具有较好的自适应性,能够反映影响注采比的各种因素与注采比的内在关系。因此,BP神经网络方法可用于预测油田注采比。     

面向脱硫系统的BP神经网络预测控制

为降低脱硫系统中二氧化硫的排放量,提出了基于BP神经网络的二氧化硫预测模型。应用BP神经网络的预测模型,采用迭代优化的控制算法,根据系统相应的性能指标,并对网络的权值和阈值进行反复调整,最后利用实际数据对模型进行了仿真验证。研究结果表明,BP网络的脱硫效率预测模型仿真精度较高,为燃烧系统的改造提供了依据。     

基于BP神经网络技术的水淹层评价

油层水淹后,油层的电阻率、自然电位、声学性质以及核物理性质等均会发生一系列变化,而且这些变化同油层的物理性质、注入水性质以及注入量等有关。不同的注水时期,这些变化也是不同的,因而使地质情况更加复杂多变。此时如果仅仅依靠常规测井曲线的变化建立模型来评价水淹层,势必造成很大误差。根据常规测井资料,借助BP神经网络,建立了BP网络模型,用建立的模型对某断块的15口具有试油资料的井进行了水淹级别预测,正确率高达80%以上。结果表明,基于BP神经网络的水淹层识别技术具有良好的应用效果。     

BP神经网络预测石化塔顶系统腐蚀的应用研究

塔设备是石化企业一个非常重要的系统,塔设备的腐蚀问题十分严峻。根据某石化企业分馏塔塔顶系统的腐蚀监测数据,探讨利用BP神经网络建立腐蚀预测模型解决石化塔设备在腐蚀过程中产生的问题。本文分别使用min-max和z-score标准化方法对腐蚀监测数据进行处理,比较两种方法对腐蚀预测结果精度的影响;并且分析训练样本个数变化对腐蚀预测模型预测结果产生的影响。结果显示:利用BP神经网络建立的腐蚀预测模型可以为炼油厂的腐蚀控制提供依据;使用min-max标准化方法处理的数据,能够得到更高的预测精度;当训练样本超过20时,模型预测结果的精度和稳定性均较好。