CN110346831B - 一种基于随机森林算法的智能化地震流体识别方法 - Google Patents
一种基于随机森林算法的智能化地震流体识别方法 Download PDFInfo
- Publication number
- CN110346831B CN110346831B CN201910653044.7A CN201910653044A CN110346831B CN 110346831 B CN110346831 B CN 110346831B CN 201910653044 A CN201910653044 A CN 201910653044A CN 110346831 B CN110346831 B CN 110346831B
- Authority
- CN
- China
- Prior art keywords
- random forest
- well
- fluid
- data
- seismic
- 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.)
- Active
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 109
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 14
- 239000011148 porous material Substances 0.000 claims description 11
- 239000004215 Carbon black (E152) Substances 0.000 claims description 7
- 229930195733 hydrocarbon Natural products 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 125000001183 hydrocarbyl group Chemical group 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
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
本发明涉及一种基于随机森林算法的智能化地震流体识别方法，该方法首先基于测井数据进行大量的机器学习实践，通过建立勘探开发工区的流体识别机器学习网络对每口井进行测试以及筛选不同井进行盲测等手段，来验证随机森林算法在这种基于弹性属性的流体类型预测方法上的可行性和高精度，然后从井到震，利用测线上五口井的测井数据训练出一个有泛化性能的随机森林分类器，与叠前地震数据的叠前弹性参数反演结果相结合，进而预测流体类型的空间分布。与现有技术相比，本发明具有识别准确度高、避免受物性参数影响、耗时短等优点。
Description
技术领域
本发明涉及地球物理领域，尤其是涉及一种基于随机森林算法的智能化地震流体识别方法。
背景技术
地球物理领域的流体识别问题本质上属于分类问题，可以考虑利用新兴于目前各学科的机器学习算法来解决此类问题。而复杂岩性油气藏中流体类型-弹性属性之间存在着复杂的非线性关系，映射关系较模糊，这给传统基于弹性属性模型驱动的方法和其他机器学习方法带来了很多问题，如过拟合、参数优化难、可依靠经验少、样本量不足等。
发展基于地震数据的流体识别技术对降低勘探开发风险和岩性油气藏的识别都具有重要意义。从叠前地震反演得到的弹性属性(纵波阻抗和纵横波速度比)一般被用于进行模型驱动的流体识别，然而由于中深层或复杂岩性油气藏的弹性属性与不同储层流体类型复杂的非线性映射关系，往往难以取得较好的效果。
传统的地震流体识别主要是基于一些弹性属性(如纵横波速度比)的阈值、或是基于多种弹性参数结合的流体识别因子。这些地震流体识别方法主要适应于孔隙度很高的浅层储层，一方面的孔隙度很高时会放大流体作用，另外一方面浅层储层的流体自身的弹性性质差异很大。但这些单纯基于弹性参数驱动的流体识别用于中深层或复杂岩性油气藏时往往带来很大的不确定性，因为其储层流体类型和弹性特征的映射关系变得模糊起来，且往往受物性参数影响较大。
近年来，多种机器学习算法都被应用于智能化地震识别，如支持向量机、深度神经网络以及模糊逻辑算法。上述方法在流体识别问题中都各自存在着明显的弊端：支持向量机的参数众多，建立分类器的过程繁琐、耗时长、灵活度低，优化参数主要凭经验；深度神经网络的重点在于隐藏层的设计，但目前还没有完善的理论来指导具体如何设计隐藏层，一般都是根据经验，预先设定几个可选值，通过切换可选值来观察整个模型的预测效果，操作十分不便，且当特征与目标之间的关系十分模糊时，不易通过参数和激励函数来拟合；模糊逻辑以隶属度为指导，过分依赖统计学理论，对已知的数据数量有很高的要求，当样本不足或特征片面时，流体类型预测效果很差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于随机森林算法的智能化地震流体识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于随机森林算法的智能化地震流体识别方法，包括如下步骤：
S1、利用钻井和测井数据获取已知不同储层类型，建立带有标签的学习样本，并选取训练数据集和样本测试集。具体步骤包括：
1.1、利用钻井和测井数据获取已知不同储层类型对应的流体类型-弹性属性的学习样本，构建不同储集体对应的流体类型标签，包括高孔含水层，高孔含油气层、低孔含水层、多孔含油气层，获取带有标签的学习样本，所述的不同储层类型包括高孔隙度、低孔隙度，不同储层类型对应的流体类型包括气、油、水；
1.2、按一定比例对步骤1.1得到的带有标签的学习样本构建不同的训练数据集和样本测试集。
优选地，获取学习样本的数据来源中，井的数量至少为3口。
S2、对建立的带有标签的学习样本平衡各种流体类型的样本数：
对样本数较少的流体类型对应的数据点进行扩充，直至达到含较多样本数流体类型对应的数据量，以平衡每种类别在随机森林算法的分裂准则中的地位。
S3、基于训练数据集，创建随机森林分类器。具体包括以下步骤：
3.1、利用Bootstrap方法，有放回地对训练数据集进行重采样，随机产生T个训练集S1,S2,…,ST；
3.2、对每个训练集生成对应的决策树C1,C2,…,CT，在每个非叶节点上选择属性前，从总共M个属性中随机抽取m(0<m<M)个属性作为当前节点的分裂属性集，为每个非叶节点递归地选择最优的分裂属性，并以最优的分裂方式对该节点进行分裂；选取不纯度作为分裂准则，通过比较划分前后的不纯度值确定如何分裂，分裂后不纯度降低得越多，表示分类的效果越好；采用基尼系数或者熵表示不纯度，选取信息增益、信息增益率以及基尼系数来量化不纯度的变化。
3.3、令每棵决策树完整成长，不进行剪枝；
3.4、对于测试集样本X，利用每个决策树进行测试，得到对应类别C1(X),C2(X),…,CT(X)；
3.5、采用投票方法，将T个决策树中输出最多的类别作为测试集样本X所属的类别。
S4、采用随机森林分类器进行逐井测试，具体内容为：
依照步骤S2的流程，按50％的比例从每口井中随机选择数据建立随机森林网络，输入每口井的弹性属性，进行逐井测试，计算各口井的流体类型预测准确率；若每口井的流体类型预测准确率达到75％-80％的浮动区间，则表示基于多口井建立的随机森林网络具有较好的泛化性能，进行下一步的盲井测试；若准确率达不到75％-80％的浮动区间，则调整随机森林网络结构参数后重新进行逐井测试。
S5、从多口井中随机筛选盲井，对各井进行流体类型预测，获取盲测准确率，若随机选取的盲井测试准确率达到60％，则表示随机森林网络具备较强预测能力，将该网络应用到地震数据中，进行步骤S6。
S6、利用测线上所有井不同储层类型对应流体类型的弹性特征测井数据训练有泛化性能的随机森林网络，结合叠前地震数据的叠前弹性参数反演结果，预测流体类型的空间分布，完成智能化地震流体识别。所述的叠前弹性参数包括纵波阻抗和纵横波速度比。
与现有技术相比，本发明具有以下优点：
1)本发明方法以随机森林法则为理论基础，首先根据测井数据建立不同物性参数储集体对应的流体类型与弹性参数(纵波阻抗和纵横波速度比)的学习样本，再利用随机森林算法训练一个表征“流体类型-弹性属性”映射关系的分类器，通过建立勘探开发工区的流体识别机器学习网络对每口井进行测试以及筛选不同井进行盲测等手段，来验证随机森林算法在这种基于弹性属性的流体类型预测方法上的可行性和高精度，然后从井到震，利用测线上五口井的测井数据训练出一个有泛化性能的随机森林分类器，与叠前地震数据的叠前弹性参数(纵波阻抗和纵横波速度比)反演结果相结合，进而预测流体类型的空间分布，由井震标定评估结果，本发明方法能够避免受物性参数影响，无需进行繁杂的参数优化，能够确定最重要的特征属性，有效提高地震数据智能化流体检测的准确度；
2)本发明利用随机森林对地震流体进行识别，随机森林是基于集成学习的思想，对传统的决策树方法进行优化得到的，本质上是一个整合了多个弱分类器的强分类器，能够有效提升决策树的泛化性能，良好地处理具有高维特征的输入样本，可评估各个特征在分类问题上的重要性，同时无需进行大量的参数调试工作，具有极高的准确率；
3)本发明利用随机森林可使得地震数据智能化流体检测过程更加简单、减少耗时、提高灵活度，有助于提高地震数据智能化流体检测的准确度；
4)针对每种流体类型样本的数量不等的情况，本发明方法采取了平衡各种流体类型样本数的措施，使所建立的随机森林网络能够充分学习到每种流体类型的特征，在预测时不至于偏向某一样本数多的类别，进而有助于提高地震数据智能化流体检测的准确度。
附图说明
图1为本发明方法的流程示意图；
图2为本发明实施例中以某工区的C井为例建立的学习样本；
图3为本发明实施例中基于某工区A、B、C、D、E五口井的测井数据所建立的学习网络进行逐井测试的结果图；
图4为本发明实施例中利用A、B两口井建立的随机森林网络对C、D、E井进行盲井测试的结果图；
图5为本发明实施例中结合由测井数据建立的随机森林网络和地震叠前弹性参数反演结果的流体类型预测空间分布。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1所示，本发明涉及一种基于随机森林算法的智能化地震流体识别方法，具体图包括如下步骤：
步骤一、建立带有标签的学习样本。
利用钻井和测井数据获取已知不同储层类型(高孔隙度、低孔隙度)对应的流体类型(气、油、水)-弹性属性的学习样本，构建不同储集体对应的流体类型标签：如高孔含水层，高孔含油气层、低孔含水层、多孔含油气层。
按一定比例构建不同的训练集和测试集，进行基于测井数据的随机森林流体预测实验。为了让训练网络有一定的泛化性能，要求井的数量要大于等于3口井。由于纵波阻抗和纵横波速度比对不同储层类型的流体较为敏感，所以本发明选用这两个弹性属性进行流体智能识别。
步骤二、平衡各种流体类型的样本数。
由于每种流体类型样本的数量不等，为了使所建立的随机森林网络能够充分学习到每种流体类型的特征，在预测时不至于偏向某一样本数多的类别，采取了平衡各种流体类型样本数的措施。
具体操作是复制样本数较少的流体类型对应的数据点(可以按照深度从第一个数据点开始)，直至达到含最多样本数流体类型对应的数据量，这样每一种流体类型对应的样本数据量都相等，从而可以平衡每种类别在随机森林算法的分裂准则中的地位。例如，油、气、水的最初对应的样本数据量分别为300、500、1000，在操作时对各个流体类型对应的样本数据点进行复制，即将油的样本数据量复制3.3倍到1000，将气的样本数据量复制2倍至1000，使得油、气、水三种流体类型对应的样本数据量相等。
如图2所示，图2是以某工区的C井为例，建立的学习样本，从左至右分别为孔隙度、纵波阻抗、纵横波速度比、不同储层流体类型。根据物性参数孔隙度的大小和钻井的流体显示，将不同储集体对应的流体类型分成三大类：高孔含水层(孔隙度>20％)、低孔含水层(孔隙度<20％)、气层。同时按照流程的步骤二，对三种流体类型的样本数进行均衡。
步骤三、对学习样本选取训练数据集，基于训练数据集，创建随机森林分类器。
随机森林的算法流程如下：
1)利用Bootstrap方法，有放回地对训练数据集进行重采样，随机产生T个训练集S1,S2,…,ST。
设集合S中含有n个不同的样本{x1,x2,…,xn}，若每次有放回地从集合S中抽取一个样本，一共抽取n次，形成新的集合S*，则集合S*中不包含某个样本xi(i＝1,2,…,n)的概率为：
当n→∞时，有：
因此，虽然新集合S*的样本总数与原集合S的样本总数相等，但新集合中可能包含了重复的样本，若除去重复的样本，新集合S*中仅包含了原集合S中约1-0.368×100％＝63.2％的样本。
这样一来，得到的T个训练集都与原训练样本不同，有效避免过拟合。
2)利用每个训练集，生成对应的决策树C1,C2,…,CT。在每个非叶节点上选择属性前，从总共M个属性中随机抽取m(0<m<M)个属性作为当前节点的分裂属性集，为每个非叶节点递归地选择最优的分裂属性，并以最优的分裂方式对该节点进行分裂。分裂准则是不纯度，通常用基尼系数或者熵来表示，通过比较划分前后的不纯度值，来确定如何分裂，分裂后不纯度降低得越多，分类的效果越好。通常选择信息增益、信息增益率以及基尼系数来量化不纯度的变化，不同的选取方法形成了不同的决策树方法(ID3，C4.5，CART)。
3)让每棵树完整成长，不进行剪枝。
4)对于测试集样本X，利用每个决策树进行测试，得到对应类别C1(X),C2(X),…,CT(X)。
5)采用投票的方法，将T个决策树中输出最多的类别作为测试集样本X所属的类别。
步骤四、进行逐井测试。
依照步骤二中的流程，按50％的比例从每口井中随机选择数据建立一个大型随机森林网络，输入每口井的弹性属性，进行逐井测试，计算各口井的流体类型预测准确率。如果每口井的流体类型预测准确率达到75％-80％的浮动区间，则说明基于多口井建立的随机森林网络具有较好的泛化性能，可以进行下一步的盲井测试。如果准确率达不到，则可以调整随机森林网络结构参数。
图3是基于某工区的A、B、C、D、E五口井的数据所建立的大型网络的逐井测试结果。按50％的比例从每口井中随机选择数据作为训练集，建立一个大型随机森林网络，再输入每口井的弹性属性(纵波阻抗和纵横波速度比)，进行逐井测试，计算各井流体类型预测准确率。图中对应A-E井的预测准确率依次为95.22％,94.34％,95.20％,97.18％,98.16％。因为每一口井的准确率超过了80％，则可考虑进行下一步的盲井测试。
步骤五、进行盲井测试。
从多口井中随机筛选出“盲井”，即使训练集中不包含盲井数据，再构建随机森林分类器，对各井进行流体类型预测，分析盲测准确率。如果随机选取的盲井测试准确率达到60％，则可认为随机森林网络具备了较强的预测能力，可以将该网络应用到地震数据中。
图4是本实施例利用A、B两口井的数据为学习样本对C、D、E三口井进行盲井测试的结果。在随机选取A、B两口井50％数据的情况下，对C、D、E三口井流体类型预测的准确率分别达到了96.22％，93.91％，85.27％，90.81％，94.36％。即便是只用2口井的数据，盲井的预测准确率最低也达到了85.27％。可以得出结论，随机森林算法在这种基于弹性属性的流体类型预测上具有较高的预测准确率和较强的泛化效能。由于盲井测试的准确率到达了60％以上，则可以将流体识别的学习网络推广应用到地震反演结果中。
步骤六、地震数据应用。
利用测线上所有井不同储层类型对应流体类型的弹性特征测井数据训练出一个有泛化性能的随机森林网络，与叠前地震数据的叠前弹性参数反演结果(纵波阻抗和纵横波速度比)相结合，进而预测流体类型的空间分布，完成智能化地震流体识别，识别结果可由井震标定评估结果。
如图5所示，图5是结合由A、B、C、D、E五口井建立的随机森林网络应用于地震叠前弹性参数反演结果(纵波阻抗和纵横波速度比)得到的流体类型空间分布。用已知流体类型的测井数据对地震预测结果进行标定结果可知，地震预测的流体类型与已知井的流体类型有很好的匹配关系，也验证了利用随机森林算法进行智能化地震流体识别技术的可靠性。
本发明方法以随机森林法则为理论基础，首先根据测井数据建立不同物性参数储集体对应的流体类型与弹性参数(纵波阻抗和纵横波速度比)的学习样本，再利用随机森林算法训练一个表征“流体类型-弹性属性”映射关系的分类器，通过建立勘探开发工区的流体识别机器学习网络对每口井进行测试以及筛选不同井进行盲测等手段，来验证随机森林算法在这种基于弹性属性的流体类型预测方法上的可行性和高精度，然后从井到震，利用测线上五口井的测井数据训练出一个有泛化性能的随机森林分类器，与叠前地震数据的叠前弹性参数(纵波阻抗和纵横波速度比)反演结果相结合，进而预测流体类型的空间分布，由井震标定评估结果，本发明方法能够避免受物性参数影响，无需进行繁杂的参数优化，能够确定最重要的特征属性，有效提高地震数据智能化流体检测的准确度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于随机森林算法的智能化地震流体识别方法，其特征在于，包括下列步骤：
1)利用钻井和测井数据获取已知不同储层类型，建立带有标签的学习样本，并选取训练数据集和样本测试集；
2)对建立的带有标签的学习样本平衡各种流体类型的样本数；
3)基于训练数据集，创建随机森林分类器；
4)依据步骤2)的流程，采用随机森林分类器进行逐井测试；
5)从多口井中随机筛选出盲井，对各井进行流体类型预测，获取盲井测试准确率；
6)利用测线上所有井不同储层类型对应流体类型的弹性特征测井数据训练有泛化性能的随机森林网络，结合叠前地震数据的叠前弹性参数反演结果，预测流体类型的空间分布，完成智能化地震流体识别；
步骤1)的具体内容为：
101)利用钻井和测井数据获取已知不同储层类型对应的流体类型-弹性属性的学习样本，构建不同储集体对应的流体类型标签，包括高孔含水层，高孔含油气层、低孔含水层、多孔含油气层，获取带有标签的学习样本，所述的不同储层类型包括高孔隙度、低孔隙度，不同储层类型对应的流体类型包括气、油、水；
102)按一定比例对步骤101)得到的带有标签的学习样本构建不同的训练数据集和样本测试集。
2.根据权利要求1所述的一种基于随机森林算法的智能化地震流体识别方法，其特征在于，步骤2)的具体内容为：
对样本数较少的流体类型对应的数据点进行扩充，直至达到含较多样本数流体类型对应的数据量，以平衡每种类别在随机森林算法的分裂准则中的地位。
3.根据权利要求2所述的一种基于随机森林算法的智能化地震流体识别方法，其特征在于，步骤3)具体包括以下步骤：
301)利用Bootstrap方法，有放回地对训练数据集进行重采样，随机产生T个训练集S1，S2，...，ST；
302)对每个训练集生成对应的决策树C1，C2，...，CT，在每个非叶节点上选择属性前，从总共M个属性中随机抽取m个属性作为当前节点的分裂属性集，其中0＜m＜M，为每个非叶节点递归地选择最优的分裂属性，并以最优的分裂方式对该节点进行分裂；
303)令每棵决策树完整成长，不进行剪枝；
304)对于测试集样本X，利用每个决策树进行测试，得到对应类别C1(X)，C2(X)，...，CT(X)；
305)采用投票方法，将T个决策树中输出最多的类别作为测试集样本X所属的类别。
4.根据权利要求3所述的一种基于随机森林算法的智能化地震流体识别方法，其特征在于，步骤4)的具体内容为：
依照步骤2)的流程，按50％的比例从每口井中随机选择数据建立随机森林网络，输入每口井的弹性属性，进行逐井测试，计算各口井的流体类型预测准确率；若每口井的流体类型预测准确率达到75％-80％的浮动区间，则表示基于多口井建立的随机森林网络具有较好的泛化性能，进行下一步的盲井测试；若准确率达不到75％-80％的浮动区间，则调整随机森林网络结构参数后重新进行逐井测试。
5.根据权利要求4所述的一种基于随机森林算法的智能化地震流体识别方法，其特征在于，步骤5)的具体内容为：
从多口井中随机筛选盲井，对各井进行流体类型预测，获取盲测准确率，若随机选取的盲井测试准确率达到60％，则表示随机森林网络具备较强预测能力，将该网络应用到地震数据中，进行步骤6)。
6.根据权利要求4所述的一种基于随机森林算法的智能化地震流体识别方法，其特征在于，步骤302)中，选取不纯度作为分裂准则，通过比较划分前后的不纯度值确定如何分裂，分裂后不纯度降低得越多，表示分类的效果越好；采用基尼系数或者熵表示不纯度，选取信息增益、信息增益率以及基尼系数来量化不纯度的变化。
7.根据权利要求1所述的一种基于随机森林算法的智能化地震流体识别方法，其特征在于，步骤1)中，获取学习样本的数据来源中，井的数量至少为3口。
8.根据权利要求1所述的一种基于随机森林算法的智能化地震流体识别方法，其特征在于，所述的叠前弹性参数包括纵波阻抗和纵横波速度比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910653044.7A CN110346831B (zh) | 2019-07-19 | 2019-07-19 | 一种基于随机森林算法的智能化地震流体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910653044.7A CN110346831B (zh) | 2019-07-19 | 2019-07-19 | 一种基于随机森林算法的智能化地震流体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110346831A CN110346831A (zh) | 2019-10-18 |
| CN110346831B true CN110346831B (zh) | 2021-06-04 |
Family
ID=68179217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910653044.7A Active CN110346831B (zh) | 2019-07-19 | 2019-07-19 | 一种基于随机森林算法的智能化地震流体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110346831B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596166A (zh) * | 2019-09-11 | 2019-12-20 | 西京学院 | 一种油气储集空间类型及其含量的识别方法 |
| CN112861890B (zh) * | 2019-11-26 | 2024-01-12 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
| CN112381938B (zh) * | 2020-11-11 | 2023-03-24 | 中国地质大学（武汉） | 一种基于非开挖随钻参数机器学习的地层识别方法 |
| CN112434878B (zh) * | 2020-12-09 | 2022-09-20 | 同济大学 | 一种基于Cascade样本均衡的地震流体预测方法 |
| 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 |
| CN112883564B (zh) * | 2021-02-01 | 2022-11-18 | 中国海洋大学 | 一种基于随机森林的水体温度预测方法及预测系统 |
| CN113344258A (zh) * | 2021-05-25 | 2021-09-03 | 同济大学 | 一种基于分歧的半监督学习的地震岩性预测方法 |
| CN113688922B (zh) * | 2021-08-31 | 2023-07-25 | 西南石油大学 | 一种凝聚聚类无监督算法的流体类型识别方法 |
| CN114624773A (zh) * | 2022-04-29 | 2022-06-14 | 成都理工大学 | 一种确定致密储层含气性的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
| CN106168676A (zh) * | 2015-05-22 | 2016-11-30 | 中国石油化工股份有限公司 | 基于地震资料的地层岩性和流体识别方法和装置 |
| CN106202543A (zh) * | 2016-07-27 | 2016-12-07 | 苏州家佳宝妇幼医疗科技有限公司 | 基于机器学习的本体匹配方法和系统 |
| CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
-
2019
- 2019-07-19 CN CN201910653044.7A patent/CN110346831B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106168676A (zh) * | 2015-05-22 | 2016-11-30 | 中国石油化工股份有限公司 | 基于地震资料的地层岩性和流体识别方法和装置 |
| CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
| CN106202543A (zh) * | 2016-07-27 | 2016-12-07 | 苏州家佳宝妇幼医疗科技有限公司 | 基于机器学习的本体匹配方法和系统 |
| CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 随机森林回归在地震储层预测中的应用;宋建国 等;《石油地球物理勘探》;20161231;第51卷(第6期);第1202-1211页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110346831A (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN104866578B (zh) | 一种不完整物联网数据混合填充方法 | |
| CN108170765B (zh) | 基于在校行为数据多维分析的贫困生资助推荐方法 | |
| CN105447525A (zh) | 一种数据预测分类方法及装置 | |
| CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
| Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
| CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
| CN105893876A (zh) | 芯片硬件木马检测方法和系统 | |
| CN103376468A (zh) | 基于神经网络函数逼近算法的储层参数定量表征方法 | |
| Lemenkova | Hierarchical cluster analysis by R language for pattern recognition in the bathymetric data frame: a Case study of the Mariana Trench, Pacific Ocean | |
| CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
| CN106935038A (zh) | 一种停车检测系统及检测方法 | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| 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 | |
| CN111753871B (zh) | 基于xgboost算法与特征工程的岩性及流体类型识别方法 | |
| CN103048688A (zh) | 一种基于三步法的地震属性优选方法 | |
| CN104834934A (zh) | 一种用于识别储层流体的核体俘获法 | |
| CN104880737A (zh) | 测井资料识别地下流体类型的多元Logistic方法 | |
| CN116108392A (zh) | 一种基于改进随机森林算法的地质构造识别技术 | |
| Aminzadeh et al. | Integrating neural networks and fuzzy logic for improved reservoir property prediction and prospect ranking | |
| CN107577681A (zh) | 一种基于社交媒体图片的地域分析、推荐方法及系统 | |
| Kumara et al. | A survey on K-means algorithm centroid initialization | |
| de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells |
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 |