应用量子神经网络快速预测储层敏感性

针对室内评价储层敏感性预测的不足和传统神经网络模型的缺陷,在收集岩心分析资料、分析生物神经元的信息处理方式和量子特性的基础上,提出一种具有量子特性权值和活性值的量子神经网络预测模型[1]。对吉林油田伊通地区储层敏感性进行快速预测,其结果表明,量子神经网络模型的敏感性伤害程度预测结果明显优于传统BP神经网络,与岩心流动实验结果的符合率达到88%。该方法能快速、准确地预测储层的敏感性指数,为保护油气层提供可靠的理论依据。     

应用改进的BP人工神经网络快速预测储层敏感性

标准的神经网络算法存在训练时间长，在一些特定的给定初值情况下会陷入局部最小等缺点，应用受到一定限制。该文介绍了改进的BP人工神经网络训练算法，该算法在一个权值修改过程中对权值修改两次，以达到加速收敛避免陷入局部最小等目的，利用该算法进行了储层敏感性快速预测软件研制。分析表明，该算法受人为因素干扰小，所需参数少，结果比较可靠，总体符合率达到91％，改进后的算法训练所需时间与标准BP网络相比缩短了许多，是一种适用于现场的良好方法。     

应用支持向量机方法预测储层敏感性

介绍了支持向量机的基本理论;通过单相关分析找出影响储层敏感性的主要因素,应用测井资料提取这些敏感性参数,使用支持向量机算法,以影响敏感性的主要因素作为支持向量机网络的输入层,预测储层的敏感性.分别使用支持向量机和BP神经网络2种方法对×油田的测井资料进行了处理、分析.对比结果表明,用支持向量机得到的速敏、水敏、盐敏的预测结果具有更高的预测精度.这说明支持向量机预测储层敏感性是一种切实可行的方法.     

储层敏感性快速预测软件在大港油田的研究与应用

在储层特征分析，室内实验，机理研究的基础上，利用人工神经BP网络建立预测模型，并编制了预测储层5种敏感性的软件，该软件受人为因素干扰小，所需参数少，准确度高，综合符合率大于80％现场应用结果表明，该技术能为制定保护油气层技术措施提供较可靠的依据，能提高油田滚动开发效益，改善老油田的开发效果，该软件对BP算法进行了改进，（1）从两方面入手使网络摆脱平坦区，一是对输入数据进行归一化处理，使O1的取值在[0,1]之间，二是一旦网络陷入平坦区域，局部极小，使连接权值Wkj,Wji和阈值Qk,Qj同时缩小一个因子，λ＞1，可使Ok(1-Ok)脱离零值，离开平坦区；（2）加速收敛，方法有自动调整学习因子，添加动量项以及对权值进行批处理，用BP算法预测储层潜在敏感性，首先应确定影响储层敏感性的主要因素，然后根据这些因素有针对性地收集有关资料并进行处理，再根据敏感性预测的要求，设计相应的网络结构进行训练，最后对训练好的网络进行.检验。     

考虑温度因素的储层敏感性预测方法

通过研究温度对储层黏土矿物、孔隙度以及渗透率的影响规律,发现温度对储层孔隙度的影响较小,渗透率随温度的变化与孔隙度之间存在一定关系.在BP神经网络模型的基础上,将温度作为一个新的神经元引入到输入层中,通过对网络隐层数的优化设计和误差分析,提出了考虑温度影响的储层敏感性预测新方法,编写了相应的计算程序实现了敏感性预测的智能化.通过与室内实验结果对比,该方法精度大于83%,且受人为因素影响小,具有较高的预测精度,为高温条件下储层敏感性预测提供了一种新的手段.     

塔北地区储层敏感性综合预测

综合分析地质、地震及测井资料，可以准确地预测储层的敏感性。以地质分析及敏感性实验资料为基础，以测井资料为标定手段，以地震信息为横向预测导向，综合处理各种信息，从而实现对区域储层的敏感性预测。其中，利用测井资料预测储层敏感性是关键，须采用多参数相关系数法进行单井储层敏感性分析。以塔北地区侏罗系为例，综合各类信息进行了储层敏感性处理，分析结果表明，该区储层速敏弱，水敏、盐敏、碱敏和酸敏程度中等，与其储层敏感性实验结果基本吻合。     

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。     

低渗裂缝性碳酸盐岩储层应力敏感性评价及保护技术研究——以塔里木盆地奥陶系古潜山油气藏为例

在对塔里木盆地奥陶系古潜山低渗裂缝性碳酸盐岩储层地质特征进行分析的基础上,利用人工裂缝岩样进行了应力敏感评价试验.结果表明,试验岩样存在较强的应力敏感性,平均渗透率损失92.48%,裂缝宽度下降76.37%.基于储层应力敏感性试验分析,对目前使用的正电胶钻井液体系配方进行了改进,取得了良好的应用效果.     

改进形式共轭梯度算法在储层敏感性预测中的研究

通过对共轭梯度算法的深入研究和分析,提出改进形式的共轭梯度算法模型。在Matlab 2009和Visual Studio2010混合编程中加以实现。通过验证得知,该算法模型预测的储层敏感性参数与实测数据几乎无误差,适合生产实践的需求,能解决实际问题,值得在生产实践中进行推广应用。     

应用神经网络信息融合技术快速预测储层敏感性

快速、准确地诊断与预测储层敏感性损害问题一直是储层保护问题研究的一个重要领域。同时预测储层敏感性损害也是一门需要处理大量数据与信息的技术。信息融合技术是将各种途径、任意时间和任意空间上获得的信 息作为一个整体进行综合分析处理的技术。利用信息融合技术进行敏感性损害预测能够尽可能多地使用已有的数据获取最为准确的结果,在输入参数较少的情况下给出一个可靠的数值结果,且受人为因素干扰较少。基于 政进算法编制的神经网络信息融合技术储层敏感性快速预测软件分析表明,该方法受人为因素干扰小,可以渗断储层中邶种敏感性是主要因素并给出一个确切数值,同系统所需参数少,结果可靠（总体符合率达到91％）,是一种能适用于现场的快速有效的方法,为油田合理处理敏感性损害提供了理论依据。     

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。     

商河河田储层的敏感性评价

通过模拟地层水对岩心的驱替实验,对商河油田储层的水流速敏性,水敏性,盐敏感性,碱敏感性,酸敏感性等因素进行了研究,结果表明储无速敏效应,水敏效应弱,存在一定的盐敏效应,碱敏和酸敏效应中等。     

渤中25-1油田储层敏感性试验研究

利用渤中25—1油田的油层取心岩样,按照我国石油天然气行业有关标准,试验研究了渤中25—1油田储层岩石的流速敏感性、水敏性、盐敏性、碱敏性和酸敏性。研究结果表明,渤中25—1油田储层岩样速敏损害指数为0．176-0．206,速敏损害程度弱;岩样的水敏损害指数为0．665～0．723,水敏损害程度中等偏强至强水敏,岩样的碱敏损害指数为0．248-0．263,碱敏损害程度弱,岩样的盐酸酸敏损害指数为0．250-0．293,具有弱酸敏。为油田的合理开采提供了依据。     

A油田三叠系储层敏感性研究

根据岩石薄片、铸体薄片、X-衍射、压汞、地层水矿化度等资料，对影响A油田三叠系储层敏感性的粘土矿物特征及粘土矿物与储层敏感性的关系，进行较为深入的研究。在此基础上提出了单相关系数加权的储层敏感性预测方法，总结了理论排序表。用该方法所预测的储层敏感性与岩心流动实验结果基本符合。这与直接应用粘土矿物等资料进行定性分析同样可靠、符合实际，因此大大节省岩心敏感性流动实验的费用和时间，对油田勘探开发中的油气层保护具有重要意义。     

乐安油田草104块储层敏感性评价

乐安油田草104块储集层中存在伊/蒙混层、高岭石、伊利石等黏土矿物以及方解石等碳酸盐矿物。这些矿物都有不同程度的敏感性,在油田勘探开发的不同阶段,会对储集层造成不同的伤害。试验研究表明,草104块储集层具有强水敏性和中等盐敏性,注水开发时应该注重注入水与地层的配伍性。此外,该储集层具有弱碱敏性,并对土酸不具有敏感性,因此可用土酸进行酸化处理。     

埕岛油田疏松砂岩储层敏感性研究

埕岛油田CB4A、CB4B、CB4C井组属埕岛四井区SH4开发井组，其胶结物含量明显低于埕岛油田其它区块，储层胶结疏松，作业过程中容易导致油层伤害。通过对埕岛油田馆陶组储层进行的大量敏感性实验研究，认为馆陶组储层Ng3段属于弱流速敏感、中等强度的水敏、盐敏，对土酸不敏感。临界矿化度为2000-4000mg/L．为优化各种工作液配方提供的依据。     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。