CN111783825B - 一种基于卷积神经网络学习的测井岩性识别方法 - Google Patents
一种基于卷积神经网络学习的测井岩性识别方法 Download PDFInfo
- Publication number
- CN111783825B CN111783825B CN202010456323.7A CN202010456323A CN111783825B CN 111783825 B CN111783825 B CN 111783825B CN 202010456323 A CN202010456323 A CN 202010456323A CN 111783825 B CN111783825 B CN 111783825B
- Authority
- CN
- China
- Prior art keywords
- lithology
- neural network
- convolutional neural
- data
- training
- 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.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000005553 drilling Methods 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 229910021532 Calcite Inorganic materials 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于卷积神经网络学习的测井岩性识别方法，1.将对钻井取芯采集的数据曲线作为输入特征；将钻井岩性结果作为输入特征标签，清洗样本数据建立学习数据样本；2.将三孔隙度、三电阻率和三岩性曲线按顺序依次排列，将钻井岩性分为四类，再将学习数据样本分为训练集和测试集；3.采用一次卷积和一次池化提取特征参数，链接一个Softmax回归层，建立卷积神经网络模型；4.训练卷积神经网络模型，用测试集测试其准确率，如果满足要求的准确率，则卷积神经网络模型能够投入实用，如果不满足要求的准确率，则增加训练量；5.使用训练完成的卷积神经网络模型，对新井的岩性进行识别。能够更准确的识别岩层信息，收敛速度快。
Description
技术领域
本发明属于岩层勘探领域，涉及一种基于卷积神经网络学习的测井岩性识别方法。
背景技术
岩性是地下岩石的沉积、结构、构造和矿物组合的总体反映，准确识别岩性对储层划分、油气层识别和油藏评价具有重要的意义。
地层岩性识别有野外露头、钻井取心、地震反演和测井解释等多种方法，测井解释通常基于一种或两种测井曲线的经验公式，通过计算泥质、煤、方解石和白云石等组分的含量判别岩性，也有交会图版法、地层元素测井等识别方法，但这些方法均不能充分挖掘所有测井曲线中的岩性信息，具有一定的局限性。其次，在测井曲线自动识别岩性有支持向量机、随机森林、BP神经网络等方法，但这些方法收敛速度比较慢，而且很容易进入梯度消失和梯度***等，泛化性也不是很理想。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种基于卷积神经网络学习的测井岩性识别方法，能够更准确的识别岩层信息，收敛速度快。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于卷积神经网络学习的测井岩性识别方法，包括以下步骤；
步骤一，将对钻井取芯采集的数据曲线作为输入特征，数据曲线包括自然电位、自然伽马、井径、深感应、中感应、八侧向、声波时差、补偿中子和体积密度；将钻井岩性结果作为输入特征标签，清洗样本数据建立学习数据样本；
步骤二，将三孔隙度、三电阻率和三岩性曲线按顺序依次排列，将钻井岩性分为四类，再将学习数据样本分为训练集和测试集；
步骤三，采用一次卷积和一次池化提取特征参数，链接一个Softmax回归层，建立卷积神经网络模型；
步骤四，训练卷积神经网络模型，用测试集测试其准确率，如果满足要求的准确率，则卷积神经网络模型能够投入实用，如果不满足要求的准确率，则增加训练量；
步骤五，使用训练完成的卷积神经网络模型，对新井的岩性进行识别。
优选的，步骤一中，清洗样本数据时，剔除薄层、岩性突变段和井壁垮塌段数据样本。
优选的，步骤一中，将数据曲线进行深度校正后，离散为采样间隔0.125m的数据。
进一步，利用孔隙度分析成果和声波时差计算结果匹配进行深度校正。
优选的，步骤二中，将钻井岩性分为细砂岩、泥质粉砂岩、粉砂质泥岩和泥岩四类。
优选的，步骤三中，激活函数采用Sigmoid，梯度下降采用自适应梯度下降法，损失函数采用平方差函数，正则化采用L2正则化。
优选的，步骤三中，样本卷积矩阵为3×3矩阵，四类钻井岩性的卷积核采用2×2矩阵；输出层为四维概率矩阵，细砂岩为[1,0,0,0],泥质粉砂岩为[0,1,0,0],粉砂质泥岩为[0,0,1,0],泥岩为[0,0,0,1]。
优选的，步骤四中，训练时，单批次的训练样本量Bachsize为128，训练轮次Epoch为40000。
与现有技术相比，本发明具有以下有益效果：
本发明通过获取九条数据曲线，从而使提取的测井曲线特征更多，反映的地层岩性信息更全面，能够在更高维度识别地层岩性。其次，采用卷积神经网络模型，通过对九条数据曲线进行排序和分类，使卷积神经网络模型的收敛速度更快，可以有效防止过拟合和欠拟合，提高模型了适用性。
附图说明
图1为本发明的测井岩性识别流程示意图；
图2为本发明的卷积神经网络架构示意图；
图3为本发明的三种激活函数示意图；
图4为本发明的训练过程的三维可视化截图；
图5为本发明的新井岩性自动预测成果与录井取芯对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图对本发明的具体实施方式做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
实施例以附图1由TensorFlow提供的编程接口API定义卷积神经网络，TensorFlow为谷歌开发的采用数据流图，用于数值计算的开源软件库。基于上述的源程序，本发明设计的基于卷积神经网络机器学习的测井岩性自动识别方法流程见附图1，所有步骤可由本领域技术人员采用计算机软件技术实现流程自动运行。实施例具体实现过程如下：
步骤1，采用测井仪器采集的常规9条曲线作为输入特征，运用钻井取芯的岩性结果作为标签，剔除薄层、岩性突变段和井壁垮塌段数据样本，清洗样本数据建立机器学习数据样本；
步骤1.1，样本数据的获取：获取测井曲线自然电位、自然伽马、井径、深感应、中感应、八侧向、声波时差、补偿中子、体积密度，经过深度校正后，离散为采样间隔0.125m的数据；
步骤1.2，样本标签制定：根据钻井取芯的岩性描述结果标定测井解释成果。取芯数据利用孔隙度分析成果和声波时差计算结果匹配进行深度校正；
步骤1.3，样本数据清洗：将薄层、岩性突变段和井壁垮塌段数据样本剔除，保留地层沉积稳定层段数据。
步骤2，将三孔隙度、三电阻率和三岩性曲线按顺序排列，将钻井岩性分为四类，使得样本分布均衡，再将数据样本分为训练集和测试集；
步骤2.1，将数据顺序按照三孔隙度、三电阻率和三岩性排列，方便开展卷积运算；
步骤2.2根据研究区地质特点，岩性数据分为细砂岩、泥质粉砂岩、粉砂质泥岩和泥岩四类；删除多余样本，使四类岩性样本平均分布，防止机器学习结果有倾向性；将数据划分为训练集和验证集，形成机器学习样本库。四种岩性的标签采用矩阵表示：细砂岩：[1,0,0,0],泥质粉砂岩：[0,1,0,0],粉砂质泥岩：[0,0,1,0],泥岩：[0,0,0,1]；
步骤3，采用一次卷积和一次池化提取特征参数，链接一个Softmax回归层，建立卷积神经网络模型；
附图2是池化层和Softmax层的激活函数，常用的有三种，分别为Sigmoid、Relu和Tanh函数，本次训练发现，Sigmoid函数适用性较好，故采用其进行网络收敛训练。
步骤3.1，根据输入参数形态，搭建卷积神经网络，选择最佳全局变量，并设置重要参数调整表，手动寻找最优参数；
步骤3.2，采用卷积层连接池化层，再连接Softmax回归层的网络结构，激活函数采用Sigmoid，梯度下降采用自适应梯度下降法Adagrad，损失函数采用平方差函数，正则化采用L2正则化；
附图2是本发明卷积神经网络框架示意图，其中包括一个卷积层、一个池化层和一个Softmax层。9条测井曲线按照图中顺序排列，组成能够卷积的矩阵，卷积核采用2×2矩阵；输出层为四维概率矩阵，其对应关系如下：细砂岩：[1,0,0,0],泥质粉砂岩：[0,1,0,0],粉砂质泥岩：[0,0,1,0],泥岩：[0,0,0,1]；
1)样本卷积矩阵为3×3矩阵，卷积核为2×2矩阵，其排列顺序如下：输入矩阵：卷积核：
2)池化层参数为32，即最终提取32个特征向量；
3)激活函数采用Sigmoid函数，用下面的公式表示其计算方法：
其中：x是一个向量，表示输入层的值；
f(x)是一个向量，表示输出层的权重矩阵；
4)梯度下降算法采用自适应梯度下降法Adagrad，用下面的公式表示其计算方法：
其中，Gt为对角矩阵，每个对角线位置i，i为对应参数θi从第1轮到第t轮梯度的平方和。∈为平滑项，为了避免分母为零；θ表示自变量，即9条数据曲线中的一条。
5)损失函数为平方差函数，用下面的公式表示其计算方法：
其中，C为损失函数x表示样本，y(x)表示输出，表示实际值，n表示样本总数。
三种激活函数示意图如图3所示。
附图4是发明训练优化后的模型，经过保存后，在Tensorboard中对训练过程可视化检查的过程截图。从图中可以看出，经过10000轮次训练后，4种岩性逐渐分开，分类效果好。
步骤4，训练网络模型，调整训练参数，使模型快速收敛，用测试集测试其准确率。
步骤4.1，将训练集样本喂入神经网络，调整关键超参数，包括学***滑下降，准确率稳步上升，达到稳定水平；
步骤4.2，将测试集样本数据喂入神经网络，得到损失函数和准确率；
步骤4.3，重复上述4.1和4.2步骤，当测试准确率提升空间不大，并达到85％以上，认为训练的模型具有实用价值。对每一组参数组合，每经过一轮迭代训练的样本数的训练，在测试集上进行测试，得到当前模型在测试集上的误差，当样本迭代次数达到Epoch次或者误差在测试集上不再下降之后，停止训练；最后，取在测试集上误差最小的超参数组合，得到最优化模型，本次训练集准确率96.3％，测试集85.2％。
附图5是本发明训练好的人工智能模型在新井处理的效果对比图，通过对比卷积网络算法解释和岩性和录井取心的岩性，可以看出预测的准确性较好，大部分岩性识别正确，只有少数泥岩段识别和实际有所差别，基本可以满足生产需要。
步骤5，新井岩性的自动预测。
步骤5.1，找一口新井数据，按照网络设定整理数据，喂入网络模型，得到岩性预测结果，和钻井取芯数据进行对比，评价其实用性。
步骤5.2，批量处理新井，开展区域岩性预测与储层评价。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (4)
1.一种基于卷积神经网络学习的测井岩性识别方法，其特征在于，包括以下步骤；
步骤一，将对钻井取芯采集的数据曲线作为输入特征，数据曲线包括自然电位、自然伽马、井径、深感应、中感应、八侧向、声波时差、补偿中子和体积密度；将钻井岩性结果作为输入特征标签，清洗样本数据建立学习数据样本；
步骤二，将三孔隙度、三电阻率和三岩性曲线按顺序依次排列，将钻井岩性分为四类，再将学习数据样本分为训练集和测试集；
步骤三，采用一次卷积和一次池化提取特征参数，链接一个Softmax回归层，建立卷积神经网络模型；
样本卷积矩阵为3×3矩阵，四类钻井岩性的卷积核采用2×2矩阵；输出层为四维概率矩阵，细砂岩为[1,0,0,0],泥质粉砂岩为[0,1,0,0],粉砂质泥岩为[0,0,1,0],泥岩为[0,0,0,1]；
激活函数采用Sigmoid，梯度下降采用自适应梯度下降法，损失函数采用平方差函数，正则化采用L2正则化；
步骤四，训练卷积神经网络模型，用测试集测试其准确率，如果满足要求的准确率，则卷积神经网络模型能够投入实用，如果不满足要求的准确率，则增加训练量；
训练时，单批次的训练样本量Bachsize为128，训练轮次Epoch为40000；
步骤五，使用训练完成的卷积神经网络模型，对新井的岩性进行识别。
2.根据权利要求1所述的基于卷积神经网络学习的测井岩性识别方法，其特征在于，步骤一中，清洗样本数据时，剔除薄层、岩性突变段和井壁垮塌段数据样本。
3.根据权利要求1所述的基于卷积神经网络学习的测井岩性识别方法，其特征在于，步骤一中，将数据曲线进行深度校正后，离散为采样间隔0.125m的数据。
4.根据权利要求3所述的基于卷积神经网络学习的测井岩性识别方法，其特征在于，利用孔隙度分析成果和声波时差计算结果匹配进行深度校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010456323.7A CN111783825B (zh) | 2020-05-26 | 2020-05-26 | 一种基于卷积神经网络学习的测井岩性识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010456323.7A CN111783825B (zh) | 2020-05-26 | 2020-05-26 | 一种基于卷积神经网络学习的测井岩性识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783825A CN111783825A (zh) | 2020-10-16 |
| CN111783825B true CN111783825B (zh) | 2024-06-28 |
Family
ID=72753181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010456323.7A Active CN111783825B (zh) | 2020-05-26 | 2020-05-26 | 一种基于卷积神经网络学习的测井岩性识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783825B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
| CN112100930B (zh) * | 2020-11-11 | 2021-02-02 | 中国石油大学(华东) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 |
| CN112597826A (zh) * | 2020-12-08 | 2021-04-02 | 核工业北京地质研究院 | 一种对高光谱sasi数据进行岩性分类的方法 |
| CN112396130A (zh) * | 2020-12-09 | 2021-02-23 | 中国能源建设集团江苏省电力设计院有限公司 | 静力触探试验岩层智能识别方法、***、计算机设备及介质 |
| CN112712025A (zh) * | 2020-12-29 | 2021-04-27 | 东北石油大学 | 一种基于长短期记忆神经网络的复杂岩性识别方法 |
| CN112784980B (zh) * | 2021-01-05 | 2024-05-28 | 中国石油天然气集团有限公司 | 一种智能化测井层位划分方法 |
| CN112906465B (zh) * | 2021-01-15 | 2023-12-22 | 阳泉煤业（集团）股份有限公司 | 一种基于地层因素的煤系地层声波曲线重构方法及*** |
| CN112796746B (zh) * | 2021-02-26 | 2022-06-07 | 西安石油大学 | 一种用于石油地质勘探的钻井方法 |
| CN112990320A (zh) * | 2021-03-19 | 2021-06-18 | 中国矿业大学(北京) | 一种岩性的分类方法、装置、电子设备及存储介质 |
| CN113159136B (zh) * | 2021-03-30 | 2023-05-09 | 中铁第四勘察设计院集团有限公司 | 一种孔内数据融合的地层划分方法、装置、设备和存储介质 |
| CN113177919B (zh) * | 2021-04-28 | 2022-08-05 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
| CN113344050B (zh) * | 2021-05-28 | 2024-03-26 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及*** |
| CN113642698B (zh) * | 2021-06-15 | 2024-04-02 | 中国科学技术大学 | 地球物理测井智能解释方法、***及存储介质 |
| CN113392924B (zh) * | 2021-06-29 | 2023-05-02 | 中海油田服务股份有限公司 | 声电成像测井图的识别方法及相关设备 |
| CN114200524A (zh) * | 2021-10-29 | 2022-03-18 | 五季数据科技(北京)有限公司 | 一种基于人工智能深度学习的测井密度曲线校正方法 |
| CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
| CN114896468B (zh) * | 2022-04-24 | 2024-02-02 | 北京月新时代科技股份有限公司 | 基于神经网络的文件类型匹配方法和数据智能录入方法 |
| CN114863187B (zh) * | 2022-06-13 | 2024-06-18 | 中国石油天然气集团有限公司 | 一种岩屑类型识别方法、装置、电子设备及存储介质 |
| CN115659245A (zh) * | 2022-10-24 | 2023-01-31 | 东华理工大学 | 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置 |
| CN115393656B (zh) * | 2022-10-26 | 2023-01-24 | 中石化经纬有限公司 | 一种用于随钻测井图像地层分类的自动分类方法 |
| CN117235628B (zh) * | 2023-11-10 | 2024-01-26 | 天津花栗鼠软件科技有限公司 | 一种基于混合贝叶斯深度网络测井曲线预测方法及*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| CN109389128B (zh) * | 2018-08-24 | 2021-08-27 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
| CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
| CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
| CN111178441A (zh) * | 2019-12-31 | 2020-05-19 | 中国矿业大学(北京) | 一种基于主成分分析与全连接神经网络的岩性识别方法 |
-
2020
- 2020-05-26 CN CN202010456323.7A patent/CN111783825B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 卷积神经网络在岩性识别中的应用;陈钢花等;测井技术;20190430;第43卷(第2期);第130-133页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783825A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783825B (zh) | 一种基于卷积神经网络学习的测井岩性识别方法 | |
| US11599790B2 (en) | Deep learning based reservoir modeling | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及*** | |
| CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
| CN109799533A (zh) | 一种基于双向循环神经网络的储层预测方法 | |
| US6477469B2 (en) | Coarse-to-fine self-organizing map for automatic electrofacies ordering | |
| CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和*** | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、***、设备和存储介质 | |
| CN115659245A (zh) | 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置 | |
| CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| Lu et al. | Lithology identification using graph neural network in continental shale oil reservoirs: A case study in Mahu Sag, Junggar Basin, Western China | |
| CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
| Brown et al. | Machine learning on Crays to optimize petrophysical workflows in oil and gas exploration | |
| Chen et al. | Comparison and application of neural networks in LWD lithology identification | |
| CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
| Akinyokun et al. | Well log interpretation model for the determination of lithology and fluid | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
| CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
| CN114755744A (zh) | 基于泥页岩非均质性特征的总有机碳测井解释方法及*** | |
| US11719851B2 (en) | Method and system for predicting formation top depths | |
| Wang et al. | Auto recognition of carbonate microfacies based on an improved back propagation neural network | |
| CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 |
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 |