CN1704770A - 双重模糊神经网络储层油气预测方法 - Google Patents

双重模糊神经网络储层油气预测方法 Download PDF

Info

Publication number
CN1704770A
CN1704770A CN 200410013772 CN200410013772A CN1704770A CN 1704770 A CN1704770 A CN 1704770A CN 200410013772 CN200410013772 CN 200410013772 CN 200410013772 A CN200410013772 A CN 200410013772A CN 1704770 A CN1704770 A CN 1704770A
Authority
CN
China
Prior art keywords
oil
neural network
fuzzy neural
reservoir
self
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 200410013772
Other languages
English (en)
Inventor
张向军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN 200410013772 priority Critical patent/CN1704770A/zh
Publication of CN1704770A publication Critical patent/CN1704770A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种双重模糊神经网络储层油气预测方法。解决了神经网络在储层油气预测中预测结果精度低的问题。包括一个自组织映射网络和若干个模糊网络，其特征在于：先将地震特征参数输入到自组织映射网络，自组织映射网络将根据输入地震特征参数的不同，输出时划分为不同的类别，每一类别对应于地下不同的沉积相带；再将自组织映射网络划分的各类结果分别作为各模糊神经网络的输入参数，使得各模糊神经网络得以在沉积相带的约束下对储层进行预测。利用该预测方法预测储层含油气符合率为80％－95％，预测精度高。

Description

双重模糊神经网络储层油气预测方法
技术领域：
本发明涉及石油地震勘探储层和油气预测方法，属于双重模糊神经网络储层油气预测方法。
背景技术：
目前，在石油地震勘探储层和油气预测中广泛应用的神经网络方法包括BP神经网络、自组织映射网络等预测方法。自组织映射网络可对输入的地震特征参数进行分类，但若直接用分类结果预测储层，其预测精度较低；尽管BP神经网络是石油地震勘探储层和油气预测方法中应用的比较广泛，但在复杂岩性油气储层油气预测中，因储层及围岩的厚度和岩性在横向上的变化，其地震响应特征也变化较大，这样在不同沉积相带内即使是含有相同流体类型的储层，其地震响应特征将有所不同。使得BP神经网络对复杂样本集的训练难以收敛，储层油气预测效果并不理想，精度低。
发明内容：
为了克服现有的石油地震勘探储层和油气预测中自组织映射网络和BP神经网络方法预测精度低的不足，本发明提供一种双重模糊神经网络储层油气预测方法，该方法可以提高预测结果的精度。
本发明解决其技术问题所采用的技术方案：先将地震特征参数输入到自组织映射网络，自组织映射网络将根据输入地震特征参数的不同，输出时划分为不同的类别，每一类别对应于地下不同的沉积相带；再将自组织映射网络划分的各类结果分别作为各模糊神经网络的输入参数，使得各模糊神经网络得以在沉积相带的约束下对储层进行预测。
本发明的有益效果：本发明充分利用了自组织映射网络所具有的分类功能和模糊神经网络所具有的良好学习预测性能的优点，同时又避免了单独使用自组织映射网络和模糊神经网络时，自组织映射网络分类不准、模糊神经网络训练难以收敛而达不到高精度预测结果的缺点。该预测方法结合了二者的优点，将其应用于油田勘探开发，储层油气预测含油气符合率为80％-95％，预测精度高，为提高钻井成功率发挥了重要作用。
附图说明
图1是本发明双重模糊神经网络储层油气预测方法预测出的剩余油分布图；
图2是本发明双重模糊神经网络储层油气预测方法对大庆地区黑帝庙油层的油气预测结果示意图；
具体实施方式
下面结合附图对本发明的实施例作进一步详细描述。
由图1-图2可知，本发明是先将地震特征参数输入到自组织映射网络，自组织映射网络将根据输入地震特征参数的不同，输出时划分为不同的类别，每一类别对应于地下不同的沉积相带，再将自组织映射网络划分的各类结果分别作为各模糊神经网络的输入参数，使得各模糊神经网络得以在沉积相带的约束下对储层进行预测。
所述的模糊神经网络中的隶属函数是半升尖 分布函数。
该双重模糊神经网络储层油气预测方法，包括一个自组织映射网络和若干个模糊神经网络构成，输入样本是地震特征参数。在该预测方法中，首先将地震特征参数输入到输入层的自组织映射网络里，自组织映射网络按照输入地震特征参数的不同，将输出结果划分为不同的类别，各类别对应于地下不同的沉积相带，然后，再将输出结果各自作为各模糊神经网络的输入参数，模糊神经网络就很容易地对输入的参数进行学习训练、收敛，并在沉积相带的约束下实现储层油气预测。
实施例1
利用该方法对大庆油田太190井区葡萄花油层油气预测：
太190井区块是大庆油田的开发老区，面积18平方公里。区内共有各类钻井77口，其中在葡萄花油层64口井含油，13口井含水。使用双重模糊神经网络储层油气预测方法对太190井区块的葡萄花油层进行了油气预测。图1是双重模糊神经网络储层油气预测方法预测出的剩余油分布图。按预测结果部署了34口井位，钻井结果显示：34口井中只有2口井含水，与预测结果不符，其余：32口井全部是油井，与预测结果完全相符，钻井验证成功率为94％。太190井区的葡萄花油层34口井油气预测及试油结果见表1。
实施例2
吉林油田新北地区黑帝庙油层油气预测
吉林油田新北区块面积166平方公里。图2使用双重模糊神经网络储层油气预测方法并利用该区块的三维地震资料和20口钻井资料对黑帝庙油层的油气预测结果。图中的油气分布区(深色阴影区)主要分布在以新北油田为中心的一个近南北的条带中。预测工作完成后，又提供了40口井作为验证，这40口井都集中在新北油田，且在黑帝庙油层都含油，预测结果与之全部吻合，见表2。
表1
井    名   预测结果    试油结果 非    名 预测结果 试油结果 井    名   预测结果    试油结果
新钻井 77-39     油     水 新钻井 61-30   油   油 新钻井 62-38     油     油
75-40     油     油 73-36   油   油 63-38     油     油
75-38     油     油 71-42   油   油 65-38     油     油
75-37     油     水 72-42   油   油 65-40     油     油
74-40     油     油 74-41   油   油 67-38     油     油
73-41     油     油 75-41   油   油 69-28     油     油
73-40     油     油 76-41   油   油 72-32     油     油
68-41     油     油 57-34   油   油 74-29     油     油
67-36 油 油 57-32 油 油 59-32 油 油
65-42     油     油 55-32   油   油 71-34     油     油
64-43     油     油 61-32   油   油
63-42     油     油 61-39   油   油
表2
井名    预测结果    试油结果 井名  预测结果  试油结果 井名  预测结果  试油结果
样本井     X7     油     油 验证井     K8-7   油   油     验证井     K20-5   油   油
    X8     油     油     K9-8   油   油     K20-7   油   油
    X9     油     油     K10-7   油   油     K20-10   油   油
    X13     油     油     K10-9   油   油     K21-4   油   油
    X25     水     水     K12-7   油   油     K21-6   油   油
    X30     水     水     K13-9   油   油     K21-10   油   油
    X33     水     水     K14-8   油   油     K22-5   油   油
    X35     水     水     K14-9   油   油     K22-7   油   油
    X38     油     油     K15-6   油   油     K22-8   油   油
    X52     油     油     K15-8   油   油     K22-9   油   油
    K9-7     油     油     K16-7   油   油     K22-11   油   油
    K12-8     油     油     K17-5   油   油     K23-4   油   油
    K13-7     油     油     K17-7   油   油     K23-8   油   油
    K14-7     油     油     K17-8   油   油     K23-9   油   油
    K16-9     油     油     K18-4   油   油     K23-10   油   油
    K17-6     油     油     K18-5   油   油     K24-5   油   油
    K18-8     油     油     K18-9   油   油     K24-7   油   油
    K21-3     油     油     K18-10   油   油     K25-5   油   油
    K21-9     油     油     K19-3   油   油     K25-6   油   油
    K23-7     油     油     K19-6   油   油
    K26-8     油     油     K19-10   油   油

Claims (2)

1、一种双重模糊神经网络储层油气预测方法，包括一个自组织映射网络和若干个模糊神经网络，其特征在于：先将地震特征参数输入到自组织映射网络，自组织映射网络将根据输入地震特征参数的不同，输出时划分为不同的类别，每一类别对应于地下不同的沉积相带，再将自组织映射网络划分的各类结果分别作为各模糊神经网络的输入参数，使得各模糊神经网络得以在沉积相带的约束下对储层进行预测。
2、按照权利要求1所述的双重模糊神经网络储层油气预测方法，其特征在于：模糊神经网络中的隶属函数是半升尖
Figure A2004100137720002C1
分布函数。
CN 200410013772 2004-05-25 2004-05-25 双重模糊神经网络储层油气预测方法 Pending CN1704770A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 200410013772 CN1704770A (zh) 2004-05-25 2004-05-25 双重模糊神经网络储层油气预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 200410013772 CN1704770A (zh) 2004-05-25 2004-05-25 双重模糊神经网络储层油气预测方法

Publications (1)

Publication Number Publication Date
CN1704770A true CN1704770A (zh) 2005-12-07

Family

ID=35576967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 200410013772 Pending CN1704770A (zh) 2004-05-25 2004-05-25 双重模糊神经网络储层油气预测方法

Country Status (1)

Country Link
CN (1) CN1704770A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103376468A (zh) * 2012-04-18 2013-10-30 中国石油化工股份有限公司 基于神经网络函数逼近算法的储层参数定量表征方法
CN108596780A (zh) * 2018-04-28 2018-09-28 中国石油大学(华东) 一种基于多元信息的储层类型划分方法及系统
CN109143355A (zh) * 2018-08-23 2019-01-04 电子科技大学 基于som的半监督全局优化地震相定量分析方法
CN113673175A (zh) * 2021-10-21 2021-11-19 中国石油大学(华东) 基于bp-dematel-ism模型的钻井井筒压力失衡影响因素分析方法
CN113917527A (zh) * 2021-08-25 2022-01-11 成都理工大学 基于多重量子神经网络进行含气性检测的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103376468A (zh) * 2012-04-18 2013-10-30 中国石油化工股份有限公司 基于神经网络函数逼近算法的储层参数定量表征方法
CN108596780A (zh) * 2018-04-28 2018-09-28 中国石油大学(华东) 一种基于多元信息的储层类型划分方法及系统
CN109143355A (zh) * 2018-08-23 2019-01-04 电子科技大学 基于som的半监督全局优化地震相定量分析方法
CN109143355B (zh) * 2018-08-23 2019-11-05 电子科技大学 基于som的半监督全局优化地震相定量分析方法
CN113917527A (zh) * 2021-08-25 2022-01-11 成都理工大学 基于多重量子神经网络进行含气性检测的方法
CN113673175A (zh) * 2021-10-21 2021-11-19 中国石油大学(华东) 基于bp-dematel-ism模型的钻井井筒压力失衡影响因素分析方法

Similar Documents

Publication Publication Date Title
US10190998B1 (en) Method and device for evaluating and predicting a shale oil enrichment areas of fault lacustrine basins
Madrucci et al. Groundwater favorability map using GIS multicriteria data analysis on crystalline terrain, Sao Paulo State, Brazil
Yong et al. Optimization of shale-gas horizontal well spacing based on geology–engineering–economy integration: a case study of Well Block Ning 209 in the National Shale Gas Development Demonstration Area
Lopatin et al. Unconventional oil accumulations in the Upper Jurassic Bazhenov black shale formation, West Siberian Basin: A self‐sourced Reservoir System
CN103472484A (zh) 基于rs三维敏感地震属性分析的水平井轨迹优化方法
CN108756871B (zh) 利用三角图版和概率图道进行储层判识的录井解释方法
CN108798657B (zh) 基于钻井液录井参数气测值的录井解释方法
CN106156452A (zh) 一种储层分析方法
CN106125156A (zh) 火成岩录井多因素解释方法
CN111461386A (zh) 基于bp神经网络的页岩气甜点预测方法
CN111444621A (zh) 基于动静态渗流界面的高含水油藏流动单元划分方法
CN110988997A (zh) 一种基于机器学习的烃源岩三维空间展布定量预测技术
Hoffman et al. History matching by jointly perturbing local facies proportions and their spatial distribution: Application to a North Sea reservoir
Wang et al. Multivariate statistical analysis reveals the heterogeneity of lacustrine tight oil accumulation in the Middle Permian Jimusar Sag, Junggar Basin, NW China
CN1704770A (zh) 双重模糊神经网络储层油气预测方法
CN104948177A (zh) 一种基于米产液指数统计特征规律的产能预测方法
Rabeau et al. Log-uniform distribution of gold deposits along major Archean fault zones
Liggett et al. Evaluating the sensitivity of DRASTIC using different data sources, interpretations and mapping approaches
CN113093302B (zh) 复杂断裂带多层系油气立体充注运移分析方法
CN1504762A (zh) 双重神经网络储层预测方法
CN109444983B (zh) 一种油气输导体系类型划分的定量评价方法
CN110568149B (zh) 沉积盆地烃源岩生排烃史精细快速定量模拟方法
CN111335871A (zh) 一种基于分层产能评价的查层补孔技术方法
CN111007568A (zh) 一种量化分类储层空间展布特征的方法
CN108643896B (zh) 一种基于断层遮挡的油藏含油高度定量评价方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication