第3章 方法应用

第三章方法应用方法应用

测井资料数字处理中的实际问题地层划分、岩性识别、流体性质判别定量计算、曲线拟合

常用数学方法数理统计方法、最优化方法、神经网络小波变换、遗传算法、模糊数学3地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用用于计算机分层的数学模型大致分为两类：一是借助于方差分析的概念，把方差（或离差平方和）作为分层的指标；另一类是以相邻资料点间的差异为依据，用测井曲线的极值点或微商进行分层。

测井信息主要是由地层物理特性和随机因素影响两部分组成，其中随机因素部分会影响到测井资料分层的效果。因此，对测井资料进行去噪处理会提高测井曲线分层的精度。小波分析便是一种有效的处理方法。地层划分方法及应用

沉积地层不仅具有成层性，而且具有旋回性。沉积旋回是沉积事件的周期性重复，具有多尺度特性。测井数据是研究沉积旋回界面划分的主要资料。根据测井曲线的形态以及通过对测井数据的适当数学变换，能够解决某些地质现象和地质问题，小波变换便是一种有效的处理方法。地层划分方法及应用极值方差是数理统计中的一种常用方法，其分层的实质是找出层间方差最大、层内方差最小的点作为分层点。

地层划分方法及应用

极值方差分析极值方差分层实例图地层划分方法及应用

微商分层方法是模拟人工分层的一种方法。它的数学模型比较简单，但与地质工作者惯用的分层方法很相似，所以常被采用。地层划分方法及应用

微商分层方法微商分层实例地层划分方法及应用10地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用神经网络方法及应用

神经网络技术，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学算法。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络是多领域的交叉科学。人工神经网络优点突出：算法不涉及知识和推理的精确表达，而是模拟人脑的一种技术，它能通过学习获取经验，能够形成任意非线性映射，处理对于传统、常规的参数化技术难以解决的问题，在测井储层参数计算和模式识别方面有明显优势。

BP神经网络是一种按误差逆传播算法训练的多层前馈网络。网络可以在事前不知道揭示描述映射关系的数学方程，通过预先提供的一批相互对应的输入与输出数据，分析掌握两者之间潜在的规律，这种学习分析的过程被称为“训练”，“训练”完成后利用得出的权值及偏置值计算未知参数，这个过程被称为“预测”。BP神经网络具有自学习和自适应的能力，是目前应用最广泛的神经网络模型之一。神经网络方法及应用

BP神经网络方法神经网络方法及应用X1X2∶XnO1O2∶On输入节点隐层节点输出节点多层前馈神经网络模型神经网络方法及应用

孔隙度计算针对广安和苏里格气田砂泥岩剖面的5口井、渡口河区块碳酸盐岩剖面的4口井进行了孔隙度建模与预测，利用自然伽马、补偿声波、补偿中子、补偿密度、深侧向、浅侧向六条曲线进行了建模，网络模型为输入层6个节点，隐层6个节点，输出层1个节点。广安地区建模井为广安107井和广安108井，预测井为广安103井。神经网络方法及应用建模井神经网络方法及应用预测井神经网络方法及应用

岩性识别选用自然伽马、补偿声波、补偿密度、深侧向四条曲线进行了建模，网络模型为三层，输入层节点数为四个，隐层节点数为四个，输出层节点数为一个，白马7井为建模井，广安101井为预测井。白马7井段岩心数据参与模型建立，图中神经网络反判（第8道）为程序处理结果，初始类别（第5道）是根据矿物含量设定的曲线，共分为四类（泥质砂岩、含泥砂岩、钙质砂岩、砂岩），两者相对比，样本反判率为92.4%（按点数计算）。神经网络方法及应用

岩性识别

神经网络方法及应用

岩性识别广安101井如右图，图中神经网络预测（第8道）为程序处理结果，初始类别（第5道）是根据矿物含量设定的曲线，共分为四类（泥质砂岩、含泥砂岩、钙质砂岩、砂岩），两者相对比，样本预测符合率为85.7%（按点数计算）神经网络方法及应用

