随钻测井曲线预测及更新方法研究

在地质导向钻井中,为了实时获取井眼轨迹和井下地质特征信息,一般都配有MWD和LWD随钻测量和测井传感器。但是由于MWD和LWD传感器距钻头还有一定的距离,因此无法实时得到钻头处的地层特性和井眼位置,不能及时判断钻遇地层的实际情况,地质导向效果差。为此,提出了一种基于支持向量机的测井曲线预测方法,通过邻井建立支持向量机预测模型对当前井测井曲线进行预测,同时引入随钻测量数据对当前井钻头处的测井曲线进行随钻更新。实例应用表明,该方法相对BP神经网络法,预测结果精度更高、稳定性更强、与实测值的相似程度更高,能够有效预测测点与钻头间的地质特征参数,有利于进行实时地质导向。      

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时...     

基于主成分分析的离散过程神经网络水淹层动态预测方法

提出了一种利用主成分分析和离散过程神经网络进行水淹层动态预测的方法,对测井曲线信息随油层厚度变化的离散数据进行主成分分析,减少了离散过程神经网络模型的输入参数,排除了各参数之间的相关性.引入了反映深度变化累积效应的输入参数--测井参数曲线层段的不同油层厚度.据此建立的识别模型能够反映出随含水率的上升、深度不同时测井曲线的变化规律.实例研究表明,提出的方法与BP神经网络识别方法、支持向量机方法相比较具有更快的运算速度和更高的识别精度,能够体现出高含水期水淹层的动态变化特征.     

改进的开窗技术在利用测井资料预测渗透率中的应用

渗透率是油藏描述和油藏工程中一关键性的参数.文中描述了一种计算渗透率的新方法,即在岩心分析化验数据和相关测井曲线数据归一化的基础上,利用改进的开窗技术,借助反馈的神经网络方法逐点计算地层的渗透率.通过在胜坨油田的实际应用,证明该方法预测的渗透率与实际渗透率符合较好,具有推广应用的价值.     

模糊逻辑和神经网络及其在含油饱和度预测中的应用

对人工智能技术在油田开发中的应用做了简要回顾.介绍了模糊逻辑理论中的模糊排队算法和人工智能中的BP神经网络模型.将模糊排队算法和BP神经网络相结合,以新疆油田某井的实际测井曲线为例,用模糊曲线分析方法确定全局相关性强的输入变量(测井曲线),建立BP神经网络含油饱和度预测模型,并对含油饱和度做了预测,利用模型的预测结果和计算值相比较具有较高的吻合度,证明该方法在实际储层参数预测中具有良好的实用性.     

һ���µ����������Ԥ�ⷽ��

神经网络时间序列预测模型　　设有一组随时间ｔ变化的序列｛ｘｔ｝（ｔ＝１，２，…，Ｔ），那么传统的一维时间序列模型可以广义地用映射表示为　　　　ｘｔ＋ｋ－１＝φ（ｘｔ，ｘｔ－１，…，ｘｔ－ｌ）（１）如果将ｘｔ替换为向量，那么相应地式（１）中的映射变为向量值映射，从而演变为多维时间序列问题。要使时间序列模型具有较高的拟合精度，关键在于映射与实际值的逼近程度。应用神经网络技术处理时间序列预测问题要解决的关键，一是如何针对不同类型的时间序列预测问题构造相应的神经网络预测模型；二是如何选择数据作预测；三是…     

应用支持向量机方法预测储层敏感性

介绍了支持向量机的基本理论;通过单相关分析找出影响储层敏感性的主要因素,应用测井资料提取这些敏感性参数,使用支持向量机算法,以影响敏感性的主要因素作为支持向量机网络的输入层,预测储层的敏感性.分别使用支持向量机和BP神经网络2种方法对×油田的测井资料进行了处理、分析.对比结果表明,用支持向量机得到的速敏、水敏、盐敏的预测结果具有更高的预测精度.这说明支持向量机预测储层敏感性是一种切实可行的方法.     

基于XGBoost的测井曲线重构方法

测井数据在地层评价中具有十分重要的作用,但是实际应用中由于地质、工程等因素的影响,经常出现部分测井数据缺失甚至漏测的情况。基于传统的经验模型和多元回归分析的测井曲线重构方法精度不够,因此提出利用机器学习方法进行测井曲线的重构;考虑到神经网络的局限性,基于XGBoost构建了测井曲线重构模型。以渤海湾盆地定向井为例验证重构模型的效果：首先进行了测井曲线补全和生成实验,并通过K折交叉验证将XGBoost模型性能与梯度提升决策树（GBDT）、随机森林（RF）和全连接神经网络（FNN）三种方法进行对比,然后结合地质背景分析预测效果。验证结果表明,基于XGBoost的测井曲线重构方法在准确性和稳定性方面都取得了更好的效果,并且表现出较强的泛化能力。     

测井工程中合成声波曲线的实验研究

早期钻的一些老井只有自然电位曲线和电阻率曲线,没有声波时差曲线.利用支持向量机的方法从自然电位曲线和电阻率曲线重构声波曲线.首先分析了各个曲线的影响因素,其次利用支持向量机在小样本的条件下也有很好性能的特点,对自然电位曲线、电阻率曲线和声波时差曲线的函数关系进行分析,最后再预测临井的声波时差曲线.结果表明:在水层中,利用支持向量机可由电阻率曲线、自然电位曲线较好地预测声波时差曲线.但是在油层和油水同层中预测结果不太理想.     

用多属性变换由地震数据预测测井特性

描述了一种由地震数据预测测井特性的新方法。分析的数据由一系列与某个3D地震数据体相连的井的目标测井曲线组成。从3D地震数据体计算了一系列基于样点的属性，目标是要导出一个多属性变换，即属性的某个子集与目标测井值之间的线性或者非线性变换。选定的子数据体是用向前逐步回归的方法确定的。传统交会图的扩展包括用褶积算子来消除目标测井曲线与地震数据之间的频率差异。在线性模式中，多属性变换方法要采用最小平方法计算一系列权值。在非线性模式中，则是用选定的属性为输入进行神经网络训练。对两种类型的神经网络，即多层前馈神经网络（MLFN）和随机神经网络（PNN）进行了评价。为了评价导出的多属性变换的可靠性，进行了交叉验证，即从训练数据体中按顺序每次剔除一口井，再由剩余的井重新导出这一变换，然后计算被隐去井的预测误差。该变换应用于地震数据体时，将合理误差（所有被隐去井的平均误差）用作为似然预测误差。该方法被用于两组实际数据。在每种情况下，当从单属性回归到线性多属性预测，再到神经网络预测过渡时，预测能力持续提高。这种改善不仅对训练数据的效果明显，对验证数据的效果也很明显。此外，神经网络法与线性回归法相比，分辨率也有明显的改善。     

Java测井平台高效数据操作缓存设计与实现

一体化网络测井平台是国际上首个完全采用Java语言开发、真正意义上跨不同操作系统的大型综合测井处理解释系统.由于平台基于广义测井曲线理论实现了数据底层的一体化,因而可以在不改变原编程语言的基础上,用最小的工作量将其他非Java测井解释系统进行有效集成和二次开发.针对各种不同语言交互处理解释模块的共性,提出了一种先进的曲线代理缓存模式,并用Java语言进行了设计实现.大规模集成测试和大庆油田水淹层解释结果表明,这一代理模式有效解决了不同语言交互处理软件跨平台集成时原有缓存功能不能被继承使用的技术难题,并可视具体情况对原系统的交互缓存处理效率做出进一步改进和提高.     

利用测井资料进行裂缝的定量识别

本文在分析砂泥岩缝测井响应特点的基础上，提出了一套由微球，双侧向，声波，密度和倾角测提取裂缝测井异常信息的方法，然后根据松辽盆地古龙凹陷九口井６５个裂缝发育层段资料，分别利用综合判别函数和神经元网络方法分别建立了两个裂缝识别的数学模型，其判准率分别是８７％和９３％，表明神经元网络法识别裂效果较好，经处理实际资料说明上述裂缝定量识别方法是可行的。     

BP神经网络在辽河坳陷太古宇潜山内幕岩性识别中的应用

太古宇基岩内幕岩性复杂,岩性划分难度较大。研究中以岩心定名为基础,挖掘太古宇不同岩性测井曲线的响应特征,抽取对基岩内幕岩性敏感的密度、中子、伽玛以及光电吸收截面指数作为输入端构建BP神经网络对太古宇岩性进行识别。识别结果与岩心测试资料对比表明,BP神经网络岩性识别结论可靠。该研究丰富了太古宇基岩岩性识别方法,为太古宇内幕深化研究奠定方法基础。     

Petroleum reservoir characterization with the aid of artificial neural networks

We introduce a new application of artificial neural network technology in the characterization of reservoir heterogeneity. Different reservoir properties, such as porosity, permeability and fluid saturation, in highly heterogeneous formations can be predicted with good accuracy using information deduced from readily available geophysical well logs. The methodology by which this is carried out is based on the intelligent and adaptive pattern recognition capabilities of an artificial neural network (three-layer feed forward, back propagation). The need for expensive processes to acquire porosity, permeability and fluid saturation data (such as well testing and extensive coring of the formation) may therefore be greatly reduced. Examples of several neural networks developed during this study are presented.     

