叠前反演基础数据的优化处理——以扎哈泉地区为例

高质量数据是提高反演精度的基础,通过对扎哈泉原始资料分析认为该区资料存在一定问题,首先,受井眼环境的影响密度曲线在扩径段严重失真,影响后续时深匹配、子波提取、低频模型建立等环节;其次,地震叠前CRP道集存在随机噪音、剩余动校正量、AVO趋势与正演结果不一致使得反演结果产生偏差。基于以上问题在分析曲线内在联系的基础上采用多元线性回归校正方法对失真密度曲线进行校正;采用超面元均值滤波去噪处理技术、非地表一致性层拉平技术、AVO趋势校正提高地震资料的可信度。经过处理后密度曲线在扩径段收敛,时深匹配好,处理后地震数据信噪比高,道集剩余时差与错误AVO趋势现象消除,预测效果得到改善。因此认为以上数据优化处理技术在扎哈泉地区具有一定的适用性。     

多元回归方法校正扩径对密度曲线声波曲线的影响

测井曲线的质量易受井眼环境因素的影响,井径扩径段井壁凹凸不平、泥浆侵入、泥饼等容易造成曲线畸变失真,特别是探测深度较浅的密度和声波时差曲线。笔者利用曲线之间的内在关系,用多元回归分析的方法把畸变失真的曲线校正到了真实的测量范围。校正后曲线制作的合成地震记录与井旁地震道相关性较高,得到了满意的结果。该方法快速高效、易操作,为井震标定提供了高质量的数据。     

基于双趋势约束二分法测井环境校正的研究与应用

准噶尔盆地阜东斜坡区侏罗系石树沟群发育规模河道砂体，具有断裂和砂体共同控藏特征，但由于砂岩和泥岩均受井眼垮塌等因素影响，导致测井曲线严重失真，常规曲线校正方法难以实现砂泥岩的准确回归，直接影响砂体落实及油气检测精度。通过区内综合对比分析，在明确砂岩低阻抗、泥岩高阻抗特征的基础上，首先应用井眼扩径率对密度的影响，实现砂泥岩整体背景趋势校正；其次选择与砂岩对应良好的核磁总孔对砂岩趋势进行控制，保证砂岩、泥岩相对关系合理，并通过叠合密度振幅变化细节，最终实现测井曲线的精细校正。创新形成基于双趋势约束的“二分法”测井环境校正方法，有效提高测井曲线质量，为研究区储层预测、油气检测等提供可靠数据。该方法的应用较好地解决阜东地区多年来河道砂体预测不准的地质难题，并指导后期井位部署工作。     

多参数岩性反演在煤田地震勘探中的应用

基于模型的常规地震反演方法,利用声速或密度测井曲线进行约束从而获得波阻抗信息.但是,当目的层与围岩的波阻抗差异很小时,根据波阻抗信息很难解决层位对比问题.实际上,视电阻率、自然伽马等测井曲线可以提供其他的地层岩性信息,利用多参数进行约束反演对区分岩性更加敏锐.双测井曲线融合法将密度和视电阻率测井曲线融合、变换后得到一条拟密度曲线,该曲线同时突出了煤层与岩浆岩的密度和电阻率异常.利用该曲线进行约束,可以实现多参数岩性反演.     

聚类分析方法在测井曲线重构中的应用

由于受地质和钻井技术条件所限,在探井时存在井眼垮塌等现象,对测井约束反演的结果会产生很大的影响。为消除各种影响,得到反映地层真实物性的测井曲线,笔者运用聚类分析方法来重构纵波、密度、横波曲线,该方法突破了常规的岩石物理方法框架,以一种统计学的角度来提高反演的精度。S-W工区的S5井及P工区的P3井运用效果表明,运用该方法重构的曲线制作合成记录取得的效果较好。在P3井中,重构的纵波速度与密度求取的纵波阻抗曲线所获得的合成记录道与原始地震记录道的相关性由非重构的0.59提高到0.84。     

测井-地震多属性密度曲线重构反演技术及应用

为了提高波阻抗反演的分辨率,在密度资料对反演结果产生重要影响的基础上,利用岩心、测井及地震资料,从岩石物理性质-测井响应-地震响应角度分析,提出应用测井-地震多属性密度曲线重构技术合成拟密度曲线,其结果用全井连续取心样品测试分析数据验证的平均误差为0.05 g/cm3.应用反演效果分析表明,反演结果吻合率从重构前的78%提高到重构后的86%,密度曲线重构反演技术提高了反演精度和分辨率.     

基于自适应粒子群优化算法的波阻抗反演方法

针对地震勘探资料依赖线性优化方法进行波阻抗反演不易得到全局极值的问题,提出一种改进的粒子群优化算法-自适应粒子群优化算法进行波阻抗反演。自适应粒子群优化算法是以群智能优化理论为基础,通过3种可能移动方向的带权值组合进行全局寻优。该方法搜索速度较快,且具有较强的全局寻优能力。通过函数测试和波阻抗反演的应用,结果表明,自适应粒子群优化算法是一种适应能力较强的全局优化算法,用该方法进行波阻抗反演是可行有效的。      

页岩气水平井TOC测井评价新方法

由于存在地层缺失、井眼穿层不断变化、重点层段测井曲线较少、井眼环境复杂、测井响应值与储层参数关系较为复杂等特点,页岩气储层水平井测井解释难度较大.针对该问题,本文采用“水平井钻遇地层模型—水平井间及水平井与直井响应差异分析—水平井曲线校正—基于直井的参数评价模型”的评价技术流程,进行页岩气水平井TOC测井评价.在测井评...     

地震标定中的测井资料精细处理方法及应用

在岩性油气藏的勘探过程中,利用测井资料标定地震解释层位是一项最基础和重要的工作。面对各种质量和来源的测井资料,传统的测井数据处理方法已难以满足地震标定的要求。这里结合岩性油气藏的特点,针对不同时期井眼扩径条件下采集的测井资料,提出了用于地震标定的环境影响校正、降分辨率、降速度,和低速带的增速校正等一套完整的测井精细处理方法。通过在准噶尔盆地的应用,使地震标定的相关系数有了大幅度提高。     

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。      

时移测井曲线重构方法及其在A油田中的应用

时移测井曲线重构是为满足储层时移地震研究需求,根据时移地震基础状态和监测状态的采集时间而对测井曲线进行后推或者前延的处理。以深水扇油藏水驱开发测井曲线重构研究为例,探讨了基于岩石物理研究的时移测井曲线重构的方法。通过分析在地震采集的不同时间点的地层含水饱和度的变化开展岩石物理分析,得到水驱过程中岩石物理参数的变化,重构得到不同时间点的测井曲线,并应用到后续的时移地震反演中。应用效果表明,时移测井曲线重构为后续时移地震反演提供了准确可靠的测井数据。     

加速动态时间规整算法在测井曲线相似性度量中的改进及其应用

加速动态时间规整(fastDTW)算法在测井曲线相似性度量过程中存在异常点问题,且难以确定搜索边界。针对上述问题,本文首先将fastDTW算法与SDTW(summation dynamic time warping)算法结合,得到fastSDTW算法,通过重构测井曲线综合时间序列梯度信息和数值信息解决异常点问题。然后,结合井轨迹资料提出自适应搜索边界,并基于该边界,应用fastSDTW算法进行斜井和水平井测井曲线相似性度量。结果表明,基于自适应搜索边界的fastSDTW算法的精度更高,时间复杂度为O(N),确保了算法的运行速度。最后,将该算法应用到水淹层识别工作中,通过邻井对比的方式识别水淹层,取得了预期的应用效果。     

基于BBO-PSO混合优化算法的探地雷达波形反演

探地雷达反演问题是高度非线性的,采用线性反演方法往往难以获得较好的反演效果,因此提出了将生物地理学优化算法同粒子群优化算法相结合的混合非线性反演方法。将该方法用于探地雷达时间域波形反演,采用时间域有限差分方法进行正演,以信号的均方误差函数作为目标函数,并针对波形反演的特点,在目标函数中加入波形的导数拟合差作为约束项,实现了结构层厚度和介电常数的波形反演。对比经典粒子群算法和生物地理学优化算法在多层介质仿真数据的一维波形反演中的效果,验证了该改进算法的有效性和抗噪性。     

应用一种改进BP神经网络算法预测密度曲线

利用测井数据与地震数据二者相结合进行综合分析,是地震勘探工作者的重要工作。可以通过分析井位处的地震数据与测井数据,提取地震的多个属性,建立一个与测井属性的统计关系。选取已改进的三层网络结构BP神经网络算法,在应用一个实际例子后表明,该算法的主要特点是收敛速度快、计算简单,同时还具有跳出局部最小的能力。应用此神经网络算法对某油田的二维地震数据进行了处理,提取了多种地震属性,并在井位置建立了地震属性与密度曲线的非线性关系,成功预测了剖面密度曲线,为了解储层状况提供了有益的资料。     

基于地震属性优化和机器学习的煤层厚度预测方法

煤层精准定位是无人采煤的关键技术,煤层厚度预测是煤田地震资料解释的重要研究内容之一。参考实际地层厚度及物性参数,构建含楔形煤层的正演模型,通过地震剖面正演和地震属性提取、优化,对比分析信噪比和多种回归方法对煤层厚度预测的影响。研究结果表明：部分地震属性与煤厚相关性较强,可以用于煤厚预测;地震属性间的信息冗余不可忽略,但基于主成分分析和多维标度的地震属性优化结果无本质区别;当信噪比较低(10 dB)时,随机森林回归算法的均方根误差最小(1.07),支持向量机回归算法的误差居中(1.15),多元线性回归算法的误差最大(1.84);当信噪比较高(25 dB)时,支持向量机回归算法的误差最小(0.05),随机森林回归算法的误差居中(0.11),多元线性回归算法的误差最大(0.20);输入数据信噪比对煤厚预测有明显影响,信噪比越高、预测效果越好。基于地震属性优化及支持向量机回归的煤厚预测方法,是实现薄煤层厚度高精度解释的一种有效途径。     

基于粒子群优化算法的小波神经网络缝洞型储层识别模型

针对缝洞型储层识别精度较低这一难题,提出了基于粒子群优化算法的小波神经网络（PSO—WNN）储层识别模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络储层识别模型。该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。这里以济阳坳陷桩西埕岛地区古生界潜山缝洞型储层识别为例,利用常规测井参数作为模型的输入参数,以储层类型赋值作为输出,选取九口井的108个已知样本,采用不同隐含层个数对模型进行多次训练。通过对比分析,最终确定隐含层个数为10,建立起该区的Ⅰ类、Ⅱ类、Ⅲ类储层识别模型。利用已建模型对十八个检验样本进行识别,其识别正确率高达100％,而BP神经网络识别正确率为88％。这表明该模型对缝洞型储层的识别效果较好,为缝洞型储层的进一步研究提供了可靠的依据。     

基于Lévy飞行的粒子群算法在大地电磁反演中的应用

粒子群优化算法在大地电磁测深反演中相较于一般的线性反演算法具有多种优点。然而标准粒子群算法在多维优化问题中存在早熟问题,为此,采用基于Lévy飞行随机游走策略的优化粒子群算法来处理局部最优解,增加寻优能力。通过对地电模型的反演对比表明,改进后的粒子群算法相较于标准粒子群算法适应度值下降速度更快、寻优能力更好。最后将该算法应用于已知钻孔旁实测数据,结果较好,表明该算法具有较好的实用性。     

基于粒子群算法的模糊优选神经网络储层识别模型

针对致密储层中气水干层识别准确率较低这一难题,提出基于粒子群算法(particle swarm optimization,PSO)的模糊优选神经网络识别模型.其基本思路:首先对所有的变量进行分析,提取反映储层本质的主要属性,消除重叠信息的输入,然后将粒子群算法与模糊优选神经网络相结合,构建基于粒子群算法的模糊优选神经网络识别模型.以陕甘宁盆地中部气田马五1储层气水干层识别问题为例,选用十九口井分层测试的92个已知样本(其中八十个用于模型构建,十二个用于精度检验),对物性、测井和储渗特征等方面的十个特征参数进行分析,从中提炼出电阻率、自然伽玛、产能系数、储渗因子、介质类型因子等五个主成份控制特征参数,消除重叠信息的影响.并以此作为神经网络输入层的输入,以样本储层的产能赋值作为输出,构建基于粒子群算法的模糊优选神经网络模型.模型的识别正确率达到100%,标准误差比传统模糊神经网络降低了60%.这表明该模型具有更高的识别精度,为致密储层的准确识别探索了又一种新方法,对同类地区的研究在一定程度上具有指导作用.     

基于测井参数优选的煤层含气量预测模型

随着煤层气勘探的不断深入,对煤层含气量预测精度提出了更高的要求。基于煤层含气量测井响应特征,分析测井参数与含气量的相关性,提出MIV（Mean Impact Value）技术与LSSVM（Least Squares Support Vector Machine）结合的测井参数优选策略,优选最优测井参数作为网络建模的输入自变量组合,通过粒子群算法优化LSSVM网络核心参数,最后构建一套适用于煤层含气量预测的MIV-PSO-LSSVM模型。在此基础上,分别对比分析LSSVM、PSO-LSSVM、MIV-LSSVM和MIV-PSO-LSSVM模型对煤层含气量的预测性能,并与传统多元回归方法进行了对比,利用拟合优度和均方根误差对此5类模型进行评价。结果表明:PSO优化下的LSSVM模型预测精度得到有效提升,结合MIV方法优选测井参数可大幅度改善神经网络建模性能,MIV-PSO-LSSVM模型可实现煤层含气量高精度预测,为煤层气勘探及其储层评价提供新的技术支撑,且本研究的建模策略及思想可广泛应用于其他机器学习建模研究领域。      

测井与地震资料联合反演预测K2灰岩及其含水性

阳煤五矿主要可采煤层15号煤层顶板发育的K₂灰岩不是良好的地震波反射界面,常规地震剖面很难连续追踪。测井曲线上的K₂灰岩表现为高密度和高视电阻率异常,采用密度与视电阻率两种测井曲线融合生成拟密度曲线,基于模型反演得到地层岩性数据体,从而识别灰岩的赋存形态与厚度;采用概率神经网络反演的方法,优选出9种地震属性,构成神经网络训练样本,对灰岩的孔隙度和视电阻率进行神经网络反演,预测灰岩的富水性。