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.     

基于小波变换和卷积神经网络的地震储层预测方法及应用

提高储层预测的分辨率和准确性一直是油气藏表征的一个关键问题。将频谱分解与深度学习相结合,提出基于小波变换和卷积神经网络的地震岩性、储层类型预测方法。小波变换能够提供包含高频和低频信息的二维时频谱图,卷积神经网络具有超强的二维图像特征提取和分类能力,时频谱图作为卷积神经网络的输入,有助于充分挖掘地震数据高频和低频信息进行岩性和储层预测。将提出的方法应用于川西沙溪庙组储层预测中,首先利用叠后地震数据预测得到河道砂体分布,然后利用叠前地震数据在河道内部预测储层类型分布。结果表明,深度学习反演预测岩性和储层类型的分辨率和精度更高,能够识别小河道砂体,与生产测试情况更加吻合,优于常规地震反演方法。     

西泉地区电阻率参数反演及火山岩储层预测*

新疆准噶尔盆地东部西泉地区石炭系火山岩岩性特征分布复杂,受火山岩影响地震资料品质较差,采用常规地震储层预测方法识别火山岩储层效果不明显。通过分析研究区火山岩储层测井与地震响应特征,应用电阻率曲线构建拟声波曲线从而改善了波阻抗反演在火山岩储层识别中的效果。在对火山岩储层统计分析基础上,利用深浅电阻率差值和电阻率幅度差识别火山岩储集层,结合高分辨率波阻抗反演与电阻率参数反演信息的融合,预测了石炭系火山岩有利储层分布区。实际资料应用表明,电阻率差值参数反演能够较好地反映出火山岩储层平面变化特征。     

概率神经网络在低孔低渗油气层识别中的应用

针对低孔低渗储层物性差、孔隙结构复杂以及含水饱和度高等特点,为了解决利用测井资料进行低孔低渗储层流体性质准确识别较困难的问题,提出了一种概率神经网络判别解释方法.以中国西南某一低孔低渗气藏为例,结合试油资料,对不同流体性质的储层进行了测井响应特征分析,根据测井响应特征与流体性质的相关性对概率神经网络进行了训练,从而对该区储层流体性质进行了预测和识别.实际资料处理的结果表明:解释符合率显著提高,取得了较好的应用效果.     

岩性油藏弱反射地震储层预测方法研究

准噶尔盆地车排子地区发育多套地层超覆在石炭系上,易形成丰富的岩性油藏。由于上覆地层与石炭系的岩性物性差异巨大,储层的反射淹没在强振幅中,很难利用常规的储层预测方法有效刻画储层的纵横向分布。针对此问题,首先阐述了该地区岩性油藏弱反射形成机理、地震资料分辨率;然后开展了拓频、反演、分频、地震属性分析等多种储层预测方法研究;在此基础上,将包含岩性油藏的弱反射信号看成整体,而不是分离出来,从而优选出能够反映信号微弱变化的标准偏差属性进行岩性油藏储层预测。研究结果表明:利用标准偏差属性预测的储层结果与现有钻井资料吻合很好,为该地区岩性油藏勘探开发提供了有效的技术手段和新的研究思路,也为认识此类岩性油藏特征具有重要的指导意义。     

拟电阻率重构在岩性油藏油层识别中的应用

针对地震属性难以有效区分油、水层的难点,采用测井曲线重构方法刻画岩性油藏有利油层分布。通过对春光油田春22井区现有测井资料与含油砂体的统计分析,认为电阻率曲线对油层更为灵敏。在此基础上,通过井震结合,采用多属性线性回归和概率神经网络重构拟电阻率曲线来识别油层。实例研究结果表明概率神经网络预测的拟电阻率曲线精度高,更能有效识别岩性油藏油层的平面展布。     

井震资料在储层预测中存在的几个主要问题及处理方法

地震储层预测技术是油藏描述中主要的技术手段,地震资料和井资料是储层预测的基础。以辽河滩海地区储层预测为例,在预测的过程中对存在的问题及应对的方法进行归纳总结。①滩海中东区中深层地震资料分辨率不高,其强波阻抗是砂泥多层叠合的综合反映;通过对研究区的砂泥岩互层模型进行正、反演模拟分析,得出波阻抗对薄砂层的识别能力较差的结论,而基于高分辨的地质统计反演技术能够有效地预测薄砂层;②仙鹤地区砂砾岩体预测过程中,以地震反射特征与岩性组合特征对比分析为基础,钻前预测与钻后正演模型对比验证,结果说明该区地震资料保幅性差,运用有井约束反演技术能够减少保幅性对预测的影响;③滩海东部地区存在相似的地震反射特征,却代表不同岩性组合,具有不同地质含义,利用地震反射特征进行储层预测时具有多解性;为了降低预测的多解性,可通过井震结合,明确不同区域反射特征的地质含义;④在滩海无井或少井区的储层预测时,可选择测井约束不高的反演技术,在低频信息补偿时,运用速度谱资料,可提高预测的可靠性。     

基于PNN神经网络的地震属性反演技术

在薄互层地震储层预测中,属性分析和地震反演是当前应用地震资料进行储层预测的主要技术,两者实质上都属于反问题范畴,两者各有优缺点。本文提出了一种基于PNN神经网络的多属性地震反演技术,可以比较好地发挥两者的优势。概率神经网络PPN）是一种数学内插方案,只不过在实现时利用了神经网络的架构,可以通过数学公式理解它的行为,克服了BP网络的的“黑匣子”问题。该技术在GTZ扶杨油层的砂岩预测中应用效果较好,厚度大于3m的砂岩识别符合率超过90%以上。     

基于完备集合经验模态分解-归一化希尔伯特变换的神经网络储层流体识别

地震资料的瞬时属性包含丰富的地质信息,可用于储层流体的识别。希尔伯特-黄变换目前在地震资料的瞬时属性提取中呈现出了很大的优势,但是该方法中存在模态混叠、频率误差等问题,限制了其应用。基于此,引入了基于完备集合经验模态分解和归一化希尔伯特变换的改进方法有效提取地震资料更具物理意义的瞬时属性。同时,为了提高储层含气性检测的准确性和精度,选取瞬时频率和瞬时振幅构建分频剖面模型,对目标区域的储层特性和含气特征进行描述。再结合测井资料,运用有监督的神经网络实现对储层含气性的自适应高精度识别。实例研究表明,基于完备集合经验模态分解-归一化希尔伯特变换的前向反馈神经网络方法能够根据某一区域地震数据有效预测该区域储层的含气状况。     

辫状河含气砂岩储层预测

鄂尔多斯盆地苏西地区盒8 段及山1 段为辫状河沉积,其含气储层与围岩纵波阻抗相近,利用常规叠后资料
不能有效识别含气储层;同时,山1 段砂体为中-弱振幅不连续地震反射,其同相轴无法在全区进行合理追踪,难以
预测砂体的平面展布特点。针对以上问题,根据辫状河地质沉积特点,建立辫状河地震响应模式。利用含气储层和围
岩泊松比差异明显的特点,尝试应用叠前AVO 资料来识别含气储层。借鉴地震沉积学理论和方法,提出将AVO 属性
体岩性化,以便于后续的岩性解释。采用切片方法合理获取山1 段砂体地震反射等时面。研究结果表明：正演和生产
实践均验证了AVO 属性体岩性化这一方法的合理性和实用性。应用该方法对研究区盒8 段和山1 段含气储层进行了
有效的识别,具有等时意义的地震切片属性准确地反映了含气储层空间发育及平面展布特点。     

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。     

用人工神经网络综合测井和地震资料预测岩性

利用一种全新的人工智能技术──人工神经网络，将测井和地面地震资料（如层速度或波阻抗）联系起来，自动建立测井数据、地震数据和告性间的非线性关系，从而有效地进行岩性预测。     

神经网络方法确定玛北油田岩性油藏含油边界

用常规方法确定岩性油藏含油边界需要一定的井孔资料,导致勘探成本较高,为此引入神经网络方法。先对地震资料进行解释,提取地震特性参数,与已知井的试油结果一起组成神经网络的学习样本集,经训练并绘制测线剖面或平面图,最终确定出含油边界。应用该方法对准噶尔盆地玛北油田二叠系乌尔禾组和三叠系百口泉组油藏进行了含油边界的确定,结果表明,用该方法可以直观地在剖面图上确定油藏的含油边界,这样确定的含油边界能够满足储量计算的要求,且该方法较传统方法有很大的优越性。     

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。     

神经网络方法确定玛北油田岩性油藏含油边界

用常规方法确定岩性油藏含油边界需要一定的井孔资料，导致勘探成本较高，为此引入神经网络方法。先对地震资料进行解释，提取地震特性参数，与已知井的试油结果一起组成神经网络的学习样本集，经训练并绘制测线剖面或平面图，最终确定出含油边界。应用该方法对准噶尔盆地玛北油田二叠系乌尔禾组和三叠系百口泉组油藏进行了含油边界的确定，结果表明，用该方法可以直观地在剖面图上确定油藏的含油边界，这样确定的含油边界能够满足储量计算的要求，且该方法较传统方法有很大的优越性。     

神经网络在CB油田储层预测和储层厚度计算中的应用

根据ＣＢ油田的特点提出了利用神经网络进行储层预测和计算地层厚度的方法。将传统的储层预测方法与人工神经网络相结合，能较好地解决ＣＢ油田的储层预测问题。利用神经网络的非线性映射特点实现了地震特征与地层厚度之间的映射，从而可以准确地求取地层厚度。用该方法设计了２口探井，实际钻井结果表明，这种方法的预测结果准确、可靠。     

利用改进的自组织网络进行地震属性分析

自组织神经网络结合地震属性技术往往被用于进行地震相的自动识别,但在实际应用中存在着一些问题难以解决：如神经网络的分类识别能力问题、怎样选取地震属性、怎样解决自组织聚类的有序映射等。对Kohonen自组织网络进行了部分改进,并利用灵敏属性分析技术来解决地震属性的选择问题,最后结合自组织聚类参数利用RBF网络对储层参数进行预测,较为有效地提高了地震多属性储层预测精度。     

基于 LVQ 过程神经元网络的储层岩性识别

针对基于取心井岩心分析数据和测井过程数据的储层岩性判别问题, 建立了一类学习向量量化过程神经 元网络模型(LVQ-PNN: Learning Vector Quantization Process Neural Network)。 该模型通过增加输出层, 扩展了 自组织过程神经元网络的深度结构; 采用无监督竞争与有教师示教相结合的算法策略, 提高了多维信号特征的 自适应提取和自组织综合能力。 实验证明, 该方法具有较好的岩性特征综合和辨识能力, 岩性识别率达到了 84. 7%。     

基于深度学习的页岩储层总有机碳含量预测方法

页岩储层总有机碳（Total Organic Carbon,TOC ）含量的地震预测普遍采用密度回归拟合法,仅考虑了单因素的线性关系,预测结果误差较大。针对常规方法的不足,提出基于深度学习的TOC含量预测方法。首先,从测井资料中优选出与TOC含量曲线相关度相对较高的多个弹性参数曲线作为样本集输入数据,TOC含量曲线作为样本集输出数据,构建针对TOC含量预测的深度前馈神经网络模型;然后,调试网络模型结构,并利用共轭梯度法进行网络参数寻优;最后,将叠前振幅随偏移距变化（Amplitude Versus Offset,AVO ）反演得到的弹性参数数据体输入到深度前馈神经网络模型,预测得到最终的TOC含量数据体。通过四川盆地页岩储层实际测井、地震资料的应用,对比了该方法相对于常规回归拟合法的优越性,验证了方法的实用性和可行性,为页岩储层TOC含量预测提供了新思路。