CN109407173A - 基于常规测井曲线的岩性精细化和自动化识别方法 - Google Patents
基于常规测井曲线的岩性精细化和自动化识别方法 Download PDFInfo
- Publication number
- CN109407173A CN109407173A CN201811147282.2A CN201811147282A CN109407173A CN 109407173 A CN109407173 A CN 109407173A CN 201811147282 A CN201811147282 A CN 201811147282A CN 109407173 A CN109407173 A CN 109407173A
- Authority
- CN
- China
- Prior art keywords
- log
- lithology
- curve
- fining
- automatic identification
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
- G01V11/002—Details, e.g. power supply systems for logging instruments, transmitting or recording data, specially adapted for well logging, also if the prospecting method is irrelevant
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于砂岩地层地球物理测井领域,具体公开一种基于常规测井曲线的岩性精细化和自动化识别方法,包括:对砂岩型铀矿测井曲线预处理;分析测井曲线对砂岩地层岩性测井响应特征,确定敏感测井曲线;将敏感测井曲线小波分解,确定最优分解尺度和最优小波函数,确定反应地层岩性界面信息的小波系数,重构新的测井曲线;将重构后测井曲线作为训练样本输入到改进K‑均值聚类算法中,设置相关的初始参数,循环迭代计算得到每种岩性的聚类中心;计算待测样本与聚类中心的海明贴进度,通过分析贴进度曲线总体变化趋势,进而确定待测岩石样本类型。该方法实现地层岩性精细化和自动化识别,能够满足地质对油田、煤田以及金属矿精细化解释的需求。
Description
技术领域
本发明属于砂岩铀矿地球物理测井技术领域,具体涉及一种基于常规测井曲线的岩性精细化和自动化识别方法。
背景技术
利用常规测井资料识别地层岩石类型,一方面受到测井仪纵向分辨率的限制,如密度测井、电阻率测井等,薄层的测井响应值往往淹没在相邻围岩中,从而无法获得薄层信息。另一方面受到判别方法的限制,需要经验丰富的测井人员建立岩性识别模型,然而不同的测井专家建立的模型存在差异,导致解译结果同样存在差异。因此,需要建立一套岩性精细化和自动化识别方法。
发明内容
本发明的目的在于提供一种基于常规测井曲线的岩性精细化和自动化识别方法,该方法利用小波Mallat算法和改进K-均值聚类算法实现地层岩性精细化和自动化识别,能够满足地质对油田、煤田以及金属矿精细化解释的需求。
实现本发明发目的的技术方案:一种基于常规测井曲线的岩性精细化和自动化识别方法,该方法包括以下步骤:
步骤(1)对野外采集砂岩型铀矿的测井曲线进行预处理;
步骤(2)分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征,确定对砂岩地层岩性反应敏感的测井曲线;
步骤(3)将上述步骤(2)中得到的对砂岩地层岩性反应敏感的测井曲线进行小波分解,确定最优分解尺度和最优小波函数,以及确定反应地层岩性界面信息的小波系数,重构新的测井曲线;
步骤(4)将上述步骤(3)中所有重构后的新测井曲线作为训练样本输入到改进K-均值聚类算法中,设置相关的初始参数,然后循环迭代计算得到每种岩性的聚类中心;
步骤(5)计算待测样本与上述步骤(4)中得到的聚类中心的海明贴进度,通过分析贴进度曲线总体变化趋势,进而确定待测岩石样本类型。
所述的步骤(1)中采用HD-4002测井系统在野外采集砂岩型铀矿的地球物理测井曲线。
所述的步骤(1)中砂岩型铀矿的地球物理测井曲线包括自然电位、井径、自然伽马、电阻率、补偿密度、声波时差和补偿中子曲线。
所述的步骤(1)中的预处理包括深度归位、环境校正、非点剔除。
所述的步骤(2)中采用频率直方图分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征,确定对砂岩地层岩性反应敏感的测井曲线有6条,具体包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线。
所述的步骤(2)中对砂岩地层岩性反应敏感的曲线表现为单条测井曲线在不同的岩性具有不同的分布范围,且没有重叠区间。
所述的步骤(3)具体包括如下步骤:
步骤(3.1)通过分析测井曲线固定小波函数不同尺度分解后的低频部分与相应测井曲线的平均误差曲线,确定最优分解尺度;
步骤(3.2)通过分析不同小波函数固定尺度分解后的低频部分与相应测井曲线的平均误差曲线,确定最优小波函数;
步骤(3.3)对相应测井曲线进行最优小波函数和最优尺度下的分解,确定反映地层界面信息的小波系数,对其加权处理,重构新的测井曲线。
所述的步骤(4)具体包括如下步骤:
步骤(4.1)设置最大迭代次数T或者阈值ε,以及聚类数目K;
步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值;
步骤(4.3)利用公式(1)计算每个数据对象与各个初始聚类中心的距离,并将该数据对象赋给距它最近的聚类中心所在的类:
步骤(4.4)逐一计算每个类的平均值,用K个平均值重新生成聚类中心;
步骤(4.5)根据距离公式(1)计算目标函数值F(X,C),直到|F(X,C)(t)-F(X,C)(t-1)|≤ε或者T≤t时停止迭代,输出每一类的聚类中心C;否则另T=T+1,转到步骤(4.3)继续迭代。
所述的步骤(4.2)具体包括如下步骤:
步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值;
初始聚类中心如下式(2)所示:
计算权重值具体步骤如下:
首先,对每类特征变量进行标准化处理:
然后,权值wj定义为第j类特征变量的信息熵,中间变量Hj为:
其中,fij是第i个样品第j个特征变量的权重,由式(3)标准化元素bij定义:
最后,各类特征变量的权重可以定义如下:
其中
所述的步骤(5)中的海明贴进度
式中,H代表海明贴进度;xj代表待测样本;ck代表第k个数据对象的聚类中心;wj代表第j条测井曲线的权重值。
本发明的有益技术效果在于:本发明的方法采用小波Mallat算法,分解参与岩性识别的测井曲线,对反应地层岩性信息的小波系数加权处理,然后重构测井曲线,可以提高测井曲线的分辨率,进而提高薄层的识别能力。本发明的方法对传统K-均值聚类算法改进,将欧几里德距离用马氏距离替代,并在马氏距离中各样本属性项加入权值,输入每类的聚类中心,用海明贴进度识别待判样本的岩石类型,不仅可以实现自动化识别岩性,而且能够提高岩性识别的准确率。基于以上研究方法,可以实现地层岩性的精细化和自动化识别。
附图说明
图1为本发明所提供的一种基于常规测井曲线的岩性精细化和自动化识别方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
如图1所示,本发明所提供的一种基于常规测井曲线的岩性精细化和自动化识别方法,该方法包括以下步骤:
步骤(1)对野外采集砂岩型铀矿的测井曲线进行预处理
采用HD-4002测井系统在野外采集砂岩型铀矿的地球物理测井曲线,砂岩型铀矿的地球物理测井曲线包括自然电位、井径、自然伽马、电阻率、补偿密度、声波时差和补偿中子曲线。预处理包括深度归位、环境校正、非点剔除。
步骤(2)分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征,确定对砂岩地层岩性反应敏感的测井曲线
采用频率直方图分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征,确定对砂岩地层岩性反应敏感的测井曲线有6条,具体包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线;敏感曲线表现为单条测井曲线在不同的岩性具有不同的分布范围,且没有重叠区间。
步骤(3)将上述步骤(2)中得到的对砂岩地层岩性反应敏感的测井曲线进行小波分解,确定最优分解尺度和最优小波函数,以及确定反应地层岩性界面信息的小波系数,以此重构新的测井曲线;
小波变化定义如下式(1)所示:
式中,为小波函数,又称为基本小波函数或者小波基;t为时间或者空间变量;表示小波函数取共轭运算;a为尺度因子,对应于频率信息;b为平移因子,对应于时间(空间)信息。f(t)为待分析的信号;Wf(a,b)为小波系数;通过逐渐的改变小波变换过程中尺度因子和平移因子,得到信号在不同尺度、不同因子下的小波系数。
步骤(3)的具体步骤如下:
步骤(3.1)通过分析测井曲线固定小波函数不同尺度分解后的低频部分与相应测井曲线的平均误差曲线,确定最优分解尺度;
步骤(3.2)通过分析不同小波函数固定尺度分解后的低频部分与相应测井曲线的平均误差曲线,确定最优小波函数;
步骤(3.3)对相应测井曲线进行最优小波函数和最优尺度下的分解,确定反映地层界面信息的小波系数,对其加权处理,重构新的测井曲线。
重复步骤(3),重构出所有参与岩性识别的新测井曲线。
步骤(4)将上述步骤(3)中所有重构后的新测井曲线作为训练样本输入到改进K-均值聚类算法中,设置相关的初始参数,然后循环迭代计算得到每种岩性的聚类中心;具体步骤如下:
步骤(4.1)设置最大迭代次数T或者阈值ε,以及聚类数目K;
步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值;
假定数据集X={X1,X2,…,Xn}为待分类对象,X中有n个数据对象并且每个数据对象是N维的,例如Xj={xj1,xj2,…,xjN}。假设数据集X分成K类,K个聚类中心的集合为C={C1,C2,…,Ck},C中有K个数据对象并且每个数据对象也是N维的,例如Ci={ci1,ci2,…,ciN}。
初始聚类中心如下式(2)所示:
式中,ciN代表第i种岩性聚类中心;xjN为第j行待分析信号;n为数据对象个数;k代表聚类中心的个数。
计算权重值具体步骤如下:
首先,对每类特征变量进行标准化处理:
其中,bij为标准化后数据;xij为待分析信号;xmin和xmax分别为每个特征变量的最小值和最大值。
然后,权值wj定义为第j类特征变量的信息熵,中间变量Hj为:
其中,Hj为中间变量;fij是第i个样品第j个特征变量的权重,由式(3)标准化元素bij定义:
最后,各类特征变量的权重可以定义如下:
其中
式中,wj代表第j条测井曲线的权重值。
步骤(4.3)利用公式(7)计算每个数据对象与各个初始聚类中心的距离,并将该数据对象赋给距它最近的聚类中心所在的类:
式中,xin为第i行待分析信号;ckn为第k种岩性聚类中心;wj代表第j条测井曲线的权重值;∑为协方差矩阵;F(X,C)为目标函数。
步骤(4.4)逐一计算每个类的平均值,用K个平均值重新生成聚类中心;
步骤(4.5)根据距离公式(7)计算目标函数值F(X,C),直到|F(X,C)(t)-F(X,C)(t-1)|≤ε或者T≤t时停止迭代,输出每一类的聚类中心C;否则另T=T+1,转到步骤(4.3)继续迭代。
步骤(5)计算待测样本与上述步骤(4)中得到的聚类中心的海明贴进度,通过分析海明贴进度曲线总体变化趋势,进而确定待测岩石样本类型。
式中,H代表海明贴进度;xj代表待测样本;ck代表第k个数据对象的聚类中心;wj代表第j条测井曲线的权重值,由公式(3)~(6)确定。
海明贴进度是一个标准化数值,在[0,1]之间,当待判岩石样本的海明贴近度接近或者等于1时,此样本属于计算该海明贴近度所用聚类中心所在的类。
上面结合附图和实施例对本发明作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。
Claims (10)
1.一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于,该方法包括以下步骤:
步骤(1)对野外采集砂岩型铀矿的测井曲线进行预处理;
步骤(2)分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征,确定对砂岩地层岩性反应敏感的测井曲线;
步骤(3)将上述步骤(2)中得到的对砂岩地层岩性反应敏感的测井曲线进行小波分解,确定最优分解尺度和最优小波函数,以及确定反应地层岩性界面信息的小波系数,重构新的测井曲线;
步骤(4)将上述步骤(3)中所有重构后的新测井曲线作为训练样本输入到改进K-均值聚类算法中,设置相关的初始参数,然后循环迭代计算得到每种岩性的聚类中心;
步骤(5)计算待测样本与上述步骤(4)中得到的聚类中心的海明贴进度,通过分析贴进度曲线总体变化趋势,进而确定待测岩石样本类型。
2.根据权利要求1所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于:所述的步骤(1)中采用HD-4002测井系统在野外采集砂岩型铀矿的地球物理测井曲线。
3.根据权利要求2所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于:所述的步骤(1)中砂岩型铀矿的地球物理测井曲线包括自然电位、井径、自然伽马、电阻率、补偿密度、声波时差和补偿中子曲线。
4.根据权利要求3所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于:所述的步骤(1)中的预处理包括深度归位、环境校正、非点剔除。
5.根据权利要求4所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于:所述的步骤(2)中采用频率直方图分析上述步骤(1)中预处理后的测井曲线对砂岩地层岩性的测井响应特征,确定对砂岩地层岩性反应敏感的测井曲线有6条,具体包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线。
6.根据权利要求5所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于:所述的步骤(2)中对砂岩地层岩性反应敏感的曲线表现为单条测井曲线在不同的岩性具有不同的分布范围,且没有重叠区间。
7.根据权利要求6所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于,所述的步骤(3)具体包括如下步骤:
步骤(3.1)通过分析测井曲线固定小波函数不同尺度分解后的低频部分与相应测井曲线的平均误差曲线,确定最优分解尺度;
步骤(3.2)通过分析不同小波函数固定尺度分解后的低频部分与相应测井曲线的平均误差曲线,确定最优小波函数;
步骤(3.3)对相应测井曲线进行最优小波函数和最优尺度下的分解,确定反映地层界面信息的小波系数,对其加权处理,重构新的测井曲线。
8.根据权利要求7所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于,所述的步骤(4)具体包括如下步骤:
步骤(4.1)设置最大迭代次数T或者阈值ε,以及聚类数目K;
步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值;
步骤(4.3)利用公式(7)计算每个数据对象与各个初始聚类中心的距离,并将该数据对象赋给距它最近的聚类中心所在的类:
步骤(4.4)逐一计算每个类的平均值,用K个平均值重新生成聚类中心;
步骤(4.5)根据距离公式(7)计算目标函数值F(X,C),直到|F(X,C)(t)-F(X,C)(t-1)|≤ε或者T≤t时停止迭代,输出每一类的聚类中心C;否则另T=T+1,转到步骤(4.3)继续迭代。
9.根据权利要求8所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于,所述的步骤(4.2)具体包括如下步骤:
步骤(4.2)利用确定K个初始聚类中心和(n*N)个权值;
初始聚类中心如下式(2)所示:
计算权重值具体步骤如下:
首先,对每类特征变量进行标准化处理:
然后,权值wj定义为第j类特征变量的信息熵,中间变量Hj为:
其中,fij是第i个样品第j个特征变量的权重,由式(3)标准化元素bij定义:
最后,各类特征变量的权重可以定义如下:
其中
10.根据权利要求9所述的一种基于常规测井曲线的岩性精细化和自动化识别方法,其特征在于:所述的步骤(5)中的海明贴进度
式中,H代表海明贴进度;xj代表待测样本;ck代表第k个数据对象的聚类中心;wj代表第j条测井曲线的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147282.2A CN109407173A (zh) | 2018-09-29 | 2018-09-29 | 基于常规测井曲线的岩性精细化和自动化识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147282.2A CN109407173A (zh) | 2018-09-29 | 2018-09-29 | 基于常规测井曲线的岩性精细化和自动化识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109407173A true CN109407173A (zh) | 2019-03-01 |
Family
ID=65465624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811147282.2A Pending CN109407173A (zh) | 2018-09-29 | 2018-09-29 | 基于常规测井曲线的岩性精细化和自动化识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109407173A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110656933A (zh) * | 2019-10-08 | 2020-01-07 | 核工业北京地质研究院 | 一种破碎带裂隙密度确定方法及系统 |
CN110826249A (zh) * | 2019-11-18 | 2020-02-21 | 核工业北京地质研究院 | 一种铀矿综合测井曲线井眼环境校正方法 |
CN110907996A (zh) * | 2019-12-11 | 2020-03-24 | 青岛理工大学 | 一种致密气藏自动识别方法 |
CN111046328A (zh) * | 2019-12-20 | 2020-04-21 | 核工业北京地质研究院 | 基于测井曲线小波Mallet算法的岩石类型识别方法 |
CN111474578A (zh) * | 2020-04-24 | 2020-07-31 | 成都捷科思石油天然气技术发展有限公司 | 一种利用模拟测井资料进行随钻跟踪的方法 |
CN113419278A (zh) * | 2021-06-21 | 2021-09-21 | 大庆油田有限责任公司 | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 |
CN114002750A (zh) * | 2021-09-27 | 2022-02-01 | 中国石油大学(北京) | 页岩层序识别方法、装置、电子设备及存储介质 |
CN115201912A (zh) * | 2022-08-08 | 2022-10-18 | 重庆科技学院 | 基于聚类分析的岩石矿物体积含量曲线转换岩性剖面方法 |
CN115659245A (zh) * | 2022-10-24 | 2023-01-31 | 东华理工大学 | 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置 |
CN116151143A (zh) * | 2022-12-30 | 2023-05-23 | 成都理工大学 | 一种流体的识别方法、系统、电子设备及存储介质 |
CN117174203A (zh) * | 2023-11-02 | 2023-12-05 | 东华理工大学南昌校区 | 用于砂岩铀矿的测井曲线响应分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2345776A (en) * | 1998-11-05 | 2000-07-19 | Schlumberger Ltd | Method of determining geological facies |
CN1873444A (zh) * | 2005-06-03 | 2006-12-06 | 中国石油大学(北京) | 用墨西哥帽小波对测井曲线进行小层对比的方法 |
CN102436013A (zh) * | 2011-07-19 | 2012-05-02 | 北京师范大学 | 一种运用Fischer图解划分砂砾岩沉积期次的方法 |
-
2018
- 2018-09-29 CN CN201811147282.2A patent/CN109407173A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2345776A (en) * | 1998-11-05 | 2000-07-19 | Schlumberger Ltd | Method of determining geological facies |
CN1873444A (zh) * | 2005-06-03 | 2006-12-06 | 中国石油大学(北京) | 用墨西哥帽小波对测井曲线进行小层对比的方法 |
CN102436013A (zh) * | 2011-07-19 | 2012-05-02 | 北京师范大学 | 一种运用Fischer图解划分砂砾岩沉积期次的方法 |
Non-Patent Citations (6)
Title |
---|
HUAIJIE YANG,等: "Application of well logs integration and wavelet transform to improve fracture zones detection in metamorphic rocks", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
HUAIJIE YANG,等: "Performance of the synergeK-means clustering in lithology classification using nuclear logtic wavelet transform and modified", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
QUANYING ZHANG,等: "A method for identifying the thin layer using the wavelet transform of", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
杨怀杰: "测井数据的小波分析方法研究", 《中国博士学位论文全文数据库》 * |
贺懿,等: "多曲线声波重构技术在储层预测中的应用研究", 《石油地球物理勘探》 * |
连增增,等: "基于模糊模式识别的贴近度法判别煤田测井岩性", 《测井技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110656933B (zh) * | 2019-10-08 | 2022-12-13 | 核工业北京地质研究院 | 一种破碎带裂隙密度确定方法及系统 |
CN110656933A (zh) * | 2019-10-08 | 2020-01-07 | 核工业北京地质研究院 | 一种破碎带裂隙密度确定方法及系统 |
CN110826249A (zh) * | 2019-11-18 | 2020-02-21 | 核工业北京地质研究院 | 一种铀矿综合测井曲线井眼环境校正方法 |
CN110907996A (zh) * | 2019-12-11 | 2020-03-24 | 青岛理工大学 | 一种致密气藏自动识别方法 |
CN110907996B (zh) * | 2019-12-11 | 2020-07-14 | 青岛理工大学 | 一种致密气藏自动识别方法 |
CN111046328A (zh) * | 2019-12-20 | 2020-04-21 | 核工业北京地质研究院 | 基于测井曲线小波Mallet算法的岩石类型识别方法 |
CN111474578A (zh) * | 2020-04-24 | 2020-07-31 | 成都捷科思石油天然气技术发展有限公司 | 一种利用模拟测井资料进行随钻跟踪的方法 |
CN113419278A (zh) * | 2021-06-21 | 2021-09-21 | 大庆油田有限责任公司 | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 |
CN113419278B (zh) * | 2021-06-21 | 2022-03-08 | 大庆油田有限责任公司 | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 |
CN114002750A (zh) * | 2021-09-27 | 2022-02-01 | 中国石油大学(北京) | 页岩层序识别方法、装置、电子设备及存储介质 |
CN115201912A (zh) * | 2022-08-08 | 2022-10-18 | 重庆科技学院 | 基于聚类分析的岩石矿物体积含量曲线转换岩性剖面方法 |
CN115659245A (zh) * | 2022-10-24 | 2023-01-31 | 东华理工大学 | 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置 |
CN116151143A (zh) * | 2022-12-30 | 2023-05-23 | 成都理工大学 | 一种流体的识别方法、系统、电子设备及存储介质 |
CN117174203A (zh) * | 2023-11-02 | 2023-12-05 | 东华理工大学南昌校区 | 用于砂岩铀矿的测井曲线响应分析方法 |
CN117174203B (zh) * | 2023-11-02 | 2024-02-23 | 东华理工大学南昌校区 | 用于砂岩铀矿的测井曲线响应分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109407173A (zh) | 基于常规测井曲线的岩性精细化和自动化识别方法 | |
Sun et al. | Optimization of models for a rapid identification of lithology while drilling-A win-win strategy based on machine learning | |
Chang et al. | Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system | |
Asante-Okyere et al. | A novel hybrid technique of integrating gradient-boosted machine and clustering algorithms for lithology classification | |
Jiang et al. | Lithology identification from well-log curves via neural networks with additional geologic constraint | |
CN109345007B (zh) | 一种基于XGBoost特征选择的有利储层发育区预测方法 | |
CN112836802B (zh) | 一种半监督学习方法、岩性预测方法及存储介质 | |
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 | |
CN107526106A (zh) | 基于半监督算法的快速地震波形分类方法 | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
Xiongyan et al. | Computational intelligent methods for predicting complex ithologies and multiphase fluids | |
CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
CN113917527A (zh) | 基于多重量子神经网络进行含气性检测的方法 | |
Bedi et al. | PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction | |
Ren et al. | Valuable data extraction for resistivity imaging logging interpretation | |
Hong et al. | A novel approach to the automatic classification of wireline log-predicted sedimentary microfacies based on object detection | |
Song et al. | A novel well-logging data generation model integrated with random forests and adaptive domain clustering algorithms | |
Zhao et al. | Data-driven diagenetic facies classification and well-logging identification based on machine learning methods: a case study on Xujiahe tight sandstone in Sichuan Basin | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
Xiao et al. | Quantitative identification of coal texture using the support vector machine with geophysical logging data: A case study using medium-rank coal from the Panjiang, Guizhou, China | |
CN116658148A (zh) | 岩性识别方法 | |
Cai et al. | Pre-stack texture based semi-supervised seismic facies analysis using global optimization | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
Xu et al. | Subsurface lithofacies identification with meta learning | |
CN104699977A (zh) | 利用轻重矿物定量分析物源的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |