基于统计学习的油藏水淹层的识别技术

【摘要】： 水淹层识别和评价是水驱油田油藏描述的重要方向之一。其目的是进一步精确地描述油藏,降低采油成本提高采油量及其采收率。 为了对地下油层水淹层状况进行识别和评价,石油科技人员采用了大量的方法,如:显微荧光图像分析技术、地球化学录井技术、地球物理测井识别和评价技术等,但以上技术或适用范围小或成本太高,以致于不能在油田上全面使用。 地球物理测井技术是识别和评价水淹层的重要手段。由于油层水淹前后的测井响应可能出现明显差异,测井资料提供了认识和评价水淹层的丰富信息。我国测井工作者在这方面已经作出了大量的研究工作,并取得了丰富的成果。 多年来油田积累了大量的测试信息和生产数据,在这些数据中寻找地下油层状况的映射关系,一直是石油科技人员的追求。对地下油层水淹状况进行自动识别和评价是这些工作的基础。 由于注水和采油总是处于动态变化之中,不同区块又受到众多因素的控制和影响,使水淹层的识别和评价成为一个动态的、区域性很强的复杂课题。 本文主要研究利用统计学习方法自动识别水淹层的技术。本文工作分四个部分进行,具体内容如下: 1、神经网络是统计学习的重要方法之一。本文提出一种基于正则模糊神经网络和图像处理的油田水淹层识别方法,在神经网络的基础上,加入模糊逻辑分析,并用图像处理的方法提取测井信息的特征。该方法具有较强的抗噪声的能力。 2、在过程神经网络的基础上提出了基于信号处理的支持向量机的水淹层识别方法。该方法用B样条变换或小波变换提取测井信号的特征,并用支持向量机作分类器进行实验分析,取得了良好的实验效果。该方法具有良好的识别能力,并具有较强的推广能力。 3、模式分类算法应该具备计算高效性和统计稳定性(推广能力),但以上模型在实际应用中都需要先将测井信号数据进行变换再进行识别,运行效率和推广能力(统计稳定性)都受到一定影响,很难具备上述的两种性质。为此,我们提出了基于B样条核的水淹层识别方法,大大提高了计算高效性和统计稳定性。 4、由于水淹层识别系统涉及到多学科,多功能,整个系统将非常复杂,而且系统结构将随着识别方法的变化而变化。需要一个具有灵活性和扩展性的系统结构。本文提出了一种基于Agent的水淹层识别系统软件模型,使整个系统具有灵活性和扩展性。该系统模型是具有社会性的体系结构,因此系统设计更人性化,便于解决复杂问题。