CN102066985A - 用于解释钻井数据的系统和方法 - Google Patents
用于解释钻井数据的系统和方法 Download PDFInfo
- Publication number
- CN102066985A CN102066985A CN2009801220538A CN200980122053A CN102066985A CN 102066985 A CN102066985 A CN 102066985A CN 2009801220538 A CN2009801220538 A CN 2009801220538A CN 200980122053 A CN200980122053 A CN 200980122053A CN 102066985 A CN102066985 A CN 102066985A
- Authority
- CN
- China
- Prior art keywords
- section
- data
- well
- logging data
- logging
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
通过软计算方法对测井记录数据指定沉积标记。通过分段,将模糊符号指定给各段(130),并为专家标记的单元计算属性值(140),针对专家解释的测井记录训练模型。根据这些值,为许多沉积类型的每一种训练分类器(150)。最终,开发出将模糊符号翻译成沉积标记的模型(160)。一旦被训练,就将该模型应用于测井记录数据。
Description
技术领域
本发明一般涉及测井记录(well log)的地层学解释,更具体地,涉及自动解释系统和方法。
背景技术
通过分析与形成储层的沉积环境有关的信息,可以预测储层的采油效率。在这种方法中,沉积单元的识别和标记一般由经验丰富的专业地层学家来进行,这些地层学家检查测井记录并且手工地标记单元边界并识别这些单元。因此,从这些分析中获得的信息可能随进行该分析的特定专家而异,并且,分析大量测井记录所需的时间可能相当长。测井记录分析的自动化可以减轻地层学家的工作负担,并且可以提供更一致的分析。
发明内容
本发明的实施例的某些方面提供了一种解释指示一部分地下地层(subterranean formation)的物理属性的测井记录数据(well log data)的方法,其包括:将测井记录数据划分成段,每个段代表被测井范围的各自相连部分;为每个段定义成员函数,所述成员函数定义每个段属于一个定义组的程度;以及根据从以前解释的沉积单元中导出的属性值和所述成员函数,确定每个段的沉积类型。
本发明的实施例的某些方面包括自动解释指示一部分地下地层的物理属性的测井记录数据的系统,其包括:数据存储设备,配置和安排成存储测井记录数据;以及处理器,配置和安排成执行机器可执行指令,以便将测井记录数据划分成段,每个段代表被测井范围的各自相连部分;为每个段定义成员函数,所述成员函数定义每个段属于一个定义组的程度;以及根据从以前解释的沉积单元中导出的属性值和所述成员函数,确定每个段的沉积类型。
本发明的实施例的某些方面可以包括用执行上述方法或控制上述系统的计算机可执行指令编码的计算机可读媒体。
本发明的实施例的某些方面可以包括包含上述系统并被配置和安排成根据上述方法提供对系统的控制的系统。这样的系统可以包含,例如,编程为允许用户根据所述方法或其它方法控制设备的程序。
通过参照形成本说明书的一部分、相同附图标记在各个图形中表示相应部件的附图考虑如下描述和所附权利要求书,本发明的这些和其它目的、特征、和特性,以及操作方法、结构的相关元件的功能、部件的组合、和制造经济性将变得显而易见。但是,不言而喻,这些附图只用于例示和描述的目的,而无意作为限制本发明的定义。正如用在说明书和权利要求书中的那样,除非上下文另外明确指明,单数形式“一个”、“一种”、和“该”也包括复数指示物。
附图说明
图1是例示根据本发明一个实施例的方法的一个实施例的流程图;
图2是根据本发明的一个实施例指定了一组模糊符号的一组数据的例子;
图3是代表根据本发明一个实施例的共同演变规则树发展过程的终点的规则树的例示;
图4是例示根据本发明一个实施例的FST的运行工作流的流程图;以及
图5是执行根据本发明实施例的方法的系统的一个实施例的示意性例示。
具体实施方式
本发明人已经确定,可以基于采用模糊逻辑规则来分类沉积单元的经过训练的专家系统来执行测井记录解释。
识别和标记深水储层的地层学成分的一种系统化的手段是在基于地层的物理属性并且一般与厚度和时间无关的分层框架内描述它们。在这种框架中,这种分层分类的基本构建块是在本文中定义为在单个沉积周期内沉积并由撕裂部分或废弃部分界定的沉积物体积的截面表征的单元。对于这种分类方案,各个单元在粒度、岩相类型和构造风格方面从轴心到边缘呈现一般可预测的变化。同时,由于撕裂部分(沟道或凸起的横向移动)控制这些特性的分布,所以这些单元可以用于理解储层和非储岩层相的分布。
相似粒度、岩相和构造风格的两个或更多个单元形成一个复合体(complex)。复合体内的单元是遗传相关的,呈现可预测的组织和沉积趋势。一个复合体组由不同构造风格的单独复合体和/或呈现相互独立的沉积趋势的相似构造风格的复合体组成。利用这种分层手段描述深水砂体提供了直接比较相似地层学成分并且一般可以改善储层表征和生产率预测的方法。
尽管如下讨论集中在γ射线测井、深水储层和一组特定沉积类型上,但所述的方法和系统可应用于其它环境和存在于那些环境中的单元的其它类别。应该懂得,对于某些其它类别,除了γ射线之外的其它数据也可能是最有用的。同样,除了γ射线之外,还可以使用其它类型的数据,其中这样的次要数据(例如,电阻率、X射线、超声波或NMR)可用于区分在γ射线测井记录上看起来类似的两个类别。
对于深水环境中的储层勘探,特别感兴趣的单元是相关的沟道,因为它们是有可能找到烃(油和气)的区域。为了储层的更精细表征,可以将沟道单元细分成沟道轴、偏离沟道轴、和沟道边缘共生体(association)。沟道轴沉积物(A)的主要成分是高浓度浊流沉积的高度混合大块砂岩,γ射线测井记录呈现陡峭的块状响应。偏离沟道轴共生体(OA)通常显示从微弱块状到中等锯齿状γ射线测井记录特征,通常由堆叠的、半混合到非混合的、大块到平坦分层的砂岩和夹层页岩构成。沟道边缘沉积物(M)包含多种岩相,其特征在于夹着厚页岩的高浓度和低浓度混浊砂岩的杂岩混合,呈现锯齿状并且一般较高的γ射线记录响应。
非沟道并且可以从沟道单元识别并分开的两种其它单元类型是漫滩和质量迁移复合体。漫滩沉积物(OB)的主要成分是页岩,其间夹着薄砂岩,显示不规则特征而缺乏鲜明的γ射线记录趋势。质量迁移复合体(MTC)由质量迁移占主要地位的聚集成分组成。随着盆地被填充,随时都有可能发生盆地边缘的质量流失和大量重新沉积物质的涌入。取决于它们的来源,这些复合体可能是非常泥泞的或非常砂性的,但都趋向于内部混乱。由于MTC的岩性可变性,可能难以统一表征它们的测井记录响应,而它们通常显示具有升高的γ射线响应的不规则混乱特征。
鉴于上述每种单元的γ射线测井记录响应之间的差异,本发明人已经确定,解释γ射线测井记录的机器学习手段可能是有用的。在这种手段中,将专业解释人员施加的沉积标记和γ射线数据用于训练专家系统,以便该专家系统能够重复解释人员的结果,并且在分析新测井记录时应用相似逻辑。
根据这种手段的方法的一个实施例的具体例子例示在图1中。在100中,根据等式1以API为单位的来自专家解释的测井记录的γ射线数据转换成归一化Vsh数据:
其中,Vsh是页岩体积的测量值,GRmin是来自测井记录的最小读数,GRmax是来自测井记录的最大读数。
在110中,根据分组单元内的相似性将归一化Vsh数据分段。在一种分段手段中,将测井记录的相邻部分分组在一起。随着相邻点被加入该段中,对新段确定方差,当达到阈值方差时,或可替代地,当方差的变化量达到阈值时,结束该段,开始新段。可选地,像来自德国慕尼黑的Definiens公司的eCognition那样,根据各种同质性度量来分段图像数据的图像分析软件可以用于将测井记录组织成段。关于这一点,也可以使用其它机器执行分段手段。
在120中,可选地调整由专业解释人员标记的单元的段,以便对由解释偏差引起的微小边缘效应进行校正(即,在自动分段和专家分段不同的情况下,可以对其中之一或两者加以调整,使得它们相同)。一般说来,将把专家分段调整成与自动分段相对应。在这些差异较大的情况下,使用不同分段标准重新运行自动分段以保证两者之间更密切的对应关系也许有用。
准备好将变换的模糊符号用于训练模型,例如,将模糊符号翻译成沉积标记的有限状态转换器(FST)模型。
在机器语言设置中,FST是将源语言的字符串映射成目标语言的字符串的模型。关于生成什么输出符号的决定取决于两个因素:输入符号和当前状态。地层学数据的解释人员,即地层学家考虑诸如每个块的厚度和相邻块的差异程度那样的其它因素来给出解释。换句话说,除了输入符号和当前状态之外,还要通过附加模型参数来决定输出符号。这种模型是给出五种可能沉积类型之一(在该例的深水环境中)作为其输出的决策模型。
使用共同演变系统可以开发出接近地层学家的结果的模型。为了构建包含与地层学家所使用的知识相似的知识以便分类五种不同沉积类型的模型,在140中为地层学家识别的每个沉积单元计算列在表I中的一组属性值。
symbol% | symbol thickness | symbol max |
a% | a_thickness | a_max |
Ab% | ab_thickness | ab_max |
Ba% | ba_thickness | ba_max |
b% | b_thickness | b_max |
Bc% | bc_thickness | bc_max |
Cb% | cb_thickness | cb_max |
c% | c_thickness | c_max |
Cd% | cd_thickness | cd_max |
Dc% | dc_thickness | dc_max |
d% | d_thickness | d_max |
variation | total_thickness | no_segments |
表I
每个沉积单元可以包含一个或多个Vsh符号。在表I中,“symbol%(符号%)”列给出每个符号的厚度占该单元的总厚度的百分比。“symbol thickness(符号厚度)”列给出该单元中每个符号的累积厚度。“symbol max(符号最大厚度)”列给出该单元中每个符号的最大厚度。Variation(变化)是该单元中相邻符号的平均距离,其中该距离被定义成两个符号之间的跳跃次数,例如,符号a与dc之间的距离是8。符号序列a,ba,dc的变化是(2+6)/2=4。
在150中,将在140中计算的属性值用于训练5个分类器。然后,在160中,将五个分类器以及γ射线模糊符号输入和它们的相关厚度用于训练FST作为最终模型。注意,理论上可以用本身已经用专家系统(本发明的系统或另一种这样的系统)解释过的测井记录取代专家解释的测井记录训练源。原则上,重要的是训练解释是可靠的,而不是最终来源。关于这一点,如果可获得核心数据或证实测井记录解释的其它来源,这样的数据可以用于提高训练过程的可靠性。
为了应用经过训练的FST模型来解释γ射线测井记录数据,以与对专家解释测井记录运行100到130的过程相似的方式将要解释的测井记录变换成符号。一旦在130中转换成适当符号系统,就可以按照从处理训练数据中导出的规则解释新测井记录数据。
返回到上面简述的分段过程120,存在多种可用的分段手段。在上面基于段的方差所述的实施例中,允许每个段具有任意长度。其结果是,对于变化小的测井记录部分,这些段相对较长。另一方面,对于变化大的测井记录部分,这些段相对较短,并且该部分具有许多段。
在一个实施例中,第一分段迭代将每个数据点指定给它自己的段。将相邻数据点加入现有段中,直到段数达到预定段数。在每个步骤中,组合其合并将导致误差增量最小的段。误差按照等式2来定义:
其中,n是a段中的数据点的数目,μa是a段的平均值,di是a段中的第i数据值。因为总误差随着段数减少而增大,并且因为随着段数增加解释变得越来越困难,所以本发明人提出了考虑这些因素并且在等式3中示出的误差标准:
其中,N是段数。因此,加权误差变成先前总误差加上段数,使得随着段数增加,误差标准也提高,趋向于使最终段数向下偏移。
如上所述,将其Vsh平均值指定给每个段来代表它。然后,可以按照等式4的规则指定四个符号a,b,c,d的每一个:
虽然一些段清楚地位于特定符号区域的边界之内,但其它一些段可能不是那么清楚。例如,按照等式4,值接近0.3的段属于符号a,但也处在接近符号b的地方。而且,因为这些都代表平均,所以如果独立地评估它们,有可能该段的一些部分处在一个区域中,而其它部分可能处在另一个区域中。其结果是,对于接近边界的值,清晰的符号可能不能精确地代表该段。因此,我们可以指定使用成员函数(membership function)来表达可以将该段解释成在某种程度上属于a和b这两个符号的概念的模糊符号。
如Yu和Wilkinson在通过引用并入本文的“A Fuzzy Symbolic Representation for Intelligent Reservoir Well Logs Interpretation,2007”中所述,可以使用四个梯形成员函数将这些段映射成描述在上面表I中的10个符号a,ab等。在这种约定下,ab指示一个段属于a和b两者并且属于a多于属于b,而ba意味着它属于b多于属于a。
图2例示了已经被分段和映射成62个符号化段的示范性数据。因为自动分段的边界不一定与专业解释人员(在这种情况下为地层学家)所指出的边界对准,所以一些段在包含在该段内的沉积标记位置上被细分,使符号区域数增加到82个。
于是每个沉积单元包含厚度可变的一个到五个段。计算根据表I的属性,并根据共同演变系统将它们用于训练五个分类器。在像这里那样,一些类别包含相对较少数据点(例如,在该示范性数据中只有四个类别是A而四个是MTC),而其它类别包含大量数据点(例如,14个是M,19个是OB)的情况下,使用共同演变系统是有益的。
在这种手段中,将分类器表示成如图3所示的规则树。这个示范性规则树定义了A类,并且代表共同演变规则树发展过程的终点。每个分类器的规则树同时演变,每种演变规则的适合度由它如何与其它演变规则协作执行分类任务来决定。
关于这一点,使用像如下那样的if-then-else模板将来自一个群体的规则与其它四个群体中的最佳规则组合:
if(OA规则被评估为真)
then OA
else if(A规则被评估为真)
then A
else if(MTC规则被评估为真)
then MTC
else if(OB规则被评估为真)
then OB
else M
然后,组合团队的性能定义当前群体中规则的适合度。对于第一代,从每个群体中随机选择一条规则,并且将其指定为该群体的最佳规则。此后,根据实际性能叠代地更新最佳规则。应该理解,可以使用其它规则生成过程。同样,所述过程的变体可以包括确定给出最佳性能的规则序列的次序的爬山手段。
一旦确定了五个分类器,FST就可以演变。转换器的输入串由代表Vsh值的一系列符号(即,上述符号a%,ab%等)组成,而输出是一系列沉积标记。举例来说,根据本发明的FST可以表示成一对表格,即转换表和输出表。
输入 | a | ab | ba | b | bc | cb | c | cd | dc | d |
S0 | S8 | S2 | S19 | S9 | S1 | S14 | S11 | S7 | S18 | S18 |
S1 | S9 | S17 | S4 | S5 | S3 | S2 | S14 | S12 | S2 | S10 |
S2 | S9 | S18 | S1 | S10 | S3 | S9 | S16 | S4 | S1 | S3 |
S3 | S15 | S9 | S15 | S0 | S16 | S13 | S14 | S17 | S16 | S2 |
S4 | S0 | S0 | S17 | S8 | S7 | S9 | S3 | S6 | S6 | S13 |
S5 | S14 | S12 | S9 | S0 | S14 | S16 | S6 | S3 | S3 | S8 |
S6 | S1 | S14 | S12 | S19 | S3 | S1 | S16 | S1 | S3 | S13 |
S7 | S17 | S19 | S4 | S19 | S3 | S10 | S6 | S5 | S15 | S15 |
S8 | S12 | S6 | S5 | S13 | S16 | S1 | S4 | S14 | S16 | S3 |
S9 | S3 | S19 | S4 | S19 | S11 | S1 | S2 | S15 | S16 | S8 |
S10 | S7 | S9 | S19 | S6 | S16 | S7 | S11 | S15 | S7 | S6 |
S11 | S4 | S13 | S19 | S18 | S10 | S8 | S19 | S15 | S2 | S12 |
S12 | S19 | S1 | S6 | S14 | S11 | S9 | S3 | S18 | S3 | S10 |
S13 | S10 | S11 | S10 | S11 | S7 | S8 | S3 | S15 | S17 | S6 |
S14 | S9 | S16 | S0 | S3 | S4 | S3 | S8 | S15 | S5 | S3 |
S15 | S13 | S13 | S3 | S6 | S9 | S8 | S3 | S7 | S18 | S6 |
S16 | S18 | S6 | S2 | S5 | S0 | S14 | S10 | S14 | S11 | S4 |
S17 | S9 | S16 | S4 | S6 | S7 | S6 | S13 | S7 | S9 | S4 |
S1B | S1 | S12 | S19 | S6 | S2 | S9 | S0 | S0 | S5 | S10 |
S19 | S13 | S2 | S15 | S18 | S14 | S0 | S18 | S2 | S12 | S0 |
表II-转换表
输入 | a | ab | ba | b | bc | cb | c | cd | dc | d |
S0 | OA | OB | OB | OB | OA | A | MTC | M | OB | OB |
S1 | OA | MTC | OB | MTC | MTC | M | M | M | OB | M |
S2 | OB | OA | MTC | OA | MTC | M | OB | M | OA | A |
S3 | M | OA | OA | A | M | MTC | OB | M | OB | OB |
S4 | M | MTC | A | OB | M | OB | OA | OB | MTC | OB |
S5 | M | A | M | OA | M | OA | A | A | MTC | A |
S6 | A | M | OA | MTC | MTC | OA | OB | OA | M | A |
S7 | OA | M | M | OB | M | A | M | OA | MTC | M |
S8 | OA | OB | MTC | MTC | OA | OB | MTC | MTC | M | M |
S9 | OA | OA | A | A | MTC | MTC | MTC | M | OA | MTC |
S10 | OA | A | OA | OA | OB | A | MTC | OA | A | OA |
S11 | MTC | OB | OB | OB | A | MTC | M | A | MTC | OA |
S12 | M | M | M | MTC | OA | A | OB | MTC | MTC | OB |
S13 | OA | MTC | M | M | OA | MTC | OB | OB | OA | OA |
S14 | A | MTC | MTC | MTC | MTC | OA | OB | M | MTC | M |
S15 | M | OB | OB | A | MTC | A | OB | MTC | A | OB |
S16 | OA | MTC | A | MTC | MTC | OB | M | MTC | OA | OA |
S17 | A | OA | A | OA | M | OA | OB | OB | M | M |
S18 | A | MTC | OB | OA | MTC | A | OB | MTC | OB | OA |
S19 | A | MTC | A | A | OA | OB | MTC | A | OA | MTC |
表III-输出表
作为例示在图4中的流程图的例子,和为了例示表示在表II和III中的FST的使用,对输入符号(d,96,d,3,cb,12.5)进行操作。对于初始状态0和输入符号d,按照输出表,推荐分类规则是OB。在更新了属性信息之后,执行OB规则。假设该规则对该属性值返回真值,则OB是输出符号。清除数据库中的所有属性信息,并且该系统按照转换表转移到状态18。接着,处理符号d并更新属性值。按照输出表的推荐规则是OA。假设该规则对该属性值返回假值,则空值是输出符号。该系统转移到状态10而不擦除属性值。
接着要处理的符号是cb。现在属性值反映两个段(d和cb)的信息。推荐的分类规则是A。假设该规则对更新的属性值返回真值,则A是输出符号。
由于再也没有输入符号,所以终止该解释过程。该系统清除属性存储器,并转移到状态7。对于给定输入符号,FST生成的输出序列是(OB,空值,A)。对于空值输出,解释人员可能有必要填充空白以提供对该段的某种解释。
使用基于置换手段的随机演变方法评估FST的演变。首先,等概率地做出置换转换表或输出表的决定。然后,在所选表中选择随机位置,并修改其中的项目。这样就保证了该置换至少引起一个变化。此后,对除了刚修改过的项目之外的其它所有表项进行叠代,以1/NQ×N1的概率改变每个项目。当修改一个项目时,从除了当前符号之外的其它所有可能符号的均匀分布中选择一个符号。对置换运算符的单次调用最有可能对FST表产生一个或两个变化,但也可以造成更多变化。
FST的适合度基于它产生的输出符号。在处理了输入符号之后,FST总是产生输出符号,要么是沉积标记要么是空值。因此,所产生输出符号的长度总是与输入符号的长度相同。
将产生的输出符号与地层学家给出的沉积标记对准,两者之间的失配数是FST的适合度。在正确段位置上正确地产生所有沉积标记的FST具有适合度值0。
一旦转换器得到训练,就以直接的方式将模型应用于正被分析的数据。如上所述,将新数据转换成Vsh,分组成段,并对这些段指定适当的模糊符号。然后,使用转换器将模糊符号序列翻译成沉积标记。
然后,可以将被标记的测井记录用于评估储层是否适合开发。在使用之前,包括人工解释以便现场检验标记以评估机器解释是否准确和/或填充空结果可能是有用的。
在图5中示意性地例示了执行该方法的系统。该系统包括数据存储设备或存储器204。可以使所存储数据用于像可编程通用计算机那样的处理器204。处理器204可以包括像显示器206和图形用户界面208那样的接口组件。图形用户界面可以用于显示数据和经处理数据产物,和允许用户在实现该方法的各个方面的选项当中作出选择。数据可以经由总线210直接从数据获取设备,或从中间存储设备或处理设施(未示出)传送给系统。
尽管为了例示的目的,根据当前认为最实用的优选实施例对本发明作了详细描述,但应该明白,这样的细节仅仅为了该目的,本发明不局限于所公开的实施例,而是相反,打算涵盖在所附权利要求书的精神和范围之内的所有修改和等同安排。例如,尽管本文提到计算机,但该计算机可以包括通用计算机、专用计算机、编程成执行这些方法的ASIC、计算机阵列或网络、或其它适用计算设备。作为进一步的例子,还应该明白,本发明设想,可以尽可能地将任何实施例的一个或多个特征与任何其它实施例的一个或多个特征组合。
Claims (15)
1.一种解释测井记录数据的方法,该测井记录数据指示地下地层的一部分的物理属性,该方法包含:
将测井记录数据划分成段,每个段代表被测井的范围的各自相连部分;
为每个段定义成员函数,所述成员函数定义每个段属于一个定义组的程度;以及
根据从先前解释的沉积单元中导出的属性值和所述成员函数,确定每个段的沉积类型。
2.如权利要求1所述的方法,其中所述划分进一步包含将至少一个变化标准应用于测井记录数据,使得每个段代表与相邻数据的变化量小于所述变化标准的数据。
3.如权利要求1所述的方法,其中在所述划分之后,将所述段与解释相同测井记录数据的测井记录数据解释人员生成的一组段相比较,并根据所述比较来调整所述测井记录数据解释人员生成的该组段中的边界差异。
4.如权利要求1所述的方法,其中所述先前解释的沉积单元先前是由测井记录数据解释人员解释的。
5.如权利要求1所述的方法,其中所述先前解释的沉积单元先前是由专家系统解释的。
6.如权利要求1所述的方法,其中对于每个段,将数据值设置成等于所述段的平均数据值。
7.如权利要求1所述的方法,其中所述先前解释的沉积单元来自具有与所述地下地层相同的沉积环境的区域。
8.如权利要求1所述的方法,其中所述测井记录数据是γ射线数据。
9.如权利要求8所述的方法,进一步包含将γ射线数据转换成页岩体积数据。
10.如权利要求9所述的方法,其中所述页岩体积数据被表示成一系列数值Vsh=s1,s2,...,si,其中si是第i段内数据的平均值。
11.一种自动解释测井记录数据的系统,该测井记录数据指示地下地层的一部分的物理属性,该系统包含:
数据存储设备,被配置和安排成存储测井记录数据;以及
处理器,被配置和安排成执行机器可执行指令,以便将测井记录数据划分成段,每个段代表被测井的范围的各自相连部分;为每个段定义成员函数,所述成员函数定义每个段属于一个定义组的程度;以及根据从先前解释的沉积单元中导出的属性值和所述成员函数,确定每个段的沉积类型。
12.如权利要求11所述的系统,进一步包括输入设备,被配置和安排成使用户输入对所述段的边界的调整。
13.如权利要求11所述的系统,进一步包括包含所述先前解释的沉积单元的机器可读数据,并且其中所述先前解释的沉积单元包含人为解释的沉积单元。
14.如权利要求11所述的系统,其中所述处理器被进一步配置和安排成通过将至少一个变化标准应用于测井记录数据来将测井记录数据划分成段,使得每个段代表与相邻数据的变化量小于所述变化标准的数据。
15.如权利要求11所述的系统,进一步包含探针,被构造和安排成测量地下地层的所述部分的物理属性并将所测量属性发送给所述数据存储设备。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/113,821 US8090538B2 (en) | 2008-05-01 | 2008-05-01 | System and method for interpretation of well data |
US12/113,821 | 2008-05-01 | ||
PCT/US2009/041636 WO2009134685A2 (en) | 2008-05-01 | 2009-04-24 | System and method for interpretation of well data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102066985A true CN102066985A (zh) | 2011-05-18 |
Family
ID=41213372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009801220538A Pending CN102066985A (zh) | 2008-05-01 | 2009-04-24 | 用于解释钻井数据的系统和方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US8090538B2 (zh) |
EP (1) | EP2271954A2 (zh) |
CN (1) | CN102066985A (zh) |
AU (1) | AU2009241409A1 (zh) |
BR (1) | BRPI0910747A2 (zh) |
CA (1) | CA2717178A1 (zh) |
EA (1) | EA201071262A1 (zh) |
WO (1) | WO2009134685A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104335074A (zh) * | 2012-06-05 | 2015-02-04 | 雪佛龙美国公司 | 用于相分类的系统和方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9482769B2 (en) * | 2011-10-11 | 2016-11-01 | Saudi Arabian Oil Company | High performance and grid computing with partitioning quality of service control |
US9417256B2 (en) * | 2012-12-12 | 2016-08-16 | Repsol, S. A. | System, method and program product for automatically matching new members of a population with analogous members |
US20140297186A1 (en) * | 2013-04-02 | 2014-10-02 | Schlumberger Technology Corporation | Rock Classification Based on Texture and Composition |
US9213474B2 (en) | 2013-06-21 | 2015-12-15 | Baker Hughes Incorporated | System and method for displaying well data |
US9501740B2 (en) | 2014-06-03 | 2016-11-22 | Saudi Arabian Oil Company | Predicting well markers from artificial neural-network-predicted lithostratigraphic facies |
CN106291710B (zh) * | 2016-08-31 | 2019-08-27 | 贵州航天凯山石油仪器有限公司 | 在气田井深测试中的液面波形模糊识别方法 |
US10724364B2 (en) * | 2017-03-06 | 2020-07-28 | Baker Hughes, A Ge Company, Llc | Creation of structural earth formation models |
CN112147679B (zh) * | 2019-06-26 | 2024-04-16 | 中国石油化工股份有限公司 | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
US11454111B2 (en) * | 2020-01-30 | 2022-09-27 | Landmark Graphics Corporation | Determination of representative elemental length based on subsurface formation data |
US11248455B2 (en) | 2020-04-02 | 2022-02-15 | Saudi Arabian Oil Company | Acoustic geosteering in directional drilling |
US11781419B2 (en) | 2020-05-26 | 2023-10-10 | Saudi Arabian Oil Company | Instrumented mandrel for coiled tubing drilling |
CN113221651B (zh) * | 2021-04-09 | 2023-06-02 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
WO2023044144A1 (en) * | 2021-09-20 | 2023-03-23 | Schlumberger Technology Corporation | Methods for automated stratigraphy interpretation from well logs and cone penetration tests data |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220782A1 (en) * | 1997-04-24 | 2004-11-04 | Cook Daniel Reed | Signal interpretation engine |
US20070246649A1 (en) * | 2006-04-19 | 2007-10-25 | Baker Hughes Incorporated | Methods for quantitative lithological and mineralogical evaluation of subsurface formations |
WO2009026371A1 (en) * | 2007-08-23 | 2009-02-26 | Chevron U.S.A. Inc. | Automated borehole image interpretation |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6363327B1 (en) * | 2000-05-02 | 2002-03-26 | Chroma Graphics, Inc. | Method and apparatus for extracting selected feature information and classifying heterogeneous regions of N-dimensional spatial data |
US7577529B2 (en) * | 2007-05-22 | 2009-08-18 | Chevron U.S.A. Inc. | Method for determining attributes associated with net-sand thickness |
-
2008
- 2008-05-01 US US12/113,821 patent/US8090538B2/en active Active
-
2009
- 2009-04-24 BR BRPI0910747A patent/BRPI0910747A2/pt not_active IP Right Cessation
- 2009-04-24 EA EA201071262A patent/EA201071262A1/ru unknown
- 2009-04-24 WO PCT/US2009/041636 patent/WO2009134685A2/en active Application Filing
- 2009-04-24 EP EP09739487A patent/EP2271954A2/en not_active Withdrawn
- 2009-04-24 CN CN2009801220538A patent/CN102066985A/zh active Pending
- 2009-04-24 AU AU2009241409A patent/AU2009241409A1/en not_active Abandoned
- 2009-04-24 CA CA2717178A patent/CA2717178A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220782A1 (en) * | 1997-04-24 | 2004-11-04 | Cook Daniel Reed | Signal interpretation engine |
US20070246649A1 (en) * | 2006-04-19 | 2007-10-25 | Baker Hughes Incorporated | Methods for quantitative lithological and mineralogical evaluation of subsurface formations |
WO2009026371A1 (en) * | 2007-08-23 | 2009-02-26 | Chevron U.S.A. Inc. | Automated borehole image interpretation |
Non-Patent Citations (2)
Title |
---|
BIENG-ZIH HSIEH,等: "Lithology identification of aquifers from geophysical well logs and fuzzy logic analysis: Shui-Lin Area, Taiwan", 《COMPUTERS & GEOSCIENCES》 * |
TINA YU AND DAVE WILKINSON: "A Co-Evolutionary Fuzzy System for Reservoir Well Logs", 《STUDIES IN COMPUTATIONAL INTELLIGENCE》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104335074A (zh) * | 2012-06-05 | 2015-02-04 | 雪佛龙美国公司 | 用于相分类的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
EA201071262A1 (ru) | 2011-06-30 |
WO2009134685A3 (en) | 2010-01-14 |
US20090276157A1 (en) | 2009-11-05 |
EP2271954A2 (en) | 2011-01-12 |
AU2009241409A1 (en) | 2009-11-05 |
BRPI0910747A2 (pt) | 2015-09-29 |
CA2717178A1 (en) | 2009-11-05 |
US8090538B2 (en) | 2012-01-03 |
WO2009134685A2 (en) | 2009-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102066985A (zh) | 用于解释钻井数据的系统和方法 | |
CN102007485B (zh) | 储层开发计划的基于markov决策过程的决策支持工具 | |
Otis et al. | A process for evaluating exploration prospects | |
Wang et al. | A multilevel coordinate search algorithm for well placement, control and joint optimization | |
WO2009011737A1 (en) | Retrodicting source-rock quality and paleoenvironmental conditions | |
WO2017011469A1 (en) | Ensemble based decision making | |
US10147173B2 (en) | System and method for seismic data interpretation | |
Houghton et al. | US Geological Survey estimation procedure for accumulation size distributions by play | |
Boomer | Predicting production using a neural network (artificial intelligence beats human intelligence) | |
Duplyakov et al. | Practical aspects of hydraulic fracturing design optimization using machine learning on field data: digital database, algorithms and planning the field tests | |
Bingham et al. | Geographic information system–based fuzzy-logic analysis for petroleum exploration with a case study of northern South America | |
Kaufman | Statistical issues in the assessment of undiscovered oil and gas resources | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
Hutahaean | Multi-objective methods for history matching, uncertainty prediction and optimisation in reservoir modelling | |
Hicks Jr et al. | Identifying and quantifying significant uncertainties in basin modeling | |
Haaf | Towards prediction in ungauged aquifers–methods for comparative regional analysis | |
Akkurt et al. | An Unsupervised Machine-Learning Workflow for Outlier Detection and Log Editing With Prediction Uncertainty | |
Popescu et al. | Using Supervised Machine Learning Algorithms for Automated Lithology Prediction from Wireline Log Data | |
Ojukwu et al. | Reservoir Characterization, Machine Learning and Big Data–An Offshore California Case Study | |
Ma et al. | Unlocking Completion Design Optimization Using an Augmented AI Approach | |
Bingham et al. | Error propagation in a fuzzy logic multi-criteria evaluation for petroleum exploration | |
Bentley et al. | Model-Based Uncertainty Handling | |
Al-Ali | WELL PRODUCTION FORECASTING USING MODERN DEEP LEARNING MODELS | |
Goovaerts et al. | Accounting for local probabilities in stochastic modeling of facies data | |
Hong | Managing Geological Uncertainty with Decision Analysis in Reservoir Management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110518 |