CN108301823B - 一种识别储层油气甜点的方法 - Google Patents
一种识别储层油气甜点的方法 Download PDFInfo
- Publication number
- CN108301823B CN108301823B CN201810051760.3A CN201810051760A CN108301823B CN 108301823 B CN108301823 B CN 108301823B CN 201810051760 A CN201810051760 A CN 201810051760A CN 108301823 B CN108301823 B CN 108301823B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- gas
- histogram
- classification
- dessert
- 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
- 235000021185 dessert Nutrition 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 23
- 235000011850 desserts Nutrition 0.000 claims abstract description 6
- 239000000700 radioactive tracer Substances 0.000 claims description 28
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 9
- 229910052799 carbon Inorganic materials 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 239000004215 Carbon black (E152) Substances 0.000 claims description 4
- 229930195733 hydrocarbon Natural products 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- 241001637516 Polygonia c-album Species 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 235000009508 confectionery Nutrition 0.000 description 5
- 238000005553 drilling Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
Images
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
- 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
-
- 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
- E21B47/10—Locating fluid leaks, intrusions or movements
- E21B47/11—Locating fluid leaks, intrusions or movements using tracers; using radioactivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种识别储层油气甜点的方法,属于油气井开发技术领域。所述方法包括:在页岩气水平井分层压裂期间,分别向各储层段注入不同标号的示踪剂,获得各储层产量信息;根据各储层产量信息和预设的储层分类标准,对各储层进行储层类别标记;标定代表各储层类别的测井特征参数群,并建立同井区所有页岩气水平井的储层类别与测井特征参数群相对应的样品集合;学习和校正样品集合中测井特征参数与储层类别的函数关系,建立井区油气甜点储层识别模型,识别储层油气甜点。本发明提供的识别储层油气甜点的方法,具有储层甜点预测准确度高、工艺简单、无实施限制条件及操作方便等优点,对储层改造方案的编制具有重要的指导性意义。
Description
技术领域
本发明涉及油气井开发技术领域,特别涉及一种利用示踪测试和测井特征参数识别储层油气甜点的方法,用于增产改造前的油气甜点识别。
背景技术
油气甜点识别是制定油气井储层改造方案中极其重要的环节。在低渗透、非常规油气藏的多层、厚层或水平井长井段的油气井中,由于井的非均质性强、层间差异大,真正对井产量有较大贡献的“油气甜点”层往往不到30%,因此需要通过增产措施来改善油气甜点区域的渗流环境,使单井获得高产。如果油气甜点识别不准确,那么将会极大降低增产改造的针对性和有效性。
目前,常规的地质甜点识别方法包括:钻时录井、完钻电测及机械式生产测井。钻时录井受井筒干扰较大,且探测距离只有有限的几米;完钻电测由于特征参数多,非线性引起的多解性导致结果偏差较大;机械式生产测井能够校正解释成果是否准确,一方面生产测井使用条件较为苛刻,需要下入机械式的测井仪器,通常受到完井方式、井筒完整性等条件的制约,例如套管变形、生产管柱下有节流装置,或采用分段式投球滑套,这类井都无法进行生产测井;另一方面生产测井获得的测试数据只是一个时间点的数据,容易受到测试环境的干扰,也无法反应出一个连续生产时间段的动态信息,因此生产测井数据不具备完全的指导意义;除了开发进入中后期的成熟区块油层已经得到深刻认识外,对于新区块,常规的地质甜点识别方法由于缺乏有效措施进行比对和校正,经常会对地质甜点的识别产生偏差,严重的影响了措施改造效果。
发明内容
为了解决现有油气甜点识别方法实施中存在的测试数据偏差大、易受干扰、生产工艺条件要求苛刻等问题,本发明提供了一种识别储层油气甜点的方法,包括:
在页岩气水平井分层压裂期间,分别向各储层段注入不同标号的示踪剂,获得各储层产量信息;
根据所述各储层产量信息和预设的储层分类标准,对各储层进行储层类别标记;
标定代表各储层类别的测井特征参数群,并建立同井区所有页岩气水平井的储层类别与测井特征参数群相对应的样品集合;
利用模糊聚类对所述测井特征参数群建立神经网络模型,并通过所述神经网络模型学习和校正样品集合中的测井特征参数群与储层类别的函数关系,建立井区油气甜点储层识别模型,识别储层油气甜点。
所述示踪剂为化学示踪剂,包括气溶性示踪剂、油溶性示踪剂和水溶性示踪剂;所述化学示踪剂的耐热温度大于500℃。
所述储层分类标准为:储层产量大于3万方/天的储层为甜点储层;储层产量小于等于3万方/天且大于1万方/天的储层为一般储层;储层产量小于等于1万方/天的储层为差储层。
所述测井特征参数群包括厚度、自然伽马、总有机碳、孔隙度、含气饱和度、总含气量和脆性指数。
所述利用模糊聚类对所述测井特征参数群建立神经网络模型的步骤具体包括:
利用模糊聚类将每口井的产量数据划分为井段、厚度、自然伽马、总有机碳、孔隙度、含气饱和度、总含气量和脆性指数类别;
将每一类别数据的中间值作为聚类中心,计算分类数据与每个聚类中心差值的平方值;
将分类数据归入最小平方值对应的聚类中心的所属类别,建立神经网络模型。
所述通过所述神经网络模型学习和校正样品集合中的测井特征参数群与储层类别的函数关系,建立井区油气甜点储层识别模型的步骤具体包括:
根据每个井段在不同时间所对应的分类数据,生成分类直方图;
将所述分类直方图进行积分运算,生成分类直方图积分曲线;
使用傅里叶变换将所述分类直方图积分曲线模拟成正弦函数;
通过所述神经网络模型对所述正弦函数中的参数值进行校正,建立井区油气甜点储层识别模型。
所述分类直方图包括厚度直方图、自然伽马直方图、总有机碳直方图、孔隙度直方图、含气饱和度直方图、总含气量直方图和脆性指数直方图。
所述正弦函数的表达式为y=a*sin(bx+c);其中:y为分类数据,x为时间变量,a为正弦波形图的振幅,b为时间变量x的变化频率,c为正弦波形图在x坐标轴上的偏移量。
所述识别储层油气甜点的步骤具体包括:将每个井段获得产量数据的时间输入所述甜点储层识别模型,计算出分类数据;将所述分类数据与代表不同储层类别的正弦曲线在相同时间所对应的分类数据进行比较;将与所述分类数据的差值的绝对值最小的储层类别标定为所述井段的储层类别。
本发明提供的识别储层油气甜点的方法,通过示踪剂测试和测井特征参数,可以准确地标定储层类别,具有储层甜点预测准确度高、工艺简单、无实施限制条件及操作方便等优点,对储层改造方案的编制具有重要的指导性意义。
附图说明
图1是本发明实施例提供的识别储层油气甜点的方法流程图;
图2是本发明实施例利用示踪剂测试得到的各储层产量示意图;
图3是本发明实施例运用神经网络算法建立油气甜点储层识别模型的原理示意图。
具体实施方式
下面结合附图和实施例,对本发明技术方案作进一步描述。
参见图1,本发明实施例提供了一种识别储层油气甜点的方法,包括如下步骤:
步骤S101:在页岩气水平井分层压裂期间,分别向各储层段注入不同标号的示踪剂,获得各储层产量信息。
对一口分段多级压裂的页岩气水平井,在压裂期间针对每个储层段伴随压裂液注入不同标号的示踪剂,用于对各储层的产出气分别标记,以及对各储层的产出流体进行跟踪和分辨。根据各个分层段储层的温度,确定符合该分层段温度的示踪剂标号,即选定适用对应分层段储层温度的示踪剂。通常情况下,分层段数量与示踪剂种类数量相同,且每个分层段对应一种标号的示踪剂,每个分层段对应的示踪剂均不相同,这样可通过示踪剂准确地标记各个分层段。示踪剂为化学示踪剂,其耐热温度大于500℃,包括气溶性示踪剂、油溶性示踪剂和水溶性示踪剂。在压裂结束后的排采期,通过连续对产出的流体样品进行色谱检测各种示踪剂浓度,可以获取不同时刻点采集样品中每个层段产出比例,并通过井口的测试产量,在获取每段占比的情况下,可以计算出一个完整的产出剖面。
