基于量子神经网络的分子沉积膜驱原油采收率预测方法

提出一种用于预测分子沉积(MD)膜驱原油采收率的量子神经网络方法。基于生物神经元信息处理机制和量子计算原理构造出一种量子神经元,该神经元由加权、聚合、活化、激励四部分组成。再由量子神经元构造出三层量子神经网络模型,其输入和输出为实值向量,权值和活性值为量子比特。权值和活性值调整由量子门实现。基于梯度下降法构造了该模型的学习算法。将该模型应用于MD膜驱原油采收率的预测实验结果表明,该模型在收敛速度和泛化能力方面明显优于普通三层BP网络。     

神经网络技术在复杂断块油藏水淹层评价中的应用

复杂断块油藏岩性纵向上变化大,水淹后物性和电性也与原始状态有明显差距,使用一般测井解释方法识别水淹层级别具有难度,再加上众多确定的以及不确定的断层的存在,使得从动态上定性识别水淹层也难以做到。以复杂断块G油田试油资料为基础,运用BP神经网络技术,优选对水淹程度敏感的电阻率测井、自然电位测井、声波时差测井以及自然伽马测井数据作为学习数据,建立了水淹层网络训练模型,并据此对未试油小层的水淹层级别进行了预测,证实水淹层评价符合率达到80%以上,由此可以证明BP神经网络技术对此类油田水淹层评价具有很好的适应性。     

水淹层有效介质对称复电阻率模型求解方法

由于以往的水淹层导电机制和解释模型已不适合注聚后的油层,因此解释注聚后水淹层的剩余油饱和度,成为目前的难题之一,而复电阻率测井能在一定程度上克服常规电阻率测井受地层水矿化度影响的不足.基于水淹层有效介质对称复电阻率模型是利用牛顿法与二分法结合的方式求解模型,采用该算法求解方程是收敛的.研究表明,水淹层有效介质对称复电阻...     

致密砂岩油藏水淹层测井识别方法及影响因素研究

针对准噶尔盆地二叠系致密砂岩油藏测井响应特征复杂多变,水淹层难以识别等难题,运用测井原理和方法建立水淹层的测井解释模型,提取含油饱和度、地层流动指数等水淹特征参数,并建立一套致密砂岩裂缝性油藏水淹层定量表征技术,能准确识别水淹层的测井响应特征。现场应用结果表明:该技术在实际油井应用中效果较好,方案实施后油井含水率由98%急剧下降至40%,日产油由0.5 t/d增至5.2 t/d,产能提高了近10倍,开发效果明显。研究成果为准噶尔盆地水淹层有效识别以及定量提供了技术支撑,为同类油藏水淹层识别及有效开发提供了参考。     

基于过程神经网络的水淹层自动识别系统

针对油田开发中、后期的水淹层判别问题,提出了一种基于过程神经元网络的自动识别方法.过程神经网络是由若干过程神经元和一般非时变神经元按一定拓扑结构组成的一种连续神经网络,其输入和权值可以是过程函数.过程神经网络能够自动提取输入函数的曲线形态和幅值特征,并将多条曲线特征加以组合,形成类别输出.考虑到实际测井资料为随深度变化的离散采样数据,采用一种基于离散Walsh变换的方法对测井数据进行转换,实现了原始测井数据向网络的直接输入.根据取心井分析资料和专家解释结果确定了区块油层水淹类型,建立了水淹层标准模式库.在进行学习样本筛选时,考虑小层沉积微相类型和旋回特性对油层水淹状况的影响,模式库中包含了研究区块内各类具有沉积特征代表性的典型水淹油层样本.所建立的过程神经网络判别模型稳定,有较强的推广应用价值.对大庆萨北油田具有试油资料或投产初期分层测试资料的加密井进行了实际处理,取得了较好的结果.     

淡水侵入油藏饱和度解释模型和水淹级别的识别

利用双孔水模型计算淡水侵入油藏的含水饱和度，该方法不必已知束缚水的电阻率，用迭代法计算饱和度模型的解释参数，利用神经网络（BP算法）识别水淹层水淹级别，选择深浅电阻率幅度差，深浅电阻率比值，自然电位异常幅度，孔隙度和岩性系数等5个量作为输入特征，处理了2个构造带15口井，经试油验证效果良好。     

牛圈湖区块西山窑组测井解释方法研究

牛圈湖区块西山窑组属于特低渗、低压、低流度的三低油藏,超前注水开发。由于各区块油藏特征有所差别,把全区作为一个整体来建立测井解释标准,测井解释符合率较低,而且利用常规方法,部分水淹层和油层很难区分开。该文在深入开展四性关系研究基础上,应用岩心刻度测井技术建立了分区分岩性测井解释孔隙度、渗透率、含水饱和度及泥质含量等参数解释模型,并分析了测井解释的影响因素,总结出了水淹层的测井评价方法。通过新建立的分区分岩性解释模型,对研究区内255口井进行了重新解释,解释符合率超过85%,取得了较好的应用效果。     

胜坨油田坨七断块水淹层测井解释技术研究

针对胜坨油田坨七断块水淹层在测井曲线上的变化特征，以测井资料和岩心分析资料为基础，建立了沙二段1、2＋3砂层组水淹层测井解释模型，划分了水淹级别。对该区135口并进行了测井资料数字处理与解释。试油结果表明，解释符合率在86％以上，说明该方法在本区定量计算水淹层是有效的。     

砾岩油藏水淹层定量识别方法——以新疆克拉玛依油田六中区克下组为例

新疆克拉玛依油田砾岩油藏经过40年的注水开发,目前已进入高含水开发阶段,准确识别水淹层、定量划分水淹级别已经成为老区油藏开发调整的重点和难点。以克拉玛依油田六中区克下组砾岩油藏为研究对象,利用2006年重点调整的3口密闭取心井的岩心资料,结合砾岩油藏的实际地质特点,分析了砾岩油藏各种储层参数的影响因素。选择符合砾岩油藏地质特征和开发规律的测井曲线,基于交会图和多元线性回归的方法,建立了六中区克下组物性、岩性、产水率以及水驱指数等各种解释模型,并从中提取出产水率、含油饱和度和水驱指数3个水淹特征参数。以3个参数为定量判断水淹级别的主要依据,结合水淹层电阻率的定性识别图版,制定了砾岩油藏水淹层定量识别的规则和方法。以上技术应用到六中区克下组实际的水淹层解释中,综合解释符合率为84.36%,达到了实际解释的精度,最终形成了一套砾岩油藏水淹层定量识别的评价技术,提高了水淹层的解释精度和符合率。     

沈84块高凝油藏水淹层测井评价参数及其应用

针对辽河沈84块沙三段下部高含水期高凝油藏储层水淹状况和特征，依据灰色系统油田开发分析方法及准则，利用测井、钻井取心、试油及有关地质资料，匹配、拟合和提取参数，分别以其特征性参数对高含水期油藏岩性、物性和水淹状况进行统计，采用正态统计特征值建立测井评价参数标准，以其准确率和分辨率自动组合放大，建立测井评价参数标准的权系数。通过该区沙三下的174口井高凝油藏水淹层测井评价参数研究的分析解释，划分出砂砾岩、含砾砂岩、中粗砂岩、细砂岩、粉砂岩和泥岩等岩性剖面，评价解释了不同类型的储层以及不同物性的油层、弱水淹层、中水淹层、强水淹层及水层，阐明了沈84块沙三下高凝油藏水淹状况及剩余油纵向分布规律。     

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.     

基于MATLAB神经网络的岩性识别

利用MATLAB工具箱中的快速BP算法来训练神经网络，并用神经网络来进行测井资料的岩性识别。通过对已知井段测井数据进行学习，来预测同一地区其他井段的岩性。实验结果表明．MATLAB工具箱中的快速BP算法具有很高的实用价值。     

基于MATLAB的BP神经网络在储层物性预测中的应用

在阐述BP神经网络模型结构的基础上.根据取心井段储层物性与测井信息的关系,选取相应的测井曲线,运用MATLAB神经网络工具箱中特定的函数对建立的神经网络模型进行训练,使得储层物性(孔隙度、渗透率)和测井响应之间具有较强的非线性映射关系,在一定的条件下运用该模型可对研究区未知样本的物性参数进行预测.实例研究表明,预测准确性较高,显示出BP神经网络对储层预测的潜在优势和实用价值.     

基于测井参数的遗传BP神经网络识别火山岩岩性——以准噶尔盆地西北缘中拐凸起石炭系火山岩为例

准噶尔盆地西北缘中拐凸起石炭系火山岩储层岩石类型复杂多样,既有火山熔岩、火山碎屑岩,又有侵入岩,造成该区岩性识别难度较大。为此,引入了遗传算法的BP神经网络,遗传BP神经网络是以自身特有的样本学习能力获得识别模式,识别结果客观可靠。利用测井参数对中拐凸起石炭系火山岩储集层的岩性进行识别研究,选取典型井的测井参数训练遗传BP神经网络,以获得网络神经元的连接权值。获得满意的权值后,通过输入其他已知井的测井数据对其进行检验,检验结果表明,该方法识别火山岩岩性的可信度高,具有较强的可行性。     

基于BP神经网络的重油催化裂解模型

基于BP神经网络,利用重油催化裂解反应过程的试验数据,以涉及原料性质、催化剂活性、操作条件等的11个参数作为输入变量,以乙烯、丙烯和轻芳烃 BTX（苯、甲苯、二甲苯）的产率作为输出变量,构建了结构为11-12-3、以贝叶斯算法为学习算法的BP神经网络重油催化裂解模型,并进行了验证。结果表明,该模型对乙烯、丙烯和BTX产率的预测平均相对误差分别为4.59%,3.92%,2.28%,说明所建模型对重油催化裂解反应产物产率的预测效果较好。     

基于广义模拟退火的人工神经元网络学习方法

本文利用广义模拟退火法（简称GSA,下同）能将非线性多极值目标函数较快收敛于全局极值的特点,替换人工神经元网络学习过程中基于梯度下降原理的误差反向传播算法（简称BP,下同）。该方法将由神经元网络的学习输出与期待输出之差的平方和构成的目标函数视为一整体能量系统,模拟热物理学中金属退火处理过程,调整网络中的连接权值,使系统能量尽可能收敛于全局极小。与BP法相比,本方法无需计算梯度,输出响应可采用不可微分的激励函数;另外,无需作误差反向传播计算,因而在神经元网络学习中可使用局部反馈连接的网络结构。该方法的应用为神经元网络学习提供了一种新途径。     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径