基于AVO流体反演的储层孔隙度预测技术

AVO流体反演技术是将统计学与AVO理论结合,统计判别实际地震数据与测井数据正演的AVO响应,定量预测目标储层的含油气概率分布。针对低孔、低渗碎屑岩储层,为求取孔隙度参数,本文将AVO流体反演技术进行了改进,充分利用其统计学分析优势,通过贝叶斯和柯西等概率理论对异常信息进行统计判别,并从中提取出储层的孔隙度信息,实现了X69井区储层的定量预测,减小了预测的多解性。孔隙度预测结果与实际测井值吻合率最高可达到79%,较好刻画出高产井区有效储层空间分布特征。     

Ӧ�û�ɫϵͳ����Ԥ��ĥϪ�������Ĵ�������

本文利用取心井的少数储层孔隙度与测井数据,应用灰色系统理论,按照GM(O,N)建模方法,确定了川中磨溪气田香四储层孔隙度和测井数据间的量化关系,并预测了未取心井的储层孔隙度,其结果与回归方程和测井解释相比较,具有拟合、预测精度高等特点。     

综合应用地震、地质和测井资料预测储层分布

提出了在开发设计阶段预测储层分布的新方法。新方法利用地质统计学技术将地震孔隙度反演数据、测井孔隙度初始模型与地质综合研究成果相结合 ,最终形成储层孔隙度模型 ,从而预测储层的分布。该方法综合应用了地震、地质和测井等各种基础资料 ,克服了常规储层预测只注重地震资料的缺陷 ,它对于构造较复杂、储层非均质性较强的油田的储层预测比较有效。应用该方法对渤海南堡 35 - 2油田的储层进行了预测 ,预测结果与地质认识基本相符     

综合应用地震、地质和测井资料预测储层分布

提出了在开发设计阶段预测储层分布的新方法。新方法利用地质统计学技术将地震孔隙度反演数据、测井孔隙度初始模型与地质综合研究成果相结合,最终形成储层孔隙度模型,从而预测储层的分布。该方法综合应用了地震、地质和测井等各种基础资料,克取了常规储层预测只注重地震资料的缺陷,它对于构造较复杂、储层非均质性较强的油田的储层预测比较有效。应用该方法对渤海南堡35—2油田的储层进行了预测,预测结果与地质认识基本相符。     

YC地区ZJD构造阜一段储层测井评价及横向预测

充分利用测井资料及先进的测井处理解释方法，按孔隙度大小、渗透率高低、泥质含量建立储层分类标准并统计出各井阜一段砂岩储层的主要物性参数；用孔隙度重叠法、电阻率－孔隙度交会法识别流体性质；并对储层进行多井评价。结合地震资料，利用斯伦贝谢油藏描述软件包对地震资料进行测井信息约束反演储层参数，得到储层参数的平面分布结果。对阜一段砂岩储层进行描述和横向预测，确定砂体厚度，得到储层有效厚度、孔隙度、含气饱和度平面分布预测图，并对预测进行主价，确定出最有利储集区带，提出下一步钻探意见。     

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。     

基于逐步回归分析的孔隙度预测方法

鄂尔多斯盆地麻黄山区块宁东2、3井区延安组储层属低孔低渗储层,研究发现,利用常规方法预测的储层孔隙度与岩心孔隙度对比,误差较大。利用逐步回归分析的方法,以SPSS软件为平台,充分利用岩心物性资料,建立了岩心孔隙度与三孔隙度测井数据关系模型。研究证明,利用此方法预测孔隙度比常规方法计算得到的孔隙度精确度要高     

基于半监督高斯混合模型与梯度提升树的砂岩储层相控孔隙度预测

孔隙度是一种描述储层物性特征的重要参数。考虑砂岩与泥岩的孔隙度存在明显差异,提出了一种基于半监督高斯混合模型与梯度提升树的相控孔隙度预测方法,以实现砂岩储层孔隙度的精细描述。首先利用少量具岩相标签的测井数据确定高斯混合模型的初始聚类中心及对应的岩相类别;其次利用大量无标签测井数据优化高斯混合模型,实现砂岩与泥岩的准确划分;再次基于地质认识将泥岩孔隙度解释为固定的极小值,从而后续只开展砂岩孔隙度预测;然后将测井曲线拟合方法导出的孔隙度先验信息和测井敏感属性作为梯度提升树算法的多元输入信息,通过学习统计性岩石物理关系建立砂岩孔隙度的计算模型;最终根据岩相结果将砂岩段与泥岩段的孔隙度进行组合得到相控孔隙度。D油田的18口井数据测试结果表明：半监督高斯混合模型的岩相分类效果优于K均值、支持向量机、随机森林等机器学习算法,2口盲井的岩相分类准确率达到94.5%;所构建方法对2口盲井预测的相控孔隙度结果与真实孔隙度具有较高的一致性,平均相关系数达0.805。     

Ӧ�������缼��Ԥ��̼�����Ҵ����϶��

本文引入神经网络技术，用以研究碳酸盐岩测井信息与岩心分析孔隙度的，并由此预测储层孔隙度。通过在贵州赤水地区取心井的实际应用，在数据的统计规律较差的情况下，获得了令人满意的结果。     

基于逐步回归分析的孔隙度预测方法

鄂尔多斯盆地麻黄山区块宁东2、3井区延安组储层属低孔低渗储层．研究发现．利用常规方法预测的储层孔隙度与岩心孔隙度对比，误差较大。利用逐步回归分析的方法．以SPSS软件为平台，充分利用岩心物性资料，建立了岩心孔隙度与三孔隙度测井数据关系模型。研究证明．利用此方法预测孔隙度比常规方法计算得到的孔隙度精确度要高     

径向基函数神经网络在孔隙度预测中的应用

利用径向基函数神经网络对新疆乌尔禾地区三叠系白口泉组储层孔隙度进行预测,取得了较好的效果。对比分析结果表明,径向基函数神经网络预测结果较BP神经网络以及线性回归法预测结果精度高。阐述了应用中应该注意的问题。     

基于灰关联和遗传算法的地震属性优化方法

 利用地震属性进行储层物性参数（孔隙度）的预测研究,其精度和准确性一直是油气田勘探开发期间所关注的问题,而属性优化方法是其中的关键环节。本文从优化方法入手,将灰关联、遗传算法和BP网络有机结合,以提高储层物性参数（孔隙度）的预测能力。首先依据反演成果开展精细储层解释,并进行沿层相关属性提取和灰关联分析,寻找较敏感的属性;然后利用遗传算法和BP网络进行属性组合优化,获取最优属性组合,最终达到预测储层物性参数（孔隙度）的目的。应用实例表明,此法的储层预测精度较高。     

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。     

孔隙度预测中的地震特征优化方法及应用

孔隙度是油气藏描述的一个重要参数。基于双相介质中地震波传播理论,论述了地震孔隙度预测原理。考虑到地震孔隙度预测的复杂性与BP网络函数逼近需要利用全体样本的信息、学习效率低（不适于用来优选地震特征）等不足,提出采用完全利用样本信息（CUSI）的网络做孔隙度预测。该方法利用CUSI网络的局部逼近功能,依据井孔数据与井旁地震数据建立地震特征与孔隙度的函数关系来预测孔隙度。在此基础上还提出了CUSI网络孔隙度预测中的地震特征优化原理和基于遗传算法的地震特征优化方法。实际应用结果表明：此方法明显改善了地震孔隙度的预测精度,具有实用价值。     

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。     

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。     

致密砂岩储层孔隙度定量预测——以鄂尔多斯盆地姬塬地区长8油层组为例

鄂尔多斯盆地姬塬地区长8油层组为典型的低孔、低渗致密砂岩储层。由于其孔隙结构复杂、非均质性强,应用传统的孔隙度计算方法误差较大,结合姬塬地区长8油层组的具体地质特征,运用广义回归神经网络模型对致密砂岩储层孔隙度进行了预测。结果表明,利用该方法预测的孔隙度与利用岩心分析的孔隙度符合率较高。该方法对于未取心井区致密砂岩储层孔隙度的研究具有很好的应用前景。     

地震属性的GA—BP优化方法

在进行储层预测和评价时，通常使用与储层预测有关的各种地震属性，以各种方法提取的一系列地震属性包含着丰富的地质信息，但有些属性可能彼此相关，这就造成信息的重复和冗余，由此可见，属性的无限增加也会给储层预测带来不利的影响，针对具体问题，从全体地震属性中挑选出最佳的地震属性子集是非常必要的，此即地震属性优化问题，其目的就是从众多地震属性中挑选出与研究目标关系最密切，反应最敏感的少数属性，再利用优化后的地震属性进行目标层储层参数（如孔隙率，泥质含量和储层厚度等）反演，本文主要讨论地震属性优化的遗传算法（GA）与BP神经网络相结合的GA－BP方法，通过对大港探区LJF区块三维地震资料的实际应用，取得了良好的地质效果。     

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.     

基于岩性识别的BP神经网络孔隙度预测

研究区目的层有效储层岩性包括细砂岩和粉砂岩两种,目前依赖于常规线性拟合方程在该区的孔隙度等参数预测中存在着较大的误差。为实现对储层参数的准确预测,结合了多种测井信息,在利用Fisher判别法对岩性进行识别的基础上,分别建立了细砂岩和粉砂岩的神经网络孔隙度预测模型。实际应用表明,分岩性所建立的非线性人工神经网络模型比常规线性模型具有更高的预测精度,能为该区后续的储层综合评价提供可靠的数据基础。