CN108104807A - 一种海洋油气资源勘探***及其使用方法 - Google Patents
一种海洋油气资源勘探***及其使用方法 Download PDFInfo
- Publication number
- CN108104807A CN108104807A CN201711348264.6A CN201711348264A CN108104807A CN 108104807 A CN108104807 A CN 108104807A CN 201711348264 A CN201711348264 A CN 201711348264A CN 108104807 A CN108104807 A CN 108104807A
- Authority
- CN
- China
- Prior art keywords
- oil
- gas
- mrow
- sample
- mover
- 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 71
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005553 drilling Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 13
- 239000003208 petroleum Substances 0.000 claims abstract description 10
- 229930195733 hydrocarbon Natural products 0.000 claims description 53
- 150000002430 hydrocarbons Chemical class 0.000 claims description 53
- 239000004215 Carbon black (E152) Substances 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 42
- 239000002253 acid Substances 0.000 claims description 29
- 230000003301 hydrolyzing effect Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 23
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 claims description 20
- 230000001360 synchronised effect Effects 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 12
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 12
- 239000005977 Ethylene Substances 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 239000013049 sediment Substances 0.000 claims description 11
- 239000001294 propane Substances 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004557 single molecule detection Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005183 dynamical system Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 241001074085 Scophthalmus aquosus Species 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 7
- 239000007789 gas Substances 0.000 description 84
- 238000011156 evaluation Methods 0.000 description 10
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 9
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 150000001335 aliphatic alkanes Chemical class 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 230000004936 stimulating effect Effects 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- YNQLUTRBYVCPMQ-UHFFFAOYSA-N Ethylbenzene Chemical compound CCC1=CC=CC=C1 YNQLUTRBYVCPMQ-UHFFFAOYSA-N 0.000 description 2
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- -1 Arene compound Chemical class 0.000 description 1
- WYLIRYQDDKDHLT-UHFFFAOYSA-N CC1=CC=CC=C1C.CC1=CC=CC=C1C Chemical compound CC1=CC=CC=C1C.CC1=CC=CC=C1C WYLIRYQDDKDHLT-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 150000001491 aromatic compounds Chemical class 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 150000001555 benzenes Chemical class 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- XTCQUBCCCSJAKJ-UHFFFAOYSA-N ethylbenzene Chemical compound CCC1=CC=CC=C1.CCC1=CC=CC=C1 XTCQUBCCCSJAKJ-UHFFFAOYSA-N 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geology (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Optics & Photonics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
Abstract
本发明涉及一种海洋油气资源勘探***及其使用方法,包括钻井设备、通讯设备、存储设备、中央处理器;所述钻井设备通过通讯设备与中央处理器相连接,存储设备与中央处理器相连接;所述钻井设备包括多个数据采集器,每个数据采集器将采集的数据反馈到中央处理器,并保存在存储设备上;所述中央处理器还包括油气资源判断单元,所述油气资源判断单元采用先进的勘探方法进行油气资源勘探。本发明能够借鉴BP神经网络的学习能力,提高了油气资源勘探的准确性,解决了现有方法中人为主观随意性强,不同勘探人员判断尺度不统一的问题,从而提高了勘探目标分布范围计算的精度和准确性,在海洋资源勘探领域具有广阔的市场前景。
Description
技术领域
本发明涉及海洋资源勘探领域,具体涉及一种海洋油气资源勘探***及其使用方法。
背景技术
近年来,随着陆上资源的逐步枯竭和科学技术的高速发展,海洋资源因其经济上的巨大潜力和战略上的重要地位越来越被人们所重视。海洋资源中的海洋油气资源更是各国的战略储备资源之首。
海洋油气资源,有别于常规油气藏,勘探开发处于探索阶段,主要集中在成藏模式、地质特征等方面研究,地球物理技术在海洋油气资源勘探开发中的作用还有待开发。岩石地球物理、地球物理测井、地震勘探技术在油气勘探中起着重要的作用。
石油地球物理勘探是根据地下岩层物理性质的差异,通过物理量测量,对地质构造或岩层性质进行研究,以寻找石油和天然气的地球物理勘探。在石油勘探中,对于被表土﹑沙漠和海水覆盖没有岩层直接出露的地区,主要依靠石油地球物理勘探方法间接了解地质构造和岩层性质,寻找油气藏。目前,石油地球物理勘探已成为覆盖区勘探石油的一种不可缺少的手段。刘双莲和陆黄生在《页岩气测井评价技术特点及评价方法探讨》(测井技术,2011,35(2):112-116)一文中,从调研北美页岩气成功勘探开发实例入手,在储层地质背景研究的基础上,分析了页岩气与常规油气层测井评价方法的主要差异。中国专利申请CN201410697345.7公开了一种确定海洋可控电磁源勘探激发频率的方法及***,该发明通过快速正演算法,得到归一化异常幅值随偏移距和激发频率点变化的平面分布图,从而可以精确地确定最佳的发射源激发频率点。中国专利申请CN201410195161.0公开了一种海洋钻井平台及其设备信息管理***,提高了信息检索、改善了信息管理状况,从而提高了钻井***配置选型效率,对海洋钻井设备配套具有重要的指导意义。然而,目前的技术均没有在油气储藏量的勘探、判定上做更多的研究,该方面技术比较落后。
作为一种直接找油气方法,油气化探对于快速圈定远景区块、非构造油气藏勘探和构造圈闭的含油气性评价等方面均有其独特的作用。该方法的成功与否取决于化探异常判定过程的正确程度,正确判定远景区需要许多经验处理。常规的油气化探基本是应用烷烃类作为油气勘探的基本指标。随着勘探分析手段和水平的提高及高技术的引入,直接的生物标记化合物如非烷烃类物质中的苯系化合物成为油气化探技术预测油气藏的指标。苯(Benzene)、甲苯(Toluene)、乙苯(Ethyl benzene)和二甲苯(Xylene)(缩写为BTEX)等石油芳香烃化合物是存在于石油及天然气矿藏的主要物质成分,与油气藏有关的海水、地下水所含的可溶解碳氢化合物中具有这4种物质的异常。BTEX具有如下重要特点:(1)专一性,地表生物化学作用难以生成BTEX,这有利于排除人文活动影响,使BTEX异常与深部油气藏有良好的对应关系;(2)稳定性好,BTEX被细菌、酵母、酶的代谢速度很慢。已发现的100多种能降解烷烃的细菌、酵母、酶中仅有少数可降解芳香族化合物;(3)易于运移,BTEX容易挥发,以气态的形式存在于油气盖层中,分子体积较小;(4)易形成顶部异常,在地下水中甲烷的溶解度为35000×10-6,而苯、甲苯、乙苯分别为1800×10-6,550×10-6,110×10-6,比甲烷低很多,因此BTEX受地下水运动影响的横向扩散效应不显著。由于BTEX指标与油气在成因上关系密切,在相同的水文地质条件下被视为油气化探的直接指标。国外的研究还表明,BTEX的含量(浓度)随着接近油气藏而增高,在油气运移地下水系环境中与油源(距离)存在线性关系,由此可以较好地推测出油气藏的空间分布趋势。在海洋油气勘探中,若能分析海底浅层沉积物中获取的BTEX指标的含量分布,可为油气的勘探提供重要依据,从而成为海洋油气化探的有效方法之一。但实际采集样品中BTEX的含量很低,且在地表水文环境中易挥发,采集的样品难保存,用常规分析技术难以得到可靠的异常。清华大学采用激光单分子探测技术实现了对海水及海底沉积物中BTEX的高精度测量,使得该技术应用成为可能。
人工神经网络是目前非线性方法技术的研究热点之一,因其独有的学习记忆和非线性逼近能力已经被成功应用于很多研究领域,在地球物理资料处理与油气勘探领域中有许多成功的应用。神经网络的性能取决于网络结构、神经元性质及训练方法,神经网络模型的性能评估主要是通过检验数据集衡量所建立的模型对于新输入的预测能力,即泛化能力。神经网络的自适应性和容错能力强,预测或识别速度快,但是预测前需进行属性优选,而且在对网络进行训练时,需要足够多的具有代表性的样本数据。属性优选是基础,网络训练是关键。
问题一:在油气资源勘探领域技术相对落后,神经网络算法并不能直接应用其中,是否可以通过对算法和流程上的优化,从而提出一种适合于油气资源勘探的先进技术。
问题二:如何判定前述方法的正确性?对于误差满足要求的神经网络学习训练过程,如何对其泛化能力进行判定,即神经网络算法的精度大小问题,此前对神经网络算法的研究并未涉及。在网络结构、训练参数不尽相同的情况下,如何判定同一组学习训练样本以及训练过程的精度高低,是阻碍神经网络应用的一个问题。
问题三:现有技术中存在多种探测方法,对于其探测结果的有效性,缺乏判断依据。
发明内容
为了克服上述缺陷,本发明采用如下的技术方案:
一种海洋油气资源勘探***,其特征在于:包括钻井设备、通讯设备、存储设备、中央处理器;所述钻井设备通过通讯设备与中央处理器相连接,存储设备与中央处理器相连接。
作为一种选择,所述通讯设备包含无线网络设备。
所述钻井设备为钻井船、坐底式平台、半潜式平台、张力腿式平台、套索塔式平台及自升式平台中的一种。
所述钻井设备,包括起升***设备、旋转***设备、循环***设备、动力***设备、管材处理***设备、辅助设备和钻机底座设备。所述起升***设备包括井架、绞车、天车、游车、大钩、刹车等设备;所述旋转***设备包括转盘、顶驱、水龙头等设备;所述循环***设备包括钻井泵、振动筛、除泥器、搅拌器、除砂器、离心机、除气器、鼓风机等设备;所述动力***设备包括发电、配电等设备;所述管材处理***包括动力猫道、铁钻工、抓管机、管材排放等设备;所述辅助设备包括防喷器及其移运装置、采油树及其移运装置等设备。
所述钻井设备包括多个数据采集器,每个数据采集器将采集的数据反馈到中央处理器,并保存在存储设备上。
通过上述海洋油气资源勘探***在海洋上进行油气资源勘探,采集海底沉积物样品数据,并采用激光单分子探测技术对采集的沉积物样品进行室内分析。室内分析除获得了BTEX指标的观测数据之外,还获取了同步荧光系列、酸解烃系列、热释烃系列等23种常规化探指标的观测数据。根据23种指标的聚类分析结果从中选取同步荧光330nm(TB330)、酸解烃丙烷(SC)、酸解烃乙烯(SC2H4)、热释烃乙烷(RC2)等4种指标作为BTEX异常综合评价时的化探特征参数,并结合油气地质、地球物理等资料,进行BTEX异常的综合判定。采集的数据至少包括:同步荧光330nm(TB330)、酸解烃丙烷(SC3)、酸解烃乙烯(SC2H4)、热释烃乙烷(RC2)、油气地质、重力垂向二阶导数、磁力垂向一阶导数。
所述重力垂向二阶导数、磁力垂向一阶导数等地球物理资料通过查找既往资料获得,或者在海洋油气资源勘探***中增加相关勘探设备,如陀螺仪、重力传感器,以及惯导***。
进一步的,一种海洋油气资源勘探***,所述中央处理器包括油气资源判断单元,所述油气资源判断单元采用如下的方法进行油气资源勘探:
步骤一:对试验区的油气化探异常,采集基础数据。
通过海洋油气资源勘探***在海洋上进行油气资源勘探,采集海底沉积物样品数据,并采用激光单分子探测技术对采集的沉积物样品进行分析,获得BTEX指标的观测数据,以及同步荧光系列、酸解烃系列、热释烃系列的常规化探指标的观测数据,从中选取同步荧光330nm、酸解烃丙烷、酸解烃乙烯、热释烃乙烷作为化探特征参数,并结合油气地质、地球物理资料,进行BTEX异常的综合判定;
步骤二:建立BP网络模型。
采用三层BP网络拓扑结构,输入层节点数为m=10,采用单隐层,节点数s=7,输出层节点为n,当n=6时,“期望输出”为6种:[1,0,0,0,0,0]、[0,1,0,0,0,0]、[0,0,1,0,0,0]、[0,0,0,1,0,0]、[0,0,0,0,1,0]、[0,0,0,0,0,1],分别表示含油气藏、油藏、含少量油藏、气藏、含少量气藏、无油气6种类别;每个神经元均采用(0,1)之间的连续函数输出,选输出值最大者所在的神经元输出为结果类别;
步骤三:建立好BP网络模型后,对学习样本进行训练。
对试验区内已知的含油气样本和不含油气样本处提取属性样本,进行神经网络学习训练;选取该试验区10个已知异常作为学习模式供网络学习,最大学习次数为50000次,***最大误差为0.00005,学习时采用串行方式学习,并采用变学习率和在权值调整过程中增加动量项的方法来改进网络收敛速度慢和容易陷入局部极小的缺点。
输入参数包括F1-F7共7个参数,其含义依次为:同步荧光330nm(TB330)、酸解烃丙烷(SC3)、酸解烃乙烯(SC2H4)、热释烃乙烷(RC2)、油气地质、重力垂向二阶导数、磁力垂向一阶导数。
网络训练30000次后收敛,学习训练过程结束,输出结果;
输出结果为“学习阶段各异常实际输出”;
步骤四:将“学习阶段各异常实际输出”对应到“期望输出”,通过“期望输出”与“类别结果”对照表,输出各样本的类别结果;
步骤五:由步骤四中学习样本期望输出与实际输出之差可得到残差v,利用下式即可求得单位权方差估值:
式中,P为单位阵I,多余观测r=q-1=9;
再利用下列公式计算求得Naa、
Naa=AP-1AT
式中,Q为P的协因数阵,Q=P-1,A为7*6阶矩阵,A中所有元素均为1;
则学习样本实际输出值的中误差为:
将与阈值比较,当小于阈值时,继续进行下一步;否则,删除引起误差较大的样本,继续进行学习;
步骤六:利用训练好的BP神经网络模型对该试验区10个未知BTEX异常进行计算,输出类别结果。
进一步的,上述方法还包括以下步骤:
步骤七:计算步骤六输出类别结果的精度;
步骤八:实际钻井勘探,验证上述勘探方法的正确性,主要验证精度偏低的区域。
进一步的,作为一种选择,步骤二至五中采用多种学习训练数据,从中选择中误差最小的一组作为最优网络结构。
所述步骤七中,采用如下的方法计算精度:
(1)对学习样本每层节点均施加小的增量eij=0.001;
(2)利用BP算法计算学习样本实际输出(“学习阶段各异常实际输出”)yij′,由yij′与施加增量eij前的输出yij相减可得到对应于eij的变化pij,则全微分
(3)由Qyy=gTQxxg,可得预测样本的中误差为 采用学习训练过程的计算结果,视预测样本输入向量为独立观测值,Qxx=P-1=I。
与现有技术相比,本发明具有以下优点:
1.为油气资源勘探提供判断方法,解决了现有方法中人为主观随意性强,不同勘探人员判断尺度不统一的问题,从而提高了勘探目标分布范围计算的精度和准确性。
2.能够借鉴BP神经网络的学习能力,能从已知的信息中得到有利于解决最优化问题的结论,进而提高了油气资源勘探的准确性。
3.利用测量误差处理的基本知识对神经网络勘探方法的精度进行估计,为神经网络模型的结构设计提供有效参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的油气资源勘探方法流程图。
具体实施方式
以下将参照附图,通过实施例方式详细地描述本发明提供的***及其工作方法。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况,本文中术语“/和”是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况,另外,本文中字符“/”,一般表示前后关联对象是一种“或”关系。
实施例一
本实施例主要介绍本发明的海洋油气资源勘探***的构成。
一种海洋油气资源勘探***,其特征在于:包括钻井设备、通讯设备、存储设备、中央处理器;所述钻井设备通过通讯设备与中央处理器相连接,存储设备与中央处理器相连接。
作为一种选择,所述通讯设备可以包含无线网络设备。
所述钻井设备为钻井船、坐底式平台、半潜式平台、张力腿式平台、套索塔式平台及自升式平台中的一种。
所述钻井设备,包括起升***设备、旋转***设备、循环***设备、动力***设备、管材处理***设备、辅助设备和钻机底座设备。所述起升***设备包括井架、绞车、天车、游车、大钩、刹车等设备;所述旋转***设备包括转盘、顶驱、水龙头等设备;所述循环***设备包括钻井泵、振动筛、除泥器、搅拌器、除砂器、离心机、除气器、鼓风机等设备;所述动力***设备包括发电、配电等设备;所述管材处理***包括动力猫道、铁钻工、抓管机、管材排放等设备;所述辅助设备包括防喷器及其移运装置、采油树及其移运装置等设备。
所述钻井设备包括多个数据采集器,每个数据采集器将采集的数据反馈到中央处理器,并保存在存储设备上。
通过上述海洋油气资源勘探***在海洋上进行油气资源勘探,采集海底沉积物样品数据,并采用激光单分子探测技术对采集的沉积物样品进行分析(可以选择室内分析)。分析除获得了BTEX指标的观测数据之外,还获取了同步荧光系列、酸解烃系列、热释烃系列等23种常规化探指标的观测数据。根据23种指标的聚类分析结果从中选取同步荧光330nm(TB330)、酸解烃丙烷(SC)、酸解烃乙烯(SC2H4)、热释烃乙烷(RC2)等4种指标作为BTEX异常综合评价时的化探特征参数,并结合油气地质、地球物理等资料,进行BTEX异常的综合评价。采集的数据至少包括:同步荧光330nm(TB330)、酸解烃丙烷(SC3)、酸解烃乙烯(SC2H4)、热释烃乙烷(RC2)、油气地质、重力垂向二阶导数、磁力垂向一阶导数。
实施例二
本实施例主要介绍本发明油气资源判断单元的基本原理,包含BP算法在应用到海洋油气资源勘探时的特殊约定和设计。
所述中央处理器包括油气资源判断单元。
1 BP算法原理
反向传播网络(Back-Propagation Network,简称BP网络)具有优良的非线性逼近能力,是神经网络研究中最常用的一种算法。理论上已经证明:具有偏差和至少一个S型隐含层加上一个线性输出层的网络,能够以任意的精度逼近任意复杂的非线性函数。因此在海洋油气资源勘探研究BP算法时,为简化起见,设隐层仅为一层,则一个三层的BP网络中,第一层为输入层,第二层为隐层,第三层为输出层。各层之间由权系数连接,每一层的输出为下一层的输入。一般情况下,不同层有不同的神经元(节点)数目,且每个神经元都带有一个输入为1的偏差值(阈值)b,现设输入层节点数为m(由输入变量维数决定),隐含层节点数为s(可选),输出层节点数为n(由输出变量维数决定)。初始化各层的权值和偏差为(-1,1)内的随机数,并设置好适当的目标误差ε及最大训练次数T。激活函数f通常采用S型函数:
f(x)=1/(1+e-x) (1)
设给定q组学习样本,其输入、输出向量分别为xp=[xp1,xp2,…,xpm]T,dp=[dp1,dp2,…,dpn]T,(p=1,2,…,q)。利用学习样本组对网络进行训练,即调整网络的连接权值w,使网络的输出yk尽可能接近真实输出dp,实现给定输入、输出的映射关系。这样训练后的网络,对于非样本集输入,也能够给出合适的输出。
为了消除输入样本顺序对训练结果的影响,可采取批处理方式修改权值。当网络经过全部学***均在一起,这样可以得到更精确的梯度估计。如果学***方误差的平均值与目标误差比较,再修正网络中的各个权值和偏差。
其中上、下标p特指第p组学习样本。对于全部q组学习样本,学习误差函数为:
网络训练的经典BP算法是采用梯度下降法修正网络连接权值w,即:
其中η为学习速率。通过不断循环迭代直到误差函数E足够小,网络训练结束。经过学习训练,BP网络中各层节点之间的权值确定,就可以利用该网络进行预测,此时的输出结果即为对应于输入的预测结果。
2 BP神经网络算法精度
众所周知,测量数据处理的目的之一是要计算测量成果的精度,测量成果精度包括两个方面:一是观测值的实际精度;二是由观测值经平差得到的观测值函数的精度。对于BP算法而言,第一个方面对应的是学习过程中学习样本的实际精度;第二个方面对应的是预测过程中预测结果的精度。
2.1 BP算法学习训练过程精度
学***差值设残差为v,则有即由单位权方差的估值为残差平方和VTPV除以该问题的自由度r(多余观测数),即:
由于学***差方法求解,则法方程系数为:
Naa=AP-1AT (6)
A为m*n阶矩阵,A中所有元素均为1。则实际输出值的协因数阵为:
Q为P的协因数阵,Q=P-1。则学习样本实际输出值的中误差为:
可用于计算BP算法学习训练过程的精度高低,该值越小,表明学习训练过程精度越高,说明学习样本选择比较合理。
2.2 BP算法预测过程精度
BP算法在学习训练过程完成之后,各层之间的联系以各节点之间连接权的形式固定下来。BP网络即可根据预测过程的输入向量,利用已确定的权值及偏差向量,计算得到对应的预测结果,计算过程如下:
输入层:
隐含层:
输出层:
设由xip,i=1,2,...,n求解ykp,k=1,2,...,m的过程由函数g确定,则有:
ykp=g(xip),i=1,2,...,n;k=1,2,...,m
则由非线性函数协因数传播律,Qyy=gTQxxg,g为对函数g全微分后各变量的系数阵,预测样本的中误差为:
采用学习训练过程的计算结果,若视预测样本输入向量为独立观测值,则Qxx=P-1=I。这样就实现了对BP算法预测过程的精度计算。
经过以上理论性的专业设计和验证,本发明采用如下的技术方案:
一种海洋油气资源勘探***,所述中央处理器包括油气资源判断单元,所述油气资源判断单元采用如下的方法进行油气资源勘探:
步骤一:对试验区的油气化探异常,采集基础数据。
通过海洋油气资源勘探***在海洋上进行油气资源勘探,采集海底沉积物样品数据,并采用激光单分子探测技术对采集的沉积物样品进行分析,获得BTEX指标的观测数据,以及同步荧光系列、酸解烃系列、热释烃系列的常规化探指标的观测数据,从中选取同步荧光330nm、酸解烃丙烷、酸解烃乙烯、热释烃乙烷作为化探特征参数,并结合油气地质、地球物理资料,进行BTEX异常的综合判定。步骤二:建立BP网络模型;采用三层BP网络拓扑结构,输入层节点数为m=10,采用单隐层,节点数s=7,输出层节点为n,当n=6时,“期望输出”为6种:[1,0,0,0,0,0]、[0,1,0,0,0,0]、[0,0,1,0,0,0]、[0,0,0,1,0,0]、[0,0,0,0,1,0]、[0,0,0,0,0,1],分别表示含油气藏、油藏、含少量油藏、气藏、含少量气藏、无油气6种类别;每个神经元均采用(0,1)之间的连续函数输出,评价时选输出值最大者所在的神经元输出为结果类别;
步骤三:建立好BP网络模型后,对学习样本进行训练。
对试验区内已知的含油气样本和不含油气样本处提取属性样本,进行神经网络学习训练;选取该试验区10个已知异常作为学习模式供网络学习,最大学习次数为50000次,***最大误差为0.00005,学习时采用串行方式学习,并采用变学习率和在权值调整过程中增加动量项的方法来改进网络收敛速度慢和容易陷入局部极小的缺点。
输入参数包括F1-F7共7个参数,其含义依次为:同步荧光330nm(TB330)、酸解烃丙烷(SC3)、酸解烃乙烯(SC2H4)、热释烃乙烷(RC2)、油气地质、重力垂向二阶导数、磁力垂向一阶导数。
网络训练30000次后收敛,学习训练过程结束,输出结果;
输出结果为“学习阶段各异常实际输出”;
步骤四:将“学习阶段各异常实际输出”对应到“期望输出”,通过“期望输出”与“类别结果”对照表,输出各样本的类别结果;
步骤五:由步骤四中学习样本期望输出与实际输出之差可得到残差v,利用下式即可求得单位权方差估值:
式中,P为单位阵I,多余观测r=q-1=9,A为7*6阶矩阵,A中所有元素均为1;
再利用下列公式计算求得Naa、
Naa=AP-1AT
式中,Q为P的协因数阵,Q=P-1;
则学习样本实际输出值的中误差为:
将与阈值比较,当小于阈值时,继续进行下一步;否则,删除引起误差较大的样本,继续进行学习;
步骤六:利用训练好的BP神经网络模型对该试验区10个未知BTEX异常进行计算,输出类别结果。
进一步的,上述方法还包括以下步骤:
步骤七:计算步骤六输出类别结果的精度;
步骤八:实际钻井勘探,验证上述勘探方法的正确性,主要验证精度偏低的区域。
进一步的,作为一种选择,步骤二至五中采用多种学习训练数据,从中选择中误差最小的一组作为最优网络结构。
所述步骤七中,采用如下的方法计算精度:
(1)对学习样本每层节点均施加小的增量eij=0.001;
(2)利用BP算法计算学习样本实际输出yij′,由yij′与施加增量eij前的输出yij相减可得到对应于eij的变化pij,则全微分
(3)由Qyy=gTQxxg,可得预测样本的中误差为 采用学习训练过程的计算结果,视预测样本输入向量为独立观测值,Qxx=P-1=I。
实施例三
本实施例是在前述实施例1-2的基础上进行的,为了结合实际案例说明本发明的技术方案。
首先对渤海湾某试验区圈定的油气化探异常,结合试验区的化探、油气地质、地球物理等资料,利用BP神经网络算法进行异常的判断。需要注意的是,在利用神经网络算法进行油气勘探时,要对试验区内已知的含油气样本和不含油气样本处提取属性样本,进行神经网络学习训练,用训练好的网络对整个试验区进行油气勘探。
采用三层BP网络拓扑结构,输入层节点数为7,采用单隐层,节点数10,输出层节点为6,分别表示含油气藏、油藏、含少量油藏、气藏、含少量气藏、无油气等6种类别结果,期望输出如表1所示。每个神经元均采用(0,1)之间的连续函数输出,评价时选输出值最大者所在的神经元输出为结果类别。
表1 BP神经网络勘探模型输出含义
Table 1 The output signification of the BP neural network evaluationmodel output
序号 | 期望输出 | 含义 |
1 | [1,0,0,0,0,0] | 含油气藏 |
2 | [0,1,0,0,0,0] | 油藏 |
3 | [0,0,1,0,0,0] | 含少量油藏 |
4 | [0,0,0,1,0,0] | 气藏 |
5 | [0,0,0,0,1,0] | 含少量气藏 |
6 | [0,0,0,0,0,1] | 无油气 |
建立好BP网络模型后,即可对学习样本进行训练,选取该试验区10个已知异常作为学习模式供网络学习,最大学习次数为50000次,***最大误差为0.00005,学习时采用串行方式学习,并采用变学习率和在权值调整过程中增加动量项的方法来改进网络收敛速度慢和容易陷入局部极小的缺点。网络训练30000次后收敛,学习训练过程结束,模型实际输出见表2。表2中第1列为参与学习的各异常编号,编号EA、EB的为东区异常,编号WA、WB的为西区异常,第2-8列为各异常在7个评价参数指标上的得分,其中F1-F7的含义如表2下注所示,第9列为学习阶段各异常期望输出,第10-11列为学习阶段各异常实际输出及对应勘探结果。
利用训练好的BP神经网络模型对该试验区10个未知BTEX异常进行勘探,类别结果如表3所示。表3中第1列为参与探勘的各异常编号,2-8列为各异常在7个参数指标上的得分,F1-F7的含义同表2,最后2列为各异常实际输出及对应类别结果。可以看出,试验区的含油气类别结果类型共有四种:油气区、油区、气区、少量气区。经与实际勘探资料比对,与实际钻井结果吻合较好。
表2 BP神经网络探勘模型学习训练样本及输出
Table 2 The BP neural network study and training model and output
注:EA为东区异常;WA为西区异常;10为无油气异常。F1~F7为各评价指标,依次为:同步荧光330nm(TB330)、酸解烃丙烷(SC3)、酸解烃乙烯(SC2H4)、热释烃乙烷(RC2)、油气地质、重力垂向二阶导数、磁力垂向一阶导数。
表3 BP神经网络探勘模型预测结果
Table 3 The BP neural network evaluation result of BTEX anomalies
(注:EA、EB为东区异常;WA、WB为西区异常;F1-F7含义同表2。)
以下,进行BP算法精度计算。
(1)学习训练过程的精度
由表2中学习样本期望输出与实际输出之差可得到残差v,利用式(5)即可求得单位权方差估值P为单位阵I,多余观测r=q-1=9。A为7*6阶矩阵,A中所有元素均为1。再利用式(6)、(7)计算求得Naa、即可得到学习样本实际输出值的中误差
单位权方差估值为:
法方程系数阵为:
实际输出值的协因数阵为:
学习样本实际输出值的中误差为:
学习样本实际各输出值的中误差分别为:
可见BP算法学习训练过程的精度较高,各输出值中误差最大仅为0.0014,可以满足异常勘探的要求,表明BP网络结构设计合理,学习样本选择合理。
(2)预测过程的精度
由于预测过程中输入x到输出y的函数g并未确定其具体形式,则系数阵g无法直接求得。为简化起见,由全微分定义可知,若对学习样本每层节点均施加小的增量eij=0.001(表4中2-8列),利用BP算法计算学习样本实际输出yij′(如表4第9列所示),由yij′与施加增量eij前的输出yij相减可得到对应于eij的变化pij,则全微分由Qyy=gTQxxg,可得预测样本的中误差为 采用学习训练过程的计算结果,视预测样本输入向量为独立观测值,Qxx=P-1=I。
表4施加小增量eij后BP神经网络勘探模型预测结果
Table 4 The BP neural network comprehensive evaluation result of BTEXanomalies(eijbe exerted)
注:EA、EB为东区异常;WA、WB为西区异常;F1-F7含义同表2。
预测样本输出值的协因数阵为:
预测样本的中误差为:
预测样本各输出值的中误差分别为:
对比学习训练过程各输出值中误差,可以发现BP算法预测阶段各输出值的中误差差别较大,且普遍大于学习训练阶段,但仍达到了较好的预测效果,其中误差最大为0.0043,最小为0.0010;学习训练过程输出值中误差最大为0.0014,最小仅为0.0002。在进行BP网络结构设计的时候,可以分别计算不同网络结构下学习训练及预测阶段的中误差,计算各算法的精度高低,从而为最优网络结构的选择提供理论依据。
如上所述,可较好地实现本发明。对于本领域的技术人员而言,在不脱离本发明的原理和精神的情况下对这些实施例进行变化、修改、替换、整合和变型仍落入本发明的保护范围内。本发明中未进行特殊说明或限定的部分,均采用现有技术实施。
Claims (9)