本实施例通过示踪剂产出剖面测试结果来获得各储层产量信息,这种方法相比常规完钻电测数据准确度和可靠性更好,相比应用条件苛刻的机械式生产测井更具有广泛适用性和可操作性,不受井筒条件制约,任何情况下均可实施。
步骤S102:根据各储层产量信息和预设的储层分类标准,对各储层进行储层类别标记。
本实施例预设的储层分类标准为:1)储层产量大于3万方/天的储层为甜点储层;2)储层产量小于等于3万方/天且大于1万方/天的储层为一般储层;3)储层产量小于等于1万方/天的储层为差储层。图2为本实施例利用示踪剂得到的各储层产量示意图。由上述储层分类标准可知,储层段1、4、6、11、12、14、15、16、18、19、20、21均为差储层,储层段7、8、9均为甜点储层,储层段2、3、5、10、13、17均为一般储层。
步骤S103:标定代表各储层类别的测井特征参数群,并建立同井区所有页岩气水平井的储层类别与测井特征参数群相对应的样品集合。
测井特征参数群包括厚度、自然伽马、总有机碳、孔隙度、含气饱和度、总含气量和脆性指数。表1为本实施例图2所示某口井各个储层(差储层、甜点储层、一般储层)对应的代表性测井特征参数群的样品合集。
表1
步骤S104:利用模糊聚类对测井特征参数群建立神经网络模型,并通过神经网络模型学习和校正样品集合中的测井特征参数群与储层类别的函数关系,建立井区油气甜点储层识别模型。
图3示出了运用神经网络算法建立油气甜点储层识别模型的原理示意图。首先,利用模糊聚类将每口井的产量数据划分为井段、厚度、自然伽马、总有机碳、孔隙度、含气饱和度、总含气量和脆性指数类别;将每一类别数据的中间值作为聚类中心,计算分类数据与每个聚类中心差值的平方值;将分类数据归入最小平方值对应的聚类中心的所属类别,建立神经网络模型。其次,根据每个井段在不同时间所对应的分类数据,生成分类直方图;其中,分类直方图的横坐标为以每小时为时间单位的坐标轴,分类直方图的纵坐标为分类数据的坐标轴;分类直方图包括厚度直方图、自然伽马直方图、总有机碳直方图、孔隙度直方图、含气饱和度直方图、总含气量直方图和脆性指数直方图;将分类直方图进行积分运算,生成分类直方图积分曲线;使用傅里叶变换将分类直方图积分曲线模拟成正弦函数y=a*sin(bx+c),其中y为分类数据,x为时间变量,a为正弦波形图的振幅(a值越大表示对应曲线的最大值越大),b为时间变量x的变化频率(b值越大表示正弦模拟的频率越高,完成一个正弦模拟的时间越短),c为正弦波形图在x坐标轴上的偏移量,表示不同的数据采集时间偏差。最后,通过神经网络模型对正弦函数中的参数值进行校正,建立井区油气甜点储层识别模型。
步骤S105:将同井区待处理的测井特征参数群输入甜点储层识别模型,识别储层类别。
甜点储层识别模型查找出与输入的测井特征参数群相对应的储层类别,确定储层为甜点储层、一般储层或差储层,从而进一步地指导储层改造目标和方案的编制,使储层改造方案更具有针对性和有效性,并据此确定试油目标。识别储层类别的过程如下:将每个井段获得产量数据的时间x输入甜点储层识别模型,计算出分类数据y;将时间变量x输入代表不同储层类别的正弦函数y=a*sin(bx+c)中,获得在相同时间所对应的不同储层分类数据y1(甜点储层)、y2(一般储层)、y3(差储层);将分类数据y1、y2、y3分别与分类数据y进行比较;将与分类数据y的差值的绝对值最小的储层类别标定为该井段的储层类别。需要说明的是:如果所有代表不同储层类别的正弦曲线在相同时间所对应的分类数据与分类数据y的差值的绝对值均较大,那么舍弃该分类数据y,重新获得下个产量数据的时间x′,重新计算出分类数据y′。
本发明实施例提供的识别储层油气甜点的方法,通过示踪剂测试和测井特征参数群,不仅可以准确地标定储层类别,而且还可以结合神经网络模型,从而有效地克服了多参数引起的测井解释多解性,具有储层甜点预测准确度高、工艺简单、无实施限制条件及操作方便等优点,对储层改造方案的编制具有重要的指导性意义。本发明实施例提供的识别储层油气甜点的方法,可广泛应用于各类碎屑岩、碳酸盐岩、页岩油气等储层的油气甜点识别,尤其是对于非均质强的单井厚层、长水平段的水平井甜点识别,具有非常好的应用前景。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种识别储层油气甜点的方法,其特征在于,包括:
(1)在页岩气水平井分层压裂期间,分别向各储层段注入不同标号的示踪剂,获得各储层产量信息;
(2)根据所述各储层产量信息和预设的储层分类标准,对各储层进行储层类别标记;所述储层分类标准为:储层产量大于3万方/天的储层为甜点储层;储层产量小于等于3万方/天且大于1万方/天的储层为一般储层;储层产量小于等于1万方/天的储层为差储层;
(3)标定代表各储层类别的测井特征参数群,并建立同井区所有页岩气水平井的储层类别与测井特征参数群相对应的样品集合;所述测井特征参数群包括厚度、自然伽马、总有机碳、孔隙度、含气饱和度、总含气量和脆性指数;
(4)利用模糊聚类对所述测井特征参数群建立神经网络模型,具体步骤包括:
利用模糊聚类将每口井的产量数据划分为井段、厚度、自然伽马、总有机碳、孔隙度、含气饱和度、总含气量和脆性指数类别;
将每一类别数据的中间值作为聚类中心,计算分类数据与每个聚类中心差值的平方值;
将分类数据归入最小平方值对应的聚类中心的所属类别,建立神经网络模型;
(5)通过所述神经网络模型学习和校正样品集合中的测井特征参数群与储层类别的函数关系,建立井区油气甜点储层识别模型,具体步骤包括:
根据每个井段在不同时间所对应的分类数据,生成分类直方图;分类直方图包括厚度直方图、自然伽马直方图、总有机碳直方图、孔隙度直方图、含气饱和度直方图、总含气量直方图和脆性指数直方图;
将所述分类直方图进行积分运算,生成分类直方图积分曲线;
使用傅里叶变换将所述分类直方图积分曲线模拟成正弦函数;所述正弦函数的表达式为y=a*sin(bx+c);其中:y为分类数据,x为时间变量,a为正弦波形图的振幅,b为时间变量x的变化频率,c为正弦波形图在x坐标轴上的偏移量;
通过所述神经网络模型对所述正弦函数中的参数值进行校正,建立井区油气甜点储层识别模型;
(6)识别储层油气甜点,具体步骤包括:将每个井段获得产量数据的时间输入所述甜点储层识别模型,计算出分类数据;将所述分类数据与代表不同储层类别的正弦曲线在相同时间所对应的分类数据进行比较;将与所述分类数据的差值的绝对值最小的储层类别标定为所述井段的储层类别。
2.如权利要求1所述的识别储层油气甜点的方法,其特征在于,所述示踪剂为化学示踪剂,包括气溶性示踪剂、油溶性示踪剂和水溶性示踪剂;所述化学示踪剂的耐热温度大于500℃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810051760.3A CN108301823B (zh) | 2018-01-19 | 2018-01-19 | 一种识别储层油气甜点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810051760.3A CN108301823B (zh) | 2018-01-19 | 2018-01-19 | 一种识别储层油气甜点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108301823A CN108301823A (zh) | 2018-07-20 |
CN108301823B true CN108301823B (zh) | 2021-05-28 |
Family
ID=62865868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810051760.3A Active CN108301823B (zh) | 2018-01-19 | 2018-01-19 | 一种识别储层油气甜点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108301823B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109209361B (zh) * | 2018-08-29 | 2022-02-18 | 西安石油大学 | 一种裂缝性特低渗透油藏地层参数预测方法 |
CN110965969B (zh) * | 2018-09-28 | 2021-02-02 | 北京国双科技有限公司 | 注水井化学措施确定方法及装置 |
CN109472088B (zh) * | 2018-11-12 | 2021-02-23 | 中国石油化工股份有限公司 | 一种页岩气调产井生产压力动态预测方法 |
CN111665560B (zh) * | 2020-04-23 | 2023-06-30 | 中国石油天然气股份有限公司 | 油气层识别方法、装置、计算机设备及可读存储介质 |
CN111783847B (zh) * | 2020-06-15 | 2023-08-25 | 中国石油大学(北京) | 一种低对比度油气层识别方法、装置、设备及系统 |
CN113756795B (zh) * | 2021-08-31 | 2022-12-13 | 中国石油大学(北京) | 油气甜点识别方法、装置、设备及存储介质 |
CN113756790B (zh) * | 2021-09-07 | 2023-10-03 | 西安石油大学 | 一种油气井多段产能评价方法 |
CN117272841B (zh) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102650207A (zh) * | 2012-05-09 | 2012-08-29 | 中国石油天然气股份有限公司 | 井间分层示踪监测方法 |
CN104929619A (zh) * | 2014-03-21 | 2015-09-23 | 天津大港油田圣达科技有限公司 | 一种同位素示踪剂的分层注入装置及方法 |
CN104239703B (zh) * | 2014-09-03 | 2017-04-12 | 中石化江汉石油工程有限公司测录井公司 | 页岩气储层多参数定量类比评价方法 |
CN105370272A (zh) * | 2015-12-07 | 2016-03-02 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 页岩气储层的测井评价方法 |
CN106996293A (zh) * | 2017-05-23 | 2017-08-01 | 濮阳市易发化工有限公司 | 油田微量物质示踪剂监测技术 |
-
2018
- 2018-01-19 CN CN201810051760.3A patent/CN108301823B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108301823A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108301823B (zh) | 一种识别储层油气甜点的方法 | |
US20150088424A1 (en) | Identifying geological formation depth structure using well log data | |
CN104533400B (zh) | 一种重构测井曲线的方法 | |
CN104121014A (zh) | 基于神经网络融合技术的钻井井漏类型诊断方法 | |
CN103615243B (zh) | 一种利用地化衍生参数图版判断油质类型的方法 | |
AU2011382648B2 (en) | Permeability prediction systems and methods using quadratic discriminant analysis | |
CN105388525A (zh) | 储层预测方法及装置 | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
CN111502650B (zh) | 一种利用气测衍生参数识别凝析气层的方法及其应用 | |
CN105019892A (zh) | 一种模拟缝洞型储集体电测井响应的方法 | |
CN111738371A (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
CN110593855A (zh) | 一种测井电阻率的校正方法、油层的识别方法 | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN103592420B (zh) | 矿井突水水源综合快速判识设备及方法 | |
CN110017136B (zh) | 一种基于视水层电阻率的水淹层识别与产水率预测方法 | |
CN106761666A (zh) | 一种四探头散射伽马测井及非线性数据反演的方法及装置 | |
CN110410058A (zh) | 一种校正岩心实验结果刻度二维核磁测井的方法 | |
CN113608258B (zh) | 一种构建高分辨率波阻抗反演标签的自洽深度学习方法 | |
CN113671564B (zh) | 基于narx动态神经网络的微地震有效事件自动拾取方法 | |
CN108627878A (zh) | 致密砂岩地层的裂缝识别方法及系统 | |
CN110792425B (zh) | 一种测量地层流体含水率的方法 | |
CN112835113B (zh) | 一种层序约束下的岩性识别方法 | |
Damasceno et al. | Source rock evaluation from rock to seismic: Integrated machine learning based workflow | |
CN105626045A (zh) | 确定井筒形状的方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 807a, 8th floor, Science Park building, Southwest Petroleum University, 8 Xindu Avenue, Xindu District, Chengdu, Sichuan 610000 Applicant after: Jetbeton Petroleum Technology Group Co., Ltd Address before: 100102 room 2402, unit 1, building 302, Wangjing Shangjing new line, Chaoyang District, Beijing Applicant before: BEIJING GEPETTO OIL TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |