基于量子自组织网络的水淹层识别方法

采用量子自组织网络方法, 解决油田测井解释中的水淹层识别问题. 首先, 构造储层特征指标集, 包括测井曲线的序列指标和单个数值指标. 对序列指标先采用离散Walsh滤波方法去除噪声, 然后取均值, 再与其他单个数值指标一起构造储层特征向量. 其次, 将储层特征向量转化为量子态描述, 提交量子自组织网络实施聚类. 最后将聚类收敛后的网络作为水淹层识别的数学模型, 应用于油田相似区块的水淹层识别中. 仿真实验结果表明, 该方法正确识别率比传统自组织聚类方法高6%.     

一种反演水淹层混合水电阻率的新方法

注水开发油田储层水淹后电性特征变化复杂,混合水（注入水和原生地层水的混合液）矿化度不仅受注入水和原生地层水矿化度的控制,还受水淹程度等因素影响,造成混合水电阻率和岩电参数的动态变化,为水淹层的识别和剩余油饱和度的评价带来较大困难。以渤海S油田为例,利用图论多分辨率聚类算法对测井相进行划分,建立了测井相约束下的束缚水饱和度评价模型;根据岩电实验数据讨论了岩电参数随地层水矿化度变化的规律,提出水淹层中胶结指数和饱和度指数与混合水矿化度的函数关系。在此基础上,通过迭代反演得到水淹层剩余油饱和度和混合水电阻率,实现了水淹层的定量评价。研究结果表明：（1）利用图论多分辨率聚类算法可以对测井相进行有效划分,基于测井相约束的束缚水饱和度模型精度高于未分相的结果;（2）水淹层储层胶结指数和饱和度指数随混合水矿化度增大而增大,二者具有明显的幂函数关系;（3）该方法划分水淹层结果与S油田产出剖面测井测量结果吻合率为92.3%,明显提高了水淹层的评价精度。     

基于SOM的产品设计结构模块划分及其评价

针对数值型设计结构矩阵(DSM),提出采用自组织映射(SOM)算法的产品设计结构模块聚类方法。该方法将DSM中的信息经过初始化后作为SOM网络的输入层,然后通过训练SOM神经网络模型获得聚类方案。文中还提出了综合考虑模块内聚性和耦合性并且适用于数值型DSM的聚类效果评价指标。案例分析表明,与DSM经典算法相比,本文提出的聚类方法和评价指标能够优化产品设计模块划分。     

L油田水淹层测井定性分析方法研究

L油田储层地质情况复杂,井距大,又是海上油田,在该油田进行水淹层评价还是先例,没有现成的水淹层测井评价和解释方法可借鉴,水淹层解释比较困难。针对L油田储层实际特点,本文总结了油层水淹之后岩性、物性、含油性及电性的变化;针对L油田的水淹状况,本文研究和总结了电阻率变化率,原始电阻率反演及原始含油饱和度反演等定性识别水淹层的方法,通过岩心资料和试油资料验证显示,效果较好。     

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。     

哈南油田水淹层测井解释方法研究

立足于二连地区哈南油田的实际地质情况,把该区油层水淹分为六种类型,结合油层水淹后储层性质的变化,从地球物理测井参数响应入手,通过哈南油田 ２００ 多口测井资料的水淹层解释,分析和总结了哈南油田各类水淹层的测井响应特征及其规律,在此基础上,提出该区水淹层解释的基本方法和规则．     

八面河油田水淹层储层性质变化及测井响应特征研究

随着油田水驱开发程度的不断提高,油田的水淹程度日趋增高,导致储层的岩石物理化学性质、孔隙结构、流体性质、以及油气水分布状态等,都会发生不同程度的改变,对于非均质性强、孔隙结构复杂的储层,其变化更趋复杂,给水淹层的识别、解释评价带来极大的困难。因此,研究油层水淹规律、水淹前后储层的性质变化及测井响应特征的变化规律,对油田开发后期的测井解释、精细储层剩余油描述,及方案调整具有十分重要的指导意义。     

