CN104573333A - 利用聚类分析进行模型优选的方法 - Google Patents
利用聚类分析进行模型优选的方法 Download PDFInfo
- Publication number
- CN104573333A CN104573333A CN201410807974.0A CN201410807974A CN104573333A CN 104573333 A CN104573333 A CN 104573333A CN 201410807974 A CN201410807974 A CN 201410807974A CN 104573333 A CN104573333 A CN 104573333A
- Authority
- CN
- China
- Prior art keywords
- model
- carry out
- cluster
- preferred method
- cluster analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用聚类分析进行模型优选的方法,步骤如下:步骤一、建立多个三维定量地质模型,统计各模型中每一网格节点属性值并对属性值进行标准化处理,计算任意两模型的欧氏距离,得到表征各模型差异的相异性矩阵;步骤二、对相异性矩阵进行降维,在2维空间中用向量辨别模型的相似性;步骤三、运用聚类分析方法对模型进行聚类,从每一类中选出一个或几个模型进行油藏数值模拟研究;步骤四、对比井点属性值直方图与所选模型直方图,判定所选模型是否满足地质概念;步骤五、将所选模型计算的储量与P10、P50和P90储量进行对比,判断所选模型的代表性。本发明具有简单客观、且适用范围广的特点,可以广泛应用于油藏描述领域。
Description
技术领域
本发明涉及油藏描述领域,特别是涉及一种利用聚类分析进行模型优选的方法。
背景技术
储层随机建模技术产生于20世纪80年代初期,目前在油气田勘探开发实践中的应用越来越广泛。随机建模能够提供多个等概率的模型实现,利用这些实现可以对储层进行不确定性评价。而在油藏数值模拟中,考虑到计算成本,通常只能够对有限的几个实现进行模拟计算,故必须从多个模型中优选出一个或几个进行数值模拟研究。常用的随机模型筛选方法包括算术平均法、地质模式筛选法、数值模拟法、概率储量法、实验设计、拉丁超立方抽样和排序法。算术平均法的原理是将多个实现进行算术平均,将得到的平均模型作为优选模型,其优点是简单快捷,缺点是具有平滑效应,改变了储层非均质性和模型的统计分布特征;地质模式筛选法的原理是通过对比每个模型与地质模式之间的差异,从中选出吻合程度较大的模型,得到的模型可以较好地满足地质概念模式,但非常耗时且受主观因素影响较大;数值模拟法通过流线模拟、历史拟合等方法优选模型,缺点也是耗时多;而概率储量法、实验设计、拉丁超立方抽样和排序法都是以地质储量为指标来进行模型优选,均不适用于渗透率模型及相模型的优选。
鉴于现有模型优选方法存在的上述问题,亟待研究出一种更加简单、客观的模型优选方法,以解决因模型数量众多而难以从中优选出具有代表性的模型进行油藏数值模拟的业内难题。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种利用聚类分析进行模型优选的方法,具有简单客观、且适用范围广的特点。
本发明提供的一种利用聚类分析进行模型优选的方法,包括以下步骤:步骤一、利用随机建模方法建立多个三维定量地质模型,统计各个模型中每一网格节点的属性值并对所述属性值进行标准化处理,计算任意两个模型之间的欧氏距离,得到一个表征各模型之间差异的相异性矩阵;步骤二、对所得到的相异性矩阵进行降维,实现在2维空间中用向量来辨别模型的相似性;步骤三、运用聚类分析方法对模型进行聚类,从每一类中选出一个或几个模型进行油藏数值模拟研究;步骤四、对比井点属性值直方图与所选模型直方图,判定所选模型是否满足地质概念;步骤五、将所选模型计算的储量与用蒙特卡洛模拟法得到的P10、P50和P90储量进行对比,判断所选模型是否具有代表性。
在上述技术方案中,所述步骤三包括以下过程:1)编写模型聚类代码;2)利用聚类有效性指标对聚类效果进行评价。
在上述技术方案中,所述步骤三第1)项中,用R语言编写模型聚类代码,并利用k-means聚类算法对模型进行聚类。
在上述技术方案中,所述步骤三第2)项中,采用Dunn指标评价聚类结果的有效性。
在上述技术方案中,所述步骤三第2)项中,所述Dunn指标计算公式如下:式中,D(k)表示Dunn指标数值,ci表示第i类数据,cj表示第j类数据,ck表示第k类数据,d(x,y)表示两个数据点之间的距离。
本发明利用聚类分析进行模型优选的方法,具有以下有益效果:以各个模型之间的差异为依据对模型进行分类,不仅简单快速,而且更为有效,适用于沉积相、孔隙度、渗透率、含水饱和度等各类模型的优选。由于基于该优选方法选择的模型具有一定的代表性,可以大大减少数值模拟的次数,有效解决了因模型数量众多而难以从中优选出具有代表性的模型进行油藏数值模拟这一难题。
附图说明
图1为本发明利用聚类分析进行模型优选的方法的流程示意图;
图2为本发明利用聚类分析进行模型优选的方法中步骤三第1)项聚类后的结果示意图;
图3为本发明利用聚类分析进行模型优选的方法中步骤四井点属性值与所选模型直方对比图;
图4为本发明利用聚类分析进行模型优选的方法中步骤五所选模型计算的储量与用蒙特卡洛模拟法得到的P10、P50和P90储量的对比图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述,但该实施例不应理解为对本发明的限制。
参见图1,本发明利用聚类分析进行模型优选的方法,包括以下步骤:
步骤一、利用随机建模方法建立多个三维定量地质模型,统计各个模型中每一网格节点的属性值并对所述属性值进行标准化处理,计算任意两个模型之间的欧氏距离,得到一个表征各模型之间差异的相异性矩阵;
步骤二、对所得到的相异性矩阵进行降维,实现在2维空间中用向量来辨别模型的相似性;
步骤三、运用聚类分析方法对模型进行聚类,从每一类中选出一个或几个模型进行油藏数值模拟研究,本步骤又包括以下过程:
1)编写模型聚类代码,即用R语言编写模型聚类代码,并利用k-means聚类算法对模型进行聚类;
2)利用聚类有效性指标对聚类效果进行评价,即采用Dunn指标评价聚类结果的有效性,所述Dunn指标计算公式如下:
式中,D(k)表示Dunn指标数值,
ci表示第i类数据,
cj表示第j类数据,
ck表示第k类数据,
d(x,y)表示两个数据点之间的距离;
步骤四、对比井点属性值直方图与所选模型直方图,判定所选模型是否满足地质概念;
步骤五、将所选模型计算的储量与用蒙特卡洛模拟法得到的P10、P50和P90储量进行对比,判断所选模型是否具有代表性。
下面以来自WZ油田西区角二段储层的实验数据作为实施例,研究对象为该地区用序贯高斯模拟方法建立的50个渗透率模型。
首先随机模拟生成50个渗透率模型,统计各个模型中每一网格节点的渗透率数值据,将整理后的数据导入SPSS(Statistical Productand Service Solutions,中文名为“统计产品与服务解决方案”的数据处理软件)中。对数据进行标准化处理,然后用欧式距离函数计算各个模型之间的距离(即模型之间的差异),计算公式为:
式中,dij表示各个模型之间的距离,
i和j分别表示两个模型,
xin和xjn分别模型i和模型j中第n个网格的属性值大小,
n为网格个数。
表1为计算得到的表征各个模型之间差异的相异性矩阵(具体见下表),该矩阵中的数据是先通过计算任意两个模型之间相对应的每一网格节点的渗透率值差的平方和、然后取平方根得到的,所表示的是每一点处渗透率模拟结果的差异的累加。而在实际的地质研究中,每个地方渗透率的大小都会直接影响流体的流动方向(即渗透率值越大表明连通性越好)。所以用该方法表达渗透率模型之间的差异更加准确,根据此差异所选择的模型也更具代表性。
表1 各个模型之间的相异性矩阵
模型 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
1 | 0 | 16 | 97 | 13 | 153 | 151 | 123 | 117 | 151 | 115 |
2 | 16 | 0 | 124 | 121 | 152 | 150 | 119 | 109 | 149 | 129 |
3 | 97 | 124 | 0 | 109 | 152 | 150 | 119 | 114 | 150 | 105 |
4 | 113 | 121 | 109 | 0 | 152 | 152 | 111 | 107 | 150 | 118 |
5 | 153 | 152 | 152 | 152 | 0 | 154 | 153 | 152 | 154 | 153 |
6 | 151 | 150 | 150 | 150 | 152 | 0 | 150 | 151 | 153 | 150 |
7 | 123 | 119 | 119 | 119 | 111 | 153 | 0 | 103 | 148 | 11 |
8 | 117 | 109 | 114 | 114 | 107 | 152 | 103 | 0 | 150 | 116 |
9 | 151 | 149 | 150 | 150 | 150 | 154 | 148 | 150 | 0 | 149 |
10 | 115 | 129 | 105 | 105 | 118 | 153 | 111 | 116 | 149 | 0 |
由于高维会使数据之间的区分界限变得模糊,给聚类带来困难,所以在进行聚类分析前都会对数据进行降维处理,进而实现在2维空间中用向量来辨别物体的相似性,从而简化聚类过程。
表2是利用MDS(Multidimensional Scaling,中文名为“多维标度分析”、包含于SPSS中的模块)技术提取出各模型在一维度和二维度上的坐标值(具体见下表)。其中,一维度指的是渗透率高值偏少-高值偏多的维度,二维度指的是渗透率高值偏多-高值偏少的维度。进行聚类分析时,可直接用这两列数据。
表2 各模型在一维度和二维度上的坐标值
利用各模型在一维度和二维度上的坐标值,运用R语言(一种用于统计分析、绘图的语言和操作环境,属于GNU即通用公共许可证(General Pubilic License)***的一个自由、免费、源代码开放的软件)编写相关代码进行模型聚类研究,并应用k-means聚类算法对模型进行聚类:首先要确定聚类的个数k,由于k值的大小应在2与之间,其中N为数据空间中的所有数据点的个数,所以这里的k值大小在2到7之间,然后在[2,7]区间逐个选取k值进行聚类。
图2为聚类后的结果,包括从k=2到k=7的各个聚类图示。其中,图中“Δ”表示聚类中心,圆形表示模型,图中同一类模型被圈定在一起,其横向维度对应于渗透率高值偏少—高值偏多的维度即一维,纵向维度对应于渗透率高值偏多—高值偏少的维度即二维。
一个有效的聚类分析其分类结果应达到类内紧密、类间远离。采用Dunn指标评价聚类结果的有效性。该指标使用类与类之间的最大的距离来表示类内相似度,同时使用类与类之间的最小距离来表示类间差异,Dunn指标的取值为二者的商。Dunn指标的取值越大表示类与类之间间隔越远,聚类效果就越好,其计算公式如下:
式中,D(k)表示Dunn指标数值,
ci表示第i类数据,
cj表示第j类数据,
ck表示第k类数据,
d(x,y)表示两个数据点之间的距离;
表3 是k取不同值时的D值(具体见下表)。通过该表分析得出,聚类数为5时的聚类效果最佳。
k | 2 | 3 | 4 | 5 | 6 | 7 |
D | 0.765 | 0.8134 | 0.8457 | 0.8611 | 0.8588 | 0.8454 |
利用k-means聚类方法,原始的50个模型被分成了5大类(图中未示出)。其中,第一类模型中,离聚类中心最近的模型是模型15;第二类模型中,离聚类中心最近的模型是模型49;第四类模型中,离聚类中心最近的模型是模型11;第三类和第五类都只有一个模型,分别为模型2和模型34。
图3为井点渗透率的属性值与所选模型即模型15的属性值的直方对比图(图中PERM即permeability,渗透率)。其中,图3.a为井点渗透率属性值的直方图,图3.b为模型15属性值的直方图。根据该图可以看出模型15模拟的结果与地质概念存在较好的一致性。
用本发明利用聚类分析进行模型优选的方法分别优选出相应的孔隙度、含水饱和度以及NTG(Net-To-Gross ratio,净毛比)模型。
图4为用50个模型计算得到的储量累积概率分布图,图中矩形表示用蒙特卡洛模拟法得到的P10(乐观的地质储量)、P50(最可能的地质储量)和P90(保守的地质储量)储量,三角形表示用所选5组模型所计算的储量。该图说明用本发明利用聚类分析进行模型优选的方法所选的模型具有较好的代表性,即原本需要做50次模拟才能得到的结果,现在只需做5次模拟就能得到,大大减少了模拟的次数,既简单方便、又提高了效率,为油藏数值的模拟工作提供了一种新的思路。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (5)
1.一种利用聚类分析进行模型优选的方法,其特征在于:包括以下步骤:
步骤一、利用随机建模方法建立多个三维定量地质模型,统计各个模型中每一网格节点的属性值并对所述属性值进行标准化处理,计算任意两个模型之间的欧氏距离,得到一个表征各模型之间差异的相异性矩阵;
步骤二、对所得到的相异性矩阵进行降维,实现在2维空间中用向量来辨别模型的相似性;
步骤三、运用聚类分析方法对模型进行聚类,从每一类中选出一个或几个模型进行油藏数值模拟研究;
步骤四、对比井点属性值直方图与所选模型直方图,判定所选模型是否满足地质概念;
步骤五、将所选模型计算的储量与用蒙特卡洛模拟法得到的P10、P50和P90储量进行对比,判断所选模型是否具有代表性。
2.根据权利要求1所述的利用聚类分析进行模型优选的方法,其特征在于:所述步骤三包括以下过程:
1)编写模型聚类代码;
2)利用聚类有效性指标对聚类效果进行评价。
3.根据权利要求2所述的利用聚类分析进行模型优选的方法,其特征在于:所述步骤三第1)项中,用R语言编写模型聚类代码,并利用k-means聚类算法对模型进行聚类。
4.根据权利要求2所述的利用聚类分析进行模型优选的方法,其特征在于:所述步骤三第2)项中,采用Dunn指标评价聚类结果的有效性。
5.根据权利要求4所述的利用聚类分析进行模型优选的方法,其特征在于:所述步骤三第2)项中,所述Dunn指标计算公式如下:
式中,D(k)表示Dunn指标数值,
ci表示第i类数据,
cj表示第j类数据,
ck表示第k类数据,
d(x,y)表示两个数据点之间的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410807974.0A CN104573333B (zh) | 2014-12-22 | 2014-12-22 | 利用聚类分析进行模型优选的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410807974.0A CN104573333B (zh) | 2014-12-22 | 2014-12-22 | 利用聚类分析进行模型优选的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573333A true CN104573333A (zh) | 2015-04-29 |
CN104573333B CN104573333B (zh) | 2017-05-10 |
Family
ID=53089379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410807974.0A Expired - Fee Related CN104573333B (zh) | 2014-12-22 | 2014-12-22 | 利用聚类分析进行模型优选的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573333B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105649610A (zh) * | 2015-12-31 | 2016-06-08 | 中国石油天然气股份有限公司 | 一种获取油藏压力的方法及装置 |
CN106326620A (zh) * | 2015-07-01 | 2017-01-11 | 中国石油化工股份有限公司 | 勘探目标分布范围成岩系数模型的优选方法 |
CN106443822A (zh) * | 2016-08-16 | 2017-02-22 | 中国石油化工股份有限公司 | 基于重磁电震三维联合反演下的地质综合识别方法及装置 |
CN108596486A (zh) * | 2018-04-25 | 2018-09-28 | 云南中烟工业有限责任公司 | 一种卷烟风格特征可视化方法 |
CN108846880A (zh) * | 2018-04-25 | 2018-11-20 | 云南中烟工业有限责任公司 | 一种卷烟品质特征可视化方法 |
CN110020453A (zh) * | 2018-01-09 | 2019-07-16 | 姚君波 | 地层渗透率三维分解模拟器 |
CN110377736A (zh) * | 2019-07-02 | 2019-10-25 | 厦门耐特源码信息科技有限公司 | 一种基于r语言的信息聚类方法 |
CN111985785A (zh) * | 2020-07-24 | 2020-11-24 | 华南农业大学 | 一种基于表型权重距离的龙眼品种间差异的评价方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090172571A1 (en) * | 2007-12-28 | 2009-07-02 | Nokia Corporation | List based navigation for data items |
US7640148B2 (en) * | 2005-01-07 | 2009-12-29 | Gm Global Technology Operations, Inc. | Method of modeling vehicle parameter cycles |
CN101620619A (zh) * | 2009-08-07 | 2010-01-06 | 北京航空航天大学 | 一种基于聚类方法的测量数据粗大误差处理***及处理方法 |
CN101859383A (zh) * | 2010-06-08 | 2010-10-13 | 河海大学 | 基于时间序列重要点分析的高光谱遥感图像波段选择方法 |
US20120101738A1 (en) * | 2008-10-31 | 2012-04-26 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Compositions and methods for biological remodeling with frozen particle compositions |
CN102915347A (zh) * | 2012-09-26 | 2013-02-06 | 中国信息安全测评中心 | 一种分布式数据流聚类方法及*** |
CN103268495A (zh) * | 2013-05-31 | 2013-08-28 | 公安部第三研究所 | 计算机***中基于先验知识聚类的人体行为建模识别方法 |
CN103514183A (zh) * | 2012-06-19 | 2014-01-15 | 北京大学 | 基于交互式文档聚类的信息检索方法及*** |
CN103678500A (zh) * | 2013-11-18 | 2014-03-26 | 南京邮电大学 | 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法 |
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
US8793075B2 (en) * | 2008-10-31 | 2014-07-29 | The Invention Science Fund I, Llc | Compositions and methods for therapeutic delivery with frozen particles |
CN104159232A (zh) * | 2014-09-01 | 2014-11-19 | 电子科技大学 | 二进制消息数据的协议格式识别方法 |
-
2014
- 2014-12-22 CN CN201410807974.0A patent/CN104573333B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7640148B2 (en) * | 2005-01-07 | 2009-12-29 | Gm Global Technology Operations, Inc. | Method of modeling vehicle parameter cycles |
US20090172571A1 (en) * | 2007-12-28 | 2009-07-02 | Nokia Corporation | List based navigation for data items |
US20120101738A1 (en) * | 2008-10-31 | 2012-04-26 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Compositions and methods for biological remodeling with frozen particle compositions |
US8793075B2 (en) * | 2008-10-31 | 2014-07-29 | The Invention Science Fund I, Llc | Compositions and methods for therapeutic delivery with frozen particles |
CN101620619A (zh) * | 2009-08-07 | 2010-01-06 | 北京航空航天大学 | 一种基于聚类方法的测量数据粗大误差处理***及处理方法 |
CN101859383A (zh) * | 2010-06-08 | 2010-10-13 | 河海大学 | 基于时间序列重要点分析的高光谱遥感图像波段选择方法 |
CN103514183A (zh) * | 2012-06-19 | 2014-01-15 | 北京大学 | 基于交互式文档聚类的信息检索方法及*** |
CN102915347A (zh) * | 2012-09-26 | 2013-02-06 | 中国信息安全测评中心 | 一种分布式数据流聚类方法及*** |
CN103268495A (zh) * | 2013-05-31 | 2013-08-28 | 公安部第三研究所 | 计算机***中基于先验知识聚类的人体行为建模识别方法 |
CN103678500A (zh) * | 2013-11-18 | 2014-03-26 | 南京邮电大学 | 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法 |
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
CN104159232A (zh) * | 2014-09-01 | 2014-11-19 | 电子科技大学 | 二进制消息数据的协议格式识别方法 |
Non-Patent Citations (2)
Title |
---|
吴革洪等: "聚类分析在油藏分类中的应用", 《断块油气田》 * |
欧陈委: "K_均值聚类算法的研究与改进", 《万方数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326620A (zh) * | 2015-07-01 | 2017-01-11 | 中国石油化工股份有限公司 | 勘探目标分布范围成岩系数模型的优选方法 |
CN105649610A (zh) * | 2015-12-31 | 2016-06-08 | 中国石油天然气股份有限公司 | 一种获取油藏压力的方法及装置 |
CN106443822A (zh) * | 2016-08-16 | 2017-02-22 | 中国石油化工股份有限公司 | 基于重磁电震三维联合反演下的地质综合识别方法及装置 |
CN110020453A (zh) * | 2018-01-09 | 2019-07-16 | 姚君波 | 地层渗透率三维分解模拟器 |
CN110020453B (zh) * | 2018-01-09 | 2023-03-10 | 姚君波 | 地层渗透率三维分解模拟器 |
CN108596486A (zh) * | 2018-04-25 | 2018-09-28 | 云南中烟工业有限责任公司 | 一种卷烟风格特征可视化方法 |
