基于线性回归与神经网络的储层参数预测复合方法

为提高储层参数的预测精度,提出一种利用测井资料,结合多元线性回归和神经网络预测储层参数的新的复合方法,具体分两步:(1)通过多元线性回归分析建立回归值y'的计算模型,将y'作为储层参数的初步预测值;(2)通过RBF神经网络建立y'的残差Δd的预测模型,将预测结果Δd作为y'的非线性误差补偿,最终建立储层参数解释模型,y=y'+Δd。基于该方法,结合测井资料和岩心数据,建立了鄂尔多斯盆地某致密砂岩气田M3井区S_2~2、T_2~2段孔隙度和含水饱和度的测井解释模型,结果显示,新方法建立的模型预测值与S_2~2、T_2~2段实际岩心孔隙度、含水饱和度值的平均相对误差均小于17%,明显优于单独根据多元线性回归分析或RBF神经网络建立的解释模型,预测精度更高。     

应用BP神经网络预测磨溪气田香四储层孔隙度

神经网络是一门新兴的信息处理技未,它可用来解决测井解释和油藏描述中的模式识别和参数估算等问题。本文利用取心并的储层孔隙度与测井数据,应用改进的BP神经网络模型建立了川中磨溪气田香四储层物性参数孔隙度的预测模型。与传统方法~回归方程、灰色方程和测井解释相比,其精度及实际预测效果均令人满意。该法值得推广应用。     

支持向量机在致密砂岩储层孔隙度预测中应用

大牛地山2段气层组属于典型的低孔低渗致密砂岩储层,其孔隙结构复杂,非均质性强,采用传统数理统计方法解释孔隙度误差大.根据已有测井、录井和岩心资料,在进行储层特征和四性关系研究的基础上,采用能够深度挖掘测井参数和孔隙度间非线性关系的支持向量机方法,对该研究区储层孔隙度进行预测.实例证明该方法预测孔隙度和岩心分析孔隙度符合率很高,与线性多元回归相比,能有效提高致密砂岩储层测井解释模型的精度,为储层的综合评价提供了可靠的地质参数.     

BP神经网络在储层物性参数预测中的应用——以梁家楼油田沙三中为例

在储层四性特征及其四性关系研究的基础上，应用BP神经网络方法，对梁家楼油田沙三中储层的物性参数（孔隙度、渗透率）进行了预测，并对其预测精度进行了检验。将神经网络解释结果与常规数理统计方法精度对比可见，神经网络法的参数预测精度有较大的提高，显示出BP神经网络法在储层参数预测中的优势与应用潜能。     

川东北元坝气田须家河组主力储层参数测井精细解释

以常规测井和储层参数岩心实测资料为基础,建立了储层物性参数单参数拟合模型和多元回归线性解释模型,基于岩电分析测试资料建立了阿尔奇含水饱和度解释模型,利用非线性BP网络法,构建了须家河组主力储层各参数精细解释模型.对多种储层参数解释模型进行优选.结果表明非线性的神经网络解释模型与实际测试资料吻合性最高,能对该地区复杂的致密储层参数进行准确解释.     

古叙矿区煤体及其组合的测井曲线识别技术

不同测井曲线对于煤体结构识别具有多解性。为提高判识精度,通过对古叙矿区石宝矿段煤储层特征和常规测井响应特征分析,提取了对煤体结构反应敏感的8条测井曲线,包括自然伽马、井径Ⅰ、井径Ⅱ、深侧向电阻率、浅侧向电阻率、补偿密度、补偿中子、补偿声波,采用BP(back propagation)神经网络算法,通过MTALAB软件,建立了神经元数量为100、训练函数为TRAINLM,适应学习函数为LEARNGDM、误差分析为MSE的二层BP神经网络煤体结构定量识别模型,预测结果与矿区其他井岩心进行对比,结果表明,基于BP神经网络的煤体结构测井识别方法精确度达89%,效果好于传统的测井判识方法。     

基于灰色关联分析和BP神经网络的煤层含气量预测研究

基于测井资料和煤岩心含气量化验分析资料,采用现代数理统计方法优选了煤层含气量的敏感性测井参数,在煤岩心含气量分析化验数据归位的基础上,建立了煤岩心含气量-测井相统计模式,并利用灰色关联法对测井相-煤岩心含气量统计模式进行了系统分析,进而筛选了有效的煤层含气量测井建模数据库。基于神经网络非线性数学方法,利用筛选后的有效煤层含气量测井建模数据构建了研究区内煤层含气量的多测井参数非线性预测模型,并利用所构建模型对研究区内的煤层含气量进行预测。煤岩心含气量室内分析数据与预测结果对比表明,该整套方法能较好地对煤层含气量进行预测,预测精度能够满足煤层气储层测井评价的要求。     

基于样本优化的神经网络方法在储层裂缝识别中的应用

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高。为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系。在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类。最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测。将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法。     

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。     

机器学习方法对砂砾岩岩屑成分的预测——以西北缘X723井百口泉组为例

选择凝灰岩岩屑作为预测对象,对测井数据进行标准化处理,对砂砾岩储层薄片鉴定结果和测井数据进行相关性分析,优选对岩屑敏感的CNL、GR、RT、RI、SP测井参数作为训练学习的对象;分别利用SVM、BP神经网络、CART、BP神经网络-Bagging、CART-Bagging、随机森林等机器学习方法建立岩屑预测模型,对西北缘X723井百口泉组岩屑成分进行预测、对比和分析。结果表明:单个机器学习方法预测效果不佳,而经集成学习方法优化的BP神经网络-Bagging、随机森林取得较好的实验结果,尤其是随机森林的预测效果最好,平均相对误差绝对值为17.17%,证实机器学习方法在本工区预测岩屑成分是有效的,可以进行推广。