引用本文
陈科贵, 陈旭, 张家浩. 复合渗透率测井评价方法在砂砾岩稠油油藏的应用*——以克拉玛依油田某区八道湾组为例 . 2015, 30(7): 773-779
Chen Kegui, Chen Xu, Zhang Jiahao. Combined Methods of Permeability Logging Evaluate in Glutenite Reservoirs——A Case Study of Badaowan formation in Karamay Oilfield. Advances in Earth Science, 2015, 30(7): 773-779  
Permissions
Copyright©2015, 地球科学进展 编辑部
复合渗透率测井评价方法在砂砾岩稠油油藏的应用*——以克拉玛依油田某区八道湾组为例
陈科贵1, 陈旭1*,*, 张家浩2
1.西南石油大学地球科学与技术学院,四川 成都 610500
2.中石油新疆油田分公司勘探开发研究院,新疆 克拉玛依 834000
*通讯作者：陈旭（1990-）,男,四川南充人,硕士研究生,主要从事测井解释与储层评价研究.E-mail:jingjiuxi@qq.com

作者简介：陈科贵（1959-）,男,四川自贡人,教授,主要从事测井方法理论、测井储层评价技术与工程测井应用的研究.E-mail:chenkegui@21cn.com

基金:国家自然科学基金项目“四川盆地油钾兼探的地球物理评价方法研究”（编号：41372103）资助
摘要

砂砾岩储层孔隙结构复杂、非均质性强,在渗透率计算方面传统的测井解释方法误差较大,目前还没有经典的计算砂砾岩渗透率的测井解释模型。以克拉玛依油田某区八道湾组砂砾岩稠油油藏为例,首先在微观层面上分析了渗透率的主控因素。其次根据本地区的实际情况建立了3套渗透率测井解释方法：一是在前人研究基础上改进了多元回归模型;二是在岩性识别的基础上分不同岩性建立了渗透率模型;三是利用BP神经网络进行了渗透率的预测。最后对传统的经验公式与文中的3种方法进行检验。结果表明,比起传统的经验公式和多元回归模型,基于不同岩性的渗透率模型与BP神经网络在实际应用中效果更好,较大幅度地提高了测井解释精度,在非均质性强的砂砾岩油藏中具有更好的应用前景。

关键词: 砂砾岩; 渗透率模型; BP神经网络; 判别分析
中图分类号:P618.13 文献标志码:A 文章编号:1001-8166(2015)07-0773-07
Combined Methods of Permeability Logging Evaluate in Glutenite Reservoirs——A Case Study of Badaowan formation in Karamay Oilfield
Chen Kegui1, Chen Xu1, Zhang Jiahao2
1.School of Geoscience and Technology, Southwest Petroleum University, Chengdu 610500, China
2.Research Institute of Exploration and Development, PetroChina Xinjiang Oilfield Company, Karamay 834000, China
Abstract

Glutenite reservoir has complicated pore structure and strong heterogeneity and traditional logging interpretation methods often have nonignorable calculation errors in permeability evaluation. Thus, there is no classic model to calculate the permeability of glutenite. This Paper takes Badaowan group formation of Karamay Oilfield as an study example. Firstly, the main controlling factors of permeability were analyzed at the micro level. Secondly, three sets of permeability logging interpretation methods were built according to the study area’s situation: the first is the improved multivariate regression model based on the predecessors’ research; the second is the different permeability models of different lithology based on lithology idenjpgication; the third is the BP neural network. Finally the verification results showed that compared with the traditional empirical formula and the multivariate regression model, permeability model based on different lithology and the BP neural network had better effects in the practical application, with significant improvements in the precision of logging interpretation and better application prospects in strong heterogenous glutenite reservoir.

Keyword: Glutenite; Permeability model; BP neural network; Discriminant analysis.
1 引言

渗透率是衡量储层参数的一个重要指标, 在油田探勘开发中起着十分重要的作用, 但是渗透率难以通过传统测井方法直接获取, 一般通过建立其他岩石物理参数与渗透率的物理模型, 将测井方法可以直接测量的参数转换为渗透率[1]。对于单孔隙介质而言, 其孔隙空间主要为原生粒间孔隙, 均质性较好。最早对单孔隙砂岩油藏的研究发现, 在纯砂岩地层中, 渗透率与孔隙度具有如下关系[2]：

K = a· exp(bΦ ) (1)

式中：K为渗透率（10-3μ m2）, Φ 为孔隙度（％）, a和b为经验常数。

公式（1）为地区性经验公式, 其形式简单, 孔隙度可以直接利用测井数据求取, 在纯砂岩油藏等均匀地层中具有较强的应用性, 是计算渗透率的传统经验公式。然而砂砾岩油藏一般具有孔隙结构复杂、非均质性强等特点[3], 由于公式（1）仅用孔隙度作为计算参数, 没有考虑孔隙结构变化的影响, 难以满足砂砾岩储层渗透率计算的精度要求。

砂砾岩油藏的测井解释与储层评价在国内外石油勘探领域均属难题, 目前针对砂砾岩储层渗透率的计算主要采用分岩性建模[4~7]方法。如高博禹[4]等针对砾岩和砂砾岩, 分别采用孔隙度和自然电位变化幅度值建立了形如公式（1）的渗透率关系式; 张丽艳[5]、罗水亮等[6]针对不同岩性, 利用孔隙度和粒度中值进行多元回归, 建立渗透率解释模型：

lgK= D1+D2lgMd+D3lgΦ (2)

式中：K为渗透率（10-3μ m2）; Φ 为孔隙度（％）; Md为粒度中值（mm）; D1, D2和D3为经验常数。

本文针对克拉玛依某区八道湾组砂砾岩油藏特征, 在微观层面分析了渗透率的主要控制因素, 在此基础上利用多种统计方法和BP神经网络建立了3种渗透率测井解释模型, 以提高渗透率测井解释精度, 为储层评价与油田开发提供更为可靠的依据。

2 孔隙特征

八道湾组油藏埋深在211.2~713.1 m, 岩性以中细砂岩和砂砾岩为主, 含少量泥质砂岩、含砾砂岩、砾质砂岩和砾岩。20 ℃地面脱气油粘度在1× 105~1× 106mPa· s, 平均为86 344.62 mPa· s, 为典型的稠油油藏。根据物性分析资料, 储层孔隙度主要分布于15%~35%, 平均为21.7%, 渗透率主要分布于1× 10-3~4 000× 10-3μ m2, 平均为428× 10-3μ m2, 属于中高孔、中高渗储层。研究区储层岩石颗粒溶蚀现象显著, 孔隙类型为粒间溶孔为主, 占41.4%, 其次为原生粒间孔、方解石溶孔等; 碎屑颗粒支撑结构主要为颗粒支持, 孔隙连通性较好, 非均质程度较强（图1）。

图1 96XXX井粒间孔、粒间溶孔Fig.1 The intergranular pore and intergranular dissolved pore in 96XXX well

2.1 孔隙度对渗透率的控制作用

据岩心实验分析数据, 研究区岩心分析的渗透率与孔隙度呈正相关关系, 即随着孔隙度的增大渗透率也增大（图2）。

K = 0.01e0.387Φ R2=0.59 (3)

式中：K为渗透率（10-3μ m2）, Φ 为孔隙度（％）。

当研究区岩石孔隙度在25%~35%时, 渗透率绝大多数在500× 10-3~1 000× 10-3μ m2, 反映了孔隙度较大的岩石, 其孔隙结构较为单一, 渗透率受孔隙度控制明显; 而当孔隙度在7%~15%时, 相同孔隙度下砂砾岩与砂岩的渗透率差异可达2个数量级, 表明对于孔隙度较小的岩石, 渗透率既受孔隙度影响, 也受岩性的影响。如果利用公式（3）对研究区所有岩性地层的渗透率进行计算, 势必造成较大的误差。

图2 研究区孔隙度与渗透率的关系Fig.2 The relationship of porosity and permeability in the study area

2.2 喉道对渗透率的控制作用

岩石的微观孔隙系统由孔隙和喉道两部分组成, 一般而言, 岩石孔隙度取决于孔隙大小和分布, 而渗透率则受控于喉道大小及分布[8]。本文根据压汞实验资料[9]求取研究区八道湾组取心岩样的平均喉道半径、均值系数、孔喉体积比等反应岩样喉道分布、分选及连通性的参数。研究发现, 本区八道湾组岩石渗透率与平均喉道半径具有较好的双对数线性关系（图3a）。研究区砂岩孔隙度与平均喉道半径具有较好的单对数线性关系, 而砂砾岩的关系较差, 且在孔隙度相同的条件下, 砂砾岩的平均喉道半径普遍高于砂岩（图3b）。

图3 研究区孔隙度、渗透率与平均喉道半径的关系
（1）平均喉道半径与渗透率的关系; （b）孔隙度与平均喉道半径的关系Fig. 3 The relationship between porosity, permeability and the average throat radius in the study area(1)The relationship between average throat radius and permeability; (b) The relationship between porosity and average throat radius

为了进一步说明岩性差异对孔渗关系带来的影响, 本文选取了2组孔隙度相近的砂砾岩和砂岩样品进行对比（表1）。当孔隙度在7%左右时, 样品1砂砾岩的平均喉道半径是样品2中砂岩的1.56倍, 孔喉体积比为样品2的3/4, 说明样品1的喉道更为发育, 从而导致了在同等孔隙度下砂砾岩渗透率高出砂岩一个数量级。当孔隙度在25%左右时, 样品3砂砾岩与样品4中细砂岩的平均喉道半径、孔喉体积比相当, 喉道发育程度相近, 而此时渗透率差异较小。

表1 岩心样品参数表 Table 1 The parameters of core samples

分析原因在于, 研究区孔隙类型以溶蚀孔隙为主, 而砂砾岩的粗粒结构和含砾支撑结构有利于孔隙水的流动, 促进填隙物溶蚀和粒间溶孔的形成[10], 溶蚀作用产生的次生孔隙使孔喉间的连通性变好[11], 孔隙结构得以改善, 渗透性变好[12, 13]。由此可见, 微观上喉道对渗透率的控制作用, 在宏观上主要体现为岩性对孔渗关系的影响。

3 渗透率测井解释建模
3.1 多元回归模型

3.1.1 粒度反演

在描述碎屑沉积物粒度粗细时, 前人[5, 6]多采用粒度中值。粒度中值是指累积曲线上与累积百分含量为50%处相对应的粒径, 代表性较差。然而, 平均粒径Mz是累积曲线上与累积百分含量分别为16%, 50%和84%相对应的3个粒径的平均值, 在分选性较差的砂砾岩中更能正确地反映碎屑颗粒的集中趋势[14]。本文在建立研究区粒度与泥质含量的关系公式（4）时发现, 采用平均粒径建模的复相关系数为0.85, 比采用粒度中值建模的复相关系数0.67更高（图4）, 故采用平均粒径描述岩石粒度特征。

Mz = 14.05Vsh-1.65R2=0.85 (4)

式中：Mz为平均粒径（mm）, Vsh为泥质含量（%）。

图4 研究区平均粒径与泥质含量的关系Fig.4 The relationship between average particle size and shale contents in the study area

3.1.2回归建模

公式（2）是目前建立渗透率解释模型最常用的经验公式之一, 该公式在参数的选取上不仅包括对渗透率有决定因素的孔隙度, 还将能够反应岩石粒度特征的粒度中值纳入了回归模型。本文采用公式（2）对渗透率进行了多元回归建模发现, 用平均粒径代替粒度中值建模可以取得更好的效果; 另外, 由于孔隙度与渗透率呈单对数线性关系, 在建模时采用单边对数形式更加符合真实情况。基于上述两点, 本文对公式（2）进行了改进, 得到了新的多元回归式：

lgK=0.743lgMz+0.196Φ -2.579 R2=0.63 （5）

式中：K为渗透率（10-3μ m2）, Φ 为孔隙度（％）, Mz为平均粒径（mm）。

3.2 基于岩性识别的渗透率模型

3.2.1 岩性识别

四性关系研究表明, 本区砂砾岩、砾质砂岩具有较好物性和较高含油性, 在测井曲线上呈低自然伽马、自然电位负异常、高声波时差及高电阻率; 砂岩物性最好, 含油级别最高, 测井曲线特征与砂砾岩相似, 声波时差略低于砂砾岩; 泥质砂岩自然伽马和声波时差均有所增大, 自然电位负异常减小, 电阻率降低。

由于研究区电性特征复杂, 传统的交会图版[4]应用效果较差, 仅使用2组测井数据难以准确区分岩性。根据图4的孔渗变化规律和四性关系研究, 本文将研究区储层岩性分为三大类：①砾岩（包括砂砾岩、砾质砂岩、砾岩）; ②砂岩（包括砂岩、含砾砂岩）; ③泥质砂岩。本文在测井曲线标准化[15]之后提取了自然电位、自然伽马、声波时差、深探测电阻率等带有岩性信息的敏感曲线建立判别分类函数F1和F2, 可以准确划分砂砾岩、砂岩与泥质砂岩（图5）。

图5 研究区岩性识别图版Fig.5 Lithology idenjpgication chart of the study area

由于各种测井数据量纲不一致, 在进行判别前应进行归一化处理[16], 将它们刻度到统一的数字量纲范围内。

X* = (X-Xmin)/(Xmax-Xmin) （6）

Rt* = (lgRt-lgRtmin)/(lgRtmax-lgRtmin) （7）

式中：X* 为经归一化计算后的测井曲线值, X* ∈ [0, 1]; Xmax和Xmin为该测井曲线的极大值和极小值; Rt* 为经归一化计算后的电阻率曲线值, 无量纲; Rtmax和Rtmin为电阻率曲线的极大值和极小值（Ω · m）。当测井曲线为自然电位、自然伽马、声波时差时, 采用公式（6）计算; 当测井曲线为电阻率时, 由于其具有非线性对数特征, 故采用公式（7）进行归一化计算。

F1 = -7.1SP* +4.85GR* +5.31AC* +6.68Rt* -4.78 （8）

F2 = 4.08SP* +4.31GR* +2.09AC* +3.04Rt* -6.24 （9）

F1和F2为判别函数; SP* , GR* , AC* 和Rt* 分别为归一化后的自然电位测井值、自然伽马测井值、声波时差测井值、深探测电阻率测井值, 无量纲。

3.2.2 渗透率建模

在岩性识别的基础上, 本文分砂砾岩和砂岩进行了渗透率测井模型的建立（表2）。由于本区砂岩岩性较为均一, 渗透率与孔隙度间的单对数线性关系较好, 故采用公式（1）进行建模。考虑到泥质对渗透率的影响, 将泥质含量纳入计算, 对砂岩和泥质砂岩采用统一的计算公式。针对非均质性强的砂砾岩, 采用多元线性回归的方式建模, 得到了相关性较好的渗透率解释模型。

表2 基于岩性识别的渗透率测井解释模型 Table 2 Permeability logging interpretation models of different lithology

注：K为渗透率（10-3μ m2）, Mz为平均粒径（mm）, Φ 为孔隙度（%）, Vsh为泥质含量（%）。

3.3 BP神经网络预测渗透率

BP神经网络是目前应用最广泛的神经网络模型之一, 它采用多层前馈网络的误差反向传播学习算法, 由一个输入层、一个输出层和若干个隐含层构成。由于其特殊的网络结构, 在数学理论上BP神经网络具有实现任何复杂非线性映射的功能, 适合于求解内部机制复杂的问题, 在复杂岩性的渗透率预测方面有着较好的应用效果[16~18]。

BP神经网络的拟合效果很大程度上取决于训练样本的质量, 样本既要保证数据的真实性、可靠性, 又要在该地区具有广泛性、代表性。本文在对3口取心井的测井曲线进行标准化后, 整理了81个样本点, 从中随机选取了65个点建立了2组训练样本：A组选取自然伽马、归一化自然电位、声波时差以及深探测电阻率4条曲线作为输入值; B组选取自然伽马、归一化自然电位、声波时差、深探测电阻率、孔隙度以及平均粒径6条曲线作为输入值, 其中孔隙度曲线由分层段拟合的声波— 孔隙度模型求得, 平均粒径由公式（4）求得, 公式（4）中泥质含量由GR曲线求得[15]。每组分别构建了4× 6× 6× 1和6× 6× 6× 1的BP神经网络, 训练次数均为20000次, 极限误差设置为0.001。

训练完毕后, 用剩余16个渗透率数据分别对于2组神经网络进行了验证。结果表明, B组样本虽然比A组多了2条输入曲线, 但在训练时收敛速度更快, 预测值与实际值误差更小, 样本具有更高的可靠性和代表性。由于研究区渗透率主要受孔隙度和喉道控制, 平均粒径反映了岩性粒度粗细, 在一定程度上也间接反映了喉道特征, 故平均粒径、孔隙度曲线可以更集中地反应储层渗透率, 对神经网络有着较好的约束性; 自然伽马、自然电位和深探测电阻率等常规曲线均可在一定程度上反应储层渗透率的好坏, 而声波时差输入到网络中可以增强孔隙度与渗透率之间的关系[16], 因此将平均粒径、孔隙度曲线与常规曲线相结合可以更好地预测岩石渗透率。

4 应用实例

本文对多元回归模型、分岩性建模和BP神经网络3种渗透率解释方法在9QXX井中进行了验证（图6）。传统的线性模型的符合率较低, 尤其是在砂砾岩储层, 计算渗透率明显偏小。多元回归模型由于考虑到岩石粒度对渗透率的影响, 比传统的线性模型的符合率有了一定的提升, 大多数点的误差都控制在了一个数量级内, 但仍有部分点与取心渗透率相差较大。相比之下, 分岩性建模和BP神经网络在复杂岩性地层中有着更好的符合性, 90%以上的取样点的绝对误差都在一个数量级之内。对于BP神经网络预测结果而言, 虽然在取心点处具有极高的符合性, 曲线变化灵敏, 反映了储层的非均质性。然而该结果依赖于训练样品, 在泥质砂岩处取心样品较少导致了BP神经网络在泥质砂岩处预测的渗透率过高的情况; 再者, BP神经网络建立的测井曲线与渗透率之间的非线性映射关系具有随机性, 难以用具体的数学式表达, 无法用常规的测井解释软件进行处理。因此, BP神经网络在复杂岩性渗透率预测方面的应用也具有一定的限制性, 在数理方法和处理程序上均有待进一步完善。

图6 9QXX井应用实例Fig.6 Application example in 9QXX well

总体来说, BP神经网络作为一种较新的数学方法, 有着它的先进性和独特性, 在实际应用建议采用同时分岩性建模和BP神经网络方法对渗透率进行预测, 在具有争议的层段需根据实际情况分析：①当该层段同岩性训练样本较少时, 应以分岩性建模计算结果为准, 例如文中泥质砂岩层段; ②当该层段训练样本丰富时, 以神经网络预测结果为准, 可提高测井解释的精准度, 如文中砂岩、砂砾岩层段。

5 结论

砂砾岩稠油储层非均质性强, 孔隙结构、物性变化复杂。砂砾岩由于其粗粒结构和含砾支撑结构, 受到溶蚀作用较砂岩更强, 喉道更为发育, 从而导致了在相同孔隙度下, 砂砾岩的渗透率高于砂岩。因此由孔隙度的单对数线性模型计算的渗透率在研究区适用性差。

砂砾岩平均粒径比粒度中值更能反映岩石的粒度特征, 在建立渗透率多元回归模型、进行BP神经网络预测时用平均粒径代替粒度中值, 建模效果更好。

建立了3套渗透率解释方法, 一是改进的多元回归模型, 二是分岩性建模, 三是利用BP神经网络预测, 3种方法的准确度比常规的单对数线性模型均有较大的提升。其中, 分岩性建模和BP神经网络均获得较好的效果。

The authors have declared that no competing interests exist.

参考文献
[1] Sun Jianmeng, Yan Guoliang. Review on absolute permeability model[J]. Well Logging Technology, 2012, 36(4): 329-335.
[孙建孟, 闫国亮. 渗透率模型研究进展[J]. 测井技术, 2012, 36(4): 329-335. ] [本文引用:1] [CJCR: 0.669]
[2] Herron M M, Rd O Q. Estimating the intrinsic permeability of clastic sediments from geochemical data[C]∥SPWLA 28th Annual Symposium, 1987. [本文引用:1]
[3] Shen Benke, Zhao Hongbing, Cui Wenfu, et al. Sand y conglomerate reservoir logging evaluation study[J]. Progress in Geophys, 2012, 27(3): 1 051-1 058.
[申本科, 赵红兵, 崔文富, 等. 砂砾岩储层测井评价研究[J]. 地球物理学进展, 2012, 27(3): 1 051-1 058. ] [本文引用:1] [CJCR: 0.972]
[4] Gao Boyu, Peng Shimi, Liu Hongqi. Fine log interpretation model for conglomerate reservoir in Menggulin area[J]. Well Logging Technology, 2005, 29(1): 55-58.
[高博禹, 彭仕宓, 刘红歧. 蒙古林砾岩油藏储层测井精细解释模型[J]. 测井技术, 2005, 29(1): 55-58. ] [本文引用:3] [CJCR: 0.669]
[5] Zhang Liyan. Porosity and permeability predictions in sand -conglomerate reservoir from conventional well logs[J]. Well Logging Technology, 2005, 29(3): 212-215.
[张丽艳. 砂砾岩储层孔隙度和渗透率预测方法[J]. 测井技术, 2005, 29(3): 212-215. ] [本文引用:2] [CJCR: 0.669]
[6] Luo Shuiliang, Lin Chengyan, Yuan Xueqiang, et al. Fine log interpretation model for glutenite reservoirs controlled by sedimentary microfacies and its application[J]. Journal of Oil and Gas Technology, 2008, 30(5): 85-98.
[罗水亮, 林承焰, 袁学强, 等. 沉积微相约束下的砂砾岩储层测井精细解释模型及应用——以滨南油田滨三区为例[J]. 石油天然气学报, 2008, 30(5): 85-98. ] [本文引用:2] [CJCR: 0.614]
[7] Chen Ganghua, Zhang Xiaozhen, Wu Suying, et al. Logging evaluation of low-permeability glutenite reservoir[J]. Geophysical Prospecting for Petroleum, 2009, 48(4): 412-416.
[陈钢花, 张孝珍, 吴素英, 等. 特低渗砂砾岩储层的测井评价[J]. 石油物探, 2009, 48(4): 412-416. ] [本文引用:1] [CJCR: 0.969]
[8] Liu Guangdi. Petroleum Geology[M]. Beijing: Petroleum Industry Press, 2009.
[柳广弟. 石油地质学[M]. 北京: 石油工业出版社, 2009. ] [本文引用:1]
[9] Wu Yuanyan, Wu Shenghe, Cai Zhengqi. Oilfield Subsurface Geology[M]. Beijing: Petroleum Industry Press, 2005.
[吴元燕, 吴胜和, 蔡正旗. 油矿地质学[M]. 北京: 石油工业出版社, 2005. ] [本文引用:1]
[10] Zhang Manlang, Li Xizhe, Xie Wuren. Pore types and pore texture of sand stone reservoir of 2nd member of Shanxi Formation, Ordos Basin[J]. Natural Gas Geoscience, 2008, 19(4): 480-486.
[张满郎, 李熙喆, 谢武仁. 鄂尔多斯盆地山2段砂岩储层的孔隙类型与孔隙结构[J]. 天然气地球科学, 2008, 19(4): 480-486. ] [本文引用:1] [CJCR: 1.365]
[11] Zhang Daiyan, Peng Yongcan, Xiao Fangwei, et al. Pore structure and influence factors of conglomerate reservoir—Case study of lower Karamay Formation in mid and east of 7th block, Karamay Oilfield[J]. Petroleum Geology and Recovery Efficiency, 2013, 20(6): 29-34.
[张代燕, 彭永灿, 肖芳伟, 等. 克拉玛依油田七中、东区克下组砾岩储层孔隙结构特征及影响因素[J]. 油气地质与采收率, 2013, 20(6): 29-34. ] [本文引用:1] [CJCR: 1.838]
[12] Lai Jin, Wang Guiwen, Wang Shu’nan, et al. Research status and advances in the diagenetic facies of clastic reservoirs[J]. Advances in Earth Science, 2013, 28(1): 39-50.
[赖锦, 王贵文, 王书南, 等. 碎屑岩储层成岩相研究现状及进展[J]. 地球科学进展, 2013, 28(1): 39-50. ] [本文引用:1] [CJCR: 1.16]
[13] Zhang Jinliang, Zhang Penghui, Xie Jun, et al. Diagenesis of clastic reservoirs: Advances and prospects[J]. Advances in Earth Science, 2013, 28(9): 957-967.
[张金亮, 张鹏辉, 谢俊, 等. 碎屑岩储集层成岩作用研究进展与展望[J]. 地球科学进展, 2013, 28(9): 957-967. ] [本文引用:1] [CJCR: 1.16]
[14] Zhu Xiaomin. Sedimentary Petrology[M]. Beijing: Petroleum Industry Press, 2008.
[朱筱敏. 沉积岩石学[M]. 北京: 石油工业出版社, 2008. ] [本文引用:1]
[15] Yong Shihe, Zhang Chaomo. Logging Data Processing and Comprehensive Interpretation[M]. Dongying: Petroleum University Publishing House, 1996.
[雍世和, 张超谟. 测井数据处理与综合解释[M]. 东营: 石油大学出版社, 1996. ] [本文引用:2]
[16] Yang Bin, Kuang Lichun, Sun Zhongchun, et al. Neural Network and Its Application in Oil Well Logging[M]. Beijing: Petroleum Industry Press, 2005.
[杨斌, 匡立春, 孙中春, 等. 神经网络及其在石油测井中的应用[M]. 北京: 石油工业出版社, 2005. ] [本文引用:3]
[17] Zhou Jinying, Gui Biwen, Li Mao, et al. An application of the arjpgicial neural net dominated by lithology to permeability prediction[J]. Acta Petrolei Sinica, 2010, 31(6): 985-988.
[周金应, 桂碧雯, 李茂, 等. 基于岩控的人工神经网络在渗透率预测中的应用[J]. 石油学报, 2010, 31(6): 985-988. ] [本文引用:1] [CJCR: 3.283]
[18] Xia Hongquan, Zhang Xianhui, Fan Xiangyu, et al. The study on predicting each point’s permeability based on neural network and log data[J]. Journal of Southwest Petroleum Institute, 2001, 23(1): 11-13.
[夏宏泉, 张贤辉, 范翔宇, 等. 基于神经网络法的逐点渗透率测井解释研究[J]. 西南石油学院学报, 2001, 23(1): 11-13. ] [本文引用:1] [CJCR: 0.374]