BP神经网络技术在声波测井曲线重构中的运用

doi:10.3863/j.issn.1000-2634.2008.01.017

西南石油大学学报(自然科学版) ›› 2008, Vol. 30 ›› Issue (1): 63-66.DOI: 10.3863/j.issn.1000-2634.2008.01.017

BP神经网络技术在声波测井曲线重构中的运用

杨志力^1，2 周路² 彭文利³ 郑金云²

1.杭州地质研究院，浙江杭州 310023；2.西南石油大学资源与环境学院，四川成都 610500；3.新疆油田公司勘探开发研究院，新疆克拉玛依 834000

收稿日期:2006-01-06 修回日期:1900-01-01 出版日期:2008-02-20 发布日期:2008-02-20

Application of BP Neural Network Technology in Sonic Log Data Rebuilding

YANG Zhi-li ^1,2,ZHOU Lu²,PENG Wen-li ³,ZHENG Jin-yun ²

1.Hangzhou Research Institute of Petroleum Geology,Hangzhou Zhejiang 310023,China;2.Resources and Environment institute,Southwest petroleum University,Chengdu Sichuan 610500,China;3.Research Institute of Exploration and Development,Xinjiang Oil field Company,Karamay Xinjiang 834000,China

Received:2006-01-06 Revised:1900-01-01 Online:2008-02-20 Published:2008-02-20

摘要/Abstract

摘要： 基于神经网络的曲线重构法是提高声波测井曲线质量的有效方法。该方法通过神经网络技术的非线性算法，在声波曲线与自然电位、电阻率、自然伽马等多条测井曲线之间建立一种非线性关系。运用BP神经网络技术综合了自然电位、电阻率、自然伽马等多条曲线的信息对声波曲线进行重构，以此增加曲线重构的信息量，为曲线重构的准确性提供了保障。通过在准噶尔盆地石南地区的运用，证明该方法能大大提高受井壁垮塌影响的声波测井曲线的质量。

关键词: 曲线重构, 神经网络, 声波测井, 准噶尔盆地, 石南地区

Abstract: The log reconstruction method based on neural network is a effective one to improve the quality of sonic log.The method,by means of non-linear algorithm of neural network technology,is used to set up a non-linear relation among sonic log curve,SP,Rt,Gr and curves.The sonic log curve is reconstructed by using BP neural network technology combining SP,Rt,Gr curves data as to enhance the information quality of curve reconstruction and ensure the accuracy of curve reconstruction.The practice in Shinan area,Junggar Basin proves the method can greatly improve the quality of sonic log curve where well wall is affected by collapse.

Key words: log reconstruction, neural network, sonioc log, Junggar Basin, Shinan area

中图分类号:

TE822

杨志力;周路彭文利郑金云. BP神经网络技术在声波测井曲线重构中的运用[J]. 西南石油大学学报(自然科学版), 2008, 30(1): 63-66.

YANG Zhi-li;ZHOU Lu;PENG Wen-li;ZHENG Jin-yun . Application of BP Neural Network Technology in Sonic Log Data Rebuilding[J]. 西南石油大学学报(自然科学版), 2008, 30(1): 63-66.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10.3863/j.issn.1000-2634.2008.01.017

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2008/V30/I1/63

[1]	黄旭日, 代月, 徐云贵, 唐静. 基于深度学习算法不同数据集的地震反演实验[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 16-25.
[2]	刘兆年, 赵颖, 孙挺. 渤海区域基于数据驱动的钻井提速[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 35-41.
[3]	檀朝东, 贺甲元, 周彤, 刘健康, 宋文容. 基于PCA-BNN的页岩气压裂施工参数优化[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 56-62.
[4]	刘浩瀚, 颜永勤, 闵令元, 乐平, 殷艳玲. 基于灰色网络组合优化的年增油量预测[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 89-96.
[5]	王兵, 郑亚梅, 陈茂柯, 高凌云. 基于Tri-BiLSTM-CNN的钻井安全问答系统[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 157-164.
[6]	邱争科, 李婷, 杨兴, 胡宗芳, 胡戈玲. 准噶尔盆地克—百断裂带石炭系内幕成藏特征[J]. 西南石油大学学报(自然科学版), 2020, 42(5): 39-47.
[7]	钱海涛, 尤新才, 魏云, 白雨, 吴俊. 玛东地区百口泉组地层新认识及油气勘探意义[J]. 西南石油大学学报(自然科学版), 2020, 42(2): 27-36.
[8]	陆云龙, 崔云江, 李瑞娟, 王培春. 基于多孔介质模型的储层裂缝孔隙度计算方法[J]. 西南石油大学学报(自然科学版), 2019, 41(5): 67-74.
[9]	刘永辉, 罗程程, 刘通, 任桂蓉, 王中武. 水平气井井筒气液两相流型预测[J]. 西南石油大学学报(自然科学版), 2019, 41(3): 107-112.
[10]	许磊, 王宗俊, 王盘根, 商志垒, 郭晓. 准噶尔盆地东缘J₁b¹扇三角洲沉积特征研究[J]. 西南石油大学学报(自然科学版), 2018, 40(4): 9-16.
[11]	李建, 李珂, 王兵. 粗糙集和神经网络相融合的钻井安全评价模型[J]. 西南石油大学学报(自然科学版), 2017, 39(5): 120-128.
[12]	陈亮, 赵逸清, 覃建华, 屈怀林, 董海海. 利用成像测井资料解剖石炭系内幕构造[J]. 西南石油大学学报(自然科学版), 2016, 38(6): 90-96.
[13]	秦志军, 魏璞, 张顺存, 王昌伟, 张生银. 滴西-五彩湾地区石炭系火山岩岩相特征研究[J]. 西南石油大学学报(自然科学版), 2016, 38(5): 9-21.
[14]	李伟才1，2 *，杨晓培3，王克杰3，赵蕊4. 春光油田残余地层对比方法及地层发育模式[J]. 西南石油大学学报(自然科学版), 2016, 38(3): 37-45.
[15]	高劲*，曹喆. 准噶尔盆地下侏罗统页岩气形成条件[J]. 西南石油大学学报(自然科学版), 2016, 38(1): 37-45.

BP神经网络技术在声波测井曲线重构中的运用

Application of BP Neural Network Technology in Sonic Log Data Rebuilding

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价