基于元素俘获能谱测井的多矿物最优化处理方法(英文)

计算地层岩石矿物组分并形成连续变化的岩性剖面是测井解释的核心工作之一。相对于传统的POR、CRA等处理方法,最优化方法能够利用各类测井、地质信息进行综合求解,适用范围更广、计算精度更高。元素俘获能谱测井可以提供多达9种常见地层元素的重量百分含量,使得岩性剖面的计算更直接、更准确。为了充分发挥最优化方法、元素俘获能谱测井的优势,进一步提高岩石矿物组分计算的精度,本文首先确定了不同矿物的元素俘获能谱测井响应方程形式和权重系数计算方法,然后在全岩氧化物实验分析和理论计算的基础上确定了常见矿物的元素含量测井响应值,从而形成了一套完整的基于元素俘获能谱测井的多矿物最优化处理新方法。应用证明,新方法的处理结果与岩心分析结果具有较好的一致性,平均绝对误差在10%以内,其计算精度更高。     

基于ECS测井的岩性识别方法

地球化学元素测井(ECS测井)可以定量地提供地层中的Si、Ca、Fe、S、Ti、Gd等化学元素的含量,利用这些元素与地层矿物之间的关系可以分析岩石矿物含量.在研究区利用ECS测井对岩石矿物含量进行定量评价时,由于矿物组合类型选择有误,导致矿物解释结果与岩心和录井资料分析结果存在偏差.针对这一问题,本文基于ECS测井岩性识别常规方法,提出两点改进:1),利用岩石薄片资料对ECS测井所选矿物组合进行校正;2)利用矿物和指示元素相关关系建立方解石和石膏的快速评价模型,模型相关系数分别0.99、0.96.应用表明,建立的快速评价模型计算更简洁,并且具有和矿物闭合模型相同的精度,此外,其解释结果与录井、岩心分析结果吻合度更高,说明该方法的可靠性.该方法可为测井识别岩性提供一种新的选择.     

利用地球化学元素与矿物关系识别GS油田下干柴沟组地层岩性

GS油田下干柴组上段地层石灰石、泥质成分含量较高,二者含量差别不大,粉砂质成分含量较低,并分布不均,造成地层岩性复杂,常规测井响应易引起较大误差.文中利用地球化学元素测井得到的矿物含量可识别地层岩性.首先从地层元素与γ射线,元素与矿物关系介绍了地球化学元素测井原理,利用地球化学元素测井资料处理结果得到地层岩性命名规则,通过与常规测井资料对比,并用岩心分析结果验证,说明这种方法可靠性.结果表明对于复杂岩性地层,该技术可以识别地层岩性,并为用测井方法识别这类复杂岩性提供一种选择.     

元素测井产额计算及影响因素分析

元素测井是非常规储层测井评价的主要测井方法之一.元素测井是以元素测量为基础,从矿物成分的角度提供地层信息,有效地将测井资料与地质信息结合起来.元素产额获取会受地层矿物和井眼环境的影响.为了提高元素产额计算的准确性,有必要对影响元素产额计算的因素进行分析.本文利用蒙特卡罗方法分析加权最小二乘逆矩阵法在地层矿物相对复杂的情况下求取元素产额时,地层减速作用、地层俘获作用、地层密度与井眼尺寸对元素产额计算精度的影响.研究结果表明,地层密度对元素产额计算的精度影响较大,地层密度越低,地层元素之间的相互影响越大,使得元素产额计算的误差变大,而元素产额计算受地层减速作用与地层俘获作用的影响较小,仅在地层减速能力较弱或地层俘获作用较强时对元素产额计算有一定影响,井眼尺寸对元素产额计算的精度影响取决于井内介质.     

太行东麓Z区页岩黏土矿物和石英含量预测方法研究

为了做好太行东麓Z区页岩气储层测井评价工作,针对页岩主要矿物成分含量计算需求,本文在文献调研基础上,梳理了页岩主要矿物成分含量的一般计算方法,针对研究区常规测井资料实际开展了测井资料归一化工作,遵循岩心刻度测井的原则开展了岩心矿物含量测试数据与测井曲线敏感性分析,选择敏感测井曲线开展岩心主要矿物含量测井预测模型建模,进而利用所建模型在研究区开展了黏土矿物及石英含量预测.研究表明,页岩矿物含量计算一般包括"三孔隙度"测井、自然伽马能谱测井法、元素俘获能谱测井法等,其计算精度依次提高;煤田测井资料"归一化"预处理可以有效解决测井资料一致性问题;本区山西组自然电位、自然伽马、侧向电阻率对泥页岩黏土矿物含量敏感性好,声波时差、自然电位、侧向电阻率对石英含量敏感性好;基于多元回归分析建立了Z区山西组泥页岩黏土矿物及石英含量计算模型,其计算结果与X-衍射实验分数据对比表明,黏土矿物含量计算结果标准误差小于7.8%,石英含量计算结果误差小于9.6%,证明该计算方法对于研究区黏土矿物及石英含量计算效果明显.此外,研究结果表明,Z区石英含量从研究区西北部向东南部逐渐增加,黏土矿物含量从东南部向西北部增加,局部存在差异.     

基于卷积神经网络和MPGA-LM算法的阵列侧向测井快速反演方法

在大斜度井/水平井环境下,阵列侧向测井受钻井液侵入、地层倾角和各向异性等多种因素影响,导致测井响应复杂,需借助反演手段提取地层真实电阻率.然而,阵列侧向测井三维正演效率低,难以满足测井资料快速反演和油气藏快速评价的需求.为此,本文基于深度学习并联合混合多种群遗传(MPGA)与列文伯格马奎特(LM)算法建立了一种快速反演方法.首先从地层参数敏感性出发,基于严格的三维有限元正演算法,依次确定侵入、各向异性和地层倾角的敏感性大小;其次,引入深度学习和模型可视化技术,实现斜井各向异性地层阵列侧向测井响应的快速正演;最后,基于数据集分解技术和混合MPGA-LM算法,实现斜井各向异性地层电阻率剖面快速精确重构.数值模拟结果表明:斜井各向异性地层中,阵列侧向测井响应对侵入深度敏感性最高,各向异性和地层倾角次之;相较于反向传播神经网络(BPNN),二维卷积神经网络(2D-CNN)能够实现阵列侧向测井响应的快速精确计算,计算一个测井点仅需0.36 ms,精度可达99％左右;基于三层反演模型的MPGA-LM混合算法稳定性强,电阻率参数反演精度高的优点,可用于阵列侧向测井资料的快速处理.     

致密砂岩气藏动态分类委员会机器测井流体识别方法

致密砂岩流体识别难度大,智能算法能够较好地建立其流体识别模型.相较于单一智能算法,分类委员会机器通过联合多个专家(智能算法)有助于提升智能模型整体性能.而针对分类委员会机器中单个专家性能难以提升的问题,添加门网络构建动态分类委员会机器是一种更有效的模块化学习方式.本研究首先采用门网络将输入数据划分为多个子数据集,然后联合决策树、概率神经网络、贝叶斯分类、BP神经网络、最近邻算法分别训练子数据集得到多个子模型,最后利用组合器最优化子模型组合得到最佳的流体识别模型.针对塔里木盆地库车坳陷大北、克深、博孜地区致密砂岩地层测井数据和测试数据,采用平均影响值法优选敏感测井系列作为输入,构建了动态的测井流体识别模型,其训练、验证准确率分别为96.29%和91.39%.利用此模型以BZ9井为例进行流体类型判别,预测结果与测试结果一致.该方法将无监督与有监督学习相结合,引入门网络提高了数据集利用效率,避免了数据集分布不均衡对模型构建的影响;采用投票机制集成多种专家,建立了子模型与专家的适应关系,流体识别模型预测精度和泛化能力大大提高.     

基于多尺度卷积神经网络的结构损伤识别研究

为了利用结构振动响应的时间多尺度特征来提升卷积神经网络识别结构损伤的能力,给出了两种用于结构损伤识别的多尺度卷积神经网络,即多尺度输入和多尺度卷积核卷积神经网络.对于多尺度输入卷积神经网络,将通过下采样和滑动平均获取的具有不同时间尺度特征的振动信号输入固定尺寸卷积核的分支卷积神经网络;对于多尺度卷积核卷积神经网络,则将...     

松辽盆地深层火山岩含气储层产能预测

松辽盆地深层火山岩是当前大庆地球物理、地质、地球化学研究的主要领域之一,已取得丰硕的成果,火成岩含气储层产能作为一个表示动态特征的参数,是储层评价的重要指标之一,本文讨论了火成岩含气储层的产能与测井响应之间的关系,探讨了根据测井资料应用人工神经网络技术预测火成岩含气储层产能的方法,利用已知气井测试结果和测井资料作为网络的训练样本,根据网络学习训练结果,输入测井资料等静态参数,可预测储集层的产能,根据这种关系采用神经网络技术实现了测井对产能的预测评价,从而为大庆深部火成岩含气储层的开发提供了一定的依据。     

基于迁移学习的地球物理测井储层参数预测方法研究

随着大数据和机器学习的成熟和推广应用,人工神经网络在地球物理测井预测储层参数中得到重视.本文引入迁移学习进行测井储层参数预测,以孔隙度预测神经网络模型和孔隙度含水饱和度联合预测神经网络模型为基础模型,分别以渗透率及含水饱和度预测作为目标任务进行迁移学习,以提升储层参数预测效果和效率.文中详细阐述了基于迁移学习的测井储层...     

利用人工神经网络预测电离层foF2参数

利用人工神经网络技术实现了电离层foF2参数提前1小时预测.从foF2时间序列本身的变化特征出发,根据时间序列相关分析结果确定网络输入参数.选用当前时刻foF2值,预测时刻前一天的foF2值,预测时刻前7天foF2平均值,当前时刻前7天foF2平均值,foF2的一阶差分及表示当前时刻t的变量共六个参数作为神经网络输入,下一时刻值作为神经网络输出.对于太阳活动高年平均预测相对误差小于6%,均方根误差小于0.6 MHz,太阳活动低年平均预测相对误差小于10%,均方根误差小于0.5 MHz.     

基于LSTM循环神经网络的储层物性参数预测方法研究

储层物性参数是反映储层油气储集能力的重要参数,表征了不同地质时期的沉积特征.地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征,因而测井参数和泥质含量(孔隙度)之间有很强非线性映射关系,并具有时间序列特征.充分利用多种测井参数预测储层泥质含量和孔隙度对于储层精细描述具有十分重要的意义.深度学习技术具有极强的数据结构挖掘能力,目前,全连接的深度神经网络已经在泥质含量预测进行了初步尝试并取得了较好的效果.而长短时记忆(LSTM)循环神经网络更适合解决序列化的数据问题,因此本文提出基于LSTM循环神经网络利用多种测井参数进行泥质含量和孔隙度预测的方法,预测结果的均方根误差比常规全连接深度神经网络分别下降了42.2%和48.6%,实际应用表明,对于具有序列化特性的泥质含量和孔隙度,LSTM循环神经网络预测的准确性和稳定性要明显优于常规全连接深度神经网络.     

爆破震害预测的神经网络模型

人工神经网络是近期发展最快的人工智能领域研究成果之一.通过分析国内外爆破震害预测研究现状和不足,提出一种基于BP神经网络模型的爆破地震效应预测方法,该方法能克服基于最小二乘法的回归公式的局限性,可选取影响爆破振动的多个影响因素作为输入层参数,达到爆破峰值和主频同步预测之目的.利用该方法对实际爆破监测数据进行预测,结果表明人工神经网络方法在爆破地震效应预测中应用是可行的并且是有效的.这为爆破震害预测研究提供了新途径.     

基于遗传优化神经网络的高速公路路基沉降量预测

控制路基沉降是公路工程中的一个关键技术问题,而路基沉降与其影响因素之间存在着线性、非线性关系。当输入自变量较多时,用传统神经网络建模容易出现过拟合现象,导致网络模型预测精度较低。针对此问题,本文用遗传算法对神经网络模型的权值和阈值进行优化,同时讨论遗传参数的设定对输出结果的影响。通过对成南高速的实测数据进行仿真,试验结果表明:优化后的BP神经网络具有较高的预测精度,预测效果明显优于传统神经网络模型的输出结果,该预测方法可作为高速公路路基长期沉降预测的一种有效辅助手段。     

核辐射测井全能谱分析方法综述

多元素能谱测井通过全能谱分析方法求取单个地层元素的产额,进而求取元素重量百分含量和矿物百分含量,为识别复杂油气藏岩石类型和矿物类型、建立复杂油气藏新的测井解释模型及应用正确评价方法开辟了新的途径,为地质问题和工程问题的解决提供了新的手段,全能谱分析方法研究是当前国内核辐射测井研究热点之一.本文表分析多元素能谱测井的重要...     

横波预测技术在YB地区的应用

横波速度测井曲线是进行岩石物理分析、AVO正演、AVO属性分析以及叠前反演等工作必不可少的基础资料,但横波测试设备与常规测井测试仪器不同,造成额外费用,往往很多井没有横波资料;同时还存在实测横波速度异常,不能满足实际工作需要.针对这些问题,本文利用经验公式法、XuWhite法及多元线性拟合法在YB地区进行横波预测,对比了不同方法的预测精度,讨论了横波预测方法的主要影响因素.对于Xu-White法来讲,孔隙形状是影响预测结果的重要因素;对于多元线性拟合法来讲,拟合曲线及其数目的选择对预测结果影响较大.使用三种预测方法进行预测的结果表明Xu-White法及多元线性拟合法效果较好,相对误差均小于5%;其中多元线性拟合法预测结果与实测横波资料误差最小,仅为4.46%.通过对比使用实测横波与使用多元线性拟合法预测的横波进行叠前反演的结果发现两者差别不大,并且原本无横波资料的井使用预测横波速度参与反演对反演结果起到改善作用,证明横波预测技术具有较高的推广应用价值.     

多方法对比分析及随钻声波测井曲线的预测

声波测井曲线是井震联合反演过程中必不可少的资料.在没有声波测井资料的情况下,必须对其进行预测.X油田大部分开发井均没有实测的纵、横波测井资料,这给该油田剩余油的挖潜工作带来较大困难.文章基于聚类分析算法、岩石物理模型和多元线性拟合三种方法,开展了纵波测井曲线的预测,以模型的稳定性、精确度、实用性作为衡量指标,选用多元线性拟合方法预测纵波测井曲线,其预测模型的相对误差约为3.18%.在准确预测纵波测井曲线的基础之上,采用Han公式、Greengerg-Castagna(GC)公式和Xu-White模型预测横波测井曲线,其中基于GC公式所建立的预测模型精度最高,其相对误差约为4.36%,从而选取GC公式来预测横波测井曲线.纵、横波测井曲线的准确预测为X油田剩余油分布预测及井位优化研究工作奠定了坚实的基础,具有较强的现实意义.     

地震属性融合技术在煤层厚度预测中的研究

煤层与岩层的顶、底板间形成的地震反射强度的变化将引起煤层厚度预测结果的变化.首先提取了目的层的反射波的地震属性,然后深入研究、分析了这些属性特性,最后应用BP人工神经网络方法以及多项式回归分析的方法进行研究,并在实际地震资料中应用这些方法,结果表明:在对矿区的煤厚预测中,BP人工神经网络模型误差最小,多元二次回归次之,多元一次线性回归模型误差最大,证明了用多属联合分析技术进行煤厚预测是一种卓有成效的方法.     

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法.神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度.结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果.     

多任务深度学习技术在储层横波速度预测中的应用

储层参数与横波速度存在强非线性关系,难以用解析方程表达.深度学习具有强大的非线性寻解能力,可借助其优势构建横波速度与储层参数的映射关系,实现横波速度预测.前人研究主要采用单任务深度学习方法,输入多种储层参数曲线,只输出横波速度预测成果,这种方式存在一定的过拟合风险.为此,考虑到横波速度预测与其他测井评价任务的相关性与继承性,在横波预测模型训练之前首先开展岩性预测模型训练,利用权值共享的思想构建多任务学习模型,同时输出岩性预测成果和横波速度曲线.实践表明,相比多元拟合方法及单任务深度学习方法,该方法生成的岩石物理交会图在岩性分布上更为合理,不同岩性的横波速度预测精度都得到提升,其中含气砂岩段速度预测相对误差降低2％以上,证实了该方法具有较好的实用价值.