论反演基于智能计算储层预测策略及运用

论文导读：摘要4-6Abstract6-8目录8-10第1章引言10-201.1课题的目的和作用10-111.2智能计算概述11-161.2.1人工神经网络12-131.2.2遗传算法131.2.3模拟退火13-141.2.4粒子群优化算法14-161.2.5智能计算策略的特点161.3基于智能计算策略的储层预测探讨及进展16-181.4主要探讨内容及成果18-201.

4.1主要探讨内容

摘要：储层预测是建立精确油气藏地质模型，准确估算油气储量，确定合理开发案例的基础工作，不仅可用于油气勘探，而且对于指导油气藏特别是复杂隐蔽油气藏或岩性油气藏的开发具有重要作用，已成为国内外学术界和工业界共同关注的关键科学不足。通过井间比较或插值外推对储层横向展布或储层参数予以精确描述是比较困难的。联合测井和地震信息的反演技术和地震属性技术作为重要的储层预测策略，已延伸至油气开发阶段，成为油气藏描述技术的重要组成部分。反演的实质是求取非线性目标函数的极值不足，常规的线性反演有可能陷入局部极值，或依赖于初始模型的选择，以而影响反演的可靠程度。智能计算策略如遗传算法或模拟退火等为求解储层参数反演这样的非线性不足提供了新的思路和手段，但也有着不足，比如求解速度慢，或对于复杂反演不足，也可能会陷入局部极值等。智能计算策略中的神经网络技术常用来建立地震属性和储层参数间非线性映射联系，进而预测储层参数。误差反向传播网络学习算法实际上是梯度算法，收敛速度慢，也可能会陷入局部极值。针对上面陈述的不足，论文以改善储层非线性反演的求解效率和寻优性能，寻求高效的学习算法以提升储层参数预测效果为目的，探讨基于粒子群优化算法的储层参数非线性反演策略和基于混合学习法神经网络的多属性储层参数预测技术，并运用这些策略预测川东DCH构造飞仙关组鲕滩储层的空间展布规律和孔隙度等参数，取得了如下成果和认识：1、深入地探讨了粒子群优化算法原理、收敛性条件、参数设置原则等基本论述不足，针对优化不足求解，粒子群优化算法对解的更新更具目的性，收敛速度快。提出的混沌惯性权重调整对策的粒子群优化算法，进一步提升了算法的收敛速度；将多父体交叉算子和群体爬山思想融入粒子群优化算法中，很好地提升了粒子群优化算法的寻优性能，上面陈述的改善为解决储层参数反演不足提供了新的优化工具。在此基础上，探讨开发了基于粒子群优化算法及其改善算法的储层参数非线性反演策略，模型试算和实际资料处理结果表明新策略较传统非线性策略相比，在求解效率上有了较大的提升，效果较好。2、深入地探讨了误差反向传播网络和径向基函数网络及其学习算法。探讨了粒子群优化算法训练误差反向传播网络和径向基函数网络。提出了融合梯度法和粒子群优化算法的径向基函数网络混合学习算法，在求解精度和效率方面有了较大的提升。在此基础上开发了基于混合学习法前向神经网络多属性储层参数预测策略，运用于储层孔隙度参数的横向预测，在收敛速度上有了较大的提升。3、运用基于粒子群优化算法的储层参数非线性反演策略反演了川东DCH构造飞仙关组鲕滩储层速度，运用混合学习法神经网络多属性储层参数预测策略预测了该储层孔隙度。在此基础上制作了鲕滩储层厚度、孔隙度、储能系数预测图。综合地质、地震和测井信息探讨，认为沉积相带制约了DCH构造飞仙关组鲕滩储层发育程度和范围，后生成岩改造作用是形成鲕滩储层的必要条件。关键词：粒子群优化算法论文人工神经网络论文波阻抗反演论文地震属性论文储层预测论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要4-6
Abstract6-8
目录8-10
第1章 引言10-20

1.1 课题的目的和作用10-11

1.2 智能计算概述11-16

1.2.1 人工神经网络12-13

1.2.2 遗传算法13

1.2.3 模拟退火13-14

1.2.4 粒子群优化算法14-16

1.2.5 智能计算策略的特点16

1.3 基于智能计算策略的储层预测探讨及进展16-18

1.4 主要探讨内容及成果18-20

1.4.1 主要探讨内容18

1.4.2 主要成果及革新点18-20

第2章 基于粒子群优化算法的储层参数反演策略探讨20-50

2.1 波阻抗反演技术论述20-25

2.

1.1 波阻抗反演技术概述20-21

2.

1.2 宽带约束反演原理21-23

2.

1.3 弹性阻抗反演策略23-25

2.2 粒子群优化算法原理25-32

2.1 粒子群优化算法描述26-28

2.2 粒子群优化算法收敛性浅析28-32

2.3 粒子群优化算法改善及性能测试32-37

2.3.1 混沌惯性权重调整对策的粒子群优化算法32-35

2.3.2 混合论文导读：层参数预测策略探讨50-773.1基于地震属性的储层参数预测50-543.1.1地震属性技术概述50-523.1.2基于地震属性的储层参数预测52-543.2混合学习法前向神经网络54-693.2.1人工神经网络54-563.2.2误差反向传播网络及其改善56-623.2.3混合学习法径向基函数网络62-693.3混合学习法前向神经网络多属性孔隙度预测69-763.3.1地
智能优化算法35-37

2.4 基于粒子群优化算法的储层参数反演37-49

2.4.1 基于粒子群优化算法波阻抗反演原理38-39

2.4.2 论述模型测试39-47

2.4.3 实际资料处理47-49

2.5 小结49-50

第3章 混合学习法前向神经网络储层参数预测策略探讨50-77

3.1 基于地震属性的储层参数预测50-54

3.

1.1 地震属性技术概述50-52

3.

1.2 基于地震属性的储层参数预测52-54

3.2 混合学习法前向神经网络54-69
3.

2.1 人工神经网络54-56

3.

2.2 误差反向传播网络及其改善56-62

3.

2.3 混合学习法径向基函数网络62-69

3.3 混合学习法前向神经网络多属性孔隙度预测69-76

3.1 地震属性的提取和优化70-74

3.2 混合学习法前向神经网络多属性孔隙度预测74-76

3.4 小结76-77

第4章 运用实例——川东 DCH 构造储层预测77-98

4.1 探讨区概况77-79

4.

1.1 区域地质简况77-78

4.

1.2 勘探开发历程78-79

4.2 DCH 构造飞仙关组地质特点79-83
4.

2.1 地层划分79

4.

2.2 沉积相79-80

4.

2.3 飞仙关组鲕滩储层特点80-83

4.3 DCH 构造飞仙关组鲕滩储层的地球物理特点83-85
4.

3.1 测井特点浅析83-85

4.

3.2 鲕滩储层的地震响应85

4.4 DCH 构造飞仙关组鲕滩储层预测85-96

4.1 鲕滩储层速度反演86-90

4.2 鲕滩储层孔隙度预测90-96

4.5 DCH 构造飞仙关组鲕滩储层综合评价96-97

4.6 小结97-98

结论98-99
致谢99-100
参考文献100-108
攻读学位期间取得的学术成果108