模糊模型识别法

由于油水层受岩性、流体特性等各个因素的影响，对测井评价工作者来说，哪种因素占主导，怎样驱除与油水层特性无关的信息，这些都是模糊的、很难确定的。而模糊模型恰好能够把这些复杂的、模糊的信息通过一定的算法，提取与油水层相关的信息来对油水层进行识别。

运用测井资料对储集层的油水层进行识别是一项非常重要的工作。在测井解释中，知道测井参数(电阻率、中子、密度等)与油水层之间的关系存在着大量的不确定性、模糊性及高度非线性，利用常规识别方法所得结果大多与客观实际相差甚远，导致测井解释的错误。本书根据实际测井资料，应用模糊模型对油水层进行识别。其识别的油水层与试油结果基本一致，符合率较高。

图5－7 LQJ区凝灰岩油水层判别图版

图5－8 LQJ区安山玄武岩油水层识别结果显示

图5－9 LQJ区凝灰岩油水层识别结果显示

表5－2 LQJ区安山玄武岩油水层判别结果

表5－3 LQJ区凝灰岩油水层判别结果

1.改进的模糊模型

隶属度生成函数采用下式:

准噶尔盆地火山岩储层测井评价技术

式中:xi—输入变量

uij，mij，σ2ij—与隶属生成层的各结点相对应。

推理层各结点的输出分别为该结点所有输入的代数乘积。最终的反模糊化输出(y)为:

准噶尔盆地火山岩储层测井评价技术

式中:wi—推理层与反模糊化层间的权值。

准噶尔盆地火山岩储层测井评价技术

2. 识别实例分析

将该算法程序化(图5－10)，在岩性分类的基础上，利用试油资料和测井资料来建立建模数据库和识别预测数据库，进而来利用该法来对研究盆地内的油水层进行识别。表5－4是LQJ区安山玄武岩部分建模数据表，利用此建模数据对其盆地内的安山玄武岩的性质进行识别，识别结果见图5－11和表5－5。由此表可以看出，识别结果与试油资料较为一致，在所识别的12井12层中，只有将古X9井864～880m井段的含油层识别为油水同层，其识别率较高。

图5－12是古X5识别成果图，936～950m井段，1986年06月17日～1986年07月26日进行试油，试油初期日产油0.4t，累产油5.2t。利用模糊识别为油层，建议进行压裂。980.0～1010.0m井段，1986年02月04日～1986年02月22日进行压裂，日产油2.824t，累产9.7t，该法识别为油层。

表5－4 LQJ区安山玄武岩部分建模数据表

表5－5 LQJ区识别结果数据表

图5－10 用于识别油水层的模糊模型程序

图5－11 油水层识别结果显示

图5－12 古X井识别成果图

可用sobel算子提取图像的边界。

具体的Matlab程序可为：

I=imread('bonemarr.tif')

[BW1,th1]=edge(I,'sobel',0.07)

th1str=num2str(th1)

imshow(I)

title('图1:bonemarr.tif原图','fontsize',14,'position',[128,260,0])

figureimshow(BW1)

ti='图8: sobel算子提取的边界,阈值为'

ti=strcat(ti,th1str)

title(ti,'fontsize',12,'position',[128,260,0])

模糊检测一般用于多张图片的模糊度辨别。这里介绍的是基于拉普拉斯算子的模糊检测算法。对于该算法的原理讲解过后，我们就会发现其实图片的尺寸大小也会引起相应值的变化。因此此类算法最好是对于同一类图片进行处理，如连拍照片等。一般而言，我们会设置一个阈值来判别图片是否模糊。当然这个阈值同样要根据适应的场景来调整。废话不多说，接下来介绍算法。

该算法的流程很简单：

---