采用量子自組織網(wǎng)絡(luò)方法,解決油田測井解釋中的水淹層識別問題.首先,構(gòu)造儲層特征指標集,包括測井曲線的序列指標和單個數(shù)值指標.對序列指標先采用離散Walsh濾波方法去除噪聲,然后取均值,再與其他單個數(shù)值指標一起構(gòu)造儲層特征向量.其次,將儲層特征向量轉(zhuǎn)化為量子態(tài)描述,提交量子自組織網(wǎng)絡(luò)實施聚類.最后將聚類收斂后的網(wǎng)絡(luò)作為水淹層識別的數(shù)學模型,應用于油田相似區(qū)塊的水淹層識別中.仿真實驗結(jié)果表明,該方法正確識別率比傳統(tǒng)自組織聚類方法高6%. 

【文章來源】：吉林大學學報(理學版). 2020,58(04)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

CSON的訓練結(jié)果

本文采用基于Bloch球面旋轉(zhuǎn)的量子自組織網(wǎng)絡(luò)模型[21], 其輸入和競爭層權(quán)值均采用Bloch球面描述的量子比特. 以競爭層C=m2個節(jié)點為例, 網(wǎng)絡(luò)模型如圖1所示.根據(jù)量子計算原理, 量子比特 |φ? 的Bloch球面坐標(x,y,z)可通過投影測量獲得, 測量方法采用Pauli矩陣實現(xiàn), 表示為

仿真實驗采用MATLAB工具, 編程實現(xiàn)QSON算法, 對遼河油田某區(qū)塊23口井共258個儲層進行水淹級別聚類仿真, 其中超強水淹15個、 強水淹89個、 中水淹83個、 弱水淹59個、 未水淹12個. 這些小層的測井曲線共包含35 424個離散數(shù)據(jù)點, 數(shù)據(jù)點的空間分布形態(tài)如圖2所示.根據(jù)油藏開發(fā)實際情形劃分小層的水淹級別共為5種類型: 特強水淹(編碼為0)、 強水淹(編碼為1)、 中水淹(編碼為2)、 弱水淹(編碼為3)、 未水淹(編碼為4). 該區(qū)塊某井部分原始樣本數(shù)據(jù)列于表1. 該井共有7個小層, 其中第2～8列為測井曲線數(shù)據(jù), 第9,10兩列為單個數(shù)值. 為簡便, 表1中每個小層分3行顯示, 第一行和第三行分別表示該小層各測井曲線的頂深和底深數(shù)據(jù), 第二行用省略號表示該小層的其他數(shù)據(jù).

【參考文獻】：
期刊論文
[1]Model and Algorithm of Sequence-Based Quantum-Inspired Neural Networks[J]. LI Panchi,ZHAO Ya.  Chinese Journal of Electronics. 2018(01)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的譜圖形態(tài)提取在水淹評價中的研究[J]. 張方舟,佘天威,孫永穎,韓樂.  計算機與數(shù)字工程. 2017(08)
[3]BP神經(jīng)網(wǎng)絡(luò)在低孔滲儲層水淹層識別中的應用[J]. 牟立偉,張美玲,顏旭.  當代化工. 2016(07)
[4]神經(jīng)網(wǎng)絡(luò)技術(shù)在復雜斷塊油藏水淹層評價中的應用[J]. 張學磊,沈楠,樊茹,張守良,唐瑋.  復雜油氣藏. 2015(03)
[5]基于Bloch球面旋轉(zhuǎn)的量子自組織網(wǎng)絡(luò)聚類算法[J]. 楊淑云,李盼池.  系統(tǒng)仿真學報. 2015(05)
[6]基于K均值聚類的定位算法分析[J]. 李煒.  廣西工學院學報. 2012(03)
[7]模糊聚類神經(jīng)網(wǎng)絡(luò)技術(shù)在識別水淹層中的應用[J]. 李武廣,楊勝來,廖長霖,王欣,婁毅.  天然氣勘探與開發(fā). 2012(02)
[8]基于主成分分析的離散過程神經(jīng)網(wǎng)絡(luò)水淹層動態(tài)預測方法[J]. 鐘儀華,李榕,張志銀,朱海雙.  測井技術(shù). 2010(05)
[9]過程神經(jīng)網(wǎng)絡(luò)在厚層細分水淹解釋中的應用[J]. 宋延杰,楊艷,楊青山,馬宏宇.  測井技術(shù). 2009(04)
[10]基于最鄰近聚類和向量模糊c-均值的混沌預測[J]. 劉福才,馬麗葉.  系統(tǒng)工程與電子技術(shù). 2007(12)

博士論文
[1]基于統(tǒng)計學習的油藏水淹層的識別技術(shù)[D]. 尚福華.哈爾濱工業(yè)大學 2007



本文編號：3050784