简介：

简介：由于油气勘探开发问题已变得十分复杂，已无法只依靠一个学科来解决，同时我们又处在信息爆炸的时代，所以油气行业的多学科分析方法和数据发掘工作也就显得越来越必要，已远远超出了职业好奇心。为了解决我们所面临的困难问题，需要为传统学科(例如石油工程学、地质学、地球物理学和地球化学)拆除我们所构建的隔墙，同时寻找真正的多学科解决办法。因此，我们今天基于结果的“综合”将不得不让位于一种新的综合形式，这就是学科综合。此外，为了解决复杂问题，还需要超越标准的数学技术。为此，需要用一些新兴的成套方法和软计算技术(例如专家系统、人工智能、神经网络、模糊逻辑、遗传算法、概率推理和并行处理技术)来补充常规的分析方法。软计算与常规(硬)计算的区别，表现在软计算可以接受模糊性、不确定性和局部真实。软计算还具有易于使用、功能强大、可靠有效和成本低廉的特点。在这篇综述性论文中，我们要特别强调软计算对油气藏智能描述和勘探的作用。

简介：为了识别三维地震数据和生产测井数据之间的非线性关系和映射，开发出了的一种综合方法。该方法在一个在产油田得到了应用。它采用了诸如地质统计和传统的模式识别等常规技术，并结合现代的软计算(softcomputing)技术(神经计算学、模糊逻辑学、遗传计算学和概率推理学等)。我们的一个重要研究目的，是在三维地震数据和现有的生产测井数据的基础上，利用聚类(clustering)技术确定最佳的新井井位。采用三种方法进行分类：(1)k-平均聚类；(2)模糊c-平均聚类；(3)识别相似数据体的神经网络聚类。在井筒周围可以识别聚类组(duster)与生产测井数据的关系，所得结果用于在远离并筒方向上重建和外插生产测井数据。这种先进的三维地震和测井数据分析与解释技术可用于：(1)确定生产数据和地震数据之间的映射；(2)在多属性分析的基础上预测油藏连续性；(3)预测产层；(4)优化井位。

简介：在为特定的油藏管理问题寻求最佳解决方法的过程中，正规的优化策略一般都要评价数百种乃至数千种方案。如果用地下的数值模拟模型来预测这些方案的效果，那么这一过程就会耗费大量时间。为了在某些优化技术[例如遗传算法(GA)或模拟退火(SA)]所主导的搜寻求解的过程中取代此类模拟模型，可以采用训练人工神经网络(ANN)的做法。可以从一个有代表性的模拟样本出发来训练神经网络，而这一样本则构成了解决许多不同管理问题所需的可反复使用的知识库。这些概念已被应用于BP公司彭帕那(Pompano)油田的一个注水项目。这里的管理问题是确定1—4口注水井的组合位置，它将使彭帕那油田今后七年的简单纯利获得最大化。利用石油行业的一个标准油藏模型，为取样于25个潜在注水井井位不同组合的550次模拟创建了一个知识库。首先要查询这个知识库，以回答三年和七年内使简单纯利最大化的最优方案问题。有关的答案表明，如能将仅依靠改变现有生产井的注水扩大为新钻三至四口注水井，就可能实现利润的可观增加，但资本费用也会增加。当这一知识库用作人工神经网络训练和测试的样本来源时，可以获得更好的答案。训练人工神经网络是为了预测最高注水量以及开始注水后三年和七年的油、气产量。人工神经网络对这些数量的快速估算可以用于纯利润计算中，而遗传算法又可以利用这一计算来评估不同注水井组合方案的效果。遗传算法的探索扩展了求解的空间，它含有的新方案在纯利润上超过了仅查询上述知识库所找到的最佳方案。为了评估预测误差对求解质量的影响，可以将人工神经网络预测油、气产量时所得出的最佳方案，与油藏模拟模型本身预测油、气产量时找到的最佳方案加以对比。虽然完成基于模拟模型的方案