基于自组织映射的地质可视化在油藏描述中的应用

摘要

传统的油藏描述方法存在很多问题。比如，大部分方法都是基于单变量的；油藏参数维数高、数量多，且存在很大的随机性和不确定性等。为了克服这些不足，近年来，国内外学者提出利用神经网络进行油藏描述。鉴于自组织映射(SOM)模型的特征保持、数据降维以及可视化功能，本文利用其对油气层进行准确识别。 针对SOM网络学习算法存在的一些缺点，即在学习过程中容易陷入局部最优，以及在收敛过程中存在钟摆效应，本文提出一种改进的SOM学习算法。理论研究和仿真试验均表明该算法的有效性，它能弥补标准SOM学习算法的不足。 油气层的准确识别能够提高勘探效果，还可以为油田开发的部署与规划提供重要的基础数据。本文拟在现有油气层识别研究与评价技术基础上，利用改进的SOM学习网络模型分析测井参数识别储层，提出一套分析识别方法，并给出了相应的可视化信息，得到一个良好的聚类识别器，为油藏描述和参数分析提供了依据。文中详细介绍了此模型用于油气层识别的过程。比如，样本参数的选择、网络的构建和优化、网络的学习和表示、聚类分析等。 最后，结合实际测井参数，进行油水层识别，得到了很高的识别精度。结果表明：该模型是一种操作简便、易于实现、性能良好的有效模型。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景

1.2国内外油藏描述研究现状

1.3神经网络方法的研究

1.3.1神经网络方法在测井技术中的应用研究

1.3.2自组织神经网络理论的研究与发展概述

1.4可视化技术

1.5课题的目的和意义

1.6本文的主要工作和结构安排

第二章SOM聚类分析

2.1引言

2.2常用聚类分析

2.2.1聚类分析的定义

2.2.2聚类分析的方法

2.2.3聚类方法的性能评价

2.2.4聚类分析的最新成果和发展趋势

2.3 SOM模型

2.3.1二维阵列SOM模型

2.3.2 SOM模型的学习过程

2.3.3 SOM模型的学习算法

2.4 SOM的聚类原理备注

2.5小结

第三章基于SOM的可视化技术

3.1引言

3.2基于SOM的可视化技术

3.2.1主成分分析法(PCA)

3.2.2 SAMMON映射

3.2.3 U矩阵

3.3 SOM可视化技术的实例分析

3.3.1可视化聚类的U矩阵表示

3.3.2网格可视化(映射)

3.3.3分量可视化

3.3.4距离矩阵的二维或三维平面图

3.4小结

第四章改进的SOM学习算法

4.1引言

4.2标准的SOM学习算法

4.3改进的SOM学习算法

4.3.1算法描述

4.3.2算法分析

4.4仿真试验

4.5小结

第五章自组织神经网络在油气层识别中的应用

5.1引言

5.2研究区域的特征

5.2.1区域地质特征

5.2.2储层物性特性

5.3测井响应特征及其分析

5.3.1标准油水气层的特点

5.3.2自然电位曲线特征

5.3.3电阻率曲线特征

5.3.4声波曲线特征

5.3.5气层的识别

5.4模式特征测井曲线的选择

5.5标准样本模式的选取

5.6实例测试

5.6.1模型描述

5.6.2数据预处理

5.6.3 SOM网络初始化

5.6.4网络的学习

5.6.5网络的表示

5.6.6聚类

5.6.7样本数据的识别与网络的进一步优化

5.7小结

第六章结论与展望

致射

参考文献

附录