基于涌现自组织映射的油气层识别及分析

当样本数多、数据维数高时,利用Kohonen自组织特征映射聚类后相邻类簇间容易发生大面积重叠,导致聚类和可视化的效果降低.利用Ultsch涌现自组织特征映射神经网络对测井数据进行聚类,而后分别通过分量图、U矩阵和P矩阵在超环面上进行可视化,并对其结果进行比较分析.该模型可克服Kohonen自组织特征映射的上述缺陷,优化聚类结果.借助该模型进行测井数据的聚类分析与可视化,可为岩性识别提供参考.     

多级自组织映射用于心电信号QRS波群聚类

提出了一种利用多级自组织映射(MSOM)网络进行心电QRS波群聚类的算法。此方法将归一化的两导联心电数据作为第一层自组织映射网络的输入,其输出作为第二层自组织映射的输入,最后得到聚类结果。网络迭代学习过程采用了特殊的设计,能根据不同类别自适应调整学习参数,从而提高了自组织映射的聚类能力。使用MIT-BIH数据库数据的聚类结果表明,这种方法非常适合心电QRS波群的聚类,对室性早搏(PVC)真阳性检出率达到99.1%,且聚类效率比ART-2网络方法、匹配方法有明显优势。     

神经网络技术在测井相分析及水淹层判别中的应用

以测井相分析和常规测井资料定性识别水淹层的理论为基础，运用神经网络技术，对勘探阶段的探井进行了沉积相识别，并对油田开发阶段的水淹层进行了级别划分．对长庆、大港等油田的４口探井进行了测井相分析，并对２０多口开发井的单井进行了评价．结果表明，神经网络技术可以有效地应用于油田勘探开发测井中．     

基于多层时变功能脑网络特征的运动想象识别

针对运动想象脑电信号(EEG)识别中信号随时间的结构动态变化与网络分离整合过程被忽视等问题,提出一种基于多层时变功能脑网络的运动想象特征提取方法．本方法截取运动想象有效片段投入EEGLAB进行信号预处理;依据滑动窗口方法,设定合适长度与步长,将信号分成连续且部分重叠的时间窗口,将时间窗口截获的脑电数据生成多个脑网络,以节点间锁相值构建多层时变网络模型．首先通过多层时变网络不同层的网络拓扑分析与层间相似度量指标自适应确定其中核心网络层,提取其节点度和聚类系数用以描述网络空间功能连接;然后结合多层参与系数和多层聚类系数,描述脑电信号网络动态变化与分离整合特征,并组合两者成为多层时变脑功能网络特征向量,完成运动想象识别任务．用支持向量机识别的结果表明：基于所构建的网络特征向量分类准确率高达89.14%,高出对比所用的单层网络特征6.61%.     

基于最小二乘支持向量机的低孔低渗薄互层油藏水淹层识别方法

大庆西部外围低孔低渗泥质砂岩泥质含量重、储层厚度薄,水淹层测井响应特征不明显,常规人工经验性解释已不能满足实际开发需要.根据油水性质在测井资料表现上的不同,选取有效表征油水性质的独立测井参数,基于最小二乘支持向量机理论,建立分类器进行油水性质识别分析.以工区现有测试资料的层位作为训练样本进行训练,建立不同水淹级别储层的分类器,并验证分类器精度及有效性,从而对油田生产的待识别油水层进行识别分析.通过对工区的样本学习和预测,并与实际试油资料进行对比,符合率达到92.2%,结果表明,最小二乘支持向量机在低孔低渗薄互层水淹层中可获得良好应用.     

基于密度聚类的K近邻法在储层流体识别中的应用

针对传统储层流体识别方法识别精度低、运算量大、过于依赖个人经验的缺点,提出基于密度聚类的K近邻法,根据待测层段测井数据的空间分布规律,将样本按相对密度聚类成数据簇,并利用K近邻投票获得各簇所属类别。将该方法应用在某油田奥陶系鹰山组碳酸盐岩储层识别中。结果表明,较之其他常用识别方法,该算法识别精度高,泛化性和鲁棒性强,在处理大数据分类问题时具有明显优势,且在识别常规方法难以识别的油水同层时取得了较好的效果,具有良好的应用前景,为利用数据挖掘方法解决油田勘探开发中的复杂问题提供了新思路。     

钙质砂岩水淹层测井响应特征分析及其应用

以某油田D区块C层组为研究对象,以实验资料、测井资料为基础,对钙质砂岩水淹层主控因素进行了分析.应用频率分布直方图技术重点研究了钙质砂岩水淹层测井响应特征,进而提出了利用其深电阻率测井、自然伽马值测井、声波时差测井响应特征及交会图技术,定性识别钙质砂岩水淹层的方法.该方法经实际应用效果良好,为D区块水淹层评价开辟了新的途径,具有一定的应用价值.     

常规测井水淹层综合识别方法研究

油层水驱开采是提高采收率的一种方法,水淹层测井解释是注水开发油藏监测的关键技术,其解释精度直接影响油田开发效果.在水驱过程中油层的性质会发生一系列变化,这些变化在储层及测井曲线上有所显示.通过分析研究这些特征,对水淹层解释具有重要的指导意义.     

自组织映射网络的应用与探讨

自组织映射可用于学习识别数据的类型，对同类样本聚类，文章探讨自组织映射网络的训练方法，并通过训练自组织映射网络实例来分析训练的可视化结果。     

概率神经网络技术在地震岩性反演中应用

针对研究区目的储层单层厚度小和储层岩性横向变化较大情况,为了解决利用地震资料进行常规储层预测反演较困难问题,采用概率神经网络方法,讨论了网络模型的构造和预测识别等步骤。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层特征进行预测识别,研究结果表明:在实际资料处理中取得了好的应用效果。研究成果对油田勘探开发具有一定的指导意义。     

基于GHSOM网络的故障识别

提出了一种基于生长型分级自组织映射(GHSOM)网络的故障识别方法,给出了方法的基本原理,并将该方法应用于汽轮机组与齿轮的故障数据分析.研究结果表明,GHSOM能根据数据特征无监督地对故障进行正确聚类和识别,并且具有动态增长及分层特性,能解析出数据内在的层次结构,实现由粗到精的聚类识别,该方法可以扩展应用于机械故障的诊断与识别.     

AS油田WY区特低渗透油藏水淹层评价方法

AS油田WY区特低渗透油藏的原始地层水矿化度很高,长期注淡水开发导致油层的电阻率呈现不对称U型曲线特征,强水淹油层的电阻率甚至高于原始油层的电阻率。特低渗透油藏水淹规律的影响因素复杂以及受储层本身特征的影响,适合中、高渗储层剩余油评价测井方法不适用于特低渗透水淹层评价。在岩电实验的基础上,明确了特低渗透油藏淡水驱水淹层机理。即当注入淡水的电阻率大于地层水电阻率时,且当其比值足够大时,水淹层电阻率明显高于原始油层,即出现U型曲线现象。根据常规测井曲线及岩芯分析资料,通过地层水矿化度与自然电位幅度、电阻率、声波时差等测井曲线组合进行了水淹层定性识别,探讨了地层混合液电阻率的求取方法,建立了淡水驱水淹层的定量解释模型。解释结果与试油投产符合率达85%以上。     

Adaboost结合BP在油田水淹层识别中的应用

油田水淹级别的判别是油田开发中特别是开发中后期比较突出的一个问题,Adaboost结合BP的方法能改善BP算法的泛化能力.本文研究了应用Adaboost结合BP神经网络的算法处理测井资料来识别水淹层的基本原理和具体实现.通过对大庆油田三口井的试油结果相对比,该方法的运用进一步提高了水淹层的识别精度,其符合率达到84%.最后对造成误差的原因进行了分析.