CN108665109A - 一种基于回归委员会机器的储层参数测井解释方法 - Google Patents
一种基于回归委员会机器的储层参数测井解释方法 Download PDFInfo
- Publication number
- CN108665109A CN108665109A CN201810463075.1A CN201810463075A CN108665109A CN 108665109 A CN108665109 A CN 108665109A CN 201810463075 A CN201810463075 A CN 201810463075A CN 108665109 A CN108665109 A CN 108665109A
- Authority
- CN
- China
- Prior art keywords
- committee
- reservoir parameter
- data set
- log
- data
- 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 42
- 230000001373 regressive effect Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000035945 sensitivity Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 230000035699 permeability Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Geology (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Primary Health Care (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Development Economics (AREA)
Abstract
本发明公开一种基于回归委员会机器的储层参数测井解释方法，包括以下步骤：1)选择对待预测参数敏感的测井数据作为输入；2)对输入的每个属性值进行归一化；3)根据岩石物理实验结果得到储层参数；4)将每一层的测井数据和储层参数实验数据组合在一起构成数据集；5)将数据集随机分成训练数据集和测试数据集；6)选用若干种智能回归算法作为前置回归预测器；7)以训练数据集作为输入，分别对每一种智能回归算法进行训练，得到对应的回归预测模型；8)以测试数据集作为输入，分别通过每一种回归预测模型给出一个预测值；9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用一种委员会决策机制，给出最终的预测值。
Description
技术领域
本发明属于石油勘探中储层测井评价技术领域，具体涉及一种基于回归委员会机器的储层参数测井解释方法。
背景技术
地球物理测井是沿井眼的连续和原位地球物理参数测量技术，测量数据主要包括自然伽马、自然电位、深浅电阻率、补偿声波、密度、中子等，利用这些测井数据可以实现储层划分以及孔隙度、渗透率和饱和度的评价。在常规储层测井评价中，上述参数的评价通常采用储层参数测井解释方法模型、方法和理论，或者与地区有关的经验公式。但是，对于低孔低渗储层、低阻油层等复杂地层，孔隙中的流体对测井响应的贡献小，孔隙度、渗透率和饱和度等储层参数与测井响应之间的关系是非线性的，通常的理论模型或者经验公式已经不能照搬使用，计算结果的精度也不高。为此，针对该类储集层，国内外相关学者利用了神经网络等智能算法来解决储层参数测井解释方法的问题。通常的做法是，选用对流体敏感的测井数据作为输入，然后选用某单一智能算法(比如BP神经网络)进行训练，训练集来自于已知岩石物理实验结果的数据，训练好网络后，再输入待预测储层的测井数据，利用训练好的神经网络预测储层孔隙度、渗透率和饱和度等参数，从而实现储层参数的预测。
基于神经网络利用测井数据进行储层参数预测的核心是采用的机器学习算法。目前常采用BP网络、支持向量机等单一学习算法，这些方法都有各自的优缺点。通常情况下，单一智能算法进行训练和预测时往往出现过度训练，会陷入局部极小，而导致泛化能力不佳。因此，单一智能算法具有鲁棒性不好的缺点。
为此，考虑到每种智能算法都有不同的优势和功能，可以采用多种智能算法联合的途径来降低陷入局部极小的风险，本发明拟在核心算法上采用多种智能算法联合的策略，而且通过优良的决策和回归方法使预测结果更准确，精度更高。
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。
支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
在机器学习中，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
自适应神经模糊推理系统是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并能自动产生If-Then规则。基于自适应神经网络的模糊推理系统ANFIS(AdaptiveNetwork-based Fuzzy Inference System)将神经网络与模糊推理有机的结合起来，既发挥了二者的优点，又弥补了各自的不足。
储层参数预测是对储层孔隙度、渗透率与饱和度进行定量评价。回归问题是建立因变量y与自变量x之间关系的问题，孔隙度等储层参数的计算就是建立孔隙度与各个测井数据(如声波时差、补偿中子、补偿密度等)之间的非线性关系模型。
发明内容
为了解决单一智能回归算法存在的过拟合、陷入局部最小，而导致泛化能力不佳的问题，本发明提供一种基于回归委员会机器的储层参数测井解释方法，所述方法在多个智能回归算法的基础上采用委员会决策机制，利用测井数据实现储层参数的回归预测。所述方法将多个智能回归算法的预测结果组合起来，运用一种类似委员会的决策机制，在多个回归预测结果的基础上，通过加权平均法确定最终的回归预测结果，有效地结合了不同智能回归算法的优势，提高了最终预测的准确性。
为实现上述目标，本发明采用以下技术方案：
一种基于回归委员会机器的储层参数测井解释方法，所述方法包括以下步骤：
1)选择对待预测参数敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)采用岩石物理实验结果作为已知储层的参数；
4)将每一层的测井数据和储层的参数组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能回归算法作为前置回归预测器；
7)以训练数据集作为输入，分别对每一种智能回归算法进行训练，得到对应的回归预测模型；
8)以测试数据集作为输入，分别通过每一种回归预测模型给出一个预测值；
9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用一种委员会决策机制，给出最终的预测值。
优选的，所述步骤1)中，选取声波时差(AC，)、中子密度(CNL)、补偿密度(DEN)、自然伽马(GR)、深感应测井(ILD)、中感应测井(ILM)等测井数据作为输入数据。
优选的，所述步骤3)中涉及的储层参数包括泥质含量、孔隙度、渗透率、饱和度。
优选的，所述步骤5)中，训练数据集和测试数据集分别占数据集总量的80％和20％。
优选的，所述步骤6)中采用的智能回归预测算法包括BP神经网络、支持向量机和自适应神经网络-模糊推理系统。
优选的，所述步骤9)中的委员会决策机制采用加权平均法组合各智能回归预测模型的输出值，产生最终的回归预测值。
优选的，所述加权平均法，赋予每个智能回归预测模型一个权重值来计算各个预测值的加权平均数。
优选的，使用遗传算法获取最优的权重组合以构建委员会机器。对遗传算法的适应函数定义如下：
该函数表征了在委员会机器训练时的误差，其中w1、w2、w3分别对应BP神经网络(oBPNN)、支持向量机(oSVM)、ANFIS(oANFIS)的预测的权重因子，O是预测值，T是目标值(测试数据中的孔隙度)，N是训练数据的数量。为了使w1+w2+w3＝1，在遗传算法中设定如下约束条件：
Aw＝b (2)
式中，A＝[1 1 1]，w＝[w1 w2 w3]，b＝1。同时设置wi的上限为1，下限为0。
本发明的优点和有益效果为：本发明在核心回归预测算法选择上提出了多种智能回归预测算法联合的思想，即委员会机器，类似于组建了一个委员会，每个委员对应不同的智能回归预测算法，每种回归预测算法都有不同的优势和功能。该委员会机器模拟委员会的决策机制，通过优良的决策机制把这些单一智能回归预测算法联合起来，可以降低陷入局部最小的概率，使委员会的决策更科学，更准确。因此，该方法比单个智能回归预测系统更优越，训练程度更高，预测结果更好。
附图说明
附图1是本发明所述基于回归委员会机器的储层参数测井解释方法的工作原理图。
附图2是本发明所述基于回归委员会机器的储层参数测井解释方法的工作流程图。
附图3是本发明所述基于回归委员会机器的储层参数测井解释方法预测的孔隙度与岩石物理实验孔隙度对比图。
附图4是本发明所述基于回归委员会机器的储层参数测井解释方法在实施例中与各单一智能算法回归预测性能的对比图。
附图5是本发明所述基于回归委员会机器的储层参数测井解释方法完成的储层参数测井解释成果图。
具体实施方式
参见附图1、附图2。
一种基于回归委员会机器的储层参数测井解释方法，所述方法包括以下步骤：
1)选择对待预测参数敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)根据岩石物理实验结果得到储层的参数；
4)将每一层的测井数据和储层的参数组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能回归算法作为前置回归预测器；
7)以训练数据集作为输入，分别对每一种智能回归算法进行训练，得到对应的回归预测模型；
8)以测试数据集作为输入，分别通过每一种回归预测模型给出一个预测值；
9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用一种委员会决策机制，给出最终的预测值。
优选的，所述步骤1)中，选取声波时差(AC，)、中子密度(CNL)、补偿密度(DEN)、自然伽马(GR)、深感应测井(ILD)、中感应测井(ILM)等测井数据作为输入数据。
优选的，所述步骤3)中涉及的储层参数包括泥质含量、孔隙度、渗透率、饱和度等参数。
优选的，所述步骤5)中，训练数据集和测试数据集分别占数据集总量的80％和20％。
优选的，所述步骤6)中采用的智能回归预测算法包括BP神经网络、支持向量机和自适应神经网络-模糊推理系统。
优选的，所述步骤9)中的委员会决策机制采用加权平均法组合各智能回归预测模型的输出值，产生最终的回归预测值。
优选的，所述加权平均法，赋予每个智能回归预测模型一个权重值来计算各个预测值的加权平均数。
优选的，使用遗传算法获取最优的权重组合以构建委员会机器。对遗传算法的适应函数定义如公式(1)所示，在遗传算法中设定约束条件如公式(2)所示。
下面结合实施例对本发明作进一步说明。
实施例
选取某致密砂岩测井数据以及岩石物理实验结果进行回归委员会机器实验，研究的目标是孔隙度预测。按照以下步骤操作：
1)选择与孔隙度有关的声波时差(AC)、中子密度(CNL)、补偿密度(DEN)以及自然伽马(GR)测井数据作为输入数据；
2)对输入特征的数据做归一化处理，归一化公式为：
式中，xmin、xmax分别为某一属性中所有数据的平均值、最小值、最大值，x为待归一化的数据。经过归一化处理后，各输入特征的数据均在[-1,1]内；
3)已知的储层孔隙度参数由岩石物理实验测得；
4)将每一层的测井数据和岩心孔隙度实验结果组合在一起构成数据集；
5)将数据集随机地分成两类，80％的数据作为训练集，20％的数据作为测试集，部分训练集数据如表1所示，部分测试集数据如表2所示；
6)选用BP神经网络、支持向量机和神经模糊系统作为前置回归预测器；
7)以训练数据集作为输入，分别对每一种前置回归预测算法进行训练，得到对应的回归预测模型；
8)利用测试数据集，分别通过训练得到的BP神经网络、支持向量机和神经模糊系统这三个模型，对每个样本输入xi，三个模型分别输出了一个回归预测值，OBPNN.i、OSVM.i和OANFIS.i，将其作为委员会机器构建实验数据；
9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用加权平均法作为委员会的结合策略。
在加权平均法中，赋予每个智能回归预测模型一个权重值来计算各个预测值的加权平均数，使用遗传算法获取最优的权重组合以构建委员会机器。对遗传算法的适应函数定义如式(1)所示，约束条件如式(2)所示。
在遗传算法中，经过62次迭代，目标函数最佳值不再降低，遗传算法得到最佳的权重值(0.0348，0.7884，0.1778)，以该权重组合各智能回归预测模型的预测值。使用回归委员会机器计算孔隙度的公式如下：
PORCMIS＝0.0348×PORBPNN+0.7884×PORSVM+0.1778×PORANFIS (3)
最后，利用测试数据集对回归委员会机器进行测试。从委员会机器预测孔隙度的(MSE)为0.3331，这显示了相对于BP神经网络、支持向量机和神经模糊系统的性能提升，并且实际测量的孔隙度和委员会机器预测的孔隙度之间的R2提高至0.9548，如附图3所示。
表1用于回归预测委员会实验的部分训练数据
表2用于回归预测委员会实验的部分测试数据
对比例
为了说明回归预测委员会方法的性能，用均方误差和预测准确率表征回归预测的性能，使用测试数据对该委员会以及三个委员——BP神经网络、支持向量机和神经模糊系统的回归预测性能进行测试，并将回归预测委员会的预测结果与三个委员——BP神经网络、支持向量机和神经模糊系统在该回归预测问题上的性能进行对比。测试结果为：委员会模型预测结果与目标值的均方误差比单个委员系统的均方误差都要低，并且基于回归预测委员会的预测准确率也高于任何一个单一委员系统的准确率，对比情况如附图4所示。
当然，利用回归委员会还可以来预测泥质含量、渗透率甚至饱和度等参数，可以实现多种储层参数的预测和测井解释方法。附图5为某致密砂岩储层基于回归委员会机器的测井解释成果图。
最后应说明的是：显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (7)
1.一种基于回归委员会机器的储层参数测井解释方法，其特征在于，所述方法包括以下步骤：
1)选择对待预测参数敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)根据岩石物理实验结果得到已知储层的参数；
4)将每一层的测井数据和储层参数组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能回归算法作为前置回归预测器；
7)以训练数据集作为输入，分别对每一种智能回归算法进行训练，得到对应的回归预测模型；
8)以测试数据集作为输入，分别通过每一种回归预测模型给出一个预测值；
9)针对每一组输入数据，将各回归预测模型给出的预测值组合起来，采用一种委员会决策机制，给出最终的预测值。
2.根据权利要求1所述的一种基于回归委员会机器的储层参数测井解释方法，其特征在于：所述步骤1)中，选取声波时差、中子密度、补偿密度、自然伽马、深感应测井、中感应测井等测井数据作为输入数据。
3.根据权利要求1所述的一种基于回归委员会机器的储层参数测井解释方法，其特征在于：所述步骤3)中涉及的储层参数包括泥质含量、孔隙度、渗透率、饱和度。
4.根据权利要求1所述的一种基于回归委员会机器的储层参数测井解释方法，其特征在于：所述步骤5)中，训练数据集和测试数据集分别占数据集总量的80％和20％。
5.根据权利要求1所述的一种基于回归委员会机器的储层参数测井解释方法，其特征在于：所述步骤6)中采用的智能回归算法包括BP神经网络、支持向量机和自适应神经网络-模糊推理系统。
6.根据权利要求1所述的一种基于回归委员会机器的储层参数测井解释方法，其特征在于，所述步骤9)中的委员会决策机制采用加权平均法组合各智能回归预测模型的输出值，产生最终的回归预测值。
7.根据权利要求1或6所述的一种基于回归委员会机器的储层参数测井解释方法，其特征在于，所述加权平均法，赋予每个智能回归预测模型一个权重值来计算各个预测值的加权平均数，使用遗传算法获取最优的权重组合以构建委员会机器，对遗传算法的适应函数定义如下：
该函数表征了在委员会机器训练时的误差，其中w1、w2、w3分别对应BP神经网络、支持向量机、ANFIS预测的权重因子，O是预测值，T是目标值，N是训练数据的数量，
为了使w1+w2+w3＝1，在遗传算法中设定如下约束条件：
Aw＝b
式中，A＝[1 1 1]，w＝[w1 w2 w3]，b＝1，同时设置wi的上限为1，下限为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810463075.1A CN108665109A (zh) | 2018-05-15 | 2018-05-15 | 一种基于回归委员会机器的储层参数测井解释方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810463075.1A CN108665109A (zh) | 2018-05-15 | 2018-05-15 | 一种基于回归委员会机器的储层参数测井解释方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108665109A true CN108665109A (zh) | 2018-10-16 |
Family
ID=63779521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810463075.1A Pending CN108665109A (zh) | 2018-05-15 | 2018-05-15 | 一种基于回归委员会机器的储层参数测井解释方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665109A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
| CN111561313A (zh) * | 2020-05-15 | 2020-08-21 | 中国地质大学（北京） | 基于物理模型和机器学习的致密砂岩储层参数预测方法 |
| CN111695635A (zh) * | 2020-06-15 | 2020-09-22 | 中国地质大学（北京） | 动态分类委员会机器测井流体识别方法及系统 |
| CN111723526A (zh) * | 2020-06-24 | 2020-09-29 | 中国地质大学（北京） | 动态回归委员会机器测井储层参数预测方法及系统 |
| CN112099087A (zh) * | 2020-09-27 | 2020-12-18 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理智能预测方法、装置及介质 |
| CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
| CN112859192A (zh) * | 2019-11-28 | 2021-05-28 | 北京国双科技有限公司 | 岩心饱和度预测模型构建方法与岩心饱和度预测方法 |
| CN113155691A (zh) * | 2021-04-19 | 2021-07-23 | 西安新汇泽测控技术有限公司 | 一种矩阵式径流泥沙含量检测设备及检测方法 |
| CN114492627A (zh) * | 2022-01-25 | 2022-05-13 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105874466A (zh) * | 2014-01-02 | 2016-08-17 | 兰德马克绘图国际公司 | 历史拟合的多孔隙度解 |
-
2018
- 2018-05-15 CN CN201810463075.1A patent/CN108665109A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105874466A (zh) * | 2014-01-02 | 2016-08-17 | 兰德马克绘图国际公司 | 历史拟合的多孔隙度解 |
Non-Patent Citations (2)
| Title |
|---|
| 吴静 等: "页岩储层元素俘获能谱测井技术研究及应用", 《中国地球科学联合学术年会》 * |
| 王黎雪: "裂缝性致密砂岩测井解释方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
| CN109611087B (zh) * | 2018-12-11 | 2021-10-08 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
| CN110320557B (zh) * | 2019-06-10 | 2021-08-17 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
| CN112859192A (zh) * | 2019-11-28 | 2021-05-28 | 北京国双科技有限公司 | 岩心饱和度预测模型构建方法与岩心饱和度预测方法 |
| CN111561313A (zh) * | 2020-05-15 | 2020-08-21 | 中国地质大学（北京） | 基于物理模型和机器学习的致密砂岩储层参数预测方法 |
| CN111561313B (zh) * | 2020-05-15 | 2020-12-11 | 中国地质大学（北京） | 基于物理模型和机器学习的致密砂岩储层参数预测方法 |
| CN111695635A (zh) * | 2020-06-15 | 2020-09-22 | 中国地质大学（北京） | 动态分类委员会机器测井流体识别方法及系统 |
| CN111695635B (zh) * | 2020-06-15 | 2023-08-08 | 中国地质大学（北京） | 动态分类委员会机器测井流体识别方法及系统 |
| CN111723526A (zh) * | 2020-06-24 | 2020-09-29 | 中国地质大学（北京） | 动态回归委员会机器测井储层参数预测方法及系统 |
| CN112099087A (zh) * | 2020-09-27 | 2020-12-18 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理智能预测方法、装置及介质 |
| CN112489736A (zh) * | 2020-12-09 | 2021-03-12 | 中国石油大学(北京) | 一种矿物含量分析方法、装置、设备及存储介质 |
| CN113155691A (zh) * | 2021-04-19 | 2021-07-23 | 西安新汇泽测控技术有限公司 | 一种矩阵式径流泥沙含量检测设备及检测方法 |
| CN114492627A (zh) * | 2022-01-25 | 2022-05-13 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
| CN114492627B (zh) * | 2022-01-25 | 2023-04-21 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108665109A (zh) | 一种基于回归委员会机器的储层参数测井解释方法 | |
| Ahmadi et al. | Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via petro-physical logs | |
| Elkatatny et al. | New insights into porosity determination using artificial intelligence techniques for carbonate reservoirs | |
| CN108596251A (zh) | 一种基于委员会机器利用测井数据进行储层流体识别方法 | |
| Twomey et al. | Bias and variance of validation methods for function approximation neural networks under conditions of sparse data | |
| Rezaee et al. | Prediction of shear wave velocity from petrophysical data utilizing intelligent systems: An example from a sandstone reservoir of Carnarvon Basin, Australia | |
| CN102622418B (zh) | 一种基于bp神经网络的预测装置及设备 | |
| Olatunji et al. | Modeling the permeability of carbonate reservoir using type-2 fuzzy logic systems | |
| Huang et al. | An integrated neural-fuzzy-genetic-algorithm using hyper-surface membership functions to predict permeability in petroleum reservoirs | |
| Amiri et al. | Improving water saturation estimation in a tight shaly sandstone reservoir using artificial neural network optimized by imperialist competitive algorithm–A case study | |
| CN111324990A (zh) | 基于多层长短期记忆神经网络模型的孔隙度预测方法 | |
| Jiang et al. | Prediction of ecological pressure on resource-based cities based on an RBF neural network optimized by an improved ABC algorithm | |
| Asoodeh et al. | Estimation of bubble point pressure from PVT data using a power-law committee with intelligent systems | |
| Srisaeng et al. | An adaptive neuro-fuzzy inference system for forecasting Australia's domestic low cost carrier passenger demand | |
| Amirteimoori et al. | On the environmental performance analysis: a combined fuzzy data envelopment analysis and artificial intelligence algorithms | |
| Chen et al. | A cooperative cuckoo search–hierarchical adaptive neuro-fuzzy inference system approach for predicting student academic performance | |
| CN102622515A (zh) | 一种天气预测方法 | |
| CN115907001A (zh) | 基于知识蒸馏的联邦图学习方法及自动驾驶方法 | |
| CN109800517A (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
| Saemi et al. | Integration of genetic algorithm and a coactive neuro-fuzzy inference system for permeability prediction from well logs data | |
| De Carvalho et al. | Forecasting travel demand: a comparison of logit and artificial neural network methods | |
| Gimblett et al. | Autonomous rule generation and assessment for complex spatial modeling | |
| Shokir et al. | Permeability estimation from well log responses | |
| Ma | An Efficient Optimization Method for Extreme Learning Machine Using Artificial Bee Colony. | |
| Donyaii et al. | Using composite ranking to select the most appropriate Multi-Criteria Decision Making (MCDM) method in the optimal operation of the Dam reservoir |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tan Maojin Inventor after: Bai Yang Inventor after: Zhang Haitao Inventor after: Wu Jing Inventor before: Tan Maojin Inventor before: Lu Chenwei Inventor before: Zhang Haitao Inventor before: Wu Jing |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |