CN108333629A - 一种利用经验模态分解和支持向量机定量预测煤厚的方法 - Google Patents

一种利用经验模态分解和支持向量机定量预测煤厚的方法 Download PDF

Info

Publication number
CN108333629A
CN108333629A CN201810069832.7A CN201810069832A CN108333629A CN 108333629 A CN108333629 A CN 108333629A CN 201810069832 A CN201810069832 A CN 201810069832A CN 108333629 A CN108333629 A CN 108333629A
Authority
CN
China
Prior art keywords
seismic properties
coal
coal thickness
seismic
quantitative forecast
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
Application number
CN201810069832.7A
Other languages
English (en)
Other versions
CN108333629B (zh
Inventor
黄亚平
董守华
祁雪梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201810069832.7A priority Critical patent/CN108333629B/zh
Publication of CN108333629A publication Critical patent/CN108333629A/zh
Application granted granted Critical
Publication of CN108333629B publication Critical patent/CN108333629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30Analysis
    • G01V1/306Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00Details of seismic processing or analysis
    • G01V2210/60Analysis
    • G01V2210/62Physical property of subsurface
    • G01V2210/624Reservoir parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种利用经验模态分解和支持向量机定量预测煤厚的方法,首先根据测井资料的纵波速度和密度计算反射系数和合成地震记录,对合成地震记录增加噪音;其次利用经验模态分解方法,对增加噪音后的合成地震记录进行经验模态分解;然后计算经验模态分解后所得的各本征模态函数与未增加噪音的合成地震记录的相关系数,确定基础数据;从基础数据中提取地震属性,并对各地震属性进行归一化预处理;接着利用灰色关联度法优选出进行定量预测的地震属性;最后利用支持向量机进行学习和训练,开展全工区的非线性的煤厚定量预测。该方法仅需三维地震资料和钻孔资料,即可实现全工区非线性的煤厚定量预测,能给煤矿提供有力的地质保障。

Description

一种利用经验模态分解和支持向量机定量预测煤厚的方法
技术领域
本发明涉及一种利用经验模态分解和支持向量机定量预测煤厚的方法,对具有三维地震勘探资料的煤矿采区的煤厚进行预测。
背景技术
在现代化大型矿井的建设和生产过程中,煤层厚度是煤炭储量计算、巷道合理布设必不可少的数据。据相关统计结果显示,如果实际煤厚比原定设计煤厚变薄10%~20%,那么煤炭的产量将会下降35%~40%。而煤层在地震勘探中属于薄层,薄层厚度的定量预测一直是公认的难题之一。目前常用的钻孔内插预测煤厚的方法并不能保证远离钻孔位置的煤厚预测精度;地震波振幅或频率域参数预测煤厚(如调谐法,谱矩法等)受地震数据的信噪比与保真度的影响较大,多解性强,一般只能预测煤厚的横向变化趋势,而很难得到比较准确的定量预测结果。因此,如何构建一种非线性的煤厚定量预测方法是矿井开采中亟待解决的问题之一,该方法能给煤矿提供有力的地质保障,对矿井合理开采、安全部署以及提高经济效率均有着重要的意义。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种利用经验模态分解和支持向量机定量预测煤厚的方法,通过合理利用煤矿采区的三维地震资料,实现对非线性的煤厚定量预测。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种利用经验模态分解和支持向量机定量预测煤厚的方法,对矿井采区的煤层厚度进行预测,具体包括如下步骤:
(1)根据测井资料的纵波速度和密度计算反射系数,利用雷克子波(比如主频为45Hz、长度为100ms的雷克子波)与反射系数进行褶积运算得到合成地震记录,对合成地震记录增加噪音;
(2)利用经验模态分解方法,对增加噪音后的合成地震记录进行经验模态分解;
(3)计算经验模态分解后所得的各本征模态函数与未增加噪音的合成地震记录的相关系数;
(4)确定相关系数最大的本征模态函数为地震属性提取的基础数据;
(5)从地震属性提取的基础数据中提取地震属性,并对各地震属性进行归一化预处理;所述地震属性包括体属性、顺层属性和层间属性;
(6)利用灰色关联度法,根据钻孔处已知煤厚和地震属性,选用部分地震属性进行煤厚的定量预测;
(7)将钻孔处已知煤厚和地震属性作为学习样本,利用支持向量机进行学习和训练,开展全工区的非线性的煤厚定量预测。
具体的,所述步骤(6)中,根据钻孔处已知煤厚和地震属性,选择部分地震属性进行煤厚的定量预测,具体选择方法为:根据地震属性与钻孔处已知煤厚的灰色关联度、地震属性彼此间的灰色关联度选择部分地震属性进行煤厚的定量预测,地震属性与钻孔处已知煤厚的灰色关联度越大越好,地震属性彼此间的灰色关联度越小越好。
具体的,所述步骤(6)中,根据钻孔处已知煤厚和地震属性,选择部分地震属性进行煤厚的定量预测,具体选择方法为:
(61)按比例选取出与钻孔已知煤厚的灰色关联度最高、相关性最强的n个地震属性;
(62)对选出的n个地震属性,计算其相互之间的灰色关联度,根据灰色关联度分为m类地震属性;
(63)从每一类地震属性中选择出与钻孔处已知煤厚的灰色关联度最高的一个以上地震属性;
(64)结合从m类地震属性中选取出的所有地震属性进行煤厚定量预测。
有益效果:本发明提供的利用经验模态分解和支持向量机定量预测煤厚的方法,相对于现有技术,具有如下优势:1、利用经验模态分解方法,选取与无噪音合成记录相关性最大的本征模态函数,去除噪音干扰成份,突出地震信号的有效信息;2、充分利用支持向量机的非线性学习能力以及在小样本情况下仍具有较强泛化能力的优势,将钻孔处已知煤厚和地震属性作为学习样本,开展基于支持向量机的学习和训练工作,实现非线性的煤厚定量预测;3、该方法仅需三维地震资料和钻孔资料,即可实现全工区非线性的煤厚定量预测,能给煤矿提供有力的地质保障。
附图说明
图1为本发明方法的实施流程图;
图2为实施例的合成地震记录的分解结果,横坐标皆为深度值,纵坐标皆为振幅值;
图3为实施例的煤厚预测结果,横坐标为Xline值(横测线值),纵坐标为Inline值(纵测线值),右侧的色标表示煤层厚度。
具体实施方式
下面结合实施例对本发明作更进一步的说明。
一、地址概括
该研究区位于沁水复式向斜盆地的南端东翼,处于晋获褶断带、沁水盆地南缘东西~北东向断裂带及阳城西哄哄—晋城石盘东西向断裂带之间。本区含煤地层为二叠系山西组和石炭系太原组。合计总厚132.44~166.33m,平均146.42m。含煤20层,煤层总厚9.931~15.25m,平均厚12.58m,含煤系数为8.60%,其中可采含煤系数为6.98%。其中:3号煤层位于山西组下部,煤层厚度6.49~7.45m,平均厚6.79m,厚度大且稳定,含夹矸一般为1~3层,结构属简单~较简单型,煤层变异系数为0.09,属稳定可采煤层。煤层顶板为泥岩、粉砂质泥岩;底板为黑色泥岩、粉砂岩。物性差异明显,该煤层为该区主要目的层。
二、合成地震记录和地震属性提取的基础数据
根据测井资料的纵波速度和密度,利用公式(1)计算t时刻的反射系数R(t):
其中:ρi为t时刻采样点i的密度,Vi(t)为t时刻采样点i的纵波速度。
利用公式(2)计算t时刻的合成地震记录s(t):
s(t)=R(t)×w(t) (2)
其中:w(t)为t时刻的地震子波。得到的合成地震记录如图2(a)所示。
为了与实际地震信息更为吻合,根据公式(3)对合成地震记录增加白高斯噪音(均值和方差为1):
s(t)=R(t)×w(t)+n(t) (3)
其中:n(t)为t时刻的白高斯噪声。增加噪音后的合成地震记录如图2(b)所示。
利用经验模态分解方法对增加噪音后的合成地震记录进行经验模态分解,结果如图2(c)~2(e)所示;由图可知:①第一阶本征模态函数频率较高,与未增加噪音的合成地震记录的差别较大,相关系数仅为-0.1033;②第二阶本征模态函数与未增加噪音的合成地震记录相似性较高,在380m、395m和400m等位置,分解结果与未增加噪音的合成地震记录具有较好的一致性,相关系数为0.8438;③第三阶本征模态函数与未增加噪音的合成地震记录相似度有所降低,相关系数降为0.6144,在395m位置附近,分解结果与未增加噪音的合成地震记录波形变化趋势截然相反。
因此,根据增加噪音后的合成地震记录的分解结果,确定第二阶本征模态函数作为地震属性提取的基础数据。
三、提取地震属性
对实际地震信息进行经验模态分解,参考合成地震记录的经验模态分解结果,选取第二阶本征模态函数作为地震属性提取的基础数据,提取21种体属性、18种顺层属性和16种层间属性,合计55种地震属性,提取的各地震属性参见表1。
表1地震属性列表
由于地震属性参数的量纲各不相同,相互之间不易进行对比,这将会给煤厚定量分析带来影响。因此,利用公式(4)对地震属性做归一化处理。
其中:xj(i)和yj(i)为归一化前后第i道第j种地震属性的值,xjmax为第j种地震属性的极大值,xjmin为第j种地震属性的极小值。
四、优选地震属性
地震数据携带大量的地质信息,当地层的地质情况确定时,只有在地层结构的变化导致相应特征参数变化达到一定程度的情况下,地震剖面才会有反映,而地震属性却对这些特征参数敏感得多,并且很多属性都是非线性的,它可能会增加预测的准确性。过多的地震属性对于煤厚预测也会带来不利的影响,如产生维数灾难,占用大量的存储空间和计算时间等。另外,大量的地震属性之间肯定包含许多彼此相关的因素,从而造成信息的重复和浪费,所以在进行煤厚预测之前,需要对地震属性进行优化。地震属性优化即从众多的地震属性中挑选出与研究目标关系最密切、反应最敏感的少数优势地震属性,利用优化后的地震属性预测煤厚,可以减少多解性,明显提高煤厚预测的精度。
灰色关联分析是灰色系统理论的重要组成部分,灰色关联分析主要通过关联度来体现,所谓灰色关联度就是用来度量各序列曲线之间密切程度的量,表现为序列曲线之间变化的相关程度。
设参考序列为X0={x0(1),x0(2),…,x0(n)},则比较序列为:
称:
为比较序列Xi对于参考序列X0在k点的关联系数。
称:
为比较序列Xi对于参考序列X0的灰色关联度。
其中:ζ∈[0,1]为分辨率系数,一般取ζ=0.5。
将灰色关联度γ(X0,Xi)简记为γ0i,k点关联系数γ(x0(k),xi(k))简记为γ0i(k);参考序列与比较序列的灰色关联度计算步骤为:
(41)求各序列的初值像(或均值像),令:
X′i=Xi/xi(1)={x′i(1),x′i(2),…,x'i(n)},i=0,1,2,…,m (8)
(42)求差序列,记:
(43)求两极最大差与最小差,记:
(44)求关联系数:
(45)计算灰色关联度:
工区中有34口钻孔有实测煤厚值,这34个实测煤厚值真实地反映了地下煤厚的信息,将井旁道的地震属性值与实测煤厚值按照公式(5)~(12)作灰色关联度分析。选取8种与钻孔处已知煤厚的灰色关联度高、相关性强的地震属性,以达到有效去除冗余地震属性,减少参与煤厚定量预测地震属性个数的目的。选取的8种地震属性为:相似系数体、瞬时振幅、正值曲率、薄层指示值、瞬时频率、反射系数、局部变化率和积分绝对振幅。
选出的8种地震属性,其互相之间存在灰色关联度高、相关性较好的情况,再计算各地震属性间的灰色关联度,关联度较高的地震属性可以聚为一类,仅选择同一类地震属性中与煤厚灰色关联度最大的地震属性,得4种地震属性用于最终的煤厚定量预测。选取的4种地震属性为:相似系数体、瞬时振幅、瞬时频率和反射系数属性。
五、支持向量机定量预测煤厚
根据该工区中34口钻孔的实测煤厚值,以及钻孔处归一化的相似系数体、瞬时振幅、瞬时频率和反射系数属性为学习样本,利用支持向量机建立地震属性与煤厚之间的非线性关系进行学习和训练。根据预测的均方根误差和决定系数,确定支持向量机的惩罚因子为0.13,核函数参数为0.17。为了分析煤厚定量预测结果的精度,提取全区34口钻孔处的煤厚预测值,并将其与实际煤厚进行对比分析,支持向量机的煤厚定量预测结果如表2所示。
表2钻孔处煤厚信息及煤厚预测结果
钻孔号 Xline Inline 煤厚(m) 预测煤厚(m) 绝对误差(m)
1 83 97 6.99 6.94 0.05
2 182 63 6.72 6.65 0.07
3 93 218 6.35 6.43 0.08
4 322 24 6.18 6.31 0.15
5 306 87 6.9 6.81 0.09
6 318 202 6.65 6.59 0.06
7 420 190 6.65 6.38 0.27
8 109 76 6.09 6.20 0.11
9 79 157 6.95 6.87 0.08
10 145 123 6.6 6.72 0.12
11 128 185 6.47 6.53 0.06
12 151 172 6.52 6.61 0.09
13 186 154 6.65 6.57 0.08
14 201 101 6.02 6.23 0.21
15 211 104 6.04 6.15 0.11
16 150 241 6.42 6.22 0.20
17 174 210 6.57 6.42 0.15
18 194 269 6.5 6.34 0.16
19 235 212 6.05 6.25 0.20
20 281 144 6.8 6.87 0.07
21 262 237 6.94 6.96 0.02
22 282 243 7.13 7.19 0.06
23 317 164 7.05 6.90 0.15
24 323 153 7.2 7.13 0.07
25 348 106 7.2 6.99 0.21
26 370 163 6.65 6.47 0.18
27 416 120 6.75 6.92 0.17
28 436 116 6.77 6.57 0.20
29 300 309 7.1 6.92 0.18
30 383 295 6.9 7.01 0.11
31 342 260 7.13 7.04 0.09
32 402 226 6.42 6.62 0.20
33 416 250 6.95 7.02 0.07
34 455 327 6.1 6.15 0.05
由表2可知,基于经验模态分解和支持向量机的煤厚定量预测的最小绝对误差为0.02m,最大绝对误差为0.27m,预测误差较小,精度较高。
利用本发明预测的全工区煤厚结果如图3所示,由图可知,该区煤层厚度较大且稳定,全区煤厚基本均超过6m,在Xline150-300,Inline100-300位置处煤层较厚,厚度大于6.4m,具有较好的开采和利用价值。
应用结果表明,本发明提出的煤厚定量预测方法具有较高的预测精度,可广泛用于煤厚的定量预测,能为煤矿提供有力的地质保障,对矿井合理开采、安全部署以及提高经济效率均有着重要的意义。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种利用经验模态分解和支持向量机定量预测煤厚的方法,对矿井采区的煤层厚度进行预测,其特征在于:具体包括如下步骤:
(1)根据测井资料的纵波速度和密度计算反射系数,利用雷克子波与反射系数进行褶积运算得到合成地震记录,对合成地震记录增加噪音;
(2)利用经验模态分解方法,对增加噪音后的合成地震记录进行经验模态分解;
(3)计算经验模态分解后所得的各本征模态函数与未增加噪音的合成地震记录的相关系数;
(4)确定相关系数最大的本征模态函数为地震属性提取的基础数据;
(5)从地震属性提取的基础数据中提取地震属性,并对各地震属性进行归一化预处理;所述地震属性包括体属性、顺层属性和层间属性;
(6)利用灰色关联度法,根据钻孔处已知煤厚和地震属性,选用部分地震属性进行煤厚的定量预测;
(7)将钻孔处已知煤厚和地震属性作为学习样本,利用支持向量机进行学习和训练,开展全工区的非线性的煤厚定量预测。
2.根据权利要求1所述的利用经验模态分解和支持向量机定量预测煤厚的方法,其特征在于:所述步骤(6)中,根据钻孔处已知煤厚和地震属性,选择部分地震属性进行煤厚的定量预测,具体选择方法为:根据地震属性与钻孔处已知煤厚的灰色关联度、地震属性彼此间的灰色关联度选择部分地震属性进行煤厚的定量预测,地震属性与钻孔处已知煤厚的灰色关联度越大越好,地震属性彼此间的灰色关联度越小越好。
3.根据权利要求1所述的利用经验模态分解和支持向量机定量预测煤厚的方法,其特征在于:所述步骤(6)中,根据钻孔处已知煤厚和地震属性,选择部分地震属性进行煤厚的定量预测,具体选择方法为:
(61)按比例选取出与钻孔已知煤厚的灰色关联度最高、相关性最强的n个地震属性;
(62)对选出的n个地震属性,计算其相互之间的灰色关联度,根据灰色关联度分为m类地震属性;
(63)从每一类地震属性中选择出与钻孔处已知煤厚的灰色关联度最高的一个以上地震属性;
(64)结合从m类地震属性中选取出的所有地震属性进行煤厚定量预测。
CN201810069832.7A 2018-01-24 2018-01-24 一种利用经验模态分解和支持向量机定量预测煤厚的方法 Active CN108333629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810069832.7A CN108333629B (zh) 2018-01-24 2018-01-24 一种利用经验模态分解和支持向量机定量预测煤厚的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810069832.7A CN108333629B (zh) 2018-01-24 2018-01-24 一种利用经验模态分解和支持向量机定量预测煤厚的方法

Publications (2)

Publication Number Publication Date
CN108333629A true CN108333629A (zh) 2018-07-27
CN108333629B CN108333629B (zh) 2021-08-24

Family

ID=62925661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810069832.7A Active CN108333629B (zh) 2018-01-24 2018-01-24 一种利用经验模态分解和支持向量机定量预测煤厚的方法

Country Status (1)

Country Link
CN (1) CN108333629B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109839663A (zh) * 2019-03-20 2019-06-04 山西山地物探技术有限公司 一种隐伏陷落柱的地震识别方法和装置
CN109884697A (zh) * 2019-03-20 2019-06-14 中国石油化工股份有限公司 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法
CN111160668A (zh) * 2020-01-02 2020-05-15 中国矿业大学 一种煤层地理信息系统精度提升方法
CN111852460A (zh) * 2019-04-24 2020-10-30 中国石油化工股份有限公司 一种基于经验模态分解的测录井曲线归一化方法
CN112213781A (zh) * 2020-07-30 2021-01-12 中国煤炭地质总局地球物理勘探研究院 一种大数据下煤层厚度预测方法与系统
CN113447982A (zh) * 2021-07-20 2021-09-28 兖州煤业股份有限公司 独头掘进巷道超前区域的冲击危险探测方法
CN113960659A (zh) * 2021-10-14 2022-01-21 中国矿业大学 一种地震岩石物理驱动的煤层气储层含气量预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975462A (zh) * 2006-09-05 2007-06-06 孟召平 基于地震属性的煤层厚度分析方法
CN101158724A (zh) * 2007-09-14 2008-04-09 中国石油集团西北地质研究所 基于偶极小波的储层厚度预测方法
US20080294345A1 (en) * 2007-05-22 2008-11-27 Chevron U.S.A. Inc. Method for determining attributes associated with net-sand thickness
CN102478668A (zh) * 2010-11-30 2012-05-30 中国石油天然气集团公司 一种应用地震多属性参数预测煤层厚度的方法
CN104636314A (zh) * 2015-01-30 2015-05-20 太原科技大学 一种单通道混沌信号盲源分离法
CN104950337A (zh) * 2015-05-06 2015-09-30 天津大学 基于峰度系数的噪声滤除方法
CN106199725A (zh) * 2016-08-16 2016-12-07 中国石油化工股份有限公司 一种基于正振幅求和属性的煤岩厚度预测方法及装置
CN107102356A (zh) * 2017-06-02 2017-08-29 成都理工大学 基于ceemd的地震信号高分辨率处理方法
CN107491846A (zh) * 2017-08-31 2017-12-19 中国地质科学院矿产资源研究所 采用类比法对煤炭资源进行概略技术经济评价的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975462A (zh) * 2006-09-05 2007-06-06 孟召平 基于地震属性的煤层厚度分析方法
US20080294345A1 (en) * 2007-05-22 2008-11-27 Chevron U.S.A. Inc. Method for determining attributes associated with net-sand thickness
CN101158724A (zh) * 2007-09-14 2008-04-09 中国石油集团西北地质研究所 基于偶极小波的储层厚度预测方法
CN102478668A (zh) * 2010-11-30 2012-05-30 中国石油天然气集团公司 一种应用地震多属性参数预测煤层厚度的方法
CN104636314A (zh) * 2015-01-30 2015-05-20 太原科技大学 一种单通道混沌信号盲源分离法
CN104950337A (zh) * 2015-05-06 2015-09-30 天津大学 基于峰度系数的噪声滤除方法
CN106199725A (zh) * 2016-08-16 2016-12-07 中国石油化工股份有限公司 一种基于正振幅求和属性的煤岩厚度预测方法及装置
CN107102356A (zh) * 2017-06-02 2017-08-29 成都理工大学 基于ceemd的地震信号高分辨率处理方法
CN107491846A (zh) * 2017-08-31 2017-12-19 中国地质科学院矿产资源研究所 采用类比法对煤炭资源进行概略技术经济评价的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SUO CHONG HUI 等: "study and application of seismic attributes on coal seam thickness prediction", 《APPLIED MECHANICS AND MATERIALS》 *
刘和武: "宿南矿区7煤层厚度变化特征及其主要控制因素研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
陈同俊 等: "基于SVR和地震属性的构造煤厚度定量预测", 《煤炭学报》 *
黄亚平 等: "基于灰色关联度和支持向量机的地震属性优选方法", 《中国地球科学联合学术年会 2014》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109839663A (zh) * 2019-03-20 2019-06-04 山西山地物探技术有限公司 一种隐伏陷落柱的地震识别方法和装置
CN109884697A (zh) * 2019-03-20 2019-06-14 中国石油化工股份有限公司 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法
CN109839663B (zh) * 2019-03-20 2020-04-10 山西山地物探技术有限公司 一种隐伏陷落柱的地震识别方法和装置
CN109884697B (zh) * 2019-03-20 2021-06-22 中国石油化工股份有限公司 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法
CN111852460A (zh) * 2019-04-24 2020-10-30 中国石油化工股份有限公司 一种基于经验模态分解的测录井曲线归一化方法
CN111160668A (zh) * 2020-01-02 2020-05-15 中国矿业大学 一种煤层地理信息系统精度提升方法
CN112213781A (zh) * 2020-07-30 2021-01-12 中国煤炭地质总局地球物理勘探研究院 一种大数据下煤层厚度预测方法与系统
CN112213781B (zh) * 2020-07-30 2023-04-25 中国煤炭地质总局地球物理勘探研究院 一种大数据下煤层厚度预测方法与系统
CN113447982A (zh) * 2021-07-20 2021-09-28 兖州煤业股份有限公司 独头掘进巷道超前区域的冲击危险探测方法
CN113447982B (zh) * 2021-07-20 2022-04-19 兖矿能源集团股份有限公司 独头掘进巷道超前区域的冲击危险探测方法
CN113960659A (zh) * 2021-10-14 2022-01-21 中国矿业大学 一种地震岩石物理驱动的煤层气储层含气量预测方法

Also Published As

Publication number Publication date
CN108333629B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN108333629A (zh) 一种利用经验模态分解和支持向量机定量预测煤厚的方法
CN105675635B (zh) 致密岩石组分相对含量及脆性指数确定方法和装置
CN105044770A (zh) 致密砂砾岩气藏储层定量预测方法
CN105986815A (zh) 一种用于识别页岩地层地质甜点的方法
CN105986816A (zh) 一种用于识别页岩地层甜点的方法
CN107133670A (zh) 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统
CN102466815A (zh) 三叠系碎屑岩油气藏识别方法
CN111352172B (zh) 一种用井震联合法获取铀异常在砂体中空间分布位置的方法
CN105629304B (zh) 一种基于多属性的砂体叠合模式识别方法
CN107807410A (zh) 储层地球物理敏感参数优选方法及系统
CN108663714A (zh) 一种沉积微相刻画方法
Liu et al. Seismic characterization of fault and fractures in deep buried carbonate reservoirs using CNN-LSTM based deep neural networks
Méndez et al. Rock type prediction and 3D modeling of clastic paleokarst fillings in deeply-buried carbonates using the Democratic Neural Networks Association technique
Changzi et al. Seismic prediction of sweet spots in the Da'anzhai shale play, Yuanba area, the Sichuan Basin
CN107664776A (zh) 一种碳酸盐岩风化壳岩溶储层厚度地震预测方法及装置
Wu et al. Combination of seismic attributes using clustering and neural networks to identify environments with sandstone-type uranium mineralization
Ningkai et al. Stepped and detailed seismic prediction of shallow-thin reservoirs in Chunfeng oilfield of Junggar Basin, NW China
CN112147676A (zh) 一种煤层及夹矸厚度预测方法
Qingcai et al. Quantitative prediction of shale gas sweet spots based on seismic data in Lower Silurian Longmaxi Formation, Weiyuan area, Sichuan Basin, SW China
Taheri et al. Quantifying fracture density within the Asmari reservoir: an integrated analysis of borehole images, cores, and mud loss data to assess fracture-induced effects on oil production in the Southwestern Iranian Region
Watters et al. A sleeping giant awakened; further development of the Seria Field, Brunei Darussalam, after almost 70 years of production
Salim et al. Developing a fit-for-basin novel solution with the first application of iCore behind cased borehole in a complex heterogeneous miocene carbonate reservoir: Bakr Oil Field, Central Province of Gulf of Suez
Chapin et al. Integrated static and dynamic modeling of the Pinedale tight gas field, Wyoming
Li et al. Application of high-definition maximum positive and negative curvature in fault opening description of shale oil reservoir in Jimsar Sag, Junggar Basin, Xinjiang
CN113093275B (zh) 曲流河及曲流河三角洲油田钻井成功率提高方法及装置

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
GR01 Patent grant
GR01 Patent grant