基于模糊神经网的油气综合评判方法研究

针对常规模式识别方法进行油气预测时,存在样本数量大、参数非线性及已知样本数类型分类有明显的模糊性等特点。本文根据神经网络的自适应谐振理论（ＡｄａｐｔｉｖｅＲｅｓｏｎａｎｃｅＴｈｅｏｒｙ）结合模糊Ｋ均值聚类算法、特征参数非线性映射的有效性校验,构成了一个性能完善的地震参数油气预测系统。该系统对样本特征空间用模糊神经网络建立未知样本的预测度量,更加符合客观地质特征和油气分布规律,从而能判别油气富集的有利区域。数值分析和实践应用表明,该方法数值稳定可靠,在储层油气预测方面有较好的效果     

碳酸盐裂隙油气藏地震特征响应及应用探讨

根据地震特征参数,利用ＢＰ网络进行油气预测是一种常用的地球物理方法。作者在此基础上,根据已知裂隙油气藏,通过特征参数优化,在裂隙油气藏中,寻找到一组油气响应较强的地震特征参数,并用这些特征参数进行裂隙油气藏的识别,效果比例用全部地球特征油气识别要好。     

模糊神经网络算法及其在油气储层判识中的应用

文章在综合利用模糊模式识别剔除噪音信息和ＢＰ神经网络拟合优势的基础上,设计了模糊神经网络新算法。该算法利用综合隶属度矩阵和模拟专家意见阵,强化模式分类的主体信息,大大提高了网络的收敛速度。在应用于某气田测井资料的储层识别表明,该算法不仅计算速度快,而且预测精度也得到了较大的提高     

利用测井资料预测油气储层产能的方法研究

油气储层产能作为一个表示动态特征的参数,是储层评价的重要指标之一。依据测井资料进行产能预测是测井资料综合解释的一个新的拓展方向。文中讨论了测井产能预测的原理,采用模糊模式识别和人工种经网络技术建立了预测系统,并给了成功的预测范例,从而证实了方法的有效性。     

基于模糊神经网络的油气综合评判方法研究

针对常规模式识别方法进行油气预测时,存在样本数量大、参数非线性及已知样本数类型分类有明显的模糊性等特点。本文根据神经网络的自适应谐振理论结合模糊Ｋ均值聚类算法、特征参数非线性映射的有效性校验,构成了一个性能完善的地震参数油气预测系统。该系统对样本特征空间用模糊神经网络建立未知样本的预测度量,更加符合客观地质特征和油气分布规律,从而能判别油气富集的有利区域。数值分析和实践应用表明,该方法数值稳定可靠     

吸收衰减属性在准噶尔盆地西北缘二叠系储层预测中的应用探讨

地震波的吸收衰减与储层的含油气性直接相关。通过对地震波衰减属性的提取和分析,可以使我们更好地对储层的性质(含油气性)做出识别和判断,使地震资料的储层预测工作取得更好的效果。这里主要叙述了利用分频瞬时Q值属性识别和预测研究区夏子街组优质储层的方法流程及应用效果。通过与已钻井的资料对比分析得到,吸收衰减属性的应用效果较好,所得结果正确可靠,从而为该地区的油气储层预测提供了重要依据。     

基于重置神经网络在油气储层预测方面的应用

神经网络在地质、油气储层方面有着极其广泛的应用,但是神经网络的结构不仅直接影响到网络性能的优劣,而且较大的影响了其现实应用的效果。这里尝试着将与重置算法相结合的BP神经网络应用于油气储层预测方面,并证实重置神经网络具有更好的应用前景和现实意义。     

地震多参数神经网络储层油气预测中的参数优化

在利用多参数进行储层油气预测时,并不是使用的特征越多越好,最佳特征的维数取决于实际问题的预测效果。这里运用聚类分析法优选地震特征参数,将距离较远或相似系数低的特征参数聚为一类,用来对未知样本进行地震储层预测。利用优选后的参数进行神经网络储层油气预测,在实际应用时取得了较好的效果。     

模糊评价方法在油气化探中的应用

油气化探指标的处理与综合评价是油气化探工作中的重要组成部分,它直接关系到油气化 探找油气藏效果。模糊评价是利用模糊数学中的模糊关系原理,结合已知探区油气化探指标在油气藏 上方或油气藏储层的规律性变化,找出反映油气藏属性的信息,结合地质环境资料,建立模糊评价系 统,对该探区化探指标异常进行评判。     

补偿模糊神经网络在储层参数预测中的应用

为了克服常规BP神经网络法在预测储层参数中出现学习速度慢、无法结合专家知识等不足，我们引入了补偿模糊神经网络。它是一个结合了补偿模糊逻辑和神经网络的混合系统，由面向控制和面向决策的神经元组成，其模糊运算采用动态的、全局优化运算，学习速度快、学习过程稳定，将其用于储层参数预测效果良好。     

基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

基于神经网络的储层识别处理技术及在塔河油田的应用

简述神经网络用于储层识别模型的建立,并指出单独使用神经网络进行识别的不足。对此,设计了具有辅助神经网络作用的计算机程序,从而使单独使用网络的不足之处得到完善。通过塔河油田实际资料应用表明,在单独使用BP神经网络进行储层类型预测效果不是十分理想的情况下,采用这种处理技术,能够取得较好的效果。     

模糊模式识别神经网络预测模型及其应用

提出了模糊模式识别神经网络预测模型,开辟了神经网络拓朴结构建模的新思路。模型的激励函数采用了模糊模式识别模型。最后给出中长期水文预测的应用实例。     

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     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。     

模糊神经网络法在隧洞围岩分类中的应用

应用模糊集和神经网络相结合 ,运用模糊积分来综合各个子网的输出 ,提出了围岩稳定性模型及围岩分类的方法。根据收集到的围岩分类资料作为样本来训练和检验网络模型。计算结果表明 ,该方法克服了传统人工神经网络计算容易陷入局部最小的缺点。应用此模型对工程隧洞围岩进行分类 ,为工程施工提供了依据     

基于遗传神经网络的储层敏感性预测方法研究

储层敏感性是储层与外来流体发生各种物化作用,使储层孔隙结构和渗透性发生变化的特性,这种变化会不同程度地损害油层,从而导致产能损失或产量下降.如果能在施工之前对储层的敏感性做出预测,那么在进行施工的过程中,就可以采取相应的措施,减少储层的损害.在储层敏感性进行预测的方法中,BP神经网络是应用最广泛的方法之一,可以对储层的各种敏感性进行预测.但这也存在着一些问题,比如局部寻优、收敛速度慢等,所以在神经网络的基础上,加入了遗传算法,可以对神经网络进行优化,使其能最大程度地快速找到全局最优.实践证明,这种方法能够满足目前储层敏感性预测的实际需求.