流体性质判别针对龙岗井，利用自然伽马、无铀伽马、光电指数、补偿中子、补偿密度、补偿声波、深侧向、浅侧向八条曲线构造了建模样本，网络模型为三层，输入层节点数为八个，隐层节点数为八个，输出层节点数为一个，龙岗2井为建模井，龙岗1井和龙岗3井为预测井，利用该软件进行反判和预测，得到了神经网络预测流体性质判别结果。龙岗2井为碳酸盐岩剖面，以该井数据建立了建模样本，图中神经网络回判（第6道）为程序回判处理结果，第8道为试油结论，两者相对比，样本反判符合率为94.6%（按点数计算）。神经网络方法及应用

流体性质判别龙岗3井为碳酸盐岩剖面，该井岩心数据没有参与模型建立，图中神经网络回判（第6道）为程序预测处理结果，解释结论在第5道，两者相对比，样本预测符合率为84.4%（按点数计算）。神经网络方法及应用

流体性质判别

BP神经网络的建模和预测是已知一定的先验知识为条件的，即网络权值的调整是在监督情况下进行的。而在实际应用中，有时并不能提供所需的先验知识，这就需要网络具有能够自学习的能力。自组织神经网络就是这种具有自学习功能的神经网络。网络中的输出节点与其邻域其它节点广泛相连，并相互激励。输入节点和输出节点之间通过强度Wij(t)相连接。通过某种规则，不断地调整Wij(t)，使得在稳定时，每一邻域的所有节点对某种输入具有类似的输出，并且这聚类的概率分布与输入模式的概率分布相接近。神经网络方法及应用

自组织神经网络方法神经网络方法及应用X1X2xn…

自组织特征映射神经网络图白马7井为砂泥岩剖面井，3708米—3744米为取心井段，选取自然伽马、补偿中子、补偿声波、深侧向4条曲线判别岩性，曲线进行归一化处理，分类数为4类（泥质砂岩、含泥砂岩、钙质砂岩、砂岩），图中自组织神经网络判别（第8道）为程序处理结果，初始类别（第5道）是根据矿物含量设定的曲线。神经网络方法及应用

岩性识别广安101井为砂泥岩剖面井，2320米—2360米为取心井段，选取自然伽马、补偿中子、补偿声波、深侧向4条曲线判别岩性，曲线进行归一化处理，分类数为4类（泥质砂岩、含泥砂岩、钙质砂岩、砂岩），图中自组织神经网络预测（第8道）为程序处理结果，初始类别（第5道）是根据矿物含量设定的曲线。神经网络方法及应用

岩性识别龙岗1井为碳酸盐岩剖面，6056米—6124米为取心井段，利用自然伽马、无铀伽马、光电指数、补偿中子、补偿密度、补偿声波、深侧向、浅侧向八条曲线建立样本，分类数为4类（气层、气水同层、水层、干层），图中自组织神经网络判别（第5道）为程序处理结果，原始解释结论为气层，判别结果为气层。神经网络方法及应用

流体性质判别28地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用判别分析与聚类分析不同，判别分析是在已知研究对象分成若干类型（或组别）并已取得各种类型的一批已知样品的观测数据，在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分类。贝叶斯判别方法是在计算新给样品属于各总体条件概率的基础上，比较每个概率的大小，然后将新样品判归为来自概率最大的总体。贝叶斯判别方法及应用在测井资料数字处理中，我们采用测井资料来划分岩性，就是一种类别判别问题。因此，采用贝叶斯判别法可以进行岩性识别。其基本思想：对于多种不同类型的岩性，计算新给样品属于各类总体的后验概率

，比较这

个概率的大小，然后将新样品判归为来自概率最大的总体。贝叶斯判别方法及应用根据白马7井目的层深度段3708m—3744m岩性特征，我们将岩性划分为4类分别记为：1—泥质砂岩、2—含泥砂岩、3—钙质砂岩、4—砂岩，选取测井曲线GR、

AC、CNL、RD作为判别指标。用Bayes判别法逐点处理了目的层段，符合率为91%。

贝叶斯判别方法及应用该样本的每一类均值向量贝叶斯判别方法及应用59.02566.3099274.206556.808159.92595.385360.680466.028552.71781.4659246.867512384.660.37334.8352952.046374.838样本的砂岩协方差矩阵

贝叶斯判别方法及应用124.69880.8604106.767-1160.180.860468.77123.611-1153.91106.767123.611643.828-1913.42-1160.1-1153.91-1913.4260100.1贝叶斯判别方法及应用

岩性识别白马7井为建模井,反判率为90%以上。贝叶斯判别方法及应用

岩性识别以白马7井为样本预测广安101井,符合率达到86.2%贝叶斯判别方法及应用

流体性质判别建立龙岗2井油气水层样本,选取GR、AC、CNL、DEN、RLLD、RLLS六种测井曲线作为判别指标，设定气层、气水同层、水层、干层为4个类别。反判率为90%以上。贝叶斯判别方法及应用

流体性质判别用龙岗2井建立的油气水样本，判别龙岗1井，判别结果符合率达到85%以上。38地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用费歇判别方法及应用

Fisher判别最初是对两个总体进行划分，随着科学发展和和实际的需要，发展了Fisher多类判别方法。Fisher多类判别方法的原理是建立在两类总体划分基础之上的。该方法通过建立判别函数来判别样品类别归属的问题。因此，采用Fisher判别法可以利用测井资料岩性识别。根据白马7井目的层深度段3708m—3744m岩性特征，我们将岩性划分为4类分别记为：1—泥质砂岩、2—含泥砂岩、3—钙质砂岩、4—砂岩，选取测井曲线GR、

AC、CNL、RD作为判别指标。用Fisher判别法逐点处理了目的层段，符合率为91%。

费歇判别方法及应用费歇判别方法及应用

岩性识别以白马7井为样本井,反判率为90%以上。费歇判别方法及应用

岩性识别以白马7井为样本预测广安101井,符合率达到86.2%43地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用模糊数学方法及应用

模糊数学是用数学方法研究和处理具有“模糊性”现象的数学。所谓模糊性，主要是指客观事物差异的中间过渡中的“不分明性”。大量的事实表明，许多事物过分地追求精确反倒更模糊，适当地模糊反而可以达到精确的目的。其关键在于如何寻求适当的数学语言来描述事物的模糊性。模糊数学主要包括模糊综合评判和模糊聚类，这两类方法都可以用来判断事物的类别。在测井资料数字处理中，流体性质判别和岩性识别等工作往往受到多种信息因素的影响，因此在对其进行评价时，应该对各种相关因素作综合考虑，然后作出合理的决策，这就是通常所说的综合评判问题。模糊综合评判实质就是应用模糊变换原理和最大隶属度原则，考虑被评价事物相关的各个相因素，对其作综合评价。模糊数学方法及应用

模糊综合评判

模糊数学方法及应用模糊综合评判矩阵

模糊数学方法及应用模糊综合评价集模糊综合评判实例模糊数学方法及应用

岩性识别模糊综合评判实例模糊数学方法及应用

流体性质判别模糊综合评判实例模糊数学方法及应用

流体性质判别所谓聚类分析就是根据事物之间的不同特征、亲疏关系和相似性等关系，对其进行分类的一种数学方法，其数学基础是数理统计中的多元分析。由于在实际工作中，事物之间的关系其界限往往是不分明的，即为模糊关系，故利用模糊数学方法来进行聚类分析显得尤为重要。基于目标函数的模糊ISODATA(迭代自组织数据分析技术)聚类分析是模糊聚类分析中较为实用的一种方法，该方法的基本思想是在分类给定的条件下，利用模糊ISODATA算法寻找出对事物的最佳分类方案。模糊数学方法及应用

模糊聚类分析

模糊数学方法及应用

模糊聚类分析中常用的几种距离模糊聚类实例模糊数学方法及应用

岩性识别模糊聚类实例模糊数学方法及应用

流体性质识别55地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用遗传算法原理及应用

遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的一种数学方法，其实质是通过模拟自然进化过程搜索问题的最优解。美国Michigan大学J.Holland教授于1975年首先提出这种方法，基本遗传算法包括选择、交叉、变异和编码等过程。遗传算法原理及应用目标函数

在处理碳酸岩剖面时同时也对声波与变量之间进行了非线性的处理，关系式为：遗传算法原理及应用遗传算法与传统的优化算法相比，主要有以下特点：

(1)遗传算法以决策变量的编码作为运算对象。

(2)遗传算法直接以适应度作为搜索信息，无需导数等其它辅助信息。

(3)遗传算法使用多个点的搜索信息，具有隐含并行性。

(4)遗传算法使用概率搜索技术，而非确定性规则。函数优化是遗传算法的经典应用领域，该方法可以应用在测井解释中地层组分的求取。遗传算法原理及应用

利用遗传算法对寨沟2井、池58井、苏5井、白马7井、桃7-8-8井、共5口井进行了处理。输入曲线：KTH或GR、AC、CNL、DEN；输出曲线：KTHO或GRO、ACO、CNLO、DENO；计算地层组分及孔隙度；遗传算法实例遗传算法原理及应用

定量计算寨沟2井遗传算法处理成果图

遗传算法实例遗传算法原理及应用

定量计算池58井遗传算法处理成果图

遗传算法实例遗传算法原理及应用

定量计算白马7井遗传算法处理成果图

63地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用最优化方法及应用最优化方法所解决的问题就是在多个方案中寻求最优。现实工作中的一些问题一般都有很多可供选用的方案，甚至有无数个方案。要对这些方案做出选择，首先要确定一个鉴别好坏的标准，并在这个标准衡量下，利用实际问题抽象出的数学模型找出一定范围内的最好方案，这就是最优化方法所研究的内容。

在测井最优化解释中，我们采用了约束最小二乘理论，通过将测井响应方程线性化，利用Householder变换求解线性方程组的最小二乘解，将每一个最小二乘解作为共轭梯度优化算法的初始值进行优化迭代运算，求取复杂岩性地层多矿物储集层参数的最优解。最优化方法及应用求初始值应用Householder变换把系数矩阵进行分解，即其中为一个阶上三角阵，是一个阶正交矩阵，为的零矩阵。将此最小二乘解作为共轭梯度优化迭代的初始值带到目标函数进行迭代。最优化方法及应用计算梯度方法

最优化方法及应用采用理查得外推公式近似求出目标函数一阶偏导向量优化算法

最优化方法及应用目标函数的建立最优化方法及应用最优化方法及应用最优化方法及应用利用最优化评价算法对坡2井、金珠1井、寨沟2井、白马7井、池58井、广安101井、桃7-8-8井、苏5井共八口井进行了处理。输入曲线：KTH或GR、AC、CNL、DEN；输出曲线：KTHO或GRO、ACO、CNLO、DENO；计算地层组分及孔隙度；最优化算法实例最优化方法及应用

定量计算73地层划分方法原理及应用神经网络方法原理及应用贝叶斯判别方法原理及应用费歇判别方法原理及应用模糊数学方法原理及应用遗传算法方法原理及应用最优化方法原理及应用曲线拟合方法原理及应用方法应用曲线拟合方法及应用任何一种测井曲线都可视为一个序列，并且视它们为反映岩层物理性质的趋势和随机性干扰两部分组成。对测井曲线进行平滑处理，目的在于去掉测井信息中与岩石性质无关的部分。目前，常用的平滑方法有五点三次平滑、中值滤波等方法。同时在测井资料数字处理中，有时需要把测井分析图版进行公式化或者把实验分析图版进行公式化，这就需要选用合适的拟合方法。常用的拟合方法有最小二乘曲线拟合、最小二乘曲面拟合。五点三次平滑是在等间距数值的基础上对数据进行处理的一种方法。五点三次法的最终表达式为:曲线拟合方法及应用

五点三次平滑与中值滤波