基于人工神经网络的岩性识别方法

从神经网络的机理、特点出发,探讨了采用神经网络技术进行测井岩性识别的可行性及优越性,并以十红滩地区的找矿目的层为对象,进行了岩性分析与对比,为该方法的进一步应用开拓了前景。     

松辽盆地东岭地区深层火成岩测井特征与岩性识别

以松辽盆地东岭地区深层火成岩地层为研究对象,基于录井、岩心、薄片分析等岩性资料,建立火成岩岩性与测井响应的关系,绘制了利用测井响应识别火成岩岩性的图版。并利用自组织神经网络方法识别岩性,取得了良好的效果。     

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。     

自组织神经网络在测井储层评价中的应用

在测井储层评价过程中,岩性及流体性质的识别难度很大。当地层信息较少时,传统的交会图和有监督神经网络(如BP神经网络)等方法在识别岩性时会受到一定限制。为此.基于自组织神经网络的结构和原理,建立了岩性和流体样本数据集,利用自组织神经网络对样本数据集进行了训练和纠错,得到了数据集的聚类结果,通过选择合适的测井曲线和网络权值,以样本数据集的聚类结果作为分类基础,对岩性和流体进行了识别,获得了较好的效果,实际资料处理结果与岩心分析资料对比,吻合度高。     

PNN在煤田随钻测井岩性判识应用研究

介绍了PNN方法原理及其算法训练学习过程,详细阐述了网络识别岩性参数的选取、岩性识别模型的建立过程.通过对比研究PNN与其他6种岩性识别方法,分析相同条件下预测结果,得到不同识别方法的优劣性.经研究发现,PNN概率神经网络方法在生产应用中效果更佳、训练识别用时最短.利用人工智能神经网络对测井数据进行自动解释分析,可满足随钻测井时效性及快速解释处理的地质导向需求.     

应用信息粒方法构建测井岩性解释模型

基于模糊聚类、神经网络等常用测井岩性识别方法,提出应用信息粒(InformationGranulation)技术建立测井数据到岩性知识的映射模型。并以中国大陆科学钻探(CCSD)的测井数据为例,详细介绍了这种岩性解释方法的应用过程及其所取得的良好应用效果。     

人工智能神经网络在岩性识别、孔隙度和渗透率预测中的应用——以十红滩铀矿床为例

分析了传统测井解释方法的局限性。从神经网络的机理、特点出发,提出了一种基于人工智能神经网络技术的岩性识别、孔隙度和渗透率预测方法。首先选取适当的测井资料向量组成一个训练模式对,由多个训练模式对构成一个学习样本集。通过神经网络的学习,使网络记住这些特征并形成预测模型,最后根据预测模型计算相应参数。以十红滩地区的找矿目的层为对象,进行了岩性分析与对比,预测了孔隙度与渗透率,并与实测值进行了对比。上述实例分析表明,该方法用于砂岩型铀矿预测岩性、孔隙度和渗透率具有一定的可行性。与传统方法相比,该方法不需要建立具体的解释模型和计算公式,有较好的适应性和预测精度。基于人工智能神经网络技术的岩性识别、孔隙度和渗透率预测方法具有较高的实用价值。     

松辽盆地南部测井相的建立与测井相分析

笔者在前人提出“测井相”概念的基础上，针对研究区的实际情况和实用原则，将此概念扩展为“岩性-测井相”和“沉积-测井相”两层含义。通过对岩性测井响应参数和测井曲线特征的详细分析，建立研究区砂岩型铀矿找矿目的层的岩性-测井相和沉积-测井相以及进行测井相分析，同时利用测井曲线特征和测井响应参数值构建的地层岩性模拟剖面进行剖面沉积环境及其演变的分析。     

小波神经网络在测井油水解释中的应用

作者在本文中讨论了小波神经网络概念和油水测井曲线段的频率特性。以小波分析为数据预处理工具，首先用小波分解高频成分对测井曲线进行分段，然后应用小波分析提取出测井段的分频能量特征向量，以此向量代表井段的信息，并作为神经网络的输入，进行神经网络的测井解释，实现了小波神经网络的测井分段油水解释。     

木里地区水合物及岩性测井识别方法

木里地区由于断层、裂隙发育,以及多种岩性都存在天然气水合物,地质背景复杂,导致各种岩性的测井响应特征复杂,给天然气水合物及岩性识别带来一定的难度。本文通过分析多口井水合物及岩性的测井响应特征,利用直方图和交会图研究各种岩性在含天然气水合物或有水合物异常与不含天然气水合物时的测井响应的差异,找出对水合物反映敏感的测井参数,对该地区的水合物及岩性进行识别。然后综合利用对天然气水合物响应明显的自然伽马(GR)、电阻率(RT)、声波时差(AC)和补偿密度(DEN)等测井曲线,采用贝叶斯和BP神经网络两种方法识别岩性。识别结果与录井岩性吻合良好,准确识别出了含水合物地层的岩性,为木里地区寻找有利的天然气水合物储层提供了依据。     

火山岩岩性识别方法研究

岩性是测井储层评价的基础,在火山岩油藏的测井评价过程中,由于火山岩岩性定名方法的不统一以及岩性识别方法的不完善,使火山岩油藏的测井评价难以开展。采用国际地科联（IUGS）推荐的TAS图方法对火山岩岩样定名,并以此为基础,使用神经网络方法利用测井资料识别火山岩岩性。研究结果表明,利用传统的统计判别方法建立的测井资料与火山岩岩性的判别关系,识别符合率只有65%;而使用神经网络方法建立的判别关系,识别符合率可达81.8%。     