1.一种海洋油气资源勘探***,其特征在于:包括钻井设备、通讯设备、存储设备、中央处理器;所述钻井设备通过通讯设备与中央处理器相连接,存储设备与中央处理器相连接。
2.根据权利要求1所述的一种海洋油气资源勘探***,其特征在于:所述通讯设备包含无线网络设备。
3.根据权利要求2所述的一种海洋油气资源勘探***,其特征在于:所述钻井设备为钻井船、坐底式平台、半潜式平台、张力腿式平台、套索塔式平台及自升式平台中的一种。
4.根据权利要求3所述的一种海洋油气资源勘探***,其特征在于:所述钻井设备包括起升***设备、旋转***设备、循环***设备、动力***设备、管材处理***设备、辅助设备和钻机底座设备。
5.根据权利要求3或4所述的一种海洋油气资源勘探***,其特征在于:所述钻井设备包括多个数据采集器,每个数据采集器将采集的数据反馈到中央处理器,并保存在存储设备上。
6.根据权利要求5所述的一种海洋油气资源勘探***,其特征在于:所述数据采集器采集的数据包括同步荧光330nm、酸解烃丙烷、酸解烃乙烯、热释烃乙烷、油气地质、重力垂向二阶导数、磁力垂向一阶导数。
7.一种使用权利要求1-6任一项所述的海洋油气资源勘探***的方法,其特征在于:所述中央处理器包括油气资源判断单元,所述油气资源判断单元采用如下的方法进行油气资源勘探:
步骤一:对试验区的油气化探异常,采集基础数据;通过海洋油气资源勘探***在海洋上进行油气资源勘探,采集海底沉积物样品数据,并采用激光单分子探测技术对采集的沉积物样品进行分析,获得BTEX指标的观测数据,以及同步荧光系列、酸解烃系列、热释烃系列的常规化探指标的观测数据,从中选取同步荧光330nm、酸解烃丙烷、酸解烃乙烯、热释烃乙烷作为化探特征参数,并结合油气地质、地球物理资料,进行BTEX异常的综合判定;
步骤二:建立BP网络模型;采用三层BP网络拓扑结构,输入层节点数为q=10,采用单隐层,节点数s=7,输出层节点为n,当n=6时,“期望输出”为6种:[1,0,0,0,0,0]、[0,1,0,0,0,0]、[0,0,1,0,0,0]、[0,0,0,1,0,0]、[0,0,0,0,1,0]、[0,0,0,0,0,1],分别表示含油气藏、油藏、含少量油藏、气藏、含少量气藏、无油气6种类别;每个神经元均采用(0,1)之间的连续函数输出,选输出值最大者所在的神经元输出为结果类别;
步骤三:建立好BP网络模型后,对学习样本进行训练;对试验区内已知的含油气样本和不含油气样本处提取属性样本,进行神经网络学习训练;选取该试验区10个已知异常作为学习模式供网络学习,最大学习次数为50000次,***最大误差为0.00005,学习时采用串行方式学习,并采用变学习率和在权值调整过程中增加动量项的方法来改进网络收敛速度慢和容易陷入局部极小的缺点;输入参数包括F1-F7共7个参数,其含义依次为:同步荧光330nm、酸解烃丙烷、酸解烃乙烯、热释烃乙烷、油气地质、重力垂向二阶导数、磁力垂向一阶导数;网络训练30000次后收敛,学习训练过程结束,输出结果;输出结果为“学习阶段各异常实际输出”;
步骤四:将“学习阶段各异常实际输出”对应到“期望输出”,通过“期望输出”与“类别结果”对照表,输出各样本的类别结果;
步骤五:由步骤四中学习样本期望输出与实际输出之差可得到残差v,利用下式即可求得单位权方差估值:
<mrow>
<msubsup>
<mover>
<mi>&delta;</mi>
<mo>^</mo>
</mover>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>V</mi>
<mi>T</mi>
</msup>
<mi>P</mi>
<mi>V</mi>
</mrow>
<mi>r</mi>
</mfrac>
</mrow>
式中,P为单位阵I,多余观测r=q-1=9;
再利用下列公式计算求得Naa、
Naa=AP-1AT
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mover>
<mi>L</mi>
<mo>^</mo>
</mover>
<mover>
<mi>L</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>L</mi>
<mi>L</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>V</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>Q</mi>
<mo>-</mo>
<msup>
<mi>QA</mi>
<mi>T</mi>
</msup>
<msubsup>
<mi>N</mi>
<mrow>
<mi>a</mi>
<mi>a</mi>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mi>A</mi>
<mi>Q</mi>
</mrow>
式中,Q为P的协因数阵,Q=P-1,A为7*6阶矩阵,A中所有元素均为1;
则学习样本实际输出值的中误差为:
<mrow>
<msub>
<mover>
<mi>&delta;</mi>
<mo>^</mo>
</mover>
<mover>
<mi>L</mi>
<mo>^</mo>
</mover>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>&delta;</mi>
<mo>^</mo>
</mover>
<mn>0</mn>
</msub>
<msqrt>
<msub>
<mi>Q</mi>
<mrow>
<mover>
<mi>L</mi>
<mo>^</mo>
</mover>
<mover>
<mi>L</mi>
<mo>^</mo>
</mover>
</mrow>
</msub>
</msqrt>
</mrow>
将与阈值比较,当小于阈值时,继续进行下一步;否则,删除引起误差较大的样本,继续进行学习;
步骤六:利用训练好的BP神经网络模型对该试验区10个未知BTEX异常进行计算,输出类别结果。
8.根据权利要求7所述的使用海洋油气资源勘探***的方法,其特征在于:所述方法还包括以下步骤:
步骤七:计算步骤六输出类别结果的精度;
步骤八:实际钻井勘探,验证上述勘探方法的正确性,重点验证精度偏低的区域。
9.根据权利要求8所述的使用海洋油气资源勘探***的方法,其特征在于:所述步骤七中,采用如下的方法计算精度:
(1)对学习样本每层节点均施加小的增量eij=0.001;
(2)利用BP算法计算学习样本“学习阶段各异常实际输出”y′ij,由y′ij与施加增量eij前的输出yij相减可得到对应于eij的变化pij,则全微分
(3)由Qyy=gTQxxg,可得预测样本的中误差为采用学习训练过程的计算结果,视预测样本输入向量为独立观测值,Qxx=P-1=I。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711348264.6A CN108104807A (zh) | 2017-12-16 | 2017-12-16 | 一种海洋油气资源勘探***及其使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711348264.6A CN108104807A (zh) | 2017-12-16 | 2017-12-16 | 一种海洋油气资源勘探***及其使用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108104807A true CN108104807A (zh) | 2018-06-01 |
Family
ID=62216168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711348264.6A Pending CN108104807A (zh) | 2017-12-16 | 2017-12-16 | 一种海洋油气资源勘探***及其使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108104807A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298410A (zh) * | 2018-11-02 | 2019-02-01 | 北京遥测技术研究所 | 一种海洋溢油探测激光雷达 |
CN109857782A (zh) * | 2019-01-28 | 2019-06-07 | 中国石油大学胜利学院 | 一种测井数据采集处理*** |
CN110107231A (zh) * | 2019-06-06 | 2019-08-09 | 吉林大学 | 一种自适应神经网络自动猫道及其控制方法 |
CN110796155A (zh) * | 2019-07-12 | 2020-02-14 | 大港油田集团有限责任公司 | 一种基于聚类算法的原油含水数据分析方法 |
CN117514086A (zh) * | 2023-12-29 | 2024-02-06 | 山东成林石油工程技术有限公司 | 一种半潜式离心射流装置及使用方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040099092A (ko) * | 2002-03-26 | 2004-11-26 | 카운슬 오브 사이언티픽 앤드 인더스트리얼 리서치 | 계기 노이즈 및 측정 오차의 존재 하의 인공 신경망모델의 향상된 성능 |
CN101514624A (zh) * | 2008-03-05 | 2009-08-26 | 中国科学院自动化研究所 | 嵌入式油井参数实时采集*** |
CN103970101A (zh) * | 2014-05-09 | 2014-08-06 | 中国石油大学(华东) | 海洋钻井平台及其设备信息管理*** |
US9734220B2 (en) * | 2012-12-04 | 2017-08-15 | Planet Os Inc. | Spatio-temporal data processing systems and methods |
-
2017
- 2017-12-16 CN CN201711348264.6A patent/CN108104807A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040099092A (ko) * | 2002-03-26 | 2004-11-26 | 카운슬 오브 사이언티픽 앤드 인더스트리얼 리서치 | 계기 노이즈 및 측정 오차의 존재 하의 인공 신경망모델의 향상된 성능 |
CN101514624A (zh) * | 2008-03-05 | 2009-08-26 | 中国科学院自动化研究所 | 嵌入式油井参数实时采集*** |
US9734220B2 (en) * | 2012-12-04 | 2017-08-15 | Planet Os Inc. | Spatio-temporal data processing systems and methods |
CN103970101A (zh) * | 2014-05-09 | 2014-08-06 | 中国石油大学(华东) | 海洋钻井平台及其设备信息管理*** |
Non-Patent Citations (5)
Title |
---|
YU, L (YU, LEAN); LAI, KK (LAI, KIN KEUNG); WANG, S (WANG, SHOUY: "《Multistage RBF neural network ensemble learning》", 《NEUROCOMPUTING》 * |
武汉大学测绘学院测量平差学科组: "《误差理论与测量平差基础》", 31 January 2003 * |
白洪伟,王华,李进,穆星,吴满意: "《大型建筑物沉降变形的动态预测方法研究》", 《河北北方学院学报(自然科学版)》 * |
赵健,刘展,张勇: "《激光单分子BTEX 异常的人工神经网络评价技术》", 《海洋科学》 * |
赵健,刘展: "《基于灵敏度分析的海洋油气资源BP神经网络预测模型的优化》", 《海洋科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298410A (zh) * | 2018-11-02 | 2019-02-01 | 北京遥测技术研究所 | 一种海洋溢油探测激光雷达 |
CN109857782A (zh) * | 2019-01-28 | 2019-06-07 | 中国石油大学胜利学院 | 一种测井数据采集处理*** |
CN110107231A (zh) * | 2019-06-06 | 2019-08-09 | 吉林大学 | 一种自适应神经网络自动猫道及其控制方法 |
CN110107231B (zh) * | 2019-06-06 | 2024-03-29 | 吉林大学 | 一种自适应神经网络自动猫道及其控制方法 |
CN110796155A (zh) * | 2019-07-12 | 2020-02-14 | 大港油田集团有限责任公司 | 一种基于聚类算法的原油含水数据分析方法 |
CN117514086A (zh) * | 2023-12-29 | 2024-02-06 | 山东成林石油工程技术有限公司 | 一种半潜式离心射流装置及使用方法 |
CN117514086B (zh) * | 2023-12-29 | 2024-03-08 | 山东成林石油工程技术有限公司 | 一种半潜式离心射流装置及使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thanh et al. | Integrated workflow in 3D geological model construction for evaluation of CO2 storage capacity of a fractured basement reservoir in Cuu Long Basin, Vietnam | |
CN108104807A (zh) | 一种海洋油气资源勘探***及其使用方法 | |
Wang et al. | An improved neural network for TOC, S1 and S2 estimation based on conventional well logs | |
CN106837297A (zh) | 一种识别井间连通性及油水动态预测的方法 | |
Ahmadi et al. | Evolving simple-to-use method to determine water–oil relative permeability in petroleum reservoirs | |
CN109653725A (zh) | 基于沉积微相和岩石相的混积储层水淹程度测井解释方法 | |
Elkatatny | A self-adaptive artificial neural network technique to predict total organic carbon (TOC) based on well logs | |
Krahenbuhl et al. | Time-lapse gravity: A numerical demonstration using robust inversion and joint interpretation of 4D surface and borehole data | |
Kalogirou et al. | Artificial neural networks for the generation of geothermal maps of ground temperature at various depths by considering land configuration | |
CN104632202B (zh) | 确定干粘土三孔隙度测井参数值的方法及装置 | |
CN106529667A (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
Ahangari et al. | On the prediction of geochemical parameters (TOC, S1 and S2) by considering well log parameters using ANFIS and LSSVM strategies | |
Shi et al. | A new method for rock brittleness evaluation in tight oil formation from conventional logs and petrophysical data | |
Spulber et al. | Methane emission from natural gas seeps and mud volcanoes in Transylvania (Romania) | |
CN110056346A (zh) | 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法 | |
Al-qaness et al. | An optimized neuro-fuzzy system using advance nature-inspired Aquila and Salp swarm algorithms for smart predictive residual and solubility carbon trapping efficiency in underground storage formations | |
Alalimi et al. | Developing the efficiency-modeling framework to explore the potential of CO2 storage capacity of S3 reservoir, Tahe oilfield, China | |
CN108798661A (zh) | 利用录井气测组分参数识别油井储层及含流体性质的方法 | |
CN106570262A (zh) | 一种储层构型结构的描述方法 | |
Cumming et al. | Mid-Atlantic US offshore carbon storage resource assessment | |
AlRassas et al. | Integrated static modeling and dynamic simulation framework for CO 2 storage capacity in Upper Qishn Clastics, S1A reservoir, Yemen | |
Dalmais et al. | MEET Project: Toward the spreading of EGS across Europe | |
Shope et al. | Geothermal resource assessment: A detailed approach to low-grade resources in the states of New York and Pennsylvania | |
Gao et al. | Identification of low-resistivity-low-contrast pay zones in the feature space with a multi-layer perceptron based on conventional well log data | |
Alizadeh et al. | Using stacked generalization ensemble method to estimate shear wave velocity based on downhole seismic data: A case study of Sarab-e-Zahab, Iran |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |
|
RJ01 | Rejection of invention patent application after publication |