利用多属性体分类技术预测扇三角洲砂体

对单一地震属性采用神经网络技术进行分类,在低信噪比地区很难准确进行地震相分析和砂体预测。根据地震波形理论,基于Seisfacies的多属性体分类、PCA主成分分析、混合聚比法和自组织人工神经网络技术对层段内多种地震属性体按照相似性原则进行统计聚类分析,并在区域内进行地震相自动划分,得到地震相三维数据体。结合钻井资料,借助三维可视化技术在三维空间中预测储层砂体的空间分布,大大减少了地震相划分的多解性,提高了储层预测的精度和工作效率。对华北油田万庄地区扇三角洲砂体进行预测,在三维空间中精细刻画了沙三中段扇三角洲砂体的边界和空间展布,预测了有利储层的发育区,发现并落实了3个有利的岩性圈闭,部署钻探的T12X、T47等井均获工业油流,效果很好。

运用多地震属性和神经网络预测岩性

利用多地震属性和 BP 神经网络可以得到胜利油田垦71地区的岩性预测,由井附近的地震道中可以提取井数据和多地震属性,并由此得到岩性信息,再用 BP 网络对岩性信息进行标定,岩性分布是基于训练好的网络和该地区的多地震属性进行计算的,结果与该区域未参加训练的井资料相比符合率为75%。

基于远减近衰减梯度属性与Bi-LSTM神经网络联合的隐蔽河道砂体识别方法

岩性作为一种重要的储层物性,其包含了重要的流体信息及储层特征,对其准确的识别可以为储层预测工作提供重要基础.我国一些河流相油气藏沉积环境复杂,多期叠置等问题造成储层砂体隐蔽的现象.为有效的识别隐蔽河道砂体,本文发展了一种基于远减近衰减梯度属性与Bi-LSTM神经网络联合的隐蔽河道砂体识别方法.该方法以远减近地震衰减梯度属性凸显隐蔽河道砂体为基础,以此为输入,河道砂体作为标签,借助Bi-LSTM深度神经网络构建输入数据与砂体岩性间的非线性关系.应用该方法进行川西中江气田某工区隐蔽河道砂体识别,识别出了此前未曾发现的隐蔽河道砂体,并刻画出了2条隐蔽河道.

应用地震属性预测煤层顶板泥岩百分比含量分布

从地震属性分析入手,提出了用于煤层顶板泥岩百分比含量预测的地震属性分析方法和BP人工神经网络岩性预测方法.以淮南矿区潘东西四采区三维地震勘探区为依托,优选出平均瞬时相位、主频序列1,能量半衰时和主频斜率等4种地震属性作为13-1煤层顶板岩性预测分析的基本参数,结合已知钻孔资料,建立了煤层顶板泥岩百分比含量BP人工神经网络预测模型,运用训练好的网络对研究区13-1煤层顶板泥岩百分比含量进行了预测分析.结果表明,BP神经网络模型具有极强的非线性逼近能力,能真实反映煤层顶板岩性与地震属性之间的非线性关系,预测结果与实测值之间误差小,相对误差一般小于10%,地震属性可以用于煤层顶板岩性分布预测.