低渗透储层不同成岩相微观孔隙结构特征及其测井识别差异性分析：以姬塬油田王盘山长61储层为例

基于铸体薄片、扫描电镜、岩心照片、恒速压汞等资料,综合考虑物源、黏土矿物类型、孔隙类型、成岩作用等参数将王盘山长61储层划分成6种不同组合类型成岩相,其中优势储集成岩相为高岭石+绿泥石胶结-粒间孔相、高岭石胶结-溶孔+粒间孔相、绿泥石+高岭石胶结-溶孔相等。研究表明:不同类型成岩相的微观孔隙结构特征及测井响应特征不同,各成岩相微观孔喉差异明显,尤其体现在毛管压力曲线和喉道上,喉道半径与渗透率的相关性好于孔隙半径与孔隙度、渗透率的相关性,优势成岩相孔喉半径较均匀、连通性好、渗流能力较强,相同进汞压力条件下进汞饱和度高;利用自然伽马、声波时差、电阻率等测井曲线,归纳了不同成岩相的测井响应特征,建立了各成岩相测井响应识别模板,确定了不同成岩相的测井响应定量判别标准,最终实现储层纵向上成岩相的识别与划分,为低渗透砂岩储层甜点预测提供重要参考。     

基于虚拟样本生成的致密砂岩储层参数预测

由于孔渗统计回归和测井解释方法在致密砂岩储层参数预测中表现不佳,人工智能方法被广泛应用于致密砂岩储层参数预测中。然而,可用的岩心数据很难满足人工智能大量学习样本的要求。因此,提出了基于高斯混合模型的虚拟样本生成方法,以解决缺乏训练样本的问题。该算法的通过拟合原始样本的分布来生成虚拟样本,填充了小样本数据之间的信息缺失。通过标准函数测试,该方法能有效生成训练数据,实际工区孔隙度和渗透率预测对比试验表明,经过虚拟样本扩充数据集后,模型的预测准确率分别提高了9.7%和18.6%,表明所提出的方法可以有效地提高小样本条件下的模型预测精度。     

基于BP神经网络的测井相分析及沉积相识别

测井相分析是研究地层沉积相的一种手段。利用基于BP神经网络的测井相分析进行沉积相识别研究,首先将已知地区地层剖面划分为有限的测井相,通过对岩心及其对应的沉积相进行研究,用数学方法及知识推理确定各个测井相到沉积相的映射转换关系,并利用这种关系,建立沉积相库。在此基础上,运用MATLAB中的工具箱建立BP神经网络模型,把已知沉积相的测井曲线特征作为样本进行训练学习,并将提取的测井曲线特征进行分类识别,从而确定地层的沉积相。应用表明,BP神经网络能够快速完成沉积相识别,可靠性较高,可以用于测井相分析及沉积相研究。      

基于改进雨林模糊神经网络模型的页岩储层总有机碳含量评价方法

由于采用常规测井曲线评价页岩储层总有机碳含量的精度不高,泛化能力不强,需要大量样本。针对这些问题,改 进了神经网络算法,以增加模型的预测能力。利用模糊系统优化细胞神经网络结构,以增强其逻辑推理能力,提高其对模 糊数据的敏感性;选择能有效避免“虚拟碰撞”的雨林算法,并针对其存在的缺陷进行改进;利用改进雨林优化算法对网 络的初始权值阈值进行优化,避免网络陷入局部极小。分析测井特征曲线的物理意义,选择密度测井曲线与自然伽马能谱 测井曲线作为网络的输入,以总有机碳含量作为输出,通过70块岩心样本网络学习与26块岩心样本预测,证明了新网络模 型的优越性。结果表明,新模型回判将相对误差从23.189%减小到17.185%,预测相对误差由52.421%减小到15.158%,具 有更强的学习能力与泛化能力,更适用于页岩储层总有机质含量的测井评价。     

低孔低渗储层渗透率测井解释模型研究

采用岩心分析数据与测井曲线相结合的方法,引入泥质含量参数配合声波时差进行多元线性回归分析。建立鄂尔多斯盆地研究区低孔低渗储层渗透率测井解释模型。根据泥质含量特征二次分类后进行多元线性回归,建立两个渗透率测井解释模型相关性良好,对应于研究区两种不同的沉积微相特征;测井解释渗透率与岩心实测渗透率匹配良好,解释模型满足研究区精度要求。在沉积微相背景约束条件下,对研究区储层选择合理参数多元线性回归建立渗透率测井解释模型,可以使低孔低渗储层渗透率解释达到良好应用效果。     

测井建模在柴北缘油页岩评价参数解释中的应用

通过施工油页岩参数孔,获得油页岩测井与测试数据,在分析油页岩测井曲线响应特征的基础上利用在鱼卡煤田施工的Y-1Y孔资料建立基于ΔlogR模型的油页岩测井解释模型,并在鱼卡、团鱼山、全吉山地区施工钻孔进行验证。验证结果表明,利用油页岩测井模型预测的含油率与实测含油率接近,并与有机质的含量(TOC)高度相关,预测结果较为可靠。利用该模型对以往煤炭钻孔测井资料进行二次开发,可以获得厚度、埋深和含油率等与油页岩评价相关的参数。     

不同沉积微相致密储层的成岩响应及其控储机理 ——以鄂尔多斯盆地西部延长组为例

沉积微相是影响陆相致密油气储层发育的重要控制因素,不同微相的成岩响应和储层质量不同,制约了储层精细刻画与有利区预测工作.通过岩心、薄片、测井、孔渗、扫描电镜、XRD矿物分析、微米CT和压汞资料,识别了鄂尔多斯盆地西南部延长组三角洲—湖相致密储层8种沉积微相类型,刻画了不同微相在矿物组成、成岩作用、储层物性和孔隙结构方面...     

黄骅坳陷孔南地区孔店组冲积扇沉积特征及地质意义

利用钻井岩心、测井及地震资料,对黄骅坳陷孔南地区孔店组孔一下亚段进行岩石学、测井响应及地震反射特征的综合研究,识别出4种岩相组合、4种测井相类型和3种地震相类型;划分出扇中和扇端亚相;建立了冲积扇的垂向沉积序列并探讨了冲积扇的空间展布规律。认为研究区孔一下亚段陡坡带属于干旱气候条件下发育的进积型冲积扇沉积体系类型。冲积扇的研究是孔二段到孔一段古环境变化、古构造及盆地演化的重要证据。     

干孔密度测井实验分析

通过对干孔密度测井实验数据的分析处理以及导水孔密度测井结果的对比,论述了干孔密度测井的基本规律及其环境影响校正,为开展矿井密度测井提供了可行性依据。      

四川盆地东部长兴组礁滩相储层测井地质特征

综合运用钻井岩心、野外剖面、镜下薄片和常规测井曲线等资料对四川盆地东部长兴组礁滩相储层测井地质特征进行了分析研究。结果表明:长兴组测井相主要包括箱型、复合型、钟型、漏斗型和尖指型,箱型和复合型代表了台地边缘生物礁相带中的礁核微相,是长兴组最有利储层发育的测井相类型;钟型和漏斗型代表了台地边缘浅滩相带中的生屑滩微相;而尖指型则代表了最不利储层发育的滩间微相。研究区孔洞缝型储层最好,储集空间以原生孔洞为主;针孔型和裂缝型-针孔型其次,储集空间类型以晶间孔为主,在研究区最发育;而裂缝型最差,储集空间以不同成因的裂缝为主。通过测井模型的解释,峰18井长兴组储层自上而下逐渐变好,顶部为裂缝型储层,上部为针孔型储层,下部为孔洞缝型,与岩心观察、薄片鉴定和录井资料分析相符,确定了该模型的可靠性,为研究区未取心井储层类型的识别提供了依据。     

识别所钻地层的人工神经网络法应用

对用人工神经网络方法来解决钻探生产的实际问题, 在不取心的情况下识别所钻地层的岩性进行了研究.根据钻探生产的特点, 设计了人工神经网络的结构和输出方式, 开发了人工神经网络识别所钻地层的软件, 分析了影响人工神经网络应用效果的各因素, 在人工神经网络的优化设计方面作了较深入的研究.研究表明: 人工神经网络用于识别所钻地层有很好的效果; 人工神经网络的参数, 如学习率、隐含层层数、隐含层单元数和数据处理方式等对人工神经网络的应用效果有影响.      

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。     

径流长期预报的人工神经网络方法

提出径流长期预报的人工神经网络方法。运用神经网络的一典型模型──“反向传播”模型,以大伙房水库在补水期的径流状况作为研究对象,尝试了神经网络方法的效果。结果表明,该方法预报成功率较高,容错能力较强,可望成为径流长期预报的有效的辅助手段。     

人工神经网络油气识别圈闭软件的设计与实现

本文介绍人工神经网络油气识别圈闭软件用户界面的设计风格、系统的构成、各处理单元的数学模型与功能。系统包括五个功能模块，由主控菜单驱动的用户界面程序统一管理和调用，实现了数据预处理、信息优化提取、模式识别和成果图件演示、打印一体化。     

红板岩材料隐式本构模型的建立及其应用研究

针对红板岩材料在岩土工程中所表现的大量模糊的和不确定的因素等特点,基于人工神经网络的学习能力,借助于室内岩石力学试验,进行了对该材料的力学本构特性进行了神经网络模拟研究,提出了隐式本构模型的思想和方法,并通过该方法对该岩石的流变试验结果进行学习,获得了以网络权值结构保存的力学特性知识,由此得到了表征红板岩应力应变本构关系的隐式本构模型。应用结果表明,该方法对岩土类材料本构关系的模拟研究具有很好的应用前景。     

人工神经网络在海浪数值预报中的应用

探讨将人工神经网络技术和传统的数值模式相结合,以期得到一个更有效的海浪预报方法.以第3代海浪模式的模拟结果作为输入,浮标观测资料作为输出,采用人工神经网络进行训练,训练的初步结果显示,人工神经网络可以改进海浪数值模式的预报精度,但在波高比较大时,改进的效果并不令人满意.为此,对观测值大于1.5m时的有效波高进行再训练,从而结果有了进一步的改善.研究结果证明人工神经网络技术可以提高海浪数值预报的精度.     

矿井煤层底板突水预测新方法研究

本文针对煤矿矿井煤层底板突水系统为一非线性系统的特性,提出采用对非线性问题具有良好适用性的人工神经网络系统（以下简称神经网络）,进行煤层底板突水预测。以作者们研制,使用神经网络的实践为基础,阐述系统、建模方法、适用条件和应用问题,并在焦作矿务局演马庄矿、焦作金科尔集团方庄煤矿对所建立的煤层底板突水预测神经网络进行生产性检验,取得良好的结果,说明该系统应用于煤层底板突水预测的可靠性。     

三种基于神经网络的洪水实时预报方案的比较研究

在总结神经网络应用的基础上,归纳了3种基于神经网络的洪水实时预报方案。第一种是神经网络水文模型的模拟模式加模拟误差的自回归校正模型,第二种是权重系数固定的神经网络实时预报方案,第三种是权重系数自动更新的神经网络实时预报方案。采用10个不同流域的日流量资料对这3种方案进行率定和校核。比较这3种方案的实时预报精度。结果发现,第三种方案不仅预报精度要高于其他两种方案,而且比第一种方案少了一个自回归校正模型,结构简洁。本文建议采用第三种洪水实时预报方案。     

三峡库区某公路顺层岩质边坡变形特征分析

对于大量中小型岩质边坡，由于地质结构简单、边界条件清晰，加之施工周期短，不可能也没有必要对其开展较大规模勘探工程、进行全面系统研究，因此，数值模拟技术成为这类边坡变形破坏分析及治理工程验证的首选手段之一。本文利用离散单元方法(DEM)分析了三峡水库某公路顺层岩质边坡开挖变形破坏机制及其演变过程，并对工程治理效果进行模拟研究。该方法节约了工程周期及造价，应成为中小型岩质边坡治理工程设计的辅助措施。     

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.