共查询到19条相似文献,搜索用时 62 毫秒
1.
一种分析砂岩沉积相的新方法——测井相分析 总被引:5,自引:0,他引:5
本文分析了以地层倾角测井资料为核心的各种测井相标志,提出了应用测井资料进行沉积相分析的方法和步骤,并在塔里木盆地三个油田进行了测井地质相分析。 相似文献
2.
BP神经网络在测井岩性识别中的应用 总被引:27,自引:0,他引:27
在岩性识别方法中,人工神经网络方法由于其识别结果客观可靠,得到越来越广泛的应用。研究选用BP神经网络,对金衢盆地的金66测井的岩性进行了识别,并对改善BP神经网络收敛性能的方法了有效探索。 相似文献
3.
用自组织神经网络方法实现测井相定量识别 总被引:11,自引:2,他引:11
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。 相似文献
4.
5.
6.
准噶尔盆地阜东斜坡区侏罗系测井沉积相研究 总被引:4,自引:4,他引:4
本文就准噶尔盆地阜东斜坡区侏罗系测井沉积相研究进行了探讨。主要应用常规测井资料、地层倾角测井资料及成像测井资料为核心的测井相序列去分析和判断沉积类型以及沉积相。经过ANN岩相处理,看出典型的三角洲沉积岩相序列自下而上依次为三角洲前缘远砂坝、河口砂坝、分流间湾、水下分流河道、分之河道及分之河道间,将其结果与录井剖面对比,符合率非常高,为区域上关键井的相序分析及沉积体系分析提供了连续的较准确的岩相依据。通过古水流系统的确定,看出研究区侏罗系八道湾组-三工河组沉积时期的物源主要来自北部克拉美丽山以北地区。南部北三台地区以南存在次要物源。最后综合利用常规测井处理解释的岩性剖面、岩心刻度下处理出来的沉积学倾角解释成果(沉积构造和古水流)和ANN岩相处理解释成果,建立起了阜东斜坡区关键井目的层段的测井沉积亚、微相模型。 相似文献
7.
本文通过常规地质手段与测井解释相比较的研究方法。根据7个实测剖面和66口探井的沉积相研究成果,总结出松辽盆地内可被明显识别10种测井—沉积相类型:①大段齿化箱—菱形冲积扇相、⑦多阶梯状冲泛平源相、③中高幅齿化漏斗—钟形扇三角洲相、④连续进积或退积武三角洲相、⑤低幅背景或见中高幅指状峰的滨浅湖相、⑥低幅背景间夹中幅齿状峰的湖岸盐坪相、⑦大段低幅曲线偶见中幅齿—菱形峰的半深湖及深湖相、⑧中幅齿化箱—菱形水下沉积物重力流相、⑨低幅齿形沼泽相、⑩高幅似箱形火山(沉积)岩相。 相似文献
8.
9.
神经网络方法识别测井曲线形态 总被引:1,自引:0,他引:1
随着油田勘探开发程度的不断提高,要找到有利的油气聚集带以及在开发阶段提高油田采收率,都必须进行储层沉积相分析。这里介绍一种利用自组织神经网络识别曲线形态的方法。采用将测井曲线网格化,再利用自组织神经网络识别曲线形态,进而去判别沉积相。此方法可以对测并曲线形态进行识别,且消除了测井曲线中的不确定因素,运用该方法对实际测井曲线形态的识别基本正确。 相似文献
10.
11.
基于神经网络的储层识别处理技术及在塔河油田的应用 总被引:3,自引:4,他引:3
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。 相似文献
12.
基于地震相分析的孔隙度预测 总被引:1,自引:0,他引:1
这里主要讨论在地震相分析下的孔隙度预测。其基本原理是:首先对研究区块进行前期常规解释(合成记录、层位追踪、构造及断层解释),在此基础上利用地震相分析技术,并结合测井及岩芯资料对研究区进行沉积相带划分,将地震信息转化为地质信息;然后根据相带划分结果,对单一相带中的密度、声波速度与孔隙度井资料进行统计,拟合获得相关最好的波阻抗与孔隙度关系公式,这样多个相带就有不同的孔隙度计算公式;最后通过反演得到的波阻抗计算获得孔隙度。由于在横向上加入了地质解释,所以通过这种方法能够有效结合地质规律,提高三维孔隙度预测精度,还能更好地进行孔隙流体预测及储层评价。 相似文献
13.
《地学前缘(英文版)》2023,14(2):101521
Lithofacies paleogeography is a data-intensive discipline that involves the interpretation and compilation of sedimentary facies. Traditional sedimentary facies analysis is a labor-intensive task with the added complexity of using unstructured knowledge and unstandardized terminology. Therefore, it is very difficult for beginners or non-geology scholars who lack a systematic knowledge and experience in sedimentary facies analysis. These hurdles could be partly alleviated by having a standardized, structured, and systematic knowledge base coupled with an efficient automatic machine-assisted sedimentary facies identification system. To this end, this study constructed a knowledge system for fluvial facies and carried out knowledge representation. Components include a domain knowledge graph for types of fluvial facies (meandering, braided and other fluvial depositional environments) and their characteristic features (bedforms, grain size distribution, etc.) with visualization, a method for query and retrieval on a graph database platform, a hierarchical knowledge tree-structure, a data-mining clustering algorithm for machine-analysis of publication texts, and an algorithm model for this area of sedimentary facies reasoning. The underlying sedimentary facies identification and knowledge reasoning system is based on expert experience and synthesis of publications. For testing, 17 sets literature publications data that included details of sedimentary facies data (bedforms, grain sizes, etc.) were submitted to the artificial intelligence model, then compared and validated. This testing set of automated reasoning results yielded an interpretation accuracy of about 90% relative to the published interpretations in those papers. Therefore, the model and algorithm provide an efficient and automated reasoning technology, which provides a new approach and route for the rapid and intelligent identification of other types of sedimentary facies from literature data or direct use in the field. 相似文献
14.
15.
16.
17.
18.
文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。 相似文献