简介：传统上,时间域航空电磁数据通过拟合迭代反演计算得到大地模型,然而,由于航空电磁数据道间的较强相关性,导致病态反演,并引起超定问题;同时电磁数据的相关性使其与模型参数的映射关系复杂,增加了反演的复杂度。采用主成分分析法将航空电磁数据变换为正交的较少数量的主成分,不仅降低了数据道间的相关性,减小了数据量,同时压制了数据的不相关噪声。本文利用人工神经网络(ANN)逼近主成分与大地模型参数间的映射关系,避免了传统反演算法中雅克比矩阵的复杂计算。层状模型的主成分神经网络与数据神经网络的反演结果对比显示,主成分神经网络反演方法网络结构简单,训练步数少,反演结果好,特别是对于含噪数据。准二维模型的主成分ANN、数据ANN以及Zhody方法的反演结果显示了主成分神经网络具有更接近真实模型的反演效果,进一步证明了主成分神经网络反演方法适合海量航空电磁探测数据反演。

简介：在实验室对5块储层砂岩进行了模拟地层压力条件下的超声波速度测试。砂岩样品采自WXS凹陷的W地层,覆盖了从低到高的孔隙度和渗透率范围。实验选用了卤水和4种不同密度油作为孔隙流体,结合温度变化,实现了对流体粘度引致的速度频散研究。对实验结果的分析表明：（1）对于高孔隙度和渗透率的样品,无论是哪种流体饱和,观察到的超声波速度测试值和零频率Gassmann预测值的差异较小（约2-3%）,基本上可以用Biot模型解释;对于中等孔隙度和渗透率的样品,低粘度流体（〈约3mP·S）的频散效应也可以用Biot模型得到合理解释;（2）对于低、中孔隙度和渗透率样品,当流体粘度增加时,喷射流机制起主导作用,导致严重的速度频散（可达8%）。对储层砂岩的微裂隙纵横比进行了估计并用于喷射流特征频率的计算,当高于该特征频率时,Gassmann理论的假设条件受到破坏,实验室测得的高频速度不能直接用于地震低频条件下的W地层砂岩的Gassmann流体替换研究。