發(fā)布時(shí)間：2024-04-13 03:24

　　對(duì)油藏開采領(lǐng)域而言,快速、準(zhǔn)確地識(shí)別油水層有利于節(jié)省大量的人力物力,提高不可再生資源的開采率�，F(xiàn)有的層位識(shí)別方法未能考慮測(cè)井?dāng)?shù)據(jù)的序列關(guān)系,并且對(duì)所有層位進(jìn)行統(tǒng)一識(shí)別,導(dǎo)致物性相近的層位識(shí)別易混淆,識(shí)別效果存在局限性。針對(duì)測(cè)井?dāng)?shù)據(jù)的特點(diǎn),本文提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和全連接神經(jīng)網(wǎng)絡(luò)(FCNN)的多尺度油水層識(shí)別方法。該方法首先基于RNN建立粗粒度的識(shí)別模型,再通過串聯(lián)FCNN的方式實(shí)現(xiàn)更細(xì)粒度的層位識(shí)別,不僅考慮了測(cè)井?dāng)?shù)據(jù)在空間上的關(guān)聯(lián)性,同時(shí)以多尺度方法識(shí)別易混淆的層位。解決了測(cè)井?dāng)?shù)據(jù)特征提取困難、層位識(shí)別率低的問題。本文在真實(shí)測(cè)井?dāng)?shù)據(jù)上進(jìn)行了實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明本文方法油水層識(shí)別效果良好,有較強(qiáng)的實(shí)用性。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1測(cè)井?dāng)?shù)據(jù)表示

FCNN是由大量神經(jīng)元相互連接構(gòu)成的一種分布式并行信息處理模型,其通過模仿人類神經(jīng)的行為特征,模擬輸入與輸出之間的非線性映射關(guān)系,從而到達(dá)復(fù)雜信息處理的目的[20]。FCNN的基本架構(gòu)由神經(jīng)元、權(quán)重和偏置3個(gè)部分組成,其中神經(jīng)元是一種按照層狀分布的計(jì)算單元,每個(gè)神經(jīng)元與其臨層中的....

圖23層FCNN結(jié)構(gòu)示意圖

通過不斷學(xué)習(xí)調(diào)整網(wǎng)絡(luò)內(nèi)部神經(jīng)元之間的相互連接關(guān)系,使模型達(dá)到一個(gè)處理信息的較優(yōu)狀態(tài)。圖2展示了一個(gè)典型的3層FCNN結(jié)構(gòu)。1.3循環(huán)神經(jīng)網(wǎng)絡(luò)

圖3RNN及其展開結(jié)構(gòu)示意圖

測(cè)井?dāng)?shù)據(jù)作為一種典型的序列數(shù)據(jù),隨著一口井深度的不斷增加,前序采樣點(diǎn)的屬性信息與后續(xù)采樣點(diǎn)的屬性信息之間存在相關(guān)性,前序采樣點(diǎn)所屬層位會(huì)對(duì)其后采樣點(diǎn)產(chǎn)生一定影響。在RNN中,一個(gè)序列當(dāng)前的輸出與前序的輸出也有關(guān),具體表現(xiàn)為網(wǎng)絡(luò)會(huì)對(duì)之前的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中,即隱藏....

圖4尺度劃分示意圖

對(duì)于測(cè)井?dāng)?shù)據(jù)而言,多尺度識(shí)別相當(dāng)于在不同數(shù)據(jù)域上對(duì)不同層位特征的提取。由于不同層位的物性不同,因此它們反映在測(cè)井曲線上的響應(yīng)存在差異,其中物性相近的層位在測(cè)井曲線上的響應(yīng)差異較小。針對(duì)該測(cè)井?dāng)?shù)據(jù)的特點(diǎn),本文根據(jù)層位的物性對(duì)模型的識(shí)別尺度進(jìn)行劃分,具體的尺度劃分如圖4所示。如圖4所....

本文編號(hào)：3952408