石油储层纵向预测软硬计算融合的理论与方法研究

论文摘要

本论文的选题及研究内容获得诸克军教授主持的国家自然科学基金项目“石油勘探管理中软计算集成的理论和方法研究（NO．70573101）”和笔者主持的高等学校博士学科点专项科研基金“石油储层纵向预测软硬计算融合的理论与方法研究（NO．20070491011）”的联合资助。1996年我国产石油15729×104t，石油消费量为17307×104t，石油对外依存度为9．12％；2004年产石油17499×104t，石油消费量为31873×104t，石油对外依存度为45．10％，该年的石油消费量和石油进口量分别居世界第二位和第三位；2007年产原油18665．7×104t，石油消费量34593．7×104t，石油对外依存度为46．04％。以上数据显示：我国原油产量虽有大幅度增长，但是我们面对的主要情况是我国国民经济发展速度快，而石油产量的年增长率相对滞后，供需矛盾进一步凸显，并且随着石油勘探领域的不断扩大，储层预测面临的研究对象越来越复杂，已有的预测技术与不断提高的解释要求之间的矛盾也越来越突出。如何有效利用新的技术手段和思路，科学地预测储层的岩性和含油性，对于指导石油勘探和开发具有十分重要的实际意义，并普遍受到人们的关注。本研究以江汉油田某区块为石油储层纵向预测的案例，基于将该区块储层的测井数据转化成信息，再将信息转化成认识的动态过程，把软计算和硬计算进行融合，提出软计算和硬计算融合的模式，并且在这些融合模式下进行算法设计，对石油储层进行纵向预测：（1）在分析了软计算和硬计算的基本理论和原理的基础上，提出了软计算和硬计算的融合模式（分离模式、并行连接模式、串联模式和嵌套模式），并分析了各个模式的特点。（2）创建三维表（三维包括搜索策略、评价标准和识别任务类别。其中，搜索策略包括：穷举法、启发方法和随机方法；评价标准模式包括：过滤模式、包裹模式和杂交模式；识别任务类别包括分类和聚类。）对属性优化方法（特征选择）进行了归纳，并且在归纳的基础上提出了算法选择平台，依据算法选择平台可以从归纳的特征选择方法中选择匹配的算法进行属性优化。（3）在储层岩性识别中通过硬计算方法对数据进行整理，然后通过算法选择平台得出匹配的算法和各种软计算和硬计算方法中的分类器进行组合，最后得出识别该区块岩性最优的属性子集为孔隙度（POR），然后运用人工神经网络（ANN）对数据进行学习，从中提取对应各个类别的识别函数（硬计算函数），把该识别函数作为目标函数，再用遗传算法（GA）从中进行规则提取：①如果POR是中，则该层为砂岩；②如果POR是低，则该层为砂岩；③如果POR是高，则该层为泥岩。（4）在储层含油性识别中，通过算法选择平台得出匹配的算法和各种软计算和硬计算方法中的分类器进行组合，最后得出识别该区块含油性最优的属性子集为声波时差（AC）和含油饱和度（So），接着提出了数据驱动的灰色关联预测方法来识别储层的含油性，然后进行样本约简，最后运用人工神经网络（ANN）对数据进行学习，从中提取对应各个类别的识别函数（硬计算函数），把该识别函数作为目标函数，再用遗传算法（GA）从中进行规则提取①如果AC是低和So是低，则该层为干层；②如果AC是中和So是低，则该层为干层；③如果AC是高和So是低，则该层为水层；④如果AC是中和So是中，则该层为差油层；⑤如果AC是低和So是中，则该层为油层；⑥如果AC是高和So是中，则该层为油层；⑦如果So是高，则该层为油层。（5）在岩性识别的最优属性子集POR和含油性最优属性子集AC和So的基础上，如果在测井数据集中没有或者缺少这些关键属性时，需要解决的问题就是怎样在不需要额外的开支下（钻井、化验等）构建预测POR，AC和So的模型。首先通过硬计算方法中的回归模型分别建立预测POR，AC和So的回归方程；然后再用软计算方法中的遗传算法和BP神经网络的嵌套（GA-BP，其中遗传算法用来优化确定BP神经网络的输入属性组合和隐含层神经元的个数）得到满意的BP神经网络预测模型来预测和识别POR，AC和So；最后对硬计算和软计算得到的模型进行比较和分析，得出GA-BP模型优于多元回归预测模型。（6）该研究区块的储层分为四个类别：①如果该层岩性为砂岩，含油性为油层，那么该储层为类别Ⅰ；②如果该层岩性为泥岩，含油性为油层，那么该储层为类别Ⅱ；③如果该层岩性为砂岩，含油性为差油层，那么该储层为类别Ⅲ；④如果该层岩性为泥岩，含油性为差油层，那么该储层为类别Ⅳ。石油储层纵向预测可以为减少石油勘探风险、准确评估石油储量、明确合理开发方案、提高石油采收率等提供极为重要的决策依据。

论文目录

• 作者简介
• 摘要
• ABSTRACT
• 第一章 概论
• 1.1 课题来源及研究内容
• 1.2 论文研究的目的和意义
• 1.3 国内外研究现状
• 1.4 本论文的基本思路
• 1.5 论文的主要贡献及创新
• 第二章 软计算与硬计算的融合
• 2.1 软计算
• 2.1.1 神经网络
• 2.1.2 遗传算法
• 2.1.3 模糊系统
• 2.2 硬计算
• 2.2.1 回归分析
• 2.2.2 K均值分类方法
• 2.2.3 层次聚类分析中的Q型聚类
• 2.3 软计算与硬计算的融合
• 2.3.1 SC和HC互相分离模式
• 2.3.2 SC和HC并行连接模式
• 2.3.3 SC和HC串联模式
• 2.3.4 SC和HC嵌套模式
• 第三章 特征选择（属性优化）
• 3.1 特征选择的一般过程
• 3.1.1 生成特征子集
• 3.1.2 特征子集评价
• 3.1.3 停止准则
• 3.1.4 结果确认
• 3.2 特征选择算法的分类
• 3.3 算法选择平台
• 第四章 储层岩性识别
• 4.1 数据的预处理
• 4.2 搜索策略和分类器的组合岩性识别比较
• 4.2.1 多元线性回归的岩性识别
• 4.2.2 穷举法、启发法和随机法的介绍
• 4.2.3 识别结果比较
• 4.3 软硬计算融合的岩性模糊规则提取
• 4.3.1 ANN-GA-Cascades算法
• 4.3.2 实例研究
• 第五章 储层含油性识别
• 5.1 数据准备
• 5.2 搜索策略和分类器的组合含油性识别比较
• 5.3 数据驱动的灰色关联含油性识别
• 5.3.1 储层含油性评价标准
• 5.3.2 储层含油性参数的权系数
• 5.3.3 灰色关联分析法
• 5.4 样本约简
• 5.4.1 软计算进行识别分析
• 5.4.2 硬计算进行识别分析
• 5.4.3 样本约简结果分析
• 5.5 软硬计算融合的含油性模糊规则提取
• 5.5.1 属性值离散化
• 5.5.2 遗传算法进行规则提取
• 5.5.3 实例研究
• 第六章 测井属性预测
• 6.1 多元线性回归预测模型
• 6.2 GA-BP预测模型的算法介绍
• 6.3 GA-BP预测模型的结果分析
• 第七章 储层综合评价
• 7.1 数据准备
• 7.2 综合评价分析
• 第八章 结论与展望
• 8.1 结论
• 8.2 展望
• 致谢
• 参考文献
• 附录