核主成分分析与支持向量机模型在储层识别中的应用

针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别.该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别.由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能.将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法.     

基于粒子群算法的模糊优选神经网络储层识别模型

针对致密储层中气水干层识别准确率较低这一难题,提出基于粒子群算法(particle swarm optimization,PSO)的模糊优选神经网络识别模型.其基本思路:首先对所有的变量进行分析,提取反映储层本质的主要属性,消除重叠信息的输入,然后将粒子群算法与模糊优选神经网络相结合,构建基于粒子群算法的模糊优选神经网络识别模型.以陕甘宁盆地中部气田马五1储层气水干层识别问题为例,选用十九口井分层测试的92个已知样本(其中八十个用于模型构建,十二个用于精度检验),对物性、测井和储渗特征等方面的十个特征参数进行分析,从中提炼出电阻率、自然伽玛、产能系数、储渗因子、介质类型因子等五个主成份控制特征参数,消除重叠信息的影响.并以此作为神经网络输入层的输入,以样本储层的产能赋值作为输出,构建基于粒子群算法的模糊优选神经网络模型.模型的识别正确率达到100%,标准误差比传统模糊神经网络降低了60%.这表明该模型具有更高的识别精度,为致密储层的准确识别探索了又一种新方法,对同类地区的研究在一定程度上具有指导作用.     

多尺度时频空三域特征联合下的储层岩性识别方法

针对储层岩性种类繁多、交替频繁、组成复杂，传统方法识别精度低、效率慢的问题，本文提出一种多尺度时频空三域特征联合下的储层岩性识别方法。该方法在原始测井特征的基础上引入了互补集合经验模态分解(CEEMD)的多尺度频域分量，从而提高测井曲线的纵向分辨率。此外，构建了注意力机制优化的多尺度卷积双向门控循环神经网络(CNN-BiGRU-AT)模型，对加入了多尺度频域分量的测井数据进行时空特征提取，从而实现了对测井数据时、频、空三域特征的联合学习，最后以注意力机制优化了模型输出，减少了错误信息的传播。为了验证方法可靠性，本文选取了资料较为完整的5口井数据进行实验分析。结果表明，在不同数据组合的对比实验中，加入多尺度频域分量在训练集和验证集识别准确率分别提高了9.50%和8.66%。在与不同模型对比实验中，本文方法在样本识别准确率达到了94.11%,与支持向量机(SVM)、BP神经网络、卷积神经网络(CNN)、双向门控循环神经网络(BiGRU)和CNN-BiGRU融合模型相比，本文方法识别准确率分别提高了16.21%、14.54%、11.69%、5.05%、3.38%。     

基于叠前多参数敏感因子融合的浊积岩储层识别技术

浊积岩油藏一直是济阳坳陷重要的勘探类型,经过多年勘探开发,目前面临的是“异质同像”型浊积岩,这类浊积岩的砂岩储层与非储层具有相近的速度、密度以及相似的地震波形特征,常规地震属性和叠后波阻抗识别难度大。由此建立了基于叠前多参数敏感因子融合的储层描述方法。该方法主要包含3个部分：(1)分析了影响横波估算精度的主要因素,建立了基于修正Xu-White模型的多矿物组分横波预测技术,提高了横波预测精度,为弹性参数的精准预测奠定基础;(2)提出了基于反射系数比的敏感因子定量评价方法,得到Murho、Lambrho和POIS这3个敏感弹性参数,应用3个弹性参数构建了敏感因子融合指数F,降低单参数的多解性,准确识别岩性;(3)开展叠前反演技术,反演敏感弹性参数,应用基于RGB三元色信息融合模型对3个敏感参数进行砂岩信息融合,实现岩性的精细预测。该技术在济阳坳陷坨71井区深水浊积岩油藏勘探中进行了应用,精细预测了研究区深水浊积扇体储层展布,预测结果与实钻井吻合度达到85%,提高了储层识别及描述精度。应用研究成果在该区描述砂体有利面积9.5 km~2,部署探井和开发井10余口,其中5口井完钻投产后均获工业...     

偏最小二乘神经网络在储层识别和产能预测中的应用--以陕甘宁盆地中部气田马五1储层为例

针对致密储层中气水干层识别和产能预测准确率较低这一难题，提出偏最小二乘神经网络方法：用偏最小二乘方法对输入自变量集进行主成分提取预处理，消除重叠的输入信息，用可变学习速率反向传播算法（VLBP）和附加动量方法（AMOBP）构建BP储层识别和产能预测的网络模型。以陕甘宁盆地中部气田马五。储层气、水、干层识别问题为例，选用19口井分层测试的92个已知样本，在提取物性、测井和储渗特征等方面的14个特征参数后，通过偏最小二乘方法提炼得到电阻率（Rlld）、声波时差（△t）、产能系数（kh）、储渗因子（KФs）、介质类型因子（EE）等5个主成分控制特征参数，消除了信息的重叠。以此为神经网络输入元，以样本储层的类型与产能级别为输出，用VLBP和AMOBP算法建立储层识别和产能预测的BP网络模型。模型的吻合率迭100％，均方误差比传统三层网络降低约50％。表明该模型的计算收敛速度快。精度高，为致密储层的准确识别探索了又一新的方法。     

利用BP网络技术预测碳酸盐岩储层孔隙度

利用径向基函数(RadialBasisFunction,RBF)神经网络的原理对储层参数(孔隙度、渗透率)进行了预测,运用有效测井数据和岩心测试资料作为网络模型的学习样本,通过网络的学习、训练,建立了测井解释的RBF神经网络模型。应用此模型定量计算了鄂尔多斯盆地杭锦旗地区多口井的碎屑岩层的孔隙度和渗透率。与用传统的统计方法比较,神经网络的方法显示出了更好的精度和更强的实用性。     

基于流动单元的多油层储层参数计算和评价方法研究

针对英东地区含油储层井段长、非均质性严重、传统渗透率模型无法满足储层评价精度要求这一矛盾,在综合试油、MDT资料,深入分析油、气、水、干层测井响应特征的基础上,利用传统的流动带指数按照“单元化分类评价”的思路分地层对储层渗透率进行表征计算,并在此基础上建立电性参数下渗透率流动带指数计算模型。工区实际生产资料评价结果表明,利用流动带指数渗透率模型计算出的渗透率相对误差低于25%,绝对误差也能控制在半个数量级以内,其结果有效地提高了非均质储层渗透率预测精度,符合储层实际情况,能够满足油藏描述及生产的需要,对该地区后续长井段复杂储层非均质性研究和后期层间吸水矛盾治理具有一定的指导意义。     

背景值优化的多变量灰色模型在路基沉降预测中的应用

路基沉降是一个复杂的系统过程,常用的单点预测模型不能考虑各沉降监测点间的相关性,不足以反映路基整体的变形规律。多变量灰色模型MGM(1, n)是单点GM(1, 1)模型在多元变量条件下的拓展,可以实现对路基中相互影响的多个监测点变形预测模型的建模和预测。针对传统多变量灰色模型背景值取值存在的误差,利用非齐次指数函数拟合模型中各变量的一次累加生成序列重构了背景值计算公式,提出了背景值优化的多变量灰色模型。对路基横断面上3个监测点进行了灰色关联分析,建立了相应的背景值优化的MGM(1,3)模型,采用新陈代谢方法预测路基沉降值。实例计算表明,与传统MGM (1, n)模型以及GM(1, 1)模型相比,背景值优化的多变量灰色模型具有更高的预测精度,显示了该方法进行路基沉降预测的有效性。     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归（PLS）与神经网络（NN）耦合，建立了储层参数预报模型。利用偏最小二乘对影响储层参数的诸多因素进行分析，提取对因变量影响强的成分，从而克服了变量间的多重相关性问题，降低了神经网络的输入维数；同时，利用神经网络建模可以较好地解决非线性的储层参数预测问题。计算实例表明，本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度。