CN104453875A - 基于自组织竞争神经网络的页岩气储层识别方法 - Google Patents
基于自组织竞争神经网络的页岩气储层识别方法 Download PDFInfo
- Publication number
- CN104453875A CN104453875A CN201410590152.1A CN201410590152A CN104453875A CN 104453875 A CN104453875 A CN 104453875A CN 201410590152 A CN201410590152 A CN 201410590152A CN 104453875 A CN104453875 A CN 104453875A
- Authority
- CN
- China
- Prior art keywords
- shale gas
- data
- gas reservoir
- self
- identification method
- 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 47
- 230000002860 competitive effect Effects 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 title abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005553 drilling Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 241001074085 Scophthalmus aquosus Species 0.000 claims description 36
- 230000007935 neutral effect Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 63
- 230000006870 function Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000000153 supplemental effect Effects 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
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于自组织竞争神经网络的页岩气储层识别方法，包括如下步骤：a、综合同一个区块内已钻页岩气水平井资料，并进行分类；b、利用区域数据，将随钻参数作为训练样本进行优选；c、对随钻参数进行归一化处理；d、建立区域SOM神经网络模型；e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。本发明根据已知的测井解释、试油结果，以优选的随钻参数作为判别参数，通过SOM神经网络分析建立一个能有效识别页岩气储层的模型，实现对页岩气储层的随钻解释，解决了页岩气储层录井解释方法欠缺、多参数的非线性的问题。
Description
技术领域
本发明涉及一种基于自组织竞争神经网络(即SOM神经网络)建立页岩气储层识别模型的方法，属于石油天然气勘探开发领域。
背景技术
页岩气是储存在页岩中以游离态和吸附态存在的天然气,正逐渐成为油气勘探的热点，国内的页岩气水平井开发即将大面积开展。对于页岩气随钻解释方法，例如， 2012年18期《科技导报 》公开的 页岩气储层测井响应特征及识别方法研究。
但由于页岩气储层具备的特殊性，随钻参数中除了综合录井参数外，仅有随钻伽马一个随钻测井参数，随钻参数较少。并且，目前国内页岩气研究水平均较低，没有形成比较行之有效的随钻解释方法，故目前的随钻解释存在以下问题：
1、目前的页岩气储层评价是以分析化验数据为主，而在随钻的过程中没有分析化验数据。
2、单一的随钻参数对于页岩气储层的表征能力是有限的，需要利用多个随钻参数进行综合考量。但如何利用这些随钻参数来反映页岩气储层目前还没有比较有效的方法。
3、随钻参数对于页岩气储层的响应特征是一种多维的非线性关系，简单的数据对比无法找到有效的识别方法。
4、随钻参数数据量巨大，故需要一种能够对大量数据进行建模的有效方法。
发明内容
本发明的目的在于克服现有技术存在的上述问题，提供一种基于自组织竞争神经网络的页岩气储层识别方法。本发明根据已知的测井解释、试油结果，以优选的随钻参数作为判别参数，通过SOM神经网络分析建立一个能有效识别页岩气储层的模型，实现对页岩气储层的随钻解释，解决了页岩气储层录井解释方法欠缺、多参数的非线性的问题。
为实现上述目的，本发明采用的技术方案如下：
一种基于自组织竞争神经网络的页岩气储层识别方法，其特征在于，包括如下步骤：
a、综合同一个区块内已钻页岩气水平井资料，并进行分类；
b、利用区域数据，将随钻参数作为训练样本进行优选；
c、对随钻参数进行归一化处理；
d、建立区域SOM神经网络模型；
e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。
所述步骤a中，综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类。
所述步骤a中，分类过程为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。
所述步骤b中，以区块内分类后的页岩气水平井资料为基础，通过最优子集法，优选出最能反映储层特征的随钻参数。
所述步骤c中，由于随钻参数间存在级差，为了防止因数据级差过大带来的额外误差，需要对优选后的随钻参数进行极差归一化处理。
所述步骤c中，归一化处理过程为：
设原始数据x ij (i=1,2,…,n; j=1,2,…,m)，极差变换公式为：
（1）
式中n为样品个数，m为变量个数，x j(min) 为n个样品中第j个变量的最小值，x j(max) 为n个样品中第j个变量的最大值，这样变化后的新数据在0~1之间。
所述步骤d中，以区块内的页岩气水平段数据为基础，通过调节神经网络神经元参数建立SOM神经网络模型。
所述步骤d中，为了建立更有效的模型，需要对步骤b、c、d进行多次循环，建立到达要求精度的SOM神经网络模型。
所述步骤e中，根据正钻井的随钻参数，归一化后代入区域SOM神经网络模型中对页岩气储层进行识别。
采用本发明的优点在于：
一、本发明根据已知的测井解释、试油结果，以优选的随钻参数作为判别参数，通过SOM神经网络分析建立一个能有效识别页岩气储层的模型，实现对页岩气储层的随钻解释，解决了页岩气储层录井解释方法欠缺、多参数的非线性的问题。
二、本发明利用SOM对页岩气储层识别方法属于录井资料应用方法创新，是在目前页岩气勘探处于探索方法的时期，该方法具有强大，成熟的数学理论基础，SOM根据输入空间中输入向量的分组进行学习和分类。
三、本发明是在目前气测资料不断精确的背景下提出的，以区域资料为基础，利用SOM神经网络的识别模型，能更准确地对流体性质进行判别。
四、本发明是在目前测、录井参数与储层之间复杂的非线性关系能够综合的反映在识别模型中，并通过该模型对未知井进行预测，对页岩气勘探很有指导意义。
五、本发明是在目前页岩气储层解释方法效率并不高的的背景下，SOM是一个全连接的神经元阵列组成的无教师、自组织、自学习网络，通过接受事件输入，形成对这些信号的“判别函数”，比较“判别函数”，并选择一个具有最大函数输出值的处理单元，选择过程中激励被选择的单元以及其最邻近的处理单元，不断修正被激励的处理单元的参数，以增加其对应于特定输入“判别函数”的输出值。
六、本发明可广泛适应于非碳酸盐岩地层之致密气、页岩气等非常规气藏储层识别，能够获得较好成效。
综上，本发明时效性强，能较可靠的实现利用录井参数识别非常规气藏储层；简便高效，概括和提炼录井过程中获取资料的有效信息；自主学习，神经网络自主学习，建立反映随钻录井参数与储层之间的复杂关系的模型。
附图说明
图1为本发明方法流程图
图2为本发明的SOM网络结构图
图3为本发明在某井LMX组的解释成果图。
具体实施方式
实施例1
一种基于自组织竞争神经网络的页岩气储层识别方法，其特征在于，包括如下步骤：
a、综合同一个区块内已钻页岩气水平井资料，并进行分类；
b、利用区域数据，将随钻参数作为训练样本进行优选；
c、对随钻参数进行归一化处理；
d、建立区域SOM神经网络模型；
e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。
所述步骤a中，综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类。
所述步骤a中，分类过程为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。
所述步骤b中，以区块内分类后的页岩气水平井资料为基础，通过最优子集法，优选出最能反映储层特征的随钻参数。
所述步骤c中，由于随钻参数间存在级差，为了防止因数据级差过大带来的额外误差，需要对优选后的随钻参数进行极差归一化处理。
所述步骤c中，归一化处理过程为：
设原始数据x ij (i=1,2,…,n; j=1,2,…,m)，极差变换公式为：
（1）
式中n为样品个数，m为变量个数，x j(min) 为n个样品中第j个变量的最小值，x j(max) 为n个样品中第j个变量的最大值，这样变化后的新数据在0~1之间。
所述步骤d中，以区块内的页岩气水平段数据为基础，通过调节神经网络神经元参数建立SOM神经网络模型。
所述步骤d中，为了建立更有效的模型，需要对步骤b、c、d进行多次循环，建立到达要求精度的SOM神经网络模型。
所述步骤e中，根据正钻井的随钻参数，归一化后代入区域SOM神经网络模型中对页岩气储层进行识别。
实施例2
本发明是基于自组织竞争神经网络(即SOM神经网络)建立页岩气储层识别模型的方法，以下结合附图对本实施例进行说明。
一种基于SOM神经网络气储层随钻解释模型的方法，如图1所示，过程如下：
1、综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类，归为不同的组别。
所述根据测井解释及试油资料对页岩气水平段数据进行分类，归为不同的组别为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。如，将综合评价为页岩气储层的随钻数据归为1组，将综合评价为页岩气非储层的随钻数据归为2组。
2、利用区域数据，通过最优子集法，将随钻参数作为训练样本进行优选。
所述利用区域数据，通过最优子集法，对随钻参数进行优选为：以区块内分类后的页岩气水平井资料为基础，通过最优子集法，优选出最能反映储层特征的随钻参数。
3、对随钻参数进行归一化处理。
所述对随钻参数进行归一化处理为：由于随钻参数间存在级差，为了防止因数据级差过大带来的额外误差，需要对优选后的随钻参数进行极差归一化处理。
设原始数据x ij (i=1,2,…,n; j=1,2,…,m)，极差变换公式为：
（1）
式中n为样品个数，m为变量个数，x j(min) 为n个样品中第j个变量的最小值，x j(max) 为n个样品中第j个变量的最大值，这样变化后的新数据在0~1之间。
4、建立区域SOM神经网络模型，网络结构如图2所示。
所述建立区域SOM神经网络模型为：以区块内归一化处理后的页岩气水平段数据为基础，通过调节神经网络神经元参数建立SOM神经网络模型。这里，为了建立更好的区域SOM神经网络模型，需要根据计算返回的精度进行多次调整。
5、利用建立的模型对对作为预测样本的正钻页岩气水平井进行储层识别。
所述利用建立的模型对正钻页岩气井进行储层识别为：根据正钻井的随钻参数，归一化后代入区域SOM神经网络模型中对页岩气储层进行识别。当识别结果为0时表示SOM神经网络模型识别为非储层，识别结果为1表示SOM神经网络模型识别为储层。在某井LMX组的解释成果如图3所示。
Claims (9)
1.一种基于自组织竞争神经网络的页岩气储层识别方法，其特征在于，包括如下步骤：
a、综合同一个区块内已钻页岩气水平井资料，并进行分类；
b、利用区域数据，将随钻参数作为训练样本进行优选；
c、对随钻参数进行归一化处理；
d、建立区域SOM神经网络模型；
e、利用建立的模型对作为预测样本的正钻页岩气水平井进行储层识别。
2.根据权利要求1所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤a中，综合同一个区块内已钻页岩气水平井的测井、录井、试油资料，并根据测井解释及试油资料对页岩气水平段数据进行分类。
3. 根据权利要求2所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤a中，分类过程为：根据已钻页岩气水平井的测井解释资料、试油资料及生产测井资料，对页岩气水平段数据进行综合评价并分类。
4.根据权利要求1、2或3所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤b中，以区块内分类后的页岩气水平井资料为基础，通过最优子集法，优选出最能反映储层特征的随钻参数。
5.根据权利要求4所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤c中，由于随钻参数间存在级差，为了防止因数据级差过大带来的额外误差，需要对优选后的随钻参数进行极差归一化处理。
6.根据权利要求5所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤c中，归一化处理过程为：
设原始数据x ij (i=1,2,…,n; j=1,2,…,m)，极差变换公式为：
（1）
式中n为样品个数，m为变量个数，x j(min) 为n个样品中第j个变量的最小值，x j(max) 为n个样品中第j个变量的最大值，这样变化后的新数据在0~1之间。
7.根据权利要求1、2、3、5或6所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤d中，以区块内的页岩气水平段数据为基础，通过调节神经网络神经元参数建立SOM神经网络模型。
8.根据权利要求7所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤d中，为了建立更有效的模型，需要对步骤b、c、d进行多次循环，建立到达要求精度的SOM神经网络模型。
9.根据权利要求1、2、3、5、6或8所述的基于自组织竞争神经网络的页岩气储层识别方法，其特征在于：所述步骤e中，根据正钻井的随钻参数，归一化后代入区域SOM神经网络模型中对页岩气储层进行识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410590152.1A CN104453875B (zh) | 2014-10-29 | 2014-10-29 | 基于自组织竞争神经网络的页岩气储层识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410590152.1A CN104453875B (zh) | 2014-10-29 | 2014-10-29 | 基于自组织竞争神经网络的页岩气储层识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104453875A true CN104453875A (zh) | 2015-03-25 |
| CN104453875B CN104453875B (zh) | 2018-05-01 |
Family
ID=52900547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410590152.1A Active CN104453875B (zh) | 2014-10-29 | 2014-10-29 | 基于自组织竞争神经网络的页岩气储层识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104453875B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184370A (zh) * | 2015-10-26 | 2015-12-23 | 中国海洋大学 | 一种基于som分类技术的河口流域水环境质量评价方法 |
| CN106529725A (zh) * | 2016-11-10 | 2017-03-22 | 河南理工大学 | 一种基于萤火虫算法和som网络的瓦斯突出预测方法 |
| CN108229011A (zh) * | 2017-12-29 | 2018-06-29 | 中国地质大学（武汉） | 一种页岩岩相发育主控因素判断方法、设备及存储设备 |
| CN110062897A (zh) * | 2016-10-13 | 2019-07-26 | 地质探索系统公司 | 使用自组织映射来进行的岩石物理场评估 |
| CN110965991A (zh) * | 2018-09-27 | 2020-04-07 | 中国石油天然气股份有限公司 | 基于人工智能的随钻岩石矿物组分识别方法及装置 |
| CN111461386A (zh) * | 2019-12-27 | 2020-07-28 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
| CN111460739A (zh) * | 2020-04-24 | 2020-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种不同类型储层预测的方法 |
| CN113062731A (zh) * | 2019-12-30 | 2021-07-02 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
| US11459882B2 (en) | 2020-03-20 | 2022-10-04 | Saudi Arabian Oil Company | Systems and methods for the determination of lithology porosity from surface drilling parameters |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0561492A2 (en) * | 1992-03-16 | 1993-09-22 | Texaco Development Corporation | Method for estimating formation permeability from wireline logs using neural networks |
| CN1504762A (zh) * | 2002-12-05 | 2004-06-16 | 大庆石油管理局 | 双重神经网络储层预测方法 |
| CN102418518A (zh) * | 2011-04-12 | 2012-04-18 | 北京师范大学 | 神经网络模拟交会图识别油层水淹级别的方法 |
| CN103049791A (zh) * | 2011-10-13 | 2013-04-17 | 何阳 | 模糊自组织神经网络的训练方法 |
| CN103628816A (zh) * | 2013-11-18 | 2014-03-12 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 地震属性指导水平井导向的方法及其装置 |
-
2014
- 2014-10-29 CN CN201410590152.1A patent/CN104453875B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0561492A2 (en) * | 1992-03-16 | 1993-09-22 | Texaco Development Corporation | Method for estimating formation permeability from wireline logs using neural networks |
| EP0561492A3 (zh) * | 1992-03-16 | 1994-04-13 | Texaco Development Corp | |
| CN1504762A (zh) * | 2002-12-05 | 2004-06-16 | 大庆石油管理局 | 双重神经网络储层预测方法 |
| CN102418518A (zh) * | 2011-04-12 | 2012-04-18 | 北京师范大学 | 神经网络模拟交会图识别油层水淹级别的方法 |
| CN103049791A (zh) * | 2011-10-13 | 2013-04-17 | 何阳 | 模糊自组织神经网络的训练方法 |
| CN103628816A (zh) * | 2013-11-18 | 2014-03-12 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 地震属性指导水平井导向的方法及其装置 |
Non-Patent Citations (4)
| Title |
|---|
| 傅强 等: "自组织特征映射网络在储层识别中的应用", 《同济大学学报》 * |
| 胡春涛 等: "SOM神经网络在储层流体识别中的应用", 《成都理工学院学报增刊》 * |
| 赵杰 等: "基于神经网络的两种岩性识别方法的研究", 《现代电子技术》 * |
| 陈国辉 等: "RBF神经网络法在泥页岩有机非均质性测井评价中的应用", 《甘肃科学学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184370B (zh) * | 2015-10-26 | 2018-01-23 | 中国海洋大学 | 一种基于som分类技术的河口流域水环境质量评价方法 |
| CN105184370A (zh) * | 2015-10-26 | 2015-12-23 | 中国海洋大学 | 一种基于som分类技术的河口流域水环境质量评价方法 |
| US11320565B2 (en) | 2016-10-13 | 2022-05-03 | Schlumberger Technology Corporation | Petrophysical field evaluation using self-organized map |
| CN110062897A (zh) * | 2016-10-13 | 2019-07-26 | 地质探索系统公司 | 使用自组织映射来进行的岩石物理场评估 |
| CN106529725A (zh) * | 2016-11-10 | 2017-03-22 | 河南理工大学 | 一种基于萤火虫算法和som网络的瓦斯突出预测方法 |
| CN108229011A (zh) * | 2017-12-29 | 2018-06-29 | 中国地质大学（武汉） | 一种页岩岩相发育主控因素判断方法、设备及存储设备 |
| CN108229011B (zh) * | 2017-12-29 | 2021-03-30 | 中国地质大学（武汉） | 一种页岩岩相发育主控因素判断方法、设备及存储设备 |
| CN110965991A (zh) * | 2018-09-27 | 2020-04-07 | 中国石油天然气股份有限公司 | 基于人工智能的随钻岩石矿物组分识别方法及装置 |
| CN110965991B (zh) * | 2018-09-27 | 2023-02-24 | 中国石油天然气股份有限公司 | 基于人工智能的随钻岩石矿物组分识别方法及装置 |
| CN111461386A (zh) * | 2019-12-27 | 2020-07-28 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
| CN111461386B (zh) * | 2019-12-27 | 2023-08-22 | 中国地质调查局成都地质调查中心 | 基于bp神经网络的页岩气甜点预测方法 |
| CN113062731A (zh) * | 2019-12-30 | 2021-07-02 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
| CN113062731B (zh) * | 2019-12-30 | 2024-05-21 | 中石化石油工程技术服务有限公司 | 一种钻井井下复杂工况智能识别方法 |
| US11459882B2 (en) | 2020-03-20 | 2022-10-04 | Saudi Arabian Oil Company | Systems and methods for the determination of lithology porosity from surface drilling parameters |
| CN111460739A (zh) * | 2020-04-24 | 2020-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种不同类型储层预测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104453875B (zh) | 2018-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104453875A (zh) | 基于自组织竞争神经网络的页岩气储层识别方法 | |
| CN104318109B (zh) | 基于支持向量机的页岩气储层识别方法 | |
| Alkinani et al. | Applications of artificial neural networks in the petroleum industry: a review | |
| CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
| CN104376420A (zh) | 有水气藏气井见水风险评价方法及评价装置 | |
| CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
| Yu et al. | Synthetic sonic log generation with machine learning: A contest summary from five methods | |
| CN115267935B (zh) | 数据与物理模型联合驱动的测井储层评价方法及装置 | |
| CN104463686B (zh) | 利用判别分析法随钻识别页岩气储层的方法 | |
| Xie et al. | Towards optimization of boosting models for formation lithology identification | |
| CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
| CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
| CN110533224B (zh) | 一种油页岩接续勘探钻孔位置优选方法 | |
| Ye et al. | Drilling formation perception by supervised learning: Model evaluation and parameter analysis | |
| Ariadji et al. | A novel tool for designing well placements by combination of modified genetic algorithm and artificial neural network | |
| CN111027249A (zh) | 一种基于机器学习的井间连通性评价方法 | |
| Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
| CN115618750A (zh) | 一种基于耦合神经网络的地下油水渗流代理模型 | |
| de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
| CN115128671A (zh) | 一种基于深度学习技术的三维地震相自动识别方法 | |
| Cornelio et al. | Neural Network-Assisted Clustering for Improved Production Predictions in Unconventional Reservoirs | |
| Zhong et al. | Intelligent interpretation method for lithology recognition using real-time LWD data | |
| CN111753871A (zh) | 基于xgboost算法与特征工程的岩性及流体类型识别方法 | |
| Liu et al. | Infill Well Location Optimization Method based on Remaining Oil Recoverable Potential Evaluation | |
| CN105422077B (zh) | 利用录井综合响应特征随钻识别储层的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200921 Address after: 100007 Beijing, Dongzhimen, North Street, No. 9, No. Patentee after: CHINA NATIONAL PETROLEUM Corp. Patentee after: CNPC Chuanqing Drilling Engineering Co.,Ltd. Address before: The 1 section of No. 3 company Chuanqing Drilling Technology Information Office Chenghua District Green Road 610051 Chengdu City, Sichuan Province Patentee before: CNPC Chuanqing Drilling Engineering Co.,Ltd. |
|
| TR01 | Transfer of patent right |