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。     

神经网络在储层参数描述中的应用

神经网络是生物神经系统的一种高度简化的计算机模式，已应用于许多领域，包括模式识别、分类和信号处理。文章研究了神经网络应用于石油勘探中储层参数描述的可能性。结果表明，神经网络对储层参数的描述提供了一种简单而又很有潜力、非常有用的工具。     

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 ,对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 ;而非参数回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属性与储层参数间较为复杂的关系 ,在油气预测以及油藏描述中将会有广阔的应用前景。     

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。     

BP神经网络在计算储层参数中的应用

人工神经网络近年来在石油行业中广泛使用,以稳定性和计算能力强为特点的BP神经网络更是广为应用。孔隙度和渗透率是储层物性的重要参数,在储层评价中占据重要地位。寻找一种广泛而有效的方法计算孔隙度和渗透率是石油工作者的一项艰巨任务,本文选用了BP神经网络分别建立计算孔隙度和渗透率的模型,并通过与岩芯分析数据作对比,取得了良好的效果,有进一步推广的潜力。     

地震属性参数神经网络油气预测应用研究

论述了油田区块开发前期和中期的油气预测的方法及实际应用问题。主要利用三维地震资料提取地震属性参数,并采用模糊神经网络技术,即将模糊概念和ＢＰ神经网络结合一体进行预测。     

井间储层参数预测的相控模型法

提高储层建模精度的关键是采用相控建模思路。在后期成岩作用影响不大的情况下,砂岩储集层物性与沉积微相之间关系密切。据此提出建立井间储集层参数模型的相控模型法,给出了沉积学微相建模与参数定量预测的思路、方法和主要步骤。该方法适用于井控不足情况下的储集层描述。     

一种可用于储层参数预测的基于神经网络的遗传算法

储层物性参数的展布一直是油藏描述的关键问题和难点。在遗传算法与神经网络结构模型相结合的基础上,设计了一种用遗传算法训练神经网络权值的方法,并把这种方法用于储层参数的预测。实验表明该神经网络具有较强的预测能力和实用性。     

灰色模式识别在测井分析中的应用

利用灰色关联分析来对测井信号进行油气储层识别和油气性分析。     

神经网络在储层横向预测中的应用

传统的冯·诺依曼程序存储式计算机擅长于数据处理，但在类似于面貌及声音识别这样一些简单的认知问题方面，与人类相差很大，这种差异推动神经网络的研究，本文讨论误差反向传播网络（ＢＰ）。给出了ＢＰ网络在储层横向预测测方面的应用。     

协同神经网络及其在模式识别中的应用

本文介绍了协同神经网络的基本思想,重点研究了协同神经网络在模式识别技术中的应用题,包括动力学模型、网络结构及学习算法,同时与传统的Hopfield网络进行了比较。     

彩色模式识别中的神经网络

提出实拍标准彩色集、建立纠偏数据库的方案，以减轻偏色的影响；构造一个两级人工神经网络系统，分别为纠编数据库的快速匹配、色彩集的快速变换提供了保证。     

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。     

神经网络在储层横向预测中的应用

传统的冯·诺依曼程序存储式计算机擅长于数据处理，但是在类似于面貌及声音识别这样一些简单的认知问题方面，与人类相差很大．这种差异推动了神经网络的研究．本文讨论了误差反向传播网络（ＢＰ）．给出了ＢＰ网络在储层横向预测测方面的应用．     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归(PLS)与神经网络(NN)耦合,建立了储层参数预报模型.利用偏最小二乘对影响储层参数的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量间的多重相关性问题,降低了神经网络的输入维数;同时,利用神经网络建模可以较好地解决非线性的储层参数预测问题.计算实例表明,本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度.     

综合利用测井和地震数据刻划储层参数横向变化

测井与地震相结合进行地层横向参数分布刻划是测井解释由线向面过渡的趋势，亦是提高地震解释分辨率的有效途径之一。本文首先将地震和测井资料加以匹配，根据测井资料求出的地震子波与井旁地震道反褶积，得到时间域的声波时差，通过分形插值来提高地震道的纵向分辨率。子波的求取采用与传统方式不同的逐点相关法，即将测井得出的反射系数与井旁道上相应长的一段反褶积，当得到的波形与雷克子波相关性最佳时，可同时得到地震子波及本     

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。     

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。     

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。     

多参数监测与模式识别技术在斜拉桥模型中的应用

进行了斜拉桥模型的多参数试验分析，在参数特征抽取的基础上研究信息融合技术。最后基于自组织特征映照神经网络，以知识处理中的地势搜索原理为出发点，研究开发了以以初始化技术、标定技术和识别技术为核心的损伤识别系统，并应用该系统对斜拉桥模型的工作状态进行了分类识别，取得了很好的效果，应用特征映照平面实现的状态聚类具有二维可视化特点。