基于量子自组织网络的水淹层识别方法
发布时间：2021-02-25 09:41
采用量子自组织网络方法,解决油田测井解释中的水淹层识别问题.首先,构造储层特征指标集,包括测井曲线的序列指标和单个数值指标.对序列指标先采用离散Walsh滤波方法去除噪声,然后取均值,再与其他单个数值指标一起构造储层特征向量.其次,将储层特征向量转化为量子态描述,提交量子自组织网络实施聚类.最后将聚类收敛后的网络作为水淹层识别的数学模型,应用于油田相似区块的水淹层识别中.仿真实验结果表明,该方法正确识别率比传统自组织聚类方法高6%.
【文章来源】：吉林大学学报(理学版). 2020,58(04)北大核心
【文章页数】：9 页
【部分图文】：
CSON的训练结果
本文采用基于Bloch球面旋转的量子自组织网络模型[21], 其输入和竞争层权值均采用Bloch球面描述的量子比特. 以竞争层C=m2个节点为例, 网络模型如图1所示.根据量子计算原理, 量子比特 |φ? 的Bloch球面坐标(x,y,z)可通过投影测量获得, 测量方法采用Pauli矩阵实现, 表示为
仿真实验采用MATLAB工具, 编程实现QSON算法, 对辽河油田某区块23口井共258个储层进行水淹级别聚类仿真, 其中超强水淹15个、 强水淹89个、 中水淹83个、 弱水淹59个、 未水淹12个. 这些小层的测井曲线共包含35 424个离散数据点, 数据点的空间分布形态如图2所示.根据油藏开发实际情形划分小层的水淹级别共为5种类型: 特强水淹(编码为0)、 强水淹(编码为1)、 中水淹(编码为2)、 弱水淹(编码为3)、 未水淹(编码为4). 该区块某井部分原始样本数据列于表1. 该井共有7个小层, 其中第2～8列为测井曲线数据, 第9,10两列为单个数值. 为简便, 表1中每个小层分3行显示, 第一行和第三行分别表示该小层各测井曲线的顶深和底深数据, 第二行用省略号表示该小层的其他数据.
【参考文献】：
期刊论文
[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神经网络的谱图形态提取在水淹评价中的研究[J]. 张方舟,佘天威,孙永颖,韩乐. 计算机与数字工程. 2017(08)
[3]BP神经网络在低孔渗储层水淹层识别中的应用[J]. 牟立伟,张美玲,颜旭. 当代化工. 2016(07)
[4]神经网络技术在复杂断块油藏水淹层评价中的应用[J]. 张学磊,沈楠,樊茹,张守良,唐玮. 复杂油气藏. 2015(03)
[5]基于Bloch球面旋转的量子自组织网络聚类算法[J]. 杨淑云,李盼池. 系统仿真学报. 2015(05)
[6]基于K均值聚类的定位算法分析[J]. 李炜. 广西工学院学报. 2012(03)
[7]模糊聚类神经网络技术在识别水淹层中的应用[J]. 李武广,杨胜来,廖长霖,王欣,娄毅. 天然气勘探与开发. 2012(02)
[8]基于主成分分析的离散过程神经网络水淹层动态预测方法[J]. 钟仪华,李榕,张志银,朱海双. 测井技术. 2010(05)
[9]过程神经网络在厚层细分水淹解释中的应用[J]. 宋延杰,杨艳,杨青山,马宏宇. 测井技术. 2009(04)
[10]基于最邻近聚类和向量模糊c-均值的混沌预测[J]. 刘福才,马丽叶. 系统工程与电子技术. 2007(12)
博士论文
[1]基于统计学习的油藏水淹层的识别技术[D]. 尚福华.哈尔滨工业大学 2007
本文编号：3050784
【文章来源】：吉林大学学报(理学版). 2020,58(04)北大核心
【文章页数】：9 页
【部分图文】：
CSON的训练结果
本文采用基于Bloch球面旋转的量子自组织网络模型[21], 其输入和竞争层权值均采用Bloch球面描述的量子比特. 以竞争层C=m2个节点为例, 网络模型如图1所示.根据量子计算原理, 量子比特 |φ? 的Bloch球面坐标(x,y,z)可通过投影测量获得, 测量方法采用Pauli矩阵实现, 表示为
仿真实验采用MATLAB工具, 编程实现QSON算法, 对辽河油田某区块23口井共258个储层进行水淹级别聚类仿真, 其中超强水淹15个、 强水淹89个、 中水淹83个、 弱水淹59个、 未水淹12个. 这些小层的测井曲线共包含35 424个离散数据点, 数据点的空间分布形态如图2所示.根据油藏开发实际情形划分小层的水淹级别共为5种类型: 特强水淹(编码为0)、 强水淹(编码为1)、 中水淹(编码为2)、 弱水淹(编码为3)、 未水淹(编码为4). 该区块某井部分原始样本数据列于表1. 该井共有7个小层, 其中第2～8列为测井曲线数据, 第9,10两列为单个数值. 为简便, 表1中每个小层分3行显示, 第一行和第三行分别表示该小层各测井曲线的顶深和底深数据, 第二行用省略号表示该小层的其他数据.
【参考文献】：
期刊论文
[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神经网络的谱图形态提取在水淹评价中的研究[J]. 张方舟,佘天威,孙永颖,韩乐. 计算机与数字工程. 2017(08)
[3]BP神经网络在低孔渗储层水淹层识别中的应用[J]. 牟立伟,张美玲,颜旭. 当代化工. 2016(07)
[4]神经网络技术在复杂断块油藏水淹层评价中的应用[J]. 张学磊,沈楠,樊茹,张守良,唐玮. 复杂油气藏. 2015(03)
[5]基于Bloch球面旋转的量子自组织网络聚类算法[J]. 杨淑云,李盼池. 系统仿真学报. 2015(05)
[6]基于K均值聚类的定位算法分析[J]. 李炜. 广西工学院学报. 2012(03)
[7]模糊聚类神经网络技术在识别水淹层中的应用[J]. 李武广,杨胜来,廖长霖,王欣,娄毅. 天然气勘探与开发. 2012(02)
[8]基于主成分分析的离散过程神经网络水淹层动态预测方法[J]. 钟仪华,李榕,张志银,朱海双. 测井技术. 2010(05)
[9]过程神经网络在厚层细分水淹解释中的应用[J]. 宋延杰,杨艳,杨青山,马宏宇. 测井技术. 2009(04)
[10]基于最邻近聚类和向量模糊c-均值的混沌预测[J]. 刘福才,马丽叶. 系统工程与电子技术. 2007(12)
博士论文
[1]基于统计学习的油藏水淹层的识别技术[D]. 尚福华.哈尔滨工业大学 2007
本文编号：3050784
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3050784.html
