优选地震属性预测储层参数方法及应用研究

通过地震属性预测储层参数的方法有单属性方法和多属性方法,多属性方法又分为多元线性回归算法和神经网络算法。本文详细分析了这些方法的特点以及预测的效果。利用多属性预测精度比单属性高,而在多属性方法中又以概率神经网络法的精度较高。使用多属性方法预测还需通过属性优化选择和有效性分析,力求有效误差达到最小。此方法在埕北35北地区进行了实际的应用,取得了较为理想的效果。     

针对火山岩预测的目标处理与火山岩储层预测新技术

有效地进行火山岩和火山岩储层的预测在寻找火山岩油气藏过程中非常重要。本文以火山岩为目标的地震属性参数处理技术取得了新进展，从而为提高火山岩预测精度提供了技术支持。通过利用地震属性参数方法和反演方法对火山岩储层进行预测，形成了一套定量预测方法。经钻探证实，地震属性参数分析法有一定的可行性。     

神经网络法地震反演应用及效果

X潜山研究区属于储层非均质性极强的裂缝型油藏,构造极为复杂,初始模型的构建难度极大,多解性非常强。为此,要寻找一种方法,充分利用现有各种测井资料,弥补声波测井的不足;充分利用地震资料的中频信息,来提高储层反演的分辨率和精度,尽可能的减少反演结果的多解性,增加反演成果的客观性,以便更准确地进行储层预测。作者建立地震属性与测井资料的多维线性或非线性的统计关系,进而利用基于神经网络法地震反演和线性、非线性多元地震属性分析对裂缝型储层进行横向预测。概率神经网络方法采用了交叉检验预测精度的方法,所以,在相关性较好的情况下,增加了预测结果的可靠性,减少了多解性,提高了预测结果的精度。     

地震信息的属性参数提取和砂体预测方法

在利用地震信息属性参数进行砂体预测时，仅用单一参数预测的结果往往精度很差，而盲目使用多参数作为神经网络的输入，又会使网络的学习过程不收敛。为克服上述问题，本文通过理论模型研究，并结合实际地震资料，从时间域和频率域中提取了目的层的１９个地震信息属性参数。然后，选取与薄砂层厚度最密切的８种参数进行砂体预测。文中对几种常用的预测方法进行了分析和对比。应用结果表明，多参数的神经网络预测方法的精度最高；主频     

叠前地震反演精度影响因素

叠前地震反演能够提供更加丰富的地球物理信息,但影响其反演精度的因素较多。设计了包含不同速度特征的地质模型,再对基于地质模型提取的地震模型数据体进行反演,将反演结果与理论值进行误差对比,分析了初始约束模型、信噪比、反演子波选取、反射系数计算公式选择对叠前地震反演精度的影响。结果显示,精度高的初始约束模型反演结果好于精度低的初始约束模型;信噪比大的地震数据体的反演结果优于信噪比小的地震数据体;选取的反演子波与地震数据主频的匹配程度越近似,反演精度越高;可以选取适用条件相对较合理的Zeoppritz方程作为反射系数计算公式。地质模型数据与实际资料反演结果对比表明,构建与实际地质模型弹性属性接近的反演初始参数模型,对采集数据进行滤波去噪和修饰处理提高地震资料信噪比,通过测井和地震资料提取主频与地震数据相匹配的反演子波以及反射系数计算公式等参数的合理选择有利于提高叠前地震反演精度。     

测井约束地震特征反演及效果分析

测井约束地震特征反演是一种多参数地震反演技术，它可以综合地质、地震、测井、录井等各类信息求得的储层参数，建立三维储层特征模型。其基本思想是依据从三维面元中提取的地震特征信息及其组分，结合地质模型及其组分来迭代修改反演的波阻抗或属性模型，通过主组分分析及模型优化的方法，将优化所得合成地震道与原始地震道进行比较，残差最小的反演结果即为最终反演的波阻抗或属性结果。反演结果既包含了地震资料的中频信息，又包含了测井资料的高低频信息，可以更加有效地进行储层预测和油藏描述，进一步提高油田的勘探开发精度。     

致密碎屑岩储层地震反演技术方案及应用

致密碎屑岩储层与围岩地震波阻抗差异微弱,应用常规储层地震反演方法的有效性较差,精度较低。针对致密碎屑岩储层的地质、地球物理特点,本文提出了将神经网络和地质统计学结合起来的致密碎屑岩储层地震反演技术方案。在此方案中,通过神经网络地震反演获得地质涵义较为明确的但垂向精度较低的反演结果,以此结果为约束,以测井数据作为条件数据(硬数据)进行储层参数地质统计学随机反演/模拟,进而得到较为精细的、同时横向分布较为符合地质规律的储层参数反演成果。通过在D气田致密碎屑岩储层地震反演中的应用,提高了储层预测精度,达到了良好的应用效果。     

叠前高精度反演方法在复杂岩性储层预测中的应用

叠前地震反演技术是挖掘叠前信息提高储层预测能力的重要技术手段。叠前反演方法的理论基础是Zoeppritz方程,基于该方程简化式的反演方法误差大,精度低,通过构建非线性叠前反演目标函数和直接基于Zoeppritz方程推导构建雅克比偏导矩阵,研究形成了叠前高精度反演方法。在胜坨南沙河街砂岩储层预测中开展了实际应用,通过叠前地震资料优化处理、高精度叠前地震反演以及基于岩石物理多参数解释技术的应用,提高了复杂岩性区储层预测能力。     

统计岩石物理技术在E油田有效储层预测中的应用

统计岩石物理技术是基于测井资料来评估不同储层参数的地震属性概率密度函数,可用于指导敏感地震属性的选择及储层参数空间概率分布的预测。针对尼日尔三角洲盆地E油田地震波阻抗无法区分砂岩和泥岩的问题,将统计岩石物理技术与地震反演技术相结合,提高了应用地震反演信息预测有效储层的精度,降低了储层预测风险。     

����⾮�������Է��ݷ���

储层预测是隐蔽油气藏勘探的一项关键技术，由于储层和非储层的波阻抗常常重叠而导致单纯使用波阻抗进行准确的储层预测非常困难。利用测井资料，针对岩性油气藏的具体地质情况，在井点构建能反映储层物性空间变化的特征属性，并利用神经网络映射技术反演此特征属性数据体。在具体实施过程中，利用多元逐步回归方法和交互校验技术筛选敏感的地震属性，能有效去除冗余信息，确定最佳属性组合；采用卷积算子将地震资料的低频信息和测井特征属性的高频信息相融合，可以有效地拓宽频带，提高反演结果的分辨率；用概率神经网络建立测井特征属性和地震属性之间的非线性映射关系，可以外推反演得到高精度的测井特征属性数据体。对比研究表明，反演的结果具有比较高的可靠性。在实际应用中，这套技术取得了明显的效果。     

综合动量法和可变学习速度的BP神经网络地震初至拾取

为了提高初至拾取精度和效率,研究了BP神经网络初至拾取方法,提出综合动量法和可变学习速度的BP神经网络地震初至拾取方法,其主要原理是对网络权值的更新过程进行改进,当均方根误差在权值更新后超过设定的误差范围,则权值更新取消;在既定的误差范围内,权值更新则被接受,且学习速度发生变化。分析不同地震属性对初至波识别的可行性,选取均方根振幅比、曲线长度比、振幅、频率等4种特征属性进行模型测试,结果表明改进方法的初至拾取效果优于常规BP神经网络方法。实际资料测试验证,改进方法构建的网络结构简单,参数少,收敛速度快,具有较强稳定性和抗噪能力,初至拾取精度高。     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。     

径向基函数神经网络法致密砂岩储层相对渗透率预测与含水率计算

致密砂岩储层具有物性差、孔隙结构复杂、非均质性强等特点,导致利用传统方法难以精确预测或计算其相对渗透率和含水率。为此,文中提出基于径向基函数（RBF）的神经网络预测相对渗透率方法：在介绍RBF神经网络原理的基础上,选择高斯函数和最近邻聚类算法构建网络模型;以含水饱和度、核磁束缚水饱和度、孔隙度、渗透率等四参数为输入,油、水相对渗透率为输出,根据误差分析确定最佳相对渗透率预测网络模型及参数;最后采用分流量方程计算得到储层含水率。将该方法应用于鄂尔多斯盆地陇东地区延长组长8储层,预测的油、水相对渗透率与相渗实验结果一致,计算的含水率与测试结果吻合。     

Prediction of formation of polycyclic aromatic hydrocarbon (PAHs) on sediment of Caspian Sea using artificial neural networks

In this article the amount of polycyclic aromatic hydrocarbon (PAHs) on the sediment of Caspian Sea predicted by artificial neural networks multi-layer perceptron (MLP) and generalized regression (GRNN) models. PAH is a most important pollutant in a marine environment derived from an anthropogenic and natural source. This component is mutagenic and Carcinogenic extremely. In this investigation, a multi-layer perceptron and Generalized regression neural network models have been developed by experimental data (organic matter, latitude, longitude, depth and effective matter (particle size)) reported in the literature. As a result, experimental data compared to the output of models by calculation of mean squared error (MSE), root mean squared error (RMSE), mean absolute error percent (MEAE), maximum absolute error percent (MAAE) and R². Results have shown an appropriate fitting for experimental data with predicted values .Also, MLP neural network has the best performance to predicating of PAHs.     

A prediction method of borehole stability based on seismic attribute technology

Borehole instability in drilling engineering can bring about serious problems of drilling quality and safety. Based on the close relationships between seismic and well log information, the prediction method of borehole stability is presented to effectively control borehole instability. Conventional and nonlinear seismic attributes are extracted from borehole-side seismic traces of impending drilling well and drilled offset well respectively. Then the optimal attributes combinations sensitive to log properties are selected by using genetic algorithm and wavelet neural network technology together. A series of mapping models which reflect the nonlinear relationships between seismic attributes and acoustic and density log data of various formation intervals in drilled well are constructed through neural network modeling. With analysis of cutting logging data, seismic attributes of the formation under bit and corresponding mapping model can be used to predict acoustic and density log curves of this formation. Based on the predicted log data, log interpretation method, analysis technology of in-situ stress and mechanics model of borehole stability are employed to calculate in-situ stress, pore pressure, collapse pressure and fracture pressure, thus the safe drilling fluid density window which can keep borehole stable is determined. Prediction precision and real-time operation ability of the proposed method are satisfying, which have been proved in practical application in TR oil field.     

碳酸盐岩岩溶储层次生孔隙发育带预测

碳酸盐岩岩溶储层非均质性和各向异性强,采用井震联合方法对储层次生孔隙度进行了预测。首先利用成像测井数据评价碳酸盐岩储层次生孔隙参数,然后运用模糊神经网络技术建立次生孔隙参数与井旁道地震属性之间的关系模型,进而预测全工区储层次生孔隙度分布。采用井震联合方法预测的次生孔隙发育带与钻遇优质储层的井点吻合,预测结果在研究区块有一定的可用性。     

神经网络技术在柴油加氢精制装置生产中的应用

针对柴油加氢精制过程的产品质量难以优化和预测的问题,提出了人工神经网络模型。根据国内某石化企业1.0 Mt/a柴油加氢精制装置生产操作数据,分别应用动量BP神经网络、LMBP神经网络和RBF神经网络建立了用于预测柴油加氢产品硫含量的模型。并对建立的RBF神经网络模型的泛化能力进行了考察。结果表明,动量BP神经网络、LMBP神经网络和RBF神经网络预测的平均相对误差分别为3.50%,2.30%,2.18%,RBF神经网络模型的预测性能最佳,且具有良好的泛化能力,能够在工艺操作参数变化时准确地预测柴油产品的硫含量,为柴油加氢精制装置的良好运行和优化操作提供了指导。     

井壁稳定性实时预测方法

为有效解决钻井过程中的井壁失稳问题,根据地震和测井信息之问的密切联系,建立了基于地震属性的实时井壁稳定性预测模型.该模型综合利用地震、测井和地质资料,从待钻目标井和已完钻邻井的井旁地震记录中分别提取最优地震属性组合,运用小波神经网络建立已钻井地震属性与测井数据之间的分层映射关系模型,利用当前待钻地层的地震属性并选取相应的映射模型实时预测钻头以下地层的声波和密度测井曲线.基于预测结果结合井壁稳定力学模型计算待钻层段的孔隙压力、坍塌压力和破裂压力,进而预测安全钻井液密度范围.塔里木油田的实际应用表明,该预测模型具有良好的实时操作性能,测井曲线、地应力、孔隙压力、破裂压力和安全钻井液密度范围的预测精度均较高.图5表1参21     

下刚果盆地A区块Madingo组烃源岩TOC含量的地球物理定量预测

TOC含量是烃源岩有机质丰度和生烃潜力评价的重要内容,由于受油基泥浆污染,下刚果盆地A区块可用于实测Madingo组烃源岩TOC含量的样品较少,且分布不均匀,难以进行定量评价。而地球物理资料蕴含着烃源岩的多种地球化学信息,可以有效地定量预测TOC含量。以研究区实测TOC含量和测井资料为基础,通过交会分析寻找与TOC相关性较好的测井参数,分别利用多元回归分析法、改进的ΔlgR法和BP神经网络法预测TOC值,并比较预测值与实测值的相关性,优选计算方法并进行单井TOC含量的测井定量预测。结合三维地震数据建立测井预测TOC含量与井旁道地震属性之间的神经网络模型,计算TOC数据体。结果表明：研究区与实测TOC相关性较好的测井参数包括密度、自然伽马和声波时差;BP神经网络法预测效果最好,单井预测TOC结果和实测TOC值相关系数高达0.9542;研究区TOC三维定量预测结果呈“垂向上层状分布,平面上北东低、南西高”的特征。     

预测管线钢管焊缝抗裂性指标的神经网络法

介绍了一种神经网络法的计算机信息工艺，它能在不同温度和不同变性剂含量的条件下，准确地预测出焊缝的若干抗裂性指标。通过神经网络法预测值与实际试验值的对比发现，变性剂中w（Ce）在0．025％-0．040％范围时，所得到的抗裂性指标处于最佳状态；当w（Ce）高于0．040％后，指标值开始下降。采用变性剂Ce进行焊缝金属的合金化，能够细化焊缝组织，净化晶粒边界，从而增强焊缝的抗裂性能。