导读:本文包含了孔隙度预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:孔隙,神经网络,向量,海盆,南川,文昌,卷积。
孔隙度预测论文文献综述
彭骁,谭茂金,王跃祥,谢冰,周肖[1]（2019）在《基于可变临界孔隙度Nur模型的页岩气层横波速度预测》一文中研究指出准确的横波测井速度是影响地震迭前属性分析及反演质量的重要参数,在缺乏偶极横波测井情况下需要用Krief、Pride等数学模型预测横波,近年来临界孔隙度模型在计算骨架的弹性模量中应用效果较好。在前人研究的临界孔隙度模型的基础上,发展出了可变临界孔隙度的Nur模型,并将遗传算法应用于可变临界孔隙度的计算,最终估算得到了页岩气层的横波速度。实例应用表明,遗传算法可以计算得到沿井眼不同深度的临界孔隙度,而且预测得到的横波与偶极横波测井(DSI)一致性好,证明该方法应用于页岩气的横波估算中是可行的。(本文来源于《天然气地球科学》期刊2019年12期）
段友祥,柳璠,孙歧峰,李洪强[2]（2019）在《基于相带划分的孔隙度预测》一文中研究指出孔隙度是油藏储层特性评价的重要指标,储层岩石组成成分不同,其孔隙结构也相应存在差异.研究沉积相对孔隙度影响这一重要因素,提出一种基于相带划分的孔隙度预测方法,首先利用阻抗数据、采用k-means聚类方法进行沉积相估计,获得储层的相带空间展布特征,然后对不同相带使用岭回归的方法对孔隙度进行预测.与其他方法相比,该方法较好地解决了因岩石物理特性意义不明确而造成的预测中的多解性问题,提高了预测准确度.使用实际区块油藏数据对该方法进行了实验验证,实验结果表明,该方法可以有效融合地质信息,预测稳定性高,受人为因素影响小,预测的符合度明显高于支持向量回归等其他方法 .(本文来源于《南京大学学报(自然科学)》期刊2019年06期）
李超琳,李国发[3]（2019）在《基于粒子群算法与委员会模型的孔隙度预测方法与应用》一文中研究指出孔隙度是储层评价的重要参数之一,有效的预测对油藏描述显得尤为重要。一些传统的孔隙度预测方法存在计算效率低等问题,随着人工智能的大力发展,利用地震多属性分析结合智能算法进行孔隙度预测变得更加常见。本文以实际工区数据为例,首先应用多属性分析确定最优地震属性及其数量,其次,在与粒子群算法的结合下,分别应用支持向量机算法(SVR)、自适应神经模糊推理系统(ANFIS)以及小波神经网络(WNN)叁种智能算法建立所选地震属性与测井解释孔隙度之间的映射关系,并且将叁种算法预测的结果进行加权求和,即建立委员会模型(CM),最终应用到实际地震数据并反演出孔隙度数据体。结果显示,委员会模型的预测结果比叁种单独算法预测结果要好,误差相对较小,证明委员会模型可以提高孔隙度预测的准确度。(本文来源于《2019年油气地球物理学术年会论文集》期刊2019-11-27）
崔学慧,刘长江,薛亮,刘艳丽[4]（2019）在《基于随机森林回归算法预测孔隙度的研究》一文中研究指出对于地层物性参数——孔隙度预测问题的研究,目前采用的常规方法,如线性回归、支持向量回归等方法存在预测精度不高的问题,难以准确预测孔隙度的值。核磁实验得出的结果精度高,而进行地层核磁实验的成本较高,所以越来越多的研究人员致力于寻找经济、高效的预测孔隙度方法。因此,以辽河油田某区块相邻叁口井X32、X41和X46的测井曲线的声波时差(AC)、自然电位(SP)、自然伽马(GA)以及地层真电阻率(RT)为指标,采用交叉验证法建立非线性模型,提出应用随机森林回归算法预测孔隙度,并利用R语言进行编程实现,经计算随机森林回归算法的绝对误差大约为0.24,同时,也使用支持向量回归和线性回归算法进行预测,误差分别为0.27和1.03。结果表明随机森林回归算法较传统线性回归方法预测精度较高,与支持向量回归算法一样有较强的泛化能力,算法稳定性更好,为孔隙度预测提供了一种新方法。(本文来源于《西部探矿工程》期刊2019年11期）
