自组织神经网络在测井资料解释中的应用

本文描述了自组织神经网络－－改进的ＡＲＴ模型（包氏神经网络）的基本结构及其学习算法；给出了该网络进行测井资料的解释的计算步骤；最后，以人工合成数据的自动分类和某煤田综合测井数据的煤怪自动为例，检验了该方法的正确性有效性。     

神经网络信息技术及其在测井解释中的应用

1 神经网络信息系统基本概念神经网络是一种通过模拟人的大脑神经结构去实现人脑智能活动功能的计算机信息处理系统 ,它具有人脑的基本功能 ,但又不是人脑的真实写照 ,它是一种人脑的抽象、简化和模拟模型 ,故称人工神经网络。构成神经网络的基本三要素是 :处理单元 (神经元 )、网络结构和学习算法。神经元是神经网络的基本成份 ,它通常是一个多输入单输出的非线性单元。网络结构系指神经元之间的连接方式 ,文中采用的BP网络是一种层状结构的前馈神经网络 ,它由一个输入层、一个输出层和输入层与输出层之间的一个或若干个隐含层组成。常用…     

神经网络在测井解释中的应用

本文利用人工神经网络来确定储层参数：孔隙度和渗透率；识别油（气）、水、干层，以便对它们进行评价和开采。其过程是：首先选取适当的网络模型和学习算法，然后利用关键井的岩芯分析数据、试油结果和相应的一组测井数据训练网络，建立研究地区的测井解释模型，最后运用已建立的模型对未知井进行预测，给制出各井的解释成果图。     

BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了,研究,采用了一种改进的的BP算法,其方法具有收敛速度快,避免网络陷入局部最小和出现振荡现象,优化网络结构等优点,提出了一种基于统计的学习样本生成方法,使样本生成问题规范化,使用该方法生成的样本真实可靠,具有代表性,可大大提高样本质量,实际应用网络进行岩性识别和孔隙度预测,取得了令人满意的结果。     

神经网络在测井解释中的应用

介绍了神经网络的基本万分之一神经元对信号的接收、激活与处理输出过程和网络的结构。从目前已有的几种模型中选取了误差反向传播网络模型。文明了使用该模型进行训练与预测的方法和步骤，并用于测井中的粒度中值和渗透率解释。     

神经网络在枣北地区火成岩储层测井解释中的应用

枣园北部（简称枣北）地区火成岩岩石矿物成分种类多、蚀变程度以及裂缝发育状况变化很大，其测井响应比其它岩石更为复杂，使用常规测井解释方法评价火成岩储层难度较大。本文阐述了应用神经网络解决火成岩储层测井解释中储层参数计算、油水层识别和岩性识别等问题。通过对该地区火成岩测井数据的处理与解释，取得了比较满意的效果。     

神经网络在测井解释中的应用

介绍了神经网络的基本成分-神经元对信号的接收、激活与处理输出过程和网络的结构。从目前已有的几种模型中选取了误差反向传播网络模型。阐明了使用该模型进行训练与预测的方法和步骤,并用于测井中的粒度中值和渗透率解释。其预测结果、平均相对误差分别是7.84％与22.98％,而用以前其它方法,这一误差分别是20％与40％左右。     

分形理论及其在测井资料地质解释中的适用性

为了测定分形分析在地下数据地质解释中的适用性，将一种分形方法（重（新）标（定）距离分析）用于北海北部Ｄｕｎｌｉｎ油田河流－三角洲相Ｂｒｅｎｔ群（中侏罗统）的电缆测井数据分析中，分析结果表明：伽马射线测井（ＧＲ）的分维数介于１．００２５￣１．１０３３之间，维数越高可能指示地层岩性或储层的非均质性越强，但是，其实验过程的分析表明：在测井资料的解释中应用分形应重视概念；计算过程中的变化可能引起单井分维数     

神经网络测井解释系统

人工神经网络技术是一先进的计算机分析技术，它模拟人脑的神经元结构，以实现人脑对事物的分析功能。一个新的应用该技术的测井资料解释系统－神经网络测井解释系统，包括既相对独立又相互联系的三个子系统：样本数据整理、神经网络测井解释模型建立和测井资料处理。应用该系统可以建造高精度的各种地质参数的神经网络、测井解释模型和地层特性识别模型，用这些解释模型对测井资料进行处理，可以得到高精度的地质参数剖面，并对地层     

BP神经网络在致密砂岩储层测井识别中的应用

川西须家河组地层岩性复杂，属于超致密低孔渗储层，所以储层识别是该地层天然气勘探中所面临的关键问题和难点之一。针对常规储层识别准确率不高的状况，提出利用BP神经网络进行储层含气含水或干层的识别。 利用模糊聚类和产层测试结果标定建模样本，采取随机抽样形成建模集与测试集，建立BP神经网络模型对23口井的储层进行含气含水或干层预测，正确率达77.9%以上，明显地提高了该地区的测井解释精度，是一种准确率较高的储层预测方法。     

火山岩测井解释理论与应用

在总结国内外火山岩测井解释理论、方法的基础上,研究并提出了完整的火山岩测井处理解释流程:岩性识别-基质孔隙度定量计算-饱和度定量计算-流体性质识别.提出了完整的非均质复杂岩性储集层孔隙度、饱和度精确定量计算的基础理论和实用模型,建立了复杂火山岩储集层解释框架;提出了以ECS和电成像测井相结合的三维岩性识别新方法,找到了准确识别火山岩储集层岩性的一种可行途径;在微裂缝模拟井定量研究基础上,建立了复杂岩性储集层裂缝参数定量计算方法,进而给出了一种较为实用的非均质裂缝孔隙度定量计算方法;以高温高压全直径岩心实验为基础,利用数值模拟研究了裂缝对饱和度计算的影响规律,提出了考虑裂缝影响的饱和度定量计算方法.大庆徐家围子地区和新疆陆东-五彩湾地区的实际处理结果验证了上述理论、方法的正确性.图17表1参17     

三种孔隙率测井资料解释方法

目前,在常规测井方法中,均包含声波时差、密度和中子三种孔隙率测井资料。但在测井资料解释时往往仅使用一种资料,因而丢失了很多信息。为此,本文利用声波测井、密度测井和中子测井的读数建立了三种孔隙率测井资料解释的联立方程,并用克莱姆法则(Cramer定律)给出最终求解的公式。经过验算,公式正确可靠,可用于三种孔隙率测井资料的解释。     

函数型连接神经网络的算法改进及其应用

函数型连接神经网络具有结构简单，训练速度快的优点，它避免了隐含层及其节点个数选择的困难。为此，本文提出了一种改进的权值修正公式，无须将输入模式归一化，而且适用于任何输入模式。该算法成功地将函数型连接神经网络应用于石油测井资料的研究，获得了较好的结果。     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

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。     

利用井间地震资料与测井资料进行储层精细解释

利用井间地震资料与测井资料进行储层精细解释，可以提供更为准确的储层形态和储层物性资料，进而提高油藏描述的整体精度。其思路为：①收集和综合分析钻井、地质、测井、构造、油藏动态等资料，通过三维地震数据体(地质体)特征和地震相研究，建立井间地震资料数据库；②地质人员根据两口井的井柱资料进行地质分层，按照对比原则和常规作图方法，绘制地质剖面；⑧开发地震研究人员在地质研究基础上，利用两口井的井柱资料，在井间地震剖面上进行详细解释，以获取相应的解释图件。本文根据上述思路，通过实例对井间小断层、河道砂体内幕结构进行了精细解释，很好地解决了生产中的疑难问题，为地面高精度三维地震资料的精细解释提供了有力依据。     

综合应用地震属性、测井数据反演储层参数

本文研究了样点地震属性的特征提取，利用BP神经网络建立测井声波时差和地震属性的非线性映射关系。采用距离加权平均对研究区所有井的反演结果进行外推。为了提高分辨率和计算结果的准确性，详细分析、研究了适合于地震信号分解和重构的小波，以及测井声波时差和地震波阻抗与层界面的关系。最后，对反演的声波时差资料进行界面影响校正，进而计算出较符合实际情况的孔隙率参数。经已知井和新钻井验证，计算结果和实际情况相一致，效果令人满意。     

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。     

XGBoost算法在致密砂岩气储层测井解释中的应用

传统单一模型的机器学习方法用于致密砂岩气储层测井解释时存在多解性,为此,将XGBoost算法应用于致密砂岩气储层测井解释。基于A工区测井解释资料,以不同种类的测井资料作为输入变量,通过XGBoost算法建立回归预测模型,预测该区孔隙度与渗透率参数,并探讨了XGBoost算法中各类参数的优化。以准确率指标为评价标准,通过XGBoost算法建立的分类预测模型对该区储层类型进行预测,同时与随机森林方法和支持向量机算法进行比较,XGBoost算法的预测效果较好。结果表明XGBoost算法能准确地预测孔隙度、渗透率并对该工区致密砂岩气层进行有效识别。