高矿化度地层水地区水淹层识别的几种实用方法

水淹层解释受注入水性质、水淹程度、泣采井网等动态因素的影响而具有相当的难度。以大量已投产证实的生产实际资料为基础,分析归纳出利用电阻率、自然电位、压力系数等信息来识别水淹层的方法,具有资料丰富、方法实用且直观等优点,适应于高矿化度地层水地区的水淹层解释。

基于主成分分析的Fisher判别法在L地区水淹层识别中的应用

经过多年的注水和聚合物驱开发,L油田水淹层测井响应变化异常。利用常规的交会图方法无法将该区的水淹层有效地区分开来,而直接的Fisher判别法也存在变量间重叠信息量大,分类识别精度不高的缺点。对此,笔者提出采用基于主成分分析的Fisher判别法,对水淹层进行了分类识别,正确识别率达到了87.95%,应用效果较好。

支持向量机及其在复杂水淹层识别中的应用

研究了基于结构风险最小化原理的支持向量机方法对模式类的识别能力 ,构造了可用于多个模式类识别的级连式SVM模型。该模型易于实现 ,且能够找到模式间的最优分类超平面 ,泛化能力较高。支持向量机用于模式识别不存在局部极小值问题 ,且不需网络迭代训练 ,求解速度明显高于神经网络。该模型采用两种核函数 ,将SVM用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系 ,从而实现模糊性油藏测井解释中水淹层的识别。实验结果表明 ,此方法对解决水淹层识别问题具有良好的适应性和实用性。

量子神经网络及其在复杂水淹层识别中的应用

提出一种量子BP网络模型及学习算法。基于量子力学中1位相移门和2位受控非门的通用性,构造出一种量子神经元模型和3层量子BP网络模型,量子神经元模型由输入、相移、聚合、翻转、输出等5部分组成。由量子神经元构造出3层量子BP网络模型,基于梯度下降法构造了该模型学习算法。将该模型及算法用于模拟油藏测井解释中测井曲线与水淹级别之间的映射关系,从而实现油藏测井解释中水淹层自动识别。实验结果表明,该方法对解决水淹层识别问题具有良好的适应性和实用性。

基于量子神经网络的油田水淹层识别方法

针对油藏测井解释中的水淹层识别问题,提出一种量子神经网络模型。该模型用量子旋转门更新量子比特的相位,用受控旋转门实现网络的非线性映射功能。网络可调参数为量子旋转门的旋转角度和受控非门的控制参数。基于梯度下降法设计了学习算法。仿真结果表明,该模型的预测能力优于普通BP网络、模糊神经网络和过程神经网络等其他方法。

基于小波包分析和过程神经元网络的水淹层识别方法

针对复杂时变信号模式识别,提出一种采用小波包变换和过程神经元网络进行水淹层识别的方法.该方法利用小波包分析具有的多分辨率特性,能有效滤掉噪声信号,从而保证有用信号时-频特征完整提取.根据过程神经元网络具有的时空二维信息处理及非线性映射能力,以其作为模式分类器,将滤波后的时变信号输入分类器中,可直接对时变信号进行模式分类.将该方法应用于油田开发测井曲线油层水淹状况识别,并给出具体的算法步骤.应用结果表明,该方法的识别效果较好.

BP神经网络在低孔渗储层水淹层识别中的应用

针对榆树林油田低孔渗储层水淹层识别难度大,提出以BP神经网络模型为理论基础,结合研究区岩心分析、试油、以及常规测井等资料,建立油层水淹状况与测井响应值之间的对应关系,实现对水淹层的高精度解释。通过对BP神经网络模型的训练,得到满足误差条件的最佳网络。运用最佳网络对测试数据进行检验分析,最终92.9%油层水淹状况解释准确,有效解决了低孔渗储层水淹层识别难度大,精度低的问题。

基于量子自组织网络的水淹层识别方法

采用量子自组织网络方法,解决油田测井解释中的水淹层识别问题.首先,构造储层特征指标集,包括测井曲线的序列指标和单个数值指标.对序列指标先采用离散Walsh滤波方法去除噪声,然后取均值,再与其他单个数值指标一起构造储层特征向量.其次,将储层特征向量转化为量子态描述,提交量子自组织网络实施聚类.最后将聚类收敛后的网络作为水淹层识别的数学模型,应用于油田相似区块的水淹层识别中.仿真实验结果表明,该方法正确识别率比传统自组织聚类方法高6%.

基于量子蚁群优化的油田水淹层识别方法

为提高油田水淹层识别精度及识别效率,论文提出一种基于量子蚁群优化算法的识别方法。首先提出一种基于Bloch球面搜索的量子蚁群算法,然后根据样本数据建立非线性回归模型,最后采用量子蚁群算法优化模型参数。方法简单直观,物理概念清楚。以大庆油田实际水淹层数据进行仿真,结果表明该方法的正确识别率比BP神经网络有25%的提高。

量子自组织网络模型及在油田水淹层识别中的应用

为解决油田测井解释中的水淹层识别问题,研究了一种量子自组织网络模型以及应用在油田水淹层的识别效果。首先样本数据由量子比特进行描述,将描述后的量子比特映射到Bloch球面上,竞争层权值则表示为Bloch球面上的任意分布的量子比特,然后根据球面坐标求得样本与权值之间的最短距离,距离最短的节点为获胜节点。针对油田水淹层水淹程度的识别问题,研究了一种量子自组织网络算法。最后以实际数据为例,进行了水淹层识别处理并与普通过程神经网络对比。结果表明,本文提出的量子自组织网络算法在水淹层识别的问题上具有较高精度。

遗传神经网络在水淹层识别中的应用

本文利用遗传神经网络实现了水淹层的自动识别。根据关键井的统计数据,首先建立起标准的流体测井相数据库,合理地划分储层水淹级别。然后利用遗传神经网络对已知样本进行训练,识别水淹层。遗传神经网络比简单的BP神经网络性强,收敛速度快。用训练好的遗传神经网络对研究工区的水淹情况进行研究,取得了较好的效果。

一种基于Boosting的油田水淹层识别算法

油田水淹级别的判定对于寻找剩余油、提高油田开发水平和稳油控水效果至关重要.本文提出了一种基于Boosting的C4.5决策树算法用于油田水淹层识别.实验结果表明,相比单一的C4.5决策树,经Boosting算法提升后的集成C4.5分类器具有较高的识别率和泛化能力,具有较高的应用推广价值.

Adaboost结合BP在油田水淹层识别中的应用

油田水淹级别的判别是油田开发中特别是开发中后期比较突出的一个问题,Adaboost结合BP的方法能改善BP算法的泛化能力.本文研究了应用Adaboost结合BP神经网络的算法处理测井资料来识别水淹层的基本原理和具体实现.通过对大庆油田三口井的试油结果相对比,该方法的运用进一步提高了水淹层的识别精度,其符合率达到84%.最后对造成误差的原因进行了分析.

AdaBoost算法在致密砂岩水淹层识别中的应用

目前各类水淹层的测井响应特征不明显,特别是致密砂岩水淹层测井曲线主要反映储层岩性特征,而反映储层流体性质的信息十分有限,导致水淹层解释多解性极强,传统的交会图技术、测井曲线对比分析等方法识别水淹级别精度低,严重影响油田开发生产。为此,本文提出了基于AdaBoost算法的预测模型,该算法分类速度快,不需要繁杂的调参过程,不会出现过拟合情况,应用多个弱分类器的线性组合,综合判断分类结果,能够有效地提高致密砂岩水淹级别的识别精度。首先,结合长庆油田长6段致密砂岩现场资料把水淹层细划分为未水淹、低水淹、中水淹、高水淹等4个水淹级别,并将这4个水淹类型拆解为二分类问题,通过不断的迭代得到样本分布,然后将弱分类器经过线性加权平均得到强分类器。该方法应用到长庆致密砂岩水淹层识别中,水淹层预测精度达88.7%,在研究常规测井资料水淹层识别中具有重要意义。

基于Boosting的油田水淹层识别算法

为了提高预测学习系统的预测能力,给出了Boosting提升BP神经网络的算法描述.通过一个加权的多数表决合并了全部预测,提高了BP算法的准确性和泛化能力.将该算法应用于油田水淹层识别,与BP神经网络算法相比,训练得到的模型具有更好的泛化能力,提高了水淹层识别的解释精度.测试集识别率达到73%.

PNN+饱和度测井复杂水淹层识别

随着油田注水工作的不断深入,主力油藏的水淹状况越来越严重,水淹层的准确量化识别成为油田高效开发、措施挖潜、老区产能调整的前提和基础。复杂水淹油藏由于平面注水推进的不均衡和清污交替混合注入,造成纵向上不同储层混合液矿化度复杂多变,给中高含水阶段水淹层识别带来极大困难。PNN+(Pulsed Neutron Neutron Plus,脉冲中子-中子升级版)饱和度测井技术在PNN的基础上增加了远近2个伽马探头,通过对储层氧元素含量变化的探测并结合俘获截面曲线综合判断水淹状况,可弥补PNN测井的不足,对油田淡水水淹、复杂水淹层的准确识别具有独到优势。应用该技术测井8井次,实际应用表明,该方法在水淹层识别上具有较强的实用性,可为油田开发提供详实准确的饱和度测井资料。

克拉玛依油田六中区油藏水淹层识别方法研究

克拉玛依油田六中区克拉玛依组油藏经长期注水开发,该油藏储层非均质性强,注入水矿化度变化大,导致储层水淹后测井特征变化复杂,水淹层识别难度大,测井解释符合率较低。本文介绍的方法主要依据试油结果和生产动态数据,综合应用常规测井资料的各种信息,采用判别分析方法找出油层水淹程度与测井响应变化之间规律,获得不同水淹程度油层的判别特征值,提出了利用常规测井资料定性识别水淹层的判别方法(fisher函数判别)。根据本油藏11口井生产结果的验证,判定水淹层的符合率达到70%,取得了较好的应用效果,此方法对同类油藏也有借鉴意义。

基于云变换的混合计算模型在水淹层识别中的应用

目前为止,现有的自动判别方法难以反映定量指标和定性指标相结合的混合信息对水淹层识别的影响.因此,为提高水淹层判别的准确度,本文提出基于云变换的定量与定性混合计算神经网络模型来实现水淹层判别.一方面,利用云模型将提取测井相数据中的定性信息,保证了原始数据的完整性与客观性;另一方面,将输入信息中的定性概念通过正向标准云变换转换为量化的数值信息,保证了数据的科学性;最终将混合信息输入混合计算神经网络模型中进行判别,从而得出结论.实验证明采用基于云变换的混合计算神经网络模型对水淹层进行识别,具有精度高、速度快的特点,是水淹层识别的一种比较实用的方法.

气测资料在变质岩潜山裂缝有效性评价及水淹层识别中的应用

针对渤海湾盆地锦州南油田变质岩潜山裂缝油藏裂缝有效性评价及水淹层识别难题,综合运用岩心、气测录井资料、生产测井及生产动态资料,提出了运用气测判别因子R定量评价裂缝储层有效裂缝和识别水淹层(在开发早期用于判别裂缝储层的有效性,在开发中、后期用于判别裂缝储层水淹状况)。结果表明:基于裂缝储层解释结果,在开发早期,当判别因子R≥0. 1时,裂缝储层为有效储层,具有产能,进一步结合裂缝参数将有效储层分为3类,I类储层单位厚度的产能大于5 m3/(d·m),Ⅱ类储层单位厚度的产能为2~5 m3/(d·m),Ⅲ类储层单位厚度的产能小于2 m3/(d·m);在开发中、后期,当判别因子R≥0. 2时,且与井深成离散关系,储层为未水淹层,当判别因子R接近于0. 0时,且储层深度浅于原始油水界面,储层为水淹层。该方法在渤海锦州南油田潜山油藏应用10余口井,均取得了较好的应用效果,为该类复杂类型潜山油藏高效开发奠定了坚实基础,对类似潜山油田裂缝有效性评价及水淹层识别具有借鉴意义。

基于常规测井的水淹层识别方法研究

以W地区C储层为研究对象,在分析测井资料对水淹层评价影响因素的基础上,利用自然电位测井、自然伽马测井、声波测井、电阻率测井有机结合进一步识别水淹层,研发了基于常规测井资料的水淹层识别方法。该方法弥补了W地区C储层阵列感应测井、密度测井、中子测井、核磁共振测井资料的不足对水淹层识别造成的不利影响。应用效果分析表明,该方法能有效识别水淹层,应用效果良好。