张勇,何贵松,李彦婧,潘兰,田波[5]（2019）在《基于迭前反演的神经网络孔隙度预测技术——以南川地区为例》一文中研究指出孔隙度是海相页岩气富集高产一个重要因素,获取孔隙度平面特征是优选页岩储层"甜点"的一个关键环节。应用迭前反演技术及概率神经网络技术定量预测南川地区孔隙度,首先在迭前反演过程中,做好道集预处理、地震标定、子波提取,低频模型建立关键技术质量控制,获取高精度迭前反演成果;其次在概率神经网络学习训练过程中,做好交叉验证分析,优选地震属性。通过两种技术方法的结合,有效预测了南川地区孔隙度发育特征,为页岩水平井部署、钻探及区域综合评价提供资料基础。(本文来源于《科学技术与工程》期刊2019年25期）
杨柳青,陈伟,查蓓[6]（2019）在《利用卷积神经网络对储层孔隙度的预测研究与应用》一文中研究指出在测井资料与岩心数据较少,储层参数在地质综合解释方面又非常重要的情况下,如何提高储层参数的预测精准度显得尤为关键.本文提出使用深度学习方法根据已有的测井数据预测岩心孔隙度,构建出基于Adam优化算法、dropout技术、ReLU激励函数等技术融合的卷积神经网络模型.首先,分析选定测井参数与孔隙度的相关性.然后,通过交叉验证实验优选模型参数,如学习率、网络深度等.最后,运用卷积神经网络建立自然伽马等四种测井参数与孔隙度的非线性映射关系.通过对实际资料的训练测试,结果显示,基于测井资料的卷积神经网络模型相对于深度神经网络等模型而言,总样本预测数值相关性提高了2%左右,模型预测数值偏差下降了1.5%,通过实验验证卷积神经网络模型具有预测优越性与鲁棒性,在储层参数预测方向有良好的应用前景.(本文来源于《地球物理学进展》期刊2019年04期）
李芳,郭伟,刘仕友[7]（2019）在《莺歌海盆地中深层储层孔隙度定量预测方法研究》一文中研究指出莺歌海盆地中深层已进入开发阶段,该区储层十分复杂,亟需开展"甜点"储层预测研究。首先,通过岩石物理分析确定该区储层物性的敏感因素,在理论岩石物理指导下,通过泥质含量实现对岩石孔隙度变化的研究;其次,通过孔隙度变化模拟了该区地震振幅变化幅度,并通过地震振幅实现孔隙度定量预测。实际资料应用结果表明,莺歌海盆地X区目的层砂体发育,存在多个"甜点"区块。此文开展的莺歌海盆地储层物性影响因素研究及储层物性定量预测技术研究可为该区甜点预测提供支持,同时为莺歌海盆地中深层开发布井提供指导。(本文来源于《海洋石油》期刊2019年02期）
李诺,陈浩,张秀梅,韩建强,王健[8]（2019）在《岩石基质模量与临界孔隙度的联合预测方法（英文）》一文中研究指出岩石的基质模量和临界孔隙度是岩石物理模型的两项重要输入参数,但临界孔隙度通常很难获得。本文基于有效体积模量与孔隙度的线性模型,提出一种快速计算基质模量和临界孔隙度的方法。通过对实验室或现场测量的有效体积模量与孔隙度数据进行最小二乘拟合,利用拟合系数即可计算基质模量和临界孔隙度。本文方法适用的样品孔隙度范围广,并且计算结果能够准确反映样品的粘土含量、压力大小和饱和状态的差异。粘土含量高的样品的基质模量低,临界孔隙度小。压力对基质模量影响不大,但是临界孔隙度会随着压力的升高而略微增大。饱和样品计算得到的基质模量要比干燥的更大。(本文来源于《Applied Geophysics》期刊2019年01期）
陆江,赵彦璞,朱沛苑,元庆涛,李胜勇[9]（2018）在《孔隙度反演回剥法在储层物性定量预测中的应用:以珠Ⅲ坳陷文昌区为例》一文中研究指出储层孔隙度演化定量研究可以揭示实际孔隙度演化过程,为油气勘探靶区优选提供指导。利用埋藏演化史、热史分析及流体包裹体等资料,结合储层成岩特征,建立了文昌凹陷流体-成岩演化序列,包括4个阶段:第一阶段(初始沉积至28Ma),地层流体为中-偏弱酸性,发生压实作用,形成少量黄铁矿;第二阶段(28～21 Ma),地层流体为酸性,发生长石溶解、石英加大及自生高岭石沉淀;第叁阶段(21～5.3Ma),地层流体为碱性,发生石英颗粒及其加大边的溶解、碳酸盐胶结,该阶段在18.5～18.3Ma和15～8.3Ma期间发生了2期油气充注;第四阶段(5.3Ma至现今),地层流体为酸性,发生第二期酸性溶解。以该成岩演化序列为约束,结合面孔率-孔隙度之间的转化关系,确定了各期成岩作用对储层孔隙度的贡献量,进而恢复了各地质历史时期的真实孔隙度。在此基础上建立了不同岩性、不同胶结物含量以及现今不同埋深下的孔隙度演化预测图,将控制储层物性演化的微观参数转化为宏观模型,该预测图进一步明确了文昌A凹陷珠海组低渗"甜点"储层控制因素,提高了储层预测的准确率。本次研究证实在成岩演化序列约束下,孔隙度反演回剥法可以实现储层物性的定量预测,对油气勘探开发具有重要指导意义。(本文来源于《地质科技情报》期刊2018年06期）
安鹏,曹丹平[10]（2018）在《基于LSTM循环神经网络的孔隙度预测方法研究》一文中研究指出1.引言孔隙度是反映储集层油气储集和运移能力的重要物性参数,准确求取储层孔隙度是地质解释和石油勘探开发的关键工作。每一种测井参数都不同程度地携载了孔隙度的信息,孔隙度与测井参数之间是典型的多参数非线性映射问题,充分利用多种测井参数对孔隙度进行综合预测,对于勘探开发中的决策工作具有十分重要的意义。深度学习技术具有极强的数据结构挖掘能力,近两年全连接的深度神经网络已经在泥质含量预测进行了初步尝试并取得了较好的效果。而长短时记忆(LSTM)循环神经网(本文来源于《2018年中国地球科学联合学术年会论文集（二十九）——专题59：计算地球物理方法和应用、专题60：地热资源成因新理论与综合探测新技术》期刊2018-10-21）
孔隙度预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
孔隙度是油藏储层特性评价的重要指标,储层岩石组成成分不同,其孔隙结构也相应存在差异.研究沉积相对孔隙度影响这一重要因素,提出一种基于相带划分的孔隙度预测方法,首先利用阻抗数据、采用k-means聚类方法进行沉积相估计,获得储层的相带空间展布特征,然后对不同相带使用岭回归的方法对孔隙度进行预测.与其他方法相比,该方法较好地解决了因岩石物理特性意义不明确而造成的预测中的多解性问题,提高了预测准确度.使用实际区块油藏数据对该方法进行了实验验证,实验结果表明,该方法可以有效融合地质信息,预测稳定性高,受人为因素影响小,预测的符合度明显高于支持向量回归等其他方法 .
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
孔隙度预测论文参考文献
[1].彭骁,谭茂金,王跃祥,谢冰,周肖.基于可变临界孔隙度Nur模型的页岩气层横波速度预测[J].天然气地球科学.2019
[2].段友祥,柳璠,孙歧峰,李洪强.基于相带划分的孔隙度预测[J].南京大学学报(自然科学).2019
[3].李超琳,李国发.基于粒子群算法与委员会模型的孔隙度预测方法与应用[C].2019年油气地球物理学术年会论文集.2019
[4].崔学慧,刘长江,薛亮,刘艳丽.基于随机森林回归算法预测孔隙度的研究[J].西部探矿工程.2019
[5].张勇,何贵松,李彦婧,潘兰,田波.基于迭前反演的神经网络孔隙度预测技术——以南川地区为例[J].科学技术与工程.2019
[6].杨柳青,陈伟,查蓓.利用卷积神经网络对储层孔隙度的预测研究与应用[J].地球物理学进展.2019
[7].李芳,郭伟,刘仕友.莺歌海盆地中深层储层孔隙度定量预测方法研究[J].海洋石油.2019
[8].李诺,陈浩,张秀梅,韩建强,王健.岩石基质模量与临界孔隙度的联合预测方法（英文）[J].AppliedGeophysics.2019
[9].陆江,赵彦璞,朱沛苑,元庆涛,李胜勇.孔隙度反演回剥法在储层物性定量预测中的应用:以珠Ⅲ坳陷文昌区为例[J].地质科技情报.2018
[10].安鹏,曹丹平.基于LSTM循环神经网络的孔隙度预测方法研究[C].2018年中国地球科学联合学术年会论文集（二十九）——专题59：计算地球物理方法和应用、专题60：地热资源成因新理论与综合探测新技术.2018
论文知识图
