專利名稱：雙重神經(jīng)網(wǎng)絡儲層預測方法
技術領域：
本發(fā)明涉及石油地震勘探儲層和油氣預測方法，屬于雙重神經(jīng)網(wǎng)絡儲層預測方法。
背景技術：
目前，在石油地震勘探儲層和油氣預測中廣泛應用的神經(jīng)網(wǎng)絡方法包括BP神經(jīng)網(wǎng)絡、自組織映射網(wǎng)絡等預測方法。自組織映射網(wǎng)絡可對輸入的地震特征參數(shù)進行分類，但若直接用分類結果預測儲層，其預測結果精度較低；盡管BP神經(jīng)網(wǎng)絡是石油地震勘探儲層和油氣預測方法中應用的比較廣泛，但在復雜巖性油氣儲層預測中，因儲層及圍巖的厚度和巖性在橫向上的變化，其地震響應特征也變化較大，這樣在不同沉積相帶內即使是含有相同流體類型的儲層，其地震響應特征將有所不同。使得BP神經(jīng)網(wǎng)絡對復雜地震特征參數(shù)的訓練難以收斂，儲層預測效果并不理想，精度低。

發(fā)明內容
為了克服現(xiàn)有的石油地震勘探儲層和油氣預測中自組織映射網(wǎng)絡和BP神經(jīng)網(wǎng)絡方法預測精度低的不足，本發(fā)明提供一種雙重神經(jīng)網(wǎng)絡儲層預測方法，該方法可以提高預測結果的精度。
本發(fā)明解決其技術問題所采用的技術方案先將地震特征參數(shù)輸入到自組織映射網(wǎng)絡，自組織映射網(wǎng)絡將根據(jù)輸入地震特征參數(shù)的不同，輸出時將地震特征參數(shù)劃分為不同的類別，每一類別地震特征參數(shù)對應于地下不同的沉積相帶；再將自組織映射網(wǎng)絡劃分的各類結果分別作為各BP神經(jīng)網(wǎng)絡的輸入?yún)?shù)，使得各BP神經(jīng)網(wǎng)絡得以在沉積相帶的約束下對儲層進行預測。
本發(fā)明的有益效果本發(fā)明充分利用了自組織映射網(wǎng)絡所具有的分類功能和BP神經(jīng)網(wǎng)絡所具有的良好學習預測性能的優(yōu)點，同時又避免了單獨使用自組織映射網(wǎng)絡和BP神經(jīng)網(wǎng)絡時，自組織映射網(wǎng)絡分類不準、BP神經(jīng)網(wǎng)絡訓練難以收斂而達不到高精度預測結果的缺點。該預測方法結合了二者的優(yōu)點，將其應用于油田勘探開發(fā)，儲層預測含油氣符合率為80％--95％，預測精度高，為提高鉆井成功率發(fā)揮了重要作用。


圖1是對大慶油田太190井區(qū)葡萄花油層油氣預測出的剩余油分布圖；圖2是大慶油田龍201井區(qū)葡萄花油層油氣預測平面圖；圖3是吉林油田新北地區(qū)黑帝廟油層油氣預測結果。
具體實施例方式下面結合實施例對本發(fā)明的附圖作進一步說明該雙重神經(jīng)網(wǎng)絡儲層預測方法，包括一個自組織映射網(wǎng)絡和若干個BP神經(jīng)網(wǎng)絡構成，輸入樣本是地震特征參數(shù)。在該預測方法中，首先將地震特征參數(shù)輸入到輸入層的自組織映射網(wǎng)絡里，自組織映射網(wǎng)絡按照輸入地震特征參數(shù)的不同，將輸出結果劃分為不同的類別，各類別對應于地下不同的沉積相帶；然后，再將輸出結果各自作為各BP神經(jīng)網(wǎng)絡的輸入?yún)?shù)，BP神經(jīng)網(wǎng)絡就很容易地對輸入的參數(shù)進行學習訓練、收斂，并在沉積相帶的約束下實現(xiàn)儲層預測。
實施例1在圖1中是利用雙重神經(jīng)網(wǎng)絡儲層預測方法，對大慶油田太190井區(qū)葡萄花油層油氣預測結果的一個實例。在圖1中深色陰影部分為有利含油區(qū)，淺色陰影部分為含油區(qū)，其余白色部分為含水區(qū)；“●”表示新鉆含油井，“▲”表示新鉆含水井。
太190井區(qū)塊是大慶油田的開發(fā)老區(qū)，面積18平方公里。區(qū)內共有各類鉆井77口，其中在葡萄花油層64口井含油，13口井含水。使用雙重神經(jīng)網(wǎng)絡儲層預測方法對太190井區(qū)塊的葡萄花油層進行了油氣預測。圖1是用雙重神經(jīng)網(wǎng)絡儲層預測方法預測出的剩余油分布圖。按預測結果部署了34口井位，鉆井結果顯示34口井中只有2口井含水，與預測結果不符，其余32口井全部是油井，與預測結果完全相符，鉆井驗證成功率為94％。太190井區(qū)的葡萄花油層34口井油氣預測及試油結果見表1。
表1

實施例2圖2是大慶油田龍201井區(qū)葡萄花油層油氣預測平面圖。在圖2中深色陰影部分為有利含油區(qū)，白色部分為含水區(qū)。
大慶油田龍201井區(qū)是一開發(fā)區(qū)塊，面積240平方公里。該區(qū)塊原有鉆井7口，其中，在葡萄花油層有4口井含油，3口井含水。以這7口井及該區(qū)的高分辨率二維地震資料作為基礎資料，利用雙重神經(jīng)網(wǎng)絡儲層預測方法對龍201井區(qū)葡萄花油層進行了油氣預測，圖2是龍201井區(qū)葡萄花油層油氣預測平面圖。圖2中預測的含油區(qū)域與地質解釋的河道砂體分布吻合的很好。按預測結果已鉆井8口，其中只有一口井與預測結果不符，預測成功率為87.5％。龍201井區(qū)葡萄花油層8口井油氣預測及試油結果見表2。
表2

實施例3圖3是吉林油田新北地區(qū)黑帝廟油層油氣預測結果。在圖3中深色陰影部分為有利含油區(qū)，淺色陰影部分為含油區(qū)，其余白色部分為含水區(qū)；“○”表示驗證井。
吉林油田新北區(qū)塊面積166平方公里。圖3是用雙重神經(jīng)網(wǎng)絡儲層預測方法并利用該區(qū)塊的三維地震資料和20口鉆井資料對黑帝廟油層的油氣預測結果。圖中的油氣分布區(qū)(深色陰影區(qū))主要分布在以新北油田為中心的一個近南北的條帶中。預測工作完成后，又提供了40口井作為驗證，這40口井都集中在新北油田，且在黑帝廟油層都含油，預測結果與之全部吻合。
權利要求
1.一種涉及石油地震勘探儲層和油氣預測領域所用的雙重神經(jīng)網(wǎng)絡儲層預測方法，包括一個自組織映射網(wǎng)絡和若干個BP神經(jīng)網(wǎng)絡，其特征在于先將地震特征參數(shù)輸入到自組織映射網(wǎng)絡，自組織映射網(wǎng)絡將根據(jù)輸入地震特征參數(shù)的不同，輸出時將地震特征參數(shù)劃分為不同的類別，每一類別地震特征參數(shù)對應于地下不同的沉積相帶；再將自組織映射網(wǎng)絡劃分的各類結果分別作為各BP神經(jīng)網(wǎng)絡的輸入?yún)?shù)，使得各BP神經(jīng)網(wǎng)絡得以在沉積相帶的約束下對儲層進行預測。
全文摘要
一種雙重神經(jīng)網(wǎng)絡儲層預測方法。解決了神經(jīng)網(wǎng)絡在儲層預測中預測結果精度低的問題。包括一個自組織映射網(wǎng)絡和若干個BP神經(jīng)網(wǎng)絡，其特征在于先將地震特征參數(shù)輸入到自組織映射網(wǎng)絡，自組織映射網(wǎng)絡將根據(jù)輸入地震特征參數(shù)的不同，輸出時將地震特征參數(shù)劃分為不同的類別，每一類別地震特征參數(shù)對應于地下不同的沉積相帶；再將自組織映射網(wǎng)絡劃分的各類結果分別作為各BP神經(jīng)網(wǎng)絡的輸入?yún)?shù)，使得各BP神經(jīng)網(wǎng)絡得以在沉積相帶的約束下對儲層進行預測。利用該預測方法預測儲層含油氣符合率為80％－95％，預測精度高。
文檔編號G01V1/28GK1504762SQ02152379
公開日2004年6月16日 申請日期2002年12月5日 優(yōu)先權日2002年12月5日
發(fā)明者張向君 申請人:大慶石油管理局