测井技术
測井技術
측정기술
Well Logging Technology
2015年
5期
581-585
,共5页
刘烨%郭超%马微%程国建
劉燁%郭超%馬微%程國建
류엽%곽초%마미%정국건
测井解释%自动解释%砂体分类%神经网络%鄂尔多斯盆地
測井解釋%自動解釋%砂體分類%神經網絡%鄂爾多斯盆地
측정해석%자동해석%사체분류%신경망락%악이다사분지
log interpretation%automatic interpretation%sand classification%neural network%Ordos basin
为解决测井曲线人工砂体解释工作的繁琐性与主观性影响,提出一种基于测井曲线中砂体统计参数的自动解释方法,用于测井曲线的砂体分类工作.以工区内已解释砂体的统计参数作为神经网络训练数据,选择孔隙度、渗透率、含气饱和度、泥质含量、砂厚和深度作为输入,输出是对应砂体的解释结果.使用鄂尔多斯盆地某区块1 000余组测井曲线砂体样本数据对神经网络进行训练,选择2组不同的砂体数据测试神经网络的自动解释及其应用效果,结果表明该方法对测井曲线砂体自动分类的正确率分别为92.4％和89.8％.实验数据测试证明,该方法能够自动、快速地实现测井曲线砂体解释,从而协助工程人员进行可靠、高效的砂体识别与分类工作.
為解決測井麯線人工砂體解釋工作的繁瑣性與主觀性影響,提齣一種基于測井麯線中砂體統計參數的自動解釋方法,用于測井麯線的砂體分類工作.以工區內已解釋砂體的統計參數作為神經網絡訓練數據,選擇孔隙度、滲透率、含氣飽和度、泥質含量、砂厚和深度作為輸入,輸齣是對應砂體的解釋結果.使用鄂爾多斯盆地某區塊1 000餘組測井麯線砂體樣本數據對神經網絡進行訓練,選擇2組不同的砂體數據測試神經網絡的自動解釋及其應用效果,結果錶明該方法對測井麯線砂體自動分類的正確率分彆為92.4％和89.8％.實驗數據測試證明,該方法能夠自動、快速地實現測井麯線砂體解釋,從而協助工程人員進行可靠、高效的砂體識彆與分類工作.
위해결측정곡선인공사체해석공작적번쇄성여주관성영향,제출일충기우측정곡선중사체통계삼수적자동해석방법,용우측정곡선적사체분류공작.이공구내이해석사체적통계삼수작위신경망락훈련수거,선택공극도、삼투솔、함기포화도、니질함량、사후화심도작위수입,수출시대응사체적해석결과.사용악이다사분지모구괴1 000여조측정곡선사체양본수거대신경망락진행훈련,선택2조불동적사체수거측시신경망락적자동해석급기응용효과,결과표명해방법대측정곡선사체자동분류적정학솔분별위92.4％화89.8％.실험수거측시증명,해방법능구자동、쾌속지실현측정곡선사체해석,종이협조공정인원진행가고、고효적사체식별여분류공작.
