CN108561127A - 一种基于随机模拟的地层压力预测方法 - Google Patents
一种基于随机模拟的地层压力预测方法 Download PDFInfo
- Publication number
- CN108561127A CN108561127A CN201810253863.8A CN201810253863A CN108561127A CN 108561127 A CN108561127 A CN 108561127A CN 201810253863 A CN201810253863 A CN 201810253863A CN 108561127 A CN108561127 A CN 108561127A
- Authority
- CN
- China
- Prior art keywords
- pattern
- data
- formation pressure
- method based
- stochastic simulation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 22
- 238000002948 stochastic simulation Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000005553 drilling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于随机模拟的地层压力预测方法,该方法根据信息熵理论,确定数据模板的最优尺寸,利用数据模板扫描地层压力的训练图像并提取训练图像的模式特征;通过主成分分析或多维尺度变换对该模式降维,并利用k‑means算法进行分类,获取分类数据的均值作为该类的代表均值,再比较已知的地层压力数据与上述均值的差异,随机选取差异最小的分类中的地层压力数据作为预测值。与现有技术相比,本发明可有效实现地层压力数据的预测,且能够提高预测速度、提高预测质量。
Description
技术领域
本发明涉及一种地层压力预测方法,尤其是涉及一种基于随机模拟的地层压力预测方法。
背景技术
地层压力是一个油田在勘探开发过程中所要取得的一个基础数据。在油田的地质勘探过程中,一个区域地层压力的准确预测能为了解该地区油气的分布、运移以及聚集等方面的规律提供重要信息,有助于设计和制定合理的开发方案、提高油气产量;在油田的钻井实践中,地层压力预测的准确程度,关系到所用钻井液密度是否准确,设计的井深结构是否合理,这有助于减少钻井过程中井喷井漏等事故的发生,使得钻井速度提高、钻井周期缩短,减少了钻井施工的成本,直接关系到油田的开发速度和经济效果,并对油田工作人员的生命财产安全有着重要影响,具有极大的经济效益和社会效益。另外,准确地预测地层压力还能够减少泥浆对地层的侵害,有利于保护油气层。
常用的地层压力监测方法主要有:dc指数法、标准化钻速法以及页岩密度法等。随着钻井技术的不断进步,近几年又有不少新的随钻地层压力监测方法相继问世,但这类方法实质上是一种地层压力的监测方法,而并非能实现对某口井或某个区域的地层压力进行可靠的预测。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于随机模拟的地层压力预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于随机模拟的地层压力预测方法,包括以下步骤:
S1:将已知的地层压力数据指定在三维区域,获取三维地质训练图像;
S2:根据随机模拟的信息熵理论获取最优尺寸的数据模板,利用数据模板扫描三维地质训练图像,获取包含训练图像结构特征的模式,并建立模式库;
S3:对模式库中的模式进行降维;
S4:对降维后的模式分类,获取多个子空间,对每个子空间的所有模式求取平均模式;
S5:在地层压力的预测区域中定义一条随机访问路径,对预测区域内的未知节点进行访问,判断预测区域内是否仍有未知节点,若是,执行下一步,否则,结束访问;
S6:判断待预测区域中是否有条件数据,若是,执行下一步,否则,从模式库随机提取一个模式后,执行步骤八;
S7:对条件数据和子空间中的平均模式求差异,对差异值最小的平均模式所对应的子空间中提取任意一个模式作为模拟结果;
S8:将提取的模式拷贝至待预测区域,获取当前预测区域的预测值;
S9:重复步骤S6到S7,继续对其他节点进行模拟,直到访问路径上的所有节点被模拟完毕。
优选地,所述的步骤S2的具体内容为:
绘制信息熵中的熵值随数据模板尺寸的变化曲线,计算每个模板尺寸对应的曲线斜率,选取斜率小于给定阈值所对应的第一个模板尺寸作为最优模板尺寸,进而确定最优尺寸的数据模板。
优选地,采用主成分分析或多维尺度变换对模式库中的模式进行降维。
优选地,采用k-means算法对降维后的模式分类。
优选地,采用欧氏距离对条件数据和子空间中的平均模式求差异。
与现有技术相比,本发明具有以下优点:
(1)本发明采用信息熵理论获取数据模板,信息熵可用来描述变量的不确定度,不确定度越高,所包含的信息就越多,利用信息熵用来捕获并处理含有地层数据特征的模式,并做特征选择,进而获取最优尺寸的数据模板,提高了后续预测过程中数据的准确性;
(2)本发明采用主成分分析或多维尺度变换对模式库中的模式进行降维处理,使训练图像的维数大大降低,从而加快模拟速度,提高整体的预测速度;
(3)本发明采用k-平均算法对降维后的模式进行了分类,k-平均算法相对可扩展,并且具有较高的效率;因划分获取的条件数据越多,预测的效果越好,进一步可提高地层压力预测的预测质量。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
将地层压力的已知数据作为训练数据,并使地层压力分布在指定三维区域内,形成三维的地层训练图像。利用数据模板扫描训练图像捕获数据的概率信息。一般采用数据模板扫描训练数据(通常表现为训练图像形式)来捕获模式,这些模式可以视为训练数据的结构特征。如果按照每次移动一个节点(即一个体素),从左到右,从上到下进行扫描,那么就可以获得训练数据全部的模式库。
一般数据模板的大小由用户主观选择。一方面模板尺寸需要尽可能小以降低CPU负荷和内存需求,另一方面需要足够大以捕获训练图像中的特征信息。因此,本发明根据“信息熵”理论来选择合适的模板尺寸。根据“信息熵”理论,在信源中,考虑的不是某一单个符号发生的不确定性,而是要考虑这个信源所有可能发生情况的平均不确定性。若信源符号有n种取值:U1…Ui…Un,其对应的概率为:P1…Pi…Pn,且各种符号的出现彼此独立。这时,信源的平均不确定性应当为单个符号不确定性-logPi的统计平均值,可称为信息熵。即信息熵的表达式为:
其中对数log的底一般取2。
对于本专利来说,Pi表示每种模式Ui的对应概率,假设数据模板的形状为立方体,而各种模式是采用不同尺寸的数据模板扫描训练图像获得的节点的组合方式。熵的值在开始阶段将随着模板尺寸的变化而迅速变化,当模板尺寸达到最优时则变化速度趋于平缓。因此可以先绘制熵的值随数据模板的尺寸变化的变化曲线。通过该变化曲线可以计算每个模板尺寸对应的曲线斜率,并认为斜率小于给定阈值所对应的第一个模板尺寸为最优模板尺寸。
利用最优尺寸的数据模板扫描训练图像,可以获得训练图像的模式库,这些模式库往往维度较高。可采用主成分分析(principal component analysis,PCA)或多维尺度变换(multidimensional scaling,MDS)对训练图像中的历史数据进行降维处理,这样做会使得训练图像的维数大大降低,从而加快模拟速度,获得对应上述训练图像中模式的低维数据。
主成分分析作为一种统计方法,同时也是数学上用来降维的一种方法。主成分分析通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。主成分分析是对于原先提出的所有变量,将重复的变量(关系紧密的变量)删去多余,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映模型的信息方面尽可能保持原有的信息。多维尺度变换是在低维空间去展示高维多元数据的一种可视化方法。多维尺度变换的基本目标是将原始数据“拟合”到一个低维坐标系中,使得由降维所引起的变形最小。多维尺度变换涉及到的问题可以描述为:当n个项目中的项目之间的相似性(或距离)给定时,求这些项目在低维空间的表示,并使得项目间的接近程度与原先的相似性(或距离)大体匹配。
在利用主成分分析或多维尺度变换完成训练图像中模式的降维后,需要对获取的低维模式进行分类。本发明对这些低维模式采用k-means算法(k-平均算法)进行分类。k-means算法是典型的基于距离的聚类算法,主要思想是:采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标,即分类结果。在利用k-means算法划分模式空间后,获得若干“子空间”,每个子空间包含有若干的模式。对各个子空间的模式求取平均,获得对应每个子空间的平均模式。在模拟过程中,先设定一个模拟路径,利用当前区域内的地层压力条件数据与子空间的平均模式进行比较,选取与条件数据最为接近的平均模式作为当前区域的模拟结果。
如图1所示,本发明基于随机模拟的地层压力预测方法的完整流程如下:
步骤一、将已知的地层压力数据指定在三维区域,获取三维地质训练图像;
步骤二、根据随机模拟的信息熵理论获取最优尺寸的数据模板,利用数据模板扫描三维地质训练图像,获取包含训练图像结构特征的模式,并建立模式库;
步骤三、采用主成分分析或多维尺度变换对模式库中的模式进行降维;
步骤四、利用k-means算法对降维后的模式分类,获取多个子空间,对每个子空间的所有模式求取平均模式;
步骤五、在地层压力的预测区域中定义一条随机访问路径,依据随机访问路径判断预测区域内是否仍有未知节点,若是,执行下一步,否则,结束访问;
步骤六、判断待预测区域中是否有条件数据,若是,执行下一步,否则,从模式库随机提取一个模式后,执行步骤八;
步骤七、采用欧式距离函数对条件数据和分类子空间中的平均模式求差异,对差异值最小的平均模式所对应的子空间中提取任意一个模式作为模拟结果;
步骤八:将提取的模式拷贝至待预测区域,获取当前预测区域的预测值;
步骤九、重复步骤六到步骤七,继续对其他节点进行模拟,直到访问路径上的所有节点被模拟完毕。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于随机模拟的地层压力预测方法,其特征在于,包括以下步骤:
S1:将已知的地层压力数据指定在三维区域,获取三维地质训练图像;
S2:根据随机模拟的信息熵理论获取最优尺寸的数据模板,利用数据模板扫描三维地质训练图像,获取包含训练图像结构特征的模式,并建立模式库;
S3:对模式库中的模式进行降维;
S4:对降维后的模式分类,获取多个子空间,对每个子空间的所有模式求取平均模式;
S5:在地层压力的预测区域中定义一条随机访问路径,对预测区域内的未知节点进行访问,判断预测区域内是否仍有未知节点,若是,执行下一步,否则,结束访问;
S6:判断待预测区域中是否有条件数据,若是,执行下一步,否则,从模式库随机提取一个模式后,执行步骤八;
S7:对条件数据和子空间中的平均模式求差异,对差异值最小的平均模式所对应的子空间中提取任意一个模式作为模拟结果;
S8:将提取的模式拷贝至待预测区域,获取当前预测区域的预测值;
S9:重复步骤S6到S7,继续对其他节点进行模拟,直到访问路径上的所有节点被模拟完毕。
2.根据权利要求1所述的一种基于随机模拟的地层压力预测方法,其特征在于,所述的步骤S2的具体内容为:
绘制信息熵中的熵值随数据模板尺寸的变化曲线,计算每个模板尺寸对应的曲线斜率,选取斜率小于给定阈值所对应的第一个模板尺寸作为最优模板尺寸,进而确定最优尺寸的数据模板。
3.根据权利要求1所述的一种基于随机模拟的地层压力预测方法,其特征在于,所述的步骤S3中,采用主成分分析或多维尺度变换对模式库中的模式进行降维。
4.根据权利要求1所述的一种基于随机模拟的地层压力预测方法,其特征在于,所述的步骤S4中,采用k-means算法对降维后的模式分类。
5.根据权利要求1所述的一种基于随机模拟的地层压力预测方法,其特征在于,所述的步骤S7中,采用欧氏距离对条件数据和子空间中的平均模式求差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253863.8A CN108561127B (zh) | 2018-03-26 | 2018-03-26 | 一种基于随机模拟的地层压力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253863.8A CN108561127B (zh) | 2018-03-26 | 2018-03-26 | 一种基于随机模拟的地层压力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108561127A true CN108561127A (zh) | 2018-09-21 |
CN108561127B CN108561127B (zh) | 2022-04-01 |
Family
ID=63533243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810253863.8A Active CN108561127B (zh) | 2018-03-26 | 2018-03-26 | 一种基于随机模拟的地层压力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108561127B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310363A (zh) * | 2019-06-25 | 2019-10-08 | 上海电力学院 | 一种三维建模的表征单元体尺寸获取方法 |
CN111046341A (zh) * | 2019-12-12 | 2020-04-21 | 重庆地质矿产研究院 | 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法 |
CN112443319A (zh) * | 2019-09-05 | 2021-03-05 | 中国石油化工股份有限公司 | 一种井涌监测方法 |
CN113129426A (zh) * | 2019-12-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 基于测井资料的含不确定度地层压力区域三维模型构建方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991004500A1 (en) * | 1989-09-20 | 1991-04-04 | Chevron Research And Technology Company | Pore pressure prediction method |
CN101726754A (zh) * | 2009-11-30 | 2010-06-09 | 上海第二工业大学 | 基于连续型多点地质统计法和软硬数据的图像模拟方法 |
CN101727578A (zh) * | 2009-11-30 | 2010-06-09 | 上海第二工业大学 | 基于过滤器的连续型信息预测方法 |
US20110054852A1 (en) * | 2009-08-26 | 2011-03-03 | Roche Molecular Systems, Inc. | Determination of elbow values for pcr for parabolic shaped curves |
CN102867301A (zh) * | 2012-08-29 | 2013-01-09 | 西北工业大学 | 一种根据信息熵得到图像显著性特征的方法 |
WO2014062947A2 (en) * | 2012-10-19 | 2014-04-24 | Conocophillips Company | Method for modeling a reservoir using 3d multiple-point simulations with 2d training images |
CN106407363A (zh) * | 2016-09-08 | 2017-02-15 | 电子科技大学 | 一种基于信息熵的超高维数据降维算法 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
CN106887040A (zh) * | 2015-12-16 | 2017-06-23 | 中国石油大学(北京) | 多点地质统计学建模方法和装置 |
CN107818348A (zh) * | 2017-11-09 | 2018-03-20 | 上海电力学院 | 基于深度学习的空间数据随机模拟方法 |
-
2018
- 2018-03-26 CN CN201810253863.8A patent/CN108561127B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991004500A1 (en) * | 1989-09-20 | 1991-04-04 | Chevron Research And Technology Company | Pore pressure prediction method |
US20110054852A1 (en) * | 2009-08-26 | 2011-03-03 | Roche Molecular Systems, Inc. | Determination of elbow values for pcr for parabolic shaped curves |
CN101726754A (zh) * | 2009-11-30 | 2010-06-09 | 上海第二工业大学 | 基于连续型多点地质统计法和软硬数据的图像模拟方法 |
CN101727578A (zh) * | 2009-11-30 | 2010-06-09 | 上海第二工业大学 | 基于过滤器的连续型信息预测方法 |
CN102867301A (zh) * | 2012-08-29 | 2013-01-09 | 西北工业大学 | 一种根据信息熵得到图像显著性特征的方法 |
WO2014062947A2 (en) * | 2012-10-19 | 2014-04-24 | Conocophillips Company | Method for modeling a reservoir using 3d multiple-point simulations with 2d training images |
CN106887040A (zh) * | 2015-12-16 | 2017-06-23 | 中国石油大学(北京) | 多点地质统计学建模方法和装置 |
CN106407363A (zh) * | 2016-09-08 | 2017-02-15 | 电子科技大学 | 一种基于信息熵的超高维数据降维算法 |
CN106780503A (zh) * | 2016-12-30 | 2017-05-31 | 北京师范大学 | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 |
CN107818348A (zh) * | 2017-11-09 | 2018-03-20 | 上海电力学院 | 基于深度学习的空间数据随机模拟方法 |
Non-Patent Citations (5)
Title |
---|
AMÍLCAR SOARES等: "Integration of Uncertain Data in Geostatistical", 《MATHEMATICAL GEOSCIENCES》 * |
MEHRDAD HONARKHAH等: "Stochastic Simulation of Patterns Using Distance-Based", 《MATHEMATICAL GEOSCIENCES》 * |
吴胜和: "《储层表征与建模》", 31 March 2010, 石油工业出版社 * |
王建锋: "斜率单变点分析", 《地质灾害调查与监测技术方法论文集》 * |
陈志强等: "基于斜率阈值法的滑坡预报分析", 《人民长江》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310363A (zh) * | 2019-06-25 | 2019-10-08 | 上海电力学院 | 一种三维建模的表征单元体尺寸获取方法 |
CN112443319A (zh) * | 2019-09-05 | 2021-03-05 | 中国石油化工股份有限公司 | 一种井涌监测方法 |
CN112443319B (zh) * | 2019-09-05 | 2024-01-30 | 中国石油化工股份有限公司 | 一种井涌监测方法 |
CN111046341A (zh) * | 2019-12-12 | 2020-04-21 | 重庆地质矿产研究院 | 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法 |
CN113129426A (zh) * | 2019-12-31 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 基于测井资料的含不确定度地层压力区域三维模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108561127B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108561127A (zh) | 一种基于随机模拟的地层压力预测方法 | |
Elbatta et al. | A dynamic method for discovering density varied clusters | |
CN104620136A (zh) | 为创建储层属性模型组合多点静态和基于对象的方法的混合方法 | |
CA2880497C (en) | Methods and systems related to hydrocarbon recovery strategy development | |
CN104620135A (zh) | 用于编辑多点相模拟的方法 | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN114970216B (zh) | 一种基于剖分网格的电磁环境可视化表达方法 | |
Eskandari et al. | Reservoir Modelling of Complex Geological Systems--A Multiple-Point Perspective | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
CN112861890B (zh) | 一种储层评价模型构建方法及储层识别方法 | |
AU2019404613A1 (en) | Automated updating of geological model boundaries for improved ore extraction | |
Kolajoobi et al. | Investigating the capability of data-driven proxy models as solution for reservoir geological uncertainty quantification | |
CN112199886A (zh) | 一种prb数据深度学习地质图预测模型的处理方法 | |
CN106022359A (zh) | 基于有序信息熵的模糊熵空间聚类分析方法 | |
CN113963123B (zh) | 一种融合深度学习和多点统计学的地质建模方法及装置 | |
CN112800590B (zh) | 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 | |
Arai | Improved ISODATA clustering method with parameter estimation based on genetic algorithm | |
CN104978729A (zh) | 一种基于数据感知的图像哈希方法 | |
Jia et al. | Combining a connected-component labeling algorithm with FILTERSIM to simulate continuous discrete fracture networks | |
CN115407407A (zh) | 针对碳酸盐岩古溶洞及其充填的三维地质模型构建方法 | |
Ahmadi et al. | A sensitivity study of FILTERSIM algorithm when applied to DFN modeling | |
Ansari | Mathematical scaling and statistical modeling of geopressured geothermal reservoirs | |
Liao et al. | Predictive Analytics and Statistical Learning for Waterflooding Operations in Reservoir Simulations | |
CN117370846B (zh) | 一种基于微震事件的水力压裂三维裂缝网构建方法及*** | |
CN117611485B (zh) | 一种基于时空图神经网络的三维岩心渗透率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |