L波段雷达系统不同测风方法计算结果分析

根据广东阳江探空站L波段雷达系统观测的测风资料分析,测风记录用综合探测雷达测风方法与无斜距（或高度替代）测风方法计算的测风量得风层的结果,少数情况下会出现与理论值不相符的现象,两种测风方法计算的结果,有时会超出高空气象观测仪器总体测量准确度要求允许的误差范围。在雷达的仰角小于30°时,量得风层的风速小于3 m/s时,两种测风方法计算量得风层的风速基本相同（误差在允许范围内）,但风向有的相差较大,超出测量准确度要求允许的误差范围。当雷达仰角小于15°,量得风层的风速大于30 m/s时,两种测风方法计算量得风层的风向比较接近,但量得风层的风速有的却相差较大,超出测量准确度要求允许的误差范围。     

机器学习算法在地球物理测井中的适用性及应用

机器学习，特别是深度神经网络学习算法的发展，正在改变人们发现知识的方式。目前油气工业正在向转向非常规和深海的油气勘探和开发。基于有限岩石物理参数建立的评价解释模型难以满足反映非常规储层复杂的岩性和结构，这使传统测井评价技术受到了很大的挑战。以油气大数据为基础、机器学习算法为核心、油气大数据云计算为动力以及油气应用场景为源泉的油气人工智能（Oil&Gas AI）极大地改变传统的油气工业各个领域。笔者以地球物理测井为研究对象，依据数据驱动的地球物理知识发现原理和机器学习属性，按照“数据–算法–平台–知识–应用场景”研究思路，开展机器学习算法在测井技术中的适用性研究。对机器算法的内在特性、原理、质量控制、硬件要求，学习模型选择、测试以及性能评价实现过程进行分析。笔者梳理和总结了机器学习算法在测井中适用性的树状图，尤其是在油气测井的方法研究、数据处理以及地层评价中的应用潜力与机器学习算法对应关系，其中包括数据校正的模拟方法、数据标定的岩石物理分析、测井数据质量控制、综合评价以及油藏评价监测。研究表明，机器学习算法在岩性识别与储层分类、力学评价、以及油藏评价等方面应用有明显的优势，贯穿于...