CN106844993A - 一种基于spss的油井分类和油藏分区的方法 - Google Patents
一种基于spss的油井分类和油藏分区的方法 Download PDFInfo
- Publication number
- CN106844993A CN106844993A CN201710070502.5A CN201710070502A CN106844993A CN 106844993 A CN106844993 A CN 106844993A CN 201710070502 A CN201710070502 A CN 201710070502A CN 106844993 A CN106844993 A CN 106844993A
- Authority
- CN
- China
- Prior art keywords
- principal component
- subregion
- spss
- factor
- analysis
- 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 32
- 239000003129 oil well Substances 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract 2
- 238000000556 factor analysis Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 30
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000035699 permeability Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Agronomy & Crop Science (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)
Abstract
一种基于SPSS的油井分类和油藏分区的方法,可解决传统相关研究方法耗时费力且分区的合理性得不到验证的技术问题。包括以下步骤:步骤一:主成分分析;主成分分析是要用巴特利特球度检测或KMO方法对影响因素是否适合做因子分析进行判断;步骤二:利用SPSS软件,做主成分提取并确定主成分因子;步骤三:根据确定后主成分因子,进行油井分类;步骤四:利用SPSS软件挖掘主成分因子权重,建立分区系数模型,根据确定的分区系数进行油藏分区。本发明借助SPSS软件分析,大大节省了寻求产量的主要因素及相关性的工作时间,将原来3‑4周的工作量缩短至2‑3天,不仅提高了工作效率,可操作性强,也有利于该方法的推广应用,更具科学性。
Description
技术领域
本发明涉及石油领域,具体涉及一种基于SPSS的油井分类和油藏分区的方法。
背景技术
由于平面剖面非均质的影响,注水开发的油藏油井生产往往存在很大的差异性,一般情况下,油藏管理者根据油藏地理及封闭边界、产量、含水和压力的高低进行大致分区,但会出现不同类型井交叉的形象,对生产和管理带来不便;随着油藏逐渐进入高含水阶段,平面剩余油分散,对平面和剖面的精细调控要求越来越高,平面精确分区越来越重要。因此出现了不同影响因素的相关试算分析,耗时费力且分区的合理性得不到验证。
当前相关研究的缺点:原分区根据不同的语境可按地理位置分区,或按照生产指标分区,一般是某单一指标如含水率分区或二个指标分区如含水和产量分区,有很强的人为性和随意性,且不同的研究人员根据认识不同可能产生分区结果不同,不利于研究的继承性和统一性。
分区指标选择原则有三条:
1)区域性
油藏在地理空间上分东西南北中,也可能被断裂、油藏边界、油水边界所切割。
2)相似性和差异性
相似性是指同一区具有一定的共性,如产量高、含水低、压力偏低等特点;差异性是指不同分区具有明显的差别,突出的生产矛盾问题,为进一步调整和措施指明方向。
3)指标的科学性
对影响生产的重点指标描述全面,以免遗漏,如压力、粘度等可通过相关经验公式获得。
根据上述原则,选择指标体系如下:
区域指标(可选):东(1)、西(2)、南(3)、北(4)、中(0)
静态指标:有效厚度(射孔厚度)、渗透率、孔隙度、饱和度、粘度等
动态指标:累积产油、含水、压力等。
主成分分析的基本原理:1933年,霍特林(Hotelling)提出了的主成分分析(Principalcomponents analysis)的思想,即采用降维的方式,在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化生成的综合指标称之为主成分,每个主成分都是原始变量的线形组合且各个主成分之间互不相关。这样在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息,使得复杂的问题简单化,清晰化。
SPSS(Statistical Package for the Social Sciences简写)即“社会科学统计软件包”。
发明内容
本发明提出的一种基于SPSS的油井分类和油藏分区的方法,可解决传统相关研究方法耗时费力且分区的合理性得不到验证的技术问题。
为实现上述目的,本发明采用了以下技术方案:
一种基于SPSS的油井分类和油藏分区的方法,包括以下步骤:
步骤一:主成分分析;
主成分分析是要用巴特利特球度检测或KMO方法对影响因素是否适合做因子分析进行判断;
步骤二:利用SPSS软件,做主成分提取并确定主成分因子;
打开SPSS软件,打开文件下的数据集,依次选择Analysis/Data Reduction/Factor…进入Factor Analysis(因子分析)对话框。此时,数据文件中的变量名均以显示在左边的窗口中,依次选中变量(除井号为字符串外,其他均加入变量)并点向右的箭头按钮,变量便进入variables窗口(见图2)。有描述、抽取、旋转、得分、选项五项选择如下:
描述:1)原始分析结果:显示因素分析未转轴前之共同性(commumality)、特征值(eigenvalues)、变异数百分数及累计百分比。
2)相关矩阵:选择系数、显著性水平。
抽取:1)方法:主成分。
2)分析:相关矩阵。
3)输出:选择未旋转因子解,碎石图。
4)萃取:选择基于特征值(内定1,表示只抽取特征值大于1的特征值)。
旋转:1)方法:最大方差法。
2)输出:载荷图。
得分:1)因素存储变量:选择回归法
选项:1)缺失值:按列表排除个案。
2)系数显示格式:选择按大小排序,取消小系数,绝对值如下0.10。
分析结果由解释的总方差表提取主成分因子个数,旋转成份矩阵给出各变量与主成分的相关性,根据相关性的大小可以命名主成分因子。
通过成分得分系数矩阵得到主成分因子与各变量之间的关系,各个变量的集合信息可以通过主成分的信息来反应。
步骤三:根据确定后主成分因子,计算单井主成分因子系数进行油井分类;
油井分类涉及聚类,聚类是只把具有相似特征的对象聚为一类,SPSS软件通过使用Cluster过程实现。进入SPSS软件,点选Analysis/Cluster/k-Means,变量选择f1、f2(也可加上井的地理位置)f1=0.253Np+0.253N+0.301h+0.312hs-0.101k-0.091kxd+0.064,f2=-0.058Np+0.062N-0.044h-0.102hs+0.45k+0.445kxd+0.223S,聚类个数自定。
若分析对象为单砂体,单砂体分类步骤同单井,只是井号换成为单砂体号。
步骤四:根据确定后主成分因子,利用SPSS软件数据挖掘功能提取主成分因子权重,建立分区系数模型进行油藏分区。
所述步骤四包括:
1)在主因子分析的基础上,选取相关系数最高的参数,以单井累积产油为目标寻求权重,建立分区系数模型;
2)通过决策树、神经网络及多元回归三种方法反复求证和试算;
权重求取过程在SPSS软件数据挖掘中进行(见图3),选择数据源为EXCEL表格(图标拖入工作窗口),在EXCEL的edit项中选取数据,将TYPE图标拖入工作窗口中并用鼠标中键与EXCEL建立关联,在TYPE的edit项中选取单井累积油量项的Diretion为out,其余3项为in,在模型中选取Genlin拖入工作窗口并用鼠标中键与TYPE建立关联,选取右键的选项执行即可。将窗口的右上角窗口中的模型拖入工作窗口打开可见得到的权重系数。
3)通过分区系数计算油藏各个单井的值,根据数值大小的平面等值图,结合对油藏的认识即可进行有效分区。
由上述技术方案可知,针对水驱开发油藏生产动态分析和精细管理的需求,借助于SPSS社会科学统计软件包的主因子分析和聚类和数据挖掘功能,对影响油井的各种因素进行主因子分析,确定主因子个数并进行油井分类;在主因子分析基础上,选取成分矩阵相关系数最高的参数,以单井累积产油为目标,借助SPSS的数据挖掘功能,寻求多元线性回归方程中的权重系数,建立分区系数模型,结合对油藏生产特征的认识进行油藏合理平面分区,实例表明该方法划分实用、有效,并大大地提高了工作效率,可操作性强易于推广;该方法同样适用于对单砂体的分类。
本发明具有以下有益效果:本发明借助SPSS软件分析,大大节省了寻求产量的主要因素及相关性的工作时间,将原来3-4周的工作量缩短至2-3天,不仅提高了工作效率,可操作性强,也有利于该方法的推广应用,更具科学性。
附图说明
图1是本发明的步骤流程示意图;
图2是本发明的主因子分析过程窗口示意图;
图3是本发明的分区系数模型权重系数的求取过程窗口示意图;
图4是本发明的分区系数模型权重系数柱状图示意图;
图5是本实施例的某油藏分区系数平面等制图;
图6是本实施例的某油藏分区系数与原分区线叠加图。
具体实施方式
下面结合实施对本发明做进一步说明:
实施例一:
石南某油藏:油井分类
该油藏大规模投产正常生产油井数据如下:
表2-1油藏正常生产井基本参数表
SPSS主因子分析结果如表2-2~2-4:
表2-2解释的总方差表
表2-3旋转成份矩阵(旋转法:具有Kaiser标准化的正交旋转法)
表2-4主成分分析结果表
