CN103485770B - 一种基于人工神经网络求取含油饱和度的方法及*** - Google Patents
一种基于人工神经网络求取含油饱和度的方法及*** Download PDFInfo
- Publication number
- CN103485770B CN103485770B CN201310244257.7A CN201310244257A CN103485770B CN 103485770 B CN103485770 B CN 103485770B CN 201310244257 A CN201310244257 A CN 201310244257A CN 103485770 B CN103485770 B CN 103485770B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- curve
- log
- rock
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及含油饱和度技术领域，公开了一种基于人工神经网络求取含油饱和度的方法及***。其中，方法包括：对岩心进行岩电实验，得到测井数据；将a和b赋值为1，反算得到m和n；将表征岩性、物性和含油性的测井曲线作为输入层，选择m和n作为输出层，建立BP神经网络模型；将与由岩电实验得到的m、n所对应的测井数据代入模型得到m’、n’；将通过岩电实验得到的m、n与通过模型得到的m’、n’进行比较，得到误差最小的模型；将对应输入层的测井曲线上的数据代入误差最小的模型得到胶结指数曲线和饱和度指数曲线；将曲线代入阿尔奇公式进行含油饱和度的计算。本发明提高了通过阿尔奇公式得到含油饱和度的计算精度。
Description
技术领域
本发明涉及含油饱和度技术领域，主要适用于基于人工神经网络求取含油饱和度的方法及***。
背景技术
在利用测井资料识别油、气、水层时，阿尔奇公式一直是求取储层含油（气）饱和度的主要方法，其应用效果主要受岩性系数a、岩性常数b、胶结指数m、饱和度指数n等岩电参数的影响，特别是胶结指数m和饱和度指数n的取值直接决定了阿尔奇公式计算含油饱和度的准确性(对于岩性系数a和岩性常数b这两个参数，常假定它们变化不大，且近似取为1)。目前阿尔奇公式中岩电参数m、n的数值主要是通过实验测量平均值法和区域经验值法得到的。
这两种方法都是以实验室精细测量的岩电参数结果为基础的，在某一区域或层段内取一定数量岩电实验结果的平均值或直接调用该区域岩电参数经验值进行含油饱和度计算。此方法对岩电参数m、n的取值进行了平均化，未能充分考虑储层岩电参数的具体影响因素，计算得到的含油饱和度误差较大。
发明内容
本发明所要解决的技术问题是提供一种基于人工神经网络求取含油饱和度的方法及***，它可以提高胶结指数和饱和度指数的计算精度，从而提高通过阿尔奇公式得到含油饱和度的计算精度。
为解决上述技术问题，本发明提供了一种基于人工神经网络求取含油 饱和度的方法，包括：
在地层里选取岩心，对所述岩心进行岩电实验，得到阿尔奇公式中的测井数据；
将阿尔奇公式中的岩性系数a和岩性常数b赋值为1，反算得到胶结指数m和饱和度指数n；
将表征岩性、物性和含油性的测井曲线作为所述BP神经网络模型的输入层，选择所述胶结指数m和所述饱和度指数n作为BP神经网络模型的输出层；通过模拟建立所述输出层与所述输入层之间的关系，建立BP神经网络模型；
将与由所述岩电实验得到的m、n所对应的地层深度的测井数据代入所述BP神经网络模型计算得到m，、n，；
将通过所述岩电实验得到的m、n与通过所述BP神经网络模型得到的m，、n，进行比较，得到误差最小的BP神经网络模型；
将对应输入层的所述测井曲线上的数据代入所述误差最小的BP神经网络模型进行逐点计算得到动态变化的胶结指数曲线和饱和度指数曲线；
将得到的所述动态变化的胶结指数曲线和饱和度指数曲线上的数据代入阿尔奇公式进行含油饱和度的计算。
进一步地，所述BP神经网络模型的中间层的节点个数为2N+1，其中N为所述输入层的节点数，N为大于1的整数。
进一步地，所述将通过岩电实验得到的m、n与通过BP神经网络模型得到的m，、n，进行比较，得到误差最小的BP神经网络模型的具体方法包括：调节所述BP神经网络模型的输入层测井曲线的取值范围，得到不同的m，、n，值；将通过所述岩电实验得到的m、n与通过BP神经网络模型得到的m，、n，进行大小比较；根据与比较结果对应的BP神经网络模型的相关性系数，得到所述误差最小的BP神经网络模型。
进一步地，所述根据与比较结果对应的BP神经网络模型的相关性系 数，得到误差最小的BP神经网络模型，包括：若所述BP神经网络模型的相关性系数等于0.85，则与相关性系数0.85对应的BP神经网络模型为所述误差最小的BP神经网络模型。
进一步地，所述表征岩性的测井曲线包括自然伽马曲线、自然电位曲线和井径曲线；所述表征物性的测井曲线包括声波时差曲线、孔隙度曲线、中子曲线、密度曲线以及渗透率曲线；所述表征含油性的测井曲线包括地层真电阻率曲线、地层中电阻率曲线和地层浅电阻率曲线。
本发明还提供了一种基于人工神经网络求取含油饱和度的***，包括：
岩电实验模块，用于在地层里选取岩心，对所述岩心进行岩电实验，得到阿尔奇公式中的测井数据；
第一计算模块，用于将阿尔奇公式中的岩性系数a和岩性常数b赋值为1，反算得到胶结指数m和饱和度指数n；
第一BP神经网络模型生成模块，用于将表征岩性、物性和含油性的测井曲线作为所述BP神经网络模型的输入层，选择所述胶结指数m和所述饱和度指数n作为BP神经网络模型的输出层；通过模拟建立所述输出层与所述输入层之间的关系，建立BP神经网络模型；
第二计算模块，用于将与由所述岩电实验得到的m、n所对应的地层深度的测井数据代入所述BP神经网络模型计算得到m，、n，；
第二BP神经网络模型生成模块，用于将通过所述岩电实验得到的m、n与通过所述BP神经网络模型得到的m，、n，进行比较，得到误差最小的BP神经网络模型；
第三计算模块，用于将对应输入层的所述测井曲线上的数据代入所述误差最小的BP神经网络模型进行逐点计算得到动态变化的胶结指数曲线和饱和度指数曲线；
第四计算模块，用于将得到的所述动态变化的胶结指数曲线和饱和度指数曲线上的数据代入阿尔奇公式进行含油饱和度的计算。
进一步地，在所述第一BP神经网络模型生成模块中，所述BP神经网络模型的中间层的节点个数为2N+1，其中N为所述输入层的节点数，N为大于1的整数。
进一步地，所述第二BP神经网络模型生成模块，包括：
指数获取单元，用于调节所述BP神经网络模型的输入层测井曲线的取值范围，得到不同的m，、n，值；
比较单元，用于将通过所述岩电实验得到的m、n与通过BP神经网络模型得到的m，、n，进行大小比较；
BP神经网络模型生成单元，用于根据与比较结果对应的BP神经网络模型的相关性系数，得到所述误差最小的BP神经网络模型。
进一步地，所述BP神经网络模型生成单元，具体用于若所述BP神经网络模型的相关性系数等于0.85，则与相关性系数0.85对应的BP神经网络模型为所述误差最小的BP神经网络模型。
进一步地，所述表征岩性的测井曲线包括自然伽马曲线、自然电位曲线和井径曲线；所述表征物性的测井曲线包括声波时差曲线、孔隙度曲线、中子曲线、密度曲线以及渗透率曲线；所述表征含油性的测井曲线包括地层真电阻率曲线、地层中电阻率曲线和地层浅电阻率曲线。
本发明的有益效果在于：
本发明提供的基于人工神经网络求取含油饱和度的方法及***，先通过岩电实验得到阿尔奇公式中的测井数据，再将a和b赋值为1，反算出m和n；再将通过岩电实验得到的m、n与通过BP神经网络模型得到的m’、n’进行比较，得到误差最小的BP神经网络模型；再通过误差最小的BP神经网络模型得到动态变化的胶结指数曲线和饱和度指数曲线，将动态变化的胶结指数和饱和度指数代入阿尔奇公式进行含油饱和度的计算。由于本发明在已知阿尔奇公式中的测井数据的基础上，通过将a和b赋值为1，反算出m和n，因此克服了常规方法中将m和n平均化的计算缺陷，提高了 含油饱和度的计算精度。与常规方法相比，本发明通过动态变化的胶结指数和饱和度指数计算得到的含油饱和度曲线对于油气层的反应更加灵敏，其变化趋势能更真实地反应储层段的含油气信息。
附图说明
图1为本发明实施例提供的基于人工神经网络求取含油饱和度的方法的流程图；
图2为通过本发明实施例提供的基于人工神经网络求取含油饱和度的方法得到的实际处理效果图。
具体实施方式
为进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工神经网络求取含油饱和度的方法及***的具体实施方式及工作原理进行详细说明。
由图1可知，本发明实施例提供的基于人工神经网络求取含油饱和度的方法包括：
在地层里选取岩心，对岩心进行岩电实验，得到阿尔奇公式中的测井数据；具体的，在地层中选择研究区域，在研究区域里选取岩心，对岩心进行岩电实验，得到阿尔奇公式中的测井数据；其中，所选择的研究区域中要保证至少有20块样品的岩电实验的数据。
将阿尔奇公式中的岩性系数a和岩性常数b赋值为1，反算得到胶结指数m和饱和度指数n；
具体的，由于已知的地层电阻率因数，其中，Φ是孔隙度，a为岩性系数，m为胶结指数；将岩性系数a赋值为1，可以反算得到胶结指数m。同理，由于已知的电阻增大系数，其中，Sw为含油饱和度，b为岩性常数，n为饱和度指数；将岩性常数b赋值为1，可以反算得到饱和度指数n。
将表征岩性、物性和含油性的测井曲线作为BP神经网络模型的输入层，BP神经网络模型的中间层的节点个数为2N+1，其中N为输入层的节点数，N为大于1的整数。选择胶结指数m和饱和度指数n作为BP神经网络模型的输出层；通过模拟建立输出层与输入层之间的关系，建立BP神经网络模型；
将与由岩电实验得到的m、n所对应的地层深度的测井数据代入BP神经网络模型计算得到m’、n’；
将通过岩电实验得到的m、n与通过BP神经网络模型得到的m’、n’进行比较，得到误差最小的BP神经网络模型；具体的，调节BP神经网络模型的输入层测井曲线的取值范围，得到不同的m’、n’值；将通过岩电实验得到的m、n与通过BP神经网络模型得到的m’、n’进行大小比较；根据与比较结果对应的BP神经网络模型的相关性系数，得到误差最小的BP神经网络模型。进一步，若得到的BP神经网络模型的相关性系数等于0.85，则与相关性系数0.85对应的BP神经网络模型为误差最小的BP神经网络模型。
将对应输入层的测井曲线上的数据代入误差最小的BP神经网络模型进行逐点计算得到动态变化的胶结指数曲线和饱和度指数曲线；
将得到的动态变化的胶结指数曲线和饱和度指数曲线上的数据代入阿尔奇公式进行含油饱和度的计算。
优选地，表征岩性的测井曲线包括自然伽马曲线、自然电位曲线和井径曲线；表征物性的测井曲线包括声波时差曲线、孔隙度曲线、中子曲线、密度曲线以及渗透率曲线；表征含油性的测井曲线包括地层真电阻率曲线、地层中电阻率曲线和地层浅电阻率曲线。在本实施例中，表征岩性的测井曲线为自然伽马曲线；表征物性的测井曲线包括声波时差曲线和孔隙度曲线；表征含油性的测井曲线为地层真电阻率曲线。
本发明还提供了一种基于人工神经网络求取含油饱和度的***，包括：
岩电实验模块，用于在地层里选取岩心，对岩心进行岩电实验，得到阿尔奇公式中的测井数据；进一步地，岩电实验模块具体用于在地层中选择研究区域，在研究区域里选取岩心，对岩心进行岩电实验，得到阿尔奇公式中的测井数据；其中，所选择的研究区域中要保证至少有20块样品的岩电实验的数据。
第一计算模块，用于将阿尔奇公式中的岩性系数a和岩性常数b赋值为1，反算得到胶结指数m和饱和度指数n；
具体的，由于已知的地层电阻率因数，其中，Φ是孔隙度，a为岩性系数，m为胶结指数；将岩性系数a赋值为1，可以反算得到胶结指数m。同理，由于已知的电阻增大系数，其中，Sw为含油饱和度，b为岩性常数，n为饱和度指数；将岩性常数b赋值为1，可以反算得到饱和度指数n。
第一BP神经网络模型生成模块，用于将表征岩性、物性和含油性的测井曲线作为BP神经网络模型的输入层，BP神经网络模型的中间层的节点个数为2N+1，其中N为输入层的节点数，N为大于1的整数。选择胶结指数m和饱和度指数n作为BP神经网络模型的输出层；通过模拟建立输出层与输入层之间的关系，建立BP神经网络模型；
第二计算模块，用于将与由岩电实验得到的m、n所对应的地层深度的测井数据代入BP神经网络模型计算得到m’、n’；
第二BP神经网络模型生成模块，用于将通过岩电实验得到的m、n与通过BP神经网络模型得到的m’、n’进行比较，得到误差最小的BP神经网络模型；具体地，第二BP神经网络模型生成模块，包括：指数获取单元，用于调节BP神经网络模型的输入层测井曲线的取值范围，得到不同的m,、n，值；比较单元，用于将通过岩电实验得到的m、n与通过BP神经网络模型得到的m,、n，进行大小比较；BP神经网络模型生成单元，用于根据由比较得到的BP神经网络模型的相关性系数，得到误差最小的BP神经网络 模型。进一步地，BP神经网络模型生成单元，具体用于若得到的BP神经网络模型的相关性系数等于0.85，则与相关性系数0.85对应的BP神经网络模型为误差最小的BP神经网络模型。
第三计算模块，用于将对应输入层的测井曲线上的数据代入误差最小的BP神经网络模型进行逐点计算得到动态变化的胶结指数曲线和饱和度指数曲线；
第四计算模块，用于将得到的动态变化的胶结指数曲线和饱和度指数曲线上的数据代入阿尔奇公式进行含油饱和度的计算。
优选地，表征岩性的测井曲线包括自然伽马曲线、自然电位曲线和井径曲线；表征物性的测井曲线包括声波时差曲线、孔隙度曲线、中子曲线、密度曲线以及渗透率曲线；表征含油性的测井曲线包括地层真电阻率曲线、地层中电阻率曲线和地层浅电阻率曲线。
实施例
1、选取长庆油田姬塬地区为研究区域，对研究区域进行地层划分。其中，1号研究区域包括12口取心井和29口邻井，针对长8和长9两个研究层位共计收集到65块岩心样品的岩电实验结果。
2、将65块岩心样品实验的岩性系数a和岩性常数b都赋值为1，运用阿尔奇公式反算出m、n值。
3、选取声波时差（AC）、自然伽马（GR）、孔隙度（Por）和地层真电阻率（Rt）为BP神经网络模型的输入层，中间层的节点数为9，以对应深度的m、n岩电实验结果作为输出层，通过模拟建立输出层与输入层之间的关系，分别建立长8、长9地层的m、n计算模型。
4、将与由岩电实验得到的m、n所对应的地层深度的测井数据代入BP神经网络模型计算得到m’、n’。
5、对模型精度进行自检验，不断调整BP神经网络模型的输入层测井曲线的取值范围，使检验结果的相关性达到最大，从而得到误差最小的BP 神经网络模型。
6、将对应输入层的测井曲线上的数据分别代入长8、长9层段误差最小的BP神经网络模型进行逐点计算，可得到随深度动态变化的胶结指数曲线和饱和度指数曲线，最终运用动态的胶结指数曲线和饱和度指数曲线通过阿尔奇公式计算对应深度的含油饱和度。参见图2，该井长8层2551.4m至2563.2m深度段，利用常规的饱和度计算方法得到的平均含油饱和度为43%，结论为含油水层；通过本发明求得的平均含油饱和度为53%，且上、下两段含油性差距较大，结论为上部为油水同层，下部为干层。经实际射孔和压裂改造后，该层段日产油5.44t，日产水15.8m3，试油结果为油水层，达到工业油流，试油结果与由常规的饱和度计算方法得到的结论不相符，而与由本发明得到的结论一致。由此可知，本发明对于含油饱和度的求取更加准确。需要说明的是，含油水层是含有油的水层，其含油饱和度较低。油水层是既含有油，又含有水的地层，与含油水层相比，油水层的含油饱和度较高。因此，含油水层和油水层因含油饱和度的不同而不同，是2个不同的概念。
本发明实施例提供的基于人工神经网络求取含油饱和度的方法及***，先通过岩电实验得到阿尔奇公式中的测井数据，再将a和b赋值为1，反算出m和n；再将通过岩电实验得到的m、n与通过BP神经网络模型得到的m’、n’进行比较，得到误差最小的BP神经网络模型；再通过误差最小的BP神经网络模型得到动态变化的胶结指数曲线和饱和度指数曲线，将动态变化的胶结指数和饱和度指数代入阿尔奇公式进行含油饱和度的计算。由于本发明在已知阿尔奇公式中的测井数据的基础上，通过将a和b赋值为1，反算出m和n，因此克服了常规方法中将胶结指数和饱和度指数平均化的计算缺陷，提高了含油饱和度的计算精度。与常规方法相比，本发明通过动态变化的胶结指数和饱和度指数计算得到的含油饱和度曲线对于油气层的反应更加灵敏，其变化趋势能更真实地反应储层段的含油气信 息。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于BP神经网络求取含油饱和度的方法，其特征在于，包括：
在地层里选取岩心，对所述岩心进行岩电实验，得到阿尔奇公式中的测井数据；
将阿尔奇公式中的岩性系数a和岩性常数b赋值为1，反算得到胶结指数m和饱和度指数n；
将表征岩性、物性和含油性的测井曲线作为BP神经网络模型的输入层，选择所述胶结指数m和所述饱和度指数n作为BP神经网络模型的输出层；通过模拟建立所述输出层与所述输入层之间的关系，建立BP神经网络模型；
将与由所述岩电实验得到的m、n所对应的地层深度的测井数据代入所述BP神经网络模型计算得到m，、n，；
将通过所述岩电实验得到的m、n与通过所述BP神经网络模型得到的m，、n，进行比较，得到误差最小的BP神经网络模型；
将对应输入层的所述测井曲线上的数据代入所述误差最小的BP神经网络模型进行逐点计算得到动态变化的胶结指数曲线和饱和度指数曲线；
将得到的所述动态变化的胶结指数曲线和饱和度指数曲线上的数据代入阿尔奇公式进行含油饱和度的计算。
2.如权利要求1所述的基于BP神经网络求取含油饱和度的方法，其特征在于，所述BP神经网络模型的中间层的节点个数为2N+1，其中N为所述输入层的节点数，N为大于1的整数。
3.如权利要求2所述的基于BP神经网络求取含油饱和度的方法，其特征在于，所述将通过岩电实验得到的m、n与通过BP神经网络模型得到的m，、n，进行比较，得到误差最小的BP神经网络模型的具体方法包括：调节所述BP神经网络模型的输入层测井曲线的取值范围，得到不同的m，、n，值；将通过所述岩电实验得到的m、n与通过BP神经网络模型得到的m，、n，进行大小比较；根据与比较结果对应的BP神经网络模型的相关性系数，得到所述误差最小的BP神经网络模型。
4.如权利要求3所述的基于BP神经网络求取含油饱和度的方法，其特征在于，所述根据与比较结果对应的BP神经网络模型的相关性系数，得到误差最小的BP神经网络模型，包括：若所述BP神经网络模型的相关性系数等于0.85，则与相关性系数0.85对应的BP神经网络模型为所述误差最小的BP神经网络模型。
5.如权利要求1-4中任意一项所述的基于BP神经网络求取含油饱和度的方法，其特征在于，所述表征岩性的测井曲线包括自然伽马曲线、自然电位曲线和井径曲线；所述表征物性的测井曲线包括声波时差曲线、孔隙度曲线、中子曲线、密度曲线以及渗透率曲线；所述表征含油性的测井曲线包括地层真电阻率曲线、地层中电阻率曲线和地层浅电阻率曲线。
6.一种基于BP神经网络求取含油饱和度的***，其特征在于，包括：
岩电实验模块，用于在地层里选取岩心，对所述岩心进行岩电实验，得到阿尔奇公式中的测井数据；
第一计算模块，用于将阿尔奇公式中的岩性系数a和岩性常数b赋值为1，反算得到胶结指数m和饱和度指数n；
第一BP神经网络模型生成模块，用于将表征岩性、物性和含油性的测井曲线作为所述BP神经网络模型的输入层，选择所述胶结指数m和所述饱和度指数n作为BP神经网络模型的输出层；通过模拟建立所述输出层与所述输入层之间的关系，建立BP神经网络模型；
第二计算模块，用于将与由所述岩电实验得到的m、n所对应的地层深度的测井数据代入所述BP神经网络模型计算得到m，、n，；
第二BP神经网络模型生成模块，用于将通过所述岩电实验得到的m、n与通过所述BP神经网络模型得到的m，、n，进行比较，得到误差最小的BP神经网络模型；
第三计算模块，用于将对应输入层的所述测井曲线上的数据代入所述误差最小的BP神经网络模型进行逐点计算得到动态变化的胶结指数曲线 和饱和度指数曲线；
第四计算模块，用于将得到的所述动态变化的胶结指数曲线和饱和度指数曲线上的数据代入阿尔奇公式进行含油饱和度的计算。
7.如权利要求6所述的基于BP神经网络求取含油饱和度的***，其特征在于，在所述第一BP神经网络模型生成模块中，所述BP神经网络模型的中间层的节点个数为2N+1，其中N为所述输入层的节点数，N为大于1的整数。
8.如权利要求7所述的基于BP神经网络求取含油饱和度的***，其特征在于，所述第二BP神经网络模型生成模块，包括：
指数获取单元，用于调节所述BP神经网络模型的输入层测井曲线的取值范围，得到不同的m，、n，值；
比较单元，用于将通过所述岩电实验得到的m、n与通过BP神经网络模型得到的m，、n，进行大小比较；
BP神经网络模型生成单元，用于根据与比较结果对应的BP神经网络模型的相关性系数，得到所述误差最小的BP神经网络模型。
9.如权利要求8所述的基于BP神经网络求取含油饱和度的***，其特征在于，所述BP神经网络模型生成单元，具体用于若所述BP神经网络模型的相关性系数等于0.85，则与相关性系数0.85对应的BP神经网络模型为所述误差最小的BP神经网络模型。
10.如权利要求6-9中任意一项所述的基于BP神经网络求取含油饱和度的***，其特征在于，所述表征岩性的测井曲线包括自然伽马曲线、自然电位曲线和井径曲线；所述表征物性的测井曲线包括声波时差曲线、孔隙度曲线、中子曲线、密度曲线以及渗透率曲线；所述表征含油性的测井曲线包括地层真电阻率曲线、地层中电阻率曲线和地层浅电阻率曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310244257.7A CN103485770B (zh) | 2013-06-19 | 2013-06-19 | 一种基于人工神经网络求取含油饱和度的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310244257.7A CN103485770B (zh) | 2013-06-19 | 2013-06-19 | 一种基于人工神经网络求取含油饱和度的方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103485770A CN103485770A (zh) | 2014-01-01 |
| CN103485770B true CN103485770B (zh) | 2016-08-10 |
Family
ID=49826315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310244257.7A Active CN103485770B (zh) | 2013-06-19 | 2013-06-19 | 一种基于人工神经网络求取含油饱和度的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103485770B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104635265B (zh) * | 2014-12-31 | 2017-07-07 | 中国石油天然气集团公司 | 一种可控神经网络式预测储层渗透率的方法 |
| CN105488248B (zh) * | 2015-11-18 | 2017-02-15 | 山东科技大学 | 一种深部矿层和岩层的判定方法 |
| CN107742031B (zh) * | 2017-10-24 | 2021-05-28 | 重庆科技学院 | 基于实验和数学算法的驱替实验人造岩心分析制备方法 |
| CN109162696B (zh) * | 2018-10-08 | 2022-06-03 | 陕西延长石油(集团)有限责任公司研究院 | 一种利用补偿声波计算地层含油饱和度的方法 |
| US11906695B2 (en) | 2020-03-12 | 2024-02-20 | Saudi Arabian Oil Company | Method and system for generating sponge core data from dielectric logs using machine learning |
| CN111520134B (zh) * | 2020-04-03 | 2023-06-06 | 中国科学院大学 | 原始含油饱和度的获取方法和装置、电子设备及存储介质 |
| CN111665560B (zh) * | 2020-04-23 | 2023-06-30 | 中国石油天然气股份有限公司 | 油气层识别方法、装置、计算机设备及可读存储介质 |
| CN113064347B (zh) * | 2021-03-15 | 2022-09-23 | 贵州大学 | 考虑非对称输入与输出约束的pmsm混沌***自适应控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
| CN101358943A (zh) * | 2007-07-31 | 2009-02-04 | 中国石油天然气集团公司 | 一种欠饱和岩心岩电实验参数m、n的校正方法 |
| CN101487390A (zh) * | 2009-02-23 | 2009-07-22 | 大庆油田有限责任公司 | 一种确定油层原始含油饱和度的阿尔奇模式方法 |
| CN101762829A (zh) * | 2010-01-18 | 2010-06-30 | 赵庆辉 | 地层中含油饱和度的模拟测量方法及装置 |
| CN102434152A (zh) * | 2011-12-05 | 2012-05-02 | 中国石油天然气股份有限公司 | 一种储层含油饱和度的计算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090182693A1 (en) * | 2008-01-14 | 2009-07-16 | Halliburton Energy Services, Inc. | Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm |
-
2013
- 2013-06-19 CN CN201310244257.7A patent/CN103485770B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
| CN101358943A (zh) * | 2007-07-31 | 2009-02-04 | 中国石油天然气集团公司 | 一种欠饱和岩心岩电实验参数m、n的校正方法 |
| CN101487390A (zh) * | 2009-02-23 | 2009-07-22 | 大庆油田有限责任公司 | 一种确定油层原始含油饱和度的阿尔奇模式方法 |
| CN101762829A (zh) * | 2010-01-18 | 2010-06-30 | 赵庆辉 | 地层中含油饱和度的模拟测量方法及装置 |
| CN102434152A (zh) * | 2011-12-05 | 2012-05-02 | 中国石油天然气股份有限公司 | 一种储层含油饱和度的计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103485770A (zh) | 2014-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103485770B (zh) | 一种基于人工神经网络求取含油饱和度的方法及*** | |
| Tadeusiewicz | Neural networks in mining sciences–general overview and some representative examples | |
| CN102789003B (zh) | 利用阵列感应测井资料进行地层参数反演的方法及装置 | |
| US8364447B2 (en) | Method, program and computer system for conciliating hydrocarbon reservoir model data | |
| Zhao et al. | Flow-path tracking strategy in a data-driven interwell numerical simulation model for waterflooding history matching and performance prediction with infill wells | |
| CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
| CN106294282B (zh) | 黑油油藏模拟方法及装置 | |
| CN103760082A (zh) | 页岩层系致密储层原油有效可动空间确定方法和装置 | |
| CN106503295B (zh) | 一种利用状态空间模型解释油田水淹层的方法及装置 | |
| Tan et al. | Quantitative evaluation methods for water-flooded layers of conglomerate reservoir based on well logging data | |
| Zhu et al. | Inversion of the permeability of a tight gas reservoir with the combination of a deep Boltzmann kernel extreme learning machine and nuclear magnetic resonance logging transverse relaxation time spectrum data | |
| CN103867195A (zh) | 一种低渗透储层产水率的定量评价方法 | |
| EP3281043A1 (en) | Oilfield reservior saturation and permeability modeling | |
| Correia et al. | Multiscale integration for karst-reservoir flow-simulation models | |
| Khazaeni et al. | Intelligent production modeling using full field pattern recognition | |
| Zhang et al. | Uncertainty Analysis and Assisted History Matching Workflow in Shale Oil Reservoirs | |
| CN112861890A (zh) | 一种储层评价模型构建方法及储层识别方法 | |
| Akhmetov et al. | Grouping of objects using a limited number of parameters characterizing geological and physical properties of layers | |
| CN109655394B (zh) | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 | |
| Aliouane et al. | Permeability prediction using artificial neural networks. A comparative study between back propagation and Levenberg–Marquardt learning algorithms | |
| CN113530533B (zh) | 基于三品质参数的甜点区预测方法及*** | |
| Batir et al. | Reservoir analysis for deep direct-use feasibility study in East Texas | |
| CN107015289A (zh) | 圈闭地质资源量确定方法及装置 | |
| Litvak et al. | Uncertainty Estimation in Production Predictions Constrained by Production History and Time-Lapse Seismic in a GOM Oil Field | |
| Li et al. | Application of Petrel software in reserve estimation in Xinli-Xinbei oilfield, Jilin Province, China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |