CN110062897A - 使用自组织映射来进行的岩石物理场评估 - Google Patents
使用自组织映射来进行的岩石物理场评估 Download PDFInfo
- Publication number
- CN110062897A CN110062897A CN201680091512.0A CN201680091512A CN110062897A CN 110062897 A CN110062897 A CN 110062897A CN 201680091512 A CN201680091512 A CN 201680091512A CN 110062897 A CN110062897 A CN 110062897A
- Authority
- CN
- China
- Prior art keywords
- data collection
- generated
- program code
- generated data
- models
- 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
- 239000011435 rock Substances 0.000 title claims description 31
- 238000013480 data collection Methods 0.000 claims abstract description 66
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 20
- 238000011160 research Methods 0.000 claims description 11
- 230000000644 propagated effect Effects 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 34
- 238000005553 drilling Methods 0.000 description 31
- 238000003860 storage Methods 0.000 description 21
- 239000012530 fluid Substances 0.000 description 18
- 230000015654 memory Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 15
- 238000005755 formation reaction Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 230000003068 static effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 229930195733 hydrocarbon Natural products 0.000 description 5
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 244000147058 Derris elliptica Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241001415846 Procellariidae Species 0.000 description 1
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 239000002199 base oil Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013396 workstream Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G01V20/00—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
- G01V1/20—Arrangements of receiving elements, e.g. geophone pattern
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/614—Synthetically generated data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
Abstract
一种方法、设备和程序产品可通过以下来评估场:接收包括从场中的多个井收集的井测量结果的数据集;通过使用自组织映射(SOM)根据所接收的数据集计算出多个合成样本来从所接收的数据集生成合成数据集;以及将从所述合成数据集生成的一个或多个模型传播到所述多个井。
Description
背景技术
可对从油田或场收集的测井记录和其他数据进行解释和评估,以提供对地层和/或地下体积中的其他状况的洞察,例如,从而识别由地下相层和/或裂缝层定义的层位,其目标为通常为识别可采收烃类的位置和/或量。在较大的场中(例如,包括各自具有可能数万个井测量结果的数百或数千个井),所收集数据的量可以是天文数字,并且可使得获得整个场的全局视图复杂化。此外,随着场不断开发和/或规模扩大,并且随着井测量数量的不断增加,场评估变得越来越复杂且难以进行,特别是井测量结果必须跨众多井进行关联以确保场的连贯全局视图与从场中的井获得的实际井测量结果一致的情况下如此。因此,本领域持续需要一种优化井测量结果的大数据集以促进场评估的计算机化方式。
发明内容
本文所公开的实施方案提供一种通过以下来评估场的方法、设备和程序产品:接收包括从场中的多个井收集的井测量结果的数据集;通过使用自组织映射(SOM)根据所接收的数据集计算出多个合成样本来从所接收的数据集生成合成数据集;以及将从所述合成数据集生成的一个或多个模型传播到所述多个井。
一些实施方案还包括使用所述合成数据集来生成所述一个或多个模型,而一些实施方案还包括对所述合成数据集执行一项或多项岩石物理研究,其中在所述一项或多项岩石物理研究的执行期间生成所述一个或多个模型,并且一些实施方案还包括在所述一项或多项岩石物理研究的执行期间从所述合成数据集生成一个或多个曲线。一些实施方案还包括在生成所述合成数据集之前连接来自所接收的数据集的所述井测量结果,而一些实施方案还包括在生成所述合成数据集之前协调来自所接收的数据集的所述井测量结果。一些实施方案还包括使用所传播的模型中的一个或多个来执行一个或多个场操作。
此外,在一些实施方案中,传播所述一个或多个模型包括:对于所接收的数据集中的多个相应样本中的每一个,基于所述相应样本与来自所述合成数据集的合成样本之间的接近距离,将所述一个或多个模型中的模型与所述相应样本相关联。
一些实施方案还可包括一种包括至少一个处理单元和程序代码的设备,所述程序代码被配置为在由所述至少一个处理单元执行时执行本文所讨论的任何方法。一些实施方案还可包括程序产品,所述程序产品包括计算机可读介质和程序代码,所述程序代码存储在计算机可读介质上并且被配置为在由至少一个处理单元执行时执行本文所讨论的任何方法。
表征本发明的这些和其他优点和特征在所附权利要求中阐述并形成本发明的另一部分。然而,为了更好地理解本发明以及通过其使用所获得的优点和目的,应参考附图和所附描述性内容,其中描述了本发明的示例性实施方案。本发明内容仅被提供来介绍下文在具体实施方式中进一步描述的改变的选择,并且既不意图识别所要求保护主题的关键或本质特征,也不意图用作限制所要求保护主题的范围的辅助。
附图说明
图1是根据本文所述各种工艺和技术的实现方式的用于数据处理系统的示例性硬件和软件环境的框图。
图2A至图2D示出根据本文所述各种工艺和技术的实现方式的具有包含有储层的地下地层的油田的简化示意图。
图3示出根据本文所述各种工艺和技术的实现方式的油田的呈部分横截面的示意图,所述油田具有沿着油田定位在各种位置处以从地下地层收集数据的多个数据采集工具。
图4示出根据本文所述各种工艺和技术的实现方式的用于执行一个或多个油田操作的开采系统。
图5是示出用于使用图1的数据处理系统来执行场评估的示例性操作序列的流程图。
图6示出示例性场中的井的场图。
图7示出来自从示例性场收集并且包括超过100,000个样本的一对测量结果的中子孔隙度和体积密度测量结果的示例性交会图。
图8示出图7的示例性交会图,其覆盖有使用图5的操作序列生成的约2500个合成样本的精简集合。
图9是示出使用图1的数据处理系统传播合成模型的示例性操作序列的流程图。
具体实施方式
现在转到附图,其中相同标号在若干视图中表示相同元素,图1示出可实现本文所述的各种工艺和技术的示例性数据处理系统10。系统10被示为包括各自包括中央处理单元(CPU)14的一个或多个计算机12(例如,客户端计算机),所述CPU 14包括至少一个基于硬件的处理器或处理核心16。CPU 14耦接到存储器18,所述存储器18可表示包括计算机12的主存储器的随机存取存储器(RAM)装置,以及任何补充级别的存储器,例如,高速缓存存储器、非易失性或备用存储器(例如,可编程或闪速存储器)、只读存储器等。此外,存储器18可被视为包括物理地位于计算机12中其他地方的存储器存储装置(例如,微处理器或处理核心中的任何高速缓存存储器),以及用作虚拟存储器(例如,存储在大容量存储装置20上或存储在耦接到计算机12的另一计算机上)的任何存储容量。
每个计算机12通常还接收数个输入和输出以用于向外部传送信息。对于与用户或操作员的接口,计算机12通常包括含有一个或多个用户输入/输出装置(例如,键盘、指向装置、显示器、打印机等)的用户接口22。另外,可例如通过耦接到网络26的网络接口24从一个或多个外部计算机(例如,一个或多个服务器28或其他计算机12)来接收用户输入。计算机12还可与一个或多个大容量存储装置20通信,所述大容量存储装置20可以是例如内部硬盘存储装置、外部硬盘存储装置、存储区域网络装置等。
计算机12通常在操作系统30的控制下操作,并且执行或以其他方式依赖于各种计算机软件应用程序、组件、程序、对象、模块、数据结构等。例如,在勘探和开采(E&P)平台34内执行的石油技术模块或组件32可用于访问、处理、生成、修改或以其他方式利用例如本地地存储在数据库36中和/或可从协作平台38远程地访问的石油技术数据。在一些实现方式中,协作平台38可使用多个服务器28来实现,并且应理解,每个服务器28可含有CPU、存储器和类似于计算机12的其他硬件组件。
例如,在一个非限制性实施方案中,E&P平台34可以被实现为PETREL勘探和开采(E&P)软件平台或TECHLOG井筒软件平台,而协作平台38可以被实现为STUDIO E&PKNOWLEDGE ENVIRONMENT平台,所有这些可从Schlumberger公司及其附属公司获得。然而,应理解,本文所讨论的技术可结合其他平台和环境来利用,因此本发明不限于本文所讨论的特定软件平台和环境。
通常,为实现本文所公开的实施方案而执行的例程(无论是作为操作系统的一部分还是作为特定应用程序、组件、程序、对象、模块或指令序列的一部分,或者甚至是它们的子集)将在本文中称为“计算机程序代码”,或者简称为“程序代码”。程序代码通常包括一个或多个指令,所述一个或多个指令在不同时间驻留在计算机中的各种存储器和存储装置中,并且在由计算机中的一个或多个基于硬件的处理单元(例如,微处理器、处理核心或其他基于硬件的电路逻辑)读取和执行时致使所述计算机执行体现期望功能的步骤。此外,虽然已经并且下文中也将在全功能计算机和计算机系统的背景下描述各实施方案,但本领域技术人员应理解,各种实施方案能够被分配为呈多种形式的程序产品,并且无论用于实际执行分配的计算机可读介质的特定类型如何,本发明均适用。
此类计算机可读存储介质包括计算机可读存储介质和通信介质。计算机可读存储介质在本质上是非暂时性的,并且可包括在任何方法或工艺中实现以存储信息的易失性和非易失性介质以及移动和不可移动介质,所述信息诸如计算机可读指令、数据结构、程序模块或其他数据。计算机可读存储介质还可包括RAM、ROM、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪速存储器或其他固态存储器工艺、CD-ROM、DVD或其他光学存储装置、磁盒、磁带、磁盘存储装置或其他磁性存储装置,或可用于存储期望信息且可由计算机10访问的任何其他介质。通信介质可体现计算机可读指令、数据结构或其他程序模块。作为实例而非限制,通信介质可包括有线介质(诸如有线网络或直接有线连接)和无线介质(诸如声学、RF、红外线以及其他无线介质)。以上各类介质的任何组合也可包括在计算机可读介质的范围内。
可基于在本发明的特定实施方案中实现的应用程序来识别下文中描述的各种程序代码。然而,应理解,以下任何特定程序命名法仅仅是为了方便而使用,因此本发明不应限于仅用于由这种命名识别和/或暗示的任何特定应用程序。此外,考虑到可将计算机程序组织成例程、程序、方法、模块、对象等的无数种方式,以及程序功能可在驻留在典型计算机内的各种软件层(例如,操作系统、库、API、应用程序、小应用程序等)之间分配的各种方式,应理解,本发明不限于本文所述的程序功能的特定组织和分配。
此外,受益于本公开的本领域普通技术人员应理解,可由任何程序代码执行或在任何例程、工作流等中执行的本文所述的各种操作可与本领域已知的其他技术进行组合、拆分件、重排、省略和/或补充,因此,本发明不限于本文所述的特定操作序列。
本领域技术人员将认识到,图1所示的示例性环境并不意图限制本发明。事实上,本领域技术人员将认识到,可在不脱离本发明的范围的情况下使用其他替代硬件和/或软件环境。
油田操作
图2A至图2D示出根据本文所述各种工艺和技术的实现方式的具有包含有储层104的地下地层102的油田100的简化示意图。图2A示出由诸如地震卡车106.1的勘测工具执行以测量地下地层的性质的勘测操作。勘测操作是用于产生声音振动的地震勘测操作。在图2A中,由源110生成的一种这样的声音振动(即声音振动112)在地层116中反射离开层位114。一组声音振动由位于地表上的传感器(诸如地震检波器-接收器118)接收。所接收数据120作为输入数据提供给地震卡车106.1的计算机122.1,并且响应于输入数据,计算机122.1生成地震数据输出124。可根据需要例如通过数据缩减存储、传输或进一步处理这种地震数据输出。
图2B示出由钻井工具106.2执行的钻井操作,所述钻井工具106.2由钻机128悬挂并且前进到地下地层102中以形成井筒136。泥浆凹坑130用于通过流动管线132将钻井泥浆汲取到钻井工具中,所述流动管线132用于使钻井泥浆向下循环通过钻井工具,然后沿着井筒136向上并返回到地面。可将钻井泥浆过滤并返回到泥浆凹坑。循环系统可用于存储、控制或过滤流动的钻井泥浆。钻井工具前进到地下地层102中以到达储层104。每个井可能以一个或多个储层为目标。钻井工具适于使用随钻测井工具来测量井下性质。随钻测井工具也可适于采取如图所示的岩心样本133。
计算机设施可定位在油田100周围的各种位置处(例如,地面单元134)和/或定位在远程位置处。地面单元134可用于与钻井工具和/或场外操作以及与其他地面或井下传感器通信。地面单元134能够与钻井工具通信以向钻井工具发送命令并且从钻井工具接收数据。地面单元134还可收集在钻井操作期间生成的数据并产生数据输出135,然后可存储或传输所述数据输出135。
诸如计量器的传感器(S)可定位在油田100周围以收集与如前所述的各种油田操作有关的数据。如图所示,传感器(S)定位在钻井工具中的一个或多个位置和/或定位在钻机128处以测量钻井参数,诸如钻压、钻头扭矩、压力、温度、流速、成分、旋转速度和/或场操作的其他参数。传感器(S)也可定位在循环系统中的一个或多个位置。
钻井工具106.2可包括在钻头附近(例如,在距钻头的几个钻铤长度内)的通常引用的井底组件(BHA)(未示出)。井底组件包括用于测量、处理并存储信息以及用于与地面单元134通信的能力。井底组件还包括用于执行各种其他测量功能的钻铤。
井底组件可包括与地面单元134通信的通信子组件。通信子组件适于使用诸如泥浆脉冲遥测、电磁遥测或有线钻杆通信的通信信道向地面发送信号和从地面接收信号。通信子组件可包括例如生成表示所测量钻井参数的信号(诸如声学或电磁信号)的发射器。本领域技术人员应理解,可采用多种遥测系统,诸如有线钻杆、电磁或其他已知遥测系统。
通常,根据钻井之前确立的钻井计划来钻取井筒。钻井计划阐述定义井场的钻井过程的装备、压力、轨迹和/或其他参数。然后可根据钻井计划执行钻井操作。然而,随着信息被收集,钻井操作可能需要偏离钻井计划。另外,当执行钻孔或其他操作时,地下状况可能改变。当收集到新信息时,地球模型也可能需要调整。
由传感器(S)收集的数据可由地面单元134和/或其他数据收集源来收集,以进行分析或其他处理。由传感器(S)收集的数据可单独地或结合其他数据使用。数据可在一个或多个数据库中收集和/或在场或在场外传输。数据可以是历史数据、实时数据或其组合。实时数据可实时使用或者被存储以供稍后使用。数据还可与历史数据或其他输入组合以进用于一步分析。数据可存储在单独的数据库中或者组合到单个数据库中。
地面单元134可包括收发器137以允许在地面单元134与油田100的各个部分或其他位置之间进行通信。地面单元134还可设置有或在功能上连接到用于致动油田100处的机构的一个或多个控制器(未示出)。然后,地面单元134可响应于所接收的数据向油田100发送命令信号。地面单元134可经由收发器137接收命令或者可自身执行通向控制器的命令。可提供处理器以分析数据(本地地或远程地)、作出决策和/或致动控制器。以此方式,可基于所收集的数据选择性地调整油田100。这种技术可用于优化场操作的部分,诸如控制钻井、钻压、泵速率或其他参数。这些调整可基于计算机协议自动地进行和/或由操作员手动地进行。在一些情况下,可调整井计划以选择最佳操作状况或者避免出现问题。
图2C示出由测井电缆工具106.3执行的测井电缆操作,所述测井电缆工具106.3由钻机128悬挂并进入图2B的井筒136中。测井电缆工具106.3适于部署到井筒136中以用于生成测井记录,从而执行井下测试和/或收集样本。测井电缆工具106.3可用于提供用于执行地震勘测操作的另一种方法和设备。例如,测井电缆工具106.3可具有向周围的地下地层102和其中的流体发送和/或接收电信号的爆炸性、放射性、电能或声能源144。
测井电缆工具106.3可操作性地连接到例如图2A的地震卡车106.1的地震检波器118和计算机122.1。测井电缆工具106.3还可向地面单元134提供数据。地面单元134可收集在测井电缆操作期间所生成的数据,并且可产生可存储或传输的数据输出135。测井电缆工具106.3可定位在井筒136中的各种深度处以提供与地下地层102有关的勘测或其他信息。
诸如计量器的传感器(S)可定位在油田100周围以收集与如前所述的各种场操作有关的数据。如图所示,传感器S定位在测井电缆工具106.3中以测量井下参数,所述井下参数涉及例如孔隙度、渗透率、流体成分和/或场操作的其他参数。
图2D示出由开采工具106.4执行的开采操作,所述开采工具106.4从开采单元或采油树129部署到完成的井筒136中,用于将流体从井下储层汲取到地面设施142中。流体从储存器104流过套管(未示出)中的射孔并流入井筒136中的开采工具106.4中并通过集油管网146流到地面设施142。
诸如计量器的传感器(S)可定位在油田100周围以收集与如前所述的各种场操作有关的数据。如图所示,传感器(S)可定位在开采工具106.4或诸如采油树129、集油管网146、地面设施142和/或开采设施的相关联设备中,以测量流体参数,诸如流体成分、流速、压力、温度和/或开采操作的其他参数。
开采还可包括用于增加采收的注入井。一个或多个集油设施可操作性地连接到井场中的一个或多个,用于选择性地从一个或多个井场收集井下流体。
虽然图2B至图2D示出用于测量油田的性质的工具,但应理解,这些工具可结合非油田操作使用,诸如气田、矿井、含水层、储存或其他地下设施。而且,虽然描绘了某些数据采集工具,但应理解,也可使用能够感测地下地层和/或其地质地层的参数的各种测量工具,所述参数诸如地震双向行进时间、密度、电阻率、开采率等。各种传感器(S)可定位在沿着井筒和/或监测工具的各种位置处,以收集和/或监测期望数据。其他数据源也可从场外位置提供。
图2A至图2D的场配置意图提供可与油田应用框架的场的实例的简要描述。油田100的部分或全部可位于陆地、水和/或海上。而且,虽然描绘了在单个位置处测量的单个场,但油田应用可与一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合一起使用。
图3示出根据所述各种工艺和技术的实现方式的油田200的部分横截面示意图,所述油田200具有定位在沿着油田200的各种位置处的数据采集工具202.1、202.2、202.3和202.4,用于收集地下地层204的数据。数据采集工具202.1-202.4可分别与图2A至图2D的数据采集工具106.1-106.4或未描绘的其他工具相同。如图所示,数据采集工具202.1-202.4分别生成数据曲线或测量结果208.1-208.4。这些数据曲线沿着油田200描绘以展示由各种操作生成的数据。
数据曲线208.1-208.3分别是可由数据采集工具202.1-202.3生成的静态数据曲线的实例,然而,应理解,数据曲线208.1-208.3也可以是实时更新的数据曲线。可分析这些测量结果以更好地定义一种或多种地层的性质和/或确定测量结果的准确性和/或用于检查误差。可对准和缩放相应测量结果中的每一者的曲线,用于比较和验证性质。
静态数据曲线208.1是一定时间段内的地震双向响应。静态曲线208.2是从地层204的岩心样本测量的岩心样本数据。岩心样本可用于提供数据,诸如岩心样本在岩心长度上的密度、孔隙度、渗透率或一些其他物理性质的曲线图。可在不同的压力和温度下对岩心中的流体执行密度和粘度的测试。静态数据曲线208.3是通常提供不同深度处的地层的电阻率或其他测量结果的测井轨迹。
产量递减曲线或曲线图208.4是流体流速随时间的动态数据曲线。产量递减曲线通常提供作为时间的函数的开采率。当流体流过井筒时,采取对流体性质(诸如流速、压力、成分等)的测量。
也可收集其他数据,诸如历史数据、用户输入、经济信息和/或其他测量数据和感兴趣的其他参数。可分析静态和动态测量结果并使用其来生成地下地层的用于确定其特性的模型。类似的测量结果也可用于测量地层方面随时间的变化。
地下结构204具有多个地质地层206.1-206.4。如图所示,这个结构具有若干地层或层,包括页岩层206.1、碳酸盐层206.2、页岩层206.3和砂层206.4。断层207延伸穿过页岩层206.1和碳酸盐层206.2。静态数据采集工具适于采取测量并检测地层的特性。
虽然描绘了具有特定地质结构的特定地下地层,但应理解,油田200可包含多种地质结构和/或地层,有时具有极端复杂性。在一些位置,通常在水位线下方,流体可占据地层的孔隙空间。测量装置中的每一个可用于测量地层的性质和/或其地质特征。虽然每个采集工具被示出为位于油田200中的特定位置,但应理解,可在跨一个或多个场或其他位置的一个或多个位置处采取一种或多种类型的测量以用于比较和/或分析。
可处理和/或评估从各种源(诸如图3的数据采集工具)收集的数据。通常,地球物理学家使用来自数据采集工具202.1的静态数据曲线208.1中显示的地震数据来确定地下地层和特征的特性。地质学家通常使用静态曲线208.2中显示的岩心数据和/或来自测井记录208.3的记录数据来确定地下地层的各种特性。储层工程师通常使用来自曲线图208.4的开采数据来确定流体流储层特性。可使用建模技术来分析由地质学家、地球物理学家和储层工程师分析的数据。
图4示出根据本文所述的各种工艺和技术的实现方式的用于执行开采操作的油田300。如图所示,油田具有操作性地连接到中央处理设施354的多个井场302。图4的油田配置并不意图限制油田应用系统的范围。油田的部分或全部可位于陆地和/或海上。而且,虽然描绘了具有单个处理设施和多个井场的单个油田,但可存在一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合。
每个井场302具有将井筒336形成到地球中的装备。井筒延伸穿过包括储层304的地下地层306。这些储层304包含流体(诸如烃)。井筒从储层汲取流体并通过地面管网344将它们传递到处理设施。地面管网344具有油管和控制机构,用于控制从井场到处理设施354的流体流。
利用自组织映射进行岩石物理场评估
可在各种类型的石油技术软件的辅助下执行对油田的例如用于识别可采收烃类的位置和/或量的评估,以开发井路径和场开发计划等。例如,可从Schlumberger公司及其附属公司获得的TECHLOG井筒软件平台提供了数种计算机实现的工具,用于解释从场中的井收集的测井记录和其他井测量结果,以用于执行岩石物理场评估。
通常,利用此类计算机实现的工具,可创建包括场的井测量结果的集合(在下文中称为所收集数据集)的项目。然而,一些场可包括数百或数千个井,并且每个井可具有数万个所收集井测量结果,例如,被布置成沿着井筒在特定深度或位置处收集的一种或多种类型的测量结果的样本。井测量结果可以测井记录的形式收集,并且可使用随钻测井(LWD)、随钻测量(MWD)以及其他测井电缆或井内收集技术来收集。可收集的测量结果的类型包括但不限于自然伽马射线、密度和光电指数、中子孔隙度、钻孔井径、电阻率、声波、成像、地层压力、地层采样、核磁共振、地震等,并且应理解,评估还可并入附加数据,诸如场地震数据、断层网络、流体成分数据等。
考虑到与一些场相关联的数据的量,可能难以获得场的全局视图并检索相关信息。岩石物理学家可通过以下执行评估:首先分析场的若干井,然后使用统计聚类技术(诸如K-Mean)利用相干测井响应创建集群,然后将所述相干测井响应传播到场中的其他井。例如,可针对每个集群创建岩石物理模型并将其传播到所有井。然后可收集在场中传播的岩石物理性质,以估算烃柱(即井筒处的烃)。这些模型还可与其他软件工具(诸如储层模拟程序)一起使用,以计算储层信息,诸如地质储量。然而,利用此类方法,岩石物理学家可能不确信从若干井提取的信息足以表示场特性的全部以及传播是否有效。
相反,本发明的实施方案可支持部分地基于使用自组织映射(SOM)来促进与场的岩石物理特性相关联的模型和其他评估信息的生成和/或显示的工作流。特别地,此类工作流可有效地生成合成数据集,所述合成数据集并入使用自组织映射来减少所收集数据集的合成样本,使得可对合成样本执行岩石物理评估,然后将所述岩石物理评估传播回场中的井。例如,在一些实施方案中,可接收包括从场中的多个井收集的井测量结果的数据集,可通过使用自组织映射(SOM)根据所接收的数据集计算多个合成样本从所接收的数据集生成合成数据集,并且可将从合成数据集生成的一个或多个模型传播到多个井。
例如,图5示出与本发明的一些实施例一致的可执行以评估场并且例如使用图1的数据处理系统10来实现的操作序列400。在此示例性操作序列中,场评估作为项目的一部分来执行,所述项目与待评估场相关联,并且包含测井记录和与场相关联且结合执行评估一起使用的其他数据。
首先,在框402中,收集和/或接收表示井测量结果的数据集的测井记录,所述测井记录可包括例如与项目相关联的样本和/或其他数据。接下来,在框404中,连接并协调项目中的测井记录。可从测井记录提取样本,并通过读取可用数据进行连接,以便了解自组织映射,并且协调或归一化可包括针对一个或多个状况补偿测井测量结果,所述状况包括不准确工具校准、测量装置中的“漂移”、由于供应商、年份和工具类型而产生的工具响应差异、岩石和流体性质的差异、钻孔与地层之间的相对角度、各向异性等。此外,还可应用环境校正。
接下来,在框406中,使用自组织映射来生成包括从所收集和/或所接收数据集计算的合成样本的合成数据集。合成数据集可例如使用Kohonen网络,或者使用受益于本公开的本领域普通技术人员应理解的其他自组织映射技术(例如kde算法、分割等)来生成。作为框406的结果,生成包括多个合成样本的合成数据集,这些合成样本一起表示与所收集数据集相比显著减少样本数量同时保留输入空间的拓扑的精简数据集。例如,在一些实施方案中,合成数据集可包括从包括大于一百万个样本的所收集数据集中生成的约2500-10,000个合成样本。另外,在一些实施方案中,合成数据集的生成可包括将合成样本保存为软件工具中的码本,例如,保存为TECHLOG井筒软件平台中的复合井。
接下来,在框408中,可对合成数据集中的合成样本执行一项或多项岩石物理研究,并且结合执行此类研究,可从合成样本和/或一个或多个曲线生成一个或多个项目模型,或者可生成其他信息显示和/或以其他方式将其他信息显示呈现给岩石物理学家以进行评估。研究的执行、模型的生成和信息的显示在许多方面可类似于基于所收集井测量结果在岩石物理评估中执行的可比操作,但是基于合成数据集执行的。尽管如此,因为合成数据集的大小远小于所收集和/或所接收数据集的大小,所以评估可以显著更少的计算资源、时间和/或精力来执行,并且在一些情况下实现在对完整收集的数据集执行此类算法是不切实际的情况下待使用的更加计算密集型算法(例如,Monte Carlo模拟、多组分反演元素测井分析(ELAN)等)。
可基于合成数据集生成各种性质或模型,例如饱和度、孔隙度、渗透率、表示地下地层的岩性的岩性模型等。此外,可生成各种信息显示,例如,表示来自所收集数据集的任何上述类型的测量结果的但基于合成数据集的各种合成记录的显示,所述合成记录包括例如页岩体积、饱和孔隙度和渗透率以供快速评定,从而帮助未来总结截止决策等。
接下来,在框410中,可将基于合成数据集在框408中生成的一个或多个模型传播到项目中的井中的一些或全部,即,使得项目中的井被分配从合成数据集生成的模型或以其他方式与所述模型相关联。
接下来,在框412中,可基于岩石物理研究的结果执行一个或多个场操作。例如,场操作可包括诸如钻取井、确定场开发计划、配置地面管网、控制开采和/或注入井等操作,并且可包括在对场的任何勘探、评估、开发和开采阶段期间执行的各种附加操作。然而,应理解,在一些实施方案中,场操作不必在数据处理系统10内或者以其他方式在执行场评估和/或岩石物理研究时执行。在一些情况下,例如,场操作可在很久以后和/或甚至由与进行场评估的实体不同的实体来执行。
现在转到图6至图8,这些图以图形方式表示使用操作序列400进行的合成数据集的生成。例如,图6示出场的代表性井图420,其示出待研究的场内井的位置。根据本发明,可如上文在框404中所讨论那样连接和协调这些井的所收集数据集,并且图7示出两个测量结果(体积密度和中子孔隙度)的示例性交会图430,并且包括大的样本集合,每个样本通过黑点表示),以说明所收集数据集的相对大的尺寸。继而,图8示出与交会图430相同的两个测量结果的示例性交会图440,但覆盖有来自合成数据集且由灰色菱形表示的合成样本。如上所指出,合成样本可由合成码本表示,并且可使用自组织映射来生成。因此,场的数据集可由约2500个合成样本表示。
现在转到图9,示出用于将合成模型传播到场中的井的一个示例性操作序列,例如,如图5的框410所示。虽然可使用其他实现方式将从合成数据集生成的模型传播到场中的井,但在所示的实施方案中,传播可利用基于最小距离将与合成样本相关联的模型分配给井的算法。
例如,在一个实施方案中,对于场的每个样本,可使用以下等式找到自组织映射的具有最小距离的合成样本:
其中节点是自组织映射的合成样本,并且m是节点向量的维度,即所用记录的数量。在一些实施方案中,可采用由上述等式中描述的距离加权的自组织映射的所有节点的性质的平均值。无论哪个合成样本被确定为具有最小距离,然后都可将用所述合成样本计算出的模型分配给场的所收集的样本。
例如,如图9所示,可执行一对嵌套FOR循环460、462,以处理每个所收集样本和每个合成样本。对于每个这样的对,框464均可如上所述计算所收集样本与合成样本之间的距离,并且一旦计算出所有距离,框466就可确定距所收集样本具有最小距离的合成样本,并且框468可将用最小距离合成样本计算出的模型分配给所收集样本。然后对所收集数据集中的每个另外收集的样本重复这个过程。如上所指出,在一些实施方案中,不是采用具有最小距离的节点,而是可计算出所有节点的平均值。
虽然本文已经参考特定装置、材料和实施方案描述了前面的描述,但并不意图限于本文所公开的特定内容。作为另一实例,实施方案可结合手持式系统(即,电话、手腕或前臂安装式计算机、平板计算机或其他手持式装置)、便携式系统(即,膝上型或便携式计算系统)、固定式计算系统(即,台式计算机、服务器、集群或高性能计算系统),或跨网络(即,基于云的系统)来使用。这样一来,实施方案扩展到所附权利要求的范围内的所有功能等同的结构、方法、使用、程序产品和成分。此外,虽然已经描述了特定实施方案,但并不意图将本公开限于此,因为意图本公开的范围与本领域将允许的范围一样广泛,并且意图本说明书以同样地方式来理解。因此,本领域技术人员应理解,在不脱离所要求保护的精神和范围的情况下,可进行其他修改。
Claims (20)
1.一种方法,其包括:
接收包括从场中的多个井收集的井测量结果的数据集;
使用至少一个处理单元,通过使用自组织映射(SOM)根据所接收的数据集计算多个合成样本,从所接收的数据集生成合成数据集;以及
将从所述合成数据集生成的一个或多个模型传播到所述多个井。
2.如权利要求1所述的方法,其还包括使用所述合成数据集来生成所述一个或多个模型。
3.如权利要求2所述的方法,其还包括对所述合成数据集执行一项或多项岩石物理研究,其中在所述一项或多项岩石物理研究的执行期间生成所述一个或多个模型。
4.如权利要求3所述的方法,其还包括在所述一项或多项岩石物理研究的执行期间从所述合成数据集生成一个或多个曲线。
5.如权利要求1所述的方法,其还包括在生成所述合成数据集之前连接来自所接收的数据集的所述井测量结果。
6.如权利要求1所述的方法,其还包括在生成所述合成数据集之前协调来自所接收的数据集的所述井测量结果。
7.如权利要求1所述的方法,其还包括使用所传播的模型中的一个或多个来执行一个或多个场操作。
8.如权利要求1所述的方法,其中传播所述一个或多个模型包括:对于所接收的数据集中的多个相应样本中的每一个,基于所述相应样本与来自所述合成数据集的合成样本之间的接近距离,将所述一个或多个模型中的模型与所述相应样本相关联。
9.一种设备,其包括:
至少一个处理单元;以及
程序代码,所述程序代码被配置为在由所述至少一个处理单元执行时接收包括从场中的多个井收集的井测量结果的数据集,通过使用自组织映射(SOM)根据所接收的数据集计算出多个合成样本来从所接收的数据集生成合成数据集,并且将从所述合成数据集生成的一个或多个模型传播到所述多个井。
10.如权利要求9所述的设备,其中所述程序代码还被配置为使用所述合成数据集来生成所述一个或多个模型。
11.如权利要求10所述的设备,其中所述程序代码还被配置为对所述合成数据集执行一项或多项岩石物理研究,其中在所述一项或多项岩石物理研究的执行期间生成所述一个或多个模型。
12.如权利要求11所述的设备,其中所述程序代码还被配置为在所述一项或多项岩石物理研究的执行期间从所述合成数据集生成一个或多个曲线。
13.如权利要求9所述的设备,其中所述程序代码还被配置为在生成所述合成数据集之前连接来自所接收的数据集的所述井测量结果。
14.如权利要求9所述的设备,其中所述程序代码还被配置为在生成所述合成数据集之前协调来自所接收的数据集的所述井测量结果。
15.如权利要求9所述的设备,其中所述程序代码还被配置为使用所传播的模型中的一个或多个来执行一个或多个场操作。
16.如权利要求9所述的设备,其中所述程序代码被配置为通过以下传播所述一个或多个模型:对于所接收的数据集中的多个相应样本中的每一个,基于所述相应样本与来自所述合成数据集的合成样本之间的接近距离,将所述一个或多个模型中的模型与所述相应样本相关联。
17.一种程序产品,其包括:
计算机可读介质;以及
程序代码,所述程序代码存储在所述计算机可读介质上并且被配置为在由至少一个处理单元执行时接收包括从场中的多个井收集的井测量结果的数据集,通过使用自组织映射(SOM)根据所接收的数据集计算出多个合成样本来从所接收的数据集生成合成数据集,并且将从所述合成数据集生成的一个或多个模型传播到所述多个井。
18.如权利要求17所述的程序产品,其中所述程序代码还被配置为使用所述合成数据集生成所述一个或多个模型,并且其中所述程序代码还被配置为对所述合成数据集执行一项或多项岩石物理研究,其中在所述一项或多项岩石物理研究的执行期间生成所述一个或多个模型。
19.如权利要求17所述的程序产品,其中所述程序代码还被配置为在生成所述合成数据集之前连接并协调来自所接收的数据集的所述井测量结果。
20.如权利要求17所述的程序产品,其中所述程序代码被配置为通过以下传播所述一个或多个模型:对于所接收的数据集中的多个相应样本中的每一个,基于所述相应样本与来自所述合成数据集的合成样本之间的接近距离,将所述一个或多个模型中的模型与所述相应样本相关联。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2016/001592 WO2018069742A1 (en) | 2016-10-13 | 2016-10-13 | Petrophysical field evaluation using self-organized map |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110062897A true CN110062897A (zh) | 2019-07-26 |
CN110062897B CN110062897B (zh) | 2022-06-28 |
Family
ID=57530723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680091512.0A Active CN110062897B (zh) | 2016-10-13 | 2016-10-13 | 使用自组织映射来进行的岩石物理场评估 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11320565B2 (zh) |
EP (1) | EP3526627B1 (zh) |
CN (1) | CN110062897B (zh) |
CA (1) | CA3040439A1 (zh) |
WO (1) | WO2018069742A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11112516B2 (en) * | 2018-04-30 | 2021-09-07 | Schlumberger Technology Corporation | Data fusion technique to compute reservoir quality and completion quality by combining various log measurements |
US11585202B2 (en) | 2020-05-29 | 2023-02-21 | Saudi Arabian Oil Company | Method and system for optimizing field development |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040133531A1 (en) * | 2003-01-06 | 2004-07-08 | Dingding Chen | Neural network training data selection using memory reduced cluster analysis for field model development |
US20090020284A1 (en) * | 2007-07-20 | 2009-01-22 | Schlumberger Technology Corporation | Apparatus, method and system for stochastic workflow in oilfield operations |
US20140121980A1 (en) * | 2012-10-26 | 2014-05-01 | Schlumberger Technology Corporation | Predicting three dimensional distribution of reservoir production capacity |
CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
WO2015177561A1 (en) * | 2014-05-21 | 2015-11-26 | Senergy Software Ltd | Methods for rock typing and associated apparatus and systems |
US20160086079A1 (en) * | 2014-06-02 | 2016-03-24 | Westerngeco Llc | Properties link for simultaneous joint inversion |
CN105840189A (zh) * | 2016-03-17 | 2016-08-10 | 成都创源油气技术开发有限公司 | 一种页岩气岩石物理与测井方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5848379A (en) * | 1997-07-11 | 1998-12-08 | Exxon Production Research Company | Method for characterizing subsurface petrophysical properties using linear shape attributes |
AU2011283109B2 (en) * | 2010-07-30 | 2016-07-21 | Exxonmobil Upstream Research Company | Systems and methods for predicting well performance |
US9128203B2 (en) * | 2011-09-28 | 2015-09-08 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
-
2016
- 2016-10-13 CN CN201680091512.0A patent/CN110062897B/zh active Active
- 2016-10-13 WO PCT/IB2016/001592 patent/WO2018069742A1/en unknown
- 2016-10-13 CA CA3040439A patent/CA3040439A1/en active Pending
- 2016-10-13 US US16/340,130 patent/US11320565B2/en active Active
- 2016-10-13 EP EP16809167.6A patent/EP3526627B1/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040133531A1 (en) * | 2003-01-06 | 2004-07-08 | Dingding Chen | Neural network training data selection using memory reduced cluster analysis for field model development |
US20090020284A1 (en) * | 2007-07-20 | 2009-01-22 | Schlumberger Technology Corporation | Apparatus, method and system for stochastic workflow in oilfield operations |
US20140121980A1 (en) * | 2012-10-26 | 2014-05-01 | Schlumberger Technology Corporation | Predicting three dimensional distribution of reservoir production capacity |
WO2015177561A1 (en) * | 2014-05-21 | 2015-11-26 | Senergy Software Ltd | Methods for rock typing and associated apparatus and systems |
US20160086079A1 (en) * | 2014-06-02 | 2016-03-24 | Westerngeco Llc | Properties link for simultaneous joint inversion |
CN104453875A (zh) * | 2014-10-29 | 2015-03-25 | 中国石油集团川庆钻探工程有限公司 | 基于自组织竞争神经网络的页岩气储层识别方法 |
CN105840189A (zh) * | 2016-03-17 | 2016-08-10 | 成都创源油气技术开发有限公司 | 一种页岩气岩石物理与测井方法 |
Non-Patent Citations (2)
Title |
---|
ROCKY RODEN 等: "Geologic pattern recognition from seismic attributes: Principal component analysis and self-organizing maps", 《INTERPRETATION》 * |
任培罡 等: "自组织神经网络在测井储层评价中的应用", 《地质科技情报》 * |
Also Published As
Publication number | Publication date |
---|---|
US20190243025A1 (en) | 2019-08-08 |
CA3040439A1 (en) | 2018-04-19 |
CN110062897B (zh) | 2022-06-28 |
WO2018069742A1 (en) | 2018-04-19 |
EP3526627B1 (en) | 2024-03-20 |
US11320565B2 (en) | 2022-05-03 |
EP3526627A1 (en) | 2019-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3571532B1 (en) | Systematic evaluation of shale plays | |
US8599643B2 (en) | Joint structural dip removal | |
US20180058211A1 (en) | Joint inversion of downhole tool measurements | |
US8567526B2 (en) | Wellbore steering based on rock stress direction | |
US9260948B2 (en) | Multi-level reservoir history matching | |
CN112424646A (zh) | 地震数据解释系统 | |
WO2018117890A1 (en) | A method and a cognitive system for predicting a hydraulic fracture performance | |
US20230041525A1 (en) | Automatic model selection through machine learning | |
US8245795B2 (en) | Phase wellbore steering | |
US9665604B2 (en) | Modeling and manipulation of seismic reference datum (SRD) in a collaborative petro-technical application environment | |
US11346833B2 (en) | Reservoir fluid characterization system | |
EP3973140A1 (en) | Geologic model and property visualization system | |
US11774631B2 (en) | Geologic formation neutron porosity system | |
WO2023081113A1 (en) | Well log correlation system | |
CN110062897A (zh) | 使用自组织映射来进行的岩石物理场评估 | |
WO2022094176A1 (en) | Machine learning synthesis of formation evaluation data | |
US20230280494A1 (en) | Proper layout of data in gpus for accelerating line solve pre-conditioner used in iterative linear solvers in reservoir simulation | |
US20220228480A1 (en) | Automated sedimentary fairway definition and approach for calculating sediment input and output location parameters per area of interest | |
WO2023167919A1 (en) | Proper layout of data in gpus for accelerating line solve pre-conditioner used in iterative linear solvers in reservoir simulation | |
CA3228152A1 (en) | Geologic velocity modeling framework |
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 |