预测井间储集层参数的相控模型法

在后期成岩作用影响不大的情况下，砂岩储集层物性与沉积微相之间关系密切。据此，针对砂岩储集层进行井间参数预测，研究砂岩厚度、孔隙度、渗透率的平面分布，提出建立井间储集层参数模型的相控模型法，勘察质是进行带地质约束的井间参数预估，即由井间沉积相地质信息提取储集层参数软信息，增补井间约束条件，与井点数据共同预测井间储集层参数。该方法适用于井控不足情况下的储集层描述。     

孤岛油田渤21断块砂岩油藏岩石物理相与剩余油分布规律研究

储层岩石物理相是沉积作用，成岩作用，后期构造作用和流体改造作用的综合反映，同一岩性相可对应于不同的岩石物理相，而同一种岩石物理相则具有相似的水力学特性和相似的物性特征。根据流动层带指标，孔隙度，渗透率，泥质含量，粒度中值等参数，采用灰色系统理论，将孤岛油田渤21断块砂岩储层定量划分为5类岩石物理相，结合该地区的实际地质和生产状况，详细论述了各类岩石物理相的主要特征，分析了岩石物理相与剩余油分布之间的关系，指出岩石物理相Ⅱ，Ⅲ区是该油田目前剩余油分布的主要区域。     

一种用于井间储层参数预测的新方法

高含水后期的油田，研究储层参数的空间分布是油藏描述的核心，在确定单井储层参数的基础上，结合井位坐标，提出了利用高阶累积量分析方法和状态转移方程，实现井间储层参数预测。运用该方法，对大庆油田萨南地区投产井进行处理，取得了较为满意的效果。     

相控建模技术在江苏油田庄2断块中的应用

江苏油田庄2断块于1995年底投入开发,目前已进入中含水期,储层非均质性严重.为了精确描述储层物性及其展布特征,综合应用地质、测井和开发动态等研究成果,应用相控建模技术,分三步建立了构造模型、沉积微相模型和沉积微相控制下的储层属性模型.通过相控与非相控模拟结果的对比,认为相控模型对油藏非均质性的描述更为合理,依据模拟结果采取综合挖潜措施,提高了油藏采收率.在江苏油田庄2断块的成功应用表明,相控建模技术可较好地解决沉积微相变化快、非均质性较严重的储层物性参数的模拟,为油藏后期开发调整提供可靠的地质模型基础.     

神经网络自动识别沉积微相在胡状集油田的应用

为提高胡状集油田胡十二断块沙三段各积时间单元沉积微相划分的准确性,在系统取心井单井相研究的基础上,优选并提取了能反映各种沉积微相特征的定量参数,对不同类型的微相进行定量标定。将标定结果输入人工神经网络,应用神经网络的智能功能,并通过自动识别、调整权值、实现对未知沉积时间单元微相的自动识别。用神经网络方法对胡状集油田150多口井95个沉积时间单元进行沉积微相划分,取得了较为理想的结果,避免了仅用测井曲线划分沉积微相的不确定性。     

基于LSTM神经网络模型的石油单井产量预测

在油田开发过程中,预测石油单井日产量往往受多种不确定因素影响,本文基于具有时间记忆优势的LSTM神经网络模型,使用生产时间、冲程、冲次、日产液、含水率、泵效、日产气以及井口温度作为输入参数,建立单井日产量预测模型。并通过手动对预测模型参数（最大训练次数与全局学习率）进行调优,使得预测模型具有较高精度,通过实例预测,最终平均绝对误差0.100、均方差0.019以及平均绝对百分误差1.431%。该模型对于单井日产量具有广泛的通用性,并且具有一定的参考意义。     

利用相控参数场方法模拟储层参数场分布

提出了采用相控参数场方法模拟储层参数平面分布的方法,探讨了相控参数场的基本原理。在充分考虑沉积微相的基础上,利用沉积微相的模拟结果进行参数场的模拟,解决了沉积微相模拟与序贯高斯模拟之间的耦合问题,可以直接应用微相模拟的结果来处理储层参数的分布问题,充分利用了微相对参数分布的控制作用。实际应用结果表明,该方法的模拟结果在预测储层平面非均质性方面大大优于克里格估计。     

井间流动单元预测与剩余油气分布研究

依据储层的岩性特征、沉积微相、渗流特征、微观孔隙结构和储层非均质特征，结合储层的实际情况，选用孔隙度、渗透率、粒度中值、最大孔喉半径、流动层指数等5个参数，综合应用岩性-物性划分法以及流动层指数划分法进行了流动单元的定量划分，建立了河流相储层流动单元的E、G、M、P等4类流动单元模式。根据研究区内平面、垂向和井间流动单元分布，发现孤岛油田中一区上第三系中新统馆陶组5段剩余油气在馆陶组5段3层的东北部和中部相对富集。综合考虑井间流动单元排列方式和注、采井射开位置，建立了井间流动单元分布模型，有助于深入研究剩余油气的空间分布，为河流相储层剩余油气挖潜决策提供了依据和参考。     

基于延迟神经网络的地层参数预测软件

针对常规利用测井资料影响地层参数预测准确性的问题，提出利用延迟神经网络模型来解决。为此介绍了用于地层参数预测的延迟神经网络处理软件编制。应用延迟人工神经网络对剩余油饱和废软件进行了预测，结果表明，延迟神经网络模型用于地层参数的解释效果良好。     

地震相控预测技术及其在QHD32-6油田的应用

地震反演参数地质意义的多解性以及分辨率的限制给利用地震反演预测河流相储层单砂体带来很大困难。研究发现,地层的纵波速度、密度和波阻抗等参数随深度的变化符合一定的数学规律,且这些规律受沉积微相的控制;据此提出了针对砂体预测的"地震相控预测"技术,将地震反演结果转化为反映储层沉积微相特征的参数剖面,通过预测砂体发育的优势沉积微相实现对单砂体的预测,为地震反演资料能够应用于面向油藏开发的单砂体预测和沉积微相研究开辟了新的途径,具有重要的理论创新意义和推广应用价值。该项技术在QHD32-6油田应用结果与井点符合率达到90%,预测可信度高。     

模糊神经网络预测储层及油气

利用模糊理论和 BP网络相结合组成的模糊神经网络系统 ,能够克服单独使用 BP网络的局限性 ,可在地质条件较复杂地区进行储层及油气预测。通过实际资料应用表明 ,在单独应用 BP网络进行储层及油气预测效果较差的地区 ,采用模糊神经网络能取得较好的效果。     

神经网络方法烃类预测中的问题探讨

自神经网络应用于烃类预测以来．很多专家学者一直在神经网络和烃类预测两方面钻研，加快了神经网络与不同数学模型相结合的步伐，并分别取得了较好的应用效果。根据神经网络进行烃类预测的基本原理和应用条件，简述了神经网络应用于烃类预测时的不同模式、特点、相应要求及改进思路，许简要分析了利用神经网络进行烃类预测所存在的问题．最后展望了神经网络烃类预测的发展趋势。     

基于神经网络的油气预测系统

针对常规模式识别方法进行油气预测存在的样本数量大，参数的非线性及已知样本数地区差异大等３个特殊性问题，我们将常规ＢＰ算法改为η可自适应调节的ＢＰ算法，并与ＳＯＭ网络联合应用，构成了一个性能完善的多参数油气预测系统。采用该系统进行油气预测能较好地解决上述问题。这种方法不仅收敛速度快，而且在没有已知样本的情况下也能进行油气预测。陆上与海上应用实例表明，该方法对不同勘探程度的地区均能取得较好的油气预测效     

利用GRU神经网络预测横波速度

储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU(gated recurrent unit)神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明:①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。     

神经网络技术与地震参数隔层预测

论述了油田区块开发前期和中期利用三维地震保幅叠偏资料以及钻进地质和测井资料，采用神经网络进行储层间的隔层预测方法及实际应用问题，通过实例分析，认为该方法技术的精度和可靠性较高，其结果为油田区块开发方案的制定提供了较可靠的依据。     

最小曲率神经网络在油气预测中的应用

在应用地球物理领域中，人工神经网络在模式识别和油气预测方面得到较好地应用，前向网络的重要特性是能够总结，归纳已知样本隐含的函数关系。然而礤推广性能有待进一步研究，为此，本文强调了这个问题的重要性，并提出了改善网络推广性能的技术；就是在网络的学习过程中，不仅使总误差下降，还尽可能使建立的“隐函数”平滑，并用曲率表征隐函数的平滑程度，计算实例表明，本文的算法可以明显地改善网络的推广性能。最后给出了用该     

应用神经网络模式识别技术进行测井沉积学研究

将人工神经网络(ANN)模式识别技术应用于测井沉积学解释中，可以实现井剖面沉积环境的连续自动解释，大大提高解释精度和工作效率。在确定济阳坳陷车镇凹陷关键井8种主要沉积相及测井响应模式的基础上，从测井曲线中提取出10种具有较明确地质意义的特征参数，在岩心观察以及地区经验的基础上优选指示沉积相灵敏性较好的曲线组合，基于神经网络模式识别技术进行井剖面沉积微相自动解释。采用自行开发的软件解释了40余口井的沉积微相，取得了较好的效果。该软件适用于具有一定区域背景知识和地质解释经验的人员。图3表2参16     

BP神经网络在沉积微相自动识别中的应用

提出了基于测井数据深度挖掘和前馈式(BP)人工神经网络算法的沉积微相识别方法.在测井数据较少、井多的条件下深入挖掘有限的测井数据,获取蕴含沉积学意义的参数,提高了测井数据的利用率.通过一系列实验,研究了BP人工神经网络拓扑结构的优选准则,并提出了成长型网络训练方法.最后利用建立的样本集和自然样本进行网络训练和微相识别,准确率达83%以上.在测井数据不足、微相特征复杂的条件下实现了高效率、高准确度的沉积微相识别.     

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。     

自适应BP 神经网络在横波速度预测中的应用

准确的横波速度是叠前反演及叠前属性分析的必要信息,然而实际生产中横波速度资料往往匮 乏,预测方法纷繁复杂且精度难以保证。通过选取自然伽马相对值、声波时差、密度和电阻率等参数,利用 自适应BP 神经网络方法,建立横波速度预测模型。经辽河地区实际资料证实,神经网络模型预测横波速 度与实测横波速度吻合程度良好,能够满足生产需求。