自适应BP网络在洛带气田测井解释中的应用

应用自适应算法对BP网络进行改进，可以提高BP网络的收敛速度和全局寻优性能。在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率的神经网络模型为例，通过网络的学习、训练，建立测井解释神经网络模型。并应用此模型，定量计算出多口井的渗透率值，与常规渗透率计算结果相比，BP的解释结果及精度均令人满意，同时还取得了良好的实际应用效果。     

遗传BP算法在洛带气田测井物性解释中的应用

应用遗传算法(GA)对BP网络进行了改进，并在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率等参数的神经网络模型为例，通过网络的学习、训练，建立了神经网络模型．应用此模型计算物性参数值，解释结果及精度均令人满意．     

神经网络技术在路堤沉降预测中应用探讨

针对传统的BP网络模型的不足，应用了改进的BP神经网络模型，把它应用到软基高速公路的路堤沉降预测中，提出了两种构造神经网络训练样本的思路，并分别进行了计算和对比，指出了各自的优、缺点。结果表明改进的BP网络模型比较稳健、收敛快，而且根据时间与对应的沉降量形成的样本训练的网络预测出的工后沉降误差小、精度高。     

前馈逆传播算法优化及其在岩土工程中的应用

研究并分析了对BP网络收敛性能有重要影响的非线性系数的取值方法及规律,并给出了在岩土工程问题中的应用实例.利用该方法,提高了BP网络在具体工程应用中的实用性.实践证明按照此规律及方法对BP网络的收敛算法进行改进,能够明显提高网络的收敛速度及收敛精度.     

基于熵值法的BP网络输入变量加权分层方法研究

当BP网络模型的输入变量包括多个类别时,如果其中几类变量的个数远多于其它类别的变量,变量多的这几类会削弱其它类变量对输出变量的影响,导致模型预报误差增大。提出BP网络输入变量加权分层的改进方法。根据熵值法模型对每个类别包含的所有变量按其重要程度加权平均,得到代表各类的综合影响指标,将这些综合影响指标作为BP网络模型的输入变量得到模型预报结果。改进后的模型更全面合理地考虑了各类输入变量的变化对输出变量的影响,发展了神经网络的应用理论。实例计算表明,模型预报精度得到明显提高。     

煤层含气量测井解释方法参数选择及适用性

多元线性回归及BP神经网络是煤层含气量测井解释的常用方法。基于澳大利亚Galilee盆地和沁水盆地煤层测井资料和实测含气量数据,通过相关性分析和显著性检验,筛选了和含气量相关的测井参数,通过多元线性回归建立含气量与测井参数的解释模型;基于BP神经网络的理论,通过网络训练和测试,建立了煤层含气量和测井参数的非线性解释模型。讨论了多元线性回归模型的参数选择方法,并对两种解释方法的误差特点进行了分析,讨论了两种方法的适用性。结果显示:多元线性回归法和BP神经网络法是煤层含气量解释的常用方法,前者的解释误差比后者大;多元线性回归法解释精度与煤层含气量相关,适用于含气量较高的井;BP神经网络法解释精度普遍较高,在含气量高和低的井中均可适用,解释效果受输入层样本的数量和质量影响,样本数量越多,区域代表性越强,解释效果越好。      

人工神经网络在铀矿测井解释中的应用

本文探讨了运用人工神经网络方法完成铀矿测井解释任务的有关问题。采用了改进的BP算法，提高了网络收敛速度，优化了网络结构。研究使用了一种基于统计的学习样本生成方法，提高了样本的质量。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。     

熵值理论和改进BP网络在湖泊富营养化评价中的应用研究

针对湖泊型饮用水源地水体污染、富营养化加剧的问题,引入熵值理论,建立单指标营养状态指数(TSI)和熵权藕合的湖泊综合营养状态指数模型(STSI),计算得到湖泊综合富营养状态指数判断湖泊富营养综合状态;基于神经网络仿真理论和Matlab软件系统,采用附加动量法和自适应学习速率改进BP算法,建立5-3-1结构型式的BP网络模型对湖泊富营养状态进行仿真预测。综合富营养化指数模型及改进BP模型应用于评价及预测固城湖富营养状态,并对模型评价结果进行验证。结果表明,改进BP网络模型可以有效地综合判断水体状态,为富营养评价及预测提供新的方法。     

复合渗透率测井评价方法在砂砾岩稠油油藏的应用——以克拉玛依油田某区八道湾组为例

砂砾岩储层孔隙结构复杂、非均质性强,在渗透率计算方面传统的测井解释方法误差较大,目前还没有经典的计算砂砾岩渗透率的测井解释模型。以克拉玛依油田某区八道湾组砂砾岩稠油油藏为例,首先在微观层面上分析了渗透率的主控因素。其次根据本地区的实际情况建立了3套渗透率测井解释方法:一是在前人研究基础上改进了多元回归模型;二是在岩性识别的基础上分不同岩性建立了渗透率模型;三是利用BP神经网络进行了渗透率的预测。最后对传统的经验公式与文中的3种方法进行检验。结果表明,比起传统的经验公式和多元回归模型,基于不同岩性的渗透率模型与BP神经网络在实际应用中效果更好,较大幅度地提高了测井解释精度,在非均质性强的砂砾岩油藏中具有更好的应用前景。     

建筑物震陷预测新方法研究

利用人工神经网络的基本原理，本文修正了经典BP型神经网络的激励函数，并对学习率和训练样本进行了动态调整等多方面改进。根据70个多层建筑震陷的实测资料，在分析了建筑物震陷的影响因素基础上，提取了9个指标；采用改进后的BP算法，建立了多指标的建筑物震陷预测模型。研究结果表明，改进的BP网络性能良好，所建立的模型预测精度高，具有一定的工程实用价值；神经网络法是一种有效可行的预测新方法，人工神经网络技术具有广泛的应用前景。     

地震属性的拟测井反演及在煤层解释中的应用

描述了地震属性的拟测井反演方法,即从地震属性中反演能够反映煤层特征的拟测井曲线。该方法将钻孔处的测井曲线和地震属性作为样本数据,经过神经网络训练后形成网络模型,以此模型反演非钻孔处的地震属性,得到三维测井曲线数据体。该数据体纵向分辨率高,横向分布精确可靠,经过解释,提供高准确度的煤层空间分布情况。      

油藏描述中的测井资料综合解释──以葵花岛构造为例

借助葵花岛构造油藏描述的实际资料，较详细地叙述测井资料与地质、测试资料紧密结合，通过对四性特征分析，建立测井解释模型和各种解释图版，并建立起适合研究区不同储层的划分有效厚度的物性、电性标准。在储层渗透率计算方面采用先进的神经网络技术。从测井角度对储层非均质性进行精细描述，综合解释出油、气、水层，为储量计算和储层评价提供可靠的物性参数     

神经网络和分形几何方法在识别测井沉积微相中的应用

本文综合应用人工神经网络和分形几何等最新的模式识别数学方法，遵循地质家的思维方式，进行了测井资料沉积微相解释方法研究；并在工作站上开发了人机联作解释软件。将工作站系统在运算速度、人机交互及图件制作方面的优势与解释人员的经验和推理判断能力有机地结合起来，为测井资料沉积微相解释提供了新的技术手段和良好的计算机辅助工具。将其应用于辽河油田长北地区，对１８口井的沙海组上段～阜新组下段进行了沉积微相连续解释，取得了良好效果。     

油田开发阶段储层参数精细评价

以胜索油田为例,详尽论述了油田开发阶段储层参数精细评价的思路和方向,包括测井资料预处理与标准化、不同开发时期储层四性参数变化分析、测井解释模型建立及参数求取、储层参数模糊评价。开发阶段应通过储层四性分析,利用生产测试资料和神经网络方法建立测井解释模型及处理,能有效提高解释度。精细处理结果及模糊数学方法的应用,准确地定量表征了储层的优劣,在油田剩余油挖潜中产生了较好的应用效果。     

神经网络方法识别测井曲线形态

随着油田勘探开发程度的不断提高,要找到有利的油气聚集带以及在开发阶段提高油田采收率,都必须进行储层沉积相分析。这里介绍一种利用自组织神经网络识别曲线形态的方法。采用将测井曲线网格化,再利用自组织神经网络识别曲线形态,进而去判别沉积相。此方法可以对测并曲线形态进行识别,且消除了测井曲线中的不确定因素,运用该方法对实际测井曲线形态的识别基本正确。     

利用地震资料进行煤层厚度解释预测

利用C++语言基于Windows操作环境开发了适用于煤田地震资料解释的煤层厚度辅助解释系统。该系统采用人工神经网络非线性反演方法对煤层厚度变化进行解释,对煤层厚度和地震属性参数之间的非线性关系给出了定量描述,具有较高的解释精度。理论模型和实际资料试算结果表明:利用该系统进行煤层厚度解释,得到了较好的地质效果。      

塔河油田奥陶系碳酸盐岩岩溶储集体类型及划分方法研究

塔河油田奥陶系油藏储集体类型的多样性和复杂性,给常规测井定量解释带来了很大困难。此类油藏储集体类型的划分和识别对油田开发极为重要。根据6口关键井的电成像测井(FMI)和岩心样品特征,将塔河碳酸盐岩储集体划分为未充填洞穴型、垮塌充填洞穴型、机械充填洞穴型和裂缝型4类。依据其中5口井的常规测井响应和4类储集体划分结果,选用GR、RD、RS、K3(深浅侧向电阻率倒数差的绝对值)、AC、DEN和CNL共7种测井信息作为神经网络的输入学习样本,经学习训练建立了储层划分的神经网络模型。通过检验井对比,说明基于神经网络模型,通过常规测井的多参数约束,可以判断岩溶型储集体类型。经本次研究,初步形成了储集体半定量评价标准。     

基于人工神经网络模型的岩石特性预测

近年来,软计算技术被用作替代的统计工具。如人工神经网络（ANN）被用于开发预测模型来估计所需的参数。在本研究中,通过利用冲击钻进过程中的一些钻进参数（气压、推力、钻头直径、穿透率）和所产生的声级,建立了预测岩石性质的神经网络模型。在实验室中所产生的数据,用于开发预测岩石特性（如单轴抗压强度、耐磨性、抗拉强度和施密特回弹数）的神经网络模型,并使用各种预测性能指标对所建模型进行检验,结果表明人工神经网络模型适用于岩石性质的预测。     

Evaluating distribution pattern of petrophysical properties and their monitoring under a hybrid intelligent based method in southwest oil field of Iran

This study deals with reservoir characterization based on well log data using an unsupervised self-organizing map (SOM) and supervised neural network algorithms with the aim of clustering log responses into reservoir facies of an oil field located in southwest of Iran. In order to promote and justify the quality control and quantify spatial relationships for petrophysical properties, some of neural network-based approaches were introduced such as the SOMs as the intelligent clustering method compared with other hybrid methods, principal component analysis networks (PCANs) and multilayer perceptron (MLP) and statistical clustering (CA) methods. The results obtained from all the abovementioned methods are compared to each other, and the best option is selected based on accuracy and capabilities of clustering and estimation of the petrophysical data, concluding that for predicting any characteristic of the reservoirs, the appropriate network should be chosen and a unique network cannot be convenient for all of them. Accordingly, the SOM clustering technique was employed to classify the reservoir rocks. Based on the SOM visualization, the reservoir rocks were classified into six facies associated with specific petrophysical properties; among them, F6 expressed the best reservoir quality which is characterized by the low amount of density, highest DT, high amount of neutron porosity (NPHI), and lowest GR response. Ultimately, the performance of all the methods was compared to estimate the porosity and permeability within each facies. The results revealed the preference and reliability of PCAN in predicting porosity and confirmed the capability of MLP in permeability prediction. This study also indicates that neuro-prediction of formation properties using well log data is a feasible methodology for optimization of exploration programs and reduction of expenditure by delineating potentially oil-bearing strata with higher accuracy and lower expenses. The resulting neural net-based model can be used as a powerful and distributive system to reduce the high impact of risk in similar fields.     

A novel and generalized approach in the inversion of geoelectrical resistivity data using Artificial Neural Networks (ANN)

The non-linear apparent resistivity problem in the subsurface study of the earth takes into account the model parameters in terms of resistivity and thickness of individual subsurface layers using the trained synthetic data by means of Artificial Neural Networks (ANN). Here we used a single layer feed-forward neural network with fast back propagation learning algorithm. So on proper training of back propagation networks it tends to give the resistivity and thickness of the subsurface layer model of the field resistivity data with reference to the synthetic data trained in the appropriate network. During training, the weights and biases of the network are iteratively adjusted to make network performance function level more efficient. On adequate training, errors are minimized and the best result is obtained using the artificial neural networks. The network is trained with more number of VES data and this trained network is demonstrated by the field data. The accuracy of inversion depends upon the number of data trained. In this novel and specially designed algorithm, the interpretation of the vertical electrical sounding has been done successfully with the more accurate layer model.