HD油田水平井测井储层参数解释研究

水平井测井解释,主要体现在测井仪器响应的理论模拟以及各向异性的实验研究方面,远未达到实际水平井测井储层参数解释应用的深度和要求。在对比分析HD油田水平井段与对应直井层段测井响应特征基础上,这里针对水平井段测井曲线进行了校正,提出使用直井取芯物性数据刻度水平井段测井曲线,来建立适应于水平井段井眼和曲线特征的孔隙度、渗透率神经网络解释模型,进而对整个研究区水平井段进行测井储层参数解释和评价。通过用直井岩芯物性对测井解释结果的检验表明,水平井测井储层参数解释精度得到了明显改善和提高,能够较好地满足三维地质建模的井属性参数精度要求。     

DH油田水平井储层测井解释研究

水平井测井解释主要集中在测井仪器响应的理论模拟及各向异性的实验研究方面,远未达到实际水平井测井储层参数解释应用的深度和要求[1]。这里在对比分析DH油田水平井段与对应直井层段测井响应特征基础上,针对水平井段测井曲线进行了校正,提出使用直井取芯物性数据刻度水平井段测井曲线,来建立适应于水平井段井眼和曲线特征的孔隙度及渗透率神经网络解释模型,进而对整个研究区水平井段进行测井储层参数解释和评价。用直井储层参数对测井解释结果的检验表明,水平井测井储层参数解释精度得到了明显改善和提高,能够较好地满足三维地质建模的井属性参数精度要求。     

苏北盆地低阻油层的测井解释评价方法研究

针对苏北盆地溱潼凹陷阜三段低阻油层，分析了其成因机理，阐述了低阻油层的测井响应特征，提出了使用神经网络和Sw—Φ交会图两种方法定性识别低阻油层。通过先进的斯伦贝谢的PetViewPlus测井解释软件，形成了针对苏北盆地溱潼凹陷阜三段低阻油层的测井定量解释方法，并在测井油水层判别中引入束缚水饱和度方法，对低阻油层的认识和客观评价收到了良好的效果。     

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。     

小波分析在高分辨率层序地层研究中的应用

为了研究测井曲线小波变换用于高分辨率层序地层研究的方法效果，从小波系数模极值点、过零点与信号突变点数学关系出发，分析高分辨率层序地层研究对测井曲线划分不同级别层序的要求，探讨了测井小波变换最佳分解级次和适于测井曲线分层的小波函数选择，以一取心率高钻孔为例，用2种小波函数对4种测井曲线进行小波变换和高分辨率地层界面解译。研究表明，选择恰当窗宽小波函数决定测井曲线小波分层精度，测井数据sym6小波分解的小层界面划分效果要稍好于db4小波；GR、RT曲线正则性小波分解可以很好地满足高分辨率层序地层划分要求；测井曲线小波分层结果与岩心分析结果一致性好。     

小波分析在松辽盆地北部高分辨率层序地层学中的应用

以松辽盆地北部英台—大安地区英37井姚家组二三段地层划分为例,分析一维连续小波变换在高分辨率层序划分中的适用性.通过对GR测井曲线进行Morlet小波变换,将测井曲线信号与深度的关系转换为深度与尺度域的变化关系,得到不同尺度上的小波系数曲线,然后建立最佳尺度因子下的小波系数曲线的周期性振荡特征与各级层序界面的对应关系.划分结果表明:小波变换适用于中期及短期基准面旋回的划分,为高分辨率层序地层学研究提供了一个新的思路.     

用自组织神经网络方法实现测井相定量识别

作者在本文中介绍了一种利用自组织神经网络进行测井相识别的方法。自组织神经网络是一种无导师学习算法，它通过网络自身的调节对输入进行聚类，近年来广泛应用于各类模式识别问题中。这里我们采用从测井曲线中提取出反映沉积环境的信息参数，再利用自组织神经网络进行测井相判别。此法从沉积成因角度出发，判别沉积相模式，消除了测井曲线中的不确定因素，更具代表性。     

自适应BP网络在洛带气田测井解释中的应用

应用自适应算法对BP网络进行改进，可以提高BP网络的收敛速度和全局寻优性能。在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率的神经网络模型为例，通过网络的学习、训练，建立测井解释神经网络模型。并应用此模型，定量计算出多口井的渗透率值，与常规渗透率计算结果相比，BP的解释结果及精度均令人满意，同时还取得了良好的实际应用效果。     

基于测井曲线的小波分析识别地层岩性界面——以三江盆地钻孔为例

在砂岩型铀矿地浸工作中,需要精准的识别含铀渗透性地层的岩性界面。传统的地层岩性界面识别一般通过岩心地质观察、实验室分析和综合测井曲线的人工解释等手段,不仅价格高而且周期长。文章以三江盆地ZKQX2钻孔为例,介绍了对三侧向电阻率测井曲线进行连续小波和离散小波变换,绘制小波系数尺度图和高频小波系数曲线图,并综合这两种图件来识别地层岩性界面的方法。将使用该方法识别地层岩性界面的结果与综合岩性柱状图对比,两者具有很好的一致性,表明利用测井曲线的小波分析识别地层岩性界面具有良好的应用效果。     

基于测井数据小波变换的 四川孝泉地区须家河组层序划分

尽管测井数据具有良好的连续性和高分辨率特性,地质科研中对测井曲线和地层层序的研究仍以观察实践为主.沉积旋回的复杂性和相对一致性、测井曲线的连续性和非周期性以及小波变换的多分辨率和时频域兼顾的特性,这三者相互联系、相互对应,构成了小波变换用于测井数据层序划分的理论基础.以四川孝泉区须家河组某井为例,对该井地质数据进行了连续小波变换,并将该组段划分为3个层序和18个准层序.     

子波整形提高合成地震记录质量

阐述合成地震记录的制作原理,利用测井数据计算出反射系数。根据地震波传播机制,通过三维地震数据统计得到子波,由此计算出原始合成记录。再根据过井剖面建立褶积模型,对子波进行整形,得到一个随时间变化的地震子波,最终得到与地震数据的波组特征相吻合的合成地震记录。为精细储层描述打下了坚实的基础。     

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.     

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。     

煤层含气量测井解释方法参数选择及适用性

多元线性回归及BP神经网络是煤层含气量测井解释的常用方法。基于澳大利亚Galilee盆地和沁水盆地煤层测井资料和实测含气量数据,通过相关性分析和显著性检验,筛选了和含气量相关的测井参数,通过多元线性回归建立含气量与测井参数的解释模型;基于BP神经网络的理论,通过网络训练和测试,建立了煤层含气量和测井参数的非线性解释模型。讨论了多元线性回归模型的参数选择方法,并对两种解释方法的误差特点进行了分析,讨论了两种方法的适用性。结果显示:多元线性回归法和BP神经网络法是煤层含气量解释的常用方法,前者的解释误差比后者大;多元线性回归法解释精度与煤层含气量相关,适用于含气量较高的井;BP神经网络法解释精度普遍较高,在含气量高和低的井中均可适用,解释效果受输入层样本的数量和质量影响,样本数量越多,区域代表性越强,解释效果越好。      

神经网络方法在煤层气测井资料解释中的应用

根据煤层气储层及其测井响应特征,提出应用ＢＰ神经网络（简称ＢＰ网络） 方法进行煤层气测井资料的定量解释。通过对华北某地煤层气测井资料的处理,获得了满意的解释结果,证明该方法是有效和实用的。并对应用过程中的若干问题进行了分析讨论     

基于方向概率密度和小波描述子的沉积微相识别研究

首次提出了利用测井曲线不同形态识别沉积微相方法（算法）必须要满足三个前提条件,即平移和尺度缩放的不变性以及旋转可变性的认识,并提出了一种满足这三个前提条件的利用测井曲线形态识别沉积微相的新方法。主要通过求取不同测井曲线形态的边界方向概率密度后,再对其进行小波变换,可用少数几个对其方向概率密度可以近视重构的低频小波描述子进行沉积微相识别,同时建立了不同沉积微相小波描述子识别模式。对反映不同沉积微相的测井曲线形态方向概率密度函数进行小波分析,使沉积微相信息从高维特征空间被映射到由少数几个低频小波描述子组成低维特征向量空间,使不同沉积微相间差异信息得到放大突出。该方法不仅使利用测井曲线形态对沉积微相识别的这一较复杂问题,简化为对少数几个低频小波描述子进行判断的简单问题,而且还可利用这些小波描述子对其进行一定程度上沉积学分析。     

随钻测井中岩性识别方法的对比及应用

岩性识别是对地层认识及储层参数求解的基础,受沉积环境复杂性和非均质性影响,传统岩性识别方法已不能满足实际生产需要。针对传统识别方法容错能力差、自动化程度低和解释精度低的问题,通过应用神经网络自主学习预测分析手段,对比分析当下几种流行的岩性识别方法,选出更为适合现场实用的方法应用到随钻测井系统中。经研究发现,在预测方法及测井曲线相同的情况下,获得标准层段训练样本越多,准确率越高。通过对比得出结果:PNN概率神经网络方法在生产应用中效果更佳、识别准确率高、训练识别用时最短,在获取较少测井资料信息时,仍能保持较高的识别水平。      

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

测井多尺度分析方法用于层序地层划分研究

测井数据包含了丰富的地质信息,是研究地层多尺度沉积旋回的主要资料.本文阐述了小波变换及多尺度分析方法,探讨了测井多尺度分析方法在层序地层划分中的应用.以东营凹陷某井为例,选取Morlet小波基函数对GR测井曲线进行连续小波变换,将测井信号与深度的关系转换为与深度和尺度域的变化关系.通过研究多种伸缩尺度下小波系数曲线表现出的周期性振荡特征,并结合不同测井曲线多尺度分解后的高频信号特征,划分出各级层序界面,与传统方法所划分的界面基本一致.     

塔里木盆地高频波识别及其意义

以测井资料为纽带,把小波分析与米兰柯维奇旋回结合起来,实现了地层持续时间的精确确定,进而计算了研究层段的沉积速率。利用滑动窗口和小波分析的方法找到了控制和影响盆地沉积演化的两种高频波动过程,高频波的识别为波动过程与层序地层学、与储盖组合的结合奠定了基础,提高了与波动分析有关的各项研究的精度,为其在生产实践中的应用开辟了道路.