CN107100611B - 一种地质勘探钻进过程双层智能钻速建模方法 - Google Patents
一种地质勘探钻进过程双层智能钻速建模方法 Download PDFInfo
- Publication number
- CN107100611B CN107100611B CN201710390739.1A CN201710390739A CN107100611B CN 107100611 B CN107100611 B CN 107100611B CN 201710390739 A CN201710390739 A CN 201710390739A CN 107100611 B CN107100611 B CN 107100611B
- Authority
- CN
- China
- Prior art keywords
- drilling
- rate
- geological exploration
- data set
- parameters
- 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.)
- Active
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000008569 process Effects 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 23
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 13
- 230000001502 supplementing effect Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000035515 penetration Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 28
- 238000005755 formation reaction Methods 0.000 description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 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
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
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
本发明公开了一种地质勘探钻进过程双层智能钻速建模方法,建模工作分四个步骤进行,首先,运用分段三次埃尔米特插值方法将部分缺失的地震声波时间数据补齐并获得样本数据集;然后,使用Nadaboost‑ELM算法建立地层可钻性子模型;接着,运用Pearson相关性分析方法确定与钻速相关性较强的参数;最后,运用改进的PSO‑RBF算法建立钻速子模型。本文所提方法克服了以前钻速建模方法中未将地层可钻性这一关键参数和钻速分层次并形成统一架构,和使用确定性或单一智能建模方法带来的缺陷,提高了钻速建模的精度和泛化能力,为地质勘探钻进过程智能控制打下了良好的基础。
Description
技术领域
本发明属于地质勘探钻进过程智能控制领域,尤其涉及一种地质勘探钻进过程双层智能钻速建模方法。
背景技术
资源能源安全是国家安全的重要组成部分,也是国家经济可持续发展的关键之一。保障资源能源安全应立足于国内。随着浅层矿产资源的日益枯竭、深部成矿理论的发展以及国内外大量深部矿产资源的探明使得深部地质勘探和开发成为必然。地质勘探钻进过程是穿越多种复杂地层抵达目标区域并获取完整岩心的过程。深部地质勘探钻进过程存在风险大、成本高,资源难以转化为现实生产力等问题,而预测钻速并优化操作参数能够有效的解决上述问题。因此,建立钻速模型是智能控制的前提,同时也是实现地质勘探钻进过程安全高效目标的重要基础。
钻速是指钻进系统每小时的进尺量,它是决定钻进效率的最重要的参数。钻速主要受地层属性参数和钻进工艺参数两类参数的影响,地层属性参数可分为地震参数和测井参数两类,而地层可钻性是一种反映地层属性的地层特征参数,钻进工艺参数又可分为录井参数和钻井参数两类。这五类参数都对钻速具有重要影响,同时,它们之间具有非线性、强耦合等特点。
地层可钻性对钻速具有直接而重要的影响,除了钻井参数和录井参数对钻速产生直接影响外,其他参数大多通过地层可钻性这一个地层特征参数来影响钻速,但是地层可钻性在实际生产中难以检测。地质勘探钻进过程的特点决定了地层特征参数、地震参数、测井参数、录井参数和钻井参数对钻速的影响方式和途径并不相同,如果将所有的参数作为同等地位的输入建立钻速模型将会导致模型的解释性较差,难以清晰地反映出各种参数对钻速的影响。
目前,钻速建模研究都是将地层可钻性等反应地层属性的参数及其他参数一起作为钻速模型的输入,建立单层钻速模型,建立单层钻速模型的方法主要有两类。一类是利用传统统计回归的方法建立钻速模型;一类是利用神经网络、支持向量回归等智能方法建立钻速模型。上述方法是将地层可钻性这一直接影响钻速的关键参数与钻速分开描述,没有形成统一架构。因此,融合多种形式的子模型进行多层次、多模型、多种智能建模方法协同描述是实现钻速建模的一种新途径。
发明内容
本发明的目的是提出一种地质勘探钻进过程双层智能钻速建模方法,该方法通过融合分层、优化和智能建模的思想,建立了地质勘探钻进过程双层智能钻速模型架构,能够有效提高钻速模型的精度和泛化能力,为地质勘探钻进过程智能控制打下了良好的基础。
为了实现上述技术目的,本发明所采用的技术方案是:一种地质勘探钻进过程双层智能钻速建模方法,包括以下步骤:
(1)选定钻速作为衡量地质勘探钻进过程效率的指标,对钻进过程进行机理分析,确定影响钻速的各类参数,基于分段三次埃尔米特插值方法将部分缺失的数据补齐并获得样本数据集;
(2)在步骤1获得样本数据集的基础上,采用Nadaboost-ELM算法建立地层可钻性子模型;
(3)在步骤2建立地层可钻性子模型的基础上,基于Pearson相关性分析方法确定与钻速相关性较强的参数,作为钻速子模型的输入参数;
(4)根据步骤3得到的基于钻速子模型输入参数,运用改进的PSO-RBF算法建立钻速子模型,形成地质勘探钻进过程双层智能钻速建模架构。
进一步地,所述步骤1具体包括以下过程:
1)通过地质勘探钻进过程机理分析,确定影响钻速的参数;
2)对影响钻速的样本数据进行分段三次埃尔米特插值,可以将缺失数据补齐,获得样本数据集。
进一步地,所述步骤3具体包括以下过程:
1)基于Pearson相关性分析方法确定与钻速相关性较强的输入参数;按照如下公式得到每个输入参数与钻速之间的相关性系数;
其中,N是数据集的个数,xi是输入参数,yi是钻速,r是每个输入参数与钻速之间的Pearson相关性系数;
2)根据1)中公式对地层可钻性子模型的参数进行Pearson相关性分析,得到与钻速具有较高的相关性参数。
进一步地,所述步骤4具体包括一下过程:
1)样本数据集的归一化处理;
其中,xnorm是归一化后的数据集,x是真实的数据集,xmin是数据集中最小的数据,xmax是数据集中最大的数据;
2)根据下面三个公式计算隐含层和输出层之间的权值;
其中,R是隐含层的激活函数,||xi-ci||2是欧拉范数,xi是输入参数,ci是RBF函数的中心,σi是RBF函数的方差,cmax是RBF函数中心之间的最远距离,h是聚类中心的数量,wi是隐含层和输出层之间的权值;
3)根据下面的公式计算总目标输出,即钻速;
其中,y是总目标输出,即钻速,s是步骤二中Nadaboost-ELM算法的输出,即地层可钻性,其他参数之前均有提到;
4)基于改进的PSO-RBF算法建立钻速子模型;通过改进的PSO算法优化RBF神经网络的Spread参数能够得到最优的模型性能参数。
本发明基于其技术方案所具有的有益效果在于:
(1)本发明的一种地质勘探钻进过程双层智能钻速建模方法,首先对钻进过程进行机理分析,确定影响钻速的各类参数,基于分段三次埃尔米特插值方法将部分缺失的数据补齐并获得样本数据集,能够为后面的建模工作奠定良好的基础;
(2)本发明的一种地质勘探钻进过程双层智能钻速建模方法,在获得样本数据集的基础上,采用Nadaboost-ELM算法建立地层可钻性子模型,能够通过融合多种地层可钻性子模型获得更优的预测效果;
(3)本发明的一种地质勘探钻进过程双层智能钻速建模方法,在建立地层可钻性子模型的基础上,基于Pearson相关性分析方法确定与钻速相关性较强的参数,作为钻速子模型的输入参数,可以有效克服模型输入参数之间的耦合问题;
(4)本发明的一种地质勘探钻进过程双层智能钻速建模方法,基于得到的钻速子模型输入参数,运用改进的PSO-RBF算法建立钻速子模型,并使用样本数据集记性该子模型预测方法的仿真验证,有利于本发明在实际生产中应用。
附图说明
图1是本发明的地质勘探钻进过程双层智能钻速建模方法的流程示意图。
图2是地质勘探钻进过程。
图3是测量和插值的地震声波时间对比图。
图4是随Spead参数变化的地层可钻性子模型均方根误差图。
图5是随隐含层节点数变化的地层可钻性子模型均方根误差图。
图6是不同建模方法的地层可钻性结果图。
图7是不同建模方法的钻速结果图。
图8是随迭代次数变化的改进的PSO-RBF算法均方根误差图。
图9是本发明的地质勘探钻进过程双层智能钻速建模的钻速模型架构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
实施例一
本发明的实施例提供了一种地质勘探钻进过程双层智能钻速建模方法,能够有效提高钻速模型的精度和泛化能力,为地质勘探钻进过程智能控制打下了良好的基础。请参阅图1,本发明的地质勘探钻进过程双层智能钻速建模方法包括以下步骤:
步骤S100:基于分段三次埃尔米特插值计算方法获得样本数据集;选定钻速作为衡量地质勘探钻进过程效率的指标,对钻进过程进行机理分析,确定影响钻速的各类参数,基于分段三次埃尔米特插值计算方法将部分缺失的数据补齐并获得样本数据集;其具体包括以下过程:
步骤S110:确定影响钻速的过程参数;通过地质勘探钻进过程(请参考图2)机理分析,确定影响钻速的过程参数有:地震层速度、地层深度、地震声波时间、比钻压、转速、比水功率、泥浆密度等;
步骤S120:样品数据集的获得;根据步骤S110确定的影响钻速的参数,运用分段三次埃尔米特插值方法将部分缺失的地震声波时间数据补齐,得到以地震层速度、地层深度、地震声波时间、比钻压、转速、比水功率、泥浆密度作为样本的样本数据集。
步骤S200:采用Nadaboost-ELM算法建立地层可钻性子模型;在步骤S100获得样本数据集的基础上,采用Nadaboost-ELM算法建立地层可钻性子模型,并使用样本数据集(将地震层速度、地层深度、地震声波时间、比钻压、转速这5个参数作为地层可钻性子模型的输入)进行该子模型预测方法的仿真验证;
步骤S300:基于Pearson相关性分析方法确定钻速子模型的输入参数;在步骤S200建立地层可钻性子模型的基础上,基于Pearson相关性分析方法确定与钻速相关性较强的参数,作为钻速子模型的输入参数;具体包括以下过程:
(1)基于Pearson相关性分析方法确定与钻速相关性较强的输入参数;按照如下公式得到每个输入参数与钻速之间的相关性系数;
其中,N是数据集的个数,xi是输入参数,yi是钻速,r是每个输入参数与钻速之间的Pearson相关性系数;
(2)根据(1)中公式对地层可钻性、地层深度、比钻压、转速、比水功率、泥浆密度这6个参数进行Pearson相关性分析,得到地层可钻性、地层深度、比钻压、转速、泥浆密度这5个参数与钻速具有较高的相关性;
步骤S400:运用改进的PSO-RBF算法建立钻速子模型;根据步骤S300得到的基于钻速子模型输入参数,运用改进的PSO-RBF算法建立钻速子模型,并使用样本数据集进行该子模型预测方法的仿真验证;其具体包括以下过程:
(1)样本数据集的归一化处理;
其中,xnorm是归一化后的数据集,x是真实的数据集,xmin是数据集中最小的数据,xmax是数据集中最大的数据;
(2)根据下面三个公式计算隐含层和输出层之间的权值;
其中,R是隐含层的激活函数,||xi-ci||2是欧拉范数,xi是输入参数,ci是RBF函数的中心,σi是RBF函数的方差,cmax是RBF函数中心之间的最远距离,h是聚类中心的数量,wi是隐含层和输出层之间的权值;
(3)根据下面的公式计算总目标输出,即钻速;
其中,y是总目标输出,即钻速,s是步骤二中Nadaboost-ELM算法的输出,即地层可钻性,其他参数之前均有提到;
(4)基于改进的PSO-RBF算法建立钻速子模型;通过改进的PSO算法优化RBF神经网络的Spread参数能够得到最优的模型性能参数。
基于上述四个步骤形成地质勘探钻进过程双层智能钻速建模架构。
实施例二
某地区各钻进参数、地层深度和地震声波时间参数见表1和表2。通过表1和表2数据对本发明的效果进行仿真验证,请参见图9,其为上述方法运用到某地的具体实施例,包括以下具体步骤:
(1)原始数据为表1和表2,基于分段三次埃尔米特插值方法将表2中的地震声波时间数据和地层深度进行对应补齐,得到如图3所示的测量和插值的地震声波时间对比图,样本数据集由地层深度、地层可钻性、地震层速度、比钻压、转速、比水功率、泥浆密度、机械钻速、地震声波时间这9个参数共22组数据组成。
表1某地区各钻进参数表
表2某地区地层深度和地震声波时间参数表
(2)基于步骤(1)得到的9个参数22组数据的样本数据集,将前16组数据作为训练集,后6组数据作为预测集。利用Nadaboost-ELM(NAE)算法建立地层可钻性子模型,并与现有的RBF神经网络(RBF)算法进行对比,对比结果如图4-6和表3所示。由以上图表可知,所提方法在地层可钻性子模型方面的预测精度和泛化能力均优于其他方法。
表3地层可钻性子模型各预测指标表
(3)基于步骤(1)得到的9个参数22组数据的样本数据集,进行Pearson相关性分析,得到如表4所示的各钻进参数Pearson相关性系数表。确定了钻速子模型的输入参数为地层可钻性、地层深度、比钻压、转速、泥浆密度这5个参数。
表4各钻进参数Pearson相关性系数表
(4)基于步骤(1)得到的9个参数22组数据的样本数据集,将前16组数据作为训练集,后6组数据作为预测集。利用改进的PSO-RBF算法建立钻速子模型,并与现有的单层RBF神经网络算法和双层RBF神经网络算法进行对比,对比结果图如图7-8和表5所示。由以上图表可知,所提方法在钻速子模型方面的预测精度和泛化能力均优于其他方法。
表5钻速子模型各预测指标表
(5)基于建立的钻速子模型,建立钻速模型架构。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种地质勘探钻进过程双层智能钻速建模方法,其特征在于,包括以下步骤:
(1)选定钻速作为衡量地质勘探钻进过程效率的指标,对钻进过程进行机理分析,确定影响钻速的各类参数,基于分段三次埃尔米特插值方法将部分缺失的数据补齐并获得样本数据集;
(2)在步骤1获得样本数据集的基础上,采用Nadaboost-ELM算法建立地层可钻性子模型;
(3)在步骤2建立地层可钻性子模型的基础上,基于Pearson相关性分析方法确定与钻速相关性较强的参数,作为钻速子模型的输入参数;
(4)根据步骤3得到的基于钻速子模型输入参数,通过改进的PSO算法优化RBF神经网络的Spread参数能够得到最优的模型性能参数,建立钻速子模型,形成地质勘探钻进过程双层智能钻速建模架构。
2.根据权利要求1所述的一种地质勘探钻进过程双层智能钻速建模方法,其特征在于,所述步骤1具体包括以下具体步骤:
1)通过地质勘探钻进过程机理分析,确定影响钻速的参数;
2)对影响钻速的样本数据进行分段三次埃尔米特插值,通过将缺失数据补齐,获得样本数据集。
