CN106062310A - 使用无监督分类程序的相定义 - Google Patents
使用无监督分类程序的相定义 Download PDFInfo
- Publication number
- CN106062310A CN106062310A CN201480067997.0A CN201480067997A CN106062310A CN 106062310 A CN106062310 A CN 106062310A CN 201480067997 A CN201480067997 A CN 201480067997A CN 106062310 A CN106062310 A CN 106062310A
- Authority
- CN
- China
- Prior art keywords
- training set
- log data
- data
- key hole
- well
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 208000035126 Facies Diseases 0.000 title abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 149
- 230000006870 function Effects 0.000 claims abstract description 69
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 40
- 230000002085 persistent effect Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 abstract 1
- 238000005755 formation reaction Methods 0.000 abstract 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 35
- 238000011161 development Methods 0.000 description 27
- 230000018109 developmental process Effects 0.000 description 27
- 239000011435 rock Substances 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000005251 gamma ray Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005553 drilling Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000008398 formation water Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
- G01V2210/665—Subsurface modeling using geostatistical modeling
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Geophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
公开的实施方案包括一种用于生成相定义的方法、装置和计算机程序产品。一个实施方案是计算机实现的方法，所述计算机实现的方法包括以下步骤：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向所述测井数据引入假设；确定标准井；基于所述标准井来开发所述测井数据的合适缩放比例；通过从随机深度处的所述测井数据提取样本来创建训练集；修改所述训练集以移除干扰数据；对所述训练集执行无监督分类程序以将所述训练集中的样本分组；比较所述群组中的所述测井数据的一系列值以分类所述标准井的岩相；开发分类函数；以及使用所述分类函数来分类未知井以生成所述相定义。
Description
发明背景
1.发明领域
本发明总体上涉及计算机化的储层建模领域，并且更具体地说，涉及被配置来使用无监督分类程序生成相定义的系统和方法。
2.相关技术讨论
在油气产业中,储层建模包括构造石油储层的计算机模型,以用于改善储量估计并且对油田开发作出决策的目的。测井相的特性化对于储层建模是必要的。测井相是一种类型的相分析，其使用录井组图来确定相或岩石类型。在储层特性化和储层模拟中，最重要的相性质是岩石物理特性，其控制在相中的流体行为。常使用测井相和其他多变量技术来确定这些特性。
然而，当前用于得出测井相的方法需要关于样本所代表的群组的数目、样本在先验群组中的初始划分，以及数据的分布性质(例如，数值范围和决定数值数据范围的统计分布种类)的初始假设。这些条件和假设很少得到满足；因此向分类引入微妙的失真，这种失真无法通过事后分析来消除。
因此，公开的实施方案力图为与相分析相关联的上述问题提供一个或多个解决方案。
附图简述
本发明的说明性实施方案在下文参考附图进行详细描述，所述附图以引用的方式并入本文中并且其中：
图1是示出根据公开的实施方案的被配置来使用无监督分类程序生成相定义的流程的流程图；以及
图2是示出用于实现公开的实施方案的系统的一个实施方案的框图。
详述
公开的实施方案包括被配置来使用无监督分类程序生成相定义的系统、计算机程序产品和计算机实现的方法。
如本文所用，除非上下文另外明确说明，否则单数形式“一(a/an)”和“所述(the)”也意图包括复数形式。将进一步理解，在用于本说明书和/或权利要求书中时，术语“包括(comprise)”和/或“包括(comprising)”指定了所陈述特征、步骤、操作、元件和/或部件的存在，但是不排除一个或多个其他特征、步骤、操作、元件、部件和/或其群组的存在或增加。随附权利要求书中的所有装置的相应结构、材料、动作以及等效物或或步骤加功能要素意图包括用于执行所述功能的任何结构、材料或动作与具体要求保护的其他要求保护要素的组合。出于说明和描述的目的已经呈现了对本发明的描述，但并不意图为详尽的或将本公开限制于呈所公开形式的本发明。在不脱离本发明的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说将是显而易见的。选择并描述实施方案来解释本发明的原理和实际应用，并且允许本领域的其他普通技术人员理解本发明的各种实施方案以及各种修改适合于所涵盖的具体用途。权利要求书的范围意图广泛地涵盖公开的实施方案和任何此种修改。
所公开的实施方案及其附加的优点通过参照附图的图1-2得到最好的理解，相同的数字用于各个附图的相同且对应的部分。在查阅下面的附图及详述后，对于本领域普通技术人员来说，本公开的实施方案的其他特征和优点将会更加明显。旨在所有此类附加特征和优点包括在所公开实施方案的范围内。另外，示出的附图仅是示例性的，并且不旨在断言或暗示对其中可实现不同实施方案的环境、体系结构、设计或过程的任何限制。
从图1开始,示出根据公开的实施方案的用于使用无监督分类程序生成相定义的电脑实现的方法(过程100)的实例。过程100在步骤102处通过导入和/或接收测井数据开始，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质。
根据公开的实施方案，可使用经由电缆传递到井下的工具或者可选地使用耦接到钻机的钻柱或者整合到所述钻柱中的工具在井筒钻凿过程中收集测井数据。例如，在某些实施方案中，电缆传递的工具从电缆悬吊下来，所述电缆电连接到井表面处的控制和测井设备。可以通过首先移除钻柱并且接着将电缆和工具下放到地层内的相关区域来部署所述工具。这种类型的测试和测量常被称为“电缆地层测试(WFT)”。与WFT相关联的工具可以用来测量井筒的参数，所述参数包括地层和井筒流体的压力和温度。
在某些实施方案中，代替电缆部署，将测量工具耦接到钻柱或者与钻柱整合在一起。在这些情况中，避免了在测量重要地层性质之前移除钻柱的附加费用和时间。这个“随钻测量(MWD)”过程使用测量工具来确定地层和井筒参数，所述参数包括但不限于温度和压力，以及钻头的轨迹和位置。此外，“随钻测井(LWD)”过程使用工具来确定另外的地层性质，诸如渗透性、孔隙度、电阻率以及其他性质。
测井数据类型的非限制性实例可包括电法测井，诸如但不限于电阻率测井、图像测井、孔隙度测井、密度测井、中子孔隙度测井和声波测井。电阻率测井通过特征化井眼中的岩石或沉淀物来工作，所述特征化是通过测量岩石或沉淀物的电阻率来进行。图像测井使用旋转传感器来测量整个井眼壁上的声阻抗。这随后可用来识别岩石裂缝的存在和方向，并且了解地层学的倾向。孔隙度测井测量孔体积在岩石体积中的分数或百分比。密度测井测量地层的体积密度，这是通过用放射源轰击地层并且测量康普顿散射和光电吸收效果之后产生的伽马射线计数来进行。中子孔隙度测井通过用高能超热中子轰击地层来工作，所述高能超热中子由于在被地层原子的原子核吸收之前弹性散射至附近热级而损耗能量。声波测井提供剪切波和压缩波的地层声波时差，所述声波时差通常随岩性和岩石结构变化。
在某些实施方案中，测井数据的类型还可包括岩性测井，诸如但不限于伽马射线测井和自然电位测井。伽马射线测井记录了沿着在API中测量的井眼的地层的天然放射性。这个信息对于在碎屑环境中区分砂与页岩而言特别有用。自然电位测井测量在没有任何外加电流的情况下，在井眼与地表之间的自然或自发电位差。自然电位测井常用来检测透水层并且估计粘土含量和地层水盐度。
如上所述，当前用于执行测井相的程序的问题是容易出错，因为往往错误的数据性质的初始假设被应用于数据。此类假设包括但不限于应用数值范围和/或应用决定数值数据范围的特定统计分布。因此，根据公开的实施方案，未向数据引入假设。
使用接收的数据，过程随后在步骤104处接收标准井的选择。标准井将被用作其他一切将被比较的那个区域的标准/模型。标准井的选择是基于相关部分的质量或最大覆盖。例如，在一个实施方案中，标准井的选择是基于地层间隔的分析。根据这个分析，选择具有对所述地层学的最佳表达(即，具有相关部分中的单元/地层学的最完整实例的井数据)的标准井。在某些实施方案中，标准井还将包括辅助数据，诸如但不限于岩心和特殊岩心分析。
在替代性实施方案中，可根据包括若干井的数据来创建标准井。例如，在一个实施方案中，可根据井数据的合成物来构成标准井，其中可对数据的一个或多个分量求平均值或确立期望值。
在步骤106处，过程基于标准井开发合适的数据缩放比例,以便所有测井/数据可互相比较，因为测井数据中的每一个的数值不同。例如，在对数尺度上测量电阻率并且电阻率可在2/10到20,000之间变化，然而声波测井具有40-240的范围，并且孔隙度测井具有0-1之间的值。因此，不同测井数据类型中的每一个具有不同的数字系统。在一个实施方案中，过程将测井数据中的每一个按比例缩放至预定的无因次的尺度(如0-1的尺度)。如何按比例缩放数据是通过使用在探索性数据分析(EDA)中体现的工具全面检查标准井数据来确定的。通过以这种方式按比例缩放所有数据，未作出关于数据分布性质的假设并且每个测井与所有其他测井相等地加权。此外，按比例缩放的过程保留每个测井的形状并且不会引起不利影响。
过程随后在步骤108处通过在不替换随机深度处的标准井数据的情况下绘制样本来创建训练集。创建训练集的原因是，全数据集对于任何算法来处理的计算效率都太低。例如，大多数测井每6英寸提供一个读数。因此，用于3,000英尺深的井的单个测井将具有6,000个读数。所以，当乘以多个测井时，全数据集将太多而无法被高效计算处理。作为非限制性实例，在一个实施方案中，过程可在随机选择的深度处取样600-800个测井读数，用于创建训练集。
在步骤110处，过程分析并且修改训练集以移除具有会干涉本文公开的分类过程的性质的数据。例如，在一个实施方案中，过程将移除不变的数据。例如，如果井眼情况良好，那么井径仪测井基本上不变(即，测量结果不会有太大的变化)，所述井径仪测井提供沿着井眼深度对井眼大小和形状的连续测量。因此，在一个实施方案中，公开的过程将移除训练集中的这种类型的测井数据，因为所述数据易于使所有观测看起来很相似。任何分类程序都会突出差别。
此外，在一个实施方案中，过程将从训练集移除任何冗余数据。例如，当存在测量同一物的多个测井时，可能出现冗余数据。例如，数据常常将包括经环境校正的伽马射线测井、伽马射线测井和归一化的伽马射线测井，这些测井全部是几乎百分之百相关的。因此，如果训练集数据包括所有三个这些测井，那么分类过程将针对伽马射线端被错误地加权。因此，在一个实施方案中，过程将选择或接收对这些伽马射线测井中的仅一个的选择。例如，在一个实施方案中，选择可基于测井的统计分布曲线的分析。在一个实施方案中，不会丢弃未被选择为在训练集中的测井数据，而是仅仅在这个特定分析阶段中不包括所述测井数据。
在步骤112处，过程随后通过将无监督分类程序应用于训练集来分类训练集样本。作为非限制性实例，在一个实施方案中，过程应用不加权算术平均组对方法(UPGMA)分析来基于训练集样本在相关描述符变量中成对的相似性来分类训练集样本。根据公开的实施方案，还可采用其他类型的无监督分类程序。
在一个实施方案中，遵循无监督分类程序，过程生成示出在所有相似性等级下的训练样本之间的关系层次的图。评估每个层次等级所携带的信息。过程随后选择或在一些实施方案中接收对看上去最佳地例示可用分组的等级的用户选择。在一个实施方案中，基于对训练样本关系的几何和/或图像分析执行这个步骤，以识别群组。
在步骤114处，过程测试岩相。例如，在一个实施方案中，过程确立群组的统计分化以按照测井来解释群组，以确定这些群组有什么不同。例如，在一个实施方案中，过程可使用多元方差分析(MANOVA)来比较多元均值和导出群组的其他统计值。其他实施方案可应用逐步的线性判别分析(LDA)来找到特性化或分离所建立群组的特征的线性组合。通过这些方法评估从聚类程序获得的分组。公开的实施方案可采用其他数值或图形分析技术来检查变量和用于分类岩相的分组之间的关系。例如，在某些实施方案中，过程可生成或采用一个或五个更多的箱线图、星形图、散点图、统计分布曲线和极点排序来检查变量与包括岩相分类的群组之间的关系。
在一个实施方案中，在步骤116处，一旦获得可接受的分类，过程就开发分类函数。例如，在一个实施方案中，过程使用线性判别程序(LDA)的另一方面来建立线性函数，所述线性函数基于每个群组的多元统计性质将群组分为集。过程首先将这些线性函数应用于标准井，并且将结果与其他地质数据进行比较。过程随后被配置来利用由将聚类方法应用于训练集所得出的群组，以使用根据分类的训练集所建立的分类函数来分类标准井中整个相关部分的岩相，训练集是所述标准井的样本。
过程可依靠使用训练集所开发的分类函数或在必要的情况下改善分类，并且过程基于整个标准井数据集来开发新的分类函数。
在步骤118处，过程随后使用分类函数来分类具有相同录井组图的未知井。然后可使用这些数据来填入地球模型以便预测岩石类型，以用于钻凿新的。过程因此产生测井定义的岩石类型的分布的三维实现。
因此，公开的实施方案提供新颖和高效的程序来使用无监督分类程序生成相定义。描述的实施方案中的若干方面与当前使用中的测井相程序显著不同。例如，公开的实施方案与先前程序之间的不同在于在原始测井数据上使用的缩放比例的应用和类型，并且在于使用按比例缩放的原始测井数据，而不是从岩石物理模型获得的计算值。按比例缩放程序是与参数无关的，从而减小对分布参数假设的依赖。
此外，上述公开的实施方案使用完全无监督的程序来开发按比例缩放的原始测井数据的初始划分。无需输入群组的先验数目或任何其他信息。
公开的实施方案在若干不同领域中的试验应用已产生映射的地质模式，所述模式更适用于当前的地球建模技术。例如，公开的实施方案提供更好的体积估计，并且可以更好地定义“最有效点”并且帮助预测井的性能。因为通过按实验室数据校准的测井来定义岩石性质，所以可使用群组统计值在地球模型中传播这些性质。
例如，公开的实施方案已应用于若干不同领域中的勘探问题并且已取得显著成功。在一个实例中，客户报告，使用公开的实施方案开发对地球模型的输入，4个钻井的性能有50％的增加，所述地球模型又被用来选择钻井位置。公开的实施方案可帮助完井工程师决策在哪里和如何钻凿分支井以及如何完成这些井。这些公开的实施方案在基于测井特性来定义资源扮演的程度中也有价值。
现在参考图2,呈现了示出用于实现公开的实施方案的特征和功能的系统200的一个实施方案的框图。系统200可以是任何类型的计算装置，包括但不限于，台式计算机、膝上型计算机、服务器、平板电脑以及移动装置。系统200包括处理器210、主存储器202、二级存储单元204、输入/输出接口模块206和通信接口模块208以及其他部件。
处理器210可以是能够执行用于执行公开的实施方案的特征和功能的指令的任何类型或任何数目的单核或多核处理器。输入/输出接口模块206使系统200能够接收用户输入(例如，来自键盘和鼠标的输入)并向诸如但不限于打印机、外部数据存储装置和音频扬声器的一个或多个装置输出信息。系统200可任选地包括能够在集成或外部显示装置上显示信息的单独显示模块211。例如，显示模块211可包括用于提供与一个或多个显示装置相关联的增强图形、触摸屏和/或多触摸功能的指令或硬件(例如，图形卡或芯片)。
主存储器202是易失性存储器，其存储当前正在执行的指令/数据或者预提取用于执行的指令/数据。二级存储单元204为用于存储持久性数据的非易失性存储器。二级存储单元204可以是或包括诸如硬盘驱动器、闪存驱动器或存储卡的任何类型的数据存储部件。在一个实施方案中，二级存储单元204存储计算机可执行代码/指令以及用于使用户能够执行公开的实施方案的特征和功能的其他相关数据。
例如，根据公开的实施方案，二级存储单元204可永久存储用于执行上述程序的可执行代码/指令220，上述程序用于使用无监督分类程序生成相定义。随后，可执行代码/指令220在由处理器210执行期间从二级存储单元204加载到主存储器202以用于执行公开实施方案。另外，二级存储单元204可存储其他可执行代码/指令和数据222，诸如但不限于，与公开的实施方案一起使用的储层模拟应用程序(如储层模拟软件)。
通信接口模块208使系统200能够与通信网络230通信。例如，通信接口模块208可包括网络接口卡和/或无线收发器，以用于使系统200能够通过通信网络230和/或直接利用其他装置发送并接收数据。
通信网络230可以是包括以下网络中的一个或多个的组合的任何类型的网络：广域网，局域网，一个或多个专用网络，互联网，诸如公共交换电话网(PSTN)的电话网络、一个或多个蜂窝网络和/或无线数据网络。通信网络230可包括多个网络节点(未示出)，诸如路由器、网络接入点/网关、开关、DNS服务器、代理服务器以及用于协助装置之间的数据/通信的路由的其他网络节点。
例如，在一个实施方案中，系统200可与一个或多个服务器234或数据库232交互以用于执行公开的实施方案的特征。例如，系统200可从数据库232查询用于根据公开的实施方案生成相定义的测井信息。此外，在某些实施方案中，系统200可用作用于一个或多个客户端装置的服务器系统，或者用于对等通信或与一个或多个装置/计算系统(例如，集群、网格)并行处理的对等系统。
公开的实施方案可整合在诸如但不限于Earth Modeling的地球模型应用程序中，或可在独立的软件应用程序或模块中实现。EarthModeling软件可购自Landmark Graphics公司。
尽管已经描述关于上述实施方案的具体细节，但上述硬件和软件描述仅意图为示例性实施方案并且不意图限制公开的实施方案的结构或实现方式。例如，尽管系统200的许多其他内部部件未被示出，但本领域技术人员将理解此类部件和其互连是众所周知的。
此外，如上所述的公开实施方案的某些方面可被体现在使用一个或多个处理单元/部件执行的软件中。所述技术的程序方面可以被视为通常呈可执行代码和/或相关联数据的形式的“产品”或者“制品”，所述代码或数据被携带或体现在一种类型机器可读介质中。有形的非暂态“存储”型介质包括用于计算机、处理器等的任何或所有存储器或其他存储设备或者其相关联模块，诸如各种半导体存储器、磁带驱动器、磁盘驱动器、光盘或磁盘等，其可在任何时间提供对于软件编程的存储。
此外，附图中的流程图和框图示出根据本发明的各种实施方案的系统、方法和计算机程序产品的可能实现方式的体系结构、功能性和操作。也应注意到，在一些替代实现方式中，方框中提到的功能可以不按附图中提到的顺序出现。例如，连续示出的两个方框实际上可以大致上同时执行，或者这些方框有时可以按相反的顺序执行，这取决于所涉及的功能性。也应指出的是，框图和/或流程图图解的每个方框以及框图和/或流程图图解中的方框的组合可以由执行指定功能或动作的基于专用硬件的系统或者专用硬件和计算机指令的组合来实现。
除了上文所描述的实施方案之外，特定组合的许多实例在本公开的范围内，下文详细描述所述实例中的一些。
实例1是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例2是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例3是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例4是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井是根据来自测井数据的数据合成物所生成的；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例5是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例6是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集，其中训练集由在随机选择的深度处的600-800个测井读数组成；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例7是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除包括冗余数据的干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例8是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除包括不变数据的干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例9是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组，所述无监督分类程序包括生成示出在所有等级下的训练集中的样本的关系的图；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例10是用于生成相定义的计算机实现的方法。所述方法包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除包括冗余数据和不变数据的干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例11是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例12是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例13是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例14是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井是根据来自测井数据的数据合成物所生成的；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例15是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例16是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集，其中训练集由在随机选择的深度处的600-800个测井读数组成；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例17是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除包括冗余数据和不变数据的干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例18是系统，其包括：至少一个处理器；以及至少一个存储器，所述至少一个存储器耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令。所述计算机可执行指令包括用于以下操作的指令：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除包括冗余数据和不变数据的干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组，所述无监督分类程序包括生成示出在所有等级下的训练集中的样本的关系的图；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例19是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义。
实例20是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例21是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例22是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井是根据来自测井数据的数据合成物所生成的；基于标准井来开发测井数据的合适缩放比例；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例23是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例24是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性的，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集，其中训练集由在随机选择的深度处的600-800个测井读数组成；修改训练集以移除干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例25是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性的，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除包括冗余数据和不变数据的干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
实例26是非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令。所述计算机可执行指令在被执行时进一步导致一个或多个机器执行操作，所述操作包括：接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性的，其中未向测井数据引入假设；确定标准井，其中标准井具有对相关部分中的地层学的最佳表达；基于标准井来开发测井数据的合适缩放比例，其中测井数据的合适缩放比例保留测井的形状；通过从随机深度处的测井数据提取样本来创建训练集；修改训练集以移除包括冗余数据和不变数据的干扰数据；对训练集执行无监督分类程序以将训练集中的样本分组，所述无监督分类程序包括生成示出在所有等级下的训练集中的样本的关系的图；比较群组中的测井数据的一系列值以分类标准井的岩相；开发分类函数；以及使用分类函数来分类未知井以生成相定义，其中相定义用来填入地球模型。
上述特定示例性实施方案不意图限制权利要求的范围。示例性实施方案可通过包括、执行或组合本公开中所描述的一个或多个特征或功能来修改。
Claims (20)
1.一种用于生成相定义的计算机实现的方法，所述方法包括：
接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向所述测井数据引入假设；
确定标准井；
基于所述标准井来开发所述测井数据的合适缩放比例；
通过从随机深度处的所述测井数据提取样本来创建训练集；
修改所述训练集以移除干扰数据；
对所述训练集执行无监督分类程序以将所述训练集中的样本分组；
比较所述群组中的所述测井数据的一系列值以分类所述标准井的岩相；
开发分类函数；以及
使用所述分类函数来分类未知井以生成所述相定义。
2.如权利要求1所述的计算机实现的方法，其中所述相定义用来填入地球模型。
3.如权利要求1所述的计算机实现的方法，其中所述标准井具有对相关部分中的地层学的最佳表达。
4.如权利要求1所述的计算机实现的方法，其中所述标准井是根据来自所述测井数据的数据合成物所生成的。
5.如权利要求1所述的计算机实现的方法，其中所述测井数据的所述合适缩放比例保留所述测井的形状。
6.如权利要求1所述的计算机实现的方法，其中所述训练集包括在随机选择的深度处的600-800个测井读数。
7.如权利要求1所述的计算机实现的方法，其中修改所述训练集以移除干扰数据包括移除冗余数据。
8.如权利要求1所述的计算机实现的方法，其中修改所述训练集以移除干扰数据包括移除不变数据。
9.如权利要求1所述的计算机实现的方法，其还包括生成示出在所有等级下的所述训练集中的所述样本的关系的图。
10.一种系统，其包括：
至少一个处理器；以及
至少一个存储单元，其耦接至所述至少一个处理器并且存储用于生成相定义的计算机可执行指令，所述计算机可执行指令包括用于以下操作的指令：
接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向所述测井数据引入假设；
确定标准井；
基于所述标准井来开发所述测井数据的合适缩放比例；
通过从随机深度处的所述测井数据提取样本来创建训练集；
修改所述训练集以移除干扰数据；
对所述训练集执行无监督分类程序以将所述训练集中的样本分组；
比较所述群组中的所述测井数据的一系列值以分类所述标准井的岩相；
开发分类函数；以及
使用所述分类函数来分类未知井以生成所述相定义。
11.如权利要求10所述的系统，其中所述相定义用来填入地球模型。
12.如权利要求10所述的系统，其中所述标准井具有对相关部分中的地层学的最佳表达。
13.如权利要求10所述的系统，其中所述标准井是根据来自所述测井数据的数据合成物所生成的。
14.如权利要求10所述的系统，其中所述测井数据的所述合适缩放比例保留所述测井的形状。
15.如权利要求10所述的系统，其中所述训练集包括在随机选择的深度处的600-800个测井读数。
16.如权利要求10所述的系统，其中修改所述训练集以移除干扰数据包括移除冗余数据。
17.如权利要求10所述的系统，其中修改所述训练集以移除干扰数据包括移除不变数据。
18.如权利要求10所述的系统，所述计算机可执行指令还包括用于生成示出在所有等级下的所述训练集中的所述样本的关系的图的指令。
19.一种非暂态计算机可读介质，其包括用于生成相定义的计算机可执行指令，所述计算机可执行指令在被执行时导致一个或多个机器执行操作，所述操作包括：
接收测井数据，所述测井数据指示由一个或多个井筒穿透的地质地层的一个或多个性质，其中未向所述测井数据引入假设；
确定标准井；
基于所述标准井来开发所述测井数据的合适缩放比例；
通过从随机深度处的所述测井数据提取样本来创建训练集；
修改所述训练集以移除干扰数据；
对所述训练集执行无监督分类程序以将所述训练集中的样本分组；
比较所述群组中的所述测井数据的一系列值以分类所述标准井的岩相；
开发分类函数；以及
使用所述分类函数来分类未知井以生成所述相定义。
20.如权力要求19所述的非暂态计算机可读介质，其中所述计算机可执行指令在被执行时进一步导致所述一个或多个机器执行操作，所述操作包括生成示出在所有等级下的所述训练集中的所述样本的关系的图。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2014/019570 WO2015130313A1 (en) | 2014-02-28 | 2014-02-28 | Facies definition using unsupervised classification procedures |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106062310A true CN106062310A (zh) | 2016-10-26 |
Family
ID=54009483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480067997.0A Pending CN106062310A (zh) | 2014-02-28 | 2014-02-28 | 使用无监督分类程序的相定义 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US9892366B2 (zh) |
| EP (1) | EP3074904A4 (zh) |
| CN (1) | CN106062310A (zh) |
| AU (1) | AU2014384715B2 (zh) |
| CA (1) | CA2935904A1 (zh) |
| MX (1) | MX2016011098A (zh) |
| RU (1) | RU2016123001A (zh) |
| SG (1) | SG11201604640WA (zh) |
| WO (1) | WO2015130313A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109113732A (zh) * | 2018-08-09 | 2019-01-01 | 中国石油天然气股份有限公司 | 储层非均质性的确定方法及装置 |
| CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
| CN114787665A (zh) * | 2019-09-06 | 2022-07-22 | 吉奥奎斯特系统公司 | 无监督的测井记录重建和异常值检测 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106062310A (zh) * | 2014-02-28 | 2016-10-26 | 界标制图有限公司 | 使用无监督分类程序的相定义 |
| US20220121987A1 (en) * | 2019-02-05 | 2022-04-21 | Schlumberger Technology Corporation | Differential multi model training for multiple interpretation options |
| US20220146705A1 (en) * | 2019-03-11 | 2022-05-12 | Schlumberger Technology Corporation | Automated facies classification from well logs |
| US11105944B2 (en) * | 2019-04-30 | 2021-08-31 | Chevron U.S.A. Inc. | System and method for lateral statistical estimation of rock and fluid properties in a subsurface formation |
| KR20210150917A (ko) * | 2020-06-04 | 2021-12-13 | 에스케이이노베이션 주식회사 | 웰 로그를 학습하여 암상을 추정하는 방법 및 장치 |
| CN111753958A (zh) * | 2020-06-22 | 2020-10-09 | 成都理工大学 | 基于测井数据深度学习的灯影组微生物岩微相识别方法 |
| RU2753903C1 (ru) * | 2020-07-07 | 2021-08-24 | Федеральное государственное бюджетное учреждение науки Оренбургский федеральный исследовательский центр УрО РАН (ОФИЦ УрО РАН) | Способ классификации геодинамического состояния разрабатываемых месторождений углеводородов нефтегазоносного бассейна |
| CN112686994B (zh) * | 2020-12-01 | 2022-06-21 | 西南石油大学 | 一种海相页岩岩相分类的定量识别与三维表征方法 |
| US20230304397A1 (en) * | 2022-03-28 | 2023-09-28 | Aramco Services Company | Methods for predicting formation properties |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101899971A (zh) * | 2010-05-27 | 2010-12-01 | 中国石油天然气股份有限公司 | 碳酸盐岩地层电成像测井相的识别方法及其装置 |
| CN101950359A (zh) * | 2010-10-08 | 2011-01-19 | 郝红卫 | 一种岩石种类的识别方法 |
| CN102037380A (zh) * | 2008-04-07 | 2011-04-27 | 雪佛龙美国公司 | 岩相分类系统和方法 |
| 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 |
| CN102640018A (zh) * | 2009-12-18 | 2012-08-15 | 雪佛龙美国公司 | 用于电缆和lwd测井数据的石油物理和地球物理地层评价的工作流程 |
| US20130325349A1 (en) * | 2012-05-31 | 2013-12-05 | Chevron U.S.A. Inc. | Methods for Generating Depofacies Classifications for Subsurface Oil or Gas Reservoirs or Fields |
| CN103487832A (zh) * | 2013-09-12 | 2014-01-01 | 电子科技大学 | 一种三维地震信号中的有监督波形分类方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8374974B2 (en) * | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
| US7054753B1 (en) * | 2003-11-14 | 2006-05-30 | Williams Ralph A | Method of locating oil and gas exploration prospects by data visualization and organization |
| US20060041409A1 (en) * | 2004-08-20 | 2006-02-23 | Chevron U.S.A. Inc. | Method for making a reservoir facies model utilizing a training image and a geologically interpreted facies probability cube |
| US20070276604A1 (en) * | 2006-05-25 | 2007-11-29 | Williams Ralph A | Method of locating oil and gas exploration prospects by data visualization and organization |
| US9134457B2 (en) * | 2009-04-08 | 2015-09-15 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
| US8838425B2 (en) * | 2010-03-18 | 2014-09-16 | Schlumberger Technology Corporation | Generating facies probablity cubes |
| US20120136636A1 (en) * | 2010-11-26 | 2012-05-31 | Adrian Kleine | Finite element adjustment for basin faults |
| FR2980898B1 (fr) * | 2011-09-30 | 2014-09-05 | Total Sa | Procede d'extraction de vignette d'une image d'entrainement pour contraindre la modelisation geostatistique multipoint du sous-sol |
| US9458713B2 (en) * | 2012-11-14 | 2016-10-04 | Repsol, S. A. | Generating hydrocarbon reservoir scenarios from limited target hydrocarbon reservoir information |
| WO2014200669A2 (en) * | 2013-06-10 | 2014-12-18 | Exxonmobil Upstream Research Company | Determining well parameters for optimization of well performance |
| US10145985B2 (en) * | 2013-08-07 | 2018-12-04 | Landmark Graphics Corporation | Static earth model calibration methods and systems using permeability testing |
| GB2529364B (en) * | 2013-08-13 | 2020-04-15 | Landmark Graphics Corp | Probabilistic methodology for real time drilling |
| DE112013007373T5 (de) * | 2013-08-28 | 2016-05-12 | Landmark Graphics Corporation | Verfahren und Systeme zum Skalieren von Rasterzellen eines statischen Erdmodells und Neuberechnen von Eigenschaften |
| AU2013399120B2 (en) * | 2013-08-29 | 2017-06-22 | Landmark Graphics Corporation | Static earth model calibration methods and systems |
| CN106062310A (zh) * | 2014-02-28 | 2016-10-26 | 界标制图有限公司 | 使用无监督分类程序的相定义 |
| US10139507B2 (en) * | 2015-04-24 | 2018-11-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
-
2014
- 2014-02-28 CN CN201480067997.0A patent/CN106062310A/zh active Pending
- 2014-02-28 SG SG11201604640WA patent/SG11201604640WA/en unknown
- 2014-02-28 EP EP14883625.7A patent/EP3074904A4/en not_active Withdrawn
- 2014-02-28 WO PCT/US2014/019570 patent/WO2015130313A1/en active Application Filing
- 2014-02-28 MX MX2016011098A patent/MX2016011098A/es unknown
- 2014-02-28 US US14/768,188 patent/US9892366B2/en active Active
- 2014-02-28 RU RU2016123001A patent/RU2016123001A/ru not_active Application Discontinuation
- 2014-02-28 AU AU2014384715A patent/AU2014384715B2/en not_active Ceased
- 2014-02-28 CA CA2935904A patent/CA2935904A1/en not_active Abandoned
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102037380A (zh) * | 2008-04-07 | 2011-04-27 | 雪佛龙美国公司 | 岩相分类系统和方法 |
| CN102640018A (zh) * | 2009-12-18 | 2012-08-15 | 雪佛龙美国公司 | 用于电缆和lwd测井数据的石油物理和地球物理地层评价的工作流程 |
| CN101899971A (zh) * | 2010-05-27 | 2010-12-01 | 中国石油天然气股份有限公司 | 碳酸盐岩地层电成像测井相的识别方法及其装置 |
| CN101950359A (zh) * | 2010-10-08 | 2011-01-19 | 郝红卫 | 一种岩石种类的识别方法 |
| 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 |
| US20130325349A1 (en) * | 2012-05-31 | 2013-12-05 | Chevron U.S.A. Inc. | Methods for Generating Depofacies Classifications for Subsurface Oil or Gas Reservoirs or Fields |
| CN103487832A (zh) * | 2013-09-12 | 2014-01-01 | 电子科技大学 | 一种三维地震信号中的有监督波形分类方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109113732A (zh) * | 2018-08-09 | 2019-01-01 | 中国石油天然气股份有限公司 | 储层非均质性的确定方法及装置 |
| CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
| CN114787665A (zh) * | 2019-09-06 | 2022-07-22 | 吉奥奎斯特系统公司 | 无监督的测井记录重建和异常值检测 |
Also Published As
| Publication number | Publication date |
|---|---|
| SG11201604640WA (en) | 2016-07-28 |
| EP3074904A4 (en) | 2017-07-19 |
| RU2016123001A3 (zh) | 2018-04-02 |
| US9892366B2 (en) | 2018-02-13 |
| MX2016011098A (es) | 2016-12-16 |
| EP3074904A1 (en) | 2016-10-05 |
| US20160364654A1 (en) | 2016-12-15 |
| WO2015130313A1 (en) | 2015-09-03 |
| AU2014384715B2 (en) | 2017-11-23 |
| RU2016123001A (ru) | 2018-04-02 |
| CA2935904A1 (en) | 2015-09-03 |
| AU2014384715A1 (en) | 2016-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106062310A (zh) | 使用无监督分类程序的相定义 | |
| Wang et al. | Marcellus shale lithofacies prediction by multiclass neural network classification in the Appalachian Basin | |
| Farsi et al. | Predicting formation pore-pressure from well-log data with hybrid machine-learning optimization algorithms | |
| Hsieh et al. | Lithology identification of aquifers from geophysical well logs and fuzzy logic analysis: Shui-Lin Area, Taiwan | |
| Anifowose et al. | A least-square-driven functional networks type-2 fuzzy logic hybrid model for efficient petroleum reservoir properties prediction | |
| CA2996880C (en) | Big data point and vector model | |
| Kaydani et al. | Permeability prediction based on reservoir zonation by a hybrid neural genetic algorithm in one of the Iranian heterogeneous oil reservoirs | |
| US20220187492A1 (en) | Physics-driven deep learning inversion coupled to fluid flow simulators | |
| Booncharoen et al. | Pore pressure estimation by using machine learning model | |
| Kristensen et al. | Formation Fluid Sampling Simulation: The Key to Successful Job Design and Post-Job Performance Evaluation | |
| Mukherjee et al. | Vertical lithological proxy using statistical and artificial intelligence approach: a case study from Krishna-Godavari Basin, offshore India | |
| Al-Sahlanee et al. | Ensemble Machine Learning for Data-Driven Predictive Analytics of Drilling Rate of Penetration (ROP) Modeling: A Case Study in a Southern Iraqi Oil Field | |
| Carrasquilla et al. | Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil | |
| CN106405638A (zh) | 一种含气饱和度确定方法和装置 | |
| Ziadat et al. | Real-time machine learning application for formation tops and lithology prediction | |
| US11403497B2 (en) | Categorizing fractures in a subsurface formation | |
| Nikhalat Jahromi et al. | Data science applications in oil and gas exploration: an in-depth perspective | |
| Desouky et al. | Decision Tree Ensembles for Automatic Identification of Lithology | |
| Qi et al. | Correlation of seismic attributes and geomechanical properties to the rate of penetration in the Mississippian Limestone, Oklahoma | |
| Agrawal et al. | Comparative study of homogeneous ensemble methods with conventional ML classifiers in litho-facies detection using real-time drilling data | |
| Afifi et al. | Real-Time Compressional Sonic Log Prediction from Drilling and Mud Gas Data Using Machine Learning | |
| Sun et al. | Fluid identification with Graph Transformer using well logging data | |
| Abdi et al. | Integrated reservoir characterization and modeling of one Iranian naturally fractured reservoir using laboratory and field data | |
| RU2206911C2 (ru) | Способ поиска, разведки, исследования и создания модели месторождения полезных ископаемых | |
| Anifowose et al. | Indirect Estimation of Clastic Reservoir Rock Grain Size from Wireline Logs Using a Supervised Nearest Neighbor Algorithm: Preliminary Results |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161026 |
|
| WD01 | Invention patent application deemed withdrawn after publication |