CN117211758B - 用于浅孔取芯的智能钻进控制***及方法 - Google Patents
用于浅孔取芯的智能钻进控制***及方法 Download PDFInfo
- Publication number
- CN117211758B CN117211758B CN202311466529.8A CN202311466529A CN117211758B CN 117211758 B CN117211758 B CN 117211758B CN 202311466529 A CN202311466529 A CN 202311466529A CN 117211758 B CN117211758 B CN 117211758B
- Authority
- CN
- China
- Prior art keywords
- feature map
- stratum structure
- scale
- stratum
- deep
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000035515 penetration Effects 0.000 claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000001994 activation Methods 0.000 claims description 14
- 238000005728 strengthening Methods 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005755 formation reaction Methods 0.000 description 43
- 239000013598 vector Substances 0.000 description 20
- 239000003921 oil Substances 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000005520 cutting process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种用于浅孔取芯的智能钻进控制***及方法,其获取地层结构图像;提取所述地层结构图像的结构多尺度特征;以及,基于所述结构多尺度特征,确定推荐的钻进速度值。这样,可以基于深度学习的图像处理技术来从地层结构图像中分析和判断出适宜的钻进速度,使得取芯过程更加顺利和高效。
Description
技术领域
本发明涉及智能钻进控制技术领域,尤其涉及一种用于浅孔取芯的智能钻进控制***及方法。
背景技术
稠油勘探钻探是一种重要的工作手段。含油层多为松散砂岩、砾岩层,地下含水层为松散砂岩,常规钻进只能从岩屑录井和测井来进行观察研究,取芯效果差,对油水关系的研究存在一定缺陷,所以松散地层的取芯是常规钻进钻探技术难点。为提高油层及松散地层采取率,采用浅孔取芯的方法来解决取芯率低的难点。
浅孔取芯的原理是利用钻头在地面上打出一个小孔,然后用一种特殊的工具将岩芯从孔中取出。浅孔取芯的优点是可以直接观察和分析岩石的物理性质、化学成分、微生物活动等。
然而,在进行浅孔取芯的过程中,钻进控制***往往不能根据地层的变化及时调整钻进参数,导致取芯效率低下,岩芯损失严重,甚至发生卡钻等事故。因此,期待一种优化的用于浅孔取芯的钻进控制方案。
发明内容
本发明实施例提供一种用于浅孔取芯的智能钻进控制***及方法,其获取地层结构图像;提取所述地层结构图像的结构多尺度特征;以及,基于所述结构多尺度特征,确定推荐的钻进速度值。这样,可以基于深度学习的图像处理技术来从地层结构图像中分析和判断出适宜的钻进速度,使得取芯过程更加顺利和高效。
本发明实施例还提供了一种用于浅孔取芯的智能钻进控制方法,其包括:获取地层结构图像;提取所述地层结构图像的结构多尺度特征;以及基于所述结构多尺度特征,确定推荐的钻进速度值;其中,提取所述地层结构图像的结构多尺度特征,包括:将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图;融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图;以及将所述地层结构多尺度特征图作为所述结构多尺度特征。
本发明实施例还提供了一种用于浅孔取芯的智能钻进控制***,其包括:图像获取模块,用于获取地层结构图像;多尺度特征提取模块,用于提取所述地层结构图像的结构多尺度特征;以及钻进速度值确定模块,用于基于所述结构多尺度特征,确定推荐的钻进速度值;其中,所述多尺度特征提取模块,包括:地层结构多尺度特征提取单元,用于将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图;融合单元,用于融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图;以及结构多尺度特征生成单元,用于将所述地层结构多尺度特征图作为所述结构多尺度特征。
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。
在附图中:图1为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制方法的流程图。
图2为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制方法的***架构的示意图。
图3为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制***的框图。
图4为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。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。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排他性的罗列,方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
稠油勘探钻探是一种重要工作手段,含油层多为松散砂岩、砾岩层,地下含水层为松散砂岩,常规钻进只能从岩屑录井和测井来进行观察研究,取芯效果差,对油水关系的研究存在一定缺陷,所以松散地层的取芯是常规钻进钻探技术难点,岩矿芯收获率低在钻探过程中会漏失油层和水层,钻孔的质量难以保证,严重影响到工程的进度及质量。
为提高油层及松散地层采取率,采用浅孔取芯的方法来解决取芯率低的难点。
稠油勘探钻探是一种重要的工作手段,用于开发和生产稠油资源。稠油是指具有高粘度和低流动性的原油,其粘度通常比常规原油高几个数量级。在稠油勘探钻探中,含油层通常为松散砂岩、砾岩层,地下含水层也常为松散砂岩,这种地层的特点使得传统的钻进方法在取芯和观察油水关系方面存在一定的困难和局限性。
传统的钻进方法主要依靠岩屑录井和测井等手段来进行地层观察和研究。岩屑录井是通过观察钻进过程中返回的岩屑样品来判断地层的性质和组成。测井则是利用测井仪器在钻进过程中对地层进行物理和化学性质的测量。然而,由于稠油勘探中的地层多为松散砂岩和砾岩层,传统的岩屑录井和测井方法往往无法提供准确和全面的地层信息,对油水关系的研究存在一定的缺陷。
为了克服这一问题,人们提出了利用浅孔取芯的方法来解决取芯率低的难题。浅孔取芯是一种通过在地面上打出一个小孔,然后用一种特殊的工具将岩芯从孔中取出的方法。与传统的钻进方法相比,浅孔取芯具有直接观察和分析岩石的物理性质、化学成分、微生物活动等优点。通过浅孔取芯,可以获取更准确和详细的地层信息,有助于更好地理解油水关系和优化开发策略。
在进行浅孔取芯的过程中,仍然存在一些挑战和难点。在进行浅孔取芯的过程中,钻进控制***的参数调整不及时是一个常见的问题,导致取芯效率低下、岩芯损失严重,甚至可能引发卡钻等事故,这主要是由于地层的复杂性和不确定性,以及传统的钻进控制方法对于实时地层信息的获取和分析能力有限。
一方面,地层的性质和组成在不同深度和位置可能存在较大的变化。例如,岩石的硬度、孔隙度、韧性等参数可能会随着深度的增加而发生变化。如果钻进控制***不能及时感知和响应这些地层变化,钻进参数(如钻进速度、钻头类型、钻进液密度等)的调整就会滞后,导致取芯效率低下。另一方面,浅孔取芯过程中,岩芯样品的完整性和保护性至关重要。如果钻进控制***的参数设置不合理,可能会导致岩芯破碎、损失或被钻头带走,使得取芯过程无法获得准确的地层信息。特别是在松散地层中,岩芯的稳定性更容易受到影响。
此外,钻进控制***的响应速度也是一个关键因素。地层的变化可能发生得非常迅速,如果钻进控制***的传感器和反馈机制不够灵敏,无法及时捕捉和反馈地层信息,钻进参数的调整就会滞后,从而影响取芯效率和岩芯保护。
为了提高浅孔取芯的效率和成功率,申请提出了基于深度学习的图像处理技术。通过分析和判断地层结构图像,利用深度学习模型确定适宜的钻进速度,可以使取芯过程更加顺利和高效,这种技术的应用可以帮助钻进工程师更好地控制钻进参数,减少岩芯损失和事故风险,提高稠油勘探钻探的效率和成功率。稠油勘探钻探是一项重要的工作手段,而浅孔取芯和基于深度学习的图像处理技术则是在稠油勘探中应用的创新方法。
在本发明的一个实施例中,图1为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制方法的流程图。图2为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制方法的***架构的示意图。如图1和图2所示,根据本发明实施例的用于浅孔取芯的智能钻进控制方法,包括:110,获取地层结构图像;120,提取所述地层结构图像的结构多尺度特征;以及,130,基于所述结构多尺度特征,确定推荐的钻进速度值;其中,120,提取所述地层结构图像的结构多尺度特征,包括:121,将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图;122,融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图;以及,123,将所述地层结构多尺度特征图作为所述结构多尺度特征。
在所述步骤110中,选择适当的地层图像获取方法,例如,可以使用地震勘探、电磁测井、岩芯成像等技术获取地层结构图像。地震勘探可以通过发送地震波并记录其反射和折射来获取地下地层的图像。电磁测井可以利用电磁信号的传播特性来获取地层的电阻率、介电常数等信息。岩芯成像技术可以通过在钻进过程中使用特殊的传感器和工具来获取岩芯的图像。通过获取地层结构图像,可以直观地了解地下地层的分布和特征。这为后续的地层特征提取和钻进参数确定提供了基础。
在所述步骤120中,使用合适的方法提取地层结构图像的结构多尺度特征。其包括步骤121,将地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图。基于金字塔网络的特征提取器可以通过多尺度的卷积和池化操作来提取地层结构图像的不同深度层次的特征,通过构建金字塔网络,可以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图。步骤122,融合地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图以得到地层结构多尺度特征图。将不同深度层次的特征图进行融合,可以使用卷积神经网络等方法。融合后的地层结构多尺度特征图将包含更全面、更丰富的地层信息。和步骤123,将融合后的地层结构多尺度特征图作为最终的结构多尺度特征,用于后续的钻进参数确定。通过提取地层结构图像的结构多尺度特征,可以捕捉到地层的不同层次和尺度的特征信息,有助于更准确地理解地层的复杂性和变化规律,为后续的钻进速度值确定提供更可靠的依据。
在所述步骤130中,基于所述结构多尺度特征,确定推荐的钻进速度值。根据结构多尺度特征的分析,可以建立钻进速度与地层特征之间的关联模型,这可以通过机器学习算法、统计分析等方法来实现。根据地层的不同特征和目标要求,可以确定适当的钻进速度值,以提高取芯效率和岩芯保护性。通过基于结构多尺度特征确定推荐的钻进速度值,可以更好地适应地层的变化,并在保证取芯效率的同时保护岩芯的完整性。这有助于提高浅孔取芯的效率和安全性。
钻进速度是影响取芯效果的重要参数,具体来说,如果钻进速度过快,可能会导致岩芯破碎、变形或丢失;如果钻进速度过慢,可能会浪费时间和资源,降低钻进效率。因此,本申请期待利用基于深度学习的图像处理技术来从地层结构图像中分析和判断出适宜的钻进速度,使得取芯过程更加顺利和高效。
基于此,在本申请的技术方案中,首先,获取地层结构图像。应可以理解,地层结构图像可以反映地层物理性质和岩石组成,可以帮助判断地层的硬度、孔隙度和含水量等信息,从而选择合适的钻进速度。
考虑到地层的形成和变化是一个复杂的过程,涉及到不同的时间和空间尺度,这些信息在地层结构图像中也会呈现出多尺度的地层结构信息。例如,地层的沉积、压实、褶皱、断裂、侵蚀等作用都会影响地层的形态和性质,从而在图像中表现出不同的特征。因此,为了更好地分析和理解地层结构,在本申请的技术方案中,将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图。也就是,从多个尺度上提取地层结构特征,以反映地层的全貌和细节。
在本申请的一个具体实施例中,将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图,包括:使用所述基于金字塔网络的地层结构多尺度特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述基于金字塔网络的地层结构多尺度特征提取器的第一输出层输出所述地层结构浅层特征图,第二输出层输出所述地层结构中层特征图,以及,第三输出层输出所述地层结构深层特征图。
其中,所述基于金字塔网络的地层结构多尺度特征提取器的各层在非线性激活处理时使用Mish激活函数。
然后,使用级联融合模块结构来融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图。也就是,将地层结构的浅层特征、中层特征和深层特征进行有机融合,丰富地层结构特征的表达。
在本申请的一个具体示例中,使用级联融合模块结构来融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到所述地层结构多尺度特征图的编码过程,包括:先对所述地层结构深层特征图通过基于第一上采样因子的上采样与卷积模块以得到第一上采样深层卷积编码特征图;同时,对所述地层结构中层特征图通过基于第二上采样因子的上采样与卷积模块以得到第一上采样中层卷积编码特征图;随后,将所述第一上采样深层卷积编码特征图、所述第一上采样中层卷积编码特征图和所述地层结构浅层特征图进行逐元素相乘操作以得到浅-中-深交互特征图;接着,对所述地层结构深层特征图通过基于第二上采样因子的上采样与卷积模块以得到第二上采样深层卷积编码特征图;同时,将所述地层结构中层特征图和所述第二上采样深层卷积编码特征图进行逐元素相乘操作以得到中-深交互特征图;然后,将所述第二上采样深层卷积编码特征图和所述中-深交互特征图进行拼接处理以得到中-深拼接交互特征图;接下来,对所述中-深拼接交互特征图通过卷积处理和上采样处理以得到调整后中-深拼接交互特征图,所述调整后中-深拼接交互特征图与所述浅-中-深交互特征图具有相同的尺寸;进一步地,将所述浅-中-深交互特征图和所述调整后中-深拼接交互特征图进行拼接处理以得到所述地层结构多尺度特征图。
更具体地,在本申请的实施例中,对所述地层结构深层特征图通过基于第一上采样因子的上采样与卷积模块以得到第一上采样深层卷积编码特征图的编码过程,包括:先对所述地层结构深层特征图进行基于第一上采样因子的上采样处理以得到第一上采样深层特征图;随后,将所述第一上采样深层特征图通过卷积编码层以得到所述第一上采样深层卷积编码特征图;其中,卷积编码层包括基于二维卷积核的卷积层、批量归一化层和非线性激活层。
在本申请的一个实施例中,基于所述结构多尺度特征,确定推荐的钻进速度值,包括:将所述地层结构多尺度特征图通过特征自相关关联强化模块以得到自相关强化地层结构多尺度特征图;对所述自相关强化地层结构多尺度特征图进行特征分布校正以得到校正后自相关强化地层结构多尺度特征图;以及,将所校正后自相关强化地层结构多尺度特征图通过解码器以得到解码值,所述解码值用于表示推荐的钻进速度值
继而,将所述地层结构多尺度特征图通过特征自相关关联强化模块以得到自相关强化地层结构多尺度特征图。这里,所述特征自相关关联强化模块通过捕捉所述地层结构多尺度特征图中逐元素之间的相似性关联,有效聚合了地层结构多尺度特征分布呈现的完整信息,并完成特征分布的细化和重要特征区域的显化。
在本申请的一个具体实施例中,将所述地层结构多尺度特征图通过特征自相关关联强化模块以得到自相关强化地层结构多尺度特征图,包括:将地层结构多尺度特征图通过第一卷积层以得到降维特征图;将所述降维特征图通过第二卷积层以得到高效关联构造图;利用余弦相似性操作计算所述高效关联构造图的关系矩阵;利用Softmax函数对所述关系矩阵进行归一化处理以得到归一化后关系矩阵;利用逐元素相乘操作完成所述归一化后关系矩阵对所述降维特征图中任意两个特征值之间关系的建模以得到关联特征图;对所述关联特征图进行反卷积操作以得到反卷积后关联特征图;将所述反卷积后关联特征图与所述降维特征图进行逐元素相加以得到初步结果特征图;以及,对所述初步结果特征图进行通道扩充得到扩充后初步结果特征图后,将所述扩充后初步结果特征图和所述地层结构多尺度特征图残差连接以得到所述自相关强化地层结构多尺度特征图。
接着,将所校正后自相关强化地层结构多尺度特征图通过解码器以得到解码值,所述解码值用于表示推荐的钻进速度值。解码器可以是一个神经网络模型,接收特征图作为输入,并输出推荐的钻进速度值。解码器的设计可以根据具体的需求和算法选择,例如,可以使用全连接层、卷积层、循环神经网络等结构来构建解码器。通过训练模型,解码器可以学习地层结构特征与钻进速度之间的关联,并根据输入的特征图生成相应的推荐钻进速度值。通过使用解码器将所校正后自相关强化地层结构多尺度特征图映射为推荐的钻进速度值,可以将复杂的地层信息转化为实际的操作参数,有助于优化钻进过程,提高效率和安全性,减少操作风险。
在本申请的技术方案中,在所述地层结构多尺度特征图通过特征自相关关联强化模块得到所述自相关强化地层结构多尺度特征图的情况下,所述地层结构多尺度特征图的每个特征矩阵表达所述地层结构图像的基于金字塔网络的不同尺度和不同深度的图像语义特征,而其各个特征矩阵之间遵循基于金字塔网络的尺度和深度分布,通过特征自相关关联强化模块,可以以所述地层结构多尺度特征图的通道向量为单位,基于特征矩阵的图像语义特征分布来进行特征矩阵分布维度下的特征自相关强化,这在提升所述自相关强化地层结构多尺度特征图基于不同尺度和深层的图像语义特征的整体表达一致性的同时,也会导致所述自相关强化地层结构多尺度特征图的通道分布表达偏离所述地层结构多尺度特征图的通道分布表达,影响其相对于分类结果的目标分布表达一致性,从而影响所述自相关强化地层结构多尺度特征图通过分类器得到的分类结果的准确性。
因此,优选地,首先计算所述地层结构多尺度特征图的每个特征矩阵的全局均值以获得地层结构多尺度特征向量,例如记为,再计算所述自相关强化地层结构多尺度特征图的每个特征矩阵的全局均值以获得自相关强化地层结构多尺度特征向量,例如记为,再以所述地层结构多尺度特征向量/>对所述自相关强化地层结构多尺度特征向量进行修正,以获得修正后的自相关强化地层结构多尺度特征向量,例如记为/>。以如下优化公式以所述地层结构多尺度特征向量/>对所述自相关强化地层结构多尺度特征向量/>进行修正,以获得修正后的自相关强化地层结构多尺度特征向量;其中,所述优化公式为:/>其中,是所述地层结构多尺度特征向量,/>是所述自相关强化地层结构多尺度特征向量,是修正后的自相关强化地层结构多尺度特征向量,/>和/>分别表示所述地层结构多尺度特征向量/>和所述自相关强化地层结构多尺度特征向量/>的全局均值的倒数,且/>是单位向量,/>表示按位置加法,/>表示按位置减法,/>表示按位置点乘。
也就是,在考虑到通道维度分布表达一致性的情况下,如果将所述自相关强化地层结构多尺度特征向量视为所述地层结构多尺度特征向量/>的特征分布增强输入,则考虑到所述地层结构多尺度特征向量/>的目标特征在类空间内的目标分布信息损失,可能导致类回归目的损失,因此通过对特征分布相对于彼此的离群分布(outlierdistribution)进行交叉惩罚的方式,可以通过特征插值式融合实现特征增强和回归鲁棒的自监督式平衡,以提升所述地层结构多尺度特征向量/>和所述自相关强化地层结构多尺度特征向量/>的一致性,这样,再以修正后的自相关强化地层结构多尺度特征向量对所述自相关强化地层结构多尺度特征图沿通道进行加权,就可以提升所述自相关强化地层结构多尺度特征图通过分类器得到的分类结果的准确性。
在本申请的一个实施例中,提供一种提高松散地层岩芯收获率的浅孔取芯方法,其主要实施内容包括:1、采用不同常规钻进的钻探设备,进行浅孔取芯,包括不限于XY-5、XY-6、XY-44、水钻2000等。
2、限制回次进尺,在矿层顶底板和重要标志层中,单回次不得超过2米,钻遇砂砾石松散地层时回次进尺控制在0.5米。
3、采用多种取芯方式,单管取芯、双管取芯和绳索取芯。
4、岩芯没有采取上来时,须专程捞取,不应继续钻进,如果不足应进行补取。
5、改进取芯卡簧形状及方式,保证松散地层不掉落。
6、改进岩芯从取芯管退取方式,保证退取岩芯的原始状态。
本申请的创新点包括:采用XY-5等不同型号钻探设备,采用不同的取芯方式获取岩芯,提高岩芯的收获率。
通过限制钻进回次和改进岩芯退取方式,以达到提高岩芯采取率和获取原状岩芯的目的。
提高松散地层钻探过程中的岩芯采取率,达到一次成孔,减少补芯工作,避免出现报废井现象,提高成孔率,缩短施工工期。
保证钻进***与取芯***的相对动态***与静态***的关联与独立。
本申请的关键技术包括:1、针对岩芯退取工作研制一套设备,由以往的暴力锤击或泥浆液压的方式退取改进为可控的机械式退取,可提高岩芯采取率和保证退取岩芯的原始状态。
2、针对松散地层胶结程度差,不成形特征,研发一套套取松散岩石的取芯卡簧,提高岩芯的收获率。
综上,基于本发明实施例的用于浅孔取芯的智能钻进控制方法被阐明,其利用基于深度学习的图像处理技术来从地层结构图像中分析和判断出适宜的钻进速度,使得取芯过程更加顺利和高效。
在本发明的一个实施例中,图3为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制***的框图。如图3所示,根据本发明实施例的用于浅孔取芯的智能钻进控制***200,包括:图像获取模块210,用于获取地层结构图像;多尺度特征提取模块220,用于提取所述地层结构图像的结构多尺度特征;以及,钻进速度值确定模块230,用于基于所述结构多尺度特征,确定推荐的钻进速度值;其中,所述多尺度特征提取模块220,包括:地层结构多尺度特征提取单元221,用于将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图;融合单元222,用于融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图;以及,结构多尺度特征生成单元223,用于将所述地层结构多尺度特征图作为所述结构多尺度特征。
在所述用于浅孔取芯的智能钻进控制***中,所述地层结构多尺度特征提取单元,用于:使用所述基于金字塔网络的地层结构多尺度特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述基于金字塔网络的地层结构多尺度特征提取器的第一输出层输出所述地层结构浅层特征图,第二输出层输出所述地层结构中层特征图,以及,第三输出层输出所述地层结构深层特征图。
在所述用于浅孔取芯的智能钻进控制***中,所述基于金字塔网络的地层结构多尺度特征提取器的各层在非线性激活处理时使用Mish激活函数。
这里,本领域技术人员可以理解,上述用于浅孔取芯的智能钻进控制***中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的用于浅孔取芯的智能钻进控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的用于浅孔取芯的智能钻进控制***200可以实现在各种终端设备中,例如用于浅孔取芯的智能钻进控制的服务器等。在一个示例中,根据本发明实施例的用于浅孔取芯的智能钻进控制***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于浅孔取芯的智能钻进控制***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于浅孔取芯的智能钻进控制***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于浅孔取芯的智能钻进控制***200与该终端设备也可以是分立的设备,并且用于浅孔取芯的智能钻进控制***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种用于浅孔取芯的智能钻进控制方法的应用场景图。如图4所示,在该应用场景中,首先,获取地层结构图像(例如,如图4中所示意的C);然后,将获取的地层结构图像输入至部署有用于浅孔取芯的智能钻进控制算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于用于浅孔取芯的智能钻进控制算法对所述地层结构图像进行处理,以确定推荐的钻进速度值。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于浅孔取芯的智能钻进控制方法,其特征在于,包括:
获取地层结构图像;
提取所述地层结构图像的结构多尺度特征;以及
基于所述结构多尺度特征,确定推荐的钻进速度值;
其中,提取所述地层结构图像的结构多尺度特征,包括:
将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图;
融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图;以及
将所述地层结构多尺度特征图作为所述结构多尺度特征;
其中,基于所述结构多尺度特征,确定推荐的钻进速度值,包括:
将所述地层结构多尺度特征图通过特征自相关关联强化模块以得到自相关强化地层结构多尺度特征图;
对所述自相关强化地层结构多尺度特征图进行特征分布校正以得到校正后自相关强化地层结构多尺度特征图;以及
将所校正后自相关强化地层结构多尺度特征图通过解码器以得到解码值,所述解码值用于表示推荐的钻进速度值;
其中,将所述地层结构多尺度特征图通过特征自相关关联强化模块以得到自相关强化地层结构多尺度特征图,包括:
将地层结构多尺度特征图通过第一卷积层以得到降维特征图;
将所述降维特征图通过第二卷积层以得到高效关联构造图;
利用余弦相似性操作计算所述高效关联构造图的关系矩阵;
利用Softmax函数对所述关系矩阵进行归一化处理以得到归一化后关系矩阵;
利用逐元素相乘操作完成所述归一化后关系矩阵对所述降维特征图中任意两个特征值之间关系的建模以得到关联特征图;
对所述关联特征图进行反卷积操作以得到反卷积后关联特征图;
将所述反卷积后关联特征图与所述降维特征图进行逐元素相加以得到初步结果特征图;以及
对所述初步结果特征图进行通道扩充得到扩充后初步结果特征图后,将所述扩充后初步结果特征图和所述地层结构多尺度特征图残差连接以得到所述自相关强化地层结构多尺度特征图。
2.根据权利要求1所述的用于浅孔取芯的智能钻进控制方法,其特征在于,将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图,包括:
使用所述基于金字塔网络的地层结构多尺度特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述基于金字塔网络的地层结构多尺度特征提取器的第一输出层输出所述地层结构浅层特征图,第二输出层输出所述地层结构中层特征图,以及,第三输出层输出所述地层结构深层特征图。
3.根据权利要求2所述的用于浅孔取芯的智能钻进控制方法,其特征在于,所述基于金字塔网络的地层结构多尺度特征提取器的各层在非线性激活处理时使用Mish激活函数。
4.根据权利要求3所述的用于浅孔取芯的智能钻进控制方法,其特征在于,融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图,包括:
使用级联融合模块结构来融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到所述地层结构多尺度特征图;
其中,使用级联融合模块结构来融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到所述地层结构多尺度特征图,包括:
对所述地层结构深层特征图通过基于第一上采样因子的上采样与卷积模块以得到第一上采样深层卷积编码特征图;
对所述地层结构中层特征图通过基于第二上采样因子的上采样与卷积模块以得到第一上采样中层卷积编码特征图;
将所述第一上采样深层卷积编码特征图、所述第一上采样中层卷积编码特征图和所述地层结构浅层特征图进行逐元素相乘操作以得到浅-中-深交互特征图;
对所述地层结构深层特征图通过基于第二上采样因子的上采样与卷积模块以得到第二上采样深层卷积编码特征图;
将所述地层结构中层特征图和所述第二上采样深层卷积编码特征图进行逐元素相乘操作以得到中-深交互特征图;
将所述第二上采样深层卷积编码特征图和所述中-深交互特征图进行拼接处理以得到中-深拼接交互特征图;
对所述中-深拼接交互特征图通过卷积处理和上采样处理以得到调整后中-深拼接交互特征图,所述调整后中-深拼接交互特征图与所述浅-中-深交互特征图具有相同的尺寸;以及
将所述浅-中-深交互特征图和所述调整后中-深拼接交互特征图进行拼接处理以得到所述地层结构多尺度特征图。
5.根据权利要求4所述的用于浅孔取芯的智能钻进控制方法,其特征在于,对所述地层结构深层特征图通过基于第一上采样因子的上采样与卷积模块以得到第一上采样深层卷积编码特征图,包括:
对所述地层结构深层特征图进行基于第一上采样因子的上采样处理以得到第一上采样深层特征图;以及
将所述第一上采样深层特征图通过卷积编码层以得到所述第一上采样深层卷积编码特征图;
其中,卷积编码层包括基于二维卷积核的卷积层、批量归一化层和非线性激活层。
6.一种用于浅孔取芯的智能钻进控制***,其特征在于,包括:
图像获取模块,用于获取地层结构图像;
多尺度特征提取模块,用于提取所述地层结构图像的结构多尺度特征;以及
钻进速度值确定模块,用于基于所述结构多尺度特征,确定推荐的钻进速度值;
其中,所述多尺度特征提取模块,包括:
地层结构多尺度特征提取单元,用于将所述地层结构图像通过基于金字塔网络的地层结构多尺度特征提取器以得到地层结构浅层特征图、地层结构中层特征图和地层结构深层特征图;
融合单元,用于融合所述地层结构浅层特征图、所述地层结构中层特征图和所述地层结构深层特征图以得到地层结构多尺度特征图;以及
结构多尺度特征生成单元,用于将所述地层结构多尺度特征图作为所述结构多尺度特征;
其中,所述钻进速度值确定模块,包括:
将所述地层结构多尺度特征图通过特征自相关关联强化模块以得到自相关强化地层结构多尺度特征图;
对所述自相关强化地层结构多尺度特征图进行特征分布校正以得到校正后自相关强化地层结构多尺度特征图;以及
将所校正后自相关强化地层结构多尺度特征图通过解码器以得到解码值,所述解码值用于表示推荐的钻进速度值;
其中,将所述地层结构多尺度特征图通过特征自相关关联强化模块以得到自相关强化地层结构多尺度特征图,包括:
将地层结构多尺度特征图通过第一卷积层以得到降维特征图;
将所述降维特征图通过第二卷积层以得到高效关联构造图;
利用余弦相似性操作计算所述高效关联构造图的关系矩阵;
利用Softmax函数对所述关系矩阵进行归一化处理以得到归一化后关系矩阵;
利用逐元素相乘操作完成所述归一化后关系矩阵对所述降维特征图中任意两个特征值之间关系的建模以得到关联特征图;
对所述关联特征图进行反卷积操作以得到反卷积后关联特征图;
将所述反卷积后关联特征图与所述降维特征图进行逐元素相加以得到初步结果特征图;以及
对所述初步结果特征图进行通道扩充得到扩充后初步结果特征图后,将所述扩充后初步结果特征图和所述地层结构多尺度特征图残差连接以得到所述自相关强化地层结构多尺度特征图。
7.根据权利要求6所述的用于浅孔取芯的智能钻进控制***,其特征在于,所述地层结构多尺度特征提取单元,用于:
使用所述基于金字塔网络的地层结构多尺度特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述基于金字塔网络的地层结构多尺度特征提取器的第一输出层输出所述地层结构浅层特征图,第二输出层输出所述地层结构中层特征图,以及,第三输出层输出所述地层结构深层特征图。
8.根据权利要求7所述的用于浅孔取芯的智能钻进控制***,其特征在于,所述基于金字塔网络的地层结构多尺度特征提取器的各层在非线性激活处理时使用Mish激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466529.8A CN117211758B (zh) | 2023-11-07 | 2023-11-07 | 用于浅孔取芯的智能钻进控制***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466529.8A CN117211758B (zh) | 2023-11-07 | 2023-11-07 | 用于浅孔取芯的智能钻进控制***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117211758A CN117211758A (zh) | 2023-12-12 |
CN117211758B true CN117211758B (zh) | 2024-04-02 |
Family
ID=89041096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311466529.8A Active CN117211758B (zh) | 2023-11-07 | 2023-11-07 | 用于浅孔取芯的智能钻进控制***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117211758B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180430A (zh) * | 2017-05-16 | 2017-09-19 | 华中科技大学 | 一种适用于语义分割的深度学习网络构建方法及*** |
CN107193055A (zh) * | 2017-05-27 | 2017-09-22 | 中国地质大学(武汉) | 一种复杂地质钻进过程双层智能钻速建模*** |
CN108240213A (zh) * | 2016-12-24 | 2018-07-03 | 中石化石油工程技术服务有限公司 | 一种多探测深度的地质导向装置和地质导向方法 |
CN110374579A (zh) * | 2019-08-01 | 2019-10-25 | 常州工学院 | 随钻方位电磁波测井深浅电阻率预测控制方法 |
CN110889813A (zh) * | 2019-11-15 | 2020-03-17 | 安徽大学 | 基于红外信息的低光图像增强方法 |
CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
CN114139458A (zh) * | 2021-12-07 | 2022-03-04 | 西南石油大学 | 基于机器学习的钻井参数优化方法 |
CN114372918A (zh) * | 2022-01-12 | 2022-04-19 | 重庆大学 | 基于像素级注意力机制的超分辨率图像重构方法及*** |
CN114463333A (zh) * | 2022-04-13 | 2022-05-10 | 中国科学院地质与地球物理研究所 | 随钻地质导向实时地层格架智能更新方法与*** |
CN115035371A (zh) * | 2022-05-13 | 2022-09-09 | 西南石油大学 | 基于多尺度特征融合神经网络的井壁裂缝识别方法 |
CN115561814A (zh) * | 2021-07-02 | 2023-01-03 | 中国石油化工股份有限公司 | 断陷盆地缓坡带中浅层地层-岩性油藏的勘探方法 |
CN115755768A (zh) * | 2022-11-22 | 2023-03-07 | 黄鹄(浙江)精密机床有限公司 | 五轴联动精密数控机床及其控制方法 |
CN116012275A (zh) * | 2021-10-20 | 2023-04-25 | 中国石油化工股份有限公司 | 一种随钻电成像数据井下实时处理装置及方法 |
CN116563693A (zh) * | 2023-05-04 | 2023-08-08 | 南京理工大学 | 基于轻量级注意力机制的水下图像色彩复原方法 |
CN116578888A (zh) * | 2023-05-16 | 2023-08-11 | 中国人民解放军军事科学院国防工程研究院 | 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 |
CN116638770A (zh) * | 2023-07-10 | 2023-08-25 | 杭州杭燃工程科技有限公司 | Pe管不停输焊接***及其焊接方法 |
CN116682068A (zh) * | 2023-07-28 | 2023-09-01 | 新疆华屹能源发展有限公司 | 油井防砂作业施工监控方法及其*** |
CN116680557A (zh) * | 2023-08-03 | 2023-09-01 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的实时监测***及其方法 |
CN116883679A (zh) * | 2023-07-04 | 2023-10-13 | 中国科学院地理科学与资源研究所 | 基于深度学习的地物目标提取方法和装置 |
CN116976705A (zh) * | 2023-09-19 | 2023-10-31 | 中国科学院地质与地球物理研究所 | 深地油气精准导航砂泥岩地层物性评价方法与*** |
CN116977651A (zh) * | 2023-08-28 | 2023-10-31 | 河北师范大学 | 一种基于双分支和多尺度特征提取的图像去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723838B (zh) * | 2021-09-02 | 2023-04-18 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
-
2023
- 2023-11-07 CN CN202311466529.8A patent/CN117211758B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108240213A (zh) * | 2016-12-24 | 2018-07-03 | 中石化石油工程技术服务有限公司 | 一种多探测深度的地质导向装置和地质导向方法 |
CN107180430A (zh) * | 2017-05-16 | 2017-09-19 | 华中科技大学 | 一种适用于语义分割的深度学习网络构建方法及*** |
CN107193055A (zh) * | 2017-05-27 | 2017-09-22 | 中国地质大学(武汉) | 一种复杂地质钻进过程双层智能钻速建模*** |
CN110374579A (zh) * | 2019-08-01 | 2019-10-25 | 常州工学院 | 随钻方位电磁波测井深浅电阻率预测控制方法 |
CN110889813A (zh) * | 2019-11-15 | 2020-03-17 | 安徽大学 | 基于红外信息的低光图像增强方法 |
CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
CN115561814A (zh) * | 2021-07-02 | 2023-01-03 | 中国石油化工股份有限公司 | 断陷盆地缓坡带中浅层地层-岩性油藏的勘探方法 |
CN116012275A (zh) * | 2021-10-20 | 2023-04-25 | 中国石油化工股份有限公司 | 一种随钻电成像数据井下实时处理装置及方法 |
CN114139458A (zh) * | 2021-12-07 | 2022-03-04 | 西南石油大学 | 基于机器学习的钻井参数优化方法 |
CN114372918A (zh) * | 2022-01-12 | 2022-04-19 | 重庆大学 | 基于像素级注意力机制的超分辨率图像重构方法及*** |
CN114463333A (zh) * | 2022-04-13 | 2022-05-10 | 中国科学院地质与地球物理研究所 | 随钻地质导向实时地层格架智能更新方法与*** |
CN115035371A (zh) * | 2022-05-13 | 2022-09-09 | 西南石油大学 | 基于多尺度特征融合神经网络的井壁裂缝识别方法 |
CN115755768A (zh) * | 2022-11-22 | 2023-03-07 | 黄鹄(浙江)精密机床有限公司 | 五轴联动精密数控机床及其控制方法 |
CN116563693A (zh) * | 2023-05-04 | 2023-08-08 | 南京理工大学 | 基于轻量级注意力机制的水下图像色彩复原方法 |
CN116578888A (zh) * | 2023-05-16 | 2023-08-11 | 中国人民解放军军事科学院国防工程研究院 | 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 |
CN116883679A (zh) * | 2023-07-04 | 2023-10-13 | 中国科学院地理科学与资源研究所 | 基于深度学习的地物目标提取方法和装置 |
CN116638770A (zh) * | 2023-07-10 | 2023-08-25 | 杭州杭燃工程科技有限公司 | Pe管不停输焊接***及其焊接方法 |
CN116682068A (zh) * | 2023-07-28 | 2023-09-01 | 新疆华屹能源发展有限公司 | 油井防砂作业施工监控方法及其*** |
CN116680557A (zh) * | 2023-08-03 | 2023-09-01 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 用于煤层气钻井工程的实时监测***及其方法 |
CN116977651A (zh) * | 2023-08-28 | 2023-10-31 | 河北师范大学 | 一种基于双分支和多尺度特征提取的图像去噪方法 |
CN116976705A (zh) * | 2023-09-19 | 2023-10-31 | 中国科学院地质与地球物理研究所 | 深地油气精准导航砂泥岩地层物性评价方法与*** |
Non-Patent Citations (2)
Title |
---|
马头营地区低幅度构造速度建模方法;王鹏;王小卫;雍运动;刘威;郄树海;;石油地球物理勘探;20200815;第55卷(第04期);第766页-第773页+第700页-第701页 * |
高斯小波用于测井层序地层自动划分的研究;房文静;范宜仁;邓少贵;李霞;;中国石油大学学报(自然科学版);20070430;第31卷(第02期);第55页-第58页+第72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117211758A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101929973B (zh) | 裂缝储层含油气饱和度定量计算方法 | |
CN104948176B (zh) | 一种基于渗透增大率识别碳酸盐岩储层裂缝的方法 | |
CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
CN113703045B (zh) | 一种基于轻量级网络的地震相识别方法 | |
CN113094924B (zh) | 一种水力喷射压裂施工参数的优化方法及*** | |
CN103485758A (zh) | 一种利用多种资料拟合反演复杂岩性解释方法及装置 | |
CN105986811A (zh) | 基于常规测井资料五维度岩性判识方法 | |
CN108661628B (zh) | 一种基于参数优选的工程甜点定量评价方法 | |
CN117211758B (zh) | 用于浅孔取芯的智能钻进控制***及方法 | |
CN115880505B (zh) | 一种目标边缘检测神经网络的低序级断层智能识别方法 | |
Zhang et al. | BP neural network with genetic algorithm optimization for prediction of geo-stress state from wellbore pressures | |
CN115434696B (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN115115783B (zh) | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及*** | |
CN116108772A (zh) | 地下工程岩体质量修正方法、装置、设备及可读存储介质 | |
CN111963148B (zh) | 碳酸盐岩缝洞型油气藏压力系数与钻井泥浆密度确定方法 | |
CN113534283B (zh) | 一种砂岩型铀矿成矿要素特征的定量评价方法 | |
CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
Yang et al. | Application of conventional logging interpretation fracture method based on neural network in offshore Oilfield L | |
Yarong | Detection and Analysis of Engineering Quality of Mine Oil and Gas Reservoir based on Computer Image Analysis Technology | |
CN115775277B (zh) | 一种基于大数据的压裂选段方法及*** | |
CN111724380B (zh) | 一种基于elo算法的岩土结构质量评测方法 | |
CN112377181B (zh) | 定容型碳酸盐岩储集体的参数确定方法及装置 | |
Wan et al. | Intelligent prediction of drilling rate of penetration based on method-data dual validity analysis | |
Leta et al. | An automatic process to identify features on boreholes data by image processing techniques | |
Zhao et al. | Dynamic Prediction of Fracture Propagation in Horizontal Well Hydraulic Fracturing: A Data-Driven Approach for Geo-Energy Exploitation |
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 |