基于WT和ANN的油气层识别模型和方法研究
  • 【摘要】

    在油气勘探开发过程中,利用地球物理测井资料识别油气层是测井解释中的一项重要任务,因而准确识别油气层在测井解释中非常重要.油气层识别是油气测井评价的重要内容,它将直接影响油气勘探的效率与成功率.在复杂信号处理和实际工程应用中,所采集和分析的信号往往是由系统真实信号与多个噪声信号源所产生的噪声信号的综合体.在信号分析与处理中,为获取信号中反映其特征的有用成分,要按照不同信号的频谱和时空尺度特征设法去掉... 展开>>在油气勘探开发过程中,利用地球物理测井资料识别油气层是测井解释中的一项重要任务,因而准确识别油气层在测井解释中非常重要.油气层识别是油气测井评价的重要内容,它将直接影响油气勘探的效率与成功率.在复杂信号处理和实际工程应用中,所采集和分析的信号往往是由系统真实信号与多个噪声信号源所产生的噪声信号的综合体.在信号分析与处理中,为获取信号中反映其特征的有用成分,要按照不同信号的频谱和时空尺度特征设法去掉噪声成分.本文将小波变换(wavelet transform,WT)和人工神经网络(Artificial Neural Networks,ANN)进行有机结合,兼容小波分析与神经网络的特性,一方面,利用小波变换的时-频局部化特性,突出有用信号特征和去噪;另一方面,发挥人工神经网络对数据处理的自学习和自适应能力,为信号处理提供新的模型和方法.论文研究了小波变换模极大值去噪理论,并且给出了小波变换模极大值的去噪算法.研究了小波变换的理论基础和数学特性、小波变换与信号的奇异性之间的关系、信号的奇异点检测与小波变换模极大值之间的关系、信号奇异点的小波变换模极大值的尺度传播特性和白噪声小波变换模极大值的尺度传播特性.因此根据以上结果构建了基于小波变换模极大值的去噪算法,并进行了实际应用.论文构建了三种神经网络模型,并对三种神经网络模型的结构、算法及性质进行了深入的研究.分别为:小波神经网络模型、连续小波过程神经网络模型和基于小波变换模极大值与过程神经元网络(Process Neural Networks,PNN)的集成模型.在小波神经网络模型中,研究了BP算法,并对BP算法进行了改进,对网络的结构参数进行了分析.在连续小波过程神经元网络模型中,利用小波基函数的性质对信号进行拟合,从而表示出系统输入输出信号之间的映射关系,实现非线性函数逼近功能.在基于小波变换模极大值与过程神经元网络的集成模型中,通过小波变换模极大值的去噪算法对测井曲线信号消噪,然后再利用过程神经元网络对处理后的信号进行油气层自动识别.本文所建立的模型结构,通过实例验证了方法的高效性.并且针对第三种模型结构,将其应用到实际资料处理中,对大庆某区块8口油井进行油气层的识别,取得了良好的结果. 收起<<

  • 【作者】

    杨松 

  • 【学科专业】

    石油工程计算技术

  • 【授予学位】

    硕士

  • 【授予单位】

    大庆石油学院

  • 【导师姓名】

    刘显德

  • 【学位年度】

    2010

  • 【语种】

    chi

  • 【关键词】

    小波变换%模极大值去噪%小波神经网络%小波过程神经元网络%学习算法%油气层识别