塔南凹陷复杂岩性低渗透储层测井岩性识别

岩性识别是复杂岩性低渗透油藏高效开发中的关键地质难题,以塔南凹陷白垩系为例,探索了复杂岩性地层
的测井岩性识别方法。研究区白垩系正常陆源碎屑和火山碎屑物质同时沉积,铜钵庙组发育凝灰质砂砾岩、凝灰质砂
岩、沉凝灰岩、凝灰岩、砂岩、砾岩和泥岩7 种岩性类型,岩性复杂,储层物性差,岩性与电性对比度低。在不同岩性地
层测井响应特征研究的基础上,选择4 种测井曲线进行岩性综合解释,采用Fisher 判别方法达到减小同类岩性地层测
井响应差异,并增大不同岩性测井响应差异的目的,建立了研究区7 类岩性的判别函数,实现了非取芯井的测井岩性
识别,识别正确率达到98.1%,解决了复杂岩性低渗透储层中的测井岩性识别难题,为油藏开发提供了技术支持。     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题. 为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度. 利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模. 在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率. 这种高性能的建模方式弥补了极限学习机的不足.      

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.     

复杂岩性地区岩性识别与储层预测

中国陆相地层岩性成分较为复杂,岩性波阻抗值常呈多极分布。水动能强度的急剧变化、高频率的水进水退等沉积背景造成了薄互层广泛发育的特点。储层间干涉现象普遍存在,直接影响到地震岩性解释的精度。针对复杂岩性地区岩性–波阻抗关系复杂的特点,系统分析了造成传统地震储层预测方法解释误差的原因。根据复杂岩性的地球物理响应特点,选取对区分复杂岩性敏感的测井参数。同时,将90°相位化地震数据作为测井参数反演的相对波阻抗约束数据体。研究结果表明,该方法对复杂岩性进行了有效的区分,达到了精细描述复杂岩性地区储层空间发育及平面展布特点的目的。     

基于改进分布式极限学习机的电站锅炉NO_x排放预测算法

提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力。选用某660 MW电站锅炉提供的真实运行数据进行分析,并在Hadoop集群上进行实验,结果表明该模型对NO_x排放有着较好的拟合和预测能力,且提出的算法具有优异的并行性能。     

量子神经网络在雷家地区岩性识别中的应用

雷家地区砂砾岩储层岩性复杂多变,因此准确的识别岩性对于储层参数的计算有着非常重要的意义。本文以量子神经网络为根据,建立了一种基于量子神经网络的岩性识别模型。并且将所建立的模型用于模拟雷家地区砂砾岩储层测井响应与不同岩性之间的映射关系,来实现复杂岩性条件下不同岩性的自动识别。     

应用优化DHKELM的柴油机故障诊断方法

为准确、高效地对柴油机故障进行诊断,提出应用优化深度混合核极限学习机(deep hybrid kernel extreme learning machine, DHKELM)的柴油机故障诊断方法。该方法以各样本的频谱幅值作为故障特征,归一化处理后作为DHKELM模型的输入,从而实现对柴油机各故障状态的识别。相较极限学习机,该模型具有更深层次的结构,引入了混合核函数以及自动编码器,可以准确区分易混淆的故障类型,提高诊断准确率。针对DHKELM模型中各个超参数难以确定的问题,提出利用改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对模型中各超参数进行寻优,充分发挥模型的故障诊断性能。实验结果表明,在实验室实测数据中,所提方法较传统方法具有较好的故障诊断精度,为柴油机故障诊断提供了一种新的思路。     

基于快速留一交叉验证的核极限学习机在线建模

提出了一种基于快速留一交叉验证(FLOO-CV)的在线核极限学习机(OKELM),以逐次增加新样本与删除旧样本的方式进行在线训练;设计了一种无需人为设定、能够根据系统过程特性自适应改变的FLOO-CV预测误差阈值,根据误差阈值仅引入预报误差较大的样本对模型进行更新,以提高模型的稀疏性和泛化能力;利用Hermitian矩阵求逆引理实现了对网络输出权值的递推求解,减小了在线存储空间和计算时间.经混沌时间序列预测和连续搅拌釜式反应器的过程辨识结果表明,相比于离线核极限学习机、无稀疏策略的在线核极限学习机和在线序贯极限学习机,OKELM具有更快的计算速度和更高的学习精度.     

基于增量稀疏核极限学习机的发动机状态在线预测

针对发动机状态在线预测中样本累积、预测模型膨胀和在线更新速度慢等问题,提出了基于增量稀疏核极限学习机的在线预测方法.该方法定义了KELM核函数矩阵的稀疏测量矩阵,并根据矩阵原子相干最小化和自信息量最大化的样本信息度量准则实现在线样本前向稀疏与后向删减,提高了样本稀疏化效率.利用有效样本对测量矩阵在最佳阶数内进行在线扩充与修剪,限制了预测模型膨胀.利用改进的增量建模方法对模型的核权重矩阵进行递推更新,从而建立规模有限且结构稀疏的在线预测模型,提高了在线建模速度.仿真数据和发动机状态参数在线预测实验结果表明,与现有在线预测方法相比,ISKELM具有更高的样本稀疏化和在线建模效率.对发动机排气温度进行120步预测时,预测速度分别提高了80.50%和31.72%,预测精度分别提高了48.56%和15.81%.      

基于PCA-BP神经网络的非常规储层岩性识别研究

岩性识别一直是储层测井解释的关键问题和难点之一。针对常规测井岩性识别准确率不高的状况,在分析测井资料的基础上,以Matlab为平台研究了基于主成分分析的PCA-BP神经网络,并以济阳坳陷非常规储层实际测井资料为样本,通过设计算法步骤进行了实验仿真。由仿真结果得出非常规储层岩性识别率为95.8%,高于BP神经网络,PCA-BP神经网络有效提高了识别率和运行速度。经过对济阳坳陷钻井的岩性识别表明,该岩性识别方法可行并具有实用价值。     

多波多分量技术在岩性与流体预测中的应用

目的探索利用多波分量技术提高地震储层测精度。方法在精细岩石物理分析和岩性、流体敏感因子优选的基础上,通过PS波标定,纵横波精细对齐进行纵横波联合解释、联合反演;利用实测全波列测井数据对PS波AVO响应特征和储层及流体的关系进行定量研究。结果在研究区进行含气性预测,预测符合率较单一纵波提高10%以上。结论多波勘探技术因增加了横波信息,有效提高了岩性和流体预测精度。     

断层两盘岩性配置关系及断层的封闭性

断层一般不是一个简单的面，而是由一系列破裂面或次级断层组成的带，这与断层两盘岩性配置原理的假设有很大的差别。依据断层特征，分断层面和断裂带2种类型讨论了岩性的配置关系，进一步结合断层两盘的岩性、排驱压力及断距，划分了12种岩性配置模式。对营32断层岩性配置关系的研究发现，不同砂层组的岩性配置有很大差异，其中1砂层组岩性配置最好，8砂层组岩性配置最差，这导致纵向上断层不同部位封闭程度有很大不同。沿断层走向，从北向南断层的断距逐渐变小，这必然增加了同一储层的砂岩在断层两侧相配置的概率，岩性配置由北向南变差，因此营32断层两侧的剩余油挖潜应侧重于断层的北段。     

利用XRF录井谱图分析判别岩性的方法

目的探究快速、高效判别录井岩屑岩性的方法。方法利用XRF录井谱图,分析XRF谱图与岩性的关系,并应用最小二乘法进行分析。结果通过对鄂尔多斯盆地近3 000个样品的分析结果表明,该方法岩性判别符合率达到70%以上。结论利用标准岩性谱图比对分析,便可判别出测量样品的岩性。     

雷64区块砂砾岩储层岩性识别方法研究

在取心、岩石物理实验的基础上,采用统计方法对雷64区的岩性进行研究,将其分为砂质细砾岩和不等粒砂岩两大类.利用直方图法优选出识别这两大类岩性的敏感测井曲线,并且依据优选出来的敏感测井曲线,建立了用于识别砂质细砾岩和不等粒砂岩的测井响应交会图法、决策树模型、系统聚类模型.通过对上述三种模型进行精度分析,发现决策树模型的精度要高于测井响应交会图法和系统聚类模型.同时利用所建立的两种决策树模型对雷71井进行岩性识别,将识别结果与实际取心对比,发现综合判断准确率均大于85%.结果表明,给出的决策树模型可很好地用于该地区砂砾岩储层的岩性识别.     

断层两盘岩性配置关系及断层的封闭性

断层一般不是一个简单的面,而是由一系列破裂面或次级断层组成的带,这与断层两盘岩性配置原理的假设有很大的差别.依据断层特征,分断层面和断裂带2种类型讨论了岩性的配置关系,进一步结合断层两盘的岩性、排驱压力及断距,划分了12种岩性配置模式.对营32断层岩性配置关系的研究发现,不同砂层组的岩性配置有很大差异,其中1砂层组岩性配置最好,8砂层组岩性配置最差,这导致纵向上断层不同部位封闭程度有很大不同.沿断层走向,从北向南断层的断距逐渐变小,这必然增加了同一储层的砂岩在断层两侧相配置的概率,岩性配置由北向南变差,因此营32断层两侧的剩余油挖潜应侧重于断层的北段.     

基于测井相分析技术的复杂岩性识别方法研究

准确识别储集层岩性是海拉尔-塔木察格盆地塔南油田铜钵庙组储集层测井评价面临的主要问题。由于目标区块岩性十分复杂,常规的岩性测井识别方法不能满足该区块岩性准确识别的要求。以测井相分析技术为基础,首先选取该区一口岩心资料齐全和测井质量好的井,对常规测井曲线进行Z值标准化;其次利用主成分分析,对选取的测井参数进行降维处理,提取了四个主成分;然后,利用K均值聚类划定了9类测井相;并通过测井资料划定的测井相与岩心资料对比,建立了测井相-岩性数据库;最后利用Fisher判别法建立了目标区块的岩性判别模型。将建立的判别模型对塔南油田铜钵庙组实际井资料进行了处理,结果显示:预测的岩性与岩心描述的岩性基本一致,验证了测井相分析技术在复杂岩性识别中的可靠性。     

PSO-LSSVM分类模型在岩性识别中的应用

为了精确解决测井岩性识别问题,提出了一种将粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整,然后利用参数优化调整后得到的具有较优分类效果的PSO-LSSVM模型对某油田的测井资料进行岩性识别.实验结果表明:同基于交叉验证的支持向量机模型以及单隐层的BP神经网络模型相比,该方法能够很好描述测井数据和岩性类别之间的非线性映射关系,识别精度高,并提高了算法的自动化程度.     

基于随钻数据的岩性识别机器学习算法研究进展

机器学习算法是岩性识别领域重点研究内容之一。与传统岩性识别方法相比,通过监测随钻参数变化进行岩性识别,具有高精度、多信息、集成化、智能化的优点。近年来,随着岩性识别技术不断发展,机器学习算法在岩性识别领域的研究和应用日益广泛。利用机器学习算法分析随钻数据,能够提高岩性识别结果的准确性,更高效地识别地层的岩性和构造。为了厘清岩性识别机器学习算法的发展现状,发掘其在岩性识别技术领域中的技术难题,综述了岩性识别机器学习算法的研究进展。首先,简要介绍了机器学习的概念与发展历程;其次,分类阐述能够用于岩性识别领域的机器学习算法;再次,总结了岩性识别领域各类常用机器学习算法的应用现状,比较了各类算法在岩性识别应用中的优缺点;最后,总结了岩性识别算法存在的问题和面临的挑战,并对其下一步发展方向提出了建议,使未来能更加准确高效地利用机器学习算法分析处理随钻数据,实现机器学习算法与岩性识别技术的深度结合。     

激光诱导击穿光谱技术在录井岩性识别中的应用

采用激光诱导击穿光谱技术,结合主成分分析、偏最小二乘判别分析和对向传播人工神经网络非线性模型,对录井中的岩屑岩性进行识别.研究结果表明使用对向传播人工神经网络非线性模型对玄武岩、安山岩、泥岩、砂岩、灰岩的识别正确率均在70%以上,平均正确识别率达88%,实现了5种岩屑岩性的有效识别.     

测井岩性的非线性动态辨识新方法及应用

由于岩性测井曲线分布具有模糊性,在对岩性进行划分时会出现较大的困难.为了准确分析测井响应曲线,将逃逸微粒群算法与Elman反馈神经网络进行有机结合,形成了EPSO-NN混合算法,并构建了基于"EPSO-NN"的非线性动态识别系统,用于测井岩性的自适应识别.工程实例结果表明,该系统在岩性识别上是可行的、有效的,同样也完全可以用于岩相、沉积微相识别、矿床预测及矿物岩石分类地质方面的研究.