重力测井用于注CO2油藏监测的理论分析

在３次采油过程中，注采已为广泛应用，但所面临的问题是如何确定油层中注入流体的波及范围、流体前缘位置及推进速度等。利用地震方法进行注采由于受震资料分辨率的限制，只适用于浅层，而其它测井方法由于探测范围限制，揭示井间注采动态又显不足。重力测井具有探测范围大、受井径变化影响小、重复观测周期短、不受目的层埋深限制等优点。通过正演模拟分析表明，重力测井方法不仅可监测ＣＯ２前缘空间位置的变化，而且可以判定ＣＯ     

脉冲回声测井

评价了脉冲回声测井和水泥胶结测井的优缺点,并介绍了脉冲回声测井的仪器结构、工作原理、仪器的刻度方法及测量参数的求法。     

BP神经网络在复杂地层条件油水层综合判别中的应用

反向传播双隐层神经元网络具有较高的容错性和分辨能力，可以形成任意复杂的判别区，对复杂地层条件的油水层具有较高的识别能力。该方法利用常规测井资料，提取了电阻率，自然电位，密度等三个对判断油水层有利的指标，并对原始的测井指标进行了归一化处理，提高了网络的运行速度。     

沉积微相测井识别

本文根据测井资料所含的丰富的地层沉积学信息，运用神经网络模式识别方法，进行沉积微相的识别，该方法突破了以往用模式识别沉积微相必须预先提取曲线形态特征的作法，增强了模式识别判断沉积微相类型的实用性和解释精度。     

基于BP神经网络的储层微孔隙结构类型预测

剩余油层分布是油田进入高含水期后研究的主要课题之一,在影响剩余油层分布的各种因素中储层的微孔隙结构是根本原因。本文提出了基于BP神经网络的储层微孔隙结构类型预测方法。该方法利用人工神经网络技术所具有的非线性、容错性和较强的模式识别能力实现了综合推理,进行孔隙结构类型预测。采用该方法,对大庆油田采用五厂储层样本进行了处理,在10%的可接受误差时,符合率达80%以上,结果表明该方法用于预测储层微孔隙结构类型是可行和有效的。     

基于BP神经网络的储层微孔隙结构类型预测

储层的微孔隙结构是影响高含水期油田剩余油分布的主要冈素.提出了基于神经网络技术埘测井资料处理以识别储层孔隙结构类型的方法.介绍了BP神经网络原理.该方法利用人工神经网络技术所具有的非线性、容错性和较强的模式识别能力实现了综合推理,进行储层孔隙结构类型预测.选取反映孔隙结构类型特征的自然电位、自然伽马,声波时差等7条常规测井曲线建立样本模式.并统一刻度,进行归一化处理.建立了神经网络模型.对大庆油田采油五厂储层样本进行了处理,符合率达80%以上,表明该方法用于预测储层微孔隙结构类型是可行和有效的.     

自然伽马能谱测井曲线的质量评价

基于自然伽马能谱测井曲线的质量不但取决于自然伽马能谱测井本身的性能及技术水平,而且还受地层中Ｋ、ＴＨ、Ｕ含量、测速、采样间隔、井眼环境等因素的影响。采用ＫＥＲＦＯＲＤ和ＧＥＯＲＧＩ提出的时序分析方法,利用相干技术定量地评价实测自然伽马测井曲线的重复性、信噪比、垂直分辨率。通过曲线精度分析,表明自然伽马能谱测井曲线质量随计数率增大,测速降低而提高。对常规测速和６ｉｎ＊采样的自然伽马能谱测井曲线进行质     

小波分析在测井资料高分辨率处理中的应用

小波分析是一种能在时间（或空间）域和频率域内同时进行局部化信号分析和去噪的新方法，其效果取决于小波基函数及尺度参数的选取，本应用小波分析方法，对测井资料进行分辨率处理。处理结果薄层信号明显加强，与岩心分析资料对比，取得较好效果。