烃源岩总有机碳含量测井预测模型探讨——以陆丰凹陷文昌组为例

测井参数与烃源岩总有机碳（TOC）含量之间存在某种响应关系,可以利用测井参数对TOC进行预测。建立了陆丰凹陷文昌组烃源岩TOC和电阻率曲线、声波时差曲线、中子孔隙度曲线、自然伽马曲线和密度曲线之间的多元回归模型、BP神经网络模型和曲线叠合模型,探讨了3种模型对TOC预测效果的差异。结果表明,多元回归模型对陆丰凹陷文昌组半深湖亚相、三角洲前缘亚相烃源岩的TOC预测效果较好,对滨浅湖亚相的预测效果较差;BP神经网络模型比多元回归模型预测的效果好;曲线叠合模型预测效果较差。在实际应用中,BP神经网络模型适用于测井参数与TOC难以用显式函数表达,且有足够大数据量的地层;多元回归模型适用于测井参数与TOC有明显相关性的地层;曲线叠合模型适用于伽马曲线对黏土和有机质含量响应明显的地层,并且目标曲线在非烃源岩层能较好叠合。通过对以上模型的分析,可向该坳陷其他次级凹陷推广应用。     

均值为"零"的曲线重构技术在地震反演中的应用

在储集层与非储集层的声波曲线没有明显差异的地区内，利用波阻抗反演技术进行储集层预测比较困难，应用曲线重构技术则可获得明显的地质效果。传统的曲线重构技术改变了原有的时一深关系，反演后的层位与原地震层位存在较大误差，通过在目的层实现特征曲线均值为零的特殊手段进行特征曲线重构，既反映目的层岩性变化，又较好地保留了原始曲线代表的实际地质特征，较好地解决了曲线重构中存在的问题，提高了测井约束反演的可靠性。在葡萄沟地区的应用中，重构前、后合成地震记录的对比表明，只是波组特征有所变化，而时一深对应关系基本没有改变，在该地区准确地预测了七克台组4个砂组的平面变化，与地质认识吻合，证实了方法的可行性，值得进一步推广应用。     

试井解释图版拟合分析的神经网络方法

图版拟合是现代试井分析的主要方法,由于图版上典型曲线分辨率的限制,使得典型曲线图版拟合分析不可避免地存在误差。除此之外,复杂试井问题的图版分析常常同时需要多幅图版,因而限制了典型曲线图版拟合分析方法的应用。利用前馈神经网络的函数逼近性质,建立了神经网络典型曲线图版,并给出了相应的解释方法。所建立的神经网络图版包含了全部理论曲线的信息,克服了传统典型曲线图版的不足,使得任意的实测曲线都能在神经网络典型曲线图版上直接得到精确拟合。同时,该图版大大简化了传统图版的拟合分析过程,使图版拟合分析更易实现。神经网络图版的研制成功,使实现图版拟合分析的智能化成为可能;另外,利用神经网络的函数映射能力,建立的神经网络图版可以包含更多信息,从而可以解释出更多的参数值。图3参4(邓远忠摘)     

用图版法分析示踪剂产出曲线

传统示踪剂产出曲线的分析方法是进行曲线拟合,该方法工作量大,且结果不唯一,因而提出用图版法来分析。该方法将常规时间域中的问题转换到频率域中,做出理论图版和实际图版。通过对比理论和实际的传递函数和相位谱,可快速估计出油藏的非均质性指标和孔隙体积,如果同时应用分配性和非分配性示踪剂进行测试,还可求出剩余油饱和度。用该技术进行了实例分析,与常规分析法所得结果非常一致。     

WELL TEST MODEL IDENTIFICATION BY ARTIFICIAL NEURAL NETWORKS

The aim of this research is to investigate the performance of artificial neural networks computing technology, to identify preliminary well test interpretation model based on derivative plot. The approach is based on training the neural network simulator uses back-propagation as the learning algorithm for a predefined range of analytically generated well test response. The trained network is then requested to identify the well test identification model for test data, which is not used during training sessions. For creation of training examples, an analytical response generator is implemented which is capable of producing responses of various models. Both the neural network simulator and the analytical response generator is enfolded into a single package which is capable of producing diagnosis plots, transferring data and filtering the input pattern. Unlike the ones presented in literature the package utilises a distributed modular structure, by which saturation possibility of the neural network is reduced considerably. Moreover, the distributed structure allows the training sequence to be initiated on different computers, thus reducing the training time up to sixteen folds. The package is verified with several examples either analytically generated or taken from literature.     

Intelligent Isochronal Test Analysis

An artificial neural network (ANN) is a powerful tool in data processing and pattern recognition that mimics a biological neural network. A new approach of isochronal test analysis based on ANNs is presented. The results from ANNs are in good agreement with the results from empirically achieved deliverability curve and pre-required characteristics of Horner and drawdown plots. It is shown that application of ANN in isochronal tests provides a novel approach to speed up calculations and escape tedious and time consuming plots. Also details presented can be used to automate other types of well test. Therefore ANN can perform as a robust tool in well test analysis.