论文部分内容阅读
应用遗传神经网络模式识别方法，以文72块沙三中为例，在取芯关键井流动单元聚类分析的基础上，选用流动层指数、孔隙度、渗透率、粒度中值、泥质含量、最大孔喉半径6项参数，将取芯井流动单元划分为4类，采用神经网络模式识别方法，通过建立遗传神经网络的学习及预测模型，对文72块沙三中油藏进行了流动单元识别，阐述了各类流动单元的特征，并应用序贯指示模拟，获得了流动单元的时空展布。流动单元与沉积微相空间分布的对比表明，物性和储集能力都较好的流动单元大部分位于水下分支水道微相中部及河口坝微相，水道和河口坝沉积是控制物性较好