BP人工神经网络柑模型在测井资料岩性自动识别中的应用

本将神经网络模型引入测井资料的处理和解释中，以油田，煤田的实例资料作油层，煤层和其它岩性的自动识别，并以识别结果说明该方法的有效性和可靠性。     

利用人工神经网络自动识别煤田测井岩性

介绍采用人工神经网络（ＡＮＮ）模型，借助于误差逆转播算法，应用到煤田测井岩性自动识别中，效果较好。为提高该方法的实用性，通过对误差逆传播算法的改进，并经过验算，表明了其优越性；文中采用多层人工神经ＢＰ网络模型，对较大样本（４８组）进行学习，可以识别８种岩性，说明了该方法的实用性。     

利用测井资料横向预测储层岩性的分式布朗插值方法

文章主要探讨用分式布朗插值的方法对有限的测井资料进行随机井间插值，作出井间区域的声波井剖面，从而将测井的“一孔之见”推广开去，即可以描述储集层的非均质性的空产是分布，又为油气检测提供了一个新的辅助手段。     

应用测井资料自动确定岩性的计算机程序

在复杂岩性地层的测井资料解释工作中,用常规的双矿物模型已无法对地层岩性进行准确的分析。为此,设计了应用测井资料自动确定岩性的计算机程序。该程序应用常规测井资料,使用取芯井段选择标准层,建立各种岩性模式,根据这些模式对未取芯井段或井进行逐层岩性统计判别,绘出一个完整而连续的岩性剖面。文中以 X 地区 Y 构造 B 井为例,说明这一程序在应用测井资料自动确定岩性方面具有较高的精度。     

神经网络模型在测井岩性识别中的应用

用山西赵庄1603孔测井资料作样本,应用反向传播(BP)神经网络进行处理,以达到自动识别岩性的目的;并对选择网络结构参数、学习样本等作了简要介绍,以此样本作为标准来预测潘庄0601孔测井相所对应的地质相特征,预测结果令人满意。     

GA-BP神经网络模型在彬长矿区测井岩性识别中的应用

为提高测井岩性识别的自动化程度和地质解释精度,在分析遗传算法(Genetic Algorithm,简称GA)与误差反向传播算法(Back-Propagation,简称BP)各自特性的基础上,针对BP算法在反演中测井数据识别样本大以及BP算法本身存在的缺陷,提出了利用GA算法来同时优化BP神经网络的结构和连接权值的解决方案,建立了基于GA优化BP神经网络的测井数据岩性识别模型。该模型通过彬长矿区实际数据的检验,获得了较高的识别速度和准确率。     

地震岩性预测方法及应用

本文详细论述了地震岩性预测的方法原理和应用研究，它将地震剖面转化成地震岩性剖面，精确地再现了地下地质剖面特征，应用实例证明，地震岩性预测方法具有广泛的应用前景，它提供了利用地震资料定量求取岩性信息的新途径。     

用测井资料预测煤层瓦斯含量

将测井资料中视电阻率及伽马伽马与实验室分析出的煤样瓦斯含量进行回归分析，建立回归方程。进而运用其预测出其他煤层瓦斯含量并与实验室分析结果对比，误差较小。证明用测井资料预测煤层瓦斯含量是可行的，从而进一步推广了测井资料的实际应用价值。     

测井资料计算机自动分层与岩性识别

在测井资料格式转换、环境影响校正、平滑滤波、标准化和加权等预处理的基础上,应用系统加权综合曲线信息法、曲线活度分析法进行测井资料自动分层,用概率统计法、聚类分析法实现测井曲线自动岩性识别,形成了一套完整的测井资料计算机处理解释系统     

3D3C地震资料在煤系地层岩性预测中的应用

各种不同的岩性在纵波和横波速度上均存在交集 ,因此单纯依靠任何一种波场速度是无法预测岩性的 ,但P波与PSV波的速度比或泊松比就可以大大减小各岩性间存在的交集容量 (Garotta ,2 0 0 0 )。速度比或泊松比除了可以反映岩性外 ,还是很好的油气识别参数。在对钱家营煤矿三维三分量 (3D3C)地震数据的构造和层位解释的基础上 ,我们利用P波和PSV波的时差特点 ,分别计算了煤层层间的速度比 ,以预测岩性的变化 ;利用P波和PSV波反射和频带特征的差异及纵波波阻抗和横波波阻抗的差异对比识别薄层 ,并进一步研究了煤系地层顶底板沉积相的变化…     

测井约束地震岩性预测方法及应用——以汤原断陷达连河组SD2 段为例

为精细刻画汤原断陷达连河组的岩性展布, 运用测井约束地震岩性预测方法, 利用研究区丰富的井震及钻井资料, 拟合速度- 岩性间的函数关系, 经高精度层序地层约束后, 进行岩性预测。预测结果符合率达86% , 揭示了目的层岩性空间展布规律: 沉积厚度高值区和砂体厚度中心主要分布于控盆断裂一侧, 在研究区内主要分布于靠近盆缘断裂的东部凹陷带。     

BP神经网络在测井岩性识别中的应用

在岩性识别方法中，人工神经网络方法由于其识别结果客观可靠，得到越来越广泛的应用。研究选用BP神经网络，对金衢盆地的金66测井的岩性进行了识别，并对改善BP神经网络收敛性能的方法了有效探索。     

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。     

随钻测井中岩性识别方法的对比及应用

岩性识别是对地层认识及储层参数求解的基础,受沉积环境复杂性和非均质性影响,传统岩性识别方法已不能满足实际生产需要。针对传统识别方法容错能力差、自动化程度低和解释精度低的问题,通过应用神经网络自主学习预测分析手段,对比分析当下几种流行的岩性识别方法,选出更为适合现场实用的方法应用到随钻测井系统中。经研究发现,在预测方法及测井曲线相同的情况下,获得标准层段训练样本越多,准确率越高。通过对比得出结果：PNN概率神经网络方法在生产应用中效果更佳、识别准确率高、训练识别用时最短,在获取较少测井资料信息时,仍能保持较高的识别水平。     

RPROP算法在测井岩性识别中的应用

为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法--Resilient Backpropagation (RPROP)算法。在说明RPROP算法的基础上,结合某地的实际测井资料,建立基于RPROP算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用RPROP算法进行测井资料岩性识别,识别的准确率较高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景。     

火山岩岩性的测井识别

火山岩岩性识别是火山岩储层和火山岩油气藏描述的基础。识别含油气盆地中的火山岩岩性最直接有效的方法是岩芯分析 ,但不可能在每口井中都取芯 ,因此利用常规测井资料进行火山岩岩性的识别成为了必然的选择。这里选取松辽盆地徐家围子断陷营城组为实例进行研究。徐家围子断陷是松辽盆地内的一个较大的中生代断陷 ,下白垩统营城组发育于断陷晚期 ,分布面积广 ,火山岩发育。岩芯观察、薄片鉴定、岩芯测试分析表明 :营城组火山岩岩性有玄武岩、玄武安山岩、安山岩、英安岩、流纹岩、火山角砾岩、凝灰岩、安山玢岩和流纹斑岩等。通过对测井曲线…