Kohonen自组织模型在录井数据解释中的应用

本文介绍了一种用人工神经网络方法通过综合录井色谱仪对轻质烃气态数据进行在线解释及油气层评价的方法。用３Ｈ轻质烃比值法实现由Ｋｏｈｏｎｅｎ自组织模型对现场数据进行解释，其分类效果较ＢＰ网络符合率高、速度快，非常适用于钻井现场对油气层的快速解释和评价。     

测井数据模式识别中的信息优化方法

简介了智能信息处理中新出现的ＲｏｕｇｈＳｅｔ（ＲＳ）理论，探讨了测井数据模式识别中的信息优化原理，提出了将ＲＳ理论与人工神经网络结合起来进行测井信息优化与模式分类的ＲＳ神经网络智能系统，并将该系统应用于测井样品分类，分类结果表明，本系统速度快，易实现，而且在优选测井属性，最大程度地减少使用测井属性种数，提高分类正确率等方面，明显优于其它方法，本系统为测井属性选择提供了一条新途径，将成为测井数据模式     

基于改进集成学习的测井岩性识别方法研究

测井数据中存在大量与岩性无关的冗余信息，且各类岩性标签数据分布不均匀，严重影响岩性识别准确率，现有测井岩性识别算法无法有效解决岩性类间不平衡问题。为此提出了一种针对不平衡样本集的集成学习岩性预测方法KSMOSEL:首先以录井岩性数据为岩性样本标签，将测井曲线作为模型输入；然后将K-means算法与合成少数类过采样技术(SMOTE)相结合形成K-means-合成过采样算法，即KS采样算法，对岩性样本集进行平衡化处理；最后将采样后的数据集用于构建集成学习模型并训练，采用多个分类器模型融合构成强学习器，通过“软投票”方式预测岩性类型。以Hugoton油气田测井岩性数据为基础，采用改进不平衡样本集的集成学习岩性预测方法对岩性进行分类，并将识别效果与传统的分类模型：支持向量机、K最近邻分类、决策树、XGBoost和随机森林等模型进行对比。试验结果表明：KSMOSEL方法具有更高的精度，岩性识别准确率达到94.28%;KS采样之后，支持向量机、K最近邻分类、决策树、XGBoost、随机森林、GBDT和集成学习等模型岩性识别准确率分别提高了18.68%,12.03%,3.77%,10.23%,24....     

稳态数据校正技术在石脑油裂解过程中的应用

研究了稳态数据校正技术在含有化学反应过程的流程中的应用情况。在计算中通过两步投影矩阵分类算法进行数据分类,消除了已有算法中出现奇异矩阵的情况;采用两步矩阵投影与广义似然比法相结合的算法进行数据协调和过失误差的侦破、识别。以某乙烯装置的生产工况为实例进行了稳态数据校正,计算结果表明采用校正后的数据更符合实际的物料平衡关系。     

密闭取心井岩石饱和度测量数据校正方法

通过仔细分析密闭取心井岩石油水饱和度数据的损失机理，在对岩心测量数据进行岩性、物性分类和多元回归的基础上，提出了一套饱和度资料的校正方法。它是对饱和度数据的脱气、挥发等损失的一个总的校正，具有较高的精度，并使校正后油水饱和度两项数据之和为１００％，取得了较好的效果。     

数据校正计算的两层次变换算法

提出求解数据校正问题的两层次变换算法。在对已测量数据和未测量数据是否可被校正和估计进行理论分析的基础上，采用投影矩阵进行数据分类和协调计算，提出采用投影矩阵对约束方程进行两个层次的变换算法。该算法针对目前通用的由Ｃｒｏｗｅ提出的算法在求解未测数据的估计值时很可能遇到对奇异矩阵求逆从而无法进行正确计算的缺点，在求解校正值和估计值时对约束方程进行深浅不同的两个层次的变换，可缩小解题规模和杜绝出现对奇异矩阵求逆的情形，提高了计算效率和计算的可靠性，对实现数据在线校正具有实际价值     

Kohonen自组织在录井数据解释中的应用

木文介绍了一种用人工神经网络方法通过综合录井色谱仪对轻质烃气态数据进行在线解释及油气层评价的方法。用３Ｈ轻质烃比值法实现由Ｋｏｈｏｎｅｎ自组织模型对现场数据进行解释，其分类效果较ＢＰ网络符合率高、速度快，非常适用于钻井现场对油气层的快速解释和评价。     

稳态过程在线数据校正技术的工业实施

开发了稳态过程在线数据校正软件DRS ,采用方差检验法进行稳态检测 ,通过两层次变换进行数据分类 ,将数据预处理、逻辑判断与整体检验法和测量数据检验法相结合用于侦破、识别过失误差。DRS软件可以连续判断生产装置操作是否平稳并对处于稳态下的测量数据进行校正 ,还可以对测量数据中含有的过失误差进行正确的侦破和定位。运行结果表明 ,DRS软件对过程的稳态检测结果正确 ,对测量数据中含有的过失误差可以正确侦破并合理地处理 ,校正结果合理、可靠。     

语音系统在综合录井监测中的应用

介绍了综合录井监测中将异常数据采用语音形式进行播报的原理和方法,其主要方法是首先将各种参数的名称、数字制作成波形文件,建立语音库,其次,利用录井软件的WITS数据输出接口完成数据接收、格式分析、数据分类等工作,实现对录井软件数据的实时采集,最后按照一定的规则对数据进行计算,根据设定的条件,在参数发生异常变化时通过调用语音文件,实现实时语音播报,同时将数据实时显示和存储。经过多口井的实践证明,该语音系统应用效果良好,实时监测和语音播报功能的结合,能够提高录井人员的工作效率,软件的操作性和功能的实用性完全能够满足现场录井的需要。     

油气勘探开发常用数据挖掘算法优选

迈入大数据时代的石油工业,需要充分挖掘石油工业大数据的巨大潜在价值。虽然数据挖掘已经在许多行业取得了丰硕的成果,但在油气勘探开发领域的应用还处于初始阶段,这主要由于油气勘探开发的数据及其应用具有自己的特殊性。数据挖掘常用的算法可分为回归、分类、聚类、估计、预测、关联分析等。其中的回归、分类是最成熟、应用最多的算法。但是对于具体的研究对象、不同的研究问题和数据源,不同的回归和分类算法又具有各自的适用性,因此需要针对具体问题优选适合该数据集的算法。以塔河油田的试油数据为例,以地层系数和油层分类为分析挖掘对象,详细解析了常用回归、分类算法的适用性。研究发现,对于常见的石油行业数据和研究对象：1最优的回归算法是反向传播神经网络（BPNN）,其次为支持向量机回归（R-SVM）和多元回归分析（MRA）;2最优的分类算法是支持向量机分类（C-SVM）,其次为贝叶斯逐步判别（BAYSD）;3 MRA和BAYSD可以用于数据降维,BAYSD的降维效果更好;4 R型聚类分析（RCA）可以用于数据降维,Q型聚类分析（QCA）可以用于样本约简;5在做具体的数据挖掘应用研究时一定要针对具体数据集对所用算法进行优选。     

考虑数据不平衡影响的钻井复杂智能诊断方法

钻井复杂的准确识别是钻井工程顺利开展的保障,现有基于机器学习的钻井复杂诊断方法未考虑钻井资料数据不平衡的特点,可能导致将钻井复杂误判为正常工况。基于决策树分类模型,建立了考虑数据不平衡影响的钻井复杂诊断方法:从录井资料、工程异常记录等现场资料中收集原始数据,提取钻压、钩载、排量等钻井参数,并以波动值构建样本集;引入错误分类成本以修正数据不平衡的影响,建立以最小错误分类成本期望值为分类目标的决策树模型,取代以最高准确率为目标的分类模型。将新模型应用于某页岩气水平井卡钻复杂诊断,结果表明:考虑数据不平衡后,模型能识别出传统方法遗漏的卡钻样本,并将成本期望值降低85%。文中处理数据不平衡的方法不局限于决策树模型,亦可推广至其他机器学习方法,帮助解决钻井复杂识别问题。     

软计算是智能油藏描述和井位优化的有效技术

为了识别三维地震数据和生产测井数据之间的非线性关系和映射，开发出了的一种综合方法。该方法在一个在产油田得到了应用。它采用了诸如地质统计和传统的模式识别等常规技术，并结合现代的软计算(soft computing)技术(神经计算学、模糊逻辑学、遗传计算学和概率推理学等)。我们的一个重要研究目的，是在三维地震数据和现有的生产测井数据的基础上，利用聚类(clustering)技术确定最佳的新井井位。采用三种方法进行分类：(1)k-平均聚类；(2)模糊c-平均聚类；(3)识别相似数据体的神经网络聚类。在井筒周围可以识别聚类组(duster)与生产测井数据的关系，所得结果用于在远离并筒方向上重建和外插生产测井数据。这种先进的三维地震和测井数据分析与解释技术可用于：(1)确定生产数据和地震数据之间的映射；(2)在多属性分析的基础上预测油藏连续性；(3)预测产层；(4)优化井位。     

综合应用地震和动态数据进行油气藏描述

本文提出了综合应用三维地震数据和生产数据进行详细油气藏描述的系统方法。此方法包括三个步骤。第一步,对地震数据进行反演,以便根据岩心和测井数据绘制阻抗分布图。第二步,模拟与阻抗数据一致的孔隙度值。最后一步,估算与有关孔隙度和动态数据相一致的渗透率值。本文详细讨论了所有三个步骤。通过将这种系统方法应用于合成数据和现场数据进一步得到验证。所得结果令人满意地证明了该方法的适用性。     

确定三维地层速度结构的地震层析成像技术

观测数据与地层参数之间呈线积分关系的反演称作地球物理层析成像。本文介绍在连续曲界面均匀各向同性层状介质情形下,根据地震反射资料反演三维地层结构及地震速度的地震射线层析成像方法。正演模型射线追踪是根据Fermat原理实现的,即求解由时间最小原理列出的非线性方程组得到射线与界面的交点。反演的目标就是求解这样的地层模型,使其射线追踪走时与观测走时的残差为极小。具体做法是根据走时残差求取模型参数修正量的阻尼极小二乘解,循环迭代直至满足要求为止。 文中给出了两个合成资料反演的例子。一个是合成的P波走时数据(加随机噪声)的反演,其结果与真实模型能较好吻合。另一个例子则同时考虑P波及反射P—SV转换波走时,反演包括P波速度和SV波速度对三维速度结构。利用P—SV波进行P波和SV波速度结构的成像是本文的一个进步。     

P—SV波地震数据的叠后偏移

r_p/r_s在深度域为常数时,爆炸反射模型满足于零偏P—SV(转换波)数据。在垂向非均匀介质中,P—SV的绕射波近似于双曲线。在这种条件下可以推导出绕射点的偏移速度表达式。P—SV偏移速度比相应的rms(均方根)速度低6％～11％。对DMO校正后的合成P—SV叠加资料用一种传统的相移算法和导出的偏移速度做P—SV偏移,绕射波收敛,而使rms速度函数做偏移,则出现明显的过偏现象。     

地表地球化学数据的解释和显示

本文评述地表地球化学数据解释和显示的系统方法，并讨论地表地球化学测量的直接和间接方法。地表地球化学数据的解释一开始必须着重确定背景值和可能出现的异常样品。可以利用直方图和概率关系曲线图来实现这两类样品的区分。由于地表地球化学数据本身存在干扰噪音，因此需要使用各种平滑化技术，包括线形测区的移动平均值和网格数据的移动单元平均值。利用一种方差分析法可以评价采样密度的充分程度。所有地表地化数据都必须符合地质评价结果并有助于对石油潜力的评价，同时在统计学上也要有意义。 对多元统计法进行了评述，包括比率、交会图、分类对比类图以及三元图。对比较先进的多元统计技术作了简要介绍，例如主成分分析、因子分析和聚类分析以及神经网络技术。地表地球化学数据的图形显示往往是最终成果。介绍了如何根据不规则间距的控制点建立规则网格的不同方法。对于估算网格点值的地质统计分析和克里格方法进行了相当深入的讨论。对于详细等值线制图和彩色浓度差异制图的局限性也作了介绍。     

用VSP数据中下行P-SV转换横波求取横波速度

探讨了用零偏移距三分量VSP数据中的下行P－SV转换横波,求取厚度相当于VSP采集点距的地层横波速度。从井下检波器方位校正得到横向垂直分量,对其二维谱中各类波的能量和特点进行分析,通过二维滤波得到信噪比较高的下行转换横波,选取振幅较强的同相轴提取波至时间,获取了横波速率及泊松比。结果表明,即使是零偏移距VSP数据,只要其上有明显可见的转换横波,也能以采集点距的量级计算横波层速度。     

基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。     

基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。     

地震数据油气预测中的属性优化方法

本文简单介绍了智能信息处理中新出现的RoughSet（RS）理论及属性选择方法，从双相介质地震波传播理论角度，探讨了地震数据油气预测属性优化原理，提出了基于RS理论的地震数据油气预测属性优化方法。实际应用表明；本方法速度快、易实现，而且在优选属性、最大程度地减少提取地震属性种数、提高分类正确率等方面，明显优于其它方法。本方法将成为地震数据油气预测的一种有效手段。