神经网络模拟交会图识别油层水淹级别的方法

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。

主权项

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。