油气层识别文献调研

1.宋国宁,齐继光,张士杰,杨淮清,伊广林,吴付东,吴金丽,吕健儒.知识表达语言(NFA)及其在石油测井解释专家系统中的应用[J].信息与控制,1987(02):12-17.

石油测井解释的任务是：首先把测井数据（如地层的电阻率、自然电位、声波时差等等）转化为地质信息（如岩性、泥质含量、孔隙度、渗透率、含油饱和度等等），再参照地质观察，最后给出油气水的综合评价。

在解释过程中, 解释人员不仅要针对不同的岩性, 选择数百个表示地层特性的解释参数, 而且要使逻辑推理和数值计算交错进行前者为后者选择合适的计算公式或算法, 后者为前者提供判断依据，是非常复杂的智力活动。

模型包含两部分：一部分是成熟的经验，就是规则；一部分是各个专家所特有的非解析的直觉知识，即逻辑推理知识。

该文章介绍了知识表达语言NFA（Node-Function-Arguments）用来实现测井解释。所谓NFA语言，实际上就是程序化的规则表达，能将专家知识用规则来表示，该文介绍的系统实质上是一种基于规则的模型。该系统的知识库（规则库）中包含400余条基于专家经验的规则，在胜利油田运行2年，介绍了130多口井的测井曲线，评价的符合率为94.2%.

 

2.黄作华.测井解释专家系统[J].煤田地质与勘探 1991

该文章是一篇关于测井解释专家系统的综述文章，介绍了专家系统的结构和知识表示（语义网络，规则，逻辑），然后介绍了一些国内外的测井解释专家系统。

1. 国外的测井解释专家系统：地层倾角解释咨询系统，岩性模式识别专家系统，计算机辅助测井解释系统，岩石物性评价知识库系统。

2. 国内的测井解释专家系统：OWLI石油测井解释专家系统，LIX砂泥岩地层测井解释专家系统，SIES煤田测井解释专家系统

 

3.人工神经网络:测井解释新的希望——神经网络系列研究报告之一[J]. 周成当. 测井技术. 1993(01)

测井解释经历了从手工解释阶段进入计算机自动解释阶段之后, 又经历了建立在经验基础上的类手工解释阶段和建立在多元统计分析基础上的优化解释阶段, 如今又进入了基于成象技术的图象解释阶段。 当前, 测井解释的自动化程度, 特别是解释精度己提高到了相当高的程度, 然而面对飞速发展的现代工业社会对石油越来越大的需求, 建立在经验公式和线性假设基础之上的常规测井解释方法其精度和成功率还远远满足不了石油勘探与开发的要求。考虑到大地介质的高度非线性机器引起的测井响应关系的非线性，人们开始探索开发非常规的测井解释途径。

人工神经网络因其分布式的知识表示和较完善的自适应与学习功能而引起测井分析家的瞩目。它通过从例子中学习来获取知识通过分布式的知识表示与存储可以表达实际观测数据空间中存在的任意复杂性, 同时又避免了知识库建立、维护及更新方面的一系列难题。通过比较完备的动力学模型系统表达实际地层中的复杂动力学特性, 显示出了其强大的优势。近几年, 人们在人工神经网络测井解释应用方面做了大量尝试，并取得了初步成功。

 

4.测井曲线融合方法研究及其在分层中的应用[J]. 闫建平,蔡进功,赵铭海,郑德顺,隋鲁宁. 西安石油大学学报(自然科学版). 2008(06)

该文章介绍了测井曲线融合的方法，即给每一条所选的测井曲线赋予一个加权因子，综合提取多条测井曲线中所有有用的体现地层真实性的信息，融合出一条统一的无量纲的曲线，减少了单一观测资料中的偶然误差，提高了融合测井资料在地质分层应用中的可信度。

融合曲线尽管失去了各种原测井曲线的物理意义 ，但它却更好地体现 了各种测井曲线共性的变化 ，并且可靠地反映了产生这些变化的地质、岩性、流体等信息因素。

 

5. 神经网络在石油测井解释中的应用综述[J]. 赵军龙,李纲,麻平社,巩泽文,蒙灵飞,李甘. 地球物理学进展. 2010(05)

测井信息包含着丰富的地质信息，不同的测井系列和测井曲线从不同的角度来反映和揭示同一个地质对象特性．常规石油测井解释常常基于“四性关系”研究成果，建立储层参数转换模型，将测井信息转换成泥质含量、孔隙度、渗透率、含油饱和度等相关地质参数开展储层评价，但对于复杂岩性储集层、低渗特低渗及低阻等储层而言，将测井信息转化为储层参数及利用测井曲线开展储层评价往往存在多解性．

大量的勘探开发实践、理论及科研证实了地下储层的非均质性和测井对储层特性响应的非线性，因此从非线性测井响应中提取非均质性地层的储层特性日益成为测井分析家面对的前沿课题．神经网络技术是一门非线性智能信息处理技术，基于神经网络技术的石油测井解释不需要建立测井解释方程，不需要繁琐的参数选取工作，不需要对测井数据进行泥质和油气影响校正，既能利用数值信息、又能综合专家知识，解释范围和解释效率将有效提高．

与油气层识别相关的成果主要是储层流体性质识别：在油气层识别网络中，网络的输入信息均取地层的层特征值。首先建立研究区孔隙度和渗透率神经网络解释模型，并对各口井解释处理，得到了高精度孔隙度、渗透率预测曲线，然后利用自动分层取值法提取测井曲线和孔隙度曲线的层特征值，从中选取典型学习样本，建立油层、油水层、水层、干层4 种输出类型的神经网络识别模型，最后对待处理口井进行判别预测。