油气层神经网络识别方法研究
|
摘要
油气层的准确识别既是提高勘探效果的关键环节之一，又可为开发的部署与规划提供重要的基础数据。特别是在油田注水开发中后期，油井产液中的水含量越来越高，因此极需准确了解地下油气层中的情况。国内测井公司人工解释油气层的符合率虽然很高，但主要是依赖测井解释工程师丰富的实际经验，这对油气层解释工作的推广极为不利。而现有的解释软件又未加入人工经验，计算机解释符合率与人工解释相差很大。
本课题拟在现有的油气层识别研究与评价技术基础上，通过对不同储层下测井响应的分析，提取测井曲线的特征参数，并利用神经网络方法识别储层，相信能大幅度提高计算机对储层测井解释的符合率。开展本课题的研究对于油田油藏的勘探与开发，对于油田稳油控水及高产稳产都具有重要的指导意义。
具体研究内容及预期达到的成果：
(1)对油田开发区域的测井资料进行常规解释，划分出标准储层。
(2)在充分考虑储层影响因素的情况下，统计出储层的测井曲线响应特征，建立适用的标准储层识别模式。
(3)准确提取储层测井曲线的特征参数，使各种储层的影响因素充分反映在特征参数上。
(4)选用神经网络方法，结合所提取的特征参数，编写储层神经网络识别程序，并进行实际测井资料处理，以提高储层计算机识别的符合率。
Recognizing the oil-gas-water bed exactly is both one of the critical link of improving the effect of exploration and offering important basic data for the disposition and planning of development. Especially in the medium-late period of water-injection development oil field, the content of water of production in oil well is more and more high, so knowing exactly the situation of the undergrad oil-gas-water bed is very necessary. The civil well log company get the suit rate of artificial interpretation for oil-gas bed is though very high, it mainly depended on the rich experience of the log engineers, and it is very disadvantageous for the popularization of the oil-gas-water bed interpretation. And the present software for interpretation is not including the artificial experience; the suit rate of computer interpretation and the artificial interpretation have a great difference.
This title based on the present recognition study and evaluation technique, through the analysis for the logging response in different reservoir, taking out the characteristic parameter of well log cove, and use neural network to recognize reservoir, it is believed that the suit rate of reservoir log interpretation with computer will get a good improvement. The research of this title, for the exploration and development of oil field and oil pool, for stabilizing oil and controlling water, and for the high productivity and stable production of oil field, will have a very important guiding meaning.
Concrete content and expected result:
1. Give the normal interpretation for log data of the oil field developing area, mark the standard reservoir.
2. Considering plenty the effect factor of reservoir, make a statistics of the log curve response character of reservoir; establish a suitable recognition pattern of standard reservoir.
3. Take out the characteristic parameter of the log curve for reservoir; make sure that the effect factors of different reservoir reflect on the characteristic parameter.
4. Choose the neural network method, join with the characteristic parameter which taken out from the log curve, write a recognition programmed of reservoir neural network, and make a treatment of practical log data, to raise the suit rate of computer recognition for reservoir.
本课题拟在现有的油气层识别研究与评价技术基础上，通过对不同储层下测井响应的分析，提取测井曲线的特征参数，并利用神经网络方法识别储层，相信能大幅度提高计算机对储层测井解释的符合率。开展本课题的研究对于油田油藏的勘探与开发，对于油田稳油控水及高产稳产都具有重要的指导意义。
具体研究内容及预期达到的成果：
(1)对油田开发区域的测井资料进行常规解释，划分出标准储层。
(2)在充分考虑储层影响因素的情况下，统计出储层的测井曲线响应特征，建立适用的标准储层识别模式。
(3)准确提取储层测井曲线的特征参数，使各种储层的影响因素充分反映在特征参数上。
(4)选用神经网络方法，结合所提取的特征参数，编写储层神经网络识别程序，并进行实际测井资料处理，以提高储层计算机识别的符合率。
Recognizing the oil-gas-water bed exactly is both one of the critical link of improving the effect of exploration and offering important basic data for the disposition and planning of development. Especially in the medium-late period of water-injection development oil field, the content of water of production in oil well is more and more high, so knowing exactly the situation of the undergrad oil-gas-water bed is very necessary. The civil well log company get the suit rate of artificial interpretation for oil-gas bed is though very high, it mainly depended on the rich experience of the log engineers, and it is very disadvantageous for the popularization of the oil-gas-water bed interpretation. And the present software for interpretation is not including the artificial experience; the suit rate of computer interpretation and the artificial interpretation have a great difference.
This title based on the present recognition study and evaluation technique, through the analysis for the logging response in different reservoir, taking out the characteristic parameter of well log cove, and use neural network to recognize reservoir, it is believed that the suit rate of reservoir log interpretation with computer will get a good improvement. The research of this title, for the exploration and development of oil field and oil pool, for stabilizing oil and controlling water, and for the high productivity and stable production of oil field, will have a very important guiding meaning.
Concrete content and expected result:
1. Give the normal interpretation for log data of the oil field developing area, mark the standard reservoir.
2. Considering plenty the effect factor of reservoir, make a statistics of the log curve response character of reservoir; establish a suitable recognition pattern of standard reservoir.
3. Take out the characteristic parameter of the log curve for reservoir; make sure that the effect factors of different reservoir reflect on the characteristic parameter.
4. Choose the neural network method, join with the characteristic parameter which taken out from the log curve, write a recognition programmed of reservoir neural network, and make a treatment of practical log data, to raise the suit rate of computer recognition for reservoir.
引文
[1] 刘瑞林等．神经网络在油气评价和预测方面的研究现状．地球物理学进展，1995，10(2)：75
[2] 赵继文等．用模糊聚类和逐步判别分析方法识别低电阻率油气层的方法研究．物探化探计算技术，2000，22(2)：168-173
[3] 刘正锋等．模糊识别方法在储层识别中的应用．西南石油学院学报，1998，20(3)：4-6
[4] 宋子齐等．灰色系统与神经网络技术分析在水淹层测井评价中的应用．石油勘探与开发，1999，26(3)：90-92
[5] 张向君等．神经网络结构风险最小油气预测．石油地球物理勘探，2002，37(1)：73-76
[6] 刘瑞林等．时间延迟神经网络地震油气预测方法．地球物理学报，1997，40(5)：710-716
[7] 张学庆等．在测井中用一种组合进化神经网络识别油水层．石油物探，2001，40(4)：119-124
[8] 李学桥，马莉．神经网络工程应用．重庆：重庆大学出版社，1996．10-48
[9] 李士勇．模糊控制，神经控制和智能控制论．哈尔滨：哈尔滨工业大学出版社，1996．72-108
[10] 高建华．测井储层产能预测方法研究．硕士学位论文。成都：成都理工大学，2001．41-46
[11] 蔺景龙等．水淹层测井资料计算机识别与描述．大庆石油学院。2001，1-18
[12] 肖慈珣等．神经网络技术用于测井解释的评述．测井技术，1999，23(5)：389-392
[13] 林海燕等．一种基于沃希变换的测井自动分层方法．成都理工学院学报，1999，26(1)：52-57
[14] 宋考平等．油藏三维相带模型与数值模拟一体化系统研究．大庆石油学院。2001，3-5
[15] 侯俊胜等．神经网络方法在煤层气测井资料解释中的应用．地质与勘探，1999，35(3)：41-45
[16] 徐景桢等．人工神经网络模型在油气层识别技术中的应用．天然气工业，1996，16(4)：22-24
[17] 吕晓光等．应用人工神经网络模型进行油层孔隙度、渗透率预测．大庆石油地质与开发，1996，15(3)：27-31
[18] 张向君等．双重神经网络预测储层及油气．石油地球物理勘探，1997，32(5)：717-723
[19] 樊政军等．神经网络在评价塔北低阻油气储层参数中的应用．测井技术，1996，20(3)：215-218
[20] 吴先用等．综合录井油气层评价的人工神经网络方法研究．江汉石油学院学报，1997，19(4)：112-114
[21] 刘全稳等．测井神经网络技术综述．石油地球物理勘探，1996，31(增1)：64-69
[22] 李云省等．BP网络快速识别油气层初探．天然气工业，1999，19(4)：40-42
[23] 张柏元等．应用BP神经网络方法区分油水层．石油仪器，2002，16(2)：30-32
[24] 张大鹏．模式识别与图像处理并行计算机系统设计．哈尔滨：哈尔滨工业大学出版社，1998．220-258
[25] 朱广生等．神经网络在油气层横向预测和地震道编辑中的应用．石油物探，1994，33(1)：1-9
[26] 沈清，汤霖．模式识别导论．国防科技大学出版社，1997，246-277
[27] 杨斌等．基于神经模糊系统的储层参数反演．OIL&GAS GEOLOGY，2000，21(2)：173-175
[28] 张献民．应用计算机实现数字测井的自动分层．物探化探计算技术，1995，17(1)：6-15
[29] 曹思远等．储层预测中BP神经网络的应用．地球物理学进展，2002，17(1)：84-90
[30] 陈守余等．人工神经网络油气识别圈闭软件的设计与实现．1997，19(3)：256-261
[31] 彭春耀等．人工神经网络在储层敏感性预测中的应用．1997，25(4)：16-24
[32] 付晓云等．神经网络技术在复杂砂岩地层解释中的应用．测井技术，1999，23(6)：453-456
[33] 魏永佩等．人工神经网络及其在油气勘探开发中的应用．大自然探索，1998，17(63)：43-46
[34] 熊艳等．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
[35] 刘力辉等．人工神经网络在预测储层中的应用．石油地球物理勘探，1995，30(增1)：90-95
[36] 施继承等．基于神经网络的油气预测系统．石油地球物理勘探，1996，31(5)：685-692
[37] 杨久西．谢凤桥构造油气层的人工神经网络识别．石油与天然气地质，2002，23(1)：76-80
[38] C·库兹涅佐夫等著．油气田开发地球物理监测技术．常熹、郝志兴译．石油工业出版社，1995，20-36
[39] B·A·科什里亚克著．油田开发后期的地球物理测井方法．郝志兴译．石油工业出版社，1988，41-63
[40] B·柯诺伯列夫著．油田开发中的地球物理检测方法．楚泽涵译．石油工业出版社，1994，31-77
[41] Scalerto R S, Tependelenlioglu N. A fast new algorithm for training feedforward neural network[J]. IEEE Trans On Signal Processing, 1992,40(1):202-210
[42] Frederique Fournierand and Jean-Francois Derain. A statistical methodology for deriving reservoir properties from seismic data. Geophysics, 1995,60(5):1437-1450
[43] Lippmann R P. An Introduction to computing with neural nets[J].IEEE ASSP Maganine, 1987,4
[44] J J Hopfield. Neurons with graded response hava collective computational properties like those of two-state, neurons[J].PNAS, 1984,81:3088-3092
[45] L. Hertzetal. Introduction to Theory of Neural Computation[M]. Redwood City: Addison-Wesley, 1991
[46] L. A. Jacobson. Resolution Enhancement of Nuclear Measurements through Deconvolution. The log Analyst, 1991,11-12:663-664
[47] Lanning E N, Johnson D M. Automated identification of rock boundaries: An application of the Walsh transform to geophysics well-log analysis. Geophysics, 1983,48(2):197-205
[48] S. T. Rogers et al. Determination of Lithology from Well logs Using a Neural Network. AAPG, 1992,76(5),731-739
[49] M. D. McCormack. Neural Computing in Geophysics. The Leading Edge of Exploration, 1991,10(1)
[50] Peter J Angeline, Gregory M. An evolutionary algorithm that construct recurrent neural network. IEEE Transactions on Neural Network, 1994,5(1):54-64
[51] Rembaum A, et al. A aliphatic Ionenes. Polymer Letters, 1968, Vol.6,159-171
[2] 赵继文等．用模糊聚类和逐步判别分析方法识别低电阻率油气层的方法研究．物探化探计算技术，2000，22(2)：168-173
[3] 刘正锋等．模糊识别方法在储层识别中的应用．西南石油学院学报，1998，20(3)：4-6
[4] 宋子齐等．灰色系统与神经网络技术分析在水淹层测井评价中的应用．石油勘探与开发，1999，26(3)：90-92
[5] 张向君等．神经网络结构风险最小油气预测．石油地球物理勘探，2002，37(1)：73-76
[6] 刘瑞林等．时间延迟神经网络地震油气预测方法．地球物理学报，1997，40(5)：710-716
[7] 张学庆等．在测井中用一种组合进化神经网络识别油水层．石油物探，2001，40(4)：119-124
[8] 李学桥，马莉．神经网络工程应用．重庆：重庆大学出版社，1996．10-48
[9] 李士勇．模糊控制，神经控制和智能控制论．哈尔滨：哈尔滨工业大学出版社，1996．72-108
[10] 高建华．测井储层产能预测方法研究．硕士学位论文。成都：成都理工大学，2001．41-46
[11] 蔺景龙等．水淹层测井资料计算机识别与描述．大庆石油学院。2001，1-18
[12] 肖慈珣等．神经网络技术用于测井解释的评述．测井技术，1999，23(5)：389-392
[13] 林海燕等．一种基于沃希变换的测井自动分层方法．成都理工学院学报，1999，26(1)：52-57
[14] 宋考平等．油藏三维相带模型与数值模拟一体化系统研究．大庆石油学院。2001，3-5
[15] 侯俊胜等．神经网络方法在煤层气测井资料解释中的应用．地质与勘探，1999，35(3)：41-45
[16] 徐景桢等．人工神经网络模型在油气层识别技术中的应用．天然气工业，1996，16(4)：22-24
[17] 吕晓光等．应用人工神经网络模型进行油层孔隙度、渗透率预测．大庆石油地质与开发，1996，15(3)：27-31
[18] 张向君等．双重神经网络预测储层及油气．石油地球物理勘探，1997，32(5)：717-723
[19] 樊政军等．神经网络在评价塔北低阻油气储层参数中的应用．测井技术，1996，20(3)：215-218
[20] 吴先用等．综合录井油气层评价的人工神经网络方法研究．江汉石油学院学报，1997，19(4)：112-114
[21] 刘全稳等．测井神经网络技术综述．石油地球物理勘探，1996，31(增1)：64-69
[22] 李云省等．BP网络快速识别油气层初探．天然气工业，1999，19(4)：40-42
[23] 张柏元等．应用BP神经网络方法区分油水层．石油仪器，2002，16(2)：30-32
[24] 张大鹏．模式识别与图像处理并行计算机系统设计．哈尔滨：哈尔滨工业大学出版社，1998．220-258
[25] 朱广生等．神经网络在油气层横向预测和地震道编辑中的应用．石油物探，1994，33(1)：1-9
[26] 沈清，汤霖．模式识别导论．国防科技大学出版社，1997，246-277
[27] 杨斌等．基于神经模糊系统的储层参数反演．OIL&GAS GEOLOGY，2000，21(2)：173-175
[28] 张献民．应用计算机实现数字测井的自动分层．物探化探计算技术，1995，17(1)：6-15
[29] 曹思远等．储层预测中BP神经网络的应用．地球物理学进展，2002，17(1)：84-90
[30] 陈守余等．人工神经网络油气识别圈闭软件的设计与实现．1997，19(3)：256-261
[31] 彭春耀等．人工神经网络在储层敏感性预测中的应用．1997，25(4)：16-24
[32] 付晓云等．神经网络技术在复杂砂岩地层解释中的应用．测井技术，1999，23(6)：453-456
[33] 魏永佩等．人工神经网络及其在油气勘探开发中的应用．大自然探索，1998，17(63)：43-46
[34] 熊艳等．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
[35] 刘力辉等．人工神经网络在预测储层中的应用．石油地球物理勘探，1995，30(增1)：90-95
[36] 施继承等．基于神经网络的油气预测系统．石油地球物理勘探，1996，31(5)：685-692
[37] 杨久西．谢凤桥构造油气层的人工神经网络识别．石油与天然气地质，2002，23(1)：76-80
[38] C·库兹涅佐夫等著．油气田开发地球物理监测技术．常熹、郝志兴译．石油工业出版社，1995，20-36
[39] B·A·科什里亚克著．油田开发后期的地球物理测井方法．郝志兴译．石油工业出版社，1988，41-63
[40] B·柯诺伯列夫著．油田开发中的地球物理检测方法．楚泽涵译．石油工业出版社，1994，31-77
[41] Scalerto R S, Tependelenlioglu N. A fast new algorithm for training feedforward neural network[J]. IEEE Trans On Signal Processing, 1992,40(1):202-210
[42] Frederique Fournierand and Jean-Francois Derain. A statistical methodology for deriving reservoir properties from seismic data. Geophysics, 1995,60(5):1437-1450
[43] Lippmann R P. An Introduction to computing with neural nets[J].IEEE ASSP Maganine, 1987,4
[44] J J Hopfield. Neurons with graded response hava collective computational properties like those of two-state, neurons[J].PNAS, 1984,81:3088-3092
[45] L. Hertzetal. Introduction to Theory of Neural Computation[M]. Redwood City: Addison-Wesley, 1991
[46] L. A. Jacobson. Resolution Enhancement of Nuclear Measurements through Deconvolution. The log Analyst, 1991,11-12:663-664
[47] Lanning E N, Johnson D M. Automated identification of rock boundaries: An application of the Walsh transform to geophysics well-log analysis. Geophysics, 1983,48(2):197-205
[48] S. T. Rogers et al. Determination of Lithology from Well logs Using a Neural Network. AAPG, 1992,76(5),731-739
[49] M. D. McCormack. Neural Computing in Geophysics. The Leading Edge of Exploration, 1991,10(1)
[50] Peter J Angeline, Gregory M. An evolutionary algorithm that construct recurrent neural network. IEEE Transactions on Neural Network, 1994,5(1):54-64
[51] Rembaum A, et al. A aliphatic Ionenes. Polymer Letters, 1968, Vol.6,159-171