基于离散过程神经网络页岩油气储层有机碳含量预测

受地层岩性变化影响,传统方法进行有机碳含量(TOC)拟合预测精度偏低。为提高TOC拟合精度,减小普通神经网络对连续信号的时间累积误差,提出一种极限学习离散过程神经网络的TOC拟合预测模型。模型用向量模拟过程式输入,内部通过抛物插值的数值积分完成离散样本的时域聚合。通过对离散过程神经元的结构分析,提出极限学习训练算法,在隐层相关参数随机赋值后,通过Moore-Penrose广义逆求解输出权值,模型学习速度快。最后将该方法应用于TOC拟合预测,利用相关性分析,选取对TOC响应最敏感的测井曲线作为模型的特征输入。与传统方法和其他神经网络对比,该方法的拟合精度较高,预测TOC与实测值有更好的相关性。     

基于机器学习的页岩气总有机碳含量预测模型

总有机碳含量(total organic carbon, TOC)是评价页岩气藏生烃能力的重要指标,对页岩气藏地质“甜点”的准确预测至关重要。现有页岩气藏TOC含量预测方法存在主观性强、泛化能力弱等缺点,以川南海相页岩气藏为研究对象,通过对研究区块测井资料和实验室岩心分析结果的整理,优选出自然伽马、密度等测井参数作为模型训练的特征向量,建立总有机碳含量的多层前馈神经网络(back propagation, BP)和支持向量机预测模型,分析不同模型之间的差异,对模型特征组合、网络结构等影响因素进行分析,最后将预测的TOC结果与真实值对比。结果表明：基于不含能谱测井资料的BP神经网络预测模型更能真实地反映出测井资料与储层的非线性关系,为TOC的预测提供新的思路。     

基于多地震属性的高分辨率拟测井参数的预测

基于多地震属性、测井资料,用多变量回归算法成功地对胜利油田ken-71地区的拟测井参数做出了预测.计算采用了Daniel P.Hampson提出的将多变量回归权重系数推广为具有一定时间长度的褶积算子,使预测结果的分辨率获得提高.对该方法提高分辨率的原理做了详细的讨论,给出了该算法在胜利油田ken-71地区采用常规地面地震数据和测井数据,预测得到的目标区域的拟孔隙度参数的分布,结果显示使用该方法深度分辨率可达8～10 m.     

基于双向长短期记忆神经网络的岩相预测方法

介绍一种基于双向长短期记忆神经网络(Bi-directional long short-term memory,Bi-LSTM)的岩相预测方法,综合利用测井和地震数据进行高效准确的岩相预测。通过合成地震记录,进行井震数据的时深匹配,以地震吸收衰减数据、纵波阻抗、密度和伽马拟声波阻抗作为输入,以岩相作为标签,通过Bi-LSTM模型训练建立输入数据与岩相的非线性映射关系。将该方法应用于四川某浅层河道砂体勘探区岩相预测,结果表明,基于Bi-LSTM构建的岩相预测方法优于普通循环神经网络和普通LSTM,能够快速确定地下岩相,有效指示河道。基于Bi-LSTM的岩相预测方法能有效提取输入数据与岩相信息的非线性映射关系,对少井地区的岩相预测工作有较高的实用价值。     

BP神经网络在碳酸盐岩储层参数测井解释中的应用

由于碳酸盐岩储层具有严重的非均质性特点,运用传统的测井解释方法对该类储层进行储层参数分析得到的计算结果往往存在较大误差。为提高储层参数测井解释精度,应用BP神经网络方法,在岩心分析和地质、测井等资料的基础上,对碳酸盐岩储层进行岩心深度归位、测井数据标准化、归一化等预处理工作,挑选合适的学习样本,建立储层参数预测模型,用交会图法、叠合图法和误差统计法对预测效果进行评价并与传统计算结果对比,结果显示:BP神经网络储层参数预测结果比经验模型法、方程法等传统方法精确度更高。     

基于小波变换和卷积神经网络的地震储层预测方法及应用

提高储层预测的分辨率和准确性一直是油气藏表征的一个关键问题。将频谱分解与深度学习相结合,提出基于小波变换和卷积神经网络的地震岩性、储层类型预测方法。小波变换能够提供包含高频和低频信息的二维时频谱图,卷积神经网络具有超强的二维图像特征提取和分类能力,时频谱图作为卷积神经网络的输入,有助于充分挖掘地震数据高频和低频信息进行岩性和储层预测。将提出的方法应用于川西沙溪庙组储层预测中,首先利用叠后地震数据预测得到河道砂体分布,然后利用叠前地震数据在河道内部预测储层类型分布。结果表明,深度学习反演预测岩性和储层类型的分辨率和精度更高,能够识别小河道砂体,与生产测试情况更加吻合,优于常规地震反演方法。     

基于 BP 神经网络的叠前流体识别方法

探讨塔里木盆地桑塔木地区三叠系辫状河三角洲沉积储层流体识别方法。该地区储层横向变化大,流体类型复杂。本文提出利用 BP 神经网络的信息整合模式识别功能来进行储层流体识别的方法,通过叠前反演得到对流体敏感的弹性参数数据体和电测解释结果标定建模样本,采取随机抽样形成建模样本集与测试样本集,选取26口井的700个样本作为学习样本,62个作为测试样本,建立 BP 神经网络模型。预测结果和实钻结果吻合程度高,正确率达90％以上。该方法可以很好地对桑塔木地区储层中所含流体进行识别。     

川东南地区海相页岩气层TOC含量多参数融合预测

探讨川东南地区海相页岩总有机碳(TOC)含量的关联参数以及更准确的预测方法。利用已钻井处实测TOC含量与各类地震敏感参数进行交会分析,选取相关度较高的参数,分别进行单参数拟合;再进行多参数综合拟合,获得综合预测公式;最后通过地震反演获得相应数据体,并得到全区预测结果。结果表明密度、自然伽马、弹性模量、切变模量与TOC含量具有较高的相关度,通过叠前反演获得的数据体稳定、可靠,在已钻井处TOC含量预测结果与实测值相关性可达到0.95,且整体结果符合该地区沉积地质理论。多参数预测能有效提高预测准确度,二次拟合方法和叠前反演技术为预测TOC含量奠定了良好的基础。     

逐步回归分析方法在储层参数预测中的应用

目前,储层参数(孔隙度和渗透率等)分布规律和储层非均质性研究是油气藏描述的核心,储层参数是油层评价的重要依据,储层参数预测在油气勘探开发中具有重要意义。文中通过采用某一个点的测井曲线或地震数据推测出该点的孔隙度或渗透率,基于多种测井信息的多元线性回归方法已成为储层孔隙度定量预测的主要方法,多元逐步回归分析方法的理论正好适用于这种实际问题。它是利用通过特殊仪器测量的测井曲线数据参数与岩芯属性参数(例如孔隙度),建立测井曲线数据参数与多个岩芯属性参数之间的线性关系,这种方法比较简单实用。因此文中采用逐步回归分析方法作为预测方法,重点介绍了回归分析中的逐步回归的基本思想以及具体计算步骤。最后,提出油气勘探中预测孔隙度的问题,并用逐步回归分析优化回归方程并用此方程预测岩芯属性参数。研究表明,该方法预测精度高,方法稳定有效,逐步回归较好的解决了部分测井勘探的实际问题,基于多种测井信息的多元线性回归方法已成为储层孔隙度定量预测的主要方法,该方法可以把非线性问题转化为线性问题,大大减少了技术上的难题。     

基于深度神经网络的智能推送系统研究

为了提高推送系统的可扩展性和推送精度,结合深度神经网络技术,探讨智能推送系统的设计和实现.设计基于二次多项式回归模型的特征表示方法,通过对传统矩阵分解算法进行改进,可以更准确地获得潜在特征.将这些潜在特征视为深度神经网络模型的输入数据,采用深度神经网络用于预测评分.通过在真实数据集上与其他推送算法进行比较,验证了本系统的有效性.     

涪陵页岩气储层含气性测井评价

针对涪陵页岩气泥质含量高、电阻率测井响应识别气层存在偏差的问题,开展了含气性测井定量表征方法及应用研究。涪陵地区页岩储层的黏土矿物主要为伊利石、伊蒙混层和绿泥石;随深度增加,黏土矿物含量减少,但伊蒙混层占的比重增大。利用有机碳-密度测井曲线交会法、有机碳-铀测井曲线交会法以及声波-电阻率曲线法等三种方法计算TOC含量;对比岩心实验结果,密度曲线拟合的相关系数最高。利用测井曲线计算得到的含气饱和度、流体压缩系数、岩石弹性模量、游离气量、吸附气量等参数可以实现对储层含气量的定量表征。涪陵地区页岩气纵向、横向含气量测井评价实践表明,龙马溪组下部——五峰组页岩气储层自下而上可划分为中、高两个含气段,且该区页岩气储层横向含气量稳定,具备应用水平井开采技术等增加单井产量的地质条件。     

基于PCA-BNN的页岩气压裂施工参数优化

国内外学者在已有大量国外页岩压裂样本数据的前提下,开展了基于机器学习的页岩气压裂有效期预测及压裂参数优化的研究。随着近年来中国F气田不断地规模开发,积累了大量的压裂施工、生产动态、解释成果数据。通过利用已有的200口井的压裂施工历史数据及储层物性参数建立贝叶斯神经网络模型来优化压裂施工参数。选取对压裂效果有影响的储层物性参数、完井参数、压裂施工参数,用皮尔逊相关系数法分析11个参数的相关性;用主成分分析法（PCA）进一步降维处理,以降维后的主成分作为贝叶斯神经网络模型的输入参数,以压裂效果评价指标（有效期）为输出参数,引入贝叶斯方法自适应调整正则化系数避免神经网络过拟合,生成三层贝叶斯神经网络预测模型。用200口井中90%的井数据作为训练集,10%的井数据作为测试集,对该模型进行训练,实验结果表明,训练后该模型预测测试集的相对误差均值在5%以内,可以用来优化压裂施工参数。     

鄂尔多斯盆地长7地层油页岩含油率预测

油页岩的含油率是油页岩工业品质评价中最重要的参数之一,其计算的准确与否直接关系到炼油适宜性的有效确定。鉴于岩心测试成本较高、且不连续等因素,本文充分利用测井资料和含油率室内化验分析资料,在含油率化验分析资料归位的基础上利用现代数理统计方法优选了含油率的敏感性测井参数,采用BP非线性神经网络技术构建了研究区的含油率多测井参数预测模型。含油率预测结果表明,该法能够较好地对研究区内的油页岩含油率进行有效预测,可有效弥补实验室测样的不足,并为利用研究区测井资料进行油页岩工业评价提供了依据。     

烃源岩TOC地球物理定量预测新技术及在珠江口盆地的应用

南海东部珠江口盆地富生烃洼陷内部的钻井极少,给烃源岩总有机碳含量(TOC)地球物理预测研究及洼陷的资源潜力评价带来了极大的困难。结合烃源岩测井及地震响应特征,从实测有机碳含量出发,应用测井预测TOC的方法建立虚拟井的TOC曲线,以此为因变量,选取的地震属性作为自变量,建立它们之间的最佳拟合方程,通过三维地震数据体中提取地震属性从而计算得到三维TOC数据体。将该方法应用到珠江口盆地富生烃洼陷惠州洼陷中,得到整体文昌组和恩平组的三维TOC数据体。HZ26洼陷边缘到洼陷深部,有机碳含量明显增大,反映了洼陷深部是优质烃源岩的发育场所,从南部隆起区到洼陷深部,再到北部洼陷边缘,先增大后又逐渐减小的变化特征。     

砂泥岩地层概率神经网络岩性反演技术应用研究

概率神经网络是一种基于概率密度函数理论的神经网络,能够广泛地应用于模式识别等领域.针对地震岩性反演预测问题,提出了一种具体的概率神经网络方法,包括网络模型的构造和预测识别步骤等.研究区主要目的层为沙溪庙组沙一段湖滩砂及河道砂体,储层单层厚度小,岩性横向变化较大,利用地震资料进行常规储层预测较困难.为此,根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地震属性数据做变换,从而对地层特征进行预测识别.     

多波地震油气储层的自组织神经网络学习与预测

如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标。多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题。为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案。首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息。最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果。应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性。     

用人工神经网络综合测井和地震资料预测岩性

利用一种全新的人工智能技术──人工神经网络，将测井和地面地震资料（如层速度或波阻抗）联系起来，自动建立测井数据、地震数据和告性间的非线性关系，从而有效地进行岩性预测。     

古潜山裂缝性油藏储层参数横向预测

对古潜山裂缝性复杂岩性油藏，任何单一的方法均不能对裂缝作出总体特征描述。将测井资料与地震资料相结合，充分发挥测井资料纵向分辨率高、地震资料横向分辨率高的优点，提出了一套古潜山裂缝识别和储层参数预测的方法。在单井测井资料精细分析和解释的基础上，通过测井与井旁地震资料精细标定、地震属性提取、归一化处理和优选，建立了地震属性与储层参数之间的关系，实现在井约束条件下的地震属性参数向储层参数的空间分布预测。该研究成果已在胜利油田数十口井中进行了推广应用，其有效孔隙度、次生孔隙度、泥质含量预测结果与测井解释结果吻合较好，两者误差相当小，取得了良好的应用效果。