• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Nafta >Neural network prediction of porosity and permeability of heterogeneous gas sand reservoirs using NMR and conventional logs
【24h】

Neural network prediction of porosity and permeability of heterogeneous gas sand reservoirs using NMR and conventional logs

机译：基于核磁共振和常规测井的非均质气砂储层孔隙度和渗透率神经网络预测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Analysis of heterogeneous gas sand reservoirs is one of the most difficult problems. These reservoirs usually produce from multiple layers with different permeability and complex formation, which is often enhanced by natural fracturing. Therefore, using new well logging techniques like NMR or a combination of NMR and conventional openhole logs, as well as developing new interpretation methodologies are essential for improved reservoir characterization. Nuclear magnetic resonance (NMR) logs differ from conventional neutron, density, sonic and resistivity logs because the NMR measurements provide mainly lithology independent detailed porosity and offer a good evaluation of the hydrocarbon potential. NMR logs can also be used to determine formation permeability and capillary pressure. In heterogeneous reservoirs classical methods face problems in determining accurately the relevant petrophysical parameters. Applications of artificial intelligence have recently made this challenge a possible practice. This paper presents a successful application of Neural Network (NN) to predict porosity and permeability of gas sand reservoirs using NMR T2 (transverse relaxation time) and conventional open hole logs data. The developed NN models use the NMR T2 pin values, and density and resistivity logs to predict porosity, and permeability for two test wells. The NN trained models displayed good correlation with core porosity and permeability values, and with the NMR derived porosity and permeability in the test wells.%Analiza heterogenih le?i?ta plinonosnih pje??enjaka je jedan od najte?ih problema. Proizvodnja iz tih le?i?ta obi?no dolazi iz vi?estrukih slojeva razli?ite propusnosti i kompleksnih formacija, koje su ?esto poja?ane prirodnim pukotinama. Zbog toga je za bolje odre?ivanje osobina le?i?ta bitno kori?tenje novih tehnika karota?e, kao ?to je NMR ili kombinacija NMR i konvencionalne karota?e u nezacijevljenoj bu?otini, kao i razvoj novih metoda interpretacije. Karota?a nuklearnom magnetskom rezonancijom (NMR) razlikuje se od konvencionalne neutronske, karota?e gusto?e, akusti?ke i karota?e elektri?ne otpornosti. NMR mjerenja uglavnom pru?aju detaljne podatke o poroznosti neovisno o litologiji i daju dobru procjenu naftno-plinskog potencijala. U heterogenim le?i?tima klasi?ne metode se suo?avaju s problemima u sigurnom odre?ivanju relevantnih petrofizi?kih parametara. Primjena umjetne inteligencije nedavno je u?inila taj izazov mogu?im u praksi. Ovaj ?lanak prikazuje uspje?nu primjenu neuronske mre?e (NM) u predvi?anju poroznosti i propusnosti plinonosnih pje??enjaka, kori?tenjem NMR T2 (popre?no vrijeme opu?tanja) i podataka konvencionalne karota?e u nezacijevljenoj bu?otini. Razvijeni NN modeli koriste NMR T2 pin vrijednosti, karota?u gusto?e i karota?u elektri?ne otpornosti za predvi?anje poroznosti i propusnosti na dvije probne bu?otine.
机译：分析非均质气砂储层是最困难的问题之一。这些储层通常是由具有不同渗透率和复杂地层的多层生产的，通常通过自然压裂来增强。因此，使用新的测井技术（如NMR或NMR与常规裸眼测井的组合）以及开发新的解释方法学对于改善储层特征至关重要。核磁共振（NMR）测井曲线与常规中子，密度，声波和电阻率测井曲线不同，因为NMR测量主要提供了与岩性无关的详细孔隙率，并对烃潜力进行了很好的评估。 NMR测井曲线还可用于确定地层渗透率和毛细管压力。在非均质油藏中，经典方法在准确确定相关岩石物理参数方面面临问题。人工智能的应用最近使这一挑战成为可能。本文介绍了神经网络（NN）在使用NMR T2（横向弛豫时间）和常规裸眼测井数据预测气砂储层孔隙度和渗透率方面的成功应用。开发的NN模型使用NMR T2引脚值以及密度和电阻率测井曲线来预测两个测试井的孔隙度和渗透率。经NN训练的模型显示出与岩心孔隙率和渗透率值以及NMR得出的测试井中孔隙率和渗透率的良好相关性。Analizaheterogenih le？i？ta plinonosnih pje？enjaka jedan od najte？ih问题。 Proizvodnja iz tih le？i？ta obi？no dolazi iz vi？estrukih slojeva razli？ite propusnosti i kompleksnih formacija，koje su？esto poja？ane prirodnim pukotinama。 Zbog toga je za bolje odre？ivanje osobina le？i？ta bitno kori？tenje novih tehnika karota？e，kao？to je NMR ili kombinacija NMR i konvencionalne karota？e u nezacijevljenoj bu？otini。kao i核磁共振波谱（NMR），中子谱，核磁谱，电核谱和电磁谱。核磁共振波谱分析核磁共振波谱分析新波罗的海新石器时代与波托普鲁努纳夫诺－普林斯科格·波滕奇加拉。与异质性有关的问题与石油技术有关。 Primjena umjetne inteligencije nedavno je u？inila taj izazov mogu？im u praksi。 Ovaj？lanak prikazuje uspje？nu primjenu Neuronske mre？e（NM）u predvi？anju poroznosti i propusnosti plinonosnih pje ?? enjaka，kori？tenjem NMR T2（popre？no vrijeme opu？tanja？）奥蒂尼。拉兹维涅尼（Razvijeni）核磁共振NMR模型T2引脚vrijednosti，

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号