沉积微相测井识别

本文根据测井资料所含的丰富的地层沉积学信息，运用神经网络模式识别方法，进行沉积微相的识别，该方法突破了以往用模式识别沉积微相必须预先提取曲线形态特征的作法，增强了模式识别判断沉积微相类型的实用性和解释精度。     

BP神经网络在测井标准化中的应用

神经网络是一门新兴的信息处理技术，它可用来解释测井精细解释和油藏描述中模式识别和预测估值等问题。本文从神经网络的结构、功能和特点及学习规则出发，探讨了应用神经网络进行测井资料标准化的可行性，并以Ｓ地区沙三段三孔隙度例采用ＢＰ神经网络抚育地其进行了标准化分析校正，处理效果令人满意，该法为测井资料标准化找到了一条 途径值得借鉴使用。     

应用自组织神经网络划分地震微相

目前，利用神经网络划分地震微相的方法可以归纳为两大类：一类是监督型模式识别；另一类是非监督型模式识别。当样本资料不足或不具代表性时，采用监督型模式识别容易造成强行分类而导致错误结构。     

地震资料的统计模式识别和神经网络模式识别

在油气储集层预测技术中存在着两种不同的地震模式识别方法--统计模式识别和神经网络模式识别.文中详细地描述了上述两种方法,着重在于分析两者决策面的差异,并得出结论：神经网络模式识别的决策面可以是任意复杂的形式,而统计模式识别的决策面只能是有限的几种简单形式;因此神经网络模式识别较统计模式识别具有更大的适应性.通过两个实例证实了上述结论     

利用BP神经网络建立地层压力模型

神经网络是一门新兴的信息处理技术，它已被用来解决测井解释和油藏描述中的模式识别和参数估算等问题。在本研究中我们利用油田现场试采测压资料和测井数据，应用改进的BP神经网络模型建立陕甘宁盆地中部地区地层压力及岩石破裂压力预测模型。     

BP神经网络在测井资料标准化中的应用

夏宏泉刘红岐：ＢＰ神经网络在测井资料标准化中的应用，测并技术，１９９６（３）２０，２０１～２０６。神经网络是一门新兴的信息处理技术，它可用来解决测井精细解释和油藏描述中的模式识别和预测估值等问题。本文从神经网络的结构、功能和特点及学习规则出发，探讨了应用神经网络进行测井资料标准化的可行性，并以Ｓ地区沙三段三孔隙度测井资料为应用实例，采用ＢＰ神经网络技术对其进行了标准化分析校正，处理效果令人满意。该法为测井资料标准化找到了一条新的途径，值得借鉴使用。     

利用模式识别方法解释微小断层

本文介绍了利用模式识别方法（包括模糊综合评判、模糊模式识别、模糊聚类分析、线性模式识别及模糊分段线性模式识别等五种）解释煤层中的微小断层。该方法充分利用地震波动力学特征参数（包括振幅、频率、相位、波形曲率等），将模糊数学理论与模式识别技术应用到地震资料的构造解释中。通过两个矿区的地震资料处理和重新解释，对小断层的分布情况进行了推测，查明了一批新断点（垂直落差均在５ｍ左右），其中部分已被井下地质资料     

利用地震特征参数模式识别方法确定海上油气田的分布

油气田的模式识别方法包括地震多参数统计模式识别方法和神经网络方法，它可提取和应用自相关、自回归、功率谱和均方根振幅等多种地震信息特征参数，并用这些地震参数的两种模式识别方法，对有井和无井地区进行油气预测。对南海神孤鼻状构造带进行油气预测，在4个局部构造上发现好的特征异常显示，并且它们与构造圈闭及砂岩分布基本吻合。     

有监督SOM神经网络在油气预测中的应用

用于油气预测的方法基本上可分为两类：一类是有监督预测方法，另一类是无监督预测方法，８０年代传统模式识别方法（统计、句法和模糊模式识别）得到广泛应用；９０年代以来神经网络理论异军突起，以ＢＰ为代表的有监督神经网络和以ＳＯＭ为代表的无监督神经网络广泛应用于油气预测。本文介绍了应用有监督ＳＯＭ神经网络进行油气预测的方法原理，经两个工区的实际资料试算结果证明本方法性能良好，可以成为油气预测的一种可选方法。     

支持向量网络在MT资料模式识别中的应用

研究了有监督学习支持向量网络的模式识别；在统计学习理论的基础上，研究了小样本、非线性高维模式识别；研究了有监督学习支持向量网络的非线性分类设计；设计了非线性优化问题的混合解法。针对油气识别预测的具体问题，对特征参数的提取和内积函数的选择进行了深入的研究。该方法能够较好地克服神经网络欠学习或过学习的弊端，应用于实际的MT资料，取得了较好的效果。     

基于人工神经网络的电潜泵电流卡片快速模式识别

电流卡片诊断是一种典型的电潜泵工况诊断手段,传统的电流卡片模式识别需要人工完成,存在技术壁垒,会引入主观误差.人工神经网络作为一种机器学习算法,能够弥补人工识别的误差.为实现快速、准确而且客观的模式识别.通过对收集到的电流卡片经过数据预处理后得到的电流数据特征值与实际工况的对应关系,建立人工神经网络模型.利用建立的人工...     

Estimating the initial pressure,permeability and skin factor of oil reservoirs using artificial neural networks

Artificial neural network, a biologically inspired computing method which has an ability to learn, self-adjust, and be trained, provides a powerful tool in solving pattern recognition problems. In this study, a new approach based on artificial neural networks (ANNs) has been designed to estimate the initial pressure, permeability and skin factor of oil reservoir using the pressure build up test data. Five sets of actual field data in conventional and dual porosity reservoirs have been used to test the results of the neural network. The results from the network are in good agreement with the results from Horner plot. Finally, it is shown that the application of artificial neural networks in a pressure build up test reduces the cost of the test and it is also a valuable tool for well testing.     

基于最小二乘支持向量机的油气水层识别方法

测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代小样本学习算法——支持向量机,是至今模式识别问题的强有力解决方法之一。本文针对现有方法在解决油气水层识别问题中的不足,提出了最小二乘支持向量机(LSSVM)的油气水层识别方法。该方法依据测井所得到的小样本、不适定性等数据信息建立并归一化数据样本集;通过网格搜索法选择LSSVM训练参数C和σ2,用交叉验证法对目标函数进行寻优找到最佳的参数;通过训练学习数据样本和测试数据样本,建立最小二乘支持向量机分类器识别模型。用本文提出的新方法研究了大庆油田某油藏的油气水层识别问题,结果表明最小二乘支持向量机的油气水层识别方法较人工神经网络和标准支持向量机的油气水层识别方法具有更快的运算速度和准确率,是一种值得进一步研究及推广使用的方法。     

概率神经网络及其在储层产能预测中的应用

概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。针对储层产能的预测问题，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、学习训练和预测识别等步骤。基于MATLAB6．5设计出概率神经网络的具体应用软件，实际应用表明，在储层产能预测中效果显著。与BP网络进行对比实验，其预测正确率优于BP网络。     

一种基于神经网络的沉积相识别方法

将人工神经网络(ANN)模式识别技术应用于对测井曲线进行单井划相,加快了划相速度,大大提高了工作效率。本文根据某地区的河流微相特征标志,给出了一种基于神经网络的沉积相识别方法。神经网络采用带有动量项和自适应学习率的反向传播算法(BP)进行训练。     

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法---级联算法（Cascade Correlation Algorithm,简称CC算法）及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。     

最小曲率神经网络在油气预测中的应用

在应用地球物理领域中，人工神经网络在模式识别和油气预测方面得到较好地应用，前向网络的重要特性是能够总结，归纳已知样本隐含的函数关系。然而礤推广性能有待进一步研究，为此，本文强调了这个问题的重要性，并提出了改善网络推广性能的技术；就是在网络的学习过程中，不仅使总误差下降，还尽可能使建立的“隐函数”平滑，并用曲率表征隐函数的平滑程度，计算实例表明，本文的算法可以明显地改善网络的推广性能。最后给出了用该