自组织竞争网络在测井资料岩性识别中的应用

合集下载

多种岩性分类方法在火山岩岩性识别中的应用

２ＣｏｌｇｆＧｅ－ｘｌｒｔｏｃｅｃｎｃｏｏｙ，Ｊｌ．ｌｅｅｏｏｅｐｏａｉｎＳｉｎｅａｄＴｅｈｎｌｇｉｎＵｎｉｅｓｔｉｖｒｉｙ，Ｃｈｎｃｎ，Ｊｌ３０６，Ｃｈｎ）ａｇｈｕｉｉ１０２ｎｉａ
张莹，潘保芝
（．１广东海洋大学海洋遥感与信息技术实验室，广东湛江５４８；２０８２吉林大学地球探测科学与技术学院，．吉林长春１０２）３０６
摘要：基于对松辽盆地火山岩近５年的测井响应研究，讨按照松辽盆地火山岩分类原则的二级分类类型，现探实
利用常规测井资料识别岩性的方法。建立了一个具有准确薄片定名信息的火山岩测井样本，通过交会图分析、聚类分析、判别分析、主成分分析、因子分析、Ｐ神经网络、ＯＭ神经网络及支持向量机等８种方法对样本进行处理，ＢＳ得出各种方法针对岩性分类这一问题的参数选取方式。对比各种方法的识别效果，最终确定了一个适合松辽盆地火山岩测井岩性识别的通用方案。
ｒｃｓｗｉｃｕａｅｓｉｅｎｍｉｇｉｆｒａｉｎＴｈｎ，ｔｅｓｍｐｅｉｒｃｓｅｔｅｈｄ，ｏｋｔａｃｒｔｌａｎｎｏｍｔ．ｈｃｏｅｈａｌｓｐｏｅｓｄｗｉ８ｍｔｏｓｈ
ＡｂｔａｔＢｓｄｏｅｒｆｌｇｉｇｒｓｏｓｅｅｒｈｓｏｏｃｎｃｒｃｓｉｏｇｉｏｂｓｎａｄｓｒｃ：ａｅｎ５ｙａｓｏｏｇｎｅｐｎｅｒｓａｃｅｎｖｌａｉｏｋＳｎｌａｉｎｎａ

大庆石油管理局钻探集团测井公司

大庆石油管理局钻探集团测井公司在油田勘探开发中，测井技术是确定和评价油、气层的重要手段，也是解决一系列地质问题的有效途径，因此有着“地质家的眼睛”的美誉。

大庆石油管理局钻探集团测井公司成立23年来，坚持把科技作为第一生产力，本着“面向技术进步、面向生产实际、面向市场”的原则，适度开发原创技术，研发成套测井技术，加强技术革新改造，深化发展特色技术，共取得公司级以上科研成果477项，其中获得集团公司和局级奖励303项，并拥有多项国际国内发明专利。

测井技术的突飞猛进让地质家的“慧眼”变得更加明亮，尤其在大庆油田进入特高含水后期，这个公司更牢牢锁定提高老油田采收率、外围油田难动用储量动用率、深层天然气转化率这一目标，充分发扬大庆精神、铁人精神，自主创新，刻苦攻关，先后完成了“一硬两软”三个平台、小直径碳氧比能谱测井仪、套管应力检测、大庆测井仪器通用接口、徐家围子地区深层火成岩储层测井解释技术等项目的研究，为确保大庆油田高产稳产作出了积极贡献。

特色测井技术不仅满足了大庆油田持续发展的需要，更成为拓展国内外市场的利器，凭借薄层水淹层、碳氧比、氧活化等技术比较优势，大庆钻探测井先后建立了印尼、蒙古和新疆、冀东、吉林、海拉尔等9个国内外项目部，本着“满足顾客需求至上，探测地质信息求真”的方针，为国内外40余个油田提供优质高效服务。

雄关漫道真如铁，而今迈步从头越。

面对新形势、新挑战，大庆石油管理局钻探集团测井公司将继续致力于测井技术的创新与应用，为创建百年油田、保障国家石油战略安全贡献力量。

薄层水淹层测井技术为适应大庆油田高含水后期开发的需要，测井公司开发研制了以薄差储层为探测对象的高分辨率水淹层测井系列。

主要用于薄差储层的测井评价。

是储层厚度划分、薄差储层参数探测及解释的重要手段和工具。

近年来，测井公司加大投入力度，致力于测井仪器的开发研制。

自主研发了高分辨率自然电位、高分辨率井壁侧向与密度集成测井仪，该项技术已经申请了国家发明专利。

神经网络法在变质岩岩性识别中的应用

神经网络法在变质岩岩性识别中的应用摘要：将神经网络方法引入到测井资料的处理和解释中,以辽河油田某取心井为实例, 建立神经网络测井岩性识别模型，对混合花岗岩、混合片麻岩、角闪岩进行岩性识别预测。

岩性识别正确率高达90%以上，说明了神经网络方法的有效性。

关键词：神经网络法测井资料变质岩岩性识别1 引言测井在石油勘探中的作用和地位正在日益提高,测井参数值的差异主要取决于岩性。

由于井下地质构造的复杂性和测井参数分布的模糊性，对于一组特定的测井参数值,它就必然对应着地层中的某一种或某几种岩性。

以往常用的人工解释方法大多依赖于人的经验, 难以准确地反映测井资料与地层岩性的非线性映射关系,识别精度有限[1]。

本文在总结前人利用神经网络进行火成岩、沉积岩以及碳酸盐岩的岩性识别基础上，分析岩心和测井参数对应特征的基础上,从各类岩石中读取能够代表岩样的测井参数值,确定岩性与测井参数对应关系[2]，利用神经网络方法来对变质岩进行岩性识别。

2 神经网络方法(1)神经网络方法处理测井解释的原理。

神经网络的处理单元是与大脑中神经细胞结构相类似的节点,这些节点通过不同强度相互连接起来。

每个神经元操作时,都对输入信号乘以一个权值,再对加权后的输入求和。

神经网络岩性识别模型是利用岩心分析资料和测井响应值，选择神经网络训练样本，经网络设计、网络学习、训练得到识别岩性的神经网络模型，然后利用网络模型来根据测井曲线识别岩性。

(2)神经网络结构的设计。

在现有神经网络学习算法中,误差反向传播(Back—Propagation)[3]是目前使用最为广泛的神经网络模型,它因通过网络反向传播误差而得名。

反向传播由两步组成:信息前馈和误差反向传播。

其实质就是调节各层的权值使网络学会并记忆住学习样本集。

训练过程由正向过程(计算节点误差)和反向过程(调整连接权值)两部分组成。

本文所用的网络由输入层、一个隐层和输出层组成。

选择一定测井曲线形态特征,作为输入向量,并用与此对应的岩性作为输出向量,组成训练对。

自组织竞争人工神经网络在砂岩型铀矿测井数据解释中的应用

维普资讯
第２５卷第２期２００８年６月
世界核地质科学
ＷｏｌＮｕｃｅｒｒｄｌａＧｅｓｉｎｅｏｃｅｃ
Ｖｏ．５，．１２Ｎｏ２
Ｊｎ２０ｕ．０８
自组织竞争人工神经网络在砂岩型铀矿测井数据解释中的应用
徐建国，吴显礼，王卫国
（．工业２６大队，新疆乌鲁木齐８０１；２核工业２３大队，内蒙古赤峰０４０）１核１３０ｌ．４２０６
［要］详细介绍了自组织竞争人工神经网络模型结构、原理和钻孔岩性自动识别过程，给出了摘神经网络模型在钻孔岩性自动识别过程中的有效性实例。自组织竞争人工神经网络具有自组织能力、自适应能力和较高的容错能力；与Ｂ算法相比较，计算量小，收敛速度快，且不需要已知的先验信息Ｐ而自动确定分类类别。钻孔岩性识别结果与岩心地质编录的对比试验表明，在砂岩型铀矿测井数据的
ｗｔｓｍｅｃｓｓｈｅｆｏｇｎｚｎｏｅｉｏａｔｃａｎｕＭｅｗｒａｈｂｌｙｆｓｌｉｈｏａｅ．Ｔｅｓｌ— ｒａｉｉｇｃｍｐｔｉｎｒｉｉｌｅｒｎｔｏｋｈｓｔｅａｉｔｏｅｆｔｉｆｉ —
Ａｐｐｉａｉｎｏｅｆ。ｒａｉｉｇｃｍｐｅｉｉｎａｒｉｃａｕｒｌｎｅｗｏｋｏｌｃｔｏｆｓｌｇｎｚｎｏｏｔｔｏｔｆｉｌｎｅａｔｒｔｉｌｇｉｇｄａａｅｌｎａｉｎｆｓｎｄｓｏ — ｓｅａｕｍｅｓｔｏｇｎｔｘｐａｔｏｏａｔｎｅｈｏｔｄｕｒｎｉｄｐｏｉｓ

改进蚁群聚类算法在火山岩岩性识别中的应用

关键词：测井解释；蚁群算法；糊聚类；火山岩；性识别；辽盆地模岩松中图分类号：Ｐ３．４６１８文献标识码：Ａ
ＡｐｐｌｃｔｏｏｆＩｐｏｅＡｎｔＣｏｏｕｔｒｎｇｒｔｍｏＶｏｃｎｉｃｔｌｇｄｎｔｆｃｔｏｉａｉｎｍｒｖｄｌｎｙＣｌｓｅｉｇＡｌｏｉｈｔｌａｃＲｏｋＬｉｈｏｏｙＩｅｉｉａｉｎ
ＡｂｔａｔＰｕｆｒｒｓａｍｐｏｅａｔｏｏｙｌｓｅｉｇｌｏｉｈｓｒｃ：ｔｏｗａｄｉｎｉｒｖｄｎｃｌｎｃｕｔｒｎａｇｒｔｍａｅｏａｔｏｏｙｂｓｄｎｎｃｌｎａｇｒｔｍｎｕｚｃｕｔｒｎａｇｒｔｍｔｄｎｉｈｖｌａｉｒｃｌｈｌｇｃｕａｅｙｌｏｉｈａｄｆｚｙｌｓｅｉｇｌｏｉｈｏｉｅｔｙｔｅｏｃｎｃｏｋｉｏｏｙａｃｒｔｌ．ｆｔＩｔｏｕｅｒｈｒｃｐｅｏｎｏｏｙａｇｒｔｍ，ｒａｉａｉｎｐｏｅｓｏ — ｅｎｌｓｅｉｇｎｒｄｃｄａｅｔｅｐｉｉｌｆａｔｃｌｎｌｏｉｎｈｅｌｔｒｃｓｆＫｍａｓｃｕｔｒｎｚｏａｇｒｔｍｎｉｐｏｅａｔｏｏｙｃｕｔｒｎｌｏｉｍ．ＡｆｅｒｉｉｇａｄｌａｎｎｆｈｌｏｉｈａｄｍｒｖｄｎｃｌｎｌｓｅｉｇａｇｒｔｈｔｒｔａｎｎｎｅｒｉｇｏｔｅｖｌａｉｏｋｓｍｐｅｄｔｏｎｓｔｅｂｓｌｓｅｅｔｒｒｂａｎｄＴｈｎｔｅｌｈｌｇｆｏｃｎｃｒｃａｌ－ａａｐｉｔ，ｈｅｔｃｕｔｒｃｎｅｓａｅｏｔｉｅ．ｅｈｉｏｏｙｏｔ

基于测井和薄片资料识别岩性——以红山嘴油田白垩系地层为例

程度却很低。通过对上面三幅图进行整体分析，叮
以知道砾岩、砾岩、岩和泥岩的测井值范围。对砂砂这三幅图进行比较，以知道图３对于图１图可相和
２对岩性的识别效果较低。后面做其它曲线之间的，交会图，发现它们交会后显示出的图形对岩性的分
４２
国外测井技术
南部，于车排子高地和中拐凸起之间。区内地势介平坦，均地面海拔２０平８ｍ。该地区西北为扎伊尔山，东南为昌吉凹陷，一个被众多断层切割的复杂是大型断块区。断块区的形成是受中拐凸起与车排子高地在海西和印支运动期侧向挤压作用的影响，同时，也造成侏罗系八道湾组与三叠系之间的沉积间
Ｏ引言
随着石油工业的迅速发展和人们对油气需求量的提高，在油气勘探中寻找有利的油气藏变得极为重要。通过对该地区岩性的准确识别，从而进一步的了解该地区储层的特性，以进行岩性识别在勘所探开发中显得尤为重要。目前识别岩性的方法较多，主要有神经网络方法和约束最小二乘法。前人已经做了大量关于神经网络方法的研究，包括Ｂ人工神经网络ｒ自组织神经网络法］Ｐ ” 、、模糊神经网鸯、前馈神经网、支持向量机方法（Ｖ同基ｓＭ）、
的手段作为辅助条件，如重磁电方法、地震方法、薄片方法、地球化学方法、成像测井方法等可很好地识别岩性。本文主要结合测井资料和薄片资料来识别
岩性。
来发展的自组织特征映射（ＯＭ）ＳＦ￣经网络、模糊神

变质岩岩性识别技术综述

5
○3 确定元素含量与岩石骨架属性的关系：利用元素含量与岩石骨架属性的交会图可以确定元素含量与测井响应的相互关系。下例中，随着铁、镁、钙、钛、等元素含量的增加，骨架密度、骨架光电吸收截面、骨架中子、骨架俘获截面的数值增大；随着硅、钾、钠等元素含量的增加而减小。
岩性密度光电吸收截面补偿中子俘获截面
4
3928
3932
GR(API)
200
2
CAL(in)
2 34
2
RS(Ω·m)
20000
0
RT(Ω·m)
20000
140
2
RMLD(Ω·m) 20000
42
Pe(B/e) AC(μs/ft) DEN（g/cm3）
CN(%)
20
测井
40
解释
岩性
3
剖面
-18
3572 3576 3940 3944
3240 3244 3852 3856 3332 3336
黑云斜长片麻条带状混合岩碱性长石 0～30%，
混合片麻岩类
斜长混合片麻岩二长混合片麻岩
斜长石 30～60%、黑云母 5%～12%、石英 10%～30% 碱性长石 5%～15% 斜长石 30%～50%、黑云母 5%～15%、石英 10%～20%、碱性长石 20～40%
斜长混合花岗岩
斜长石 50%～70%、黑云母 0%～5%、石英 20%～40%
花岗岩类
花岗斑岩
斜长石 15%～25%、黑云母小于 5% 石英 25%～30%、碱性长石 40%～50%
辉绿岩类
辉绿岩
斜长石 50%～60%，辉石 40%～45%
煌斑岩类
闪斜煌斑岩云斜煌斑岩

基于Matlab的自组织神经网络在油气层识别中的应用研究

关键词：自组织竞争网络神经网络；自组织特征影射神经网络；气层识别油
中幽分类号：Ｐ９Ｔ３９
文献标识码：Ａ
文章编号：０９３４（０６３－１９０１０— ０４２０）５０１＿３
Ｏ¨＆ＧａｏｍａｉｅｔｉｔｎＢｓｄｏｅ－ｇｎａｉｎＮｕａＮｔｒｆｔｂｓＦｒｔｎＩｎｉａｉａｅｎＳｌＯｒａｉｔｅｒＩｅｗｏｋｏｌｏｄｆｏｃｆｚｏＭａａＷＡＮＧＪ — ｕ，Ｉｈｙｎ，ＨＯＵｕｎＷａｈａＬｉｏｇＺｉＺ — Ｇａ— Ｕ
ｎｕａｎｔｏｋａｄｓｌｒａｉａｏｐｉｇｎｕａｅｏｋａｅｃｍｐｒｄｗｅｏｔｚｈａａｔｒｏｅｔｃｕｅａｄｍａｅｔｅｃｕｔｒｅｒｌｅｗｒｎｅｆｇｎｚｔｎｍａｐｎｅｒｌｎｔｒｒｏａｅ．－ｏｉｗｐｉｅｔｅｐｒｍｅｅｆｎｔｓｕｔｒｋｈｌｓｍｉｒｎｅ
ａａｙｉｏｐｔｓｍｐｅＯｉａａｆｑｎｓｓｄｔｕｌｅｏｋｍｏｅ．Ｔｈａａｔｒｏｅｏｋｓｕｔｒｒｐｍｉｅ。ａｄｔｅｎｌｓｆｎｕｓｉａｌ．ｌｓｔｏｉｇｉｕｅｏｂｉｎｔｒｄ１ —ｇｄａＤａｄｗｅｐｒｍｅｅｓｆｔｒｒｃｕｅａｅｏｔｚｄｎｎｗｔｉｈｃｕｔｒａａｓｆｎｓｍｐｅｉｍａｅＴｈｅｕｔｏｔｎｌｓｈｗｓｔａｌｅｈｄｏｌｒａｉａｏＯｈｅｔｅｎｕａｅｏｋａｄｌｓｎｌｉｏｐａｌＳｄ．ｅｙｓｉｅｒｓｌｆｄａａａｉｓｏｈｔｔｅｍｔｏｆｅｆｇｎｚｔｎＣｔｐｔｖｅｒｎｔｒｎａｙｓｌｓ－ｏｉｉｉｌｗ

一种新的最大间隔分类器的求解算法及其在测井岩性识别中的应用

［要］首先介绍了尺度不变凸壳的概念，提出当２个凸壳独立时，可以通过求解２个凸壳的最大间隔来摘建立一种新的分类器。然后通过论证尺度不变凸壳与最小闭球的关系，提出了利用最小闭球求解分类器的快速算法。通过对测井岩性识别的试验表明，与已有的方法相比，在取得相同分类成功率的同时，该
［收稿日期］２１００—０８—１２［基金项目］国家自然科学基金项目（０２０１０７０３；国家 “ ７规划项目（０７Ｂ０６７。４７７０；４７４７）９３２０Ｃ２９０）［作者简介］罗明璋（９８一，男，２０１７）０１年江汉石油学院毕业，讲师，博士生，现从事地球物理仪器、信号处理方面的研究工作。
取得相同岩性识别成功率的同时，该算法的核估计次数和训练时间明显减少。
１尺度不变凸壳（ＣＳＨ）
对于给定的样本集Ｘ一｛ｚｚ， ∈ Ｒ，一１ … ，（为特征向量空间）成的凸壳定义为：ｉ，｝Ｒ生
调整过程中，使得该网络在寻找全局最优上具有明显的能力；张翔等［提出了基于模糊支持向量机的岩４］
性识别方法。上述方法着重强调岩性识别的准确性，对同样识别成功率下的计算次数或计算时间关注不够，而在利用计算机进行岩性识别过程中，计算时间的长短往往是决定识别方法是否实用的重要依据。笔者在传统支持向量机的模型基础上，介绍了尺度不变凸壳的概念，论证尺度不变凸壳与最小闭球的关系，提出了利用最小闭球求解岩性识别分类器的快速算法。试验结果表明，与已有的方法相比，在

面向复杂井眼环境的智能测井岩相识别方法

05
讨论与展望
研究成果与贡献
提出了一种基于深度学习的岩相识别模型
实现了对复杂井眼环境下测井数据的准确解析
提高了岩相识别的自动化程度，降低了人为干预的影响
为油气勘探提供了更准确、更高效的支持
研究不足与展望
模型训练过程中，数据的质量和多样性仍需进一步提高
01
02
需要进一步优化算法，提高岩相识别的准确率和效率
通过对CNN模型进行训练，可以优化特征提取的准确性，提高岩相识别的精度。
基于循环神经网络的测井信号分类与识别
循环神经网络（RNN）是一种适用于处理序列数据的深度学习算法。在测井岩相识别中，RNN能够对测井信号进行分类与识别，根据输入的测井信号序列，输出对应的岩相类别。
RNN模型能够捕捉到测井信号中的时间依赖性关系，从而准确识别出不同的岩相类型。通过对模型进行训练和优化，可以提高岩相识别的准确率和鲁棒性。
基于深度学习的测井信号处理方法
01
深度学习算法
02
数据预处理
基于深度学习的测井信号处理方法可以利用大量数据进行学习，自适应地提取测井信号的特征，并自动识别异常值，提高岩相识别的准确率。
基于深度学习的测井信号处理方法需要对测井数据进行预处理，包括数据清洗、归一化等步骤，以保证数据的质量和可比性。
面向复杂岩井相眼识环别境方的法智能测井
汇报人： 2023-12-02
contents
目录
• 引言 • 复杂井眼环境对岩相识别的影响 • 智能测井岩相识别方法 • 实验与结果分析 • 讨论与展望 • 参考文献
01
引言
研究背景与意义
01
石油与天然气影响
评估方法

PSO-LSSVM分类模型在岩性识别中的应用

结构的设计依赖于设计者的先验知识和经验等．支持向量机（ｕｐｒＶｃｒＭｃｉｓＳＭ）Ｓｐｏｅｔａｈｎ，Ｖ是ｔｏｅ
１理论与算法
１１粒子群优化算法．
粒子群优化算法（ａｉｅＳａｐｉｉｔｎＰｒｃｗｒＯｔｚｉ，ｔｌｍｍａｏ
这些单元是经过相似的地质条件和相似的成岩改造
在统计学习理论基础上发展起来的一种实用算法，
ＳＭ是基于结构风险最小化原则，够较好地解决Ｖ能
得到的沉积物．如果岩石能够被适当地分类和定义，
那么就会通过油藏数值模拟模型获得储层的真正动态特性．井参数值是地下岩石的矿物成分、构和测结
井响应和实际油气储层之间的非线性关系，线性用测井响应方程和统计经验公式很难表征储层的真实
大，费时间等诸多不便．了实现ＬＳＭ参数自耗为ＳＶ
动选择以及更好的进行测井岩性识别工作，文提本出基于粒子群优化的ＬＳＭ模型对测井资料进行ＳＶ岩性识别，既解决了ＬＳＭ参数选择的难题，提ＳＶ又高了识别精度．
映射关系，识别精度高，并提高了算法的自动化程度．
关键词：性识别；井资料；岩测最小二乘支持向量机；粒子群优化算法中图分类号：Ｐ８Ｔ３９Ｔ１；Ｅ１文献标识码：Ａ

人工智能神经网络在岩性识别、孔隙度和渗透率预测中的应用——以十红滩铀矿床为例

人工智能神经网络在岩性识别、孑隙度Ｌ和渗透率预测中的应用
— —
以十红滩铀矿床为例
李继安
（工业２３究所，陕西咸阳７２０）核０研１００
摘要：析了传统测井解释方法的局限性。神经网络的机理、点出发，出了一种基于人工智能分从特提神经网络技术的岩性识别、Ｌ孑隙度和渗透率预测方法。先选取适当的测井资料向量组成一个训练模式首
Ｅｍａ：ｊｎｅ２０＠１６ｃｒ — ｉｉｌｅ００２．ｏｌａｎ
第２期
李继安：人工智能神经网络在岩性识别、孑隙度和渗透率预测中的应用Ｌ
排列、孔隙均匀分布的假定基础上，将测井信息与地层岩性等参数作线性研究。建立的测井解释模型均属线性模型（质是一个统计意义上的数学关系实式）用这种模型进行测井解释所得的结果除在少数。简单地层上吻合较好外，在大多数复杂地区表现为
层的某种特性进行识别，对地层参数进行预测或（娜等，２０）李０７。这些方法是建立在岩石颗粒均匀
基金项目：“ 十一五 ” 国家科技支撑计划重点项目（０６ＡＯ０）２０ＢＢＢ５作者简介：继安（９］）李１７一，男，西富平人，级工程师，１９年毕业于华东地质学院，直从事铀矿科研和勘查工作。陕高９３一

应用CP网络进行岩性识别

中国分类号：６１８Ｐ３．文献标识码：Ａ
用神经网络解决 “ 别 ” 识问题已得到人们的认过反复学习，将任意输入模式映射为输出模式。
可＿］但目使用最为广泛的Ｂ（ａ —Ｐｏａ１，前ＰＢｃｋｒｐ — ｇｔｎ网络有学习速度慢等缺点，ａｏ）ｉ往往满足不了实际工作的需要ＣＰ网络即对向传播（ｏｎｅ— ＣｕｔｒＰｏａａｏ）ｒｐｇｔｎ神经网络，由美国神经计算机专家ｉ是
，ｚｇＦａｕｅＭａ，ｉｅｔｒｎｐ简称ＳＭ，Ｋｈｎｎ特征映与竞争层之间的连接权向量为一（，ｚ …，Ｏ即ｏｏｅ，射网络）学习规则产生竞争层的获胜神经元，并按该蛳）竞争层与输出层之间的连接权向量为＝ …，，ｆ网络实际输规则调整相应的输入层至竞争层的连接权；由竞争（，，）网络希望输出为ｃ，
问题，本文首次引＾了ＣＰ网络，并结合某油田的测井资料对ｃＰ网络进行了应用研究，这些研究工作同时也是对ＣＰ网络在测井领域应用的一种尝试。
Байду номын сангаас
１Ｐ网络及其算法Ｃ
１１ｃ．Ｐ网络简介
圈１ｃＰ网络圭构占
！ｎｔａｒ曲ｔｒｅｗｋｕｅ
ＣＰ网络充分发挥了Ｋｈｎｎｏｏｅ特征映射网络与Ｇｏｓｅｇｒｓｂｒ基本竞争型网络的各自特长，是二者的
巧妙结合。其网络结构如匿ｌ所示
１２Ｐ网络的学习【．ｃ训练ｌ规则如图ｌ所示，网络输入层有 Ⅳ 个神经元，设竞网络由输入、争、出三层组成。由输入层至竞输输输入层竞争层，网络按自组织特征映射网络（ｅ－Ｏｇｎ争层有Ｑ个神经元，出层有Ｍ个神经元，Ｓｌｒａｉｆ —

测井识别岩性的新方法：自组织神经网络法

利用测井资料识别岩性是一种特殊的模式识别问题。传统的岩性识别技术主要基于交会图技术和统计学理论，如主成分分析、聚类分析等。近年来人工神经网络方法如反向传播算法等应用于岩性识别，取得了一定的效果［。本文利用自组织神经网络对测井数据进行岩性１］识别，该方法具有较强的自组织性、自适应性，有较高的的匹配程度。如果要求最佳匹配，须满足：
［要］利用自摘组织神经网络对测井数据进行岩性识别，具有较强的自组织性、适应性和较高的容错能力，与其他神经网络算法相比，计算量小、收效速度快。实验结果表明：自组织特征映射神经网络对测井数据进行岩性识别是可行的，而且识别率较高，一种行之有效的岩性识别的好方法。是［关键词］测井资料；神经网络；岩性识别；式识别模［中图分类号］Ｔ３７８［Ｅ５．文献标识码］Ｂ［文章编号］１０—３１（ｏ６０一ｏ５— ０ｏ９０Ｘ２０）６０４２
应用编写的自组织神经网络模式识别程序对某地
区的１２３井进行了测井岩性识别（２Ｌｔｏｏ道中的图，ｉｌｙｈｇ
［收稿日期］２Ｏ６５３５Ｏ一Ｏ一Ｏ［第一作者简介］贺新蔚（９ｏ，湖南人，１７一）男，工程师，博士研究生，主要从事测井资料处理解释、震反演与油气检测及油藏描述。地
（）１
图中ＸＸ，，，ｍ）一（１ … ｘ表示输入模式，一｛Ｉｗ１ ≤ Ｍ， ≤ｃ为权值矩阵，１｝Ｙ一（１ｙ，ｙ）ｙ，２…，ｃ为输入
节点的匹配响应，时刻ｔ在有

测井曲线识别岩性

S
w
S wb S wm
–对原始油藏：S wb So 1 –束缚水饱和度的大小取决于孔隙结构和岩性。孔隙结构复杂，Swb高；泥质含量高， Swb高。粘土类型不同，Swb亦不同，蒙脱石和伊利石Ｓwb高，高岭石Ｓwb低。
２、饱和度
• ④残余油饱和度Ｓor：不能进一步被水冲洗掉的油为残余油，其饱和度称为残余油饱和度。即残余在孔隙中的油的饱和度 • ⑤剩余油饱和度：开发一段时间后，剩下的油的饱和度，也称当前含油饱和度。
３、渗透率
• 在有压力差的条件下，岩层允许流体流过其孔隙孔道的性质称为渗透性。岩石渗透性的好坏用渗透率来度量。 • 达西定律：
AP QK L QL K AP Q 流体的流量, cm3 /s A 垂直于流体流动方向的岩石横截面积 , cm2 L 流体渗滤路径的长度 , cm; P 压力差, P a 流体的粘度, mP a s; K 岩石的渗透率, m 2
• 电阻率
– 一般是找低阻层。
• 孔隙度测井（密度、中子、声波）
– 在致密层处，孔隙度测井读数接近骨架值划分渗透层必须同时考虑GR、电阻率以及孔隙度测井系列。其步骤是：先找出低阻、高孔隙度指示，然后考虑GR测井值，剔除GR 高的含泥质层。
次生（缝洞）体积占岩石体积的百分数
各种孔隙度的定义式
Vt t V 100% Ve e V 100% Vsec sec V 100%
t
• 测井中通常所说的孔隙度是指有效孔隙度，也只有有效孔隙度对油气的储集有意义。
２、饱和度
• 储集层是否有油气以及含油气的多少可以用饱和度这一参数来描述。 • ①含水饱和度（Sw）：含水孔隙体积占总孔隙体积的百分数 Vw

火成岩储层测井评价方法综述与展望

火成岩储层测井评价方法综述与展望马楠;周继宏;蔡伟祥【摘要】针对火成岩储层测井技术的日益进步,在进行了广泛的文献调研的基础上,主要研究了国内近20年关于火成岩储层测井评价的进展,论述了常规及特殊测井资料在储层评价中的应用,并总结了火成岩测井响应特征,对火成岩岩性识别方法、储层类型划分及储层重要参数的计算方法、储层流体识别及饱和度的求取方法等进行了系统的整理,指出了各种方法的优点和局限性,提出了火成岩储层测井评价的发展趋势。

【期刊名称】《能源与环保》【年(卷),期】2017(039)002【总页数】8页(P24-31)【关键词】火成岩油气藏;储层测井评价;测井响应;裂缝;图版法【作者】马楠;周继宏;蔡伟祥【作者单位】[1]长江大学油气资源与勘探技术教育部重点实验室,湖北武汉430100;[2]长江大学地球物理与石油资源学院,湖北武汉430100【正文语种】中文【中图分类】P631.8近年来，随着各国对油气资源的需求不断增大，火成岩油气藏作为非常规油气资源已成为一个重要的勘探领域，越来越受国内外石油界学者的关注和重视。

1887 年，在美国的加利福尼亚州圣华金盆地首次钻遇火成岩油气藏。

随后在日本、印尼、墨西哥、巴西、阿根廷等多个国家相继发现了多个火成岩油气藏[1-3]。

因此国外很早就开始进行火成岩储层测井评价研究，但大多是引用常规测井技术解决问题。

我国于1957年在准噶尔盆地克拉玛依油田石炭系的基岩风化壳首次发现了火成岩油气藏，自20世纪70年代以来，也开始对火成岩进行全面的油气勘探工作，虽然起步较晚，但发展迅速，先后在渤海湾、二连、黄骅坳陷、准噶尔、塔里木、松辽、苏北、柴达木等盆地发现了火成岩油气储层[3]。

其中不乏规模较大的油气藏，如准噶尔盆地已探明地质储量超过2×108 t，青海油田柴达木盆地东坪地区探明含气基岩面积18.85 km2，属国内最大的基岩气藏，日产天然气达326万m3。

由此可见，火成岩油气资源丰富，具有良好的勘探开发前景。

随钻测井中岩性识别方法的对比及应用

随钻测井中岩性识别方法的对比及应用陈刚;汪凯斌;蒋必辞;王小龙【摘要】Lithology identification is the basis of formation recognition and reservoir parameter calculation,and the traditional lithology identification method can not meet the needs of actual production because of the complexity and heterogeneity of sedimentary environment.Aiming at the problem of traditional identification method such as the fault tolerance ability is poor,the degree of automation is low and the interpretation accuracy is low.By using the neural network autonomous learning prediction analysis method,the comparison study of several popular lithologic identification methods,a more suitable field practical method was applied to the drilling system.The study found that in the case of the same prediction method and well logging curve,the more the number of standard stratigraphie samples is,the higher the correct rate.By comparing probabilistic neural networks method in the application in the production of better effect,the recognition accuracy rate was high,training and recognition time was the shortest,a high level of recognition can be still maintained when less logging data are got.%岩性识别是对地层认识及储层参数求解的基础,受沉积环境复杂性和非均质性影响,传统岩性识别方法已不能满足实际生产需要.针对传统识别方法容错能力差、自动化程度低和解释精度低的问题,通过应用神经网络自主学习预测分析手段,对比分析当下几种流行的岩性识别方法,选出更为适合现场实用的方法应用到随钻测井系统中.经研究发现,在预测方法及测井曲线相同的情况下,获得标准层段训练样本越多,准确率越高.通过对比得出结果:PNN概率神经网络方法在生产应用中效果更佳、识别准确率高、训练识别用时最短,在获取较少测井资料信息时,仍能保持较高的识别水平.【期刊名称】《煤田地质与勘探》【年(卷),期】2018(046)001【总页数】5页(P165-169)【关键词】随钻测井;岩性识别;神经网络;PNN【作者】陈刚;汪凯斌;蒋必辞;王小龙【作者单位】中国石油大学(华东)地球科学与技术学院,山东青岛266580;中煤科工集团西安研究院有限公司,陕西西安710077;中煤科工集团西安研究院有限公司,陕西西安710077;中煤科工集团西安研究院有限公司,陕西西安710077;中煤科工集团西安研究院有限公司,陕西西安710077【正文语种】中文【中图分类】P631岩性识别为储层评价及求取参数的第一步，也是其他储层信息获取的基础。

测井曲线判断岩性

利用测井资料判断岩性及油气水层一、普遍电阻率测井（双侧向、三侧向、2.5m、4.0m、七侧向、微电极）1、基本原理：电阻率测井是由一个供电电极或多个供电电极供给低频或较低频电流I，当电流通过地层时，用另外的测量电极测量电位U，利用Ra＝K U/I K：电极系数Ra：视电阻率U：电位I：电流2、应用（1）求地层电阻率利用微球形聚焦、微电极，求取冲洗带电阻率。

利用浅侧向、2.5m求取侵入带电阻率。

利用深侧向、4.0m求取原状地层电阻率。

（2）确定岩性界面：利用微球形聚焦、微电极划分界面，界面划在曲线最陡或半幅点处。

利用侧向划分界面，界面可划在曲线半幅点处。

利用2.5m划分界面，顶界划在极小值，底界划在极大值。

（3）判断岩性泥岩：低电阻，微球形聚焦、微电极、双侧向基本重合，2.5m、4.0m平直。

灰质岩：高阻，微球形聚焦，微电极、双侧向基本重合，2.5m、4.0m都高。

盐膏岩：电阻特别高，井径规则时深侧向>浅侧向＞微球聚焦。

4.0m＞2.5m>微电极。

页岩、油页岩：高阻，井径规则时微球、双侧向基本重合，4.0m、2.5m、微电极基本重合。

（4）判断油气水层①油气层：高阻,A、Rmf>Rw ，增阻侵入，随探测深度增加电阻率降低。

Rmf――泥浆滤液电阻率，Rw――地层水电阻率。

B、Rmf<Rw ，减阻侵入，随电探测深度增加电阻率增加。

②水层：低阻A、Rmf>Rw，增阻侵入，R深＜R浅。

B、Rmf<Rw，减阻侵入，R深＞R浅。

C、Rmf≈Rw，则R深≈R浅。

R深――深电极R浅――浅电极（5）识别裂缝发育带碳酸盐岩剖面裂缝发育带，在高阻中找低阻。

二、感应测井1、基本原理感应测井是测量地层的电导率。

它是由若干个同轴线围组成的－组发射线圈和一组接受线围的复合线圈系。

当发射线圈发出恒定强度为20000周的高频率交变电流时，由此产生的交变磁场则在地层中感应次生电流，而次生电流在与发射线圈同轴的环形地层回路中流动，又形成了次生磁场，这样使在接受线圈中感应出电动势。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

—
５—
ｌ
２ Βιβλιοθήκη ０４３０４６０４６Ｏ５６０３ｌ泥．０６．３５．８０．１１．４９
０１４．４５０．７１０．６３０．９８ｌ０．８４１４９４３０６
岩
３
４
０５５０６００６４０６９０７５砂．３２．４８．１５．２９．ｌ４
０５４．５２０．５８６２０．２３Ｏ．７ｌ０．０６４６５７２５
岩
对网络进行初始化，论文用到函数ｉｉｃｎｎｔｏ。接着就可以对网络进行训练，当达到最大训练次数时，训练停止。此时用仿真函数ｓｍ检验网络对岩性分类模式的分类。为了检验网络的分类性能ｉ采用训练样本以外的数据对网络进行测试。利用自组织竞争神经网络进行岩性识别，不必对输入的测井数据进行统计，只要将网
ｌｈｌｇｆｅｅｅｒｈｔｅｔｙｎｗｔｏｓｉｏｏｙｏｔｓａｃｉｎｉｅｍｅｄ．ｔｈｒｏｄｆｈ
Ｋｅｗｏｄ：ｅｆｏｇａｉｉｇｃｙｒｓＳｌ－ｒｎｚｎｏｍｐｅｉｉｅｎｔｏｋＬｏｔｉｏｏｙｉｅｔｆｃｔｏＭＡＴＬＡＢｔｔｖｅｗｒ；ｇｄａａｌｌｇｄｎｉａｉｎ；ｈｔｉ
ｅｔｂｉｅｆｒａｉｉｇｃｍｐｔｉｅｎｔｏｋｍｏｅａｅｎＭＡＴｓｌｈｓｌｏｇｎｚｎｏｅｉｖｅｒｄｌｂｓｄｏａｓ－ｔｗＬＡＢ．ｙｃｍｐｒｇｔｅｔｔｕｔｒｓｏａｉｃｍｐｔｉｅＢｏａｉｈｗｏｓｒｃｕｅｆｂｓｃｏｅｉｖｎｔｎｔｏｋａｄｓｌｏｇｎｚｎｏｅｉｖｅｗｏｋｔｃｉｖｉｏｏｙｃａｓｃｔｎＥｘｅｉｎａｅｕｔｈｗｈｔｔｅｕｅｏｅｒｎｅｆｒａｉｉｇｃｍｐｔｉｅｎｔｒｏａｈｅｅ１ｈｌｇｌｓｉａｉ．ｐｒｗ－ｔｔｉｆｏｍｅｔｌｒｓｌｓｏｔａｈｓｆｓ
摘要：利用自组织神经网络自组织自学习的学习能力的特点，在分析影响岩性识别因子的基础上，建立了基于ＭＡＬＢ的自组织竞争网络模型。通过比较基本竞争型网络和自组织特征映射网络两种网络结构实现岩性分类。实验结果ＴＡ表明，利用自组织竞争网络模型对测井资料岩性识别是可行的，正确率高，为岩性识别的研究提供了新方法。关键词：自组织竞争网络；测井资料岩性识别；ＭＡＬＢＴＡ中图分类号：Ｔ３９Ｅ１文献标识码：Ａ文章编号：１０— ５９（０）０— ０５００７９９２１５００ — ２１
ｓｌ－ｒａｉｉｇｎｅｗｏｋｍｏ１ｆｃｍｐｔｉｎｅｔｗｅ１ｉｏｏｙｄｎｉｃｔｎｎｆｒｎｔｏＳｅｓｂｅｔｅｃｒｅｔｒｔ．ｏｅｅｆｏｇｚｎｔｒｄｅｏｏｅｉｏｔｓｌｔｌｇｉｅｔｆａｉｉｏｒａｉｎｉｆａｉｌ．ｏｒｃａｅｆｒｔｎｔ１ｈｉｏｈｈ
ＡｐｌａｉｎｏｅｆｏｇｎｚｔｏｍｐｔｔｎＮｅｗｏｋｉｐｉｔｆＳｌｒａｉａｉｎＣｏｃｏ－ｅｉｏｔｒｉｎＬｏｔｔｏｏｉａｄｎｉｃｔｏｇＤａａＬｉｌｇｃｌｅｔａｉｎｈＩｉｆ
引言目前，性识别主要有以下几种方法：１概率统计方法；（）岩（）２聚类分析方法；（）３人工神经网络方法。人工神经网络方法以其自身特有的样本学习能力获得识别模式，以与岩性相关的测井资料作为神经网络的输入参数，已知岩性种类作为输出总数。前两种数理统计方法，两者的差别只是参数选择的要求不同。人工神经网络具有很强的自组织性、自适应性、容错性和推理思维能力，
计算机光盘软件与应用
２１年第５期０１ＣｍｕｅＤＳｆｗｒｎｐｌｃｔｏｓｏｐｔｒＣｏｔａｅａｄＡｐａｎｉｉ信息技术应用研究
自组织竞争网络在测井资料岩性识别中的应用
宗春梅（州师范学院，山西忻州０４０）忻３００
ＺｎｕｍｅｏｇＣｈｎｉ
（ｉｈｕＴａｈｒＵｉｒｉ，ｉｈｕ０４０，ｈｎ）ＸｎｏｅｃｅｓｎｅｓｙＸｎｏ３００Ｃｉｚｖｔｚａ
Ａｂｓｒｃ：ｓｎｔａｔＵｉｇｓｌ－ｇｎｉｉａｓｌ－ｅｒｉｇｂｌｙｆｓｌ－ｒａｉｉｎｕａｔｒａａｙｅｈｅｍｐａｔａｔｒｔｅｆｏｒａｚｎｇｎｄｅｆｌａｎａｉｉｏｅｆｏｇｚｎｇｅｒｌｎｅｗｏｋ，ｌｚｔｉｎｔｎｎｃｆｃｏｏ
一
、
５
６
０７０Ｏ７１０８００８２０８２石灰岩．７９．８２．２４．４５．６２
０．５９７８０．９７６５Ｏ．２５８ｌ０．５０７８０６．８０９
四、测井岩性识别模型的建立（一）测井岩性识别算法应用白组织竞争网络进行测井资料岩性识别，首先获取样本资料，即测井数据。在应用自组织竞争人工神经网络对数据进行处理前，利用归一化公式对所有测井数据进行归一化。利用自组人们运用神经网络在测井资料岩性识别领域做了大量的研究，取织竞争网络的神经网络工具箱函数创建网络。网络创建好后需要得良好效果。对网络进行初始化，接着对网络进行训练，并设置训练次数，由二、自组织竞争神经网络原理于竞争型神经网络采用的是无教师学习方式，没有期望输出，所自组织竞争网络是以无教师教学的方式进行网络训练，具有以训练过程中不需要设置判断网络训练是否结束的误差项，只要白组织功能，网络通过自身训练，自动对输入模式进行分类，让设置网络的训练次数就可以了，网络训练完毕后，利用仿真函数网络竞争层中的各种神经元通过竞争来获取对输入的响应机会，检验网络对岩性模式的分类。利用函数ｖｃｉｄ数据串行化输ｅ２ｎ将最后仅剩一个神经元成为竞争的获胜者，并对那些与获胜神经元出，为了检验网络的分类性能可以采用同一地区的测试数据对网有关的各连接全部朝着更有利于它竞争的方向调整，这一获胜神络进行测试，进行岩性识别。如果岩性识别没有成功，重新对网经元的输出则代表对输入模式的分类，正是自组织竞争神经网络络进行初始化，重新对网络进行训练、测试。具有自组织能力、自适应能力和较高的容错能力的特点，为测井（二）自组织竞争神经网络结构设计资料岩性识别提供了新的方法。在竞争层中，神经元之间相互竞自组织竞争网络的神经网络工具箱提供了大量的函数工具。争，终只有一个或者几个神经元获胜，以适应当前的输入样本。最自组织竞争网络由输入层和竞争层组成。ｎｗ用ｅｔ函数创建一个竞竞争胜利的神经元就代表着当前输入样本的分类模式。争层，构建一个基本竞争型网络。权值函数为ｎｇｉｔｅｄｓ，输入函三、样本数据的获取数为ｎｔｕ，始化函数为ｍｄｏｎ或者ｉｉｃｎ训练函数或ｅｓｍ初ｉｐｉｔｎｔｏ，（）样本的选取一者自适应函数为ｔａｎｒｉｓ和ｔａｎ，学习函数为ｌａｎ或者ｒｉｒｅｒｋ样本包括样本特征选取及样本数目的确定。本文样本源于北ｌａｎｏｅｒｃｎ函数。函数返回值是一个新的竞争层。由于需要识别的方某地区２０的测井资料，该地区属于碳酸盐地层，因此需要类别数目是３０４年，神经元数目也设置为３，为了加快学习速度，将学判断的岩性有三种，即泥岩、砂岩和石灰岩。通过对已知井段测习速率设置为０１用ｎｗｏ．。ｅｓｍ函数创建一个自组织特征映射网络。井数据进行学习，来预测同一地区其他井段的岩性。自组织特征映射网络的输入层中的每一个神经元，通过权与输出（）样本数据的预处理二层中的每一个神经元相连。构成一个二维平面阵列或一个一维阵测井资料的样本数据中包含了影响岩性的５个重要因子，即列。输入层和竞争层的神经元之间实现全互连接。利用基本竞争补偿中子空隙度ＣＬＮ、补偿密度曲线ＤＮＥ、声波时差ＤＣ自然伽型网络进行分类，需要首先设定输入向量的类别总数，再由此确Ｔ、玛ＧＲ和微电阻率Ｒ。归一化后的数据如表３１示。Ｔ．所定神经元的个数。但利用自组织特征映射网络进行分类却不需要表３１归一化后的岩性影响因子．这样，这种网络会自动将差别很小的点归为一类，差别不大的点序号ＣＬＮＤＮＥＤＣＥＧＲＧ岩性Ｔ激发的神经元位置也是邻近的。种网络模型各自创建好网络后，两