神经网络在测井解释中的应用

本文利用人工神经网络来确定储层参数：孔隙度和渗透率；识别油（气）、水、干层，以便对它们进行评价和开采。其过程是：首先选取适当的网络模型和学习算法，然后利用关键井的岩芯分析数据、试油结果和相应的一组测井数据训练网络，建立研究地区的测井解释模型，最后运用已建立的模型对未知井进行预测，给制出各井的解释成果图。     

神经网络在测井解释中的应用

介绍了神经网络的基本万分之一神经元对信号的接收、激活与处理输出过程和网络的结构。从目前已有的几种模型中选取了误差反向传播网络模型。文明了使用该模型进行训练与预测的方法和步骤，并用于测井中的粒度中值和渗透率解释。     

自组织神经网络在测井资料解释中的应用

本文描述了自组织神经网络－－改进的ＡＲＴ模型（包氏神经网络）的基本结构及其学习算法；给出了该网络进行测井资料的解释的计算步骤；最后，以人工合成数据的自动分类和某煤田综合测井数据的煤怪自动为例，检验了该方法的正确性有效性。     

神经网络在测井解释中的应用

介绍了神经网络的基本成分-神经元对信号的接收、激活与处理输出过程和网络的结构。从目前已有的几种模型中选取了误差反向传播网络模型。阐明了使用该模型进行训练与预测的方法和步骤,并用于测井中的粒度中值和渗透率解释。其预测结果、平均相对误差分别是7.84％与22.98％,而用以前其它方法,这一误差分别是20％与40％左右。     

人工神经元网络测井解释软件系统

王大力，何清源．人工神经元网络测井解释软件系统．测井技术，１９９４，１８（４）：２５７～２６４在复杂岩性地层的测井解释中，常规的方法常把岩石的矿物成分设想得比较简单，评价地层岩性时需要大量的人工分析。本文提出运用人工神经元网络理论的测井解释软件系统。系统用自然伽玛能谱测井，结合实验室资料可准确确定粘土类型和求出粘土含量。选用了一种稳定性好、快速的优化算法，使用孔隙度测井资料求出孔隙度值，整个系统算法上力求快准、解释上力求尽可能减少人工干预，该软件系统经试用效果较好。     

测井解释中的误差传递

测井资料可以计算多种地质参数，而各种测井资料都有误差，这种误差会在测井解释中传递，对地质参数的计算造成影响，研究测井误差传递的过程，可以正确估计所求地质参数的误差，从而为测井仪器的研制、测井质量控制标准的确定和测井解释方法的建立提供理论基础。     

神经网络信息技术及其在测井解释中的应用

1 神经网络信息系统基本概念神经网络是一种通过模拟人的大脑神经结构去实现人脑智能活动功能的计算机信息处理系统 ,它具有人脑的基本功能 ,但又不是人脑的真实写照 ,它是一种人脑的抽象、简化和模拟模型 ,故称人工神经网络。构成神经网络的基本三要素是 :处理单元 (神经元 )、网络结构和学习算法。神经元是神经网络的基本成份 ,它通常是一个多输入单输出的非线性单元。网络结构系指神经元之间的连接方式 ,文中采用的BP网络是一种层状结构的前馈神经网络 ,它由一个输入层、一个输出层和输入层与输出层之间的一个或若干个隐含层组成。常用…     

神经网络技术用于测井解释的评述

对目前测井解释中广泛使用的神经网络技术提出一些粗浅的认识或评价,包括这项技术的目前研究现状,研究趋势和提高方法实用效果的可能途径等,以期今后能提高网络模型的预测能力,从而充分发挥网络技术在测井解释中的应用潜力。     

一种自构神经网络及其在测井资料解释中的应用

鉴于ＢＰ网络存在着学习过程收敛速度慢，网络容错能力差的缺点，本文提出了一种自构神经网络算法。该算法分两部分：１．将模糊集理论与神经网络相结合提出一个模糊动态改变学习率的有效算法；２．利用相关自动原理来动态调整网络的隐节点数，最终让其达到一个最佳的稳定状态。将此方法应用于江苏油田“镇田井”的测井资料解释，同已     

BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了,研究,采用了一种改进的的BP算法,其方法具有收敛速度快,避免网络陷入局部最小和出现振荡现象,优化网络结构等优点,提出了一种基于统计的学习样本生成方法,使样本生成问题规范化,使用该方法生成的样本真实可靠,具有代表性,可大大提高样本质量,实际应用网络进行岩性识别和孔隙度预测,取得了令人满意的结果。     

神经网络在枣北地区火成岩储层测井解释中的应用

枣园北部（简称枣北）地区火成岩岩石矿物成分种类多、蚀变程度以及裂缝发育状况变化很大，其测井响应比其它岩石更为复杂，使用常规测井解释方法评价火成岩储层难度较大。本文阐述了应用神经网络解决火成岩储层测井解释中储层参数计算、油水层识别和岩性识别等问题。通过对该地区火成岩测井数据的处理与解释，取得了比较满意的效果。     

稠油测井解释方法探讨

辽河油田是我国最大的稠油生产基地，稠油油藏占据我国大约四分之一的产量。而稠油测井解释仅仅是静态测井储层评价，热采后的动态测井解释基本上没有展开，因此，有必要选择一定区块从事蒸气吞吐后的储层评价，以便深刻认识稠油油藏的动态变化，找到稠油的解释方法，直至找到一种与稀油相对应的动态解释模型，为此选择欢喜岭油田锦45块作为研究区块，进行稠油油藏的测井储层评价研究。文中给出了区块的地持特征、诸层参数的确定方法和处理成果图，同时也给出了稠油水淹层的判别方法，该方法目前已投入使用，对所处理的40多口井，效果令人满意，与实际情况吻合较好。     

神经网络及模式识别技术在测井解释中的应用

针对四川碳酸盐岩储层实际情况，用测井资料与岩心分析结果组成孔隙度、含水饱和度样本，经BP网络训练后得到模型参数。使用模型参数进行孔隙度、含水饱和度计算、计算结果精度高。BP网络在产能评价方面也有明显优势，能较好地表达储层参数与产能之间的关系，提高预测结果精度。对汉明网络结构作了适当的调整，使其适用于输入为连续值的模式识别问题。在储层流体性质判别方面，气层、水层的判别符合率达93%；该网络在多个地区的测井相分析中应用表明，能提高沉积微相识别率和预测符合率。实际应用证实，神经网络技术能提高测井解释中的数值计算精度和模式识别符合率，已在测井精细解释及储量计算中应用。     

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。     

BP神经网络与模似退火法在测井解释中的应用——神经网络系列研究报告之二

本文给出多层前馈型神经网络和模拟退火法在测井解释中应用的实际效果。多层前馈型BP神经网络算法在远离极值时下降速率快,随着极小值的逼近,下降速度越来越慢、甚至易陷入局部极小空间。模拟退火算法的随机特性可在网络极值陷入极小值时能及时跳出,增加了向全局极小转化的概率。但是,此种方法工作量大。把上述两种方法结合起来能克服各自的缺点。经过实际试算证明这种新方法效果很好。     

改进遗传神经网络在洛带气田测井解释中的应用

洛带气田蓬莱镇组的主要储产层为浅水三角洲沉积，含油气资源比较丰富，但地质情况非常复杂，测井物性参数解释十分困难。文章针对本地区储层非均质性强、岩性复杂，用常规测井方法难以解释的特点，在测井解释时选用了神经网络计算法，并且应用遗传算法（ＧＡ）对传统的BP神经网络进行了改进。在此基础上，利用多种测井数据及岩心分析资料作为网络模型的学习样本，通过网络的学习、训练，建立了渗透率等参数的神经网络计算模型，应用此模型计算了新样本的预测物性参数值。计算结果与实际岩心分析结果相比较后表明，遗传BP算法的学习速度和计算精度均令人满意。