火山岩储层次生孔隙度的确定方法研究

论文摘要

火山岩储层油气主要储存在次生孔隙（气孔和裂缝）之中,油气的储存和聚集受到次生孔隙分布的影响。由于裂缝型火山岩储层孔隙空间复杂,储层评价难度很大,并且有些火山岩储层裂缝段未取的成像测井资料。因此如何有效地计算储层的次生孔隙度,对正确评价裂缝型火山岩储层的产能具有重要的意义,以往的方法主要是利用三孔隙度曲线和双侧向测井曲线计算储层次生孔隙度。由于常规方法运算参数很多,使得火山岩次生孔隙度的常规测井解释至今没有形成一套成熟而有效的方法。成像测井方法受到地区和经济条件的限制,使得一部分地区无法利用成像测井资料解释火山岩次生孔隙。本文研究的主要目的是以研究区常规测井资料为基础,以成像测井资料计算的次生孔隙度为依据,利用GA-BP神经网络技术预测火山岩储层次生孔隙度。本文首先对火山岩储层的裂缝类型和火山岩裂缝测井响应特征进行了总结,结合研究区实际测井资料用地层元素俘获谱测井方法（ECS）划分了研究区火山岩岩性,并统计了不同岩性的骨架参数值,为用常规测井方法计算次生孔隙度奠定了基础。本文利用常规测井资料和成像测井资料分别计算了火山岩储层次生孔隙度。以成像测井资料计算的次生孔隙度为基础,利于BP神经网络方法,基于常规测井资料预测了火山岩次生孔隙度。针对BP网络学习算法存在的缺陷,引入了遗传算法（GA）,用遗传算法优化BP网络初始权重,即采用GA-BP神经网络技术预测火山岩次生孔隙度。编制了程序,并对研究区实际测井资料进行了处理,与传统BP神经网络方法和常规测井曲线方法进行了对比,说明了用GA-BP神经网络技术预测火山岩储层次生孔隙度方法的优越性。

论文目录

• 内容提要
• 第1章 绪 论
• 1.1 选题的目的和意义
• 1.2 目前研究状况
• 1.3 论文研究内容及取得的主要成果
• 1.3.1 研究区的概况
• 1.3.2 本文主要研究内容
• 1.3.3 研究的技术路线
• 1.3.4 取得的成果及创新点
• 第2章 火山岩储层的次生孔隙与测井曲线特征
• 2.1 火山岩储层的次生孔隙特征
• 2.1.1 裂缝的类型
• 2.1.2 裂缝的分布特征
• 2.1.3 孔洞的特征
• 2.2 火山岩储层裂缝的测井响应特征
• 2.3 裂缝发育程度与岩性的关系
• 第3章 基于ECS 和常规测井曲线计算次生孔隙度的方法
• 3.1 ECS 测井识别火山岩储层的岩性
• 3.1.1 ECS 测井基本原理
• 3.1.2 ECS 测井识别火山岩储层的岩性
• 3.2 基于 ECS 确定火山岩储层不同岩性的骨架参数
• 3.3 常规测井曲线计算火山岩储层次生孔隙度
• 3.3.1 孔隙度测井曲线法计算次生孔隙度
• 3.3.2 双侧向测井响应计算火山岩次生孔隙度
• 第4章 利用成像测井资料计算次生孔隙度
• 4.1 井壁微电阻率成像数据处理
• 4.1.1 预处理
• 4.1.2 转化为强度图像
• 4.2 井壁成像测井图上的裂缝特征
• 4.3 成像测井资料提取裂缝孔隙度
• 第5章 遗传BP 神经网络模型的建立
• 5.1 BP 神经网络基本原理
• 5.1.1 人工神经网络的概念和特点
• 5.1.2 BP 神经网络结构模型和特征
• 5.1.3 BP 神经网络学习算法
• 5.1.4 BP 神经网络存在的缺陷
• 5.2 遗传算法基本原理
• 5.2.1 遗传算法的特征
• 5.2.2 遗传算法控制参数的设定
• 5.2.3 遗传算法的实现步骤
• 5.3 遗传 BP 神经网络模型的基本思想
• 5.3.1 训练样本的准备
• 5.3.2 GA-BP 神经网络拓扑结构及训练参数的设定
• 5.3.3 GA-BP 神经网络模型的建立及算法流程
• 5.3.4 遗传优化BP 神经网络的权值和阈值
• 第6章 基于GA-BP 网络模型预测次生孔隙度的应用实例
• 6.1 训练样本的来源
• 6.2 传统 BP 神经网络预测次生孔隙度的效果分析
• 6.3 GA-BP 神经网络预测次生孔隙度的效果分析
• 6.3.1 程序的介绍
• 6.3.2 实例评价与分析
• 6.4 常规测井方法与 GA-BP 网络预测次生孔隙度的对比分析
• 6.4.1 常规测井方法的介绍
• 6.4.2 评价结果及分析
• 6.5 基于 GA-BP 网络模型预测次生孔隙度的实例
• 第7章 结 论
• 参考文献
• 攻读学位期间发表学术论文及取得的科研成果
• 致谢
• 摘要
• Abstract