神经网络方法在电缆地层测试数据反演中的应用

利用电缆地层测试资料正确反演地层参数是油田勘探中的一项重要任务。将神经网络方法引入到电缆地层测试数据的反演中,可以在考虑管线存储效应和井简表皮效应对测量产生影响的情况下,同时获得地层的渗透率和井简的表皮系数。该方法利用地层测试早期和中期的数据,不仅可以缩短地层测试器的测量时间,而且可以充分利用测试过程中的动态数据。验证结果表明,该反演方法是可行的。     

WFT的压力影响因素分析及渗透率计算方法的改进

电缆地层测试器(Wireline Formation Tester)的压力测量，主要受到来自仪器的存储效应和测量环境的表皮效应的影响，通过三维有限元数值模拟程序定量的描述了存储效应和表皮效应与压力的关系。结果表明，受存储效应的影响，在低渗透率地层测量的压力，没有稳定的压力降，不经过校正，不能进行渗透率的计算；受表皮效应的影响，测量的压力降只有原来的1／3，这使地层的渗透率被低估。为了消除影响渗透计算的因素，研究了电缆地层测试器的量纲为1解释图版，对存储效应和表皮效应进行了校正，提高了渗透率计算精度。     

DST压力恢复分析的卷积法

根据卷积理论提出了一种解释钻杆测试（ＤＳＴ）恢复期压力资料的直线方法（即卷积压力法）．该方法适合于分析非自喷并ＤＳＴ压力资料．在流量的确定上，不仅考虑了流动期井筒储存效应，而且考虑了关井后井筒储存效应的影响．应用本文所给的ＤＳＴ试井解释方法，可以获得地层流动系数（）、地层压力（Ｐｉ）及表皮因子（ｓ）．     

部分压开井渗流井底瞬时压力计算

论文将实际的垂直裂缝井简化成裂缝高度小于地层有效厚度的矩形,在此基础上采用乘积解级出该问题渗流的地层压力及井底瞬时压力。使用Laplace变换技术,给出考虑井筒存储及表皮系数的部分压裂垂直裂缝井在Laplace空间上的井底压力解,最后通过Laplace数值反演给出考虑井筒存储及表皮系数的部分压开垂直裂缝井无量纲压力及导数。     

现代试井分析中关于负表皮效应问题的研究

本文研究了现代试井分析中的负表皮效应问题。Agarwal考虑到均匀微可压缩流体在均质地层中渗流具有井筒存储及表皮因子的影响,得出渗流解析解。本研究是通过扩大井筒半径的影响,对Agarwal解析解进行数值积分,获得不同的负表皮效应参数的大量数据及表皮效应小于零的各参数的数据表,并绘出理论图版。补充了 Gringarten 理论图版关于负表皮效应值的内容,为研究钻井与完井过程中油层污染状况以及油井压裂、酸化等增产措施效果提供了分析依据。     

油藏电缆地层测试压力信号的小波分析

为了抑制非地层压力等噪声信号,有效地提取与产能评价密切相关的油藏压力信息,详细地探讨了电缆地层测试的流动方式及物理方程之后,基于小波分析基本原理,深入剖析了电缆地层测试压力信号的小波分析方法。利用小波分析高分辨率的特点,采用小波变换分析法从不同尺度上提取了电缆地层测试压力的小波系数。结果表明,经小波变换处理后的电缆地层压力测试曲线能够有效地反映地层中的流体信息;不同尺度上提取的电缆地层压力的小波系数中,高频小波系数d1和d2包含的产能及渗透率等信息更强;采用小波变换后降低了干扰信号的影响,突出了油藏产能信号,进而提高了采样数据的可靠性。这也充分说明利用小波分析方法对油藏电缆测试压力信号处理后,油藏产能信息更为明晰,进而提高了油藏电缆地层测试压力有用信号的提取精度,且该法处理方式更为简单,为今后油藏电缆地层测试压力数据处理方法提供了一种新手段。     

垂直裂缝气井部分压开试井分析

将实际的垂直裂缝井简化成裂缝高度小于地层有效厚度的矩形,在此基础上采用乘积解给出该问题渗流的地层压力及井底瞬时压力.使用Laplace变换给出考虑井筒存储及表皮系数的部分压开垂直裂缝井在Laplace空间上的井底压力解,并通过Laplace数值反演给出考虑井筒存储及表皮系数的部分压开垂直裂缝井无量纲压力及导数.最后使用一实例介绍部分压开垂直裂缝井试井分析方法.     

无限大双层越流油气藏井底压力的精确解

采用最大有效井径的概念，在考虑表皮效应和井筒储存影响的条件下，导出了一个具有层间越流的无限大双层越流油气藏井底压力的动态模型，通过拉氏变换，得到了拉氏空间下以Bessel函数表示的精确解。运用Crump数值反演方法，得到了实空间的解，分析了压力动态特征，计算结果表明：该模型不但适合于表皮系数为正的情况，也适合于表皮系数的为负的情形，而Burdet模型只适合于表皮系数为正的情况。由于解释模型参数集团化，更有利于绘制典型曲线，能够获得更加准确的地层参数。     

外边界定压试井分析有效井径模型及其样版曲线

试井分析中,外边界定压问题是-大类重要问题,本文在考虑了表皮效应和井筒储存效应后,建立了较严格的均质、水平、等厚圆形地层、外边界定压,中心-口井,开井生产井底压力变化的有效井径数学模型,并导出了拉氏空间解,通过数值反演,算出了此类问题的现代试井分析样版曲线,用于实例分析,结果准确、可靠。     

疏水沉降地层井筒负摩擦力的模糊反演

采用模糊集理论，提出了一种模糊反演疏水沉降地层井筒负摩擦力的分析方法。该法考虑了反演井筒所受负摩擦力问题中的不确定性、不精确性即模糊性。给出了算例并对模糊反演负摩擦力结果进行了隶属度、敏感系数及贡献权等模糊分析。     

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。     

利用strata反演波阻抗

本文对嫩江松花江地区的三维地震资料进行处理,结合该地区基础地质资料、钻井资料以及测井资料,利用strata软件进行反演,得出波阻抗剖面,从而预测该地区的含油砂体分布。反演结果可以看出反演剖面层次特征清楚,横向变化比较合理,基本能反映地震资料的横向变化特征,可以满足储层研究的对比追踪要求。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于改进麻雀搜索算法-BP神经网络的电缆接头线芯温度间接测量方法

电缆接头线芯温度实时监测对提升电缆线路载流量和安全运行有重要意义。针对目前测温方法适用性不强、精度低且抗干扰能力弱的问题，提出了一种改进麻雀搜索算法（Improved Sparrow Search Algorithm，ISSA）优化BP神经网络的温度反演间接测量方法。首先引入Tent混沌映射、自适应T分布变异、生产者数量和搜索空间动态调整混合策略对SSA进行改进，然后用改进后的SSA优化BP神经网络超参数。最后通过不同工况下的接头仿真与试验数据，结合ARMA对表面测温数据进行降噪，基于线路负荷及表面温度对接头线芯温度进行反演，并与PSO-BP、SSA-BP、GWO-BP反演效果进行对比。结果表明改进模型的MAE不超过0.5°C，反演精度更高，能够实现对电缆接头运行状态的实时有效监测。     

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.     

基于卷积神经网络的重力异常反演

重力异常反演是地球勘探中常用的方法,它是通过地表观测重力异常推断地下介质的密度分布。针对传统反演方法存在的多解性、初始模型依赖和计算时间较长等问题,本文提出一种基于卷积神经网络(CNN)的重力异常反演方法,该方法首先通过大量正演计算获得训练数据集;然后采用该数据集训练CNN网络,使其建立从地表观测重力异常到地下密度模型之间的映射关系;最后将重力异常数据输入到训练好的卷积神经网络,得到对应的地下密度模型。实验结果表明,该方法能快速、准确的反演出地下重力异常体的密度、位置和形状,具有较强的泛化能力,能有效解决重力异常反演问题。     

瞬变电磁勘探中的人工神经网络反演法

为使瞬变电磁勘探的反演法简单和通用,提出了一种瞬变电磁勘探吵的人工神经网络反演法,基于人工神经网络的BP算法,设计和开发了一个自适应的人工神经网络反演系统,该系统避免了复杂的电磁场计算,只需经过学习训练就能够解决复杂的实际问题,而且具有记忆功能,从而使瞬变电磁法的反演工作具有延续性和可继承性,通过对实际的地质数据进行反演,结果表明,该方法是切实可行的。     

基于神经网络的旋翼无人机空中原位风速反演

旋翼无人机空气动力学模型能够克服无人机旋翼下洗气流的影响，相比携带传感器直接测风具有一定优势。空气动力学模型利用无人机自身的姿态数据可以直接计算得到风向，但是风速的计算还需要开展大量的风洞实验以及复杂的实体建模获取相关参数。为简化流程、规避参数获取过程中存在的误差，采用BP(back propagation)神经网络替代风洞实验和实体建模，研究无人机姿态同自然风速的关系。通过确定风速影响因子，分别建立以两个欧拉角为输入和以两个欧拉角计算得到的倾角为输入的旋翼无人机空中原位风速反演模型EUL-BP(euler back propagation)和INC-BP(incline back propagation)。以无人机悬停等高度风塔上超声风速仪观测自然风速为真值，比较反演模型EUL-BP和INC-BP发现，INC-BP增强了BP神经网络寻优过程的约束，反演效果较EUL-BP更优，其均方根误差大致为0.65 m/s,相关系数为0.86左右；比较反演模型结果与无人机机载自动气象站观测结果发现，当风力条件为三级及以下时，反演风速远优于携带传感器观测的风速。     

小样本数据下三维地应力反演分析

对于地下矿山等工程,初始地应力场的有效获取意义重大,但由于地质情况复杂,实测数据不足等原因,小样本数据下的三维地应力反演分析不易进行。本文在进行现场应力测量的基础上,提出了一种以边界荷载法为基础,结合反向传播神经网络（back propagation neural network,BP）的Flac3D地应力反演改进方法。以建个元高速公路五老峰隧道为示例,首先通过建立反演区域的三维地质模型,通过边界荷载法试算各边界条件的大致范围,再利用BP神经网络的非线性特征建立反演参数与地应力之间的函数关系,最后进行正算反推求解反演最佳边界条件。实测值与反演值进行对比,误差在可接受的范围内,证明了该方法在复杂地质体地应力反演中的可靠性与实用性。