神经网络微地震相分析方法及应用

传统地震相分析满足不了目前油田勘探开发的需要.神经网络微地震相分析将神经网络应用于高质量地震三维数据体中,可对单一反射同相轴进行波形信号分析和训练,建立模型地震道,并以之对实际地震道进行分类,产生在平面和剖面上精度较高的微地震相分布.新场气田和塔河油田的实际应用表明,神经网络微地震相分析是可靠的和有效的.     

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。     

模式识别在测井资料划分沉积相中的应用研究

在一系列连续或离散的测井资料中,包含了丰富的各种地下地质特征和沉积环境信息。可从中提取表征沉积环境的各种特征参数,建立起某地区的沉积相测井相模型,应用模式识别的各种处理方法,便能划分出该地区的各种沉积相及沉积微相。     

沉积微相测井资料神经网络判别方法研究

不同的沉积微相可以由不同的相标志组合识别,相标志与沉积微相之间的关系可以采用神经网络通过许多基本处理单元间并行的相互作用建立。沉积微相相标志既可以由地质资料的观察、岩芯分析直接获得,也可以由测井资料间接地求得     

神经网络方法识别测井曲线形态

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。     

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.     

柴达木盆地平台地区路乐河组沉积微相研究

根据钻井岩心、铸体薄片、扫描电镜、测录井资料及分析化验资料,对柴达木盆地北缘西段平台地区古近系路乐河组地层岩心的沉积构造、粒度特征、沉积序列等进行详细研究,分析平台地区古近系路乐河组的沉积相类型及演化过程。研究表明,平台地区路乐河组主要受近源沉积控制,沉积了一套以砾岩、含砾粗砂岩、泥质粉砂岩和泥岩为主的粗粒碎屑岩,发育槽状交错层理和板状交错层理,成分成熟度和结构成熟度较差。粒度概率累积曲线显示碎屑颗粒沉积物主要由悬浮组分和跳跃组分组成,表明水动力条件较强,以河流相沉积为主。沉积微相类型以河床亚相的河床滞留和心滩沉积为主,其次为河漫亚相的河漫滩沉积和泛滥平原沉积。沉积相的研究清楚展示出平台地区古近纪早期路乐河组的沉积特征和演化规律,为该地区下一步油气勘探工作提供可靠的地质依据。     

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。     

应用SVM方法进行沉积微相识别

作者针对目前沉积微相中的特征提取问题,提出了应用ＳＶＭ（支持向量机）方法进行沉积微相识别的方案。该方法不是象传统方法那样首先试图将原输入空间降维（即特征选择变换）,而是设法将输入空间升维,以求在高维空间中问题变得线性可分（或接近线性可分）。因为升维后只是改变了内积运算,并没有使算法复杂性随着维数的增加而增加,因此这种方法才是可行的。所以。利用该方法更能胜任实际情况。实际处理表明该方法在小样本情况下     

神经网络判识沉积微相的应用——以桩241块为例

沉积相研究是油气勘探开发中一项十分重要的任务。在桩241块初次利用神经网络模式识别法进行测井微相识别,将识别后的结果与岩心微相划分结果相对比,测井相的识别完全满足研究的需要,为密井网条件下沉积微相划分提供了一种新的思路和方法。采用神经网络判识沉积微相技术,可以提高沉积微相的分析和解释精度。     

基于BP神经网络自动识别沉积微相方法

基于测井数据的深度挖掘性,提出了前馈式(BP)人工神经网络的沉积微相识别方法。在测井数据较少、井多的条件下深入挖掘有限的测井数据,得到具有沉积学意义的样本指标,对比不同沉积微相指标,找到各自特征。通过训练样本的优选,建立了训练样本集,对BP人工神经网络拓扑结构选择和网络训练方法进行分析和试验,总结了网络拓扑结构设置方法和成长型网络训练方法。实现了在测井数据不足、微相特征复杂的条件下实现了高效率、高准确度的沉积微相识别,其独特优势在石油地质研究中有着广泛的应用前景。     

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。     

珠江口盆地东部中新统珠江组碳酸盐岩沉积微相研究

基于对珠江口盆地东部新近系下中新统珠江组碳酸盐岩1483块常规及铸体薄片显微特征的观察、描述以及古生物特征和岩石学特征的研究,依据碳酸盐岩颗粒组分和结构构造等特点,将珠江组碳酸盐岩划分为8个主要微相类型,并根据灰岩颗粒类型及相对含量的多少,将其进一步细分为22个次一级的微相类型。根据这些微相类型在纵向上的组合特征与环境意义,可在珠江组碳酸盐岩中识别出碳酸盐岩缓坡、局限台地、开阔台地、台地边缘滩、台地边缘礁、台地前斜坡等6个沉积相带。这些沉积相的纵向演化规律揭示了东沙隆起在早中新世海平面上升过程中经历了由碳酸盐岩缓坡到台地的沉积演化历程。      

模式识别技术在赤水天然气勘探的应用

本文分析了赤水地区近几年使用的几种模式识别应用失败的原因,提出神经网络结合聚类分析储层油气预测方法,并分析其优缺点.指出今后还需总结经验,吸取教训,加强研究,继续深化工作.争取在地震资料模式识别技术上取得较大突破.     

基于BP神经网络的手写数字识别

介绍了光学字符识别的几种方法以及神经网络的特点，神经网络技术能够解决传统OCR方法所不能解决的问题，同时指出了手写数字识别存在的困难，论证了利用神经网络技术解决这种困难的可能性。本文实现了通过一个含有1个隐藏层的BP网络来识别手写数字，并取得了良好效果，论证了这种技术用于手写数字识别的可行性。     

海相碳酸盐岩岩相的模糊模式识别

基于模糊式识别,本文提出聚类分析与贴近度识别相结合应用于海相碳酸盐岩岩相的分类和识别,聚类用F-PFS法,识别用本文建议的一种带参数的名为加权逆距离贴近度的新公式:S（X_i,Y_j）=sum from k=s_A-1∑ W_k(1-D_ijk)p。其中权重Wk使用一种按单因素判对率确定的新技术。该权重并可用于模糊综合评判。模糊特征向量采用扩展的正则化式计算。上述方法在湖北三叠系海相碳酸盐岩地层得到了应用,并将其划分为六个相.选用12-21个特征因素（颜色、矿物成分、古生物、颗粒组分、填隙物、沉积构造等）,并定量化赋值。聚类分析可分出四个相,贴近度识别的判对率达81.8%,按划分为六个相的贴近度识别,确切判对率达79.2%。     

五号桩油田沙三段下亚段沉积微相特征

在岩心分析、区域地层对比的基础上,详细划分、描述了五号桩油田沙三段下亚段浊积扇砂岩体的沉积相特征,并将其划分为内扇、中扇、外扇等三个亚相,其中,内扇和外扇又细分为主沟道、主沟堤、辫状水道、道间及过渡带等五种微相。通过单井及连井剖面相分析,总结了沙三段下亚段各沉积单元的平面展布特征和纵向演化规律,为该油田的全面滚动勘探开发和注采方案的编制提供了地质依据。     

鄂尔多斯盆地子长地区长6油层组沉积微相研究

研究区位于鄂尔多斯盆地陕北斜坡中部,长6属于鄂尔多斯盆地延长组湖泊发育中期,接近湖盆最发育的长7油层组,是研究区的主力层位。通过野外剖面沉积相的识别和大量测井资料,对子长油田长6沉积体系进行小层识别与划分,确定子长地区长6期为三角洲沉积体系,掌握沉积微相的空间展布、沉积微相与油气富集规律的关系。