CN108846880A (zh) * | 2018-04-25 | 2018-11-20 | 云南中烟工业有限责任公司 | 一种卷烟品质特征可视化方法 |
CN110377736A (zh) * | 2019-07-02 | 2019-10-25 | 厦门耐特源码信息科技有限公司 | 一种基于r语言的信息聚类方法 |
CN111985785A (zh) * | 2020-07-24 | 2020-11-24 | 华南农业大学 | 一种基于表型权重距离的龙眼品种间差异的评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104573333B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573333A (zh) | 利用聚类分析进行模型优选的方法 | |
Anselin | Spatial data analysis with GIS: an introduction to application in the social sciences | |
US9378462B2 (en) | Probability mapping system | |
US20170338802A1 (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
Lu et al. | Assisted history matching for fractured reservoirs by use of hough-transform-based parameterization | |
CN109272029A (zh) | 井控稀疏表征大规模谱聚类地震相划分方法 | |
CN103914558A (zh) | 一种基于时空统计的气象要素时空聚集模式挖掘方法 | |
CN104820826A (zh) | 一种基于数字高程模型的坡形提取与识别方法 | |
Haining | Spatial autocorrelation and the quantitative revolution | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
You et al. | Computing the finite time Lyapunov exponent for flows with uncertainties | |
CN104794335A (zh) | 一种通用多级空间抽样方法 | |
Seifollahi et al. | An enhanced stochastic optimization in fracture network modelling conditional on seismic events | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
Yi et al. | Efficient global optimization using a multi-point and multi-objective infill sampling criteria | |
Zhang et al. | Efficient surrogate modeling based on improved vision transformer neural network for history matching | |
CN105931297A (zh) | 三维地质表面模型中的数据处理方法 | |
Liu et al. | User-defined feature comparison for vector field ensembles | |
CN105335697A (zh) | 一种基于卫星图像测算古民居相似度方法和装置 | |
Zhang et al. | Multi-hierarchical spatial clustering for characteristic towns in China: An Orange-based framework to integrate GIS and Geodetector | |
Barros et al. | Automated clustering based scenario reduction to accelerate robust life-cycle optimization | |
Dossary et al. | Progressive-recursive self-organizing maps PR-SOM for identifying potential drilling target areas | |
CN104880737A (zh) | 测井资料识别地下流体类型的多元Logistic方法 | |
CN112016956B (zh) | 基于bp神经网络的矿石品位估值方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 Termination date: 20191222 |