基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法

密度测井曲线作为常规测井曲线中的一种,有着丰富的地质信息,通过对其进行分析解释,可以获得地层岩性、岩石密度和岩层孔隙度等参数.然而,在实际获取密度测井曲线的过程中,由于仪器故障、人为因素等原因,不可避免的会出现部分密度测井数据失真甚至缺失的情况.针对这一问题,本文提出一种基于条件生成对抗网络(CGAN)的密度测井曲线重构技术解决上述问题,其中条件生成对抗网络的生成器和鉴别器主要由一维卷积网络(1D-CNN)和门控循环单元网络(GRU)构成.通过条件生成对抗网络(CGAN)的对抗式训练方法可以使网络具有更强的学习能力,更加有效的挖掘出测井序列的长期非线性相关性、历史数据之间的关联性等关系.将该方法应用于实际的测井数据中,并与传统的神经网络方法相对比,结果表明本文提出的方法优于传统的神经网络方法,能够生成更加符合实际情况的曲线.     

测井声波时差反演重构技术研究及应用

利用测井声波时差、自然电位和伽玛重构声波时差,分析了以上3种曲线结果对地质体响应方面的机制差异,给出了这些曲线的深度相对移动校正的方法。研究了多条测井曲线去噪的协方差矩阵特征向量滤波方法。在此基础上,利用小波多尺度分解技术进行声波时差曲线重构。在分析这3种测井曲线不同尺度小波分解结果的信号和噪音特点后,利用相邻分解尺度相关滤波技术,对各种曲线的小尺度(高频)分解结果进行滤波处理。为保证重构声波曲线的真实性,深入分析了多曲线、多尺度分解结果的冗余性(相关性)问题;利用特征值技术,对高频多尺度分解分量进行了非相关(正交)分析,最后实现了声波时差曲线的重构,并对重构结果与钻井岩心录井资料进行了对比验证,重构后的声波曲线在区分砂、泥岩性分辨率方面具有明显的提高     

基于相空间重构和改进最优分割法的自动分层模型

本文提出了相空间重构和最优分割法相结合的自动分层模型.为消除噪声对模型的影响,提出利用基于相空间重构的非线性去噪方法对测井数据进行处理,增加自动分层结果的准确性,并对确定层界面深度的方法进行了改进,引入了一个新的统计量.最后采用某井的测井数据,利用改进后的自动分层模型实现了自动分层,效果良好,验证了模型的可靠性和实用性.     

测井曲线自动分层方法回顾与展望

本文将测井曲线自动分层方法分为数理统计方法、非数理统计方法和人工智能三大类,并对其中常用的层内差异法、有序聚类分析、极值方差聚类方法、自组织神经网络、模糊识别方法、活度函数法、小波变换和Walsh变换等自动分层方法的算法和优缺点进行了分析.综合比较各类自动分层方法的优缺点,结合测井响应的地质和物理基础认为,虽然自动分层方法众多,从不同的角度试图解决分层问题,但都存在一定的缺陷;今后,测井曲线自动分层方法应在去噪、提高测井纵向分辨率与自动分层方法的进步和联合应用上有所研究,才能够为应用测井资料进行岩性识别、测井相分析、储层划分、储层参数等研究提供更有利的技术支撑.     

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.     

一种基于遗传算法的测井曲线高分辨率处理方法

测井曲线高分辨率处理是提高薄层测井解释精度的一条重要途径.在纵向分辨率匹配技术基础上,利用遗传算法进行测井曲线分辨率处理：先由遗传算法在频率域确定滤波器,然后使用分辨率匹配技术提高测井曲线分辨率.利用该方法对中原油田和新疆塔河油田多口井的八侧向、深感应、自然伽马等多种方法的测井数据进行处理,测井曲线的分辨率得到明显提高,使得其更加适合薄层高分辨率处理解释的需要.     

基于沃尔什变换和高斯模型的测井曲线分层方法

在分析了单独利用沃尔什变换或高斯模型进行测井曲线自动分层优缺点的基础上,提出了一种沃尔什变换和高斯模型联合的测井曲线自动分层方法.该方法融合了沃尔什变换简单、快速的特点,同时又利用了高斯模型对沃尔什变换分层的边界进行校正,实现了测井曲线由粗到细的分层过程.实例应用表明,该方法能够利用多条测井曲线进行自动分层,效果良好,验证了模型的可靠性和实用性.     

基于CNN-LSTM-VAE混合模型的储层参数预测方法

利用测井资料预测储层参数是油气田开发的重要内容.针对现有储层参数预测模型精度低,不能很好的提取测井曲线和储层参数之间潜在关系的问题,本文将卷积神经网络(CNN)和长短期记忆网络(LSTM)结合,提出基于变分自编码器(VAE)的CNN-LSTM混合模型.首先,提出了测井数据的分析方法,包括参数相关性分析和井间的相似度分析.其次,利用CNN提取每条测井曲线的空间相关特征向量,并使用LSTM网络提取测井曲线相邻深度之间的时间特征.最后,采用VAE结构,根据训练数据的深层特征再次对CNN-LSTM模型生成的泥质含量初步预测值进行修正.以大庆油田地区某井场数据验证该模型.仿真结果表明：与LSTM神经网络模型、CNN-LSTM网络模型相比,本文CNN-LSTM-VAE模型具有更好的时空特征提取能力,能够更准确地预测储层参数,可为储层参数预测提供新思路.     

提高薄储层测井曲线纵向分辨率方法研究进展综述

测井曲线受围岩影响分辨率降低,使得其测井响应值与地层真实值存在一定的差距,影响着薄储层的识别和挖潜.为了解提高测井曲线分辨率方法的研究现状,本文通过文献调研,将方法归纳为三大类：(1)基于测井原理的方法,此方法是目前提高测井曲线分辨率的主流方法,有地球物理意义,且理论成熟,易操作实现,但一般适用于处理线性响应曲线及感应电阻率曲线;(2)数学函数及公式方法,此方法有数学理论作为支撑,处理资料速度快,可以与其他方法结合对测井曲线进行处理,但还需要更多理论的探索及研究;(3)时频分析及机器学习方法,此类方法种类多样,是未来发展的趋势,但在测井曲线分辨率提高上应用的不多,且需要多次实验才能确定最优分辨率.最后比较了三种方法的优缺点并给出了选择建议,该研究对提高测井曲线分辨率方法的优选具有一定的参考意义.     

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.