CN108897975A - 基于深度信念网络的煤层气测井含气量预测方法 - Google Patents
基于深度信念网络的煤层气测井含气量预测方法 Download PDFInfo
- Publication number
- CN108897975A CN108897975A CN201810880131.1A CN201810880131A CN108897975A CN 108897975 A CN108897975 A CN 108897975A CN 201810880131 A CN201810880131 A CN 201810880131A CN 108897975 A CN108897975 A CN 108897975A
- Authority
- CN
- China
- Prior art keywords
- air content
- log data
- log
- coalbed
- 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.)
- Granted
Links
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种煤气层测井含气量的预测领域,尤其是一种基于深度信念网络的煤层气测井含气量的预测方法。一种基于深度信念网络的煤层气测井含气量预测方法,主要通过计算机完成,实现该方法所需设备包括测井仪器、数据通讯接口及计算机;该方法包括:利用煤层气测井数据预测煤层气储层含气量,确定主要的测井数据;测井数据的降噪;归一化处理;测井数据与含气量之间关联度的计算;测井数据作为样本,输入限制玻尔兹曼机进行无监督训练;利用有监督学习对权值矩阵进行微调;将其它未取心井的所采集的煤层测井数据,经过降噪和归一化处理后,传输到预测模型算法的计算机中,进而得到未取心井预测的煤层气储层含气量。
Description
技术领域
本发明涉及一种煤气层测井含气量的预测领域,尤其是一种基于深度信念网络的煤层气测井含气量的预测方法。
背景技术
我国能源资源的基本特点可以概括为六个字:富煤、贫油、少气。基于这一特点,长期以来,煤炭资源在我国的能源结构中占据重要地位。地下的煤炭资源并非单一的固相介质,其表面往往吸附着以分子形式存在的气体,即,煤层气。煤层气是一种清洁高效的能源,加大煤层气的开发与利用,既能够降低能源的消耗,又能够减少环境的污染。
在煤层气的勘探过程中,预测煤层含气量对于后期煤层气的开发与利用意义重大。评价煤层气含量的方法很多,其中,精确度最高的当属取芯后进行实验室测定。然而,实验室测定含气量价格贵,时间长,对设备要求高,因此,不可能大规模开展。
而在众多其它方法中,煤层气测井是极具前途的一种手段。然而,不同于常规天然气储层,大部分煤层气都以吸附的状态赋存于煤层中。吸附气不是一种以独立空间形式存在的气体,其基本不会直接对测井曲线产生影响,而主要通过煤层的各种组分(固定碳、灰分、水分及挥发分)进行间接的影响。因而,测井曲线与煤层气含气量之间的关系是一种复杂的非线性关系。大量研究表明,在处理非线性问题上,以神经网络为代表的机器学习算法是最优的方法。
但是,尽管前人利用各类人工智能算法在煤层气测井含气量预测方面开展了大量的工作,并取得了一定的成果,但是仍然存在以下几个方面的问题,有待改进:
(1)多元回归分析法通常采用多元线性回归方程对含气量进行计算,本质上是利用线性的方法解决非线性问题,所以这一方法本身存在很大的缺陷。
(2)Langmuir方程法所计算的结果只是煤层含气饱和度为100%时的含气量,当含气饱和度较低时,该方法误差较大。
(3)在使用BP神经网络计算含气量时,往往未对测井数据所蕴含的信息进行挖掘,从而造成神经网络性能下降。每一条测井曲线均由有效信号和噪声构成。有效信号是测井曲线中的有用部分,其反映地层的各种信息,而噪声则是在数据测量过程中,随机产生的各种干扰。然而,现今一般的做法,都在未提高测井曲线信噪比的情况下,直接训练神经网络。这就造成,当信噪比比较低的情况下,噪声过多输入,从而导致训练出的神经网络性能下降。
(4)传统的BP神经网络往往随机对连接权值进行初始化,再以误差梯度下降作为权值调整原则,这样一来往往存在收敛慢以及局部极小值问题,从而难以得到全局最优解。
发明内容
本发明的目的在于针对多元回归分析法、Langmuir方程法以及BP神经网络法存在的问题,提供一种预测简单、实用可靠的基于深度信念网络的煤层气测井含气量预测方法。
本发明公开了一种基于深度信念网络的煤层气测井含气量预测方法,主要通过计算机完成,其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机;
所述测井仪器,用于采集煤层气测井数据,即深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马、井径九种测井数据;
所述数据通讯接口,用于将现场测井仪器采集的上述九种测井数据,传输到计算机中;
所述计算机,用于运行深度信念网络的煤层气储层含气量预测算法,根据煤层气测井数据,预测出输出变量煤层气储层含气量;
该方法包括如下步骤:
