共查询到20条相似文献,搜索用时 15 毫秒
1.
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. 相似文献
2.
岩性识别是一项重要的地质基础研究内容.以交会图为代表的常规岩性识别工具虽然在构建的二维或三维图版中能够依据手动归类的测井数据点集来明确各种岩性的一系列测井响应判定,但却无法适用于致密砂岩储层,其原因是该类储层的岩性成分不仅复杂,且较多岩性的测井响应特征具有相似性.根据机器学习在数据分析上的强大性能,本文提出利用在模式识别方面能力出众的GBDT模型来解决岩性识别问题.本文以姬塬油田西部长4+5段致密砂岩储层测井资料为基础,通过设计两种实验来验证提出模型的岩性识别能力.为提高验证效果,在实验中加入BP、PNN和KNN三种传统模式识别模型进行对比.实验结果显示,GBDT识别准确率最高,分别为90.14%和90.41%.基于GBDT较传统模式识别模型能够给出更为准确的预测值,实验结果充分证明了提出模型不仅能有效识别致密砂岩储层岩性,在岩性识别研究领域上还具有良好的推广应用前景. 相似文献
3.
《地球物理学进展》2015,(3)
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. 相似文献
4.
神经网络在石油测井解释中的应用综述 总被引:2,自引:0,他引:2
常规测井解释往往通过"四性关系"研究建立储层参数解释模型,将测井信息转化成地质参数开展储层评价,但对于复杂岩性储层、低渗低阻等储层而言,将测井信息转化为储层参数及利用测井曲线开展储层评价往往存在多解性.作为一种非线性数学方法,神经网络具有多信息融合、综合预测的功能,在解决一些复杂、非线性问题领域展示了强大的生命力.将神经网络引入石油测井解释中,综合利用多种测井信息开展岩性、物性及含油性分析,可有效提高石油测井解释的精度和效率;利用神经网络技术开展流体性质识别和储层裂缝研究可有效破解此类世界性难题.为此,本文对神经网络技术在石油测井解释中的应用进行了综述,并对应用中应注意的事项进行分析,最后进行了应用展望. 相似文献
5.
6.
7.
辽河盆地东部坳陷储集层由火山多期喷发形成,岩相岩性复杂,岩性以中、基性火山岩为主.本文将火山岩的岩心及岩矿鉴定资料与测井数据进行整合,应用测井数据建立支持向量机(SVM)两分类和多分类岩性识别模式.首先,深入研究支持向量机二分类及"一对一"、"一对多"和有向无环图三种经典多分类算法的基本原理及结构;然后,总结研究区域火山岩岩石特征,分析测井数据的测井响应组合特征,选择40口井中岩心分析和薄片鉴定资料完整、常规五种测井曲线(RLLD,CNL,DEN,AC,GR)齐全的1200个测井数据作为训练样本,构造三种支持向量机岩性识别模式;最后,对4测试井中800个测井数据进行岩性识别,识别结果与取心段岩心描述和岩心/岩屑薄片鉴定资料对比,实验结果表明有向无环图更适合辽河盆地火山岩的识别,识别正确率达到82.3%. 相似文献
8.
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. 相似文献
9.
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. 相似文献
10.
11.
12.
辽河坳陷中央凸起中南部基底变质岩类型多样,测井岩石物理参数与岩性之间的映射关系复杂,测井响应多解性强,导致传统的测井岩性识别方法结果不精确.本文采用基于自适应粒子群参数优化的最小二乘支持向量机算法进行变质岩的测井多参数岩性识别.通过变质岩测井岩石物理分析,优选出对岩性敏感的自然伽马、自然电位、声波时差、深侧向电阻率、密度和补偿中子6种测井参数作为特征输入,以自适应粒子群算法优化最小二乘支持向量机参数,构建岩性判别模型,预测目的层段变粒岩、混合花岗岩、混合片麻岩、混合岩和角闪岩5种类型变质岩的垂向分布.与支持向量机、K最邻近及人工神经网络算法的岩性识别效果相比,本方法判别准确率最高,符合率为90.17%,在随机划分的10次样本预测中本模型稳定性最强,分类性能最好,平均AUC值为0.974,有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题. 相似文献
13.
