论文部分内容阅读
岩性识别不仅是储层评价、油藏描述等方面的一项重要内容,同时也是求解储层参数的重要依据,准确的岩性识别结果可以为勘探和开发提供可靠的依据,在寻找油气资源、评估油气储量方面发挥了巨大的作用。由于实际储层的非均质性,传统的岩性识别方法很难表征储层的真实特性。神经网络以其具有的分布处理、自学习、自组织、高度非线性和容错能力,为有效的利用测井信息进行岩性识别提供了一种新方法。本文工作包括三部分,利用主成分分析法(PCA)对测井数据进行预处理;建立BP网络岩性识别模型和PCA-BP网络岩性识别模型对测井数据进行岩性识别;建立SOM网络岩性识别模型对测井数据进行岩性聚类。1、分析测井数据,进行有效的识别岩性,应尽可能多地采用各种测井参数,但测井参数之间所反映的岩性信息有一定的重叠;对于复杂问题和高维输入变量,直接用神经网络进行预测,会带来网络规模的剧增,运算时间的增加,网络的收敛性和泛化能力的降低。为了解决上述问题,利用主成分分析法对测井数据进行预处理,从具有复杂相关性的测井参数中,提取最能反映岩性特征的彼此独立的主成分,使其能有效地综合原测井参数反映的岩性信息。这不仅降低了原测井数据的维数,简化了计算,而且各个主成分间互不相关。2、对于有监督的学习样本,建立PCA-BP网络岩性识别模型。PCA-BP网络岩性识别模型是一种将主成分分析和BP神经网络相结合对岩性识别的方法,首先对测井数据进行主成分分析,分析结果作为BP神经网络的输入参数进行训练,并用该模型对测试样本进行识别。结果表明该方法同传统的BP网络岩性识别模型相比,不仅简化了网络结构(网络的输入层神经元个数由5个减少为3个),网络收敛速度加快了21%,而且识别精度也提高了25%。3、对于无监督的学习样本,建立SOM网络岩性识别模型。SOM网络是一种竞争式学习网络,具有较强的聚类和容错能力。结合某地的实际测井资料,进行SOM网络岩性识别的应用研究。结果表明,SOM网络能够对学习样本进行自动聚类,且识别的准确率较高。综上所述,利用神经网络对测井数据进行岩性识别是一种行之有效的岩性识别的好方法,这对于探寻和鉴别含油气地层的精确性,在油气资源开发领域具有一定的实用意义和很好的应用前景。