步骤一、利用煤层气测井数据预测煤层气储层含气量,主要的测井数据为深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马、井径九种常规测井数据,预测输出变量为煤层气储层含气量;
步骤二、测井数据的降噪:
利用现场测井仪器采集测井数据,将测井曲线看作随深度变化的空间信号,其由有效信号和干扰信号叠加而成;利用经验小波变换EWT的方法对测井数据进行降噪,将最后得到的一系列本征模态函数IMFK,记为IMF1,IMF2,…,IMFk;每一个本征模态函数分别代表测井曲线中不同空间频率的部分,且随着k的增大,本征模态函数的空间频率越高;由于噪声的空间频率较高,略去最后一个本征模态函数,达到降噪的目的;再将其余本征模态函数进行叠加得到去噪后的测井曲线;
步骤三、归一化处理:每一种测井方法的物理原理不同,其测量的物理参数的量纲和数量级均有很大的差别,需要对测井数据进行归一化处理,使其具有相同的量纲和数值分布范围;经过归一化处理的测井数据均为无量纲量,且分布区间为[0,1];
步骤四、测井数据与含气量之间关联度的计算:采用灰色关联分析法分析各测井曲线与含气量之间的相关性:在某区块内,选取n层煤层作为样本,选取标准是:煤层的厚度大于0.5m,样本的的数量n应当大于200;
计算每种测井数据与含气量的灰色关联度后,可以进行关联度的排序,以0.8为界限,剔除关联度较小的测井数据,保留关联度较高的测井数据作为深度信念网络的输入参数;
步骤五、将步骤四中确定的测井数据作为样本,输入限制玻尔兹曼机进行无监督训练,限制玻尔兹曼机的个数不少于5个,其中隐含层神经元个数,以样本数量的十分之一作为隐含层神经元个数的选取标准,根据实际运算结果,在样本数量的百分之二范围内适度增减;
将最后一个限制玻尔兹曼机的隐含层神经元整体的开启状态作为分类器的输入,得到最终的输出结果Gout;
步骤六、经过无监督学习,深度信念网络的权值矩阵基本可以确定,需利用有监督学习对权值矩阵进行微调:
对所测煤层进行取心,进行实验室分析,其测得的煤层气储层实测含气量为GE,则误差函数为误差函数对隐含层各神经元的偏导数为δv(k);连接权值调整规则为w=ηδkfi,k,η为学习率,k=1,2,3,…,n;对于初始连接权值,随机选取正态分布(0.001,1)中的随机数即可;不断调整连接权值,设定e≤0.01,直到误差函数满足要求,深度信念网络训练完成,从而确定煤层气储层含气量的预测模型;
步骤七、将其它未取心井的所采集的煤层测井数据,经过步骤二降噪和步骤三归一化处理后,传输到步骤六得到的煤层气储层含气量预测模型算法的计算机中,进而得到未取心井预测的煤层气储层含气量。
现有技术中,目前常用的三种估算煤层气含气量的方法是多元回归分析法、Langmuir方程法和BP神经网络法。所述多元回归分析法,以含气量与测井响应之间服从某种概率统计分布为前提,通过多元回归,得到反映含气量和测井响应之间关系的回归方程,继而利用该方程估算同一区块其它井的煤层含气量。所述Langmuir方程法主要利用Langmuir等温吸附方程估算煤层含气量。所述BP神经网络法主要利用BP神经网络建立测井数据与含气量之间的关系,进而计算待解释井含气量。
现分别利用本发明以及上述三种方法对JQ1井煤层的含气量进行计算,结果见图4和图3。图4为本发明及多元回归分析法、Langmuir方程法和BP神经网络法的煤层其含量计算结果及其与实验室岩心测试结果对比。对比方式采用平均误差和标准误差两种方法。平均误差为各煤层含气量计算结果与实验室岩心测试结果差的绝对值的平均值,用于总体上评价各方法计算结果与实验室测试结果之间的差异。平均误差越大,说明该方法总体误差越大。标准误差为各煤层含气量计算结果与实验室岩心测试结果差的平均平方和的平方根,用于反映各方法计算结果与实验室测试结果之间的离散程度。标准误差越大,说明该方法的计算结果越不稳定。本发明计算结果与实验室分析结果的平均误差和标准误差均为4种方法中最低的,说明本发明从准确度和稳定性两方面来讲均为最佳方法。
图3为上述三种方法对含气量计算结果对比,其中“—﹡—”线表示为深度信念网络计算结果;其中“—○—”线表示为多元回归分析法计算结果;其中“—□—”线表示为Langmuir方程法计算结果;其中“—△—”线表示为BP神经网络法计算结果;其中“—☆—”线表示为实验室含气量测试结果。
Langmuir方程法的计算结果是含气饱和度为100%时的煤层含气量。当煤层含气量不饱和时,计算出来的只是煤层含气量的相对值。如果没有含气饱和度方面的资料,利用Langmuir方程法无法得到含气量的准确计算结果。因而,在图3中,Langmuir方程法计算的含气量普遍比另外三种方法高。
多元回归分析法和深度信念网络的本质是一样的,即,通过样本,获得含气量与测井响应之间的关系,再利用这种关系,预测其它煤层的含气量。不同之处在于,二者反映含气量与测井响应之间关系的形式,其中,多元回归分析法通过回归方程(通常是多元线性方程)的形式,而深度信念网络则通过神经网络的形式。而从图3的计算结果可以看出,深度信念网络对于含气量计算这种典型的非线性问题,具有更好的效果。
BP神经网络法由于连接权值是随机初始化的,所以收敛慢,而且存在局部极小化问题,而无法得到全局最优解。深度信念网络的连接权值通过限制玻尔兹曼机的运算来进行初始化,再通过误差反向传播算法进行调整,因而,连接权值更为准确,从而可以得到更加准确的结果。
本发明针对煤层气测井含气量计算工作的研究现状,将深度学习引入煤层气测井含气量预测中,建立基于深度信念网络的煤层气测井含气量预测模型。其中为保证模型输入端的数据质量,提出了结合经验小波变换和灰色关联分析的测井数据质量提升的方法,这样一来,既能扩大有用信息的输入,又能明确测井数据与含气量之间的相关性。与现有技术相比,本发明较准确地反应了煤层气实际含气量,减少了网络参数确定的盲目性,大大降低了计算结果的误差,为预测的准确性提供了保证。本发明是一种预测简单、实用可靠的基于深度信念网络的煤层气测井含气量预测方法。
附图说明
图1为本发明实施例的煤层气测井含气量计算方法的流程图。
图2为本发明实施例中深度信念网络训练流程图。
图3为所述多元回归分析法、Langmuir方程法、深度信念网络计算三种方法对含气量计算结果对比,其中“—﹡—”线表示为深度信念网络计算结果;其中“—○—”线表示为多元回归分析法计算结果;其中“—□—”线表示为Langmuir方程法计算结果;其中“—×—”线表示为实验室含气量测试结果。
图4为本发明所提供方法与多元回归分析法、Langmuir方程法和BP神经网络法的煤层气含量计算结果数据,以及与实验室岩心测试结果对比数据表。
具体实施方式
实施例1:
参照图1、图2,为本发明实施例的结构示意图,一种基于深度信念网络的煤层气测井含气量预测方法,主要通过计算机完成,其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机,
所述测井仪器,用于采集煤层气测井数据,即深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马、井径九种测井数据;
所述数据通讯接口,用于将现场测井仪器采集的上述九种测井数据,传输到计算机中;
所述计算机,用于运行深度信念网络的煤层气储层含气量预测算法,根据煤层气测井数据,预测出输出变量煤层气储层含气量;
该方法包括如下步骤:
步骤一、利用煤层气测井数据预测煤层气储层含气量,主要的测井数据为深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马、井径九种常规测井数据,预测输出变量为煤层气储层含气量;
步骤二、测井数据的降噪:
利用现场测井仪器采集测井数据,将测井曲线看作随深度变化的空间信号,其由有效信号和干扰信号叠加而成;利用经验小波变换EWT的方法对测井数据进行降噪:
设某一测井曲线为fi(h),i=1,2,…,9表示九种测井曲线,h表示深度,以內积的形式分别构造细节系数和近似系数:
其中,的共轭称为经验小波函数,ψn(h)的共轭称为经验尺度函数;
β(x)=x4(35-84x+70x2-20x3);
则f(h)的经验小波分解可以表示为:
最后得到的一系列fi,m(h)称为本征模态函数IMF,记为IMF1,IMF2,…,IMFk;每一个本征模态函数分别代表测井曲线中不同空间频率的部分,且随着k的增大,本征模态函数的空间频率越高;由于噪声的空间频率较高,略去最后一个本征模态函数,达到降噪的目的;再将其余本征模态函数进行叠加得到去燥后的测井曲线;
步骤三、归一化处理:
每一种测井方法的物理原理不同,其测量的物理参数的量纲和数量级均有很大的差别,需要对测井数据进行归一化处理,使其具有相同的量纲和数值分布范围;fi(h)为某一种测井数据,i=1,2,…,9,则:
式中,fig(h)为归一化后的数据,fi(h)为某测井方法的原始数据,fimax,fimin为该测井数据的最大值和最小值;经过归一化处理的测井数据均为无量纲量,且分布区间为[0,1];
步骤四、测井数据与含气量之间关联度的计算:
采用灰色关联分析法分析各测井曲线与含气量之间的相关性:在某区块内,选取n层煤层作为样本,选取标准是:煤层较厚,厚度大于0.5m,样本的的数量n应当大于200;样本煤层已归一化的九组测井数据,记为Fi,其中,i=1,2,…,9,而Fi=(fi1(h),fi2(h),…,fin(h)),对应的含气量记为G=(g1(h),g2(h),…,gn(h));
每种测井数据与含气量之间的灰色关联度表示为:
式中,γ(gk(h),fik(h))称为关联系数,表达式为:
式中,ξ为常数,称为分辨系数,取0.5;
计算每种测井数据与含气量的灰色关联度后,可以进行关联度的排序,以0.8为界限,剔除关联度较小的测井数据,保留关联度较高的测井数据作为深度信念网络的输入参数,即为Fip,Fip=(fip1(h),fip2(h),…,fipn(h)),n≤9;
步骤五、将步骤四中采集到的数据作为样本进行无监督训练,限制玻尔兹曼机的个数不少于5个,其中隐含层神经元个数,以样本数量的十分之一作为隐含层神经元个数的选取标准,根据实际运算结果,在样本数量的百分之二范围内适度增减;
第一个限制玻尔兹曼机的训练过程:
将步骤四中确定的测井数据Fip作为输入参数,将其赋于可视层,首先,计算隐含层神经元的激励值:
h=WFip;
式中,f为测井数据。
然后,利用S形函数计算隐含层神经元处于开启状态(用1来表示)的概率值:
式中,hm∈h;
那么,隐含层神经元处于关闭状态的概率值为:
P(hm=0)=1-P(hm=1);
式中,hm∈h;
最后,需要将隐含层神经元开启的概率与一个从均匀分布中抽取的随机值u(u∈[0,1])进行如下对比:
以此,决定隐含层神经元的开启与否,这样一来,可以求取每一个隐含层神经元的开启状态。将隐含层神经元总的开启状态表示为矩阵H,将H作为第二个限制玻尔兹曼机的输入参数,重复上述的训练过程,完成第二限制玻尔兹曼机的训练;如此反复,进行p个限制玻尔兹曼机的训练;将最后一个限制玻尔兹曼机的隐含层神经元整体的开启状态作为分类器的输入,得到最终的输出结果Gout;
步骤六、经过无监督学习,深度信念网络的权值矩阵基本可以确定,需利用有监督学习对权值矩阵进行微调:
对所测煤层进行取心,进行实验室分析,其测得的煤层气储层实测含气量为GE,则误差函数为误差函数对隐含层各神经元的偏导数为δv(k);连接权值调整规则为w=ηδkfi,k,η为学习率,k=1,2,3,…,n;对于初始连接权值,随机选取正态分布(0.001,1)中的随机数即可;不断调整连接权值,设定e≤0.01,直到误差函数满足要求,深度信念网络训练完成,从而确定煤层气储层含气量的预测模型;
步骤七、将其它未取心井的所采集的煤层测井数据,经过步骤二降噪和步骤三归一化处理后,传输到步骤六得到的煤层气储层含气量预测模型算法的计算机中,进而得到未取心井预测的煤层气储层含气量。
Claims (1)
1.一种基于深度信念网络的煤层气测井含气量预测方法,主要通过计算机完成,其特征在于实现该方法所需设备包括测井仪器、数据通讯接口及计算机;
所述测井仪器,用于采集煤层气测井数据,即深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马、井径九种测井数据;
所述数据通讯接口,用于将现场测井仪器采集的上述九种测井数据,传输到计算机中;
所述计算机,用于运行深度信念网络的煤层气储层含气量预测算法,根据煤层气测井数据,预测出输出变量煤层气储层含气量;
该方法包括如下步骤:
步骤一、利用煤层气测井数据预测煤层气储层含气量,主要的测井数据为深侧向电阻率、浅侧向电阻率、微球聚焦、密度、声波时差、中子、自然电位、自然伽马、井径九种常规测井数据,预测输出变量为煤层气储层含气量;
步骤二、测井数据的降噪:
利用现场测井仪器采集测井数据,将测井曲线看作随深度变化的空间信号,其由有效信号和干扰信号叠加而成;利用经验小波变换EWT的方法对测井数据进行降噪,将最后得到的一系列本征模态函数IMFK,记为IMF1,IMF2,…,IMFk;每一个本征模态函数分别代表测井曲线中不同空间频率的部分,且随着k的增大,本征模态函数的空间频率越高;由于噪声的空间频率较高,略去最后一个本征模态函数,达到降噪的目的;再将其余本征模态函数进行叠加得到去噪后的测井曲线;
步骤三、归一化处理:每一种测井方法的物理原理不同,其测量的物理参数的量纲和数量级均有很大的差别,需要对测井数据进行归一化处理,使其具有相同的量纲和数值分布范围;经过归一化处理的测井数据均为无量纲量,且分布区间为[0,1];
步骤四、测井数据与含气量之间关联度的计算:采用灰色关联分析法分析各测井曲线与含气量之间的相关性:在某区块内,选取n层煤层作为样本,选取标准是:煤层的厚度大于0.5m,样本的的数量n应当大于200;
计算每种测井数据与含气量的灰色关联度后,可以进行关联度的排序,以0.8为界限,剔除关联度较小的测井数据,保留关联度较高的测井数据作为深度信念网络的输入参数;
步骤五、将步骤四中确定的测井数据作为样本,输入限制玻尔兹曼机进行无监督训练,限制玻尔兹曼机的个数不少于5个,其中隐含层神经元个数,以样本数量的十分之一作为隐含层神经元个数的选取标准,根据实际运算结果,在样本数量的百分之二范围内适度增减;
将最后一个限制玻尔兹曼机的隐含层神经元整体的开启状态作为分类器的输入,得到最终的输出结果Gout;
步骤六、经过无监督学习,深度信念网络的权值矩阵基本可以确定,需利用有监督学习对权值矩阵进行微调:
对所测煤层进行取心,进行实验室分析,其测得的煤层气储层实测含气量为GE,则误差函数为误差函数对隐含层各神经元的偏导数为δv(k);连接权值调整规则为w=ηδkfi,k,η为学习率,k=1,2,3,…,n;对于初始连接权值,随机选取正态分布(0.001,1)中的随机数即可;不断调整连接权值,设定e≤0.01,直到误差函数满足要求,深度信念网络训练完成,从而确定煤层气储层含气量的预测模型;
步骤七、将其它未取心井的所采集的煤层测井数据,经过步骤二降噪和步骤三归一化处理后,传输到步骤六得到的煤层气储层含气量预测模型算法的计算机中,进而得到未取心井预测的煤层气储层含气量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810880131.1A CN108897975B (zh) | 2018-08-03 | 2018-08-03 | 基于深度信念网络的煤层气测井含气量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810880131.1A CN108897975B (zh) | 2018-08-03 | 2018-08-03 | 基于深度信念网络的煤层气测井含气量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108897975A true CN108897975A (zh) | 2018-11-27 |
CN108897975B CN108897975B (zh) | 2022-10-28 |
Family
ID=64353072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810880131.1A Active CN108897975B (zh) | 2018-08-03 | 2018-08-03 | 基于深度信念网络的煤层气测井含气量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108897975B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN112100924A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
CN112132372A (zh) * | 2019-06-25 | 2020-12-25 | 中国石油化工股份有限公司 | 用于神经网络的层测井信息无损处理方法和装置 |
CN112612935A (zh) * | 2020-12-16 | 2021-04-06 | 浙大城市学院 | 一种基于自推理模型的完整测井数据获取方法 |
CN113027432A (zh) * | 2021-03-23 | 2021-06-25 | 中海石油(中国)有限公司深圳分公司 | 一种总有机碳含量的确定方法、装置、设备及存储介质 |
CN113327070A (zh) * | 2021-08-03 | 2021-08-31 | 中国煤炭地质总局勘查研究总院 | 智能勘查煤系气的方法、装置及电子设备 |
CN113804853A (zh) * | 2021-09-02 | 2021-12-17 | 中煤矿业集团有限公司 | 煤矿瓦斯含量检测方法及系统 |
CN114427436A (zh) * | 2020-09-30 | 2022-05-03 | 中国石油化工股份有限公司 | 储层井中有机碳含量评价方法、装置、电子设备及介质 |
CN115061219A (zh) * | 2022-08-17 | 2022-09-16 | 北京派特杰奥科技有限公司 | 基于石油天然气探测的裂缝型储层预测识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015088543A1 (en) * | 2013-12-12 | 2015-06-18 | Halliburton Energy Services, Inc. | Modeling subterranean fluid viscosity |
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
-
2018
- 2018-08-03 CN CN201810880131.1A patent/CN108897975B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015088543A1 (en) * | 2013-12-12 | 2015-06-18 | Halliburton Energy Services, Inc. | Modeling subterranean fluid viscosity |
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
Non-Patent Citations (1)
Title |
---|
江星星: "齿轮箱关键部件非平稳振动信号分析及诊断方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN109736790B (zh) * | 2018-12-28 | 2022-05-24 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN112132372A (zh) * | 2019-06-25 | 2020-12-25 | 中国石油化工股份有限公司 | 用于神经网络的层测井信息无损处理方法和装置 |
CN112132372B (zh) * | 2019-06-25 | 2024-02-27 | 中国石油化工股份有限公司 | 用于神经网络的层测井信息无损处理方法和装置 |
CN112100924A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
CN114427436A (zh) * | 2020-09-30 | 2022-05-03 | 中国石油化工股份有限公司 | 储层井中有机碳含量评价方法、装置、电子设备及介质 |
CN112612935B (zh) * | 2020-12-16 | 2022-03-29 | 浙大城市学院 | 一种基于自推理模型的完整测井数据获取方法 |
CN112612935A (zh) * | 2020-12-16 | 2021-04-06 | 浙大城市学院 | 一种基于自推理模型的完整测井数据获取方法 |
CN113027432A (zh) * | 2021-03-23 | 2021-06-25 | 中海石油(中国)有限公司深圳分公司 | 一种总有机碳含量的确定方法、装置、设备及存储介质 |
CN113327070A (zh) * | 2021-08-03 | 2021-08-31 | 中国煤炭地质总局勘查研究总院 | 智能勘查煤系气的方法、装置及电子设备 |
CN113804853A (zh) * | 2021-09-02 | 2021-12-17 | 中煤矿业集团有限公司 | 煤矿瓦斯含量检测方法及系统 |
CN115061219A (zh) * | 2022-08-17 | 2022-09-16 | 北京派特杰奥科技有限公司 | 基于石油天然气探测的裂缝型储层预测识别方法及系统 |
CN115061219B (zh) * | 2022-08-17 | 2022-11-08 | 北京派特杰奥科技有限公司 | 基于石油天然气探测的裂缝型储层预测识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108897975B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
Zhu et al. | An end‐to‐end earthquake detection method for joint phase picking and association using deep learning | |
CN111126471A (zh) | 微地震事件检测方法及系统 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
CN109800954B (zh) | 基于测井数据的储层评价方法 | |
CN103336305B (zh) | 一种基于灰色理论划分致密砂岩储层岩石物理相的方法 | |
Liu et al. | Artificial intelligence method for shear wave travel time prediction considering reservoir geological continuity | |
CN104570109B (zh) | 一种储层油气预测的方法 | |
CN111723949A (zh) | 基于选择性集成学习的孔隙度预测方法 | |
CN113792685A (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
CN114818076A (zh) | 一种基于机器学习的断层封闭烃柱高度评价方法 | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
Rong et al. | Machine learning method for TOC prediction: Taking wufeng and longmaxi shales in the Sichuan Basin, Southwest China as an example | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
Majdi et al. | Identification of well logs with significant impact on prediction of oil and gas reservoirs permeability using statistical analysis of RSE values | |
CN115936234A (zh) | 一种基于深度学习的薄储层空间分布预测方法 | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
Carter et al. | A real parameter genetic algorithm for cluster identification in history matching | |
de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells | |
CN114169457B (zh) | 基于岩心重建的风暴岩测井识别方法 | |
CN111929744B (zh) | 一种基于Kendall′s系数的多元信息储层分类方法 | |
CN116990865B (zh) | 基于深度迁移学习的微地震事件检测方法及系统 | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 |
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 |