14.
《地球物理学进展》2016,(5)
叠前弹性反演是目前岩性气藏储层预测的主要技术,仅仅使用纵波阻抗反演预测储层在理论和准确性方面都存在着一些不足,反演的多解性更是其致命的缺陷.本文从横波测井资料不同岩性、流体的岩石物理参数分析入手,优选能够区分岩性和流体的最佳敏感弹性参数,通过叠前反演获得反映储层岩性和含气性的弹性参数体,最后进行地震弹性参数交汇解释预测储层和识别流体.将纵向分辨率较高的测井岩石物理参数分析和横向分辨率较高的地震叠前反演结合起来,应用多个弹性参数,明显提高了储层预测的精度.地震数据中的AVO信息得到了充分的应用,采用纵波独立变量求解Zoeppritz方程.为有效储层预测和流体识别探索出了新途径.在靶区利用叠前弹性纵横波速比的属性,刻画出五级层序单砂体,在此基础上确定建议的水平井井位及其轨迹,通过叠前弹性反演比P波数据独立反演钻井成功率提高了10%以上. 相似文献
15.
数据挖掘是从大量的、不完全的、有噪声的、模糊的数据中提取隐含的、但又是潜在有用的信息和知识的过程,由于数据挖掘具有出色的非线性建模能力和自组织学习能力,因此可以在复杂储层的测井解释中发挥作用。本文用数据挖掘方法识别复杂储层的岩性。将岩性识别作为一种分类任务建立数据挖掘流程,包括特征提取、特征选择和建立模型等步骤。本文用独立成分分析法从测井曲线中提取信息;然后使用分支定界算法寻找最佳的特征子集,并消除冗余信息;最后采用C5.0决策树算法建立分类模型的测井曲线。模型和实际测井数据吻合较好,表明在复杂油藏的研究中数据挖掘方法是有效的。 相似文献
16.
岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine,IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识别效果. 相似文献
17.
深度学习是一种高效的特征提取方法,它能够提取数据中更加抽象的特征,从而有效地解决复杂的非线性问题.本文将深度学习技术应用于地球物理测井的岩性识别中,构建了一个基于Re Lu激励函数、Adagrad优化算法、Softmax回归层等技术方法整合的深度神经网络模型,利用自然伽马、深感应、岩性密度、中子-密度孔隙度和平均中子-密度孔隙度5种测井参数,以及陆相-海相指示和相对位置2种地质约束变量作为输入变量训练深度神经网络模型.通过对实际井数据的测试验证取得了非常理想的效果,展示了将深度学习技术应用于地球物理的良好前景. 相似文献
18.
岩性作为一种重要的储层物性,其包含了重要的流体信息及储层特征,对其准确的识别可以为储层预测工作提供重要基础.我国一些河流相油气藏沉积环境复杂,多期叠置等问题造成储层砂体隐蔽的现象.为有效的识别隐蔽河道砂体,本文发展了一种基于远减近衰减梯度属性与Bi-LSTM神经网络联合的隐蔽河道砂体识别方法.该方法以远减近地震衰减梯度属性凸显隐蔽河道砂体为基础,以此为输入,河道砂体作为标签,借助Bi-LSTM深度神经网络构建输入数据与砂体岩性间的非线性关系.应用该方法进行川西中江气田某工区隐蔽河道砂体识别,识别出了此前未曾发现的隐蔽河道砂体,并刻画出了2条隐蔽河道. 相似文献
19.
20.
杭锦旗地区十里加汗区带是中石化高度关注的地区,但其下石盒子组和山西组存在储层井眼条件差、储层致密物性差、岩性复杂、地层水矿化度变化较大等问题,导致气水层识别难.分析了前人研究工作存在的问题,提出削弱或排除井眼扩径影响,突出流体贡献,构建流体识别的气敏感因子和综合多种敏感测井参数进行综合识别的思路和方法,并将其应用于十里... 相似文献