| 摘 要： | 众所周知，脉冲中子俘获（PNC）测井仪的非弹性计数率是由地层体积密度和含氢指数确定的。最近采用蒙特昔罗模型开发了一种方法．它利用PNC俘获计数率去校正受含氢指数影响的非弹性计数率比。校正后的非弹性计数率比（RINC）被刻度后再用回归技术预测体积密度。井眼尺寸和矿化度的影响也被考虑在回归参数之内，这种方法被称之为非弹性计数率（RINC）校正法。最近开发了另一项技术将PNC测量值直接转换成地层密度，它是通过应用神经网络组合（NNE）与成因搜索法选择的输入神经网络实现的。在这种情况下，训练井必须进行了密度测井和PNC测井。井眼条件的影响被默认为进行训练时，将某些PNC曲线中输入到了神经网络，然后就根据邻近井（应用井）获取地层密度预测值，这一过程是把应用井与训练井内的输入测井曲线归一化，并将神经网络应用到的归一曲线中实现的。这种方法称之为神经网络组合法（NNE）。该文对这两种方法在实际应用中的情况进行了对比，对地层密度、含氢指数、井眼尺寸、井液和地层流体变化的影响进行了研究。同时对输入到神经网络组合中的PNC曲线的数量和类型进行了研究。此外，对蒙特卡罗模型得出的结论和RINC方法的概况进行了综述。无论是蒙特卡罗模型还是RINC方法，预测误差都会和井眼尺寸（井径）相关。因此，对在NNE方法中采用PNC测井预测的裸眼井井径曲线也进行了分析和评价。
|
