CN105488248A - 一种深部矿层和岩层的判定方法 - Google Patents

一种深部矿层和岩层的判定方法 Download PDF

Info

Publication number
CN105488248A
CN105488248A CN201510796396.XA CN201510796396A CN105488248A CN 105488248 A CN105488248 A CN 105488248A CN 201510796396 A CN201510796396 A CN 201510796396A CN 105488248 A CN105488248 A CN 105488248A
Authority
CN
China
Prior art keywords
layer
value
data
ore bed
rock stratum
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
Application number
CN201510796396.XA
Other languages
English (en)
Other versions
CN105488248B (zh
Inventor
吕大炜
李增学
刘海燕
王绪冰
勇朋林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201510796396.XA priority Critical patent/CN105488248B/zh
Publication of CN105488248A publication Critical patent/CN105488248A/zh
Application granted granted Critical
Publication of CN105488248B publication Critical patent/CN105488248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP 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

Abstract

本发明属于地质勘探技术领域，涉及一种深部矿层和岩层的判定方法，首先输入矿层和岩层的视电阻率、人工伽马值和自然伽马值组成测井曲线值的初始矩阵，对初始矩阵进行归一化，再定义归一化后的数据接近1或者等于1的为对应的识别结果，将识别结果输入矩阵实验室进行计算得到目标矩阵，然后根据公式运算并确定输出层结点数，采用矩阵实验室中专门构建人工神经网络模型的函数建立人工神经网络模型，最后读取未取芯钻孔的测井曲线数据，将每一层数据输入人工神经网络模型后计算得出结果，分析并判定矿层和岩层；其设计原理科学可靠，操作简便实用，测试精度高，效率好，使用环境友好，能够推广应用。

Description

一种深部矿层和岩层的判定方法
技术领域：
本发明属于地质勘探技术领域，涉及一种深部矿层和岩层的判定方法，将测井数据输入自建的人工神经网络模型中对取芯率低和具有测井曲线的深埋地区薄煤层、石膏层、砂岩和特殊泥页岩沉积矿层进行判定。
背景技术：
测井的全称是地球物理测井，也叫钻井地球物理或矿场地球物理，是应用地球物理方法来研究钻孔地质剖面，解决某些地下地质问题和钻井技术问题的技术科学，是地质勘探工作常用的方式之一；测井按照勘探对象的不同分为煤田测井、油田测井、金属和非金属测井及水文测井，测井方法包括电阻率法、自然伽码法和人工伽码法；在沉积矿层的测井中，选用有效参数利用特殊矿层、必测参数与围岩的物性差异能够对特殊矿层进行判定，利用参数曲线形态特征、标志层和对比方法能够对特殊矿层进行定位，利用视电阻率和人工放射性参数曲线特征，能够确定特殊矿层的深度、厚度和结构；在现有技术中，对特殊矿层的判定主要利用逻辑判断法、曲线形态特征判定法、标志层特征判定法和对比判定法：(1)、逻辑判断法是指根据逻辑判断规则进行判定，如果电阻率高值为真，则低值为假，天然放射性低值为真，则高值为假，人工放射性高值为真，则低值为假，当三者同时为真时，则判断为有矿；(2)、曲线形态特征判定法通常结合逻辑判断法，利用井田部分特殊矿层的参数和曲线形态特征判定特殊矿层是否有矿；(3)、标志层特征判定法通常结合逻辑判断法和曲线形态特征判定法判定特殊矿层是否有矿，一个井田或一定范围内一种参数或几种参数在不同的钻井中对应位置的参数曲线形态特征具有相似性，标志层可能是特殊矿层本身，也可能是煤层的直接顶、底板或距矿层一定距离的其他岩层；(4)、对比判定法是矿层逻辑判定之后，在基础资料比较详实的基础上利用标志层参数曲线形态、层间距、厚度和地质标志层作综合分析，侧重标志层曲线形态特征，经过综合对比和分析，找出井田内各钻孔物性特征相似性的层位，在总结出具有规律性的基础资料上判断并确定矿层的位置；现有技术主要是针对陆地上、埋深浅和围岩岩性简单的矿层，通过测井曲线的异常响应、自然电位或视电阻率进行简单的判定，准确性较差，局限性较大，不能准确定量矿层的厚度，无法实现受到地层压力和构造因素综合影响深部(深度为3000米下)矿层和薄矿层的判定。因此，研发设计一种利用人工神经网络模型准确判定深部矿层和岩层的方法，具有良好的社会和经济价值，应用前景广阔，为地质勘探的发展提供新思路。
发明内容：
本发明的目的在于克服现有技术存在的缺点，设计一种深部矿层和岩层的判定方法，将测井数据输入人工神经网络模型对取芯率低和具有测井曲线的深埋地区薄煤层、石膏层、砂岩和特殊沉积矿层进行判定。
为了实现上述目的，本发明涉及的深部矿层和岩层的判定方法包括建立人工神经网络模型和判定深部矿层和岩层两个步骤：
(1)、建立人工神经网络模型：人工神经网络模型由输入层、输出层和隐含层三部分组成，其中输入层的建立过程是：输入矿层或岩层的视电阻率、人工伽马值和自然伽马值组成测井曲线值的初始矩阵，初始矩阵的行数越多越好，对初始矩阵进行归一化，统一无量纲化，消除不同影响，把输入数据归一化在【0，1】之间，归一化公式是X’ij＝(Xij-Xjmin)/(Xjmax-Xjmin)，式中i＝1、2…w，j＝1、2…m，(w和m的值根据测井曲线值的个数和矿层或岩层的类型确定)Xjmax＝max{Xij}，Xjmin＝min{Xij}，Xjmax和Xjmin分别是各变量的最大值和最小值，归一化后的数据X'ij∈[0,1]，数据代码为：
Fori＝1:r
P(i,:)＝(P(i,:)-min(P(i,:)))/(max(P(i,:))-min(P(i,:)))
End；
r为测井数据条数，每一条对应一个岩性，min(P(i,:)代表不同岩石类型的某一种类型测井数据的最小值，max(P(i,:)代表不同岩石类型的某一种类型测井数据的最大值；
输出层的建立过程是：定义归一化后的数据X'ij，接近1或者等于1的为对应的识别结果，将识别结果输入矩阵实验室进行计算得到目标矩阵，实现输出层的建立；
隐含层的建立过程是：针对输入层建立的算法，根据人工神经网络计算公式确定，式中p为输出层结点数，n为输入层神经元数，q为输出层神经元数，a取0～10之间的常数，选取不同输入层神经元数和输出层神经元数进行运算并确定输出层结点数；
采用常规的矩阵实验室中专门构建人工神经网络模型的函数：
net＝newff(minmax(P),[No(i),1],{'tansig','logsig'},'trainlm')；
fori＝1:4
net＝newff(minmax(P),[No(i),1],{'tansig','logsig'},'trainlm')；
net.trainParam.epochs＝1000，表示训练步长；
net.trainParam.goad＝0.00013，表示网络误差；
net＝train(net,P,T)；
Temp＝sim(net,P_test)；
error(i,1:4)＝Temp-T；
实现人工神经网络模型的建立；
(2)、深部矿层和岩层的判定：按照0.5m的间距读取未取芯钻孔的测井曲线数据，将每一层数据输入步骤(1)建立的人工神经网络模型后计算得出结果，再对计算结果进行分析，按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩层。
本发明涉及的矿层或岩层包括特殊矿层、砂岩、泥岩和石灰岩，特殊矿层包括煤层、石膏层和岩盐层，泥岩视电阻率为5-60Ω·m，致密砂岩为20-1000Ω·m，特殊矿层有较大差异，煤层为0.001-50Ω·m，石膏层为109Ω·m，岩盐层为104-106Ω·m，泥岩和煤层的人工伽马值较低，砂岩和石灰岩的人工伽马值相对较高，自然伽马值来自于岩石的放射性元素，放射性较高的为海相泥岩，放射性中等的为浅海或陆相泥岩和煤层，放射性较低的为砂岩、石灰岩、石膏层和岩盐层。
本发明涉及的深部矿层和岩层的判定方法，在输入层建立过程中，矩阵行数越多越好，砂岩层在同一钻孔不同层位的测井曲线值存在差异，记录所有测井曲线值，将岩性细化成粗砂岩、中砂岩和细砂岩，记录粗砂岩、中砂岩和细砂岩的测井曲线值，将煤分为无烟煤和有烟煤，记录无烟煤和有烟煤的测井曲线值，以便增加矩阵的行数；隐含层针对输入层设计的算法，内部单元数目与要求、输入和输出层的数目直接关联，根据实验或经验确定内部单元数目,内部单元数目少,获取的测井曲线值就少，内部单元数目多,增加训练步长，导致计算时间过长,不能保证网络误差的准确性；根据公式确定p值，为了得到合适的内部单元数目，选取不同的隐含层神经元数目进行测试运算，分别记录每种情形的实际输出与期望输出的训练步长和网络误差，采用矩阵实验室中专门构建人工神经网络模型的函数计算确定训练步长少和网络误差小的数据为隐含层内部单元数目，矩阵实验室多次计算确定的最佳内部单元数目为1000次。
本发明涉及的深部矿层和岩层的判定方法，验证时选取没有参与人工神经网络模型建立的同一地区的数据作为验证记录，选取数据的原则是数据对应的岩石是参与人工神经网络模型建立的数据中的一种，要涵盖所有岩石类型；选取预测区已有测井曲线值的8个钻孔作为基本参数，其中6个钻孔岩石性质针对某种岩性为主，某个钻孔中泥岩含量相对高，作为一个样本，或某个钻孔中砂岩含量较高，作为一个样本，基于6个钻孔测井曲线值构建人工神经网络模型，利用其余2个钻孔测井曲线值作为误差校正数据，将另外2个钻孔测井曲线值输入到人工神经网络模型，工作信号由输入层经隐含层传向输出层的正向传播，在输出端产生实际输出值，实际输出值与期望输出值的差值大于设定值0.001时，误差信号由输出层经隐含层向输入层反向传播并逐层修正连接权，工作信号正向传播和误差信号反向传播反复交替进行到实际输出值与期望输出值的差值小于设定值0.001时结束，根据计算结果验证人工神经网络模型的判定结果。
本发明与现有技术相比，将已读取的取芯钻孔的自然伽马值、视电阻率和人工伽马值输入人工神经网络模型进行学习、校正和计算得到矩阵和结果，根据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩层；其设计原理科学可靠，操作简便实用，测试精度高，效率好，使用环境友好，能够推广应用。
附图说明：
图1为本发明涉及的人工神经网络模型的主体结构原理示意图。
图2为本发明涉及的人工神经网络模型判定矿层或岩层的流程示意图。
具体实施方式：
下面通过实施例结合附图对本发明作进一步说明。
实施例1：
本实施例涉及的深部矿层和岩层的判定方法包括建立人工神经网络模型和判定深部矿层两个步骤：
(1)、建立人工神经网络模型：
人工神经网络模型由输入层、输出层和隐含层三部分组成，其中输入层的建立过程是：输入主要是砂岩矿层的某煤矿区的视电阻率、人工伽马值和自然伽马值，输入层为[25,585,28]，泥岩层为[10,900,78]，煤层为[75,8100,110],石灰岩层[90,747,35]，组成测井曲线值的初始矩阵(P)：
25 , 585 , 28 10 , 900 , 78 75 , 8100 , 110 70 , 747 , 35
将初始矩阵(P)带入归一化公式是X’ij＝(Xij-Xjmin)/(Xjmax-Xjmin)进行归一化，初始矩阵(P)变为：
0.23 , 0 , 0 0 , 0.04 , 0.61 1.00 , 1.00 , 1.00 0.08 , 0.03 , 0.12
输出层的建立过程是：定义[砂岩层，泥岩层，特殊矿层，石灰岩层]中接近1或者等于1的数据为对应的识别结果，识别砂岩层的结果为[1,0,0,0],识别泥岩层的结果为[0,1,0,0],识别特殊矿层的结果为[0,0，1,0],识别石灰岩层的结果为[0,0,0,1],将识别结果输入常规的矩阵实验室(matlab)进行计算得到目标矩阵(T)：
1 , 0 , 0 , 0 0 , 1 , 0 , 0 0 , 0 , 1 , 0 0 , 0 , 0 , 1
隐含层的建立过程是：针对输入层建立的算法，根据公式确定p值，选取不同的隐含层神经元数目进行测试运算，分别记录每种情形的实际输出与期望输出的训练步长和网络误差，采用矩阵实验室中专门构建人工神经网络模型的函数计算确定训练步长较少和网络误差较小的1000次为隐含层内部单元数目；实现人工神经网络模型的建立；
(2)、深部矿层和岩层的判定：按照0.5m的间距读取未取芯钻孔的测井曲线数据，将每一层数据输入步骤(1)建立的人工神经网络模型后计算得出结果，再对计算结果进行分析，按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩层。

Claims (4)

1.一种深部矿层和岩层的判定方法，其特征在于包括建立人工神经网络模型和判定深部矿层和岩层两个步骤：
(1)、建立人工神经网络模型：人工神经网络模型由输入层、输出层和隐含层三部分组成，其中输入层的建立过程是：输入矿层或岩层的视电阻率、人工伽马值和自然伽马值组成测井曲线值的初始矩阵，初始矩阵的行数越多越好，对初始矩阵进行归一化，统一无量纲化，消除不同影响，把输入数据归一化在【0，1】之间，归一化公式是X’ij＝(Xij-Xjmin)/(Xjmax-Xjmin)，式中i＝1、2…w，j＝1、2…m，其中，w和m的值根据测井曲线值的个数和矿层或岩层的类型确定，Xjmax＝max{Xij}，Xjmin＝min{Xij}，Xjmax和Xjmin分别是各变量的最大值和最小值，归一化后的数据X'ij∈[0,1]，数据代码为：
Fori＝1:r
P(i,:)＝(P(i,:)-min(P(i,:)))/(max(P(i,:))-min(P(i,:)))
End；
r为测井数据条数，每一条对应一个岩性，min(P(i,:)代表不同岩石类型的某一种类型测井数据的最小值，max(P(i,:)代表不同岩石类型的某一种类型测井数据的最大值；
输出层的建立过程是：定义归一化后的数据X'ij，接近1或者等于1的为对应的识别结果，将识别结果输入矩阵实验室进行计算得到目标矩阵，实现输出层的建立；
隐含层的建立过程是：针对输入层建立的算法，根据人工神经网络计算公式确定，式中p为输出层结点数，n为输入层神经元数，q为输出层神经元数，a取0～10之间的常数，选取不同输入层神经元数和输出层神经元数进行运算并确定输出层结点数；
采用常规的矩阵实验室中专门构建人工神经网络模型的函数：
net＝newff(minmax(P),[No(i),1],{'tansig','logsig'},'trainlm')；
fori＝1:4
net＝newff(minmax(P),[No(i),1],{'tansig','logsig'},'trainlm')；
net.trainParam.epochs＝1000，表示训练步长；
net.trainParam.goad＝0.00013，表示网络误差；
net＝train(net,P,T)；
Temp＝sim(net,P_test)；
error(i,1:4)＝Temp-T；
实现人工神经网络模型的建立；
(2)、深部矿层和岩层的判定：按照0.5m的间距读取未取芯钻孔的测井曲线数据，将每一层数据输入步骤(1)建立的人工神经网络模型后计算得出结果，再对计算结果进行分析，按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩层。
2.根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于所述矿层或岩层包括特殊矿层、砂岩、泥岩和石灰岩，特殊矿层包括煤层、石膏层和岩盐层，泥岩视电阻率为5-60Ω·m，致密砂岩为20-1000Ω·m，特殊矿层有较大差异，煤层为0.001-50Ω·m，石膏层为109Ω·m，岩盐层为104-106Ω·m，泥岩和煤层的人工伽马值较低，砂岩和石灰岩的人工伽马值相对较高，自然伽马值来自于岩石的放射性元素，放射性较高的为海相泥岩，放射性中等的为浅海或陆相泥岩和煤层，放射性较低的为砂岩、石灰岩、石膏层和岩盐层。
3.根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于在输入层建立过程中，矩阵行数越多越好，砂岩层在同一钻孔不同层位的测井曲线值存在差异，记录所有测井曲线值，将岩性细化成粗砂岩、中砂岩和细砂岩，记录粗砂岩、中砂岩和细砂岩的测井曲线值，将煤分为无烟煤和有烟煤，记录无烟煤和有烟煤的测井曲线值，以便增加矩阵的行数；隐含层针对输入层设计的算法，内部单元数目与要求、输入和输出层的数目直接关联，根据实验或经验确定内部单元数目,内部单元数目少,获取的测井曲线值就少，内部单元数目多,增加训练步长，导致计算时间过长,不能保证网络误差的准确性；根据公式确定p值，为了得到合适的内部单元数目，选取不同的隐含层神经元数目进行测试运算，分别记录每种情形的实际输出与期望输出的训练步长和网络误差，采用矩阵实验室中专门构建人工神经网络模型的函数计算确定训练步长少和网络误差小的数据为隐含层内部单元数目，矩阵实验室多次计算确定的最佳内部单元数目为1000次。
4.根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于验证时选取没有参与人工神经网络模型建立的同一地区的数据作为验证记录，选取数据的原则是数据对应的岩石是参与人工神经网络模型建立的数据中的一种，要涵盖所有岩石类型；选取预测区已有测井曲线值的8个钻孔作为基本参数，其中6个钻孔岩石性质针对某种岩性为主，某个钻孔中泥岩含量相对高，作为一个样本，或某个钻孔中砂岩含量较高，作为一个样本，基于6个钻孔测井曲线值构建人工神经网络模型，利用其余2个钻孔测井曲线值作为误差校正数据，将另外2个钻孔测井曲线值输入到人工神经网络模型，工作信号由输入层经隐含层传向输出层的正向传播，在输出端产生实际输出值，实际输出值与期望输出值的差值大于设定值0.001时，误差信号由输出层经隐含层向输入层反向传播并逐层修正连接权，工作信号正向传播和误差信号反向传播反复交替进行到实际输出值与期望输出值的差值小于设定值0.001时结束，根据计算结果验证人工神经网络模型的判定结果。
CN201510796396.XA 2015-11-18 2015-11-18 一种深部矿层和岩层的判定方法 Active CN105488248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510796396.XA CN105488248B (zh) 2015-11-18 2015-11-18 一种深部矿层和岩层的判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510796396.XA CN105488248B (zh) 2015-11-18 2015-11-18 一种深部矿层和岩层的判定方法

Publications (2)

Publication Number Publication Date
CN105488248A true CN105488248A (zh) 2016-04-13
CN105488248B CN105488248B (zh) 2017-02-15

Family

ID=55675222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510796396.XA Active CN105488248B (zh) 2015-11-18 2015-11-18 一种深部矿层和岩层的判定方法

Country Status (1)

Country Link
CN (1) CN105488248B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777707A (zh) * 2016-12-21 2017-05-31 山东科技大学 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法
CN106991509A (zh) * 2017-05-27 2017-07-28 重庆科技学院 基于径向基函数神经网络模型的测井曲线预测方法
CN108398725A (zh) * 2018-01-18 2018-08-14 国网重庆市电力公司电力科学研究院 一种瞬变电磁视电阻率计算方法、系统、装置及存储介质
CN109635244A (zh) * 2018-10-24 2019-04-16 中石化石油工程技术服务有限公司 岩石可钻性预测方法、系统、存储介质及电子终端
WO2020082824A1 (zh) * 2018-10-25 2020-04-30 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
CN111119835A (zh) * 2018-11-01 2020-05-08 中国石油化工股份有限公司 一种随钻工况识别方法及系统
CN112326504A (zh) * 2020-10-28 2021-02-05 国电环境保护研究院有限公司 一种复合脱硫装置石膏浆液密度测量方法及测量系统
CN112784980A (zh) * 2021-01-05 2021-05-11 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
CN113190784A (zh) * 2021-06-01 2021-07-30 中国石油大学(北京) 一种识别原生白云岩的方法
CN113836999A (zh) * 2021-08-16 2021-12-24 山东大学 基于探地雷达的隧道施工风险智能识别方法及系统
CN116931085A (zh) * 2023-09-19 2023-10-24 广州海洋地质调查局三亚南海地质研究所 一种砂质储层天然气水合物预测方法及装置
WO2024077538A1 (en) * 2022-10-13 2024-04-18 Saudi Arabian Oil Company Methods and systems for predicting lithology and formation boundary ahead of the bit

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125239A1 (en) * 2004-03-18 2009-05-14 Baker Hughes Incorporated Rock and Fluid Properties Prediction From Downhole Measurements Using Linear and Nonlinear Regression
CN103485770A (zh) * 2013-06-19 2014-01-01 中国石油天然气集团公司 一种基于人工神经网络求取含油饱和度的方法及系统
CN104268650A (zh) * 2014-09-28 2015-01-07 山东科技大学 一种煤层底板破坏深度的预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125239A1 (en) * 2004-03-18 2009-05-14 Baker Hughes Incorporated Rock and Fluid Properties Prediction From Downhole Measurements Using Linear and Nonlinear Regression
CN103485770A (zh) * 2013-06-19 2014-01-01 中国石油天然气集团公司 一种基于人工神经网络求取含油饱和度的方法及系统
CN104268650A (zh) * 2014-09-28 2015-01-07 山东科技大学 一种煤层底板破坏深度的预测方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777707A (zh) * 2016-12-21 2017-05-31 山东科技大学 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法
CN106991509A (zh) * 2017-05-27 2017-07-28 重庆科技学院 基于径向基函数神经网络模型的测井曲线预测方法
CN108398725A (zh) * 2018-01-18 2018-08-14 国网重庆市电力公司电力科学研究院 一种瞬变电磁视电阻率计算方法、系统、装置及存储介质
CN109635244B (zh) * 2018-10-24 2023-04-18 中国石油化工集团有限公司 岩石可钻性预测方法、系统、存储介质及电子终端
CN109635244A (zh) * 2018-10-24 2019-04-16 中石化石油工程技术服务有限公司 岩石可钻性预测方法、系统、存储介质及电子终端
WO2020082824A1 (zh) * 2018-10-25 2020-04-30 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
CN111119835A (zh) * 2018-11-01 2020-05-08 中国石油化工股份有限公司 一种随钻工况识别方法及系统
CN112326504A (zh) * 2020-10-28 2021-02-05 国电环境保护研究院有限公司 一种复合脱硫装置石膏浆液密度测量方法及测量系统
CN112326504B (zh) * 2020-10-28 2023-09-26 国电环境保护研究院有限公司 一种复合脱硫装置石膏浆液密度测量方法及测量系统
CN112784980A (zh) * 2021-01-05 2021-05-11 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
CN113190784A (zh) * 2021-06-01 2021-07-30 中国石油大学(北京) 一种识别原生白云岩的方法
CN113190784B (zh) * 2021-06-01 2023-10-24 中国石油大学(北京) 一种识别原生白云岩的方法
CN113836999A (zh) * 2021-08-16 2021-12-24 山东大学 基于探地雷达的隧道施工风险智能识别方法及系统
WO2024077538A1 (en) * 2022-10-13 2024-04-18 Saudi Arabian Oil Company Methods and systems for predicting lithology and formation boundary ahead of the bit
CN116931085A (zh) * 2023-09-19 2023-10-24 广州海洋地质调查局三亚南海地质研究所 一种砂质储层天然气水合物预测方法及装置
CN116931085B (zh) * 2023-09-19 2023-12-08 广州海洋地质调查局三亚南海地质研究所 一种砂质储层天然气水合物预测方法及装置

Also Published As

Publication number Publication date
CN105488248B (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN105488248B (zh) 一种深部矿层和岩层的判定方法
EP3715579B1 (en) Wellbore trajectory system and method
CN105545301B (zh) 一种不同泥浆体系下复杂储层流体性质识别方法
Williams-Stroud et al. Microseismicity-constrained discrete fracture network models for stimulated reservoir simulation
US20180238148A1 (en) Method For Computing Lithofacies Probability Using Lithology Proximity Models
CN110412649B (zh) 一种单期水下分流河道的识别方法
CN103437760B (zh) 一种使用阵列感应数据快速评价油水层的方法
Harris The role of geology in reservoir simulation studies
CN107807410A (zh) 储层地球物理敏感参数优选方法及系统
CN104834003B (zh) 一种非常规致密储层的相控压缩系数地震预测方法
CN106401574A (zh) 一种钻前高温地热井地层压力的预测方法
CN105350959B (zh) 由测井岩性密度确定页岩气储层含气饱和度的方法
Ma et al. Tight gas sandstone reservoirs, Part 1: Overview and lithofacies
Moore et al. Tight gas sandstone reservoirs, part 2: petrophysical analysis and reservoir modeling
Hsu et al. Unravelling preferential flow paths and estimating groundwater potential in a fractured metamorphic aquifer in Taiwan by using borehole logs and hybrid DFN/EPM model
Pranter et al. Reservoir-scale characterization and multiphase fluid-flow modelling of lateral petrophysical heterogeneity within dolomite facies of the Madison Formation, Sheep Canyon and Lysite Mountain, Wyoming, USA
Mabrey Rock quality index for Niobrara horizontal well drilling and completion optimization, Wattenberg field, Colorado
CN105676288A (zh) 一种基于反射系数分析的砂体叠置关系判别方法
Petit et al. Application of stochastic simulations and quantifying uncertainties in the drilling of roll front uranium deposits
Deutsch What in the reservoir is geostatistics good for?
Zheng et al. Geological model evaluation through well test simulation: a case study from the Wytch farm oilfield, southern England
Maity et al. Fracture spacing design for multistage hydraulic fracturing completions for improved productivity
Machado et al. Characterization of Arbuckle-basement wastewater disposal system, Payne County, Northern Oklahoma
Chapin et al. Integrated static and dynamic modeling of the Pinedale tight gas field, Wyoming
Tamulonis A methodology for integrating unconventional geologic and engineering data into a geocellular model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant