Predicting formation lithology from log data by using a neural network

In order to increase drilling speed in deep complicated formations in Kela-2 gas field, Tarim Basin, Xinjiang, west China, it is important to predict the formation lithology for drilling bit optimization. Based on the conventional back propagation （BP） model, an improved BP model was proposed, with main modifications of back propagation of error, self-adapting algorithm, and activation function, also a prediction program was developed. The improved BP model was successfully applied to predicting the lithology of formations to be drilled in the Kela-2 gas field.     

双重神经网络预测储层及油气

由自组织神经网络和ＢＰ网络组成的双重神经网络，能够克服各自单独使用的局限性，可在复杂地区进行储层及油气预测。在ＢＰ网训练时，采用同伦学习算法，可得到全局最优解，且收敛速度很快。实际应用表明，在用自组织神经网络或ＢＰ网络不能进行储层及油气预测的地区，采用双重神经网络能取得很好的效果。     

概率神经网络技术在非均质地层岩性反演中的应用

提出了一种由多测井和多地震属性参数组成的概率神经网络方法,来进行非均质性较强的油气储层的预测.介绍了该方法的网络模型构建和地层岩性预测的过程.利用该概率神经网络方法,研究了我国西南某一岩性油气田沙一段湖滩砂及河道砂体.运用测井响应特征、地震属性特征与地质岩性特征的相关性对概率神经网络进行了培训,从而对地层特征进行了预测和识别,并取得了较好的应用效果.     

利用BP神经网络进行测井资料外推

针对在地震资料约束下资料外推的具体问题，修改了ＢＰ网络的能量函数，增加一项反演目标函数，使之作为一项新的能量约束，从而实现用ＢＰ网络自适应地外推测井资料，有机地将ＢＰ网络与地震反演结合起来，本文论述了其理论与算法，并给出了资料处理应用实例，对实际资料的测井速度外推结果表明，此方法处理速度快，稳定性好，可信度高，具有较好的应用前景。     

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。     

基于双向循环神经网络的河流相储层预测方法及应用

河流相储层通常具有横向变化快、地震反射特征多解性强的特点,因而河流相储层地震预测难度大。将测井信息与地震多属性相结合实现河流相储层地震预测,传统的方法包括多元线性回归方法、地质统计学方法和BP神经网络等。人工智能深度学习方法为井震信息的融合提供了新的解决思路。通过构建井震学习样本,提出了一种基于双向循环神经网络的井震融合储层预测方法。从储层沉积连续性角度,将地震数据看成具有纵向联系的时序数据,以CD地区100余口井馆上段地层的储层和非储层为学习样本,构建双向循环神经网络储层预测方法,通过训练优选超参数建立井震融合的深度学习储层预测模型。该预测模型应用于CD地区河流相储层预测的效果显著,细小河道形态清楚,预测精度高,有效指导了CD地区的勘探部署。     

BP神经网络在辽河坳陷太古宇潜山内幕岩性识别中的应用

太古宇基岩内幕岩性复杂,岩性划分难度较大。研究中以岩心定名为基础,挖掘太古宇不同岩性测井曲线的响应特征,抽取对基岩内幕岩性敏感的密度、中子、伽玛以及光电吸收截面指数作为输入端构建BP神经网络对太古宇岩性进行识别。识别结果与岩心测试资料对比表明,BP神经网络岩性识别结论可靠。该研究丰富了太古宇基岩岩性识别方法,为太古宇内幕深化研究奠定方法基础。     

应用人工神经网络方法确定岩石压缩系数

应用吉林油区现有的实际岩石压缩系数资料对前人的经验公式进行验证的结果，总相对误差为504．25％～681．15％，由此发现这些经验公式对吉林油区并不适用。采用人工神经网络BP算法，以压力、孔隙度为输入层参数，以岩石压缩系数为输出层参数，分别预测了吉林油区两个地区油藏的岩石压缩系数，应用实际资料验证，相对误差仅为12．8％，表明用此方法预测岩石压缩系数的可靠性。     

基于过程神经网络的水淹层自动识别系统

针对油田开发中、后期的水淹层判别问题,提出了一种基于过程神经元网络的自动识别方法.过程神经网络是由若干过程神经元和一般非时变神经元按一定拓扑结构组成的一种连续神经网络,其输入和权值可以是过程函数.过程神经网络能够自动提取输入函数的曲线形态和幅值特征,并将多条曲线特征加以组合,形成类别输出.考虑到实际测井资料为随深度变化的离散采样数据,采用一种基于离散Walsh变换的方法对测井数据进行转换,实现了原始测井数据向网络的直接输入.根据取心井分析资料和专家解释结果确定了区块油层水淹类型,建立了水淹层标准模式库.在进行学习样本筛选时,考虑小层沉积微相类型和旋回特性对油层水淹状况的影响,模式库中包含了研究区块内各类具有沉积特征代表性的典型水淹油层样本.所建立的过程神经网络判别模型稳定,有较强的推广应用价值.对大庆萨北油田具有试油资料或投产初期分层测试资料的加密井进行了实际处理,取得了较好的结果.     

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。     

基于岩控的人工神经网络在渗透率预测中的应用

渗透率是储层评价中的重要参数,与传统的经验模型或统计模型计算的结果相比,BP神经网络由于高强度非线性映射能力及较强的自适应和自学能力,可以更精确地预测储层渗透率。通过对常规BP网络模型的改进,即在模型中加入定量化的岩性评价参数作为一个学习样本,建立了储层参数与测井响应及岩性之间的非线性模型。应用该方法对北部湾盆地涠西南凹陷涠洲某油田流一段的渗透率进行预测,取得了较好的效果。该方法计算的渗透率与实测渗透率吻合度很好,而且比用常规的、没有岩性控制的BP网络模型计算的渗透率精度更高。除了在储层参数预测方面进行应用,该方法还在储层沉积微相和岩性预测方面有着广泛的应用前景。     

BP神经网络隐式法在测井数据处理中的应用

现有神经网络方法对时间向量序列数据的处理是通过单点进行的,割裂了数据间的关联性.为此,利用隐式曲线的构造原理,通过对时间向量序列的变换,提出了一种整体预测时间向量序列的测井数据的方法.神经网络隐式整体预测方法的步骤是:①将数据变换为封闭曲线,构造约束点以简化神经网络的输入与输出;②利用神经网络的隐式方法,通过智能学习和仿真模拟,得到封闭的预测曲线;③经过变换得到最终的预测曲线.实验证明了该方法的有效性.     

应用人工神经网络理论处理航磁找油资料

笔者认为,含油气沉积岩因长期油气的渗透作用而形成的磁异常是一种二次磁化场。利用人工神经网格方法对高精度航磁资料的处理,可以寻找到这种二次磁化场。此法选择磁异常强度、磁异常宽度、化极前后磁异常形态比和磁异常梯度作为表征磁场的控制变量,对PFW油田的航磁资料进行了模式识别处理,识别结果的正确率达到87%。     

利用神经网络和相渗曲线预测储层的润湿性

润湿性是控制储层中流体位置、流动和空间分布的主要因素 ,因此对相 对渗透率曲线有重要影响。从研究润湿性在相对渗透率曲线上的特征表现出发 , 利用反向传播神经网络模型预测储层的相对渗透率曲线 ,由得到的相对渗透率线上的 6个特征量 ,依据在Craig准则基础上制定的判定储层岩石润湿性的三饱和度准则 ,预测储层的润湿性 ,并与实验室AMOTT方法测量的润湿性结果对比 ,证明该方法是有效的 ,可用于预测储层的润湿性。     

在测井中用一种组合进化神经网络识别油水层

分析了基于进化算法的神经网络,指出基于遗传算法的神经网络具有强的全局搜索能力,基于进化规划的神经网络具有强的局部寻优能力。在此基础上,提出了综合上述两种神经网络优点的组合进化神经网络,并应用于油水层测井解释中,降低了误判率。     

基于BP神经网络预测硫在高含硫气体中溶解度

元素硫在高含硫气体中溶解度的研究是硫沉积机理研究、硫沉积预测和处理技术研究的前提和基础,也是元素硫沉积室内研究工作的核心课题。为了关联和预测硫在高含硫气体中的溶解度,提出误差逆向传播人工神经网络(BP ANN)模型,并设计了该模型的计算过程,讨论了该模型的参数设置。计算结果表明,该模型可作为模拟和内推硫在高含硫气体中溶解度的一种较好手段,但外推效果较差。与现有其他硫溶解度计算模型相比,该模型计算结果优于Chrastil缔合模型和经验公式,与状态方程法和六参数缔合模型的计算结果相当。     

低孔低渗储层测录井资料油气识别方法

青海乌南油田上油砂山组(N₂²)和下油砂山组(N₂¹)储集层平均孔隙度分别为13.0%和13.6%,平均渗透分别为3.88×10³μm²和2.93×10³μm²,属于低孔、低渗油田。在低孔、低渗储层,由于油气储层中测井资料受储层岩性、地层水性质和储层物性等影响较大,造成含油气储层测井曲线异常特征不明显,单一应用测井资料识别油、气、水层困难。应用BP神经网络技术对乌南油田低孔、低渗储层的测井资料与录井资料进行综合处理,利用测井信息的丰富性和高分辨率的优势与录井资料识别油、气、水层的直观准确性互相结合对低孔、低渗储层进行油气识别。     

一种自构神经网络及其在测井资料解释中的应用

鉴于ＢＰ网络存在着学习过程收敛速度慢，网络容错能力差的缺点，本文提出了一种自构神经网络算法。该算法分两部分：１．将模糊集理论与神经网络相结合提出一个模糊动态改变学习率的有效算法；２．利用相关自动原理来动态调整网络的隐节点数，最终让其达到一个最佳的稳定状态。将此方法应用于江苏油田“镇田井”的测井资料解释，同已     

利用BP人工神经网络预测天然气中重组分对净化装置的影响

由于天然气中的重组分会对脱硫装置的运行效果及产品气气质造成影响,这一实际生产问题需要得到有效的解决。在MDEA溶液吸收性能评价装置上测定了不同条件下的MDEA溶液吸收性能,系统地研究了不同重组分对MDEA溶液吸收性能的作用规律,采用多因素方差分析筛选了关键因素,以判定其影响程度的大小,并采用人工神经网络建立了天然气中重组分不利影响的预测模型。结果表明:天然气中的重组分i-C_5、C_6、C_7、C_8和C_(10)对MDEA溶液吸收能力具有十分显著的影响,它们均属于BP神经网络预测模型的有效输入信号,模型预测值与真实值较为近似,BP人工神经网络表现出良好的准确性和稳定性。因此,利用BP人工神经网络能够准确、可靠地预测天然气中重组分对MDEA溶液吸收性能的不利影响。     

Prediction of the product yield from catalytic cracking (MIP) process by an 8-lump kinetic model combined with neural network

Based on the characteristics of maximizing iso-paraffins (MIP) process and industrial data, an 8-lump kinetic model for MIP process is developed. And the 47 kinetic parameters of the model are calculated by Runge-Kutta method and genetic algorithm. It is seen that kinetic parameters show good consistence with the reaction mechanism of catalytic cracking. The average relative errors between calculated values and real values of product distribution are all below 5%. Then the model is modified by 14-7-5 type of back propagation (BP) neural network. As a result, the product distribution can be predicted more accurately by the hybrid model. Therefore, the combination of lump model and neural network can provide a new direction for simulation and optimization for heavy oil catalytic cracking.