基于非线性学习理论的非常规储层基本参数测井评价

发布时间：2017-08-13 15:25

  本文关键词：基于非线性学习理论的非常规储层基本参数测井评价

  更多相关文章： 非常规储层 煤储层 页岩储层 BP人工神经网络 支持向量机

【摘要】：本文将非线性学习理论应用到非常规储层基本参数的测井评价中，开展了煤体结构、煤层含气量和页岩储层岩性、页岩总有机碳(TOC)含量测井预测评价研究。在对煤层气储层和页岩气储层测井响应的基础上，分析了煤体结构、煤层含气量、页岩储层岩性、页岩TOC含量与测井曲线之间的关系。结合研究区岩心及实验资料，，建立了BP神经网络和SVM分类模型；建立了煤层含气量的BP人工神经网络和多项式预测模型；通过交叉验证和网格搜索算法建立了基于结构最优的支持向量机页岩气储层岩性预测模型，针对样本不平衡问题，引入惩罚参数c、提出增加小样本权系数的解决办法；通过改进的BP算法和SVM回归算法，建立了BP人工神经网络和支持向量机预测模型，并对应用效果进行了误差分析。结果表明：非线性理论具有极强的非线性逼近能力，能真实反映非常规储层与测井参数之间的关系，预测结果与实测值之间误差小，取得了较好的应用效果。
【关键词】：非常规储层 煤储层 页岩储层 BP人工神经网络 支持向量机
【学位授予单位】：中国矿业大学（北京）
【学位级别】：博士
【学位授予年份】：2015
【分类号】：P618.13
【目录】：

• 摘要5
• Abstract5-6
• 详细摘要6-9
• Detailed Abstract9-15
• 第一章 引言15-29
• 1.1 研究目的与意义15-16
• 1.2 国内外研究现状16-22
• 1.2.1 煤层气储层测井响应特征研究现状16-18
• 1.2.2 页岩气储层测井响应特征研究现状18-21
• 1.2.3 研究存在的问题21-22
• 1.3 研究内容与方法路线22-24
• 1.3.1 研究内容22-23
• 1.3.2 研究方法和技术路线23-24
• 1.4 完成的工作量与创新点24-29
• 1.4.1 完成的主要工作24-27
• 1.4.2 主要创新点27-29
• 第二章 非线性学习理论29-53
• 2.1 有监督学习理论概述29-39
• 2.1.1 神经元基本概念29-34
• 2.1.2 Rosenblatt 感知器34-35
• 2.1.3 线性神经网络35-39
• 2.2 BP 神经网络学习理论39-46
• 2.2.1 BP 神经网络的拓扑结构39-40
• 2.2.2 BP 神经网络原理及实现40-43
• 2.2.3 BP 神经网络算法的改进43-46
• 2.3 支持向量机学习理论46-51
• 2.3.1 线性可分的最优超平面46-48
• 2.3.2 线性不可分的最优超平面48
• 2.3.3 核函数48-49
• 2.3.4 支持向量机（SVM)回归49-51
• 2.4 小结51-53
• 第三章 煤层气储层测井响应特征53-83
• 3.1 煤的测井响应53-55
• 3.2 煤层气的测井响应特征55-58
• 3.3 煤体结构识别58-81
• 3.3.1 研究区基本地质条件59-60
• 3.3.2 煤体结构的测井响应特征60-72
• 3.3.3 煤体结构的测井响应识别72-81
• 3.4 小结81-83
• 第四章 煤层含气量解释模型83-95
• 4.1 基于测井参数的煤层含气量预测方法83-85
• 4.1.1 相关分析和交会图分析法优选测井响应83-84
• 4.1.2 基于 Elman 的神经网络学习算法优化84-85
• 4.2 基于测井响应的煤层含气量预测模型85-93
• 4.2.1 研究区地质概况85-86
• 4.2.2 煤层含气量测井响应参数优选86-90
• 4.2.3 预测模型的建立90-91
• 4.2.4 预测结果及误差分析91-93
• 4.3 小结93-95
• 第五章 页岩气储层特征及测井响应机理95-111
• 5.1 页岩气储层的岩性特征95-96
• 5.2 页岩的测井响应特征96-101
• 5.3 页岩气储集层的测井响应特征101-102
• 5.4 支持向量机岩性识别102-107
• 5.4.1 识别方法102-105
• 5.4.2 支持向量机岩性分类实例105-107
• 5.5 页岩气储层力学参数分析107-109
• 5.6 小结109-111
• 第六章 总有机碳（TOC）含量及含气量预测111-123
• 6.1 TOC 含量预测方法111-114
• 6.1.1 数据归一化111
• 6.1.2 测井参数优选方法111-112
• 6.1.3 基于交叉验证（CV)的 SVR 结构参数优化112-113
• 6.1.4 TOC 含量预测方法流程113-114
• 6.2 页岩气储层 TOC 含量与测井参数关系及模型114-120
• 6.2.1 研究区地质概况114
• 6.2.2 TOC 含量与测井参数相关关系114-116
• 6.2.3 支持向量机（SVR)的回归预测模型116-118
• 6.2.4 BP 神经网络预测模型118-120
• 6.3 页岩气储层含气量计算120-122
• 6.4 小结122-123
• 第七章 非常规储层基本参数测井评价系统123-133
• 7.1 需求分析123
• 7.2 软件工作流程及开发工具123-124
• 7.3 系统功能的具体实现124-129
• 7.3.1 数据编辑及转换功能124-125
• 7.3.2 煤体结构识别功能125-127
• 7.3.3 煤层含气量预测功能127-128
• 7.3.4 页岩气储层岩性识别功能128
• 7.3.5 页岩气储层 TOC 含量预测功能128-129
• 7.4 模型算法优化129-131
• 7.4.1 BP 神经网络算法改进129-131
• 7.4.2 SVM 算法的改进131
• 7.5 软件系统的应用131
• 7.6 小结131-133
• 第八章 结论及展望133-137
• 参考文献137-147
• 致谢147-149
• 作者简介149

【参考文献】

中国期刊全文数据库 前10条

1 朱光有,金强,张林晔;用测井信息获取烃源岩的地球化学参数研究[J];测井技术;2003年02期

2 傅雪海,姜波,秦勇,叶诗忠,章云根,曾庆华;用测井曲线划分煤体结构和预测煤储层渗透率[J];测井技术;2003年02期

3 赵毅;毛志强;蔡文渊;罗安银;赵永昌;;煤层气储层测井评价方法研究[J];测井技术;2011年01期

4 陈钢花;董维武;;遗传神经网络在煤质测井评价中的应用[J];测井技术;2011年02期

5 侯俊胜，尉中良;自组织神经网络在测井资料解释中的应用[J];测井技术;1996年03期

6 柳孟文,李能根,赵文光,王海华;煤层气综合评价技术初探[J];测井技术;1999年02期

7 傅雪海,陆国桢,秦杰,贾红焱;用测井响应值进行煤层气含量拟合和煤体结构划分[J];测井技术;1999年02期

8 潘和平,刘国强;应用BP神经网络预测煤质参数及含气量[J];地球科学;1997年02期

9 潘和平，刘国强;依据密度测井资料评估煤层的含气量[J];地球物理学进展;1996年04期

10 孟召平;张吉昌;Joachim Tiedemann;;煤系岩石物理力学参数与声波速度之间的关系[J];地球物理学报;2006年05期

本文编号：667996