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。     

基于地层元素测井资料的沉积岩、岩浆岩识别方法

地层元素测井技术对沉积岩、岩浆岩岩性识别具有独特意义。通过分析收集的沉积岩、岩浆岩数据,提出利用Si、Ca、Al三种元素建立岩性识别图版,并利用Si、Ca、Al、Fe四种元素,建立神经网络模型。利用元素含量交会法建立岩性图版能准确划分沉积岩与岩浆岩的线性部分,BP神经网络对于解决元素含量与沉积岩、岩浆岩岩性之间的非线性关系具有独特优势。本文基于地层元素测井资料,利用岩性识别图版与BP神经网络,建立沉积岩、岩浆岩识别模型,用未参与建立模型的数据进行验证,证明模型的可靠性。本文的研究对于掌握元素含量识别岩性技术,拓展地层元素测井的应用能力具有重要的意义。     

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。      

齐家古潜山基岩裂缝的神经网络模式识别

在岩芯裂缝观测基础上，应用岩芯标定测井，分岩性建立了测井解释模型，分析了裂缝发育段在常规测井曲线上的响应特征，并结合钻井泥浆漏失、放空及开发动态资料，识别出典型裂缝段，将其测井响应作为训练样本集，应用神经网络模式识别技术的并行处理、分布式的信息存储、极强的自学习功能和自动调整权值的能力，对齐家古潜山76口井进行了裂缝段的识别，探索出一套综合岩芯、常规测井、测试与动态等信息进行裂缝分布预测的新方法，经钻探证实，效果良好。     

多尺度时频空三域特征联合下的储层岩性识别方法

针对储层岩性种类繁多、交替频繁、组成复杂，传统方法识别精度低、效率慢的问题，本文提出一种多尺度时频空三域特征联合下的储层岩性识别方法。该方法在原始测井特征的基础上引入了互补集合经验模态分解(CEEMD)的多尺度频域分量，从而提高测井曲线的纵向分辨率。此外，构建了注意力机制优化的多尺度卷积双向门控循环神经网络(CNN-BiGRU-AT)模型，对加入了多尺度频域分量的测井数据进行时空特征提取，从而实现了对测井数据时、频、空三域特征的联合学习，最后以注意力机制优化了模型输出，减少了错误信息的传播。为了验证方法可靠性，本文选取了资料较为完整的5口井数据进行实验分析。结果表明，在不同数据组合的对比实验中，加入多尺度频域分量在训练集和验证集识别准确率分别提高了9.50%和8.66%。在与不同模型对比实验中，本文方法在样本识别准确率达到了94.11%,与支持向量机(SVM)、BP神经网络、卷积神经网络(CNN)、双向门控循环神经网络(BiGRU)和CNN-BiGRU融合模型相比，本文方法识别准确率分别提高了16.21%、14.54%、11.69%、5.05%、3.38%。     

基于主成分分析的致密砂砾岩孔隙度测井评价方法

岩性识别是致密砂砾岩测井评价的重要工作。砂砾岩岩性多样、成分复杂,导致测井识别岩性准确率低、测井解释孔隙度不准确。以东营凹陷北部陡坡带沙四下亚段致密砂砾岩为例,在对其岩石学特征分析的基础上,按照岩石类型和骨架矿物差异给砂砾岩分类,利用铸体薄片资料对测井曲线进行岩性标定,提取各种岩性的测井响应特征,在此基础上建立了基于主成分分析的测井岩性识别方法,并分岩性建立了孔隙度测井评价模型,提高了砂砾岩测井岩性识别和测井孔隙度计算的准确率。     

利用主成分分析法优化BP神经网络模型在砂砾岩岩性识别中的应用

准噶尔盆地玛湖凹陷JL57井区上乌尔禾组发育块状砂砾岩储层,砂砾岩可以细分为粗砾岩、中砾岩、细砾岩、中粗砂岩和粉细砂岩5类岩性,有效储层为中砾岩、细砾岩和中粗砂岩3种岩性,如何识别出有效储层岩性,是油田生产试油选层亟待解决的问题。传统利用测井曲线与岩性间简单线性关系的交会图法无法满足油田生产对岩性识别的要求,而传统利用非线性关系的BP神经网络模型岩性识别方法,虽然能识别部分砂砾岩种类,但该方法需要输入参数多,运算量大,识别结果准确率一般。本文探索性利用主成分分析法先从自然伽马、自然电位、地层电阻率、声波时差、密度、补偿中子6种测井曲线中计算出主成分特征值X、Y、Z三个参数,然后用三个特征值参数替代传统BP神经网络模型中6个油气参数作为新的输入参数,与传统BP神经网络模型对比,简化了BP神经网络模型的网络结构,减少了模型计算量,而且岩性识别准确率得到了有效提高,有效地解决了研究区测井识别岩性问题。     

多方法融合判别复杂砂砾岩岩性

砂砾岩储集体为快速沉积环境下形成的沉积物,具有很强的非均质性,因此,利用测井数据进行岩性识别的结果准确性较差。笔者针对该问题,从砂砾岩储集体中岩性测井特征提取和模式识别算法2方面进行分析。在测井特征提取上,针对其粒度跨度大、成分复杂、过渡岩性测井特征多样的特点,利用沉积相、物源体系控制岩石的成分和结构特征的多样性,达到准确提取岩石骨架颗粒参数的目的。在模式识别算法上,选取支持向量机、极限学习机和概率神经网络3种基于不同分类原理的模式识别算法,构建SEP岩性判别算法。在松辽盆地南部梨树断陷下白垩统营城组砂砾岩储集体岩性识别中,采用SEP法,利用GR-AC-CNL-DEN-RLLD-w(K-PE测井数据组合,对13口钻井的284块样本岩性进行判别,SEP识别结果与3种单方法相比,能够提高岩性判别结果的准确性和稳定性,识别符合率均值达到83.64%。     

基于深度学习方法的测井岩性识别研究

采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。