基于PSO-SVM的测井岩性识别方法研究——以南图尔盖盆地K油田古生界(Pz)储层为例

南图尔盖盆地K油田古生界(Pz)岩性多样、孔隙结构复杂,针对常规岩性解释方法对该储层岩性识别准确度未达到预期效果,严重制约了测井储层解释等问题,提出基于粒子群算法优化支持向量机(PSO-SVM)的岩性识别方法.通过岩心资料分析不同岩性的测井响应特征,建立测井相识别图版.选择对研究区岩性敏感的自然伽马、阵列感应电阻率、声波、中子、密度与光电吸收截面指数等七条测井曲线参数作为输入特征值,以粒子群算法优选合适的支持向量机参数(惩罚因子和核函数参数)对研究区4口取心井进行样本学习,建立基于PSO-SVM的岩性识别模型,其识别准确率达到了97%.相对于传统SVM算法,PSO-SVM岩性识别模型预测结果的速度更快,精度更高.通过将该模型应用于取心井与试油井,在正确识别岩性的同时,有效提高了测井储层解释的准确性.结果表明,在K油田复杂岩性识别中应用PSO-SVM方法,可为提高测井储层解释的准确性提供较可靠的岩性依据.     

测井数据岩性识别软件系统的开发与应用

利用BP神经网络方法识别岩性技术为理论基础,编制了集测井数据岩性识别、测井基础数据管理以及测井柱状图自动绘制等功能为一体的测井数据处理软件系统.利用彬长矿区标准化的实际基础数据,对该软件系统的岩性识别功能进行了检验,获得了较高的识别速度和准确率.应用结果表明,该软件系统具有一定的实用价值.     

面向复杂储层的非均衡测井数据的岩性识别

针对常规岩性识别方法在复杂储层的非均衡测井数据准确率不高的问题,本文提出了一种面向复杂储层非均衡测井数据的多层BP神经网络的岩性识别算法.根据测井数据的特点及测井数据间的非线性关系,对测井数据进行均衡化处理,利用多层BP神经网络进行逐层岩性识别.在13个含油气盆地的7793个地层元素测井数据中测试表明,本文提出的方法在数据非均衡比达到1∶6的情况下,岩性识别的符合率仍能达到92%以上,在复杂储层的岩性识别方面具有很好的应用前景.     

基于深度信念网络的多采样点岩性识别

岩性识别是储层预测中的一个重要环节.一方面,传统的机器学习算法缺少特征自动提取的过程,且不能有效利用地震数据局部特征预测储层;另一方面,采用单一采样点作为输入,缺失相邻数据关联关系反映层位信息.针对此不足,本文以多个相邻采样点的地震数据作为输入和测井岩性数据作为输出,利用受限玻尔兹曼机(RBM)对多采样点地震数据进行特征提取,逐层堆叠受限玻尔兹曼机(RBM)构建深度信念网络(DBN),并采用随机梯度下降算法对误差进行反向传递学习,最终构建岩性识别模型.以多点地震数据为输入,利用该模型实现地层岩性识别.通过多种智能建模方法实验对比,证实了多个采样点作为输入,隐含利用了部分地层信息,有效地提高了岩性识别的精度.     

自组织特征映射神经网络在测井岩性识别中的应用

为了解决测井岩性识别问题,引入具有较强的聚类和容错能力的自组织特征映射(SOFM)神经网络．在说明SOFM网络的模型和算法的基础上,结合某地的实际测井资料,建立SOFM网络岩性识别模型,进行岩性识别的应用研究．结果表明,识别的准确率较高,证明SOFM网络可以用于解决测井岩性识别问题,具有很好的应用前景．     

基于马尔科夫随机场的岩性识别方法

通过地震反演数据识别岩性,是地震反演的一项基本任务.由于不同岩性的弹性参数范围常常存在一定程度的重叠,所以给岩性识别带来了很大的困难.本文以叠前反演的弹性参数为基础,通过马尔科夫随机场(Markov Random Field简写为MRF)建立先验模型,按照解释好的测井资料,对不同岩性的弹性参数进行统计,得到计算所需的参数,在贝叶斯(Bayesian)框架下建立岩性分类的目标函数,达到岩性识别的目的.通过马尔科夫随机场建立先验模型,能够建立相邻点间的相互作用关系,得到横向上延续的岩性剖面.本文使用一个楔形模型和Marmousi Ⅱ模型对该方法进行了测试,结果表明,该方法有效可行.同时,本文通过加入误差的方法,检验了反演存在误差对识别结果的影响.     

基于DBN模型的火山岩岩性识别方法——以车排子地区为例

准噶尔盆地西北缘红车断裂带石炭系火山岩储层历经火山多期喷发形成,岩石矿物组成与岩石结构复杂、岩石类型繁多,导致常规方法识别岩性存在困难.为了能提高火山岩岩性识别精度,提出一种基于深度置信网络(DBN)识别岩性的方法.本文通过对薄片鉴定资料、岩心观察资料及测井数据统计分析,根据火山岩类型总结的测井响应特征绘制交会图,发现...     

利用BP神经网络法对致密砂岩气藏储集层复杂岩性的识别

在岩心和录井资料较少,又非常依赖测井资料进行地质综合解释的研究区域,利用测井资料进行岩性识别是一项基础而又重要的工作.测井资料的数据种类虽然较多,但对岩性敏感的曲线较少,因此,如何优选对岩性敏感的测井曲线,然后进行网络学预测岩性,则显得尤为关键.在进行BP神经网络学习前,利用已知岩心资料,优选了本研究区对岩性较为敏感的自然伽玛和光电吸收截面指数这两种测井曲线,并做标准化与归一化处理,以消除测井系列、型号和测井曲线度量单位的不同引起的刻度和数量级误差,从而提高网络收敛速度,建立准确岩性识别模型,识别了未取芯井的岩性.研究结果表明,利用优选输入向量的BP神经网络法对苏里格气田复杂岩性进行识别,识别准确率较高,平均符合率达到了近90%.因此,通过采用该方法对岩性的识别,也为后续基础性研究工作提供了宝贵的一手资料.     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

基于连续限制玻尔兹曼机的支持向量机岩性识别方法

基于测井数据分析的岩性识别是油气地球物理勘探的基础性问题之一.支持向量机(SVM)是目前分辨能力最高的岩性识别方法,特征优化可提高SVM的识别正确率,该方法采用主成分分析(PCA)进行目标特征提取,易受特征选取的影响.针对诸如白云岩和灰岩的区分等测井响应差别不明显,岩性区分困难而又必须进行的问题,本文引入概率生成模型连续限制玻尔兹曼机(CRBM)进行测井数据岩性特征提取,然后再运用SVM在提取特征上进行岩性识别.运用所发展的CRBMSVM进行川西海相灰岩及白云岩的识别,正确率达到了81.9%.基于同样的支持向量机,CRBM提取特征识别正确率要高于PCA提取特征.