3.根据权利要求1所述的一种地质勘探钻进过程双层智能钻速建模方法,其特征在于,所述步骤3具体包括以下具体步骤:
1)基于Pearson相关性分析方法确定与钻速相关性较强的输入参数;按照如下公式得到每个输入参数与钻速之间的相关性系数;
其中,N是数据集的个数,xi是输入参数,yi是钻速,r是每个输入参数与钻速之间的Pearson相关性系数;
2)根据1)中公式对地层可钻性子模型的参数进行Pearson相关性分析,得到与钻速具有较高的相关性参数。
4.根据权利要求1所述的一种地质勘探钻进过程双层智能钻速建模方法,其特征在于,所述步骤4包括以下具体步骤:
1)样本数据集的归一化处理;
其中,xnorm是归一化后的数据集,x是真实的数据集,xmin是数据集中最小的数据,xmax是数据集中最大的数据;
2)根据下面三个公式计算隐含层和输出层之间的权值;
其中,R是隐含层的激活函数,||xi-ci||2是欧拉范数,xi是输入参数,ci是RBF函数的中心,σi是RBF函数的方差,cmax是RBF函数中心之间的最远距离,h是聚类中心的数量,wi是隐含层和输出层之间的权值;
3)根据下面的公式计算总目标输出,即钻速;
其中,y是总目标输出,即钻速,s是步骤二中Nadaboost-ELM算法的输出,即地层可钻性,其他参数之前均有提到;
4)通过改进的PSO算法优化RBF神经网络的Spread参数能够得到最优的模型性能参数,建立钻速子模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710390739.1A CN107100611B (zh) | 2017-05-27 | 2017-05-27 | 一种地质勘探钻进过程双层智能钻速建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710390739.1A CN107100611B (zh) | 2017-05-27 | 2017-05-27 | 一种地质勘探钻进过程双层智能钻速建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107100611A CN107100611A (zh) | 2017-08-29 |
CN107100611B true CN107100611B (zh) | 2019-12-17 |
Family
ID=59659480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710390739.1A Active CN107100611B (zh) | 2017-05-27 | 2017-05-27 | 一种地质勘探钻进过程双层智能钻速建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107100611B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110397402B (zh) * | 2018-04-23 | 2021-01-29 | 中国石油天然气股份有限公司 | 钻井方法及装置 |
CN108825204B (zh) * | 2018-06-11 | 2022-01-28 | 中国石油集团川庆钻探工程有限公司 | 基于随钻工程参数的钻时校正方法 |
CN110852018B (zh) * | 2019-10-21 | 2022-04-05 | 中国石油天然气集团有限公司 | 基于神经网络的pso钻井参数优化方法 |
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 |
CN111749675A (zh) * | 2020-05-25 | 2020-10-09 | 中国地质大学(武汉) | 一种基于级联模型算法的地层可钻性预测方法及系统 |
CN112487582B (zh) * | 2020-12-10 | 2021-09-14 | 西南石油大学 | 一种基于cart算法的油气钻井机械钻速预测与优化方法 |
CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
CN113494286B (zh) * | 2021-07-28 | 2023-02-28 | 中国地质大学(武汉) | 一种地质钻进过程钻速智能动态预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006089258A1 (en) * | 2005-02-19 | 2006-08-24 | Baker Hughes Incorporated | Use of the dynamic downhole measurements as lithology indicators |
CN103046918A (zh) * | 2011-10-13 | 2013-04-17 | 中国石油天然气集团公司 | 一种钻井参数优化的方法和装置 |
CN103132992A (zh) * | 2013-02-20 | 2013-06-05 | 中国石油大学(北京) | 一种岩石可钻性各向异性的评价方法及系统 |
CN104695937A (zh) * | 2015-02-16 | 2015-06-10 | 中国石油天然气集团公司 | 钻井综合提速优化专家系统 |
-
2017
- 2017-05-27 CN CN201710390739.1A patent/CN107100611B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006089258A1 (en) * | 2005-02-19 | 2006-08-24 | Baker Hughes Incorporated | Use of the dynamic downhole measurements as lithology indicators |
CN103046918A (zh) * | 2011-10-13 | 2013-04-17 | 中国石油天然气集团公司 | 一种钻井参数优化的方法和装置 |
CN103132992A (zh) * | 2013-02-20 | 2013-06-05 | 中国石油大学(北京) | 一种岩石可钻性各向异性的评价方法及系统 |
CN104695937A (zh) * | 2015-02-16 | 2015-06-10 | 中国石油天然气集团公司 | 钻井综合提速优化专家系统 |
Non-Patent Citations (2)
Title |
---|
Drilling rate of penetration prediction and optimization using response surface methodology and bat algorithm;Mostafa Keshavarz等;《Journal of Natural Gas Science and Engineering》;20160430;第 31卷;第829-841页 * |
基于SDCQGA优化BP神经网络的;沙林秀等;《西安石油大学学报( 自然科学版)》;20130331;第28卷(第2期);第19-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107100611A (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107100611B (zh) | 一种地质勘探钻进过程双层智能钻速建模方法 | |
CN107193055B (zh) | 一种复杂地质钻进过程双层智能钻速建模系统 | |
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
WO2016065127A1 (en) | A system and method of pore type classification for petrophysical rock typing | |
CN108952699A (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
CN110058316A (zh) | 一种基于电阻率等值性原理的电磁测深约束反演方法 | |
CN113494286B (zh) | 一种地质钻进过程钻速智能动态预测方法及系统 | |
CN108665545B (zh) | 录井参数三维地质模型建立方法 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN114117898A (zh) | 一种基于机器学习算法的随钻伽马测井正演方法 | |
CN111190228B (zh) | 一种海底扇水道储层构型识别方法 | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN114943060B (zh) | 基于深度学习与插值回归的页岩气总有机碳预测方法 | |
CN117005860A (zh) | 复杂地层条件与井筒结构下的气水识别方法、介质及设备 | |
Pang et al. | Prediction of mud loss type based on seismic data using machine learning | |
CN115204277A (zh) | 一种基于多阈值量化输出观测的渐近最优岩性预测方法 | |
CN113705878B (zh) | 水平井出水量的确定方法、装置、计算机设备及存储介质 | |
CN112907698A (zh) | 一种动态融合时序与非时序特征的测井曲线生成方法 | |
Chen et al. | [Retracted] Intelligent Evaluation Method of Engineering Cost Feasibility Model Based on Internet of Things | |
CN111815760A (zh) | 一种三维地层可钻性场空间建模方法 | |
CN114000862B (zh) | 一种基于动态优化的地质钻进过程钻速智能控制系统 | |
Zhao et al. | The fracture density and fractal dimension prediction based on support vector machine |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |