CN106530108A - 一种基于因素表示的油气层损害智能识别方法与系统 - Google Patents
一种基于因素表示的油气层损害智能识别方法与系统 Download PDFInfo
- Publication number
- CN106530108A CN106530108A CN201611158697.0A CN201611158697A CN106530108A CN 106530108 A CN106530108 A CN 106530108A CN 201611158697 A CN201611158697 A CN 201611158697A CN 106530108 A CN106530108 A CN 106530108A
- Authority
- CN
- China
- Prior art keywords
- factor
- damage
- node
- data
- layer
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000015572 biosynthetic process Effects 0.000 claims description 54
- 241001269238 Data Species 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 206010070834 Sensitisation Diseases 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000008313 sensitization Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000007620 mathematical function Methods 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Chemical compound [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910000019 calcium carbonate Inorganic materials 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Computational Linguistics (AREA)
- Marine Sciences & Fisheries (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于因素表示的油气层损害智能识别方法与系统,所述的方法与系统包括以下步骤:(a)将来自不同储层类别、工况、储层特性损害因素采用因素表示方法进行定性和定量统一表示;(b)利用所述的油气层损害因素结合语义转换方式,建立油气层损害识别前提条件分类树;(c)利用所述的前提条件分类树,建立具有中间结论节点的损害识别数据库;(d)利用所述的通过因素表示的各种敏感数据从所述的损害识别数据库中计算条件分量比重、准确度、阈值,并分析判断中间结论节点采用两层知识树模型推理获得油气层各种损害类型和程度数据。该方法与系统的优点:解决数据表示统一、推理复杂度低、推理效率高、结论准确度高。
Description
技术领域
本发明涉及油气储层保护领域,更确实地说,是涉及一种应用于油气层损害预测与决策的智能系统和识别方法。
背景技术
在新老油田的勘探开发过程中,发现有大量的油气井受到了不同形式、不同程度的伤害,从生产实际情况来看,突出表现在完井及作业过程中极易对储层造成伤害,如完井中的敏感性伤害,生产过程中的硫酸钙、碳酸钙结垢等,低压井作业过程中的洗井液进入地层造成不出液等,这些伤害导致了油气井的产量下降甚至没有产量。储层伤害的原因是复杂的,如何迅速、准确地找到伤害的原因,并采取相应的措施,是保护油层的关键。
目前油气层损害机理涉及到大量现场和实验室分析数据,包括岩性、物性、流体及地层温度压力储层特性以及射孔、压井、洗井、修井等完井工艺及其入井流体特征等大量海量参数和数据,同时在这些大量数据中筛选、分析、判断和推理出油气层损害类型和程度存在相当大的难度。目前在油气层损害识别系统中集成了油气田勘探开发多方面的知识,这种传统专家系统基于规则以知识库的方式存储知识,通过来自现场和实验室分析数据作为输入,通过规则推理方式得出储层损害结论并为入井配方和工艺推荐提供决策依据。但是在实际应用中储层损害识别率不高,效果不佳,具体表现在:
(1)油气层损害推理涉及输入数据量大,种类多,数据来源多,数据值类型多,数据不统一,输入数据不确定因素大;
(2)知识量大,规则多,规则的关系多,遍历推理时间过长;
(3)推理的准确度不高,同一种储层损害,产生的条件多样,每种条件导致储层损害的结论程度不一样。
发明内容
为了解决上述问题,提高油气层损害识别准确率和减少推理时间,本发明公开了一种新的基于因素表达的油气层损害智能识别方法及基于该方法的系统,该方法主要利用因素表示形式来表达不同来源不同类型的参数和参数值的类型,并利用两层推理知识树模型实现及时高效准确的推理。
为了实现上述发明目的,本发明采用以下技术方案实现:
一种基于因素表示的油气层损害智能识别方法,包括以下步骤:
(1)建立基于因素表示的损害因素参数,损害因素参数包括油气层基础数据和特性类数据;损害因素参数由四元组因素表示构成,即(影响因素名称,因素值属性,因素来源基础库,因素对应映射名),并建立对应的损害因素库;
(2)建立前提条件维护:建立前提条件分类树,该树包括储层类别和储层特性两大类,每个节点由损害因素库中的损害因素参数名称、其对应值和相关表达式构成;
(3)建立具有中间结论标识的储层损害推理知识树模型;
(4)将该具有中间结论标识的两层知识树映射为损害识别数据库;
(5)收集通过实验装置采集或分析获取的各种敏感数据,并对这些数据进行按储层类别和特性进行分类,定性和定量识别,并利用因素表示方法进行表示;
(6)利用步骤(5)通过因素表示的各种敏感数据从步骤(4)建立的损害识别数据库中计算条件分量比重、准确度、阈值,并分析判断中间结论节点采用两层知识树模型推理获得油气层各种损害类型和程度数据。
本发明还提供了上述油气层损害智能识别方法的系统,包括:
损害因素参数配置模块,用于损害因素参数建立,包括油气层基础参数和特性类参数。
前提条件维护模块,用于前提条件分类树的建立。
损害识别数据库模块,用于中间结论标识的储层损害推理知识树模型建立和映射到对应损害识别数据库。
推理缺省参数维护模块,用于在储层损害识别中,对经常使用的敏感因素参数进行配置。
储层数据模板定制模块,用于对经常使用的区块、储层相关敏感参数及值进行定制,生成储层数据模板。
储层损害机理诊断模块:用于分析储层敏感数据,通过两层推理知识树快速推理得出油气层损害类型及程度。
其中储层损害机理诊断模块包括:
微观推理模块,用于根据输入的敏感数据和储层损害类型和程度结论,判断某种储层损害是否存在。
模版推理模块,用于根据选定的储层数据模板、储层及敏感数据进行推理。
相比本领域的现有技术,本发明提出的识别方法具有以下优点:
(1)采用四元组的因素表示方法将来自不同储层特性和不同完井类别以及其他类型参数数据综合为标准统一形式,解决了油气层损害推理涉及输入数据量大,种类多,数据来源多,数据值类型多,数据不统一,输入数据不确定因素大的问题;
(2)采用基于中间结论节点的两层知识树模型,提高了推理识别效率,解决知识量大,规则多,规则的关系多,遍历推理时间过长问题;
(3)利用条件分量比重、准确度、阈值方式,解决推理的准确度不高,同一种储层损害,产生的条件多样,每种条件导致储层损害的结论程度不一样。
附图说明
图1为本发明的基于因素表示的油气层损害智能识别方法工作流程图
图2为本发明的基于因素表示的油气层损害智能识别方法的系统模块组成图
具体实施方式
以下结合附图和具体实施例对本发明作具体说明。
如图1所示的一种基于因素表示的油气层损害智能识别方法,包括以下步骤:
(1)建立基于因素表示的损害因素参数,损害因素参数包括油气层基础数据和特性类数据;损害因素参数由四元组因素表示构成,即(影响因素名称,因素值属性,因素参数来源基础库,因素对应映射名),并建立对应的损害因素库,其中,因素值属性值如果为空格表示数值型数据,如果非空表示字符型数据,并设置可取的多个可选值,因素参数来源基础库是影响因素的来源,比如孔隙度大小影响因素来源于储层特性来源基础库,因素对应映射名映射到来源基础库中对应的名称,完成影响因素表示的统一;
(2)建立前提条件维护:建立前提条件分类树,该树包括储层类别和储层特性两大类,每个节点由损害因素库中的损害因素参数名称、其对应值组成;如果对应值为带有表达式的符号值时,采用公式编辑器进行语义映射,如果对应值不确定值符号值采用模糊正态函数进行语义转换,否则采用定性表达式进行语义转换;
(3)建立具有中间结论标识的储层损害推理知识树模型;该模型树为两层节点,第一层节点为储层损害结论,即储层损害类型及程度;该模型树第二层节点为储层损害结论的条件,如果第二层节点为其他第一层节点值,说明该第二层节点可以由其他第一层节点及其子节点推导出来,则将该第二层节点设置为中间结论节点,为推理做准备。
(4)将该具有中间结论标识的两层知识树映射为损害识别数据库;
(5)收集通过实验装置采集或分析获取的各种敏感数据,并对这些数据进行按储层类别和特性进行分类,定性和定量识别,并利用因素表示方法进行表示;
步骤如下:所述各种敏感数据从实验装置获取后,从损害因素库查找判断该敏感数据的数据值类型,如果为数值型数据,则通过事先构造的基于正态分布的数学函数,通过贴近度计算,转换为大、中、小或高、中、低等符号值,否则将该敏感数据标记为符号值,并从损害因素库中获取匹配的符号值。
(6)利用步骤(5)通过因素表示的各种敏感数据从步骤(4)建立的损害识别数据库中计算条件分量比重、准确度、阈值,并分析判断中间结论节点采用两层知识树模型推理获得油气层各种损害类型和程度数据。
步骤如下:从损害识别数据库所表示的知识树的第一个节点的第二层叶子节点开始,依次查找步骤C中获取的各个敏感数据,如果第二层的某个节点与敏感数据转换后的字符值匹配,则记录该节点的比重,若该第二层所有节点都查找完毕,则累加所有匹配的节点比重和准确度乘积之和,如果总和大于第一层节点的阈值,则第一层节点及子节点值为储层损害推理结果,并将推理结果和明细保存,继续第二个节点,依次类推。
如图2所示,本发明是一种基于因素表示的油气层损害智能识别系统,包括:
损害因素参数配置模块,用于损害因素参数建立,所述的损害因素参数包括油气层基础参数和特性类参数,所述的损害因素来自不同工况作业过程,并将数据值属性进行统一表示。
前提条件维护模块,用于前提条件分类树的建立。
损害识别数据库模块,用于中间结论标识的储层损害推理知识树模型建立和映射到对应损害识别数据库。
推理缺省参数维护模块,用于在储层损害识别中,对经常使用的敏感因素参数进行配置。
储层数据模板定制模块,用于对经常使用的区块、储层相关敏感参数及值进行定制,生成储层数据模板。
储层损害机理诊断模块:用于分析储层敏感数据,通过两层推理知识树快速推理得出油气层损害类型及程度。
其中储层损害机理诊断模块包括:
微观推理模块,用于根据输入的敏感数据和储层损害类型和程度结论,判断某种储层损害是否存在。
模版推理模块,用于根据选定的储层数据模板、储层及敏感数据进行推理。
Claims (8)
1.一种基于因素表示的油气层损害智能识别方法,其特征在于,该方法包括以下步骤:
A:建立基于因素表示的损害因素参数,所述损害因素参数包括油气层基础数据和特性类数据;
B:建立损害识别数据库,该数据库存储有基于中间结论节点各影响因素定量和定性程度值与损害类型及程度的对应关系;
C:收集通过实验装置采集或分析获取的各种敏感数据,并对这些数据进行按储层类别和特性进行分类,定性和定量识别,并利用因素表示方法进行表示;
D:利用所述的通过因素表示的各种敏感数据从所述的损害识别数据库中计算条件分量比重、准确度、阈值,并分析判断中间结论节点采用两层知识树模型推理获得油气层各种损害类型和程度数据。
2.根据权利要求1所述的基于因素表示的油气层损害智能识别方法,其特征在于,所述步骤A中,所述的损害因素参数由四元组因素表示构成,即(影响因素名称,因素值属性,因素来源基础库,因素对应映射名),并建立对应的损害因素库。
3.根据权利要求2所述的基于因素表示的油气层损害智能识别方法,其特征在于,因素值属性取值为空格,代表该因素将存储数组型数据,当因素值属性取值为非空格,代表该因素将存储字符型数据。
4.根据权利要求1所述的基于因素表示的油气层损害智能识别方法,其特征在于,所述步骤B中建立损害识别数据库包括如下步骤:
B1:建立前提条件维护:建立前提条件分类树,该树包括储层类别和储层特性两大类,每个节点由损害因素库中的损害因素参数名称、其对应值和相关表达式构成;
B2:建立具有中间结论标识的储层损害推理知识树模型:
该模型树为两层节点,第一层节点为储层损害结论,即储层损害类型及程度;该模型树第二层节点为储层损害结论的条件,如果第二层节点为其他第一层节点值,说明该第二层节点可以由其他第一层节点及其子节点推导出来,则将该第二层节点设置为中间结论节点,为推理做准备。
B3:将该具有中间结论标识的两层知识树映射为损害识别数据库。
5.根据权利要求1所述的基于因素表示的油气层损害智能识别方法,其特征在于,所述步骤C中,所述各种敏感数据从实验装置获取后,从损害因素库查找判断该敏感数据的数据值类型,如果为数值型数据,则通过事先构造的基于正态分布的数学函数,通过贴近度计算,转换为大、中、小或高、中、低等符号值,否则将该敏感数据标记为符号值,并从损害因素库中获取匹配的符号值。
6.根据权利要求1所述的基于因素表示的油气层损害智能识别方法,其特征在于,所述步骤D中,所述推理过程如下:
从损害识别数据库所表示的知识树的第一个节点的第二层叶子节点开始,依次查找步骤C中获取的各个敏感数据,如果第二层的某个节点与敏感数据转换后的字符值匹配,则记录该节点的比重,若该第二层所有节点都查找完毕,则累加所有匹配的节点比重和准确度乘积之和,如果总和大于第一层节点的阈值,则第一层节点及子节点值为储层损害推理结果,并将推理结果和明细保存,继续第二个节点,依次类推。
7.基于因素表示的油气层损害智能识别系统,其特征在于,包括:
损害因素参数配置模块,用于所述的损害因素参数建立,包括油气层基础参数和特性类参数。
前提条件维护模块,用于所述的前提条件分类树的建立。
损害识别数据库模块,用于所述的中间结论标识的储层损害推理知识树模型建立和映射到对应损害识别数据库。
推理缺省参数维护模块,用于在储层损害识别中,对经常使用的所述敏感因素参数进行配置。
储层数据模板定制模块,用于对经常使用的区块、储层相关敏感参数及值进行定制,生成储层数据模板。
储层损害机理诊断模块:用于分析所述的储层敏感数据,通过两层推理知识树快速推理得出油气层损害类型及程度。
8.根据权利要求7所述的基于因素表示的油气层损害智能识别系统,其特征在于,所述的储层损害机理诊断模块包括:
微观推理模块,用于根据输入的所述敏感数据和所述的储层损害类型和程度结论,判断某种储层损害是否存在。
模版推理模块,用于根据选定的所述储层数据模板、储层及敏感数据进行推理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158697.0A CN106530108B (zh) | 2016-12-15 | 2016-12-15 | 一种基于因素表示的油气层损害智能识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158697.0A CN106530108B (zh) | 2016-12-15 | 2016-12-15 | 一种基于因素表示的油气层损害智能识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530108A true CN106530108A (zh) | 2017-03-22 |
CN106530108B CN106530108B (zh) | 2020-02-28 |
Family
ID=58339587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611158697.0A Expired - Fee Related CN106530108B (zh) | 2016-12-15 | 2016-12-15 | 一种基于因素表示的油气层损害智能识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530108B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694855A (zh) * | 2020-06-11 | 2020-09-22 | 中国石油大学(北京) | 储层敏感性智能预测数据处理方法及装置 |
CN111694856A (zh) * | 2020-06-11 | 2020-09-22 | 中国石油大学(北京) | 储层敏感性智能预测方法及装置 |
CN111723208A (zh) * | 2020-06-28 | 2020-09-29 | 西南财经大学 | 基于条件分类树的法律判决文书多分类方法、装置和终端 |
CN111827992A (zh) * | 2020-07-29 | 2020-10-27 | 陈华兴 | 一种海上油田生产井储层伤害类型和程度诊断方法 |
US11326450B2 (en) | 2020-06-11 | 2022-05-10 | China University Of Petroleum (Beijing) | Intelligent prediction method and apparatus for reservoir sensitivity |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105484739A (zh) * | 2015-11-26 | 2016-04-13 | 中国科学院武汉岩土力学研究所 | 碳酸盐岩地层孔隙压力测试方法和装置 |
CN106067142A (zh) * | 2016-06-17 | 2016-11-02 | 全球能源互联网研究院 | 一种电能质量数据表示方法 |
-
2016
- 2016-12-15 CN CN201611158697.0A patent/CN106530108B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105484739A (zh) * | 2015-11-26 | 2016-04-13 | 中国科学院武汉岩土力学研究所 | 碳酸盐岩地层孔隙压力测试方法和装置 |
CN106067142A (zh) * | 2016-06-17 | 2016-11-02 | 全球能源互联网研究院 | 一种电能质量数据表示方法 |
Non-Patent Citations (2)
Title |
---|
王林: "《钻井故障诊断专家系统的研究与实现》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郭建明等: "《油层损害识别、评价、诊断、预防和处理的协同式专家系统》", 《西安石油学院学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111694855A (zh) * | 2020-06-11 | 2020-09-22 | 中国石油大学(北京) | 储层敏感性智能预测数据处理方法及装置 |
CN111694856A (zh) * | 2020-06-11 | 2020-09-22 | 中国石油大学(北京) | 储层敏感性智能预测方法及装置 |
CN111694856B (zh) * | 2020-06-11 | 2021-03-12 | 中国石油大学(北京) | 储层敏感性智能预测方法及装置 |
US11326450B2 (en) | 2020-06-11 | 2022-05-10 | China University Of Petroleum (Beijing) | Intelligent prediction method and apparatus for reservoir sensitivity |
CN111723208A (zh) * | 2020-06-28 | 2020-09-29 | 西南财经大学 | 基于条件分类树的法律判决文书多分类方法、装置和终端 |
CN111723208B (zh) * | 2020-06-28 | 2023-04-18 | 西南财经大学 | 基于条件分类树的法律判决文书多分类方法、装置和终端 |
CN111827992A (zh) * | 2020-07-29 | 2020-10-27 | 陈华兴 | 一种海上油田生产井储层伤害类型和程度诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106530108B (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
CN106530108A (zh) | 一种基于因素表示的油气层损害智能识别方法与系统 | |
CN107924384A (zh) | 用于使用预测学习模型预测结果的系统和方法 | |
CN106067094A (zh) | 一种动态评估方法及系统 | |
CN109779604A (zh) | 用于诊断井漏的建模方法及诊断井漏的方法 | |
CN106202489A (zh) | 一种基于大数据的农业病虫害智能诊断系统 | |
Tunkiel et al. | Reference dataset for rate of penetration benchmarking | |
Li et al. | A new method of identification of complex lithologies and reservoirs: task-driven data mining | |
CN105844335B (zh) | 一种基于6w知识表示的自学习方法 | |
CN109002927A (zh) | 基于递归神经网络的油田勘探储量预测方法 | |
CN114117881A (zh) | 一种出砂风险预测方法及系统 | |
CN113779264A (zh) | 基于专利供需知识图谱的交易推荐方法 | |
CN115147155A (zh) | 一种基于集成学习的铁路货运客户流失预测方法 | |
Huo et al. | Novel lithology identification method for drilling cuttings under PDC bit condition | |
Haghshenas et al. | Developing grid-based smart proxy model to evaluate various water flooding injection scenarios | |
Mittal et al. | A COMPARATIVE STUDY OF ASSOCIATION RULE MINING TECHNIQUES AND PREDICTIVE MINING APPROACHES FOR ASSOCIATION CLASSIFICATION. | |
Gharavi et al. | Application of machine learning techniques for identifying productive zones in unconventional reservoir | |
Abel et al. | PetroGrapher: managing petrographic data and knowledge using an intelligent database application | |
Abbas et al. | Unsupervised machine learning technique for classifying production zones in unconventional reservoirs | |
Elwakil | Knowledge discovery based simulation system in construction | |
Rastogi et al. | Demystifying data-driven neural networks for multivariate production analysis | |
Tapias et al. | Reservoir engineer and artificial intelligence techniques for data analysis | |
Ma et al. | Unlocking Completion Design Optimization Using an Augmented AI Approach | |
Artun | Machine Learning Assisted Forecasting of Reservoir Performance | |
Amer et al. | Automatic Drilling Operations Coding and Classification Utilizing Text Recognition Machine Learning Algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200228 Termination date: 20211215 |
|
CF01 | Termination of patent right due to non-payment of annual fee |