测井资料的自动分层和岩性识别

介绍了用测井资料进行相分析中的自动分层和岩性识别技术。采用的分层方法为最优分割法,岩性识别用统计分类中的贝叶斯判别法则。通过实际资料的处理解释,取得了与钻井地质剖面吻合良好的结果。     

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。     

基于交会图和贝叶斯聚类分析法的岩性识别方法

摘要:本文将针对造成伊通盆地莫里青断陷测井解释符合率低的主要因素即复杂的岩性,开展研究,根据这一状况,提出了利用交会图 及贝叶斯聚类分析算法 的岩性识别方法。先对区域资料进行测井响应标准化 ,选择出合适的样本数据,确定自然伽马,电阻率,声波时差,中子,密度五条测井曲线作为岩性识别的参数,符合率达到82.9%。在对区域内十口探井进行岩性解释,最终符合率达到87.1%,有效地提高该区域的解释精度。     

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.     

自组织特征映射神经网络在岩性识别中的应用

传统的岩性识别技术主要基于统计学理论,如贝叶斯方法、回归方法等,近年来人工神经网络方法如反向传播算法(Back-Propagation, B-P)也应用于岩性识别,取得了一定的效果。用Kohonen提出的自组织特征映射神经网络对测井数据进行岩性识别,该方法具有较强的自组织性、自适应性,有较高的容错能力。与B-P算法相比较,计算量小,收效速度快,且不需要已知的先验信息而自动确定分类类别。结果表明与统计方法、岩性录井分析结果一致。     

基于长短期记忆神经网络补全测井曲线和混合优化XGBoost的岩性识别

为克服已有岩性识别方法中存在的不足,提出一种粒子群优化算法和网格搜索法对XGBoost算法混合寻优的岩性识别方法。由于某些测井曲线中存在缺失值,首先通过长短期记忆(LSTM)神经网络建立时间序列预测模型重新生成缺失的测井曲线值,为后续的岩性识别奠定基础;其次引入XGBoost算法构建岩性识别模型,利用粒子群优化算法确定XGBoost算法中浮点型超参数的最优值和整型超参数的寻优范围,在此基础上通过网格搜索法确定整型超参数的最优值,获得岩性识别模型;最后利用测试数据集对该岩性识别模型进行测试。结果表明：与随机森林、未经优化的XGBoost算法、决策树、支持向量机和朴素贝叶斯相比,在不同岩性识别中粒子群优化算法和网格搜索法对XGBoost算法混合寻优的岩性识别方法的表现最为优异;粒子群优化算法和网格搜索法混合寻优的XGBoost算法应用到油田不同岩性识别中可在一定程度上克服已有岩性识别方法的不足,提高岩性识别的效率与准确率。     

腰英台地区火山岩储层岩性识别和参数评价

本文在对比腰英台地区多口井火山岩测井响应的基础上,以常规测井技术和测井新技术为基础,以计算机技术为手段,着重对腰英台地区火成岩储层进行了两方面的研究：1.利用交会图法结合地层微电阻率成像测井资料,综合岩性主体成分信息与结构构造信息识别火山岩岩性;2.用岩心分析资料建立了针对火山岩储层的测井解释模型,并利用自主研发处理软件simple对研究区内各井进行了处理,实现了储层参数评价。     

廊固凹陷天然气储层识别方法

廊固凹陷沙三段受构造、油藏、岩性变化、泥浆侵入等因素影响,利用测井资料识别油气层难度较大.在分析常规三孔隙度、中子伽马测井及核磁、阵列声波测井对油气层响应机理的基础上,充分挖掘不同测井信息,建立多种定性与定量的气层测井识别方法.通过对不同测井系列油气层解释技术及应用效果的总结和分析,提出测井采集优选方案,建立了针对性和实用性的解释方法,有效提高了低阻和疑难气层的识别能力.     

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.     

火成岩分层测井解释理论与应用

本文在结合了国内外火成岩测井解释理论、方法的基础上,提出了火成岩分层测井解释理论,本文也通过利用交会图法和成像测井识别法对岩性进行了识别;也提出了裂缝识别及裂缝孔隙度计算,渗透率的计算以及饱和度的计算公式。最后利用本文中介绍的方法进行了实际应用。