裂缝的识别和预测对于碳酸盐岩储层的勘探和开发是非常重要的,同时也是一项世界级的难题.前人对裂缝的成因分类、地质分类和裂缝发育的内部和外部控制因素有了系统详尽的描述,并采用了地质、地球物理、岩心、露头、钻井和油藏工程等技术方法对碳酸盐岩裂缝进行了预测.针对目前现有资料和技术手段的不足,本文提出了一种综合各类信息进行裂缝识别的神经网络方法.由于影响裂缝发育的因素在裂缝发育过程中是一个相互关联的统一体,识别并综合判断这些因素对裂缝产生的贡献来定量描述裂缝是一个理想的方法.这种方法假定碳酸盐岩任何一组裂缝都与一定数目的地质因素(构造、层厚、岩性等)有内在联系并且在静态(岩心裂缝密度、宽度等)或动态数据(产能、压力等)上表现出来.由此,就可以建立这样一个黑匣子模型,其模型输入为构造、层厚、岩性、压力等参数,模型输出为岩心裂缝密度、宽度或产能等参数,即裂缝指示因子(FI).这样就可以利用神经网络技术去寻找存在于这个模型的输入参数和输出参数(FI)间的内在可能关系.