CN106991509A - 基于径向基函数神经网络模型的测井曲线预测方法 - Google Patents
基于径向基函数神经网络模型的测井曲线预测方法 Download PDFInfo
- Publication number
- CN106991509A CN106991509A CN201710388429.6A CN201710388429A CN106991509A CN 106991509 A CN106991509 A CN 106991509A CN 201710388429 A CN201710388429 A CN 201710388429A CN 106991509 A CN106991509 A CN 106991509A
- Authority
- CN
- China
- Prior art keywords
- log
- well
- old
- old well
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 title claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 21
- 230000017105 transposition Effects 0.000 claims description 5
- 230000005251 gamma ray Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 108010023321 Factor VII Proteins 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000005553 drilling Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Economics (AREA)
- Geology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及油气井的测井曲线数据采集方法,具体是基于径向基函数神经网络模型的测井曲线预测方法,其特征在于:包含所要预测的老井和与老井所处同一油气田的至少一口新井,已知新井的多条测井曲线,运用人工神经网络技术建立预测模型,然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。本发明弥补了由于缺失某种测井曲线而无法对该井进行测井解释的不足,通过预测模型快速、有效而且几乎无成本的得到老井的缺失的测井曲线,有了老井完整的测井曲线,可以充分利用老井的测井曲线对研究区域进行较为客观的地质认识。
Description
技术领域
本发明涉及油气井的测井曲线数据采集方法,尤其是一种快速有效、几乎无成本和预测测井曲线准确的基于径向基函数神经网络模型的测井曲线预测方法。
背景技术
随着油气开采技术的不断进步,测井曲线数据采集一般都是在钻井过程中采用专业设备测量获得,以便后期对油气田所处区域地质结构、油气储层以及油气开采研究提供基础数据。所述的测井曲线数据一般包括声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等相关曲线,这些曲线都是在钻井过程中采用专业测井设备测量获得。然而,一个油气田所处区域油气开采是一个连续性的事件,从勘探至开采最短时间基本都需要几十年,在对油气进行开采过程中,以前的老井,没有获取收集测井曲线数据,或者由于技术条件限制,获取收集的测井曲线数据不全,这对后期研究而言是相当困难,缺失的测井曲线数据是无法重新测量的。因为以前的老井在钻井过程中,都基本采用三层套管,套管之间采用砼浇筑,在钻井过程中不采集测井曲线数据,后期是无法采集的;以前的老井在钻井时,测井曲线检测仪器还没有发明制造出来【例如声波曲线AC的检测仪】,也无法完整的采集测井曲线。
基于上述情况,老井的测井曲线预测方法就变得很有必要,以实现对老井的测井曲线采集。
发明内容
本发明的目的是提供一种快速有效、几乎无成本和预测测井曲线准确的基于径向基函数神经网络模型的测井曲线预测方法。
为实现上述目的而采用的技术方案是这样的,即一种基于径向基函数神经网络模型的测井曲线预测方法,其特征在于:包含所要预测的老井和与老井所处同一油气田的至少一口新井,已知新井的多条测井曲线,运用人工神经网络技术建立预测模型,然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。运用人工神经网络技术建立预测模型的步骤如下,
第一步、选定标准井,
所述标准井为测井曲线较全的新井,该新井的测井曲线为常规测井曲线,该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线;
第二步、确定老井需要预测的具体测井曲线,
假定老井需要预测的某一具体测井曲线为输出且用y表示,老井需要预测的其它具体测井曲线也为输出,其它具体测井曲线的个数为p个,其它具体测井曲线也为输出对应用x1、x2、…、xp表示,其中p为≧2的自然数;
假定用于建立预测模型的具体测井曲线有N个取样点,对应的用向量X1、X2、…、XN表示输入,其中N为>1的自然数,其中第k个输入为Xk=[x1k、x2k、…、xpk]T,k=1,2,…,N,所对应的N个输出用向量Y=[y1、y2、…、yN]T表示;T表示转置,写成行向量,转置就是列向量;
第三步、构建输入—输出训练样本集,从上述第二步所述N个样本中选择M个样本构成基函数的中心,这里采用的是自组织选取中心法,中心位置是动态变化的,然后将N个样本反复输入,直到中心位置稳定为止。
Xj=[x1j、x2j、…、xpj]T,j=1,2,…,M,
所述M为>1的自然数,
选择M个基函数,每个基函数对应一个训练数据,各基函数的形式为
训练数据点Xj是基函数的中心,基函数以输入空间的点X与中心Xj的距离作为函数的自变量,由于距离是径向同性的,所以函数称为径向基函数;
第四步、建立预测模型,
基于第三步所述径向基函数的人工神经网络模型为
式中j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测的某个点的参数(输入);y是对应的输出。
将第N个训练样本Xi,yi分别带入上述模型学习训练,得到
上式实际上是一个关于M个未知数(权值系数)ωj(j=1,2,…,M)的线性方程组,令并写成矩阵形式就是:
基函数采用Reflected sigmoidal(反演S型)函数
其中δ称为径向基函数的扩展常数,1/δ2称为平滑因子,也称为稳定因子,dmax是样本间的最大距离,N是样本个数。
由于N>M,所以上述方程组是一个超定方程组,解此方程组可获得M个未知数(权值系数)ωj(j=1、2、…、M)的解,于是便可得到基于自组织选择中心法的径向基函数人工神经网络预测模型为
式中X表示输入,y表示输出,Xj(j=1、2、…、M)表示M个训练中心;
第五步、预测老井所需要预测的测井曲线,
将老井所要预测井段的测井曲线(取样点)值Xi=[x1i、x2i、…、xpi]T依次带入中,就可得到所需要预测的测井曲线值yii=1、2、…,。
本发明所述方法的优点是:快速、有效而且几乎无成本的得到老井的缺失的测井曲线。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明。
图1为本发明的新井实测的声波曲线和预测的声波曲线示意图。
图2为本发明的老井预测的声波曲线示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
基于径向基函数神经网络模型的测井曲线预测方法,其特征在于:包含所要预测的老井和与老井所处同一油气田的至少一口新井,已知新井的多条测井曲线,运用人工神经网络技术建立预测模型,然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。运用人工神经网络技术建立预测模型的步骤如下,
第一步、选定标准井,
所述标准井为测井曲线较全的新井,该新井的测井曲线为常规测井曲线,该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线;
第二步、确定老井需要预测的具体测井曲线,
假定老井需要预测的某一具体测井曲线为输出且用y表示,老井需要预测的其它具体测井曲线也为输出,其它具体测井曲线的个数为p个,其它具体测井曲线也为输出对应用x1、x2、…、xp表示,其中p为≧2的自然数;
假定用于建立预测模型的具体测井曲线有N个取样点,对应的用向量X1、X2、…、XN表示输入,其中N为>1的自然数,其中第k个输入为Xk=[x1k、x2k、…、xpk]T,k=1,2,…,N,所对应的N个输出用向量Y=[y1、y2、…、yN]T表示;T表示转置,写成行向量,转置就是列向量;
第三步、构建输入—输出训练样本集,从上述第二步所述N个样本中选择M个样本构成基函数的中心,这里采用的是自组织选取中心法,中心位置是动态变化的,然后将N个样本反复输入,直到中心位置稳定为止。
Xj=[x1j、x2j、…、xpj]T,j=1,2,…,M,
所述M为>1的自然数,
选择M个基函数,每个基函数对应一个训练数据,各基函数的形式为
训练数据点Xj是基函数的中心,基函数以输入空间的点X与中心Xj的距离作为函数的自变量,由于距离是径向同性的,所以函数称为径向基函数;
第四步、建立预测模型,
基于第三步所述径向基函数的人工神经网络模型为
式中j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测的某个点的参数(输入);y是对应的输出。
将第N个训练样本Xi,yi分别带入上述模型学习训练,得到
上式实际上是一个关于M个未知数(权值系数)ωj(j=1,2,…,M)的线性方程组,令并写成矩阵形式就是:
基函数采用Reflected sigmoidal(反演S型)函数
其中δ称为径向基函数的扩展常数,1/δ2称为平滑因子,也称为稳定因子,dmax是样本间的最大距离,N是样本个数。
由于N>M,所以上述方程组是一个超定方程组,解此方程组可获得M个未知数(权值系数)ωj(j=1、2、…、M)的解,于是便可得到基于自组织选择中心法的径向基函数人工神经网络预测模型为
式中X表示输入,y表示输出,Xj(j=1、2、…、M)表示M个训练中心;
第五步、预测老井所需要预测的测井曲线,
将老井所要预测井段的测井曲线(取样点)值Xi=[x1i、x2i、…、xpi]T依次带入中,就可得到所需要预测的测井曲线值yii=1、2、…。
在该方法中,快速、有效而且几乎无成本的得到老井的缺失的测井曲线,有了老井完整的测井曲线,可以充分利用老井的测井曲线对研究区域进行较为客观的地质认识。预测老井缺失的测井曲线准确度高,所预测老井缺失的测井曲线与老井附近新开的新井测量得到的测井曲线比较,误差很小。
参见附图1和2,图中以人工神经网络预测模型的应用实例,所用的输入X=[GR、CNL、RXO、DEN、CAL、RT]T,输出为y=AC,AC为声波测井曲线,用某口有声波曲线的井建立了人工神经网络预测模型图1中波峰较低【即2表示的曲线】的曲线是实测的声波曲线,波峰较高的曲线【即1表示的曲线】是预测的声波曲线,图2为预测的老井的声波曲线【即老井缺失声波曲线】。
显然,上述所有实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明所述实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范畴。
综上所述,由于上述方法,本发明快速、有效而且几乎无成本的得到老井的缺失的测井曲线。
Claims (2)
1.一种基于径向基函数神经网络模型的测井曲线预测方法,其特征在于:包含所要预测的老井和与老井所处同一油气田的至少1口新井,已知新井的多条测井曲线,运用人工神经网络技术建立预测模型,然后利用该预测模型和已知新井的测井曲线对缺失测井曲线的老井进行测井曲线预测。
2.根据权利要求1所述的基于径向基函数神经网络模型的测井曲线预测方法,其特征在于:所述运用人工神经网络技术建立预测模型的步骤如下,
第一步、选定标准井,
所述标准井为测井曲线较全的新井,该新井的测井曲线为常规测井曲线,该常规测井曲线是指声波曲线AC、自然伽马曲线GR、中子曲线CNL、电阻率曲线RT、井径曲线CAL等具体测井曲线;
第二步、确定老井需要预测的具体测井曲线,
假定老井需要预测的某一具体测井曲线为输出且用y表示,老井需要预测的其它具体测井曲线也为输出,其它具体测井曲线的个数为p个,其它具体测井曲线也为输出对应用x1、x2、…、xp表示,其中p为≧2的自然数;
假定用于建立预测模型的具体测井曲线有N个取样点,对应的用向量X1、X2、…、XN表示输入,其中N为>1的自然数,其中第k个输入为Xk=[x1k、x2k、…、xpk]T,k=1,2,…,N,所对应的N个输出用向量Y=[y1、y2、…、yN]T表示;T表示转置,写成行向量,转置就是列向量;
第三步、构建输入—输出训练样本集,从上述第二步所述N个样本中选择M个样本构成基函数的中心,这里采用的是自组织选取中心法,中心位置是动态变化的,然后将N个样本反复输入,直到中心位置稳定为止;
Xj=[x1j、x2j、…、xpj]T,j=1,2,…,M,
所述M为>1的自然数,
选择M个基函数,每个基函数对应一个训练数据,各基函数的形式为
训练数据点Xj是基函数的中心,基函数以输入空间的点X与中心Xj的距离作为函数的自变量,由于距离是径向同性的,所以函数称为径向基函数;
第四步、建立预测模型,
基于第三步所述径向基函数的人工神经网络模型为
式中j为模式号、M为训练模式总数、P为度量空间的维数、X为要预测的某个点的参数(输入);y是对应的输出;
将第N个训练样本Xi,yi分别带入上述模型学习训练,得到
上式实际上是一个关于M个未知数(权值系数)ωj(j=1,2,…,M)的线性方程组,令并写成矩阵形式就是:
基函数采用Reflected sigmoidal(反演S型)函数
其中δ称为径向基函数的扩展常数,1/δ2称为平滑因子,也称为稳定因子,dmax是样本间的最大距离,N是样本个数;
由于N>M,所以上述方程组是一个超定方程组,解此方程组可获得M个未知数(权值系数)ωj(j=1、2、…、M)的解,于是便可得到基于自组织选择
中心法的径向基函数人工神经网络预测模型为
式中X表示输入,y表示输出,Xj(j=1、2、…、M)表示M个训练中心;
第五步、预测老井所需要预测的测井曲线,
将老井所要预测井段的测井曲线(取样点)值Xi=[x1i、x2i、…、xpi]T依次带入中,就可得到所需要预测的测井曲线值yii=1、2、…、N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710388429.6A CN106991509A (zh) | 2017-05-27 | 2017-05-27 | 基于径向基函数神经网络模型的测井曲线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710388429.6A CN106991509A (zh) | 2017-05-27 | 2017-05-27 | 基于径向基函数神经网络模型的测井曲线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991509A true CN106991509A (zh) | 2017-07-28 |
Family
ID=59419821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710388429.6A Pending CN106991509A (zh) | 2017-05-27 | 2017-05-27 | 基于径向基函数神经网络模型的测井曲线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991509A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298464A (zh) * | 2018-10-17 | 2019-02-01 | 中国石油天然气股份有限公司 | 致密砂岩储层成岩相测井识别方法及装置 |
CN109447249A (zh) * | 2018-12-17 | 2019-03-08 | 中国科学院计算技术研究所 | 一种基于深度卷积的对抗神经网络测井数据重建方法 |
CN109740427A (zh) * | 2018-11-26 | 2019-05-10 | 浙江财经大学 | 基于蓝噪声采样的标准井筛选可视分析方法 |
RU2706515C1 (ru) * | 2018-08-08 | 2019-11-19 | Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" | Система и способ автоматизированного описания горных пород |
CN110552693A (zh) * | 2019-09-19 | 2019-12-10 | 中国科学院声学研究所 | 一种基于深度神经网络的感应测井曲线的层界面识别方法 |
CN113378469A (zh) * | 2021-06-21 | 2021-09-10 | 大庆油田有限责任公司 | 一种基于卡尔曼滤波与支持向量机的测井曲线预测方法 |
CN113589363A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266299A (zh) * | 2008-04-14 | 2008-09-17 | 林昌荣 | 利用地震数据体结构特征预测油气的方法 |
US20110282818A1 (en) * | 2009-04-21 | 2011-11-17 | Halliburton Energy Services, Inc. | System and method of predicting gas saturation of a formation using neural networks |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
CN103018778A (zh) * | 2012-12-12 | 2013-04-03 | 中国石油天然气股份有限公司 | 校正声波测井曲线进行储层预测的方法及设备 |
US20140025303A1 (en) * | 2011-01-10 | 2014-01-23 | Saudi Arabian Oil Company | Measuring transmissivity of wells from multiple logs |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN105488248A (zh) * | 2015-11-18 | 2016-04-13 | 山东科技大学 | 一种深部矿层和岩层的判定方法 |
WO2017004626A1 (en) * | 2015-07-01 | 2017-01-05 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for providing reinforcement learning in a deep learning system |
CN106372751A (zh) * | 2016-08-31 | 2017-02-01 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 一种相对古水深指标参数的测井预测方法 |
-
2017
- 2017-05-27 CN CN201710388429.6A patent/CN106991509A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266299A (zh) * | 2008-04-14 | 2008-09-17 | 林昌荣 | 利用地震数据体结构特征预测油气的方法 |
US20110282818A1 (en) * | 2009-04-21 | 2011-11-17 | Halliburton Energy Services, Inc. | System and method of predicting gas saturation of a formation using neural networks |
US20140025303A1 (en) * | 2011-01-10 | 2014-01-23 | Saudi Arabian Oil Company | Measuring transmissivity of wells from multiple logs |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
CN103018778A (zh) * | 2012-12-12 | 2013-04-03 | 中国石油天然气股份有限公司 | 校正声波测井曲线进行储层预测的方法及设备 |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
WO2017004626A1 (en) * | 2015-07-01 | 2017-01-05 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for providing reinforcement learning in a deep learning system |
CN105488248A (zh) * | 2015-11-18 | 2016-04-13 | 山东科技大学 | 一种深部矿层和岩层的判定方法 |
CN106372751A (zh) * | 2016-08-31 | 2017-02-01 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 一种相对古水深指标参数的测井预测方法 |
Non-Patent Citations (2)
Title |
---|
XIUWEN MO等: "Well Logging Curve Reconstruction Based on Genetic Neural Networks", 《2015 12TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (FSKD)》 * |
杨志力等: "BP神经网络技术在声波测井曲线重构中的运用", 《西南石油大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2706515C1 (ru) * | 2018-08-08 | 2019-11-19 | Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" | Система и способ автоматизированного описания горных пород |
CN109298464A (zh) * | 2018-10-17 | 2019-02-01 | 中国石油天然气股份有限公司 | 致密砂岩储层成岩相测井识别方法及装置 |
CN109740427A (zh) * | 2018-11-26 | 2019-05-10 | 浙江财经大学 | 基于蓝噪声采样的标准井筛选可视分析方法 |
CN109740427B (zh) * | 2018-11-26 | 2020-10-23 | 浙江财经大学 | 基于蓝噪声采样的标准井筛选可视分析方法 |
CN109447249A (zh) * | 2018-12-17 | 2019-03-08 | 中国科学院计算技术研究所 | 一种基于深度卷积的对抗神经网络测井数据重建方法 |
CN110552693A (zh) * | 2019-09-19 | 2019-12-10 | 中国科学院声学研究所 | 一种基于深度神经网络的感应测井曲线的层界面识别方法 |
CN113589363A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
CN113589363B (zh) * | 2020-04-30 | 2024-03-19 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
CN113378469A (zh) * | 2021-06-21 | 2021-09-10 | 大庆油田有限责任公司 | 一种基于卡尔曼滤波与支持向量机的测井曲线预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991509A (zh) | 基于径向基函数神经网络模型的测井曲线预测方法 | |
CN104533400B (zh) | 一种重构测井曲线的方法 | |
AU2011382648B2 (en) | Permeability prediction systems and methods using quadratic discriminant analysis | |
CN111767674B (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN105277979B (zh) | 一种地震属性的优化方法和装置 | |
CN107784159A (zh) | 一种储层电阻率各向异性系数的确定方法 | |
CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及*** | |
CN103628816A (zh) | 地震属性指导水平井导向的方法及其装置 | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及*** | |
CN107448195A (zh) | 识别地层中轻质油层与凝析气层的方法及应用 | |
Salakhov et al. | A field-proven methodology for real-time drill bit condition assessment and drilling performance optimization | |
CN114861515A (zh) | 层速度数据体的计算方法、装置、设备及介质 | |
CN109655394B (zh) | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 | |
CN109653730B (zh) | 一种用于钻杆地层测试作业井下射孔井段深度校准方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN105182421B (zh) | 一种定量评价地层脆性特征的方法 | |
CN104834934A (zh) | 一种用于识别储层流体的核体俘获法 | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
CN117174203B (zh) | 用于砂岩铀矿的测井曲线响应分析方法 | |
CN111274736A (zh) | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 | |
CN108647417A (zh) | 一种确定页岩气储层含气饱和度的简易方法 | |
CN112950016B (zh) | 基于深度学习的多参数融合非常规油气资源甜点评价方法 | |
CN112989257B (zh) | 海相页岩油气储层的产气量测定方法 | |
Karavul et al. | Estimation of the presence of coal using ANN method by employing the geophysical log parameters at the Soma Basin |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170728 |
|
WD01 | Invention patent application deemed withdrawn after publication |