神经网络专家系统在试井解释中的应用

论述了应用专家系统和人工神经网络自动识别试井解释模型的新方法．首先应用人工智能对试井解释模型的压力导数图进行识别，建立了用专家系统构成模块式识别系统；然后应用人工神经网络实现试井解释模型识别；该系统能根据新的试井资料识别试井解释模型；最后，神经网络和专家系统相结合用于试井解释．油田实际试井数据的识别结果说明该方法是一种非常有效的识别方法，对不完全的，有噪声的试井数据也能有效地识别，识别准确率较其它方法都有较大提高     

试井分析专家系统

人工智能在试井分析领域中的应用,是近几年才兴起来的课题。但试井解释这一问题的本质决定了引入人工智能的必然性。本文论述了专家系统在试井解释领域中的应用和研究方向,详细介绍了所开发的试井分析专家系统的组成和结构,及各部组成的建立方法和工作机理。并用所建专家系统进行了实例分析解释。     

均质、非均质地层伤害评价通式和现代试井分析模式

地层伤害有许多描述方法,但其数学关系不明确,没有统一标准。其基本评价方法是不稳定试井,对普通油层Horner和由线拟合法很方便,但对复杂均质油层尤其非均质油层,前法很少凑效,后者唯一性较差。本文提出表皮系数同其它各种地层伤害参数间的关系通式和统一标准;系统介绍了均质、非均质油层求地层伤害的现代试井程序,包括分析基础、目的、关键和可靠性等人工智能的初步模式。     

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）．     

应用人工神经网络识别试井解释模型

对不同的试井解释模型，把压力导数曲线作为训练样本，应用ＢＰ网络进行训练，训练后的网络能根据现场的实际试井数据识别试井解释模型．本文用模拟的数据、不完整的数据、有噪声的数据和一个现场试井数据对这个ＢＰ网络进行了测试．结果表明人工神经网络能够正确地识别试井解释模型，也能识别不完整的、有噪声的数据．人工神经网络技术有效地改进了目前在试井解释模型中广泛采用的模式识别方法，是一个非常值得推广和使用的技术