地震储层预测方法研究进展

本文重点介绍地震储层预测方法中的油气预测，岩性预测，储层厚度预测及孔隙度预测等内容，简述提高地震储层预测精度的途径之一－特征优化方法，并指出了今后地震储层预测方法研究的方向。     

地震与测井数据综合预测裂缝发育带

章针对前新生代海相残留盆地碳酸盐岩裂缝识别这一难题提出一种利用地震与测井数据综合预测裂缝发育带的方法.用测井资料标识出裂缝发育层段,同时利用地震资料具有空间上数据点多、分布均匀的特点通过地震多属性的人工神经网络方法将测井与地震数据结合起来综合预测裂缝发育带,充分利用测井资料和地震资料的各自优势,达到在剖面上和区域上预测裂缝发育带的目的.本方法经过实际资料的处理与预测证实比常规方法预测精度高.     

油气非地震勘探技术的发展趋势

提出未来非地震技术的两个主要发展方向：向高成熟区和复杂区的高精度非地震勘探技术和面向油气预测与油田开发的非地震岩性勘探技术；阐明了未来三维非地震技术及综合勘探技术对高精度、高效益油气勘探的重要性，指出了非地震技术在油气预测与油田开发中将占有重要地位，将发挥其特殊的作用，展现了油气非地震勘探技术广阔的应用前景。     

小波多尺度分解的振幅谱分维算法油气预测

本文结合小波变换理论和分形分维理论,利用小波变换的多尺度分解对地震资料进行分解,选取不同尺度的信息,计算其振幅谱分维数;根据含油气井的振幅谱确定能够反映油气异常信息的标度不变区,在该标度不变区内求分形维数,分维数值越大,说明含油气的可能性越大,据此预测储层的含油气性.实践表明,多尺度分形分维技术能够较准确地反映由地震波...     

时间延迟神经网络地震油气预测方法

本文绘出基于时间延迟神经网络模型的地震油气预测方法及其初步应用结果,不同于通常的孤立模式识别方法．在特征提取阶段,不仅提取地震道中相应目的层单时窗的特征,同时也提取时窗滑动时的特征,这些多时窗的特征信息反映出地层层序的变化．时间延迟神经网络模型通过井旁道特征串的训练,用于表达特征信息与地层含油气情况的复杂关系和特征信息的变化与地层油气聚集的联系．初步应用表明,这种基于时间延迟网络模型的油气预测方法的结果要好于BP网络方法的结果．     

时间延迟神经网络地震油气预测方法

本文绘出基于时间延迟神经网络模型的地震油气预测方法及其初步应用结果，不同于通常的孤立模式识别方法．在特征提取阶段，不仅提取地震道中相应目的层单时窗的特征，同时也提取时窗滑动时的特征，这些多时窗的特征信息反映出地层层序的变化．时间延迟神经网络模型通过井旁道特征串的训练，用于表达特征信息与地层含油气情况的复杂关系和特征信息的变化与地层油气聚集的联系．初步应用表明，这种基于时间延迟网络模型的油气预测方法的结果要好于BP网络方法的结果．     

神经网络在油气评价和预测方面的研究现状

人工神经网络是近年来迅速发展的信息处理技术之一，其模式分类能力和复杂函数逼近能力，正被广泛应用于油气勘探信息的定性和定量评价中，本文对目前神经网络在油气评价和预测中的研究现状作一简要综述。     

油气勘探综合地球物理研究方法综述

目前我国油气勘探难度不断加大，前新生代海相碳酸盐岩残留量地已成为我国油气资源二次创业的突破口。面对复杂地质体，只有综合应用各种地球物理现到数据，各种方法采长补短才能获得对目标的较全面地认识。本文阐述了油气勘探进行踪合地球物理研究的必要性、综合地球物理研究方法的应用现状和主要进展以及研究方法，指出油气勘探的发展方向要走综合地球物理研究的路子、区域制约局部，深层约数浅层是综合地球物理研究的原则；物性的研究是综合地球物理的前提；而联合反演是综合地球物理的实质。通过对综合地球物理研究成功实例的总结，提出综合地球物理研究中的难点和待解决的问题，指出了今后综合地球物理的发展方向。     

几类叠前深度偏移方法的研究现状

叠前深度偏移是解决复杂地质构造成像的有力手段,关于叠前深度偏移方法的研究一直是勘探地球物理研究的热点和难点。本文在收集、整理国内外有关研究资料的基础上,有选择地对若干类型方法研究背景及现状、基本原理及方法特点等进行分析,目的在于作为研究工作的起点,把握叠前深度偏移方法的发展趋势,以期生成适合我国复杂油气储集特点的地震成像方法及技术手段。     

基于数据分布域变换与贝叶斯神经网络的渗透率预测及不确定性估计

渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声, 渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性); 同时, 当测试数据与训练数据存在差异时, 机器学习模型在预测渗透率时可能出现模型参数的不确定性(即认知不确定性).为实现渗透率的准确预测并量化两种不确定性对结果的影响, 本文提出基于数据分布域变换和贝叶斯神经网络同时实现渗透率预测及其不确定性的估计.提出方法主要包括两个部分: 一部分是不同域数据分布的相互转换, 另一部分是基于贝叶斯理论的神经网络渗透率建模预测和不确定性估计.由于贝叶斯神经网络存在数据分布的假设, 当标签的概率分布与网络的分布保持一致时, 贝叶斯神经网络可以更好的学习到数据之间的关系.因此通过寻找一个函数将一个原始域的渗透率标签转换为目标域的与渗透率有关的变量(我们称为目标域渗透率), 使得该变量符合贝叶斯神经网络的分布假设.我们使用贝叶斯神经网络预测目标域渗透率以及任意不确定性和认知不确定性.随后, 通过分布域的逆变换, 我们将目标域渗透率还原回原始域渗透率.应用本文方法到某油田的18口井的测井数据中, 使用16口井的数据进行训练, 2口井进行测试.测试井的预测渗透率与真实渗透率基本一致.同时, 任意不确定性的预测结果提供了渗透率预测值受到的测井数据噪声影响的位置.认知不确定的预测结果说明数据量少的位置具有更高的认知不确定性.我们提出的这一流程不仅显示了在储层表征方面的巨大潜力, 同时可以降低测井解释时的风险.

     

基于减法聚类模糊神经网络的砂土液化势判别

砂土地震液化问题是岩土地震工程学的重要研究课题之一。在分析模糊神经网络原理的基础上,利用减法聚类算法对自适应模糊推理系统进行优化,并建立了砂土地震液化的模糊神经网络模型。然后,将该模型用于实际工程的砂土液化判别中,并与传统砂土液化判别方法结果进行对比。判别结果表明:文中建立的模糊神经网络模型具有较强的学习功能,用于砂土地震液化判别中是可行的和有效的。     

QPOG技术及其应用研究

研究了地震资料的现场处理技术－－QPOG（Quickly Predicting Oil and Gas），提出利用QPOG技术右以在地震勘探中快速有效地进行油气预测，并给出了有井区和无进区的两种预测方法；有井区以人工神经网络、模糊相似优先比等方法为主，无井区以分形、混沌、突变等理论方法为主，通过对具体研究区的实际预测，证明了方法的实用性。     

地震资料预测薄层厚度方法研究与应用

薄层厚度预测一直是公认的难题之一,其难度就在于如何准确地识别和提取薄层的地震属性.常规方法是利用时间域或频率域地震属性与薄层厚度的线性关系计算.但是理论与实际资料表明,不同的薄层和地层组合对地震波的动力学的信息影响很大,各种参数与薄层厚度成非线性关系,使用单一的信息不可能准确预测薄层厚度.本文利用三种线性预测原理（模型）,经数学变换为属性参数,采用非线性BP网络预测薄层厚度,取得了令人满意的效果.     

人工神经网络在地震中期预报中的应用

将ＢＰ神经网络用于地震中期预报。使用一些常用的地震学指标作为神经网络的输入,而将ＢＰ神经网络的输出作为表征地震活动增强的特征参数Ｗ１,并将其用于华北地区进行空间扫描。结果表明,中强地震前１～３年未来震中周围通常出现明显的Ｗ１值中期异常区,该方法具有较好的中期预报效果。     

水氡浓度和环境参数的分层神经网络研究

采用分层神经网络（LNN）分析地下水的氡浓度,试图给出氡浓度和环境参数之间的函数关系。由于环境（例如：降雨量）对水氡浓度的影响可能是非线性的,与目前时间脉冲响应线性计算方法相比,该方法能够较准确的估计环境参数造成的氡浓度变化。     

Neural network time series prediction of environmental variables in a small upland headwater in NE Scotland

Short‐term prediction of environmental variables such as stream flow rate is useful to members of the general public and environmental scientists alike, providing the ability to predict environmental disasters or scientifically interesting events. Here, a neural‐network based method is presented, which is capable of providing advance flood warnings or the prediction of high stream flow events for research purposes in a small upland headwater in NE Scotland. This method relies on training from past time series data acquired in the field, and provides the ability to predict a range of hydrological and meteorological variables up to 24 h ahead using feedback of predicted values at time t as new inputs for the next time step t + 1. The system is rapid and effective, relies on standard neural network training methods, and has the potential to be implemented in a web‐based monitoring and prediction package. The model design could be implemented at any study site where time series data has been gathered, and is sufficiently flexible to accept whatever data is available. Copyright © 2007 John Wiley & Sons, Ltd.     

Adaptive neuro-fuzzy inference system for prediction of water level in reservoir

Accurate prediction of the water level in a reservoir is crucial to optimizing the management of water resources. A neuro-fuzzy hybrid approach was used to construct a water level forecasting system during flood periods. In particular, we used the adaptive network-based fuzzy inference system (ANFIS) to build a prediction model for reservoir management. To illustrate the applicability and capability of the ANFIS, the Shihmen reservoir, Taiwan, was used as a case study. A large number (132) of typhoon and heavy rainfall events with 8640 hourly data sets collected in past 31 years were used. To investigate whether this neuro-fuzzy model can be cleverer (accurate) if human knowledge, i.e. current reservoir operation outflow, is provided, we developed two ANFIS models: one with human decision as input, another without. The results demonstrate that the ANFIS can be applied successfully and provide high accuracy and reliability for reservoir water level forecasting in the next three hours. Furthermore, the model with human decision as input variable has consistently superior performance with regard to all used indexes than the model without this input.     

基于神经网络的时间域直升机电磁数据电导率深度成像

采用G-S变换以及高斯数值积分法,形成了时间域直升机的航空电磁响应正演样本集,分析了飞机测量过程中吊舱高度变化对电磁响应的影响,并将吊舱高度的变化等效成电导率为零的假层厚度的变化,以去除高度计等的影响.以假层半空间模型为基础,研究了基于人工神经网络的电导率深度成像算法,通过分析两个三层模型的电导率深度成像结果得出,神经网络方法计算时间域航空电磁探测的视电导率精度较高,特别是对高阻层的视电导率计算.     

Performance assessment of genetic programming (GP) and minimax probability machine regression (MPMR) for prediction of seismic ultrasonic attenuation

The determination of seismic attenuation (s) (dB/cm) is a challenging task in earthquake science. This article employs genetic programming (GP) and minimax probability machine regression (MPMR) for prediction of s. GP is developed based on genetic algorithm. MPMR maximizes the minimum probability of future predictions being within some bound of the true regression function. Porosity (n) (%), permeability (k) (millidarcy), grain size (d) (μm), and clay content (c) (%) have been considered as inputs of GP and MPMR. The output of GP and MPMR is s. The developed GP gives an equation for prediction of s. The results of GP and MPMR have been compared with the artificial neural network. This article gives robust models based on GP and MPMR for prediction of s.