非线性方法在储层参数平面分布预测中的应用

根据神经网络、非参数回归等非线性方法的基本原理，储层参数平面分布进行了预测。结果表明，神经网络方法能够根据井点储层参数观测数据与井旁道地震属性之间的内在联系，通过自学习功能，建立起储层参数与地震属性间较为复杂的关系，适应性很强。但该方法对井点储层参数及地震属性的质量要求较高；而非参数顺归方法不必事先知道储层参数和地震属性之间的关系，可以避免由于模型假设与实际情况的偏差而产生的错误预测。该模型包罗广，适用面宽，能够有效地反映地震局性与储层参数之间较为复杂的关系，在油气预测以及油藏描述中将会有广阔的应用前景。     

地震正演模型在周矶油田潜41油组储层预测中的应用

本文通过对周矶油田潜41油组进行储层分析,使用有限差分法进行楔状模型正演,研究区地质模型正演结果证实了振幅属性、频率属性与砂岩之间的敏感关系.利用井点和地质模型的约束,根据振幅特征对地震剖面进行追踪,然后通过地震属性分析等步骤,减少了储层预测的多解性.     

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。     

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。     

神经网络模式识别技术在井间储层参数预测中的应用

用地震资料和少量测井资料预测储层参数的横向变化,是储层评价和油气勘探开发的重要研究课题。地震资料中蕴含着丰富的储层物性信息,若能建立起地震参数与储层物性参数之间的关系,则可利用地震资料进行储层参数的横向预测。文中提出了一种神经网络模式识别方法,用地震反射资料进行井间储层参数预测。应用结果表明,用网络法对井间孔隙度做出的估算值是准确的,用网络自动建立起来的非线性映射关系可能较好地反映井间孔隙度的分布。     

神经网络模式识别技术在井间储层参数预测中的应用

用地震资料和少量测井资料预测储层参数的横向变化,是储层评价和油气勘探开发的重要研究课题。地震资料中蕴含着丰富的储层物性信息,若能建立起地震参数与储层物性参数之间的关系,则可利用地震资料进行储层参数的横向预测。文中提出了一种神经网络模式识别方法,用地震反射资料进行井间储层参数预测。应用结果表明,用网络法对井间孔隙度做出的估算值是准确的,用网络自动建立起来的非线性映射关系可能较好地反映井间孔隙度的分布     

基于地震属性相关主成分分析的储层预测

通过分析地震属性与储层预测对象的相关关系,提出了一种基于地震属性相关主成分分析的油气储层预测方法,该方法通过降维获取地震属性综合变量,该综合变量既能代表地震属性变异或数据的空间结构,又能保证地震属性与储层参数具有最大的相关性,综合变量个数由卡纳尔准则确定,理论试算及实际应用表明该方法具有良好的去噪作用,能形成较可信的地震属性与储层参数的关系,具有较高的预测精度,本文方法优于基于地震属性主成分分析的储层预测方法。     

应用地震多属性反演与随机模拟技术预测砂体展布——以川西丰谷构造须四段为例

针对丰谷构造须四段储层具有埋深大、物性差、砂泥岩速度差异小等特点,综合采用基于神经网络的地震多属性反演与基于地质统计学的随机模拟进行砂体展布预测.该方法在目标曲线预分析和井震标定的基础上,首先根据地震属性与目标曲线的相关性,对地震属性进行排序与优选;然后通过概率神经网络训练,寻找目标曲线与多种地震属性的非线性关系,得到目标曲线的反演数据体;最后以反演体为约束条件,通过随机模拟的方法建立砂岩百分含量模型,完成砂体的井间预测.应用结果表明.该方法可以有效地减少砂体预测的多解性、提高砂体预测的精度,较为客观地展现各期砂体的空间分布以及相互叠置关系,具有一定应用价值.     

基于多元线性回归和BP神经网络的单井能力预测

为提高单井能力预测的精度和可靠性,提出利用地震属性数据,结合多元线性回归方法和BP神经网络方法进行预测。首先提取了研究区目的层的地震属性,然后利用多元线性回归方法和BP神经网络方法建立了单井能力与地质、地震属性之间的函数关系,得出了半定量-定量化的单井产量设计模型,并且验证了模型的预测结果。结果显示:单井能力预测精度总体在80%以上,其中BP神经网络模型预测精度更高,吻合度更好,证明了利用多种地震属性联合预测单井产能是一种卓有成效的方法。     

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。     

利用改进的自组织网络进行地震属性分析

自组织神经网络结合地震属性技术往往被用于进行地震相的自动识别,但在实际应用中存在着一些问题难以解决：如神经网络的分类识别能力问题、怎样选取地震属性、怎样解决自组织聚类的有序映射等。对Kohonen自组织网络进行了部分改进,并利用灵敏属性分析技术来解决地震属性的选择问题,最后结合自组织聚类参数利用RBF网络对储层参数进行预测,较为有效地提高了地震多属性储层预测精度。     

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.     

基于地震属性技术的井壁稳定随钻预测新方法

基于地震属性和测井数据之间存在非线性关系，提出一种综合利用地震和测井信息随钻预测井壁稳定性的新方法，即在钻前联合运用遗传算法和BP神经网络算法，从所提取的井旁原始地震属性中优选出对测井特征参数最敏感的地震属性组合，并利用已钻井资料建立起反映所研究区块不同地层中地震属性与测井数据之间关系的一系列神经网络映射模型，实钻时通过分析岩屑录井资料选择适当的映射模型，随钻预测出待钻井段的声波和密度测井数据，进一步预测出钻头下方地层的井壁稳定性。该预测方法具有良好的精确度和时效性，在塔西南地区的实际应用中取得了良好效果。     

神经网络在CB油田储层预测和储层厚度计算中的应用

根据ＣＢ油田的特点提出了利用神经网络进行储层预测和计算地层厚度的方法。将传统的储层预测方法与人工神经网络相结合，能较好地解决ＣＢ油田的储层预测问题。利用神经网络的非线性映射特点实现了地震特征与地层厚度之间的映射，从而可以准确地求取地层厚度。用该方法设计了２口探井，实际钻井结果表明，这种方法的预测结果准确、可靠。     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。     

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。     

概率神经网络技术在地震岩性反演中应用

针对研究区目的储层单层厚度小和储层岩性横向变化较大情况,为了解决利用地震资料进行常规储层预测反演较困难问题,采用概率神经网络方法,讨论了网络模型的构造和预测识别等步骤。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层特征进行预测识别,研究结果表明:在实际资料处理中取得了好的应用效果。研究成果对油田勘探开发具有一定的指导意义。