神经网络模拟交会图识别油层水淹级别的方法.pdf

上传人:111****11 文档编号:607194 上传时间:2018-02-26 格式:PDF 页数:8 大小:389.83KB
返回 下载 相关 举报
摘要
申请专利号:

CN201110090342.3

申请日:

2011.04.12

公开号:

CN102418518A

公开日:

2012.04.18

当前法律状态:

撤回

有效性:

无权

法律详情:

发明专利申请公布后的视为撤回IPC(主分类):E21B 49/00申请公布日:20120418|||实质审查的生效IPC(主分类):E21B 49/00申请日:20110412|||公开

IPC分类号:

E21B49/00; G06N3/02

主分类号:

E21B49/00

申请人:

北京师范大学

发明人:

张金亮; 黎明; 唐明明; 任伟伟

地址:

100875 北京市新街口外大街19号北京师范大学

优先权:

专利代理机构:

代理人:

PDF下载: PDF下载
内容摘要

本发明是应用神经网络算法对传统交会图技术进行改进,从而实现交会图的非线性识别和定量分析功能,利用的是BP神经网络算法,其中包括对象特征参数的筛选、网络结构参数的选择、神经网络模型的训练、网络模型的测试和神经网络模拟交会图版的制定五个步骤。根据储层油气水层的多种性质,运用统计学方法从测井计算的参数或与油气解释相关的测井曲线中,来精确选择最能反映储层中油气水层特点的参数样品;然后运用BP神经网络算法,选择适当的权值和阈值来构建网络模型,并对模型进行训练和误差检验;最后通过对网络输出得到的识别向量在平面上的投影点,判断该深度段储层的流体类型或水淹程度。

权利要求书

1: 本发明涉及一种基于神经网络算法的交会图分类识别技术, 用于油田测井水淹层解 释的水淹层分级以及测井油气层、 水层的识别, 其特征在于将具有误差反馈和非线性识别 功能的神经网络技术与传统的交会图识别技术相结合, 运用到地层中油气层、 水层的识别 中去, 并将神经网络对样本学习训练得到的网络拓扑结构的二维 ( 也可以是三维 ) 输出端, 作为传统交会图的输入端, 通过对比分析样本点在交会图上的分布特征, 来确定该样本点 应属的类别。 步骤一, 根据研究样本的多种性质, 运用统计学方法从测井计算的参数或测井曲线中, 选择最能反映油水层特点的参数和试油资料得到的流体类型或水淹程度作为神经网络的 输入向量和目标向量 ; 步骤二, 在对输入向量进行归一化和对目标向量进行数字化后, 利用 BP 神经网络对网 络进行训练, 在训练过程中根据网络预测误差调整网络的权值和阈值, 最终得到在误差允 许范围内的网络模型, 由于要求网络输出向量在二维交会图上显示, 因此设定网络为双输 出层, 且几种储层流体的坐标设为固定值显示在交会图上, 称为流体类型中心点 ; 步骤三, 用训练好的神经网络分类流体特征参数, 得到一组二维向量数据点, 将其投 影到二维交会图平面上形成分布点, 再用欧氏距离来判断这些分布点与各流体类型中心点 之间的距离, 其中距离最短的中心点所代表的流体类型就是该流体特征参数对应的流体类 型。
2: 根据权利要求 1 所述的神经网络选用的是 BP 神经网络算法, 其特征是信号前向传 递, 误差反向传播, 它是在导师指导下适合于多层神经元网络的一种学习算法, 建立在梯度 算法的基础之上。
3: 根据权利要求 1 所述的交会图识别技术, 是一种测井资料的作图解释技术。它把两 种测井数据在平面图上交会, 根据交会点的坐标定出所求参数的数值或范围, 是确定岩性、 识别水淹层和含油气饱和度时广泛采用的一种方法。

说明书


神经网络模拟交会图识别油层水淹级别的方法

    技术领域 :
     本发明涉及一种神经网络模拟交会图识别油层水淹级别的方法, 即利用神经网络 的网络拓扑结构构建交会图来进行油田测井水淹层解释的水淹层分级以及测井油气、 水层 识别的方法。 背景技术 :
     交会图识别技术在油气勘探中应用广泛, 它在检查测井资料质量、 选择解释参数、 确定岩性、 检验解释结果和评价地层流体类型方面发挥着重要作用。 在岩石物理学方面, 可 以通过交会图制作岩石物理量板, 利用量板进行岩性预测 ; 在地震 AVO(Amplitude Versus Offset, 振幅随偏移距的变化 ) 技术应用方面, 通过交会图技术, 即将 AVO 属性 (λρ-μρ, IP-IS 等 ) 投影到交会图上, 利用不同储层的岩性和流体类型异常在交会图平面上占有不同 区域的特点, 进行异常划分 ; 在储层和流体解释方面, 交会图技术不仅可用于属性优化, 同 时可以应用于储层类型划分、 储层水淹层测井评价和储层流体的定性识别。
     传统交会图一般是选择与研究对象相关的两种参数或属性, 在 XY 坐标平面上构 建解释图版, 这种方法在对象的属性较多的时候就显得力不从心, 缺乏可操作性和准确性。 与此同时, 在传统的交会图分析中, 对交会图域内区域的划分一般采用粗略描述或人工勾 绘, 方法的本身存在很大的不确定性, 特别是在数据点较多的情况下, 不同属性的样本点重 叠在一起, 很难准确快速地对样本点所属的类别进行判断和识别。 这些问题的存在, 成为了 交会图识别研究的新亮点。
     BP 神经网络是一种多层前馈神经网络, 该网络的主要特点是信号前向传递, 误差 反向传播。在前向传递中, 输入信号从输入层经隐含层逐层处理, 直至输出层。每一层的神 经元状态只影响下一层神经元状态。 如果输出层得不到期望输出, 则转入反向传播, 根据预 测误差调整网络权值和阈值, 从而使网络预测输出不断逼近期望输出。
     BP 神经网络的拓扑结构如上图所示, 图中 X1, X2,…, Xn 是 BP 神经网络的输入值, Y1, Y2 是 BP 神经网络的预测值, ωij, ωjk 为 BP 神经网络权值。从图中可以看出, BP 神经网 络可以看成一个非线性函数 m 时, BP 神经网络就表达了从 n 个自变量到 m 个因变量的函数 映射关系。因此, 可以用它来解决多参数 ( 属性 ) 对象的类型识别问题。再结合网络输出 得到的识别向量在平面上的投影, 通过测算投影点与模型训练得到的类别中心的距离, 可 以实现交会图的定量识别功能。 发明内容 :
     本发明应用神经网络技术对传统交会图技术进行改进, 从而实现交会图的非线性 识别和定量分析功能, 利用的是 BP 神经网络算法, 包括网络模型的建立, 网络的训练和网 络输出端模拟交会图的构建, 使网络的输入直接得到一个识别交会图, 并测算交会图的误 差精度。
     其中包括对象特征参数的筛选、 网络结构参数的选择、 神经网络模型的训练、 网络模型的测试和神经网络模拟交会图版的制定五个步骤。 根据储层油气层、 水层的多种性质, 运用统计学方法从测井计算的参数或与油气解释相关的测井曲线, 来精确选择最能反映储 层中油气层、 水层特点的参数样品 ; 然后运用 BP 神经网络算法, 选择适当的权值和阈值来 构建网络模型, 并对模型进行训练和误差检验 ; 最后通过对网络输出得到的识别向量在平 面上的投影点, 用欧氏距离来判断这些分布点与各流体类型中心点之间的距离, 其中距离 最短的中心点所代表的流体类型就是该深度段储层的流体类型或水淹程度。
     关键技术要点包括 :
     (1) 网络输入输出端的设置 ;
     运用统计学方法, 选择与油气解释相关的测井曲线或测井计算参数归一化统一量 纲后作为网络的输入端, 如自然伽玛曲线、 电阻率曲线、 孔隙度、 含油饱和度 ; 网络的输出层 设为两层, 以便于投影在二维平面坐标系上, 其中油层代码设为 (0.25, 0.25), 弱水淹层代 码设为 (0.75, 0.25), 中水淹层设为 (0.75, 0.75), 强水淹层设为 (0.25, 0.75)。
     (2)BP 神经网络模型的实现 ;
     通过对样本数据点特征的研究, 根据 BP 神经网络的算法构建网络模型, 并对模型 进行训练和测试, 误差低于预设定误差标准模型即为可用。 (3) 神经网络模拟交会图定量分类方法 ;
     运用欧氏距离法测算分类模型得到的投影点距离各流体中心的距离, 得到该层位 的水淹级别, 实现交会图的定量分类。
     附图说明
     图 1BP 神经网络拓扑结构图 图 2 神经网络模拟交会图算法示意图 图 3 神经网络模拟交会图水淹识别图版 图 4BP 神经网络训练误差检测图 图 5 神经网络模拟交会图版分类储层水淹级别结果图具体实施方式 :
     方法组成 :
     本发明融合神经网络算法与测井交会图识别技术, 对传统交会图方法进行了改 造, 实现针对油田水淹层测井识别和测井油气、 水层识别的多参数研究和定量识别。
     从统计学观点看, 测井水淹层评价或流体识别等问题, 实际上是一个分类问题, 因 此可以利用神经网络方法建立分类模型来完成。利用样本训练得到的神经网络模型, 能够 综合研究对象的多种特征参数对对象的类别进行准确划分, 弥补了交会图只能综合两种特 征参数来进行类别划分的局限性。
     交会图的运用则将神经网络模型得到的识别代码投影在平面坐标系中, 通过进一 步分析投影点的分布情况, 在交会图上测算投影点距分类中心的距离, 就可以对识别对象 的特征参数进行定量划分。
     研究方法 :
     神经网络模拟交会图识别方法综合了神经网络算法和交会图识别的基本原理, 方法的关键是网络模型构建的精确度及交会图数据点的距离测算。 其详细的技术路线分类介 绍如下 :
     (1) 样品选取, 在测井解释中, 学习样本的真实性、 代表性和泛化性是决定分类效 果的关键, 主要由地层测试结果和与之对应的一组测井响应值构成
     (2) 样品归一化, 为避免各参数量纲差异对预测结果造成负面影响, 对学习样本的 属性值进行归一化处理, 属性值呈正态分布的进行常规归一化, 属性值呈非正态分布的进 行对数归一化。
     (3) 分类结果数字化, 为了便于网络模型输出在平面上显示, 设定油层代码为 (0.25, 0.25), 弱水淹层代码设为 (0.75, 0.25), 中水淹层设为 (0.75, 0.75), 强水淹层设为 (0.25, 0.75), 四个水淹中心作为分类模型输出端。
     (4) 构建 BP 神经网络模型, 根据系统输入输出数据特点研究网络的结构, 主要是 合理地设置隐含层的节点数和隐含层的激励函数。
     (5) 训练 BP 神经网络模型, 岩心分析或试油资料中筛选得到的样品对 BP 神经网络 分类模型进行训练, 在训练过程中根据网络预测误差调整网络的权值和阈值。
     (6) 测试网络模型, 利用建立的分类模型对由试油结果和测井资料得到的水淹层 样本进行预测和回判, 测试模型的分类效果。
     (7) 制作神经网络模拟交会图图版, 利用训练好的 BP 神经网络分类模型, 分类未 知水淹类型层位的水淹参数, 并投影在平面坐标系上, 运用欧氏距离测算投影点距离各水 淹中心的距离, 得到该层位的水淹级别。

神经网络模拟交会图识别油层水淹级别的方法.pdf_第1页
第1页 / 共8页
神经网络模拟交会图识别油层水淹级别的方法.pdf_第2页
第2页 / 共8页
神经网络模拟交会图识别油层水淹级别的方法.pdf_第3页
第3页 / 共8页
点击查看更多>>
资源描述

《神经网络模拟交会图识别油层水淹级别的方法.pdf》由会员分享,可在线阅读,更多相关《神经网络模拟交会图识别油层水淹级别的方法.pdf(8页珍藏版)》请在专利查询网上搜索。

1、10申请公布号CN102418518A43申请公布日20120418CN102418518ACN102418518A21申请号201110090342322申请日20110412E21B49/00200601G06N3/0220060171申请人北京师范大学地址100875北京市新街口外大街19号北京师范大学72发明人张金亮黎明唐明明任伟伟54发明名称神经网络模拟交会图识别油层水淹级别的方法57摘要本发明是应用神经网络算法对传统交会图技术进行改进,从而实现交会图的非线性识别和定量分析功能,利用的是BP神经网络算法,其中包括对象特征参数的筛选、网络结构参数的选择、神经网络模型的训练、网络模型的测。

2、试和神经网络模拟交会图版的制定五个步骤。根据储层油气水层的多种性质,运用统计学方法从测井计算的参数或与油气解释相关的测井曲线中,来精确选择最能反映储层中油气水层特点的参数样品;然后运用BP神经网络算法,选择适当的权值和阈值来构建网络模型,并对模型进行训练和误差检验;最后通过对网络输出得到的识别向量在平面上的投影点,判断该深度段储层的流体类型或水淹程度。51INTCL19中华人民共和国国家知识产权局12发明专利申请权利要求书1页说明书3页附图3页CN102418528A1/1页21本发明涉及一种基于神经网络算法的交会图分类识别技术,用于油田测井水淹层解释的水淹层分级以及测井油气层、水层的识别,其。

3、特征在于将具有误差反馈和非线性识别功能的神经网络技术与传统的交会图识别技术相结合,运用到地层中油气层、水层的识别中去,并将神经网络对样本学习训练得到的网络拓扑结构的二维也可以是三维输出端,作为传统交会图的输入端,通过对比分析样本点在交会图上的分布特征,来确定该样本点应属的类别。步骤一,根据研究样本的多种性质,运用统计学方法从测井计算的参数或测井曲线中,选择最能反映油水层特点的参数和试油资料得到的流体类型或水淹程度作为神经网络的输入向量和目标向量;步骤二,在对输入向量进行归一化和对目标向量进行数字化后,利用BP神经网络对网络进行训练,在训练过程中根据网络预测误差调整网络的权值和阈值,最终得到在误。

4、差允许范围内的网络模型,由于要求网络输出向量在二维交会图上显示,因此设定网络为双输出层,且几种储层流体的坐标设为固定值显示在交会图上,称为流体类型中心点;步骤三,用训练好的神经网络分类流体特征参数,得到一组二维向量数据点,将其投影到二维交会图平面上形成分布点,再用欧氏距离来判断这些分布点与各流体类型中心点之间的距离,其中距离最短的中心点所代表的流体类型就是该流体特征参数对应的流体类型。2根据权利要求1所述的神经网络选用的是BP神经网络算法,其特征是信号前向传递,误差反向传播,它是在导师指导下适合于多层神经元网络的一种学习算法,建立在梯度算法的基础之上。3根据权利要求1所述的交会图识别技术,是一。

5、种测井资料的作图解释技术。它把两种测井数据在平面图上交会,根据交会点的坐标定出所求参数的数值或范围,是确定岩性、识别水淹层和含油气饱和度时广泛采用的一种方法。权利要求书CN102418518ACN102418528A1/3页3神经网络模拟交会图识别油层水淹级别的方法技术领域0001本发明涉及一种神经网络模拟交会图识别油层水淹级别的方法,即利用神经网络的网络拓扑结构构建交会图来进行油田测井水淹层解释的水淹层分级以及测井油气、水层识别的方法。背景技术0002交会图识别技术在油气勘探中应用广泛,它在检查测井资料质量、选择解释参数、确定岩性、检验解释结果和评价地层流体类型方面发挥着重要作用。在岩石物理。

6、学方面,可以通过交会图制作岩石物理量板,利用量板进行岩性预测;在地震AVOAMPLITUDEVERSUSOFFSET,振幅随偏移距的变化技术应用方面,通过交会图技术,即将AVO属性,IPIS等投影到交会图上,利用不同储层的岩性和流体类型异常在交会图平面上占有不同区域的特点,进行异常划分;在储层和流体解释方面,交会图技术不仅可用于属性优化,同时可以应用于储层类型划分、储层水淹层测井评价和储层流体的定性识别。0003传统交会图一般是选择与研究对象相关的两种参数或属性,在XY坐标平面上构建解释图版,这种方法在对象的属性较多的时候就显得力不从心,缺乏可操作性和准确性。与此同时,在传统的交会图分析中,对。

7、交会图域内区域的划分一般采用粗略描述或人工勾绘,方法的本身存在很大的不确定性,特别是在数据点较多的情况下,不同属性的样本点重叠在一起,很难准确快速地对样本点所属的类别进行判断和识别。这些问题的存在,成为了交会图识别研究的新亮点。0004BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使网络预测输出不断逼近期望输出。0005BP神经网络的拓扑结构如上图所示,图中X1,X2,XN是BP神。

8、经网络的输入值,Y1,Y2是BP神经网络的预测值,IJ,JK为BP神经网络权值。从图中可以看出,BP神经网络可以看成一个非线性函数M时,BP神经网络就表达了从N个自变量到M个因变量的函数映射关系。因此,可以用它来解决多参数属性对象的类型识别问题。再结合网络输出得到的识别向量在平面上的投影,通过测算投影点与模型训练得到的类别中心的距离,可以实现交会图的定量识别功能。发明内容0006本发明应用神经网络技术对传统交会图技术进行改进,从而实现交会图的非线性识别和定量分析功能,利用的是BP神经网络算法,包括网络模型的建立,网络的训练和网络输出端模拟交会图的构建,使网络的输入直接得到一个识别交会图,并测算。

9、交会图的误差精度。0007其中包括对象特征参数的筛选、网络结构参数的选择、神经网络模型的训练、网络说明书CN102418518ACN102418528A2/3页4模型的测试和神经网络模拟交会图版的制定五个步骤。根据储层油气层、水层的多种性质,运用统计学方法从测井计算的参数或与油气解释相关的测井曲线,来精确选择最能反映储层中油气层、水层特点的参数样品;然后运用BP神经网络算法,选择适当的权值和阈值来构建网络模型,并对模型进行训练和误差检验;最后通过对网络输出得到的识别向量在平面上的投影点,用欧氏距离来判断这些分布点与各流体类型中心点之间的距离,其中距离最短的中心点所代表的流体类型就是该深度段储层。

10、的流体类型或水淹程度。0008关键技术要点包括00091网络输入输出端的设置;0010运用统计学方法,选择与油气解释相关的测井曲线或测井计算参数归一化统一量纲后作为网络的输入端,如自然伽玛曲线、电阻率曲线、孔隙度、含油饱和度;网络的输出层设为两层,以便于投影在二维平面坐标系上,其中油层代码设为025,025,弱水淹层代码设为075,025,中水淹层设为075,075,强水淹层设为025,075。00112BP神经网络模型的实现;0012通过对样本数据点特征的研究,根据BP神经网络的算法构建网络模型,并对模型进行训练和测试,误差低于预设定误差标准模型即为可用。00133神经网络模拟交会图定量分类。

11、方法;0014运用欧氏距离法测算分类模型得到的投影点距离各流体中心的距离,得到该层位的水淹级别,实现交会图的定量分类。附图说明0015图1BP神经网络拓扑结构图0016图2神经网络模拟交会图算法示意图0017图3神经网络模拟交会图水淹识别图版0018图4BP神经网络训练误差检测图0019图5神经网络模拟交会图版分类储层水淹级别结果图具体实施方式0020方法组成0021本发明融合神经网络算法与测井交会图识别技术,对传统交会图方法进行了改造,实现针对油田水淹层测井识别和测井油气、水层识别的多参数研究和定量识别。0022从统计学观点看,测井水淹层评价或流体识别等问题,实际上是一个分类问题,因此可以利。

12、用神经网络方法建立分类模型来完成。利用样本训练得到的神经网络模型,能够综合研究对象的多种特征参数对对象的类别进行准确划分,弥补了交会图只能综合两种特征参数来进行类别划分的局限性。0023交会图的运用则将神经网络模型得到的识别代码投影在平面坐标系中,通过进一步分析投影点的分布情况,在交会图上测算投影点距分类中心的距离,就可以对识别对象的特征参数进行定量划分。0024研究方法0025神经网络模拟交会图识别方法综合了神经网络算法和交会图识别的基本原理,方说明书CN102418518ACN102418528A3/3页5法的关键是网络模型构建的精确度及交会图数据点的距离测算。其详细的技术路线分类介绍如下。

13、00261样品选取,在测井解释中,学习样本的真实性、代表性和泛化性是决定分类效果的关键,主要由地层测试结果和与之对应的一组测井响应值构成00272样品归一化,为避免各参数量纲差异对预测结果造成负面影响,对学习样本的属性值进行归一化处理,属性值呈正态分布的进行常规归一化,属性值呈非正态分布的进行对数归一化。00283分类结果数字化,为了便于网络模型输出在平面上显示,设定油层代码为025,025,弱水淹层代码设为075,025,中水淹层设为075,075,强水淹层设为025,075,四个水淹中心作为分类模型输出端。00294构建BP神经网络模型,根据系统输入输出数据特点研究网络的结构,主要是合理地。

14、设置隐含层的节点数和隐含层的激励函数。00305训练BP神经网络模型,岩心分析或试油资料中筛选得到的样品对BP神经网络分类模型进行训练,在训练过程中根据网络预测误差调整网络的权值和阈值。00316测试网络模型,利用建立的分类模型对由试油结果和测井资料得到的水淹层样本进行预测和回判,测试模型的分类效果。00327制作神经网络模拟交会图图版,利用训练好的BP神经网络分类模型,分类未知水淹类型层位的水淹参数,并投影在平面坐标系上,运用欧氏距离测算投影点距离各水淹中心的距离,得到该层位的水淹级别。说明书CN102418518ACN102418528A1/3页6图1图2说明书附图CN102418518ACN102418528A2/3页7图3图4说明书附图CN102418518ACN102418528A3/3页8图5说明书附图CN102418518A。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 固定建筑物 > 土层或岩石的钻进;采矿


copyright@ 2017-2020 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1