CN115576028B - 基于支持向量机的地质特征层预测方法及*** - Google Patents
基于支持向量机的地质特征层预测方法及*** Download PDFInfo
- Publication number
- CN115576028B CN115576028B CN202211524413.0A CN202211524413A CN115576028B CN 115576028 B CN115576028 B CN 115576028B CN 202211524413 A CN202211524413 A CN 202211524413A CN 115576028 B CN115576028 B CN 115576028B
- Authority
- CN
- China
- Prior art keywords
- attribute data
- well
- curve
- logging
- adjacent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005553 drilling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geophysics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本申请涉及一种基于支持向量机的地质特征层预测方法及***,包括:获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线;获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;对所述属性数据进行预处理,得到所述邻井的标准属性数据;将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层。本申请基于支持向量机的邻井特征层测井属性数据的训练学习,可以预测待钻井的地质特征层并得到测井属性曲线,实现智能识别预警。
Description
技术领域
本申请涉及邻近钻探技术领域,尤其涉及一种基于支持向量机的地质特征层预测方法及***。
背景技术
近年来,随着综合录井技术、人工智能技术以及地质工程信息化的迅猛发展,地质工程智能预测和智能预警***越来越引起石油勘探领域技术人员的关注,行业内陆续有一些工程预警产品问世,如国外哈里伯顿公司开发的预警实时监测***,国内中国电子集团公司第二十二研究所开发的钻井工程预警***等,都进行了一定程度的现场运用,并取得了一定的效益。这些***,主要是对邻井的地质储层、沉积相等内容进行预测。
目前,已有的地质工程领域关于属性数据的预测、识别方法相关的专利,但主要集中在钻井工程方面的预警,以及对地质储层、沉积相等内容的预测等方面,没有涉及到对地质特征层的预测。
发明内容
本申请提供了一种基于支持向量机的地质特征层预测方法及***,旨在能够对邻井的地质特征层进行预测。
第一方面,本申请提供一种基于支持向量机的地质特征层预测方法,包括:
获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线;
获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;
对所述属性数据进行预处理,得到所述邻井的标准属性数据;
将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层。
第二方面,本申请还提供了基于支持向量机的地质特征层预测***,包括:
获取模块,用于获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线;
确定模块,用于获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;
预处理模块,用于对所述属性数据进行预处理,得到所述邻井的标准属性数据;
预测模块,用于将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层。
本申请提供一种基于支持向量机的地质特征层预测方法及***,该方法包括获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线;获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;对所述属性数据进行预处理,得到所述邻井的标准属性数据;将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层,本申请能够智能识别预测邻近的地质特征层。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请的实施例提供的一种基于支持向量机的地质特征层预测方法的流程示意图;
图2为本申请的实施例提供的一种基于支持向量机的地质特征层预测方法中子步骤的流程示意图;
图3为本申请的实施例提供的另一种基于支持向量机的地质特征层预测方法的流程示意图;
图4为本申请的实施例提供的一种基于支持向量机的地质特征层预测***的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
目前,已有的地质工程领域关于属性数据的预测、识别方法相关的专利,但主要集中在钻井工程方面的预警,以及对地质储层、沉积相等内容的预测等方面;没有涉及到对地质特征层的预测。而地质特征层的确定,又可以方便工作人员展开后续工作。
有鉴于此,本申请实施例提供了一种基于支持向量机的地质特征层预测方法,包括获取目标区域中邻井的测井曲线,以得到邻井的地质特征层,所述地质特征层为具有可辨识特征的测井曲线;获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;对所述属性数据进行预处理,得到所述邻井的标准属性数据;将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层。通过该种方法,可以有效的预测出目标区域的地质特征层,方便工作人员根据该地质特征层展开其他工序。
具体的,下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
参阅图1,图1为本申请的实施例提供的一种基于支持向量机的地质特征层预测方法的流程示意图;该基于支持向量机的地质特征层预测方法包括:
步骤S100、获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线。
在本申请实施例中,目标区域可以是自己选择的。而获取目标区域中邻井的测井曲线,以得到邻井的特征层,可以包括:
1)、获取区域邻井的曲线数据,所述曲线数据包括:测井曲线数据、地层、岩性数据,及邻井的同层位、相同岩性等数据。
可以理解的是,步骤1)中所提到的数据,用户可以事先采集得到,然后将这些数据输入到服务器里。
2)、根据所述曲线数据,拟制测井曲线。
在本申请一实施例中,用户可以通过这些曲线数据,绘制测井曲线。
在本申请又一实施例中,用户也可以在服务器上设定相应的程序,将这些曲线数据绘制于同一坐标轴中,以绘制得到测井曲线。
3)、获取形态上具有可辨识特征的测井曲,得到所述特征层。
具体的,可以选取形态上具有一定可辨识特征的测井曲线,得到某特征层;一定可辨识特征,可以包括但不限于如下:
波峰超过第一预设阈值的测井曲线,或者波谷超过第二预设阈值的测井曲线,或者为连续的波谷出现次数大于第三预设阈值的测井曲线……
此外,对区域内各邻井对应该特征层的测井曲线可以作为样本数据收集,用于支持向量机的统计分析学习。
步骤S200、获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据。
具体的,参见图2所示,图2为本申请的实施例提供的一种基于支持向量机的地质特征层预测方法中子步骤的流程示意图;该步骤S200包括:
步骤S201、获取所述邻井的特征层对应的每个深度值,根据所述深度值确定相对应的测井数据。
各邻井的特征层对应的每个深度值,可以对应一套测井数据,测井数据包括自然伽马、声波时差、岩石密度、补偿中子、自然电位、电阻率等;深度值、测井数据都是可以事先人工测量得到的。
步骤S202、根据所述测井数据,获取每个特征层的识别曲线。
步骤S203、获取具有相同特征的测井曲线的属性数据。
具体地,根据测井数据可以绘制出识别曲线。而多数情况下,同一个特征层具有多种测井数据,所以可能具有多条识别曲线。在本申请是实力的方案中,可以选择具有相同特征层的的识别曲线,然后根据具有相同特征的识别曲线,获取属性数据。
其中,相同特征可以是指具有相同的波峰或者波谷等。而获取属性数据,可以采用现有的软件或者人工方式获得,此处不再进行过多说明。
步骤S300、对所述属性数据进行预处理,得到所述邻井的标准属性数据。
本申请发明人发现,每口井的测井数据采用的单位、量纲和量级可能存在差异,在进行SVM学习训练前,通过程序自动将每一项测井数据进行标准化处理,即统一各样本数据的单位、量纲和量级,可以方便后续训练。
其中,对所述属性数据进行预处理,得到所述邻井的标准属性数据,可以包括:
假设某个特征层段内的每口井的某测井曲线的属性数据的样本点为n个,参与学习训练的井数有m口,X’ ij为第j口井的第i个样本点的数值。通过下述公式对所述属性数据进行标准化处理,得到数据矩阵X’;
其中,X’ ij≥0,i∈[1,n],j∈[1,m],n、m为正整数;
基于所述数据矩阵,并通过下述公式计算得到标准属性数据;
其中,Xij为第j口井的第i个样本点标准属性数据,Xij属于[0,1],X' jmax、X’ jmin分别为第j口井对应的属性数据中最大样本点数值和最小样本点数值。
此外,在将所述邻井的标准属性数据输入预训练的预测模型的步骤之前,还可以包括:
获取标准属性数据样本;
计算所述标准属性数据样本,以得到所述标准属性数据中的分类超平面;
根据所述分类超平面建立回归估计模型;
向所述回归估计模型输入所述标准属性数据样本,训练所述回归估计模型以得到预测模型。
其中,获取标准属性数据样本,可以采用步骤S100、步骤S200、步骤300中的步骤,此处不再进行过多的阐述。
进一步的,计算所述标准属性数据样本,以得到所述标准属性数据中分类超平面,可以包括;
A、通过下述公式计算所述标准属性数据样本,得到分类超平面;
其中,K为将井i和井j的对应特征层的标准属性数据样本点无错误分开的最佳分类超平面,x i 、x j 分别为井i和井j的同特征层对应位置的标准属性数据样本点;采用拐点法,对标准属性数据样本求取平均值,作为σ的取值,进一步的,基于[0,1]标准化样本得出σ∈[0.3,1]。
B、根据所述分类超平面,建立回归估计模型,包括:
通过下述公式建立回归估计模型:
其中,yi为井i的每个样本点的期望值;ai、ai*为基于函数K(x i ,x j )计算出一对拉格朗日乘子;aj、aj*为基于函数K(x j ,x i )计算出的一对拉格朗日乘子;当ai×ai*=0、0≤ai≤C、0≤ai*≤C时,非同时为零的ai、ai*所对应的x i 为支持向量SV;当0<ai<C、ai*=0或者ai=0、0<ai*<C所对应的x i 为标准支持向量NSVM;NNSV为测井属性样本中标准支持向量的样本数量,NSV为标准支持向量NSVM;C为惩罚系数,ε为回归估计模型中的系数;例如,对应每一个K(x i ,x j )都会算出一对拉格朗日乘子ai,ai*,比如,K(x 1 ,x 2 )算出来的乘子为a1,a1*;K(x 2 ,x 3 )算出来的乘子为a2,a2*等,类似的,对于K(x j ,x i )也可以计算出对应的拉格朗日乘子aj、aj*。
需要注意的是,ε是在回归估计模型中用到的一个系数,ε的定义是:与函数估计精度直接相关的一个设计参数,通常情况下被比喻为管道。
步骤S400、将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层。
在步骤S400中,可以利用预测模型,对属性数据进行预测,得到了所预测的地质特征层,同时在预测地质特征层时,还会产生预测的属性数据。然后工作人员可以根据预测的属性数据,绘制预测地质特征层的样本测井曲线,或者通过程序绘制预测地质特征层的样本测井曲线。
得到预测地质特征层的样本测井曲线后,与事先测量的同一个属性数据的实际测井曲线进行比对。工作人员可以根据比对结果反馈调节的C和ε的值,最终得到预测模型。
进一步,在本申请实施例中,参见图3所示,图3为本申请的实施例提供的另一种基于支持向量机的地质特征层预测方法的流程示意图;所述基于支持向量机的地质特征层预测方法,还包括:
步骤S500、在随钻过程中,获取与预测的地质特征层垂厚相同的实际测井曲线;
步骤S600、获取所述实际测井曲线与预测地质特征层的样本测井曲线的加权斜率距离;其中,所述预测地质特征层的样本测井曲线,基于所述预测模型预测地质特征层时生成的预测属性数据得到;
步骤S700、当所述加权斜率距离小于预设阈值时,则当前的实际测井曲线的形态与预测地质特征层的样本测井曲线形态相似。
在上述方案中,当加权斜率距离大于等于预设阈值,则说明当前的实际测井曲线的形态与预测地质特征层的样本测井曲线形态不相似,存在较大差异,说明此时的钻探工作可能出现异常,实现提前预警。
其中,将预测的待钻井的各特征层测井曲线模型,基于垂深模式存入模型库,在随钻过程中,同样基于垂深模式,不断轮询与各预测特征层垂厚相同的实钻测井曲线数据段,与预测特征层的样本曲线进行形态比对;
具体的,所述形态对比可通过获取加权斜率距离反应,由此,获取所述实际测井曲线与预测地质特征层的样本测井曲线的加权斜率距离,可以包括:
通过下述公式获取加权斜率距离;
其中,S表示实际测井曲线,S’为预测地质特征层的样本测井曲线,i=1,2,…,n;W i
为第i段的波动权值,,W i ∈[0.1,1],波动值,i=1,2,...,n,n为正整数;分别
表示最大波动值、最小波动值;k i 为S的第i段曲线的初始值,t i 表示S的第i段曲线的深度间
隔,y i 为S第i段曲线的幅度值;k i ’为S’的第i段曲线的初始值,y i ’为S’第i段曲线的幅度值。
在本申请实施例的方案中,加权斜率距离越小,表示两条曲线形态越相似。设置加权斜率距离阈值,当计算的结果小于该阈值时,即判定当前测井曲线形态与被比对的特征曲线形态相似;基于此原理,可将其他测井曲线均建立特征层样本和加权斜率距离阈值,根据各测井曲线对本区块地层、岩性的敏感性,灵活调整各测井曲线的加权斜率距离阈值对预警所占的权重,从而得到适用于本井的特征层智能识别和预警的方案。
通过上述方案,可以基于支持向量机的邻井特征层测井属性数据的训练学习,可以预测待钻井的地质特征层并得到测井属性曲线,实现智能识别预警。此外,本申请可以预测地质特征层,从而提取得到地质特征层位置,提醒用户提前进入相应的准备工作。基于预测模型,以及通过曲线形态特征的相似度量方法,实时对比随钻测井曲线与预测特征层的样本曲线形态,智能识别预测邻近的地质特征层并预警通知,提醒用户及时调整轨迹或调整地层,提高钻遇率,实现降本增效的目的。
如图4所示,本申请还提供了一种基于支持向量机的地质特征层预测***,其可以实现上述基于支持向量机的地质特征层预测方法,所述基于支持向量机的地质特征层预测***可以包括:
获取模块301,用于获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线。
确定模块302,用于获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;
预处理模块303,用于对所述属性数据进行预处理,得到所述邻井的标准属性数据;
预测模块304,用于将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层。
所述基于支持向量机的地质特征层预测***还包括训练模块,用于获取标准属性数据样本,计算所述标准属性数据样本,以得到所述标准属性数据中分类超平面,根据所述分类超平面,建立回归估计模型,以及向所述回归估计模型输入所述标准属性数据样本,训练所述回归估计模型以得到预测模型。
各模块实现对应功能的方法与上述基于支持向量机的地质特征层预测方法中的描述相同,不再赘述。
以上所述仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,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申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于支持向量机的地质特征层预测方法,其特征在于,包括:
获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线;
获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;
对所述属性数据进行预处理,得到所述邻井的标准属性数据;
将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层;
在随钻过程中,获取与预测的地质特征层垂厚相同的实际测井曲线;
获取所述实际测井曲线与预测地质特征层的样本测井曲线的加权斜率距离;其中,所述预测地质特征层的样本测井曲线基于所述预测模型预测地质特征层时生成的预测属性数据得到;
当所述加权斜率距离小于预设阈值时,则当前的实际测井曲线的形态与预测地质特征层的样本测井曲线形态相似;
其中,获取所述实际测井曲线与预测地质特征层的样本测井曲线的加权斜率距离,包括:
通过下述公式获取加权斜率距离;
2.根据权利要求1所述的地质特征层预测方法,其特征在于,在将所述邻井的标准属性数据输入预训练的预测模型的步骤之前,还包括:
获取标准属性数据样本;
计算所述标准属性数据样本,以得到所述标准属性数据中的分类超平面;
根据所述分类超平面建立回归估计模型;
向所述回归估计模型输入所述标准属性数据样本,训练所述回归估计模型以得到预测模型。
4.根据权利要求3所述的地质特征层预测方法,其特征在于,根据所述分类超平面建立回归估计模型,包括:
通过公式(2)建立回归估计模型:
其中,yi为井i的每个样本点的期望值;ai、ai*为基于函数K(x i ,x j )计算出的一对拉格朗日乘子;aj、aj*为基于函数K(x j ,x i )计算出的一对拉格朗日乘子;当ai×ai*=0、0≤ai≤C、0≤ai*≤C时,非同时为零的ai、ai*所对应的x i 为支持向量SV;当0<ai<C、ai*=0或者ai=0、0<ai*<C所对应的x i 为标准支持向量NSVM;NNSV为测井属性样本中标准支持向量的样本数量,NSV为标准支持向量NSVM;C为惩罚系数,ε为回归估计模型中的系数。
5.根据权利要求1所述的地质特征层预测方法,其特征在于,获取目标区域中邻井的测井曲线,以得到邻井的特征层,包括:
获取邻井的曲线数据,所述曲线数据包括:测井曲线数据、地层、岩性数据,以及邻井的同层位、相同岩性;
根据所述曲线数据拟制测井曲线;
获取形态上具有可辨识特征的测井曲线,得到邻井的特征层。
6.根据权利要求1所述的地质特征层预测方法,其特征在于,获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据,包括:
获取所述邻井的特征层对应的每个深度值,根据所述深度值确定相对应的测井数据;
根据所述测井数据获取识别曲线;
获取具有相同特征的测井曲线的属性数据。
8.一种用于实现权利要求1-7任一项所述基于支持向量机的地质特征层预测方法的地质特征层预测***,其特征在于,包括:
获取模块,用于获取目标区域中邻井的测井曲线,以得到邻井的特征层,所述特征层为具有可辨识特征的测井曲线;
确定模块,用于获取与所述邻井的特征层相对应的深度值,通过所述深度值确定属性数据;
预处理模块,用于对所述属性数据进行预处理,得到所述邻井的标准属性数据;
预测模块,用于将所述邻井的标准属性数据输入预训练的预测模型,以预测邻井的地质特征层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211524413.0A CN115576028B (zh) | 2022-12-01 | 2022-12-01 | 基于支持向量机的地质特征层预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211524413.0A CN115576028B (zh) | 2022-12-01 | 2022-12-01 | 基于支持向量机的地质特征层预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115576028A CN115576028A (zh) | 2023-01-06 |
CN115576028B true CN115576028B (zh) | 2023-03-14 |
Family
ID=84590025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211524413.0A Active CN115576028B (zh) | 2022-12-01 | 2022-12-01 | 基于支持向量机的地质特征层预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576028B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164491A (zh) * | 2018-10-15 | 2019-01-08 | 中国石油大学(北京) | 一种基于分类支持向量机的地震岩相识别方法及*** |
CN110685600A (zh) * | 2018-06-20 | 2020-01-14 | 中国石油化工股份有限公司 | 一种用于地质导向的钻头调整预测方法 |
CN111784065A (zh) * | 2020-07-09 | 2020-10-16 | 东北石油大学 | 一种基于灰关联的油井产能智能预测方法 |
CN112230283A (zh) * | 2020-10-12 | 2021-01-15 | 北京中恒利华石油技术研究所 | 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 |
CN113627639A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 用于碳酸盐岩缝洞型储层的试井产能预测方法及*** |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及*** |
CN114741944A (zh) * | 2022-02-21 | 2022-07-12 | 袁正茹 | 一种利用机器学习和深度学习算法预测测井曲线的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
CN111104819A (zh) * | 2018-10-25 | 2020-05-05 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
CN110554428A (zh) * | 2019-07-23 | 2019-12-10 | 中国石油化工股份有限公司 | 一种基于变分模态分解的地震波低频能量变化率提取方法 |
WO2021130512A1 (en) * | 2019-12-23 | 2021-07-01 | Total Se | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data |
-
2022
- 2022-12-01 CN CN202211524413.0A patent/CN115576028B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110685600A (zh) * | 2018-06-20 | 2020-01-14 | 中国石油化工股份有限公司 | 一种用于地质导向的钻头调整预测方法 |
CN109164491A (zh) * | 2018-10-15 | 2019-01-08 | 中国石油大学(北京) | 一种基于分类支持向量机的地震岩相识别方法及*** |
CN113627639A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 用于碳酸盐岩缝洞型储层的试井产能预测方法及*** |
CN111784065A (zh) * | 2020-07-09 | 2020-10-16 | 东北石油大学 | 一种基于灰关联的油井产能智能预测方法 |
CN112230283A (zh) * | 2020-10-12 | 2021-01-15 | 北京中恒利华石油技术研究所 | 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及*** |
CN114741944A (zh) * | 2022-02-21 | 2022-07-12 | 袁正茹 | 一种利用机器学习和深度学习算法预测测井曲线的方法 |
Non-Patent Citations (3)
Title |
---|
基于SVM的面向页岩气地质导向的LWD曲线预测研究;范翔宇 等;《数学的实践与认识》;第46卷(第3期);第181-187页 * |
郭永恒.随钻测井曲线预测及更新方法研究.《石油钻探技术》.2010,第38卷(第6期),第25-28页. * |
随钻测井曲线预测及更新方法研究;郭永恒;《石油钻探技术》;第38卷(第6期);第25-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115576028A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Negash et al. | Artificial neural network based production forecasting for a hydrocarbon reservoir under water injection | |
Lee et al. | Electrofacies characterization and permeability predictions in complex reservoirs | |
MXPA01002528A (es) | Sistema y metodo para delinear espacialmente objetos dependientes, tales como acumulaciones de hidrocarburos a partir de datos sismicos. | |
JP2014535044A (ja) | 最小二乗サポートベクターマシンを用いた貯留層特性予測 | |
Kaydani et al. | Permeability prediction based on reservoir zonation by a hybrid neural genetic algorithm in one of the Iranian heterogeneous oil reservoirs | |
Romanenkova et al. | Real-time data-driven detection of the rock-type alteration during a directional drilling | |
EP2271954A2 (en) | System and method for interpretation of well data | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
Rabiei et al. | Determination of dew point pressure in gas condensate reservoirs based on a hybrid neural genetic algorithm | |
CN113553356A (zh) | 一种钻井参数预测方法和*** | |
CN116644284A (zh) | 一种地层分类特征因子确定方法、***、电子设备及介质 | |
Zhang et al. | A new hybrid method based on sparrow search algorithm optimized extreme learning machine for brittleness evaluation | |
Gan et al. | A new spatial modeling method for 3D formation drillability field using fuzzy c-means clustering and random forest | |
Hou et al. | Data-driven optimization of brittleness index for hydraulic fracturing | |
Fattahi et al. | Hybrid ANFIS with ant colony optimization algorithm for prediction of shear wave velocity from a carbonate reservoir in Iran | |
CN115576028B (zh) | 基于支持向量机的地质特征层预测方法及*** | |
Ma et al. | Integration of artificial intelligence and production data analysis for shale heterogeneity characterization in SAGD reservoirs | |
CN117075221A (zh) | 基于地震弹性属性、电阻率和极化率联合的储层流体识别方法 | |
US12025763B2 (en) | Multi-sensor data assimilation and predictive analytics for optimizing well operations | |
CN116911216A (zh) | 一种储层油井产能因素评估与预测方法 | |
CN110552693A (zh) | 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 | |
CN116777229A (zh) | 一种地下水位预测方法、***、终端及存储介质 | |
Wang et al. | A Novel Multi‐Input AlexNet Prediction Model for Oil and Gas Production | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A geological feature layer prediction method and system based on support vector machine Granted publication date: 20230314 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN SHENGHUA WEIYE TECHNOLOGY CO.,LTD. Registration number: Y2024980007644 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |