下载文档原格式
基于智能算法的油气勘探中的储层预测研究近年来，基于智能算法的储层预测研究已经成为了油气勘探领域的热门话题。
智能算法作为一种先进的预测方法，已经在储层预测中取得了许多成果。
本文将从智能算法的概念定义入手，探讨其在油气勘探中的应用和发展现状，并探讨智能算法在油气勘探中的发展趋势。
一、智能算法的概念及定义智能算法是一种可以模拟人类智能行为的算法，它主要应用于数据挖掘、机器学习、模式识别等领域。
所谓智能算法，主要包括遗传算法、神经网络、模糊逻辑、支持向量机、贝叶斯网络、模拟退火等一系列算法。
这些算法通常都会以自适应、数据驱动为基础，通过对大量数据处理和模型优化，达到提高预测精度的目的。
二、智能算法在储层预测中的应用智能算法因其自适应、数据驱动和高精度等特点，越来越受到油气勘探领域的关注，并在储层预测、组合预测、地质建模等方面得到广泛应用。
（一）智能算法在储层预测中的应用储层预测是油气勘探领域一项重要的任务，其难点在于预测精度和预测速度的提升。
智能算法可以通过大量的数据处理和模型优化，实现高水平的预测精度。
其中，神经网络算法适用于储层纵向预测，而支持向量机和模糊逻辑适用于储层横向预测。
（二）智能算法在组合预测中的应用组合预测是目前油气勘探领域普遍采用的一种预测方法，其基本原理是将多个模型输出结果进行加权平均，从而提高预测准确率。
智能算法可以用于组合预测的组合模型的优化，从而提高组合预测的精度和可靠性。
（三）智能算法在地质建模中的应用地质建模是油气勘探中非常重要的环节，其目的是通过对各种地质数据的整合、分析和处理，开发出合理的井位和油气储量分布模型。
智能算法可以通过大量的数据处理和地质建模优化，实现高水平的预测精度。
三、智能算法在储层预测中的发展现状近年来，智能算法在油气勘探领域中的应用得到了广泛的关注和研究。
在储层预测中，神经网络、支持向量机和模糊逻辑等算法已经取得了很大的进展。
而组合预测和地质建模等领域也开始得到越来越多的研究和应用。
开发应用38BP神经网络在计算储层参数中的应用李飞1张萍2王赛英3（1.中国石化胜利油田分公司河口采油厂采油二矿二队，山东 东营 257200；2.中国石化胜利油田分公司河口采油厂采油四矿四队，山东 东营 257200；3.东营市河口区油区工作办公室，山东 东营 257200）摘 要：人工神经网络近年来在石油行业中广泛使用，以稳定性和计算能力强为特点的BP神经网络更是广为应用。
孔隙度和渗透率是储层物性的重要参数，在储层评价中占据重要地位。
寻找一种广泛而有效的方法计算孔隙度和渗透率是石油工作者的一项艰巨任务，本文选用了BP神经网络分别建立计算孔隙度和渗透率的模型，并通过与岩芯分析数据作对比，取得了良好的效果，有进一步推广的潜力。
关键词：储层参数；神经网络；BP；测井解释DOI：10.3969/j.issn.1671-6396.2013.01.0191 引言孔隙度和渗透率是油气储层的两个重要基本参数，取心和试井能得到较为准确的孔隙度和渗透率值，但是费用高、时间长，一般只在参数井和重点井中进行。
通常，孔隙度、渗透率资料是通过经验公式拟合得到，测井资料是较为常用的资料之一。
通过测井资料获得孔隙度、渗透率值常用的方法有逐步回归、经验公式等，但只在勘探开发程度较高和储层非均质性不强的地区能取得较好的效果。
本文研究的目的层是哈得逊地区东河砂岩段，由于该层段整体上非均质性较强，且BP神经网络能的计算能力和适应能力很强，因此本研究中采用该方法计算孔隙度、渗透率。
2 人工神经网络简介人工神经网络[1-4]（简称ANN）是由人工建造的，以有向图为拓扑结构的动态系统，通过对连续或断续的输入作状态响应而进行信息处理。
实质上就是模仿人的大脑的工作方式而设计的，具有大量连接的并行分布式处理器，它具有通过学习获取知识并解决问题的能力，并且知识分布存储在连接权中。
它在一些工程实践和科学研究中，已经显示了强大的威力，尤其是在控制优化、预测和管理、信号处理、模式识别与图象处理等领域得到非常广泛的应用。
神经网络在油气层识别技术中的应用及进展作者：贾政来源：《商品与质量·学术观察》2012年第11期摘要：近年来用人工神经网络对储层进行识别与评价成为研究及应用的较为广泛的方法。
它模拟人脑的结构，通过对外界事物的感知及认识实现其判别过程，神经网络具有很强的自适应学习能力。
神经网络对储层进行识别和预测，有着巨大的社会效益和经济效益。
关键词：神经网络油气层识别进展油气勘探具有高投入、高风险的特点，如何利用现有勘探资料，采取切实可行的技术方法，增强测试层位的可靠性和准确性，对于扩大油气储量及提高已发现油气藏的勘探价值具有重要意义。
首先精确地判识油气层位，可以大大减少试油成本及减少投资损失。
其次对于新的勘探区域，如能准确地判识出油气层，则有助于新的油气藏的发现。
因此，对储层进行识别和预测，有着巨大的社会效益和经济效益。
油气层综合解释的任务是要判断储层中所含流体的性质，从而为准确地发现油气层和确定试油层位提供依据。
目前油田常用的解释方法主要有定性解释法和交汇图法，其前者不足是受人为因素影响较大，自动化、系统化程度较低；而后者在解释时只能对参数成对考虑，无法同时综合多个有效参数。
鉴于上述方法的诸多不足，近年来用人工神经网络对储层进行识别与评价成为研究及应用的较为广泛的方法。
1、概述神经网络具有很强的自适应学习能力。
它模拟人脑的结构，通过对外界事物的感知及认识实现其判别过程，如加利福尼亚技术学院J．J．Hopfield提出的Hopfield网络用于地震模式识别油气层系统。
用从有噪声干扰的模拟地震记录中检测亮点模式，识别能力是十分惊人的。
Poultion M．M等人在给定油气层的电磁椭圆图像情况下，用神经网络方法来估算良导体的位置、深度和导电率与面积乘积，效果也是很好的。
模糊识别的优点：①利用测井多参数模糊识别储层时，各测井参数反映储层类型所包含的信息不同，因此综合储层模糊隶属度中各参数所加权值应根据曲线对模式识别贡献的大小来确定。
概率神经网络在低孔低渗油气层识别中的应用摘要:针对低孔低渗储层物性差、孔隙结构复杂以及含水饱和度高等特点,为了解决利用测井资料进行低孔低渗储层流体性质准确识别较困难的问题,提出了一种概率神经网络判别解释方法。
以中国西南某一低孔低渗气藏为例,结合试油资料,对不同流体性质的储层进行了测井响应特征分析,根据测井响应特征与流体性质的相关性对概率神经网络进行了训练,从而对该区储层流体性质进行了预测和识别。
实际资料处理的结果表明:解释符合率显著提高,取得了较好的应用效果。
关键词:概率神经网络低孔低渗流体性质测井识别1 引言低孔低渗储层由于孔隙结构复杂、孔隙间连通性差,往往驱替不充分,一般形成低饱和度油气层,又低孔低渗储层储集空间小,测井信息中来自流体的贡献少,导致测井对油气的敏感性降低,而储层岩性和孔隙结构的复杂性以及钻井液的侵入作用进一步掩盖或模糊了电阻率测井反映油气特征的能力[1-2]。
这种类型的油气层,在电阻率曲线上常表现为油气层和水层的电阻率比较接近,直接根据电阻率测井值的大小将它们区分开较困难[3]。
概率神经网络是一种基于概率密度函数理论且泛化能力很强的神经网络,可以用这种网络来描述各种测井响应特征与流体性质之间的复杂关系,把低孔低渗储层分为气层、气水同层和水层,作为输出层;把控制因素作为输入层,对网络样本进行训练和学习,可以达到预测低孔低渗气层的目的。
2 概率神经网络的理论基础概率神经网络(Probabilistic Neural Networks,PNN)由Specht于1990年提出,它是一种基于概率密度函数理论且泛化能力很强的神经网络,其本质上是对径向基函数神经网络的一种重要变形,具有计算复杂度低、结构简单等特性;在解决分类问题上,当训练样本数据足够多时,收敛于一个贝叶斯分类器,具有良好的泛化能力[4]。
概率神经网络是由输入层、隐含层和输出层组成的三层前向式网络,其结构如图1所示。
设输入层有n个神经元,即x1,x2,…,xn;输出层有m个神经元,即y1,y2,…,ym;隐含层有1×m个神经元,分为m个类别,其中l为同类学习样本矢量个数。
一种优化的BP神经网络算法在石油储层预测中的应用
刁凤琴;诸克君;於世为
【期刊名称】《系统管理学报》
【年(卷),期】2008(17)5
【摘要】模型将GA、SA与BP 3种算法有机地融合在一起,实现优势互补。
采用二进制与实数混合编码,可以动态地根据样本特征对BP网络中的输入节点数、隐层节点数、转移函数、权值与阈值等进行自适应优化调整。
在保证精度的前提下,采用较少的输入节点和隐层节点数,使网络的结构相对简单。
采用自适应交叉率、变异率与学习率,以增强网络的自适应与泛化能力,极大地减少人为主观因素对网络设计的影响。
【总页数】5页(P499-503)
【关键词】动态;全参数;自适应;遗传算法;BP网络;结构确定
【作者】刁凤琴;诸克君;於世为
【作者单位】中国地质大学(武汉)经济管理学院
【正文语种】中文
【中图分类】F830.49
【相关文献】
1.应用测井和BP神经网络算法预测储层敏感性 [J], 孙建孟;谭末一;李召成
2.应用优化的BP神经网络模型预测储层伤害程度 [J], 罗向荣;任晓娟;赵强;王亚鹏
3.粒子群优化支持向量机算法在页岩储层总有机碳含量预测中的应用——以渝西地
区Z井区为例 [J], 陈愿愿;邓小江;王小兰;何奇;黄东山;程莉莉;张耀云;李秋婉
4.一种MPSO-BP-RBF网络模型及其在石油储层预测中的应用 [J], 於世为;诸克军;郭海湘
5.一种基于差分演化算法的规则提取及其在石油储层识别中的应用 [J], 郭海湘;黎金玲;李亚楠;孙涵
因版权原因，仅展示原文概要，查看原文内容请购买。
2000年4月石油地球物理勘探第35卷第2期·经验交流·模糊神经网络预测储层及油气 熊 艳 包吉山 肖慈王旬(四川石油管理局地调处成都物探研究中心) (成都理工学院) 摘 要熊艳,包吉山,肖慈王旬.模糊神经网络预测储层及油气.石油地球物理勘探,2000,35(2):222～227 利用模糊理论和BP网络相结合组成的模糊神经网络系统,能够克服单独使用BP网络的局限性,可在地质条件较复杂地区进行储层及油气预测。
通过实际资料应用表明,在单独应用BP网络进行储层及油气预测效果较差的地区,采用模糊神经网络能取得较好的效果。
主题词 储层预测 模糊神经网络 模糊聚类 BP网络ABSTRACTXiong Yan,Bao Jishan and Xiao Cixun.Hydrocarbon reservoir prediction usingfuzzy neural network.O GP,2000,35(2):222～227 The fuzzy neural netw ork that is fo rmed by co mbining fuzzy th eo ry and BPnetw o rk remov es the limitation of BP netwo rk to achieve hydroca rbo n reservoirprediction in the area w here g eologic condition is v ery co mplex.It ha s been show nin practical a pplicatio n tha t the fuzzy neural netw o rk bring s go od predictio n effectin an area in w hich BP netw ork has po or hydrocarbo n predictio n effect.Subject terms:reservoir prediction,fuzzy neural netwo rk,fuzzy clutering,BPnetw ork引 言多地震参数储层横向预测技术近年来得到很大的发展。
利用多地震参数研究储层和含油气性时,模式识别技术是一种有效的手段。
基于模式识别技术的各类方法技术(如统计模式识别技术、灰色系统方法、神经网络技术、模糊判别技术等)在物探领域内都得到了较多的应用,也取得了较好的结果。
其中模糊理论和人工神经网络是近年应用较为广泛的两类方法,但将二者相互结合起来加以应用在物探领域还较少。
模糊理论具有被人容易理解的表达能力,而隶属函数难以求取;神经网络具有很强的自适应学习能力,但对于较复杂的情况,它需要较长的时间学习。
用BP网络预测油气时,人们常用的神经网络为BP神经网络,在已知井较少、地质条件比较简单的地区,BP网络的应用效果较好;但对于已知井较多、地质条件比较复杂的地区,X i ong Yan,Res earch Cen ter of Oil Geoph ysical Pros pecting,Zhongh echang,Chengdu City,Sichuan Province,因为地震特征横向上有较大的变化,所以训练样本较复杂,网络训练也难以收敛,因此BP 网络的应用较为困难。
本文介绍了一种基于神经网络的模糊系统[1](以下简称模糊神经网络系统),利用模糊聚类方法确定神经网络个数,用BP 网络的学习能力来求取隶属函数,将二者相互结合,利用二者的长处,提高系统的学习能力。
通过实际应用表明,它能克服单个BP 网络的不足,在地质条件较复杂的情况下较好地解决了储层及油气预测问题。
方 法 原 理本文所研究的系统结构如图1所示,共有R +1个神经网络(均为前向型BP 神经网络,神经元的传递函数为Sig moid 函数,输出层函数采用线性函数)。
先用模糊聚类方法[2]对训练样本进行分类,假设分为R 类,则对应R 类有R 个(NN 1～NN R )神经网络,利用属于每类的样本分别训练各自的神经网络,设第j 类的输出为g j ;神经网络NN mf 用所有的训练样本进行训练,有R 个输出(u j ,j =1,2,…,R ),该网络的输出代表每类对输入的适用度(即输入属于每类的隶属度值,反映了输入变量的联合隶属函数值)。
系统最后的输出等于每类的输出与NN mf 对应的输出u j 的乘积之和y =∑Rj =1u jgj式中g j 为NN j 的输出。
图1 基于神经网络的模糊系统 系统由神经网络构成,反映了模糊系统的模糊规则。
建立系统的步骤如下:(1)确定输入输出学习样本(X i ,Y i ),其中i =1,…,k ,k 为样本个数。
(2)根据训练用的样本,用模糊聚类法对输入样本进行聚类。
假设聚类分成R 个组,即对应R 条模糊规则。
(3)训练NN mf 。
该神经网络为BP 网络,输入输出学习样本为(X i ,W i )。
输入样本具n 个输入量,输出样本具R 个输出量。
输出样本确定如下:假设训练样本中的X i 在第(2)步中被聚类到第S 组中,则NN mf 对应该输入样本的输出样本W i 定为W i =(W i 1W i 2…W i S -1W i S W i S +1…W i R )T =(00…010…0)T利用所有的训练样本训练NN mf 。
(4)训练对应结论部的神经网络NN S (S =1,2,…,R ;NN S 也为BP 网络)。
学习样本为(X i ,Y i )。
假设NN S 对应第S 条规则,即对应第(2)步聚类分组后的S 组。
那么第S 组内所有输入输出样本就是NN S 的学习样本。
确定NN S 的学习样本后,训练网络。
223第35卷 第2期 熊艳等:模糊神经网络预测储层及油气 (u 1,u 2,…,u R ),NN S 的实际输出为g S 。
整个系统的实际输出为:y =∑Rj =1u j g j,即为预测结果。
实际应用及效果分析本文利用该系统对某气田一小区块的蓬莱镇上组合的一层薄层砂体进行了砂体厚度预测和油气预测[3]。
在该区块上,有十几口井分布于地震测线上或附近,将其中测线附近的井投影到测线上,可作为学习或验证样本。
通过钻井资料显示,该层的厚度一般在0～17m 左右。
该区砂岩含气情况较为复杂,分为不含气、微气、含气三类。
在储层预测中,一个比较关键的问题是地震特征参数的选取。
对于多参数储层预测而言,不同的研究目标(如地层岩性横向变化、储层物性横向变化、流体性质横向变化等)、不同的地区、不同的目的层在地震参数上有不同的反映。
而且利用多参数进行储层预测,并非参数越多越好,过多的与目标相关性小的参数一方面会增大计算量,另一方面会压制相关性大的参数,影响预测效果。
对于不同的应用目标,应先进行参数选择。
本文可提取的地震特征参数有时域波形特征、自相关函数特征、自回归特征、最大熵谱特征、三瞬特征、小波参数等共六十余种参数。
对这些特征(参数)进行分析,并选择出与储层厚度、含油气性密切相关的地震特征参数。
本文尝试利用统计标定技术[4]将地震参数与由测井资料导出的地质特征参数进行处理,建立某些地震属性与某些地质性质间的可靠关系,选取适当的地震参数,并对选取的参数进行压缩。
薄层厚度薄层厚度是油藏描述的重要参数之一,但薄层厚度预测又一直是一个难题。
当目的层厚度小于地震波的调谐厚度时,就不能用地震波的峰谷间距确定薄层厚度。
一般把厚度小于1/4子波波长的地层称为薄层。
以前计算薄层厚度主要是在时域或频域内利用振幅或频率参数预测。
然而用单一参数预测薄层厚度,抗干扰能力差,预测精度也不高。
近年来利用多地震参数采用神经网络求取薄层厚度取得了一定效果[5]～[7]。
本文利用单个BP 网络和模糊神经网络来预测薄层厚度,并比较两种方法的应用效果。
选取7口井及井旁一道地震道作为学习样本。
先对井的厚度进行归一化,该区砂岩含气情况复杂,因此对参数的影响也有所不同。
通过对该区已知资料的分析比较,选取了均方根振幅、振幅极大值、小波参数中2个分频带的时域能量、某分频带的平均绝对振幅、某分频带的频域能量等参数。
并对选取的多个参数进行压缩,得到4个压缩参数,这些参数的变化综合反映了多个参数对厚度变化的影响。
首先利用单个BP 网络预测厚度,网络学习50000次,总误差达0.004;利用模糊神经网络进行预测,用模糊聚类方法先将样本分为两类,分别用样本训练NN mf 和NN 1及NN 2。
NN mf 网络训练9672次,总误差达0.0001;NN 1网络训练了2819次,总误差达0.0001;NN 2网络训练了7175次,总误差达0.0001。
模糊神经网络总的学习时间远小于单个BP 网络的学习时间。
学习和预测结果见表1。
从总的预测结果来看,单个BP 网络预测的精度较差,模糊神经网络预测的精度较之要高,特别对于几米厚的薄层,用单个BP 网络学习和预测的误差较大。
从学习时间和预测效果比较来看,模糊神经网络要优于单个的BP 网络。
224 石油地球物理勘探 2000年 表1 薄层厚度学习及预测结果 m 井 位实际厚度BP 网络预测值预测厚度绝对误差模糊神经网络预测值预测厚度绝对误差备注CX 26011.011.60-0.6011.40-0.40CX 261 3.5 6.27-2.77 3.54-0.04样本CX 217 6.0 6.64-0.46 6.04-0.04L4 5.0 6.27-1.27 5.17-0.17样本CX 2189.87.27 2.539.84-0.04样本CX 238 5.0 6.27-1.27 5.40-0.40样本CX 156 5.0 6.28-1.28 4.580.42CX 15911.016.70-5.3010.800.20CX 21413.513.74-0.2413.63-0.13样本CX 267 6.5 6.270.23 4.42 2.08CX 239 6.07.00-1.00 6.11-0.11样本CX 25612.012.36-0.3613.06-1.06CX 155 5.5 6.28-0.78 5.480.02X 3412.011.450.5512.10-0.10样本位为目的层,上边4条曲线为经选择压缩的参数曲线,最下边的曲线为厚度预测结果,图中表现为0～1的值代表0～17m 的厚度变化值。
图2 测线L 578厚度预测结果油气预测据已知井的钻井资料显示,该区砂岩含气情况大致分为不含气、微气、含气三类,但缺少该砂层的具体产量。
通过分析,确定出该区对含气情况较为敏感的地震特征参数为主频、平均频率、频带宽度、瞬时相位、小波参数中的某两个分频带的均方根振幅等,并对参数进行了压缩。