因子 | 命名 | 特征值 | 方差 | 累积方差 |
F1 | 厚度因子 | 3.687 | 46.033 | 46.033 |
F2 | 渗透率因子 | 1.861 | 33.233 | 79.265 |
分析结果表明:该油藏影响油井因素主成分有2个:厚度因子f1、渗透率因子f2。通过成分得分系数矩阵得到(见表2-5):
表2-5成分得分系数矩阵表
f1=0.253Np+0.253N+0.301h+0.312hs-0.101k-0.091kxd+0.064S
f2=-0.058Np+0.062N-0.044h-0.102hs+0.45k+0.445kxd+0.223S
由此得到每口井的f1、f2。
每口井的厚度因子f1、渗透率因子f2计算结果见下表2-6:
表2-6单井主成分因子结果表
通过SPSS软件使用Cluster过程进行聚类分析,f1、f2因子进行聚类结果见表2-7。将分类井的生产数据进行合并统计,就可以进行对比分析他们之间差异了。
表2-7单井分类结果表
实施例二:
石南某油藏:平面分区
经过主因子分析,在旋转成份矩阵表2-3相关系数最高的参数为有效厚度、渗透率和孔隙度,建立数据表见表2-8:
表2-8建立分区系数所用正常生产油井参数表
利用SPSS软件数据挖掘以累积油量为目标进行权重求取,结果见如图4。
因此,分区系数f模型为:f=0.6h+0.34φ+0.05k
通过分区系数计算油藏各个单井的分区系数值,根据数值大小的平面等值图(见图5),结合对油藏的认识即可进行有效分区。
与原油藏研究的分区对比可以看出(见图6),两者结果是一致的。
但借助SPSS软件分析,大大节省了寻求产量的主要因素及相关性的工作时间,将原来3-4周的工作量缩短至2-3天,不仅提高了工作效率,可操作性强,也有利于该方法的推广应用。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围内。
Claims (6)
1.一种基于SPSS的油井分类和油藏分区的方法,其特征在于:包括以下步骤:
步骤一:主成分分析;
主成分分析是要用巴特利特球度检测或KMO方法对影响因素是否适合做因子分析进行判断;
步骤二:利用SPSS软件,做主成分提取并确定主成分因子;
打开SPSS软件,进入Factor Analysis对话框,再进入variables窗口,根据描述、抽取、旋转、得分、选项五项选择,进行分析,得出分析结果并确定主成分因子;
步骤三:根据主成分因子计算单井因子系数,进行油井分类;
油井分类涉及聚类,聚类是只把具有相似特征的对象聚为一类,SPSS软件通过使用Cluster过程实现。
2.根据权利要求1所述的基于SPSS的油井分类和油藏分区的方法,其特征在于还包括
步骤四:利用SPSS软件挖掘主成分因子权重,建立分区系数模型,根据确定的分区系数进行油藏分区。
3.根据权利要求2所述的基于SPSS的油井分类和油藏分区的方法,其特征在于:所述步骤四包括:
1)在主因子分析的基础上,选取相关系数最高的参数,以单井累积产油为目标寻求权重,建立分区系数模型;
2)通过决策树、神经网络及多元回归三种方法反复求证和试算;
3)通过分区系数计算油藏各个单井的值,根据数值大小的平面等值图,结合对油藏的认识即可进行有效分区。
4.根据权利要求1-3任一所述的基于SPSS的油井分类和油藏分区的方法,其特征在于:所述步骤二的分析结果由解释的总方差表提取主成分因子个数,旋转成份矩阵给出各变量与主成分的相关性,根据相关性的大小可以命名主成分因子。
5.根据权利要求4所述的基于SPSS的油井分类和油藏分区的方法,其特征在于:所述步骤二还包括通过成分得分系数矩阵得到主成分因子与各变量之间的关系,各个变量的集合信息可以通过主成分的信息来反应。
6.根据权利要求5的基于SPSS的油井分类和油藏分区的方法,其特征在于:所述步骤三还包括进入SPSS软件,点选Analysis/Cluster/k-Means,变量选择,聚类个数自定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710070502.5A CN106844993A (zh) | 2017-02-09 | 2017-02-09 | 一种基于spss的油井分类和油藏分区的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710070502.5A CN106844993A (zh) | 2017-02-09 | 2017-02-09 | 一种基于spss的油井分类和油藏分区的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106844993A true CN106844993A (zh) | 2017-06-13 |
Family
ID=59122609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710070502.5A Pending CN106844993A (zh) | 2017-02-09 | 2017-02-09 | 一种基于spss的油井分类和油藏分区的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844993A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108252737A (zh) * | 2017-12-22 | 2018-07-06 | 神华宁夏煤业集团有限责任公司 | 采煤区的废弃油井分类方法 |
CN109581489A (zh) * | 2017-09-28 | 2019-04-05 | 中国石油化工股份有限公司 | 嵌套式地震相的提取方法及系统 |
CN110598963A (zh) * | 2018-06-13 | 2019-12-20 | 顺丰科技有限公司 | 一种人岗匹配方法、装置、设备和存储介质 |
CN110618082A (zh) * | 2019-10-29 | 2019-12-27 | 中国石油大学(北京) | 基于神经网络的储层微观孔隙结构评价方法及装置 |
CN111242490A (zh) * | 2020-01-15 | 2020-06-05 | 长江大学 | 低渗透油藏特征主控因素提取方法、设备及可读存储介质 |
CN112324426A (zh) * | 2020-10-31 | 2021-02-05 | 中国海洋石油集团有限公司 | 一种基于气测资料快速判别凝析气藏油环大小的方法 |
CN112395763A (zh) * | 2020-11-19 | 2021-02-23 | 西南石油大学 | 一种多模型自动历史拟合方法 |
Citations (4)
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 |
CN105626009A (zh) * | 2015-12-17 | 2016-06-01 | 中国石油天然气股份有限公司 | 一种缝洞型碳酸盐岩油藏单井注水替油效果定量评价方法 |
CN106204304A (zh) * | 2016-07-12 | 2016-12-07 | 中国石油新疆油田分公司勘探开发研究院 | 一种砾岩油藏聚驱相对渗透率曲线的确定方法 |
CN106250984A (zh) * | 2016-07-29 | 2016-12-21 | 中国石油天然气股份有限公司 | 油井的油水关系模式的判断方法及装置 |
-
2017
- 2017-02-09 CN CN201710070502.5A patent/CN106844993A/zh active Pending
Patent Citations (4)
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 |
CN105626009A (zh) * | 2015-12-17 | 2016-06-01 | 中国石油天然气股份有限公司 | 一种缝洞型碳酸盐岩油藏单井注水替油效果定量评价方法 |
CN106204304A (zh) * | 2016-07-12 | 2016-12-07 | 中国石油新疆油田分公司勘探开发研究院 | 一种砾岩油藏聚驱相对渗透率曲线的确定方法 |
CN106250984A (zh) * | 2016-07-29 | 2016-12-21 | 中国石油天然气股份有限公司 | 油井的油水关系模式的判断方法及装置 |
Non-Patent Citations (5)
Title |
---|
刘睿 等: ""江苏油田复杂小断块油藏分类"", 《新疆石油地质》 * |
段杏宽: ""高尚堡油田低产低效井的判定及综合治理"", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑(月刊)》 * |
阴国锋 等: ""基于有效储层识别的砾岩储层综合评价_以八区下乌尔禾组油藏为例"", 《特种油气藏》 * |
陈新彬 等: ""低渗透油藏综合分类方法"", 《大庆石油地质与开发》 * |
高华娟: ""朝阳沟油田储层综合分类评价方法研究及应用"", 《中国优秀硕士学位论文全文数据库 基础科学辑(月刊)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581489A (zh) * | 2017-09-28 | 2019-04-05 | 中国石油化工股份有限公司 | 嵌套式地震相的提取方法及系统 |
CN108252737A (zh) * | 2017-12-22 | 2018-07-06 | 神华宁夏煤业集团有限责任公司 | 采煤区的废弃油井分类方法 |
CN110598963A (zh) * | 2018-06-13 | 2019-12-20 | 顺丰科技有限公司 | 一种人岗匹配方法、装置、设备和存储介质 |
CN110618082A (zh) * | 2019-10-29 | 2019-12-27 | 中国石油大学(北京) | 基于神经网络的储层微观孔隙结构评价方法及装置 |
CN111242490A (zh) * | 2020-01-15 | 2020-06-05 | 长江大学 | 低渗透油藏特征主控因素提取方法、设备及可读存储介质 |
CN112324426A (zh) * | 2020-10-31 | 2021-02-05 | 中国海洋石油集团有限公司 | 一种基于气测资料快速判别凝析气藏油环大小的方法 |
CN112324426B (zh) * | 2020-10-31 | 2023-10-20 | 中国海洋石油集团有限公司 | 一种基于气测资料快速判别凝析气藏油环大小的方法 |
CN112395763A (zh) * | 2020-11-19 | 2021-02-23 | 西南石油大学 | 一种多模型自动历史拟合方法 |
CN112395763B (zh) * | 2020-11-19 | 2022-09-02 | 西南石油大学 | 一种自动历史拟合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844993A (zh) | 一种基于spss的油井分类和油藏分区的方法 | |
Gardener | Community ecology: analytical methods using R and Excel | |
CN102314424B (zh) | 文件的基于维度的关系图示 | |
Clarke et al. | PRIMER: Getting started with v6 | |
Aggarwal et al. | Analysis the effect of data mining techniques on database | |
US11100138B2 (en) | Network representation for evolution of clusters and groups | |
CN108509982A (zh) | 一种处理二分类不平衡医学数据的方法 | |
DE112016001453T5 (de) | Navigieren von Ereignisinformation | |
DE112019002235T5 (de) | Einbinden eines wörterbuch-bearbeitungssystems in ein text mining | |
DE112018005616T5 (de) | Blockweise extraktion von dokumentmetadaten | |
CN106547864A (zh) | 一种基于查询扩展的个性化信息检索方法 | |
Wang et al. | The diversity and paleoenvironmental significance of Calophyllum (Clusiaceae) from the Miocene of southeastern China | |
CN114547077A (zh) | 基层政务表格数据智能处理系统及方法 | |
KR20090069874A (ko) | 지식맵 분석을 위한 키워드 선정 및 유사도계수 선정 방법및 그 시스템과 그 방법에 대한 컴퓨터 프로그램을 저장한기록매체 | |
Tichy et al. | Juice | |
CN106339293B (zh) | 一种基于签名的日志事件提取方法 | |
CN107291951A (zh) | 数据处理方法、装置、存储介质和处理器 | |
CN106874447A (zh) | 一种数据展示方法及装置 | |
CN110941662A (zh) | 科研合作关系的图示化方法、系统、存储介质、及终端 | |
Chen et al. | A Web‐based distributed system for hurricane occurrence projection | |
CN113434507B (zh) | 数据文本化方法、装置、设备及存储介质 | |
Pohl et al. | Online processing of social media data for emergency management | |
Ulizko et al. | Visualization of Graph-based representations for analyzing related multidimensional objects | |
Sun et al. | Visitpedia: Wiki article visit log visualization for event exploration | |
She et al. | Spatial data integration and analysis with spatial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |