E-mail Alert Rss
 

物探与化探, 2024, 48(4): 1045-1053 doi: 10.11720/wtyht.2024.1524

方法研究·信息处理·仪器研制

基于前馈神经网络井控多属性融合的断裂识别方法

赵军,, 冉琦, 朱博华,, 李洋, 梁舒瑗, 常健强

中国石化石油物探技术研究院,江苏 南京 211103

A method for identifying faults based on well-controlled multi-attribute fusion using a feedforward neural network

ZHAO Jun,, RAN Qi, ZHU Bo-Hua,, LI Yang, LIANG Shu-Yuan, CHANG Jian-Qiang

Geophysical Research Institute, SINOPEC, Nanjing 211103, China

通讯作者: 朱博华(1987-),男,高级工程师,主要从事地震解释与储层预测综合研究工作。Email:zhubohua1987@163.com

第一作者: 赵军(1995-),男,工程师,2020年硕士毕业于中国地质大学(武汉),主要从事地震资料综合解释工作。Email:529678168@qq.com

责任编辑: 王萌

收稿日期: 2023-12-1   修回日期: 2024-01-14  

基金资助: 中国石化科技攻关项目“顺北深层断溶体油藏描述及可采储量定量表征”(P21064-1)

Received: 2023-12-1   Revised: 2024-01-14  

摘要

塔里木盆地碳酸盐岩断控缝洞型油气藏埋藏深度大、构造复杂,且断裂高度发育,断裂是研究区域内成藏主控因素及可能的油气运移通道,对其空间展布位置及发育强弱的预测至关重要。断裂检测属性众多,不同断裂检测属性由于计算方法不同表征的断裂尺度及特征存在一定的差异性,且常规属性检测忽视了测井信息的利用与约束,为了获取更加全面、准确的断裂预测结果,本文优选多类断裂检测属性,并结合测井数据作为先验信息,利用前馈神经网络算法进行属性融合。首先优选AFE、likelihood、倾角等多类具有不同特征的断裂属性,结合测井放空漏失数据、成像测井信息及地震同相轴错段情况作为断裂发育类型判别条件建立了断裂特征识别样本库;在样本库基础上进行深度前馈神经网络训练,对比测试了不同隐含层深度条件下的学习效果,获取预测误差最小的神经网络预测模型;最后将神经网络预测模型应用于全工区断裂预测。经对比分析,认为深度学习融合属性预测断裂与测井解释结果更为吻合,且能综合不同尺度特征的断裂信息,有效提升了预测准确度和可靠性。

关键词： 断裂检测; 井控; 属性融合; 前馈神经网络; 缝洞型油气藏

Abstract

The fault-controlled fractured-vuggy carbonate reservoirs in the Tarim Basin exhibitconsiderable burial depths, complex structures, and highly developed faults. Faults serve asa dominant factor controlling oil and gas accumulation and possible hydrocarbon migration pathways in the study area. Hence, it is critical to predict their spatial distributions and sizes. There existvariousfault detection attributes, which characterize fault scales and features differently due totheir different calculation methods.Moreover, conventional attribute detection ignores the use and constraints of logs. For more complete and accurate fault prediction results, this study selected multiple fault detection attributes for fusion using the feedforward neural network algorithm, with logs as prior information. First of all, a sample database for fault feature identification was established using fault attributes (like AFE, likelihood, and dip angle) with distinct characteristics anddiscrimination criteria of fault types, including lost circulation data, imaging logs, and seismic event dislocations.The deep feedforward neural network was trained based on the sample database.A neural network prediction model with a minimum prediction error was obtained by comparing and testing the learning effects under different hidden layer depths. Finally, the neural network prediction model was applied to the fault prediction of the study area. The comparative analysis reveals thatthe fault prediction using deeplearning-based fused attributesyielded prediction results more consistent with the log-based interpretation results, and could synthesize the information of faults with different scale characteristics, thus effectively improving the prediction accuracy and reliability.

Keywords： fault detection; well control; attribute fusion; feedforward neural network; fractured-vuggy reservoir

PDF (3756KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

赵军, 冉琦, 朱博华, 李洋, 梁舒瑗, 常健强. 基于前馈神经网络井控多属性融合的断裂识别方法[J]. 物探与化探, 2024, 48(4): 1045-1053 doi:10.11720/wtyht.2024.1524

ZHAO Jun, RAN Qi, ZHU Bo-Hua, LI Yang, LIANG Shu-Yuan, CHANG Jian-Qiang. A method for identifying faults based on well-controlled multi-attribute fusion using a feedforward neural network[J]. Geophysical and Geochemical Exploration, 2024, 48(4): 1045-1053 doi:10.11720/wtyht.2024.1524

0 引言

塔里木盆地奥陶系碳酸盐岩断控缝洞型油气藏具有埋藏深度深、非均质性强、走滑断裂高度发育的特点[1-2],区域内经历多期运动改造,伴生了大量次级断裂及微小裂缝,形成了较为复杂的断裂体系[3]。断裂是区域内缝洞型储层成藏的主控因素,并且可能作为沟通深部烃源岩与储层的油气运移通道,因此断裂识别对于研究区域储层构造成因机制、了解油气藏空间展布规律以及制定勘探开发方案具有重要意义[4⇓-6]。利用地震敏感属性识别断裂是常用的技术手段,在实际资料应用中取得了较好的效果,但也存在一些明显的问题,例如不同敏感属性表征尺度不一、井震吻合率不高等。搜集各个尺度属性信息综合预测断裂结构、使预测结果与钻井资料能够较好吻合,是目前研究的重点。

针对断裂预测工作,发展了多种地震属性识别方法,前人从正演模型分析[7]、断裂增强解释性处理[8-9]、识别算法改进[10-11]等多个方面都开展了较为详细的研究。王震等[12]应用梯度结构张量刻画断溶体轮廓,融合反演孔隙度及蚂蚁体属性表征其内部溶洞及断裂发育特征,形成了一套断溶体精细刻画技术;梁志强[13]分析了大尺度、中尺度和小尺度3种不同尺度断裂—裂缝的类型、成因及地质特征,利用多尺度相干、多尺度曲率以及likelihood属性提出针对不同级别裂缝的叠后地震预测技术序列;刘群等[14]应用精细相干及蚂蚁体断裂检测技术对塔河油田南部斜坡区断裂进行了检测并开展断控型油藏预测研究,有效总结出区域内油气富集模式;卢志强等[15]利用不同时窗相干体属性结合AFE线性增强技术,在顺北油气田奥陶系断裂刻画中取得了良好的应用效果。地震属性断裂识别方法着重于识别断裂空间位置,对断裂发育规模、发育类型等特征缺少定量化表征。

单一地震属性受限于属性本身的特征,存在尺度、精度上的局限性,多属性融合能够有效消除这种局限性,取得更为准确、综合性的预测结果[16⇓⇓-19]。薄昕等[20]提出了基于脉冲耦合神经网络(PCNN)和拉普拉斯金字塔变换的多属性融合方法,将多种属性分解为多尺度空间频带进行聚类分析并融合,实现了对储层裂缝的综合预测;陈国飞等[21]提出一种基于“优势”频率数据体的属性融合断层识别方法,从地震分频数据中获取有利于断层刻画的“优势频率”,从优势频率单频数据体提取相干、倾角及方位角信息,基于HIS变换融合属性实现断层高精度识别,在L油田应用并取得显著效果;喻颐等[22]将蚂蚁自动追踪算法结合分频RGB多属性融合技术应用于中台山地区须家河组致密砂岩断裂预测中,有效识别出低序级断层的分布特征;曹磊等[23]依据火山岩“低频强振幅”的特点,提取10 Hz单频地震体、纹理对比属性和最大振幅,平面及剖面上分别采用RGB、HSV融合方法进行属性融合,突出识别火山通道边界;李占东等[24]利用多次迭代及分级属性融合技术,结合反演结果,开展研究区主力单元河道砂体刻画工作,总结出“属性定性,反演控界”的方法体系,增加了河道预测的准确性。利用多类地震属性进行属性融合能够反映不同尺度的断裂信息、实现更加综合且精确的预测结果,而常规的属性融合方法往往只考虑了不同频段数据的特征,忽略了测井数据的约束。

目前机器学习、深度学习等技术在地球物理储层预测领域得到了较为广泛的应用[25⇓⇓⇓-29]。蔡国刚等[30]在岩心分析的基础上,通过机器学习构建了平均绝对振幅、能量半时和波谷数3类地震属性与砂体厚度的关系,有效识别扇三角洲沉积相展布;杨丽娜等[31]利用神经网络建立裂缝强度曲线与常规测井曲线的关系,在此基础上根据机器学习多属性融合方法对研究区内裂缝发育强度进行了精确预测;史长林等[32]结合多种地震属性及测井数据,利用LightGBM、XGBoost、随机森林、LSTM、支持向量机5种机器学习方法开展了储层孔隙度、渗透率、含油饱和度等参数的预测及对比分析,相比常规反演提高了预测精度和效率。

碳酸盐岩缝洞型储层在钻井过程中常出现钻井液放空漏失现象,是钻遇洞穴储集体或裂缝的标志,反映了地下真实地质情况。漏失往往代表着孔缝或裂缝型储层发育,漏失量的大小从一定程度上反映裂缝规模大小,而目前断裂预测过程中大多忽视了这类钻井信息的充分利用,造成井震数据吻合性差、断裂预测效果不全面、不精确。针对这一问题,本文引入前馈神经网络算法,融合多种断裂识别属性,同时结合井上放空漏失等钻井信息,提出了一种井控多属性融合的断裂识别方法。首先分析不同尺度断裂属性特征,结合漏失情况、成像测井资料,判断断裂发育类型,提取钻井样点处多类属性值作为输入项,将定义的断裂类型作为输出项,形成训练集数据;构建前馈神经网络模型,对训练集数据进行学习,获取符合测井先验信息的预测模型,建立起属性与断裂类型间的相关关系;最后依据预测模型对研究工区进行断裂预测,得到井震吻合性高的断裂预测结果(图1)。该方法有效融合了各类属性特征,同时加入钻井数据作为先验信息约束,提高了井震吻合度,能够实现断裂精细化表征及预测,具有较好的实际应用前景和推广价值。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   前馈神经网络井控多属性融合技术流程

Fig.1   Flow chart of well-controlling attribute fusion using feedforward neural network


1 前馈神经网络基本原理

常规属性融合方法受限于表征地震属性体本身特征,难以加入测井、人工解释等先验约束信息,利用深度学习算法能够有效解决这一问题。

深度前馈神经网络(deep feedforward neural network,DFNN)擅于模拟复杂非线性关系,是一种较为典型的神经网络模型[33-34],也被称为多层感知机。前馈神经网络包括输入层、若干隐藏层以及输出层,输入层接收原始数据输入,隐藏层对输入数据进行一定的变换以及特征提取,输出层则根据隐藏层的结果输出模型预测值。每个层由若干个神经元组成,每个神经元的权重通过反向传播算法来迭代优化。如图2所示为深度前馈神经网络结构示意。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   深度前馈神经网络结构示意

Fig.2   Structure diagram of deep feedforward neural network


前馈神经网络通过下面公式进行信息传播:

z(l)=W(l)·a(l-1)+b(l),a(l)=fl(z(l)),

通过逐层的信息传递,得到网络最后的输出a(l),其中l表示神经网络的层数,fl表示l层神经元的激活函数,W(l)表示l-1层到第l层的权重矩阵;b(l)表示l-1层到第l层的偏置,z(l)表示l层神经元的净输入(净活性值),a(l)表示l层神经元的输出。整个网络可以看作一个复合函数,将向量x作为第1层的输入a(0),将l层的输出a(l)作为函数的输出。

考虑用梯度下降法来进行参数学习,采用交叉熵损失函数,对于样本(x,y),其损失函数为:

τ(y,y∧)=-yTlogy∧,

其中y∈0,1C是标签y对应的向量表示,C是类别个数。

使用反向传播算法计算损失函数对参数的偏导数,基于误差反向传播算法的前馈神经网络训练过程可以分为以下3步:

1)在前向传播时计算每一层的净输入z(l)和激活值a(l),直至最后一层;

2)用误差反向传播计算每一层的误差项δ(l):

δ(l)=f'l(z(l))(W(l+1))Tδ(l+1),

3)计算每一层参数的偏导数,并更新参数,

∂τ(y,y∧)∂W(l)=δ(l)(a(l-1))T,∂τ(y,y∧)∂b(l)=δ(l)。,

2 断裂特征识别模式建立

2.1 区块概况

研究区位于塔里木盆地中部的顺托果勒低隆起带上,区域内中、下奥陶统致密碳酸盐岩储层受走滑断裂带挤压、拉张等多期构造破裂运动,发育了不同尺度、不同性质的断裂,形成了一套埋藏深度大、内部非均质性强、地质构造十分复杂的裂缝—洞穴型储层。工区内共有钻井16口,钻遇较大规模裂缝时会出现放空、漏失现象,钻遇小裂缝时也可能出现一定程度漏失。如何合理利用此类信息,指导预测断裂发育位置、发育规模,从而进一步了解储层地质结构、预测放空漏失,是研究的关键问题。

2.2 模式建立

断裂识别属性众多,相干体技术对于识别岩层横向非均一性具有较好效果,第3代本征相干算法在计算相干体时,先选择一个3维分析时窗,该时窗在3维数据体中移动,每个样点对应的协方差矩阵特征值的数量和相对大小可以定量化地描述数据体变化程度。AFE(自动断层提取)首先对相干体数据进行线性增强,即在相干体时间切片上进行图像增强处理来消除由于采集原因所形成的条带噪声,然后做断层增强处理,能够消除那些在时间切片上非断层引起的线性条带,留下来的线性增强条带就是对断层或裂缝的反映。倾角属性在地震数据梯度矢量的基础上,寻找地震数据变化最大的方向,从而获取地层视倾角。纹理、Likelihood等属性在计算方法上存在一定差异,也能从地球物理角度有效表征地层错断情况。不同属性存在各自特色,反映了不同地震响应特征,因此本文对比了多种类型的断裂属性进行测试优选。

断裂属性优选原则包括:①断裂属性响应特征与地震识别模式匹配良好;②属性刻画的走滑断裂形态稳定;③断裂带内外属性强弱存在明显差异;④断裂属性刻画的断裂面清晰、干脆。为了把反映不同级别断裂的不连续属性都考虑进来,在遵循这4项属性优选原则的基础上,尽量选取了具有一定差异性且能反映不同级别裂缝的属性,本文优选出了5种属性,包括表征较大尺度地层错断特征的AFE属性;表征中小尺度地层错断特征的Likelihood及相干属性;表征地层弯曲特征的纹理属性及倾角属性。属性优选保证了样本点数据的有效性和多样性,为深度学习提供了有利的基础。

在优选断裂属性的基础上,进一步建立了断裂特征识别库。将能够反映真实地质情况的放空漏失数据、成像测井信息作为主要判别因素,反映地震异常情况的5种断裂属性值作为次要判别因素,依据定性显示与定量值域划分相结合的判别原则,对26个井上样本点进行断面分类,明确了大断面(指定数值2)、小断面(指定数值1)、非断面(指定数值0)3种断裂类型(表1)。

表1   断面类型判定原则

Table 1  Classify principle of fracture type

判别因素定性显示或定量值域组合
放空漏失情况(主要)放空、漏失量
大于30m3		2(大断面):满足3个以上判别因素且至少包含1个主要因素
1(小断面):满足1到2个判别因素且至少包含1个主要因素
0(非断面):主要因素=0项
成像测井情况(主要)显示断面
AFE(次要)100~255
相干(次要)-128~0
Likelihood(次要)0.3~1.0
纹理(次要)>5
倾角属性(次要)>5

新窗口打开| 下载CSV


断裂属性值读取采用构建过井属性曲线、提取样点属性值的方式,将5类属性体提取过井曲线,进而对漏失点进行标定。以图3样本点为例,A井在ls_2漏失点处5类属性值分别为255、-90、0.95、7.94、16.33,地震响应显示为裂缝型储层,漏失量为1.68 m3,符合大断面判定原则,标定其断面类型为2;B井在ls_2漏失点处5类属性值分别为0、117、0、0.76、5.69、0,漏失量为27.37 m3,符合非断面判定原则,标定其断面类型为0;B井在ls_3漏失点处5类属性值分别为0、-43、0.79、3.59、6.53,地震响应显示为裂缝型储层,漏失量为72.96 m3,符合大断面判定原则,标定其断面类型为2。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   样本点过井A井(a)和B井(b)剖面

Fig.3   Sample point seismic profile across well A (a) and well B (b)


依据以上判定原则,分析了研究区内26个样点的地震剖面特征、属性特征、漏失量情况等,对裂缝储层级别进行划分,建立了断裂特征识别库,如表2所示为部分样本点统计数据,将26个样点的属性特征值作为输入模型开展模型训练及学习过程。

表2   部分样本点属性值及断面类型参数

Table 2  Attribute values and fracture type of partial sample points

样本点AFE相干likelihood纹理倾角
属性		断面类型
A井ls_2255-900.957.9416.332
B井ls_2011700.765.690
B井ls_30-430.793.596.532
C井ls_106000.671.711
D井ls_1010900.751.70
D井ls_255.99-3903.425.262

新窗口打开| 下载CSV


3 神经网络模型训练

在构建好断裂特征识别库的基础上,将识别库26个样本点数据加入前馈神经网络模型中,将不同类型属性特征值作为输入数据,断面类型作为输出数据,进行网络模型预测,建立起两者间的相关关系。

由于不同断裂属性值域存在较大差异,在构建训练模型之前首先对数据进行预处理,即根据式(5)对数据作归一化。x为其中一类属性值数组,xmin为数组最小值,xmax为数组最大值,xi代表第i个数据,xk是xi归一化后的值。

xk=xi-xminxmax-xmin 。

随机抽取21个样本点作为训练数据集(train set)进行神经网络训练,其中包含了部分验证数据集(validation set),用于优化模型参数、验证模型误差,其余5个样本点作为测试数据集(test set),对训练模型精度及有效性进行评估。影响网络预测模型精度的参数包括隐含层个数、隐含层节点数、最大迭代次数、泛化能力检查指标等,本文对这些主要参数做了测试优化,最终确定了神经网络最优参数。参数测试优化过程中,利用验证数据集预测均方误差MSE以及测试数据集预测相关系数作为评价指标,判断预测模型的有效性,均方误差越小、相关系数越接近1,代表拟合效果越好,网络模型有效性越高。

表3为DFNN神经网络隐含层层数分别为2层、3层、4层、5层、6层时测试结果,当隐含层为3层时,均方误差MSE最小,相关系数最高。当隐含层数由2层变为3层时,均方误差减小,相关系数增大,而当隐含层数由3层变为4、5、6层时,均方误差呈增大趋势,相关系数逐渐减小,证明当隐含层深度为3层时能够取得最好的预测效果。因此最终选择隐含层个数为3层、隐含层节点数为15个、最大迭代次数为1 000次进行神经网络模型训练。如图4所示为最终的模型训练误差曲线,总迭代次数为889次,在第883次迭代时误差达到稳定,均方误差为0.003 7,实现了较高质量的神经网络模型预测,有较好的预测可行性。

表3   DFNN不同隐含层深度测试效果统计

Table 3  DFNN test statistics of different hidden layer depths

DFNN深度均方误差MSE相关系数
2层0.02940.8415
3层0.00370.9891
4层0.0120.9471
5层0.03150.8758
6层0.07890.7886

新窗口打开| 下载CSV


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   DFNN模型训练误差曲线

Fig.4   DFNN model training error curve


4 实际资料应用

将整个研究区代表不同尺度大小、不同特征的5类属性数据体作为输入数据加入到构建好的神经网络模型中,输出融合断裂属性,从而得到研究区整体断裂预测结果。

如图5所示为工区内E井过井轨迹地震剖面及各类属性剖面,E井未参与网络模型训练,在储层段出现漏失现象,属裂缝型储层。AFE属性刻画的断裂规模较大,断裂连续性好但缺少细节,与井上漏失点位置偏差较大;相干属性及likelihood属性补充了更多中小尺度信息,但与漏失点位置存在一定偏差;纹理属性和倾角属性侧重刻画地层弯曲形态,倾角属性相比纹理属性预测断裂形态更为合理,与漏失点位置吻合相对较好,但断裂连续性差、整体结构不够清晰。深度学习融合属性有效综合了5类属性尺度信息及特征,刻画出的断裂面连续,同时能够反映断裂强度差异(红色部分代表发育强度高的主断面位置),由于深度学习预测模型加入了测井放空漏失数据约束,融合属性刻画的断裂位置能与井上漏失点位置很好地吻合。综合而言,利用深度学习融合属性有效提升了断裂预测的准确性及可靠性。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   C井过井轨迹剖面

a—地震数据;b—AFE属性;c—相干属性;d—likelihood;e—纹理属性;f—倾角属性;g—深度学习融合属性

Fig.5   Cross well trajectory profile of well C

a—seismic data; b—AFE; c—coherent; d—likelihood; e—texture; f—dip; g—deep learning fusion attribute


如图6所示为各类属性在目的层段奥陶系一间房组顶面(T74)的沿层切片,AFE属性刻画主断裂形态干脆,但损失了较小尺度的断裂信息;相干体及likelihood属性刻画的断裂结构更明显,但不能直观反映断裂发育强弱;纹理属性和倾角属性刻画的断裂细节丰富但整体连续性差;深度学习融合属性刻画的断裂强弱主次分明,主断裂清晰连续,同时保留了小尺度地层破碎或弯曲变形的信息,更有利于次级断裂的判别。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   沿T74不同属性切片

a—AFE属性;b—相干属性;c—likelihood;d—纹理属性;e—倾角属性;f—深度学习融合属性

Fig.6   Attribute slices along T74

a—AFE; b—coherent; c—likelihood; d—texture; e—dip; f—deep learning fusion attribute


选取了工区内另外两口未参与模型训练的井,沿井轨迹提取其深度学习融合属性曲线,如图7所示,红色为测井解释裂缝储层段,F井与G井均在目的层段钻遇裂缝型储层, F井钻遇2段薄裂缝储层,距离近且发育位置较深;G井钻遇5段裂缝储层,部分储层段距离较远,发育位置更浅。在裂缝储层发育部位,融合属性曲线显示相对高值,进一步验证了模型预测的准确性。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   深度学习融合属性测井F井和G井评价

Fig.7   Deep learning fusion attribute logging evaluation of well F and well G


除本文研究区域外,在盆地内其他工区也做了相应的断裂检测工作,不同区域地质条件、储层发育状况不同,钻井漏失量大小存在一定差异,因此断面类型评判标准也需进行相对应的调整,才能得到较好的断裂识别结果。

5 结论

本文结合多类断裂属性及测井放空漏失信息建立了断裂发育规模判定标准,构建了较为全面的断裂特征识别模式,在此基础上利用前馈神经网络算法对该判别模式进行学习与训练,得到精确度较高的预测模型,应用于塔里木盆地奥陶系储层断裂检测中,取得了显著的效果。综合研究内容得到如下认识:

1)该方法充分利用了测井放空漏失信息进行断裂发育规模及尺度的判断,将测井数据作为神经网络学习先验信息及约束项,大幅度提升了断裂预测的真实性和可靠性,消除了单纯依靠断裂检测属性本身进行预测的不稳定性。

2)利用深度学习进行多属性融合能够克服单一属性预测的局限性,综合各类属性特征及多尺度信息,更加全面地预测断裂位置及断裂发育强弱。

3)实钻井资料表明,该方法应用于断裂定量化预测结果与实际测井资料吻合度更高,有效提升了井震匹配度。

该方法对同类型油气藏断裂检测工作具有一定参考意义,但网络模型不具备完全的可迁移性,扩展样本规模、提升网络模型自适应优化能力将是下一步重点研究方向。

参考文献

马永生, 蔡勋育, 云露, 等.

塔里木盆地顺北超深层碳酸盐岩油气田勘探开发实践与理论技术进展

[J]. 石油勘探与开发, 2022, 49(1):1-17.

DOI:10.11698/PED.2022.01.01      [本文引用: 1]

基于塔里木盆地顺北超深层碳酸盐岩油气田勘探开发实践,系统总结“十三五”期间勘探开发理论技术进展,为拓展该区勘探领域和国内外超深层海相碳酸盐岩勘探开发提供借鉴和启示。整体、动态剖析古老叠合盆地“成烃-成储-成藏”关键地质要素,指出顺北地区下寒武统玉尔吐斯组优质烃源岩在长期低地温背景下晚期持续生烃,是超深层赋存大规模液态烃的重要原因,构造相对稳定部位发育的多期活动走滑断裂是该区“控储、控藏”的重要因素;新认识指导勘探跳出南北两大古隆起,在相对低凹的顺托果勒地区实现规模油气发现。不断探索和实践沙漠区超深层碳酸盐岩地震勘探技术,创新集成了超深层碳酸盐岩地震采集、走滑断裂及缝洞体立体成像、走滑断裂带精细解析、断控缝洞体雕刻与量化描述、断控缝洞型圈闭描述与目标优选等技术系列。地质工程一体化深度融合,创新形成断控缝洞型油气藏的井轨迹空间优化、优快钻井、高效完井测试与储集体改造等配套技术,为顺北油气田勘探开发提供了重要技术支撑。

Ma Y S, Cai X Y, Yun L, et al.

Practice and theoretical and technical progress in exploration and development of Shunbei ultra-deep carbonate oil and gas field,Tarim Basin,NW China

[J]. Petroleum Exploration and Development, 2022, 49(1):1-17.

[本文引用: 1]

王清华, 杨海军, 汪如军, 等.

塔里木盆地超深层走滑断裂断控大油气田的勘探发现与技术创新

[J]. 中国石油勘探, 2021, 26(4):58-71.

[本文引用: 1]

Wang Q H, Yang H J, Wang R J, et al.

Discovery and exploration technology of fault-controlled large oil and gas fields of ultra-deep formation in strike slip fault zone in Tarim Basin

[J]. China Petroleum Exploration, 2021, 26(4):58-71.

[本文引用: 1]

文山师, 李海英, 洪才均, 等.

顺北油田断溶体储层地震响应特征及描述技术

[J]. 断块油气田, 2020, 27(1):45-49.

[本文引用: 1]

Wen S S, Li H Y, Hong C J, et al.

Technology of seismic response characteristics and description of fault-Karst reservoir in Shunbei Oilfield

[J]. Fault-Block Oil & Gas Field, 2020, 27(1):45-49.

[本文引用: 1]

漆立新.

塔里木盆地顺托果勒隆起奥陶系碳酸盐岩超深层油气突破及其意义

[J]. 中国石油勘探, 2016, 21(3):38-51.

[本文引用: 1]

塔里木盆地顺托果勒隆起形成于加里东中期，早寒武世早期发育玉尔吐斯组斜坡—陆棚相烃源岩，早寒武世—中奥陶世发育了厚达3000m的碳酸盐岩沉积建造，多期海平面变化有利于形成暴露溶蚀型储层，同时加里东—海西期多期断裂发育，有利于裂缝发育和流体改造形成多类型储层，晚奥陶世沉积的巨厚泥岩可以作为区域盖层。该隆起下古生界发育完整的生储盖组合，是油气成藏有利地区。前期油气勘探主要集中在沙雅隆起与卡塔克隆起区，对深埋的顺托果勒隆起认识不足。通过深化基础研究，认识到顺托果勒隆起长期处于低地温背景，下寒武统烃源岩在喜马拉雅期仍处于凝析油—天然气生成阶段，具备形成晚期成藏的大型油气田的有利条件，寒武系—中下奥陶统碳酸盐岩是最主要的目的层系。在沙漠地区超深层地震技术攻关基础上优选目标实施钻探，取得了重大突破，勾勒出顺托果勒隆起大油气田的轮廓，有望实现塔中—塔北连片含油气格局。

Qi L X.

Oil and gas breakthrough in ultra-deep Ordovician carbonate formations in Shuntuoguole uplift,Tarim Basin

[J]. China Petroleum Exploration, 2016, 21(3):38-51.

[本文引用: 1]

焦方正.

塔里木盆地顺托果勒地区北东向走滑断裂带的油气勘探意义

[J]. 石油与天然气地质, 2017, 38(5):831-839.

[本文引用: 1]

Jiao F Z.

Significance of oil and gas exploration in NE strike-slip fault belts in Shuntuoguole Area of Tarim Basin

[J]. Oil & Gas Geology, 2017, 38(5):831-839.

[本文引用: 1]

胡再元, 孙东, 胡圆圆, 等.

断裂系统对碳酸盐岩储层的控制作用——以塔里木盆地塔中Ⅲ区奥陶系为例

[J]. 天然气地球科学, 2015, 26(S1):97-108.

DOI:10.11764/j.issn.1672-1926.2015.S1.0097      [本文引用: 1]

塔里木盆地塔中Ⅲ区断裂发育，从塔里木盆地区域应力场入手，利用三维地震资料，在断裂精细刻画的基础上，探讨了塔中Ⅲ区断裂系统对奥陶系碳酸盐岩储层的控制作用。塔中Ⅲ区主要发育4期断裂，分别是寒武纪—早奥陶世拉张断裂、中晚奥陶世挤压走滑断裂、志留纪—泥盆纪北东左旋扭张走滑断裂和二叠纪岩浆刺穿导致的断裂，断裂性质有逆冲、挤压走滑以及扭张走滑3类。勘探证实塔中Ⅲ区奥陶系主要发育颗粒滩相储层与缝洞型储层。利用均方根振幅属性结合断裂体系的精细解释，从平面上刻画了桑塔木组低部颗粒灰岩的平面展布，进而得到了下伏良里塔格组沉积相带的平面展布。利用振幅属性和AFE技术分别得到了奥陶系储层与断层破碎带的平面分布。断裂系统、沉积相、断层破碎带与储层的平面展布关系表明储层的发育与断裂密切相关：中晚奥陶世挤压走滑断裂控制了上奥陶统颗粒滩相带分布，挤压走滑断裂附近是有利的颗粒滩相储层发育区。多期走滑断裂控制断裂破碎带及岩溶带的发育，对碳酸盐岩储层的改造作用最为显著。走滑断裂及其伴生的破碎带附近裂缝比较发育，增加了储层的连通性和渗透性，并成为热液流体的优势运移通道，明显改善了缝洞型储层的储集能力。

Hu Z Y, Sun D, Hu Y Y, et al.

Controlling effect of fault system on carbonate reservoir—Taking Ordovician in Tazhong Ⅲ area of Tarim Basin as an example

[J]. Natural Gas Geoscience, 2015, 26(S1):97-108.

[本文引用: 1]

熊婷, 贾春明, 妥军军, 等.

基于正演模拟的最大似然法火山岩有效裂缝识别及预测

[J]. 特种油气藏, 2021, 28(5):30-36.

DOI:10.3969/j.issn.1006-6535.2021.05.005      [本文引用: 1]

针对准噶尔盆地西北缘车排子凸起火山岩有效裂缝识别和预测不清的问题,建立了3种断裂的地震正演模型,对比了基于相干、曲率和最大似然属性火山岩裂缝的识别效果,并基于最大似然方法,利用岩心和成像测井对有效裂缝的微观刻度三种方法对,将有效裂缝发育密度定量化。研究表明:最大似然属性火山岩断裂预测精度更高,对断裂发育带内裂缝发育细节成像效果更好;裂缝走向与现今最大主应力方向一致的高角度构造裂缝发育区更有利于火山岩油藏的形成;预测4个火山岩有效裂缝发育区的展布面积约为76 km2,可以作为下一步勘探的有利区。研究技术能够对火山岩有效裂缝进行精细刻画及预测,对火山岩有利目标的优选具有指导意义。

Xiong T, Jia C M, Tuo J J, et al.

Identification and prediction of effective fractures in volcanic rocks by maximum likelihood method based on forward modeling

[J]. Special Oil & Gas Reservoirs, 2021, 28(5):30-36.

[本文引用: 1]

董林, 宋维琪, 胡建林, 等.

动态时间规整的断层增强方法

[J]. 石油地球物理勘探, 2021, 56(3):574-582,414-415.

[本文引用: 1]

Dong L, Song W Q, Hu J L, et al.

A fault enhancing method based on dynamic time warping

[J]. Oil Geophysical Prospecting, 2021, 56(3):574-582,414-415.

[本文引用: 1]

张志伟, 刘军, 彭光荣, 等.

方向性边界保持相干增强技术在开平复杂地震资料中的应用

[J]. 物探化探计算技术, 2021, 43(3):311-316.

[本文引用: 1]

Zhang Z W, Liu J, Peng G R, et al.

Application of orientational edge preserving coherence enhancement technique in Kaiping complex seismic data

[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2021, 43(3):311-316.

[本文引用: 1]

张石磊, 胡志成, 付丽华.

基于高阶统计量的相干算法研究

[J]. 地球物理学进展, 2016, 31(4):1762-1766.

[本文引用: 1]

Zhang S L, Hu Z C, Fu L H.

New coherence algorithm based on higher order statistics

[J]. Progress in Geophysics, 2016, 31(4):1762-1766.

[本文引用: 1]

蔡涵鹏, 胡光岷, 贺振华, 等.

基于非线性变时窗相干算法的不连续性检测方法

[J]. 石油地球物理勘探, 2016, 51(2):371-375,209.

[本文引用: 1]

Cai H P, Hu G M, He Z H, et al.

Subtle discontinuity detection with nonlinear variable-time window coherency algorithm

[J]. Oil Geophysical Prospecting, 2016, 51(2):371-375,209.

[本文引用: 1]

王震, 文欢, 邓光校, 等.

塔河油田碳酸盐岩断溶体刻画技术研究与应用

[J]. 石油物探, 2019, 58(1):149-154.

DOI:10.3969/j.issn.1000-1441.2019.01.017      [本文引用: 1]

碳酸盐岩断溶体是近年来发现的一种重要的碳酸盐岩圈闭,常规断裂检测属性如精细相干、蚂蚁体等方法以表征断溶体内部断裂分布特征为主,不能很好地刻画断溶体圈闭的轮廓特征。引入梯度结构张量方法用于刻画断溶体的轮廓,并对其单一特征值及组合特征值进行断溶体轮廓刻画效果的对比分析。结果表明,梯度结构张量第二特征值的高值区域与断溶体的反射异常区域较为一致,其门槛值可利用实钻井的钻时曲线进行标定。在断溶体轮廓刻画的基础上,融合反演孔隙度数据体及蚂蚁数据体属性,表征其内部溶洞及断裂发育特征,由此形成一套刻画断溶体外部轮廓及内部结构的技术。塔河油田实际地震资料应用表明,该技术在刻画断溶体方面具有很好的效果,可直观体现断溶体在空间上发育的差异性,亦能刻画其内部缝洞结构。

Wang Z, Wen H, Deng G X, et al.

Fault-Karst characterization technology in the Tahe Oilfield,China

[J]. Geophysical Prospecting for Petroleum, 2019, 58(1):149-154.

DOI:10.3969/j.issn.1000-1441.2019.01.017      [本文引用: 1]

Fault-karst is an important type of trap that was recently discovered.Conventional fracture detection attributes,such as fine coherence and ant body,are mainly used to characterize fracture distribution inside the fault-karst instead of structural characteristics.This study uses gradient structure tensor to characterize the structural characteristics of fault-karst.The application effect of single eigenvalues and combined eigenvalues were analyzed in this paper.The results of contrastive analysis indicated that the high value region of the second eigenvalue is consistent with the reflection anomaly region of fault-karst,and its threshold value can be calibrated by using the drilling time curve.Based on the structural characterization using the proposed technique,porosity inversion and ant attribute can be used to characterize the caves and fractures inside the fault-karst.Therefore a set of techniques for describing the structure and internal structure of fault-karst were developed.Testing on field data showed that the proposed technique could reflect the structural spatial difference and the internal fracture hole.

梁志强.

不同尺度裂缝的叠后地震预测技术研究

[J]. 石油物探, 2019, 58(5):766-772.

DOI:10.3969/j.issn.1000-1441.2019.05.016      [本文引用: 1]

分析了大尺度、中尺度和小尺度3种不同尺度断裂裂缝的类型、成因和地质特点,总结并提出了这3种不同尺度裂缝的地球物理特征及其综合预测方法。多尺度裂缝地震预测技术主要利用多尺度相干、多尺度曲率以及Likelihood属性。研究认为:利用断面增强、多尺度相干、结构张量等多种属性方法可实现大尺度断裂裂缝的边界刻画和内幕识别;利用多尺度曲率加蚂蚁体的计算方法可获得不同级别的中尺度裂缝发育体的预测结果;利用叠后Likelihood属性可预测小尺度裂缝空间展布。最终形成了一套针对不同级别裂缝的叠后地震预测技术系列,并展示了应用该技术得到的3种不同尺度裂缝地震预测结果。

Liang Z Q.

Poststack seismic prediction techniques for fractures of different scales

[J]. Geophysical Prospecting for Petroleum, 2019, 58(5):766-772.

[本文引用: 1]

刘群, 李海英, 邓光校.

地震断裂检测技术在塔河油田南部碳酸盐岩储层及油藏预测中的应用

[J]. 石油与天然气地质, 2013, 34(2):202-206.

[本文引用: 1]

Liu Q, Li H Y, Deng G X.

Application of seismic fault detection to carbonate reservoir prediction in southern Tahe oilfield

[J]. Oil & Gas Geology, 2013, 34(2):202-206.

[本文引用: 1]

卢志强, 王力, 杨瑞召, 等.

基于相干的精细断裂刻画技术在顺北地区的应用

[J]. 天然气勘探与开发, 2018, 41(3):20-25.

[本文引用: 1]

Lu Z Q, Wang L, Yang R Z, et al.

Coherence-based fine characterization technology for fractures and its application to Shunbei Area

[J]. Natural Gas Exploration and Development, 2018, 41(3):20-25.

[本文引用: 1]

徐红霞, 沈春光, 李斌, 等.

多属性分析技术在碳酸盐岩断溶体预测中的应用

[J]. 石油地球物理勘探, 2017, 52(S2):158-163,8.

[本文引用: 1]

Xu H X, Shen C G, Li B, et al.

Application of multi-attribute analysis technology in prediction of carbonate fault solution

[J]. Oil Geophysical Prospecting, 2017, 52(S2):158-163,8.

[本文引用: 1]

李海英, 陈俊安, 龚伟, 等.

基于多属性融合叠前反演预测超深层断控储集体物性和流体性质

[J]. 石油物探, 2022, 61(3):543-555.

DOI:10.3969/j.issn.1000-1441.2022.03.015      [本文引用: 1]

顺北地区超深层断控储集体沿下古生界北东、北西走向单剪走滑断裂展布,主要储集空间为与走滑断裂相关的洞穴、构造高角度缝和沿缝溶蚀孔洞,埋藏深(大于7000m)、非均质性强。断控储集体空间位置的准确刻画、储集体内部的物性和流体性质的精确预测,是断控储集体油气藏勘探开发的重点和难点。首先利用测井解释成果,将测井曲线分类为储层相和致密相,然后根据叠后地震敏感属性分析结果提取井旁储层敏感地震属性,在井位处对敏感属性和岩相分类结果进行标定,制作标签。利用贝叶斯分类算法,建立断控储集体储层敏感属性的岩相概率分类量版,将多个地震敏感属性体转化为储层相概率体,并以概率的方式表征其空间展布特征。最后在储层相的控制下,根据岩石物理分析得到的认识,结合叠前同步反演结果预测出断控储集体储层物性和流体性质敏感数据体。研究结果表明,地震几何属性要比地震动力学和运动学属性更准确可靠地刻画断控储集体,多属性融合概率表征有助于储层的量化研究,形成了一套适用于顺北地区断控储集体精细描述的技术流程。

Li H Y, Chen J A, Gong W, et al.

Prediction of physical and fluid properties of ultra-deep fault-controlled reservoirs based on multi-attribute fusion prestack inversion

[J]. Geophysical Prospecting for Petroleum, 2022, 61(3):543-555.

[本文引用: 1]

陈更生, 谢清惠, 吴建发, 等.

地震多属性技术组合在泸州页岩气区块构造解释中的综合应用

[J]. 物探与化探, 2022, 46(6):1349-1358.

[本文引用: 1]

Chen G S, Xie Q H, Wu J F, et al.

Comprehensive application of the seismic multi-attribute technique combination in the tectonic interpretation of the Luzhou shale gas block

[J]. Geophysical and Geochemical Exploration, 2022, 46(6):1349-1358.

[本文引用: 1]

许献磊, 宋照国, 李泽华, 等.

基于GPR与ERT属性信息融合的综合物探方法研究

[J]. 地球物理学进展, 2022, 37(3):1330-1341.

[本文引用: 1]

Xu X L, Song Z G, Li Z H, et al.

Research on comprehensive geophysical prospecting method based on attribute information fusion of GPR and ERT

[J]. Progress in Geophysics, 2022, 37(3):1330-1341.

[本文引用: 1]

薄昕, 徐旺林, 陈小宏, 等.

基于局部熵的LP-PCNN多属性融合裂缝预测方法

[J]. 石油物探, 2022, 61(5):821-829.

DOI:10.3969/j.issn.1000-1441.2022.05.007      [本文引用: 1]

地震属性分析方法在储层裂缝预测方面是常见且有效的方法,但地震属性与裂缝之间往往是多元复杂的非线性关系,单属性分析的结果存在不稳定和多解性问题。为了更加全面、准确地预测储层裂缝特征,提出了一种基于拉普拉斯金字塔算法(LP)和脉冲耦合神经网络(PCNN)的多属性融合分析方法。通过属性分析提取并优选对裂缝敏感的多个单属性,引入拉普拉斯金字塔算法,在保护高频细节信息的前提下将各单属性分解为多尺度空间频带;利用PCNN模型强大的非线性处理功能对分解数据进行聚类特征分析;引入表征统计特性的局部熵(LE)对拉普拉斯金字塔的各个分解尺度进行融合。利用拉普拉斯金字塔重构算法得到最终多属性融合结果。实际地震资料测试结果表明,该方法不仅能够有效整合裂缝信息,更加全面地预测裂缝展布特征,而且能在一定程度上压制单属性中存在的冗余或错误信息,提高信噪比,对裂缝边界的刻画更加清晰。

Bo X, Xu W L, Chen X H, et al.

LP-PCNN multi-attribute fusion fracture prediction method based on local entropy

[J]. Geophysical Prospecting for Petroleum, 2022, 61(5):821-829.

DOI:10.3969/j.issn.1000-1441.2022.05.007      [本文引用: 1]

Fractures improve the reservoir space performance of oil and gas,and provide important channels for oil and gas migration.The degree of development and distribution of fractures affect the production volume and stability of tight sandstone reservoirs.Seismic attribute analysis is a common and effective method in reservoir fracture prediction;however,the relationship between seismic attributes and fractures is often multivariate,complex,and nonlinear.The results of single attribute analysis may be unstable and have multiple solutions,which make it difficult to predict reservoir fractures accurately.To predict reservoir fracture characteristics more comprehensively and accurately,a multi-attribute fusion method based on the Laplace pyramid (LP) algorithm and pulse-coupled neural network (PCNN) is proposed.Multiple single attributes which are sensitive to fractures were obtained based on seismic attribute analysis.To protect high frequency details,the LP algorithm decomposes each individual attribute into multi-scale spatial frequency bands.The powerful nonlinear processing function of the PCNN model is used to analyze the clustering characteristics of the decomposition data.When directly using the ignition frequency of each sampling point,attribute fusion shows one-sidedness and high sensitivity to edges.To avoid this,local entropy (LE),which represents statistical characteristics,is introduced to fuse each LP decomposition scales.The PCNN model has a powerful nonlinear processing function which couples the influence of surrounding neurons and suppresses redundant information within a single attribute.The final multi-attribute fusion result is obtained by reconstruction.The experimental results show that the proposed method can improve the signal-to-noise ratio,predict the fracture distribution characteristics more comprehensively and effectively,and delineate fracture boundaries more clearly.

陈国飞, 石颖, 杨会东, 等.

基于优势低频带地震数据的属性融合断层识别方法

[J]. 地球物理学报, 2023, 66(3):1232-1243.

[本文引用: 1]

Chen G F, Shi Y, Yang H D, et al.

Fault identification method of attribute fusion based on seismic optimized frequency of seismic data

[J]. Chinese Journal of Geophysics, 2023, 66(3):1232-1243.

[本文引用: 1]

喻颐, 杨广广, 吕龑, 等.

蚂蚁追踪与分频融合技术在低序级断层解释中的应用——以中台山须家河组致密砂岩气藏为例

[J]. 天然气勘探与开发, 2021, 44(4):100-106.

[本文引用: 1]

Yu Y, Yang G G, Lyu Y, et al.

An integrating technology of ant tracking and frequency division and its application to interpretation on low-order fault:Examples from Xujiahe tight sandstone gas reservoirs,Zhongtaishan Area,Sichuan Basin

[J]. Natural Gas Exploration and Development, 2021, 44(4):100-106.

[本文引用: 1]

曹磊, 蔡峰.

基于地震属性融合技术的火山通道识别研究

[J]. 地球物理学进展, 2021, 36(2):559-564.

[本文引用: 1]

Cao L, Cai F.

Recognition research of volcanic conduit based on seismic attribute fusion technology

[J]. Progress in Geophysics, 2021, 36(2):559-564.

[本文引用: 1]

李占东, 张丽双, 李阳, 等.

基于多次迭代属性融合技术的河道砂刻画——以大庆油田扶余油层Z区为例

[J]. 地球物理学进展, 2017, 32(3):1161-1168.

[本文引用: 1]

Li Z D, Zhang L S, Li Y, et al.

Channel sand characterization based on the fusion of multiple iterative attributes—A case study of Z area of Fuyu oil layer in Daqing oil field

[J]. Progress in Geophysics, 2017, 32(3):1161-1168.

[本文引用: 1]

闫星宇, 李宗杰, 顾汉明, 等.

基于深度卷积神经网络的地震数据溶洞识别

[J]. 石油地球物理勘探, 2022, 57(1):1-11,264.

[本文引用: 1]

Yan X Y, Li Z J, Gu H M, et al.

Identification of Karst caves in seismic data based on deep convolutional neural network

[J]. Oil Geophysical Prospecting, 2022, 57(1):1-11,264.

[本文引用: 1]

路鹏飞, 杜文龙, 李丽, 等.

基于VNet深度学习架构的低序级断层智能识别方法

[J]. 石油地球物理勘探, 2022, 57(6):1276-1286,1255.

[本文引用: 1]

Lu P F, Du W L, Li L, et al.

Intelligent recognition method of low-grade faults based on VNet deep learning architecture

[J]. Oil Geophysical Prospecting, 2022, 57(6):1276-1286,1255.

[本文引用: 1]

杨午阳, 杨佳润, 陈双全, 等.

基于U-Net深度学习网络的地震数据断层检测

[J]. 石油地球物理勘探, 2021, 56(4):688-697,669.

[本文引用: 1]

Yang W Y, Yang J R, Chen S Q, et al.

Seismic data fault detection based on U-Net deep learning network

[J]. Oil Geophysical Prospecting, 2021, 56(4):688-697,669.

[本文引用: 1]

颜世翠.

基于机器学习算法和属性特征双优选的砂体岩性预测方法

[J]. 油气地质与采收率, 2022, 29(1):98-106.

[本文引用: 1]

Yan S C.

Prediction method of sandstone lithology based on optimized machine learning algorithms and attribute features

[J]. Petroleum Geology and Recovery Efficiency, 2022, 29(1):98-106.

[本文引用: 1]

田建华, 朱博华, 卢志强, 等.

基于井控多属性机器学习的缝洞型储层预测方法

[J]. 油气地质与采收率, 2023, 30(1):86-92.

[本文引用: 1]

Tian J H, Zhu B H, Lu Z Q, et al.

Fracture-cavity reservoir prediction based on well-controlled multi-attribute machine learning

[J]. Petroleum Geology and Recovery Efficiency, 2023, 30(1):86-92.

[本文引用: 1]

蔡国刚, 杨光达, 周艳, 等.

机器学习驱动的地震多属性分析表征扇三角洲沉积

[J]. 科学技术与工程, 2021, 21(29):12454-12460.

[本文引用: 1]

Cai G G, Yang G D, Zhou Y, et al.

Sedimentary facies characterization of fan delta based on machine learning driven multi-seismic attributes analysis

[J]. Science Technology and Engineering, 2021, 21(29):12454-12460.

[本文引用: 1]

杨丽娜, 许胜利, 魏莉, 等.

碳酸盐岩储层裂缝智能预测技术及其应用

[J]. 大庆石油地质与开发, 2023, 42(4):131-138.

[本文引用: 1]

Yang L N, Xu S L, Wei L, et al.

Intelligent prediction technique and its application for carbonate reservoir fractures

[J]. Petroleum Geology & Oilfield Development in Daqing, 2023, 42(4):131-138.

[本文引用: 1]

史长林, 魏莉, 张剑, 等.

基于机器学习的储层预测方法

[J]. 油气地质与采收率, 2022, 29(1):90-97.

[本文引用: 1]

Shi C L, Wei L, Zhang J, et al.

Reservoir prediction method based on machine learning

[J]. Petroleum Geology and Recovery Efficiency, 2022, 29(1):90-97.

[本文引用: 1]

Purushothaman G, Karayiannis N B.

Quantum neural networks (QNNs):Inherently fuzzy feedforward neural networks

[J]. IEEE Transactions on Neural Networks, 1997, 8(3):679-693.

PMID:18255670      [本文引用: 1]

This paper introduces quantum neural networks (QNNs), a class of feedforward neural networks (FFNNs) inherently capable of estimating the structure of a feature space in the form of fuzzy sets. The hidden units of these networks develop quantized representations of the sample information provided by the training data set in various graded levels of certainty. Unlike other approaches attempting to merge fuzzy logic and neural networks, QNNs can be used in pattern classification problems without any restricting assumptions such as the availability of a priori knowledge or desired membership profile, convexity of classes, a limited number of classes, etc. Experimental results presented here show that QNNs are capable of recognizing structures in data, a property that conventional FFNNs with sigmoidal hidden units lack.

Benardos P G, Vosniakos G C.

Optimizing feedforward artificial neural network architecture

[J]. Engineering Applications of Artificial Intelligence, 2007, 20(3):365-382.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-3
版权所有 © 2021《物探与化探》编辑部
通讯地址：北京市学院路29号航遥中心 邮编：100083
电话：010-62060192；62060193 E-mail：whtbjb@sina.com , whtbjb@163.com