CN110443271B - 一种基于多阈值Birch聚类的相控孔隙度预测方法 - Google Patents
一种基于多阈值Birch聚类的相控孔隙度预测方法 Download PDFInfo
- Publication number
- CN110443271B CN110443271B CN201910548338.3A CN201910548338A CN110443271B CN 110443271 B CN110443271 B CN 110443271B CN 201910548338 A CN201910548338 A CN 201910548338A CN 110443271 B CN110443271 B CN 110443271B
- Authority
- CN
- China
- Prior art keywords
- cluster
- clustering
- porosity
- tree
- threshold
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 235000018185 Betula X alpestris Nutrition 0.000 title claims abstract description 23
- 235000018212 Betula X uliginosa Nutrition 0.000 title claims abstract description 23
- 208000035126 Facies Diseases 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005054 agglomeration Methods 0.000 claims abstract description 3
- 230000002776 aggregation Effects 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005354 coacervation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多阈值Birch聚类的相控孔隙度预测方法，属于油气勘探与开发领域，包括以下步骤：S1：对所有数据进行归一化处理；S2：初始化M‑Birch聚类模型；S3：动态构建CF Tree；S4：当CF Tree构建完成后，使用凝聚法对CF进行全局聚类；S5：在沉积相带约束下，训练岭回归预测模型；S6：在得到最优参数估计量的基础上，由未标签阻抗数据计算得到孔隙度预测值。本发明在已有相控孔隙度预测技术的基础上，提出了多阈值Birch聚类与岭回归算法相结合的方法进行孔隙度预测，以井点处孔隙度数据和地震声波阻抗属性为输入，应用改进的多阈值BIRCH聚类算法(M‑Birch)确定沉积相类型，在稀疏井点数据情况下预测的孔隙度结果也更精确。
Description
技术领域
本发明涉及一种相控孔隙度预测方法，属于油气勘探与开发领域，更具体地说，涉及一种基于多阈值Birch聚类和岭回归的相控孔隙度预测方法。
背景技术
孔隙度是油气预测、储层评价的重要参数。在油气勘探阶段可以利用孔隙度进行储层的横向预测，在开发阶段，可以通过利用测井标定孔隙度来描述油藏。准确获取孔隙度是进行油藏地层解释和建立地质模型的关键。
目前应用广泛的储层物性横向预测技术中，比较常用的孔隙度预测方法主要有：对岩性单一、变化不大的储层直接采用Wyllie时间平均方程对孔隙度预测，其原理相对简单，应用方便，但是仅根据速度参数求取孔隙度容易出现出现多解性，影响预测结果；井约束反演法，但是不同反演方法对井约束条件的需求不同，不恰当地使用井约束条件将严重影响反演的准确性；函数逼近法，该方法主要采用多元回归法，但是在使用这种方法时需要井和孔隙分布均匀的工区，不具有广泛性；基于Biot-Gassmann方程的孔隙度计算方法，该方法的缺点是需要预先提供的参数很多，除了Gassmann方程中孔隙度以外的参数外，还要求提供应力、孔隙压力、流体劲滞系数和地震波的衰减系数等，太多的输入参数限制了该类方法的广泛应用。为了增强孔隙度计算方法的适用性，必须减少对经验公式的依赖，为了降低孔隙度计算方法的复杂度，必须避免大量输入参数为了提高孔隙度的预测精度，对特定储层特定沉积相单独处理显得十分必要。
例如文献1：于正军，董冬冬，宋维琪，等相带控制下协克里金方法孔隙度预测[J].地球物理学进展，2012，27(4)：1581-1587.中在协克里金方法空间估计理论方法基础上，提出相带控制下协克里金孔隙度预测方法。从定量角度对沉积相加以刻画，在三维空间协同克里金估值计算时，使用相控因子对估值进行约束，使得结果能够更好地反映储层物性如孔隙度的空间展布特征。加入相带控制处理后，使变异函数较早达到基台值，减小理论模型拟合误差。
例如文献2：杨晓利，王童奎，柳晓风，郑晓凤，刑文军.相控地震多属性预测技术在南堡凹陷碳酸盐岩储层的应用[J].地球物理学进展，2012，27(04):1565-1571.中通过井上精细对比，确定储层的优势发育段，结合古地貌确定其有利分布相带，在有利相带约束下，优选并融合优势属性，综合预测储层发育区，通过与已钻井的对比，储层发育区与钻井资料吻合度高。
专利CN 109165737 A公开了一种基于条件随机场和BP神经网络的孔隙度预测方法，把条件随机场和神经网络两种模型结合在一起，借鉴了EM算法的思想，两个模型参数循环迭代求解模型参数和条件随机场隐藏层，构成一种半监督机器学习方法，能够使用较少的标记孔隙度数据和阻抗数据对孔隙度和岩相分布进行预测。
发明内容
本发明的目的在于提供一种基于多阈值Birch聚类的相控孔隙度预测方法，在已有相控孔隙度预测技术的基础上，提出了多阈值Birch聚类与岭回归算法相结合的方法进行孔隙度预测，以井点处孔隙度数据和地震声波阻抗属性为输入，应用改进的多阈值BIRCH聚类算法(M-Birch)确定沉积相类型，在相同相带内使用岭回归方法进行储层孔隙度预测。使用模型数据和实际数据分别验证发现，M-Birch方法划分的沉积相带符合地质规律，在稀疏井点数据情况下预测的孔隙度结果也更精确，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多阈值Birch聚类的相控孔隙度预测方法，包括以下步骤：
S1：对所有数据进行归一化处理，使各指标处于同一数量级；
S2：初始化M-Birch聚类模型，即主要初始化聚类特征(CF)和聚类特征树(CFTree)，具体过程如下：
假设在某个簇中存在N个d维的阻抗样本{xi}，i＝1，2，…，N，将聚类特征(CF)定义为四元组：CF＝(N，LS，SS，T)，其中，N为簇中阻抗样本的数量，LS为N个阻抗样本的线性和
SS为N个阻抗样本的平方和
T为簇半径阈值。分支因子(非叶节点B和叶节点L)是CFTree的参数。其中，B是树中每个非叶节点最多包含的孩子节点的数量，记为条目(CFi，CHILDi)，i＝1，2，…，B，CFi是该节点中第i个聚类特征，CHILDi指向该节点中的第i个孩子节点。采用启发式设定阈值的方法为M-Birch聚类设定初始阈值，即在整个数据集中随机选取N对样本，将每一个样本都作为一个簇，根据簇的CF条目计算簇之间的曼哈顿距离，距离公式为：
然后计算出距离的期望EX和方差DX，计算得出初始阈值T，如公式所示：T＝P×(EX+0.25×DX)。其中P为预先设定的百分比。计算初始阈值T后，就可以建立一棵初始CF Tree；
S3：动态构建CF Tree，具体步骤如下：
S31：从根节点开始递归向下，通过计算CF与插入节点包含的各条目中CF的距离，寻找距离最短的路径及叶节点；
S32：如果CF与该叶节点各条目中的CF之间的距离小于阈值T，则选择阈值最小的条目，用合并算法将CF与该条目的CF进行合并，并自下向上相应地修改各节点的条目。合并定理如下：假定将n个簇Ci(i＝1，2，....，n)合并，聚类特征CFi＝(Ni，LSi，SSi，Ti)，合并后新簇W的聚类特征如下所示：
其中，Ci.mean表示簇Ci的质心，W.mean表示新簇W的质心，dist(W.mean，Ci.mean)为簇间距离，计算公式为：
S33：如果CF无法与该条目的CF合并，则判断该条目所在叶节点的CF数量是否小于L；若小于则将CF新建为一个条目，并按B+树的插入算法将该条目插入到距离最近的条目后面，并相应修改CF Tree的结构；否则分裂该叶节点，原则是以距离最远的两个条目为种子进行分裂，剩余的条目按照距离最近合并到这两个条目中，并更新整个CF Tree；
S4：当CF Tree构建完成后，使用凝聚法对CF进行全局聚类；
S5：在沉积相带约束下，训练岭回归预测模型；
S6：在得到最优参数估计量的基础上，由未标签阻抗数据计算得到孔隙度预测值。
优选地，在S1中，归一化处理就是将有量纲的表达式变换为无量纲的表达式，使各指标处于同一数量级，以适合进行综合对比评价。
优选地，在S1中，本发明使用标准分数归一法，使处理的数据符合均值为0，标准差为1的标准正态分布，其计算公式为：
其中X是数据样本，μ为数据样本的均值，σ为数据样本的标准差。
优选地，在S3中，动态构建CF Tree的过程也就是将簇的聚类特征CF插入到CFTree的过程。
优选地，在S4中，全局聚类的具体操作为将每个阻抗样本都作为一个独立的簇，并重复以下过程，计算两两簇之间的距离，找出距离最小的两个簇c1和c2并合并为一个簇，直到达到聚类数目。
优选地，在S4中，凝聚法是指使分子或离子状态药物凝聚成不溶性的药物微粒从而制备混悬剂的方法。
优选地，在S5中，训练岭回归预测模型时，其参数估计量见公式：
与现有技术相比，本发明的有益效果是：
本发明在基于多阈值Birch聚类的无监督地质相识别方法上，进行了孔隙度参数预测方法研究。该方法充分考虑簇内对象以及簇与簇之间的关系，适用于相差较大的簇的数据特征分析。M-Birch方法比其他传统聚类方法划分的沉积相带更能反映出储层横向展布规律，且具有受异常数据的干扰较小、适应性好、运行效率高的特点。图6为不同训练集下的实验结果，从左到右依次为：(a)MSE、(b)R2与(c)ARI，其中，(a)MSE中下方的线、(b)R2中上方的线以及(c)ARI中上方的线均为该发明的实验结果；(a)MSE中上方的线、(b)R2中下方的线以及(c)ARI的中间的线均为均值漂移聚类与岭回归结合的实验结果，(c)ARI的下方的线是Birch聚类与岭回归结合的实验结果。由图6可知，在稀疏的岩心与测井资料数据情况下，使用M-Birch算法与岭回归结合的方法对孔隙度进行预测能够得到合理且准确的预测结果。
附图说明
图1为本发明的处理流程示意图；
图2为本发明的CF Tree的结构图；
图3为本发明的多阈值Birch聚类估计沉积相的流程图；
图4为本发明的岭回归预测孔隙度的流程图；
图5为本发明的孔隙度与阻抗的交汇图；
图6为本发明的不同训练集下的实验结果图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
请参阅图1，本发明提供如下技术方案：一种基于多阈值Birch聚类的相控孔隙度预测方法，包括以下步骤：
S1：对所有数据进行归一化处理，使各指标处于同一数量级，归一化处理就是将有量纲的表达式变换为无量纲的表达式，使各指标处于同一数量级，以适合进行综合对比评价，本发明使用标准分数归一法，使处理的数据符合均值为0，标准差为1的标准正态分布，对地震数据及测井数据利用地震反演技术进行阻抗反演，得到阻抗数据，通过岩心分析及测井解释计算得到井点孔隙度数据；并将所有数据分为标签数据与未标签数据，即标签数据集
对标签数据S和未标签数据μ进行归一化处理，其计算公式为：
S2：初始化M-Birch聚类模型，即主要初始化聚类特征(CF)和聚类特征树(CFTree)，具体过程如下：
将所有样本作为独立的簇，定义为四元组：CF＝(N，LS，SS，T)，其中，N为簇中阻抗样本的数量，LS为N个阻抗样本的线性和
SS为N个阻抗样本的平方和
T为簇半径阈值；设定初始分支因子(非叶节点B值和叶节点L值)；其中，B是树中每个非叶节点最多包含的孩子节点的数量，记为条目(CFi，CHILDi)，i＝1，2，…，B，CFi是该节点中第i个聚类特征，CHILDi指向该节点中的第i个孩子节点；如图2为B＝2，L＝3的CF Tree结构；
在设定初始阈值T时，在整个标签数据集中随机选取N对样本，将每一个样本都作为一个簇，根据簇的CF条目计算簇之间的曼哈顿距离，距离公式为：
然后计算出距离的期望EX和方差DX，计算得出初始阈值T，如公式所示：T＝P×(EX+0.25×DX)；其中P为预先设定的百分比；计算初始阈值T后，就可以建立一棵初始CF Tree；
S3：动态构建CF Tree，动态构建CF Tree的过程也就是将簇的聚类特征CF插入到CF Tree的过程，具体步骤如下：
S31：从根节点开始递归向下，通过计算CF与插入节点包含的各条目中CF的距离，寻找距离最短的路径及叶节点；
S32：如果CF与该叶节点各条目中的CF之间的距离小于阈值T，则选择阈值最小的条目，用合并算法将CF与该条目的CF进行合并，并自下向上相应地修改各节点的条目；合并定理如下：假定将n个簇Ci(i＝1，2，….，n)合并，聚类特征CFi＝(Ni，LSi，SSi，Ti)，合并后新簇W的聚类特征如下所示：
其中，Ci.mean表示簇Ci的质心，W.mean表示新簇W的质心，dist(W.mean，Ci.mean)为簇间距离，计算公式为：
S33：如果CF无法与该条目的CF合并，则判断该条目所在叶节点的CF数量是否小于L；若小于则将CF新建为一个条目，并按B+树的插入算法将该条目插入到距离最近的条目后面，并相应修改CF Tree的结构；否则分裂该叶节点，原则是以距离最远的两个条目为种子进行分裂，剩余的条目按照距离最近合并到这两个条目中，并更新整个CF Tree；
S4：当CF Tree构建完成后，使用Agglomerative算法对CF进行全局聚类；如图3为多阈值Birch聚类进行沉积相估计的流程图；将每个叶节点都作为一个独立的簇，并重复以下过程，计算两两簇之间的距离，找出距离最小的两个簇c1和c2合并为一个簇，直到达到聚类数目；此时完成沉积相带划分的过程；
S5：图4为岭回归进行孔隙度预测的流程图；由图4可知，在沉积相带约束下，应用岭回归在特定相带下进行孔隙度预测，需提前设定岭参数k值，参数估计量见公式：
其中X为阻抗数据，y为已知的孔隙度；
S6：如图5所示，孔隙度和阻抗存在负相关关系；因此，在得到最优参数估计量的基础上，最终可根据未标签数据μ计算得到孔隙度预测值，交叉验证；利用n-1口井作为训练数据，剩余1口井作为验证数据；重复循环n次实验，使每一口井都作为验证数据，最终取效果最好的一组最终实验结果。
本发明在基于多阈值Birch聚类的无监督地质相识别方法上，进行了孔隙度参数预测方法研究。该方法充分考虑簇内对象以及簇与簇之间的关系，适用于相差较大的簇的数据特征分析。M-Birch方法比其他传统聚类方法划分的沉积相带更能反映出储层横向展布规律，且具有受异常数据的干扰较小、适应性好、运行效率高的特点。图6为不同训练集下的实验结果，从左到右依次为：(a)MSE、(b)R2与(c)ARI，其中，(a)MSE中下方的线、(b)R2中上方的线以及(c)ARI中上方的线均为该发明的实验结果；(a)MSE中上方的线、(b)R2中下方的线以及(c)ARI的中间的线均为均值漂移聚类与岭回归结合的实验结果，(c)ARI的下方的线是Birch聚类与岭回归结合的实验结果。由图6可知，在稀疏的岩心与测井资料数据情况下，使用M-Birch算法与岭回归结合的方法对孔隙度进行预测能够得到合理且准确的预测结果。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于，包括以下步骤：
S1：对所有数据进行归一化处理，使各指标处于同一数量级；
S2：初始化M-Birch聚类模型，即主要初始化聚类特征CF和聚类特征树CF Tree，具体过程如下：
假设在某个簇中存在N个d维的阻抗样本{Xi}，i＝1，2，…，N，将聚类特征CF定义为四元组：CF＝N，LS，SS，T，其中，N为簇中阻抗样本的数量，LS为N个阻抗样本的线性和
SS为N个阻抗样本的平方和
T为簇半径阈值；分支因子是CF Tree的参数；其中，B是树中每个非叶节点最多包含的孩子节点的数量，记为条目CFi，CHILDi，i＝1，2，…，B，CFi是该节点中第i个聚类特征，CHILDi指向该节点中的第i个孩子节点；采用启发式设定阈值的方法为M-Birch聚类设定初始阈值，即在整个数据集中随机选取N对样本，将每一个样本都作为一个簇，根据簇的CF条目计算簇之间的曼哈顿距离，距离公式为：
然后计算出距离的期望EX和方差DX，计算得出初始阈值T；其中P为预先设定的百分比；计算初始阈值T后，就可以建立一棵初始CF Tree；
S3：动态构建CF Tree，具体步骤如下：
S31：从根节点开始递归向下，通过计算CF与插入节点包含的各条目中CF的距离，寻找距离最短的路径及叶节点；
S32：如果CF与该叶节点各条目中的CF之间的距离小于阈值T，则选择阈值最小的条目，用合并算法将CF与该条目的CF进行合并，并自下向上相应地修改各节点的条目；合并定理如下：假定将n个簇合并，合并后新簇W的聚类特征如下所示：
其中，Ci.mean表示簇Ci的质心，W.mean表示新簇W的质心，计算公式为：
S33：如果CF无法与该条目的CF合并，则判断该条目所在叶节点的CF数量是否小于L；若小于则将CF新建为一个条目，并按B+树的插入算法将该条目插入到距离最近的条目后面，并相应修改CF Tree的结构；否则分裂该叶节点，原则是以距离最远的两个条目为种子进行分裂，剩余的条目按照距离最近合并到这两个条目中，并更新整个CF Tree；
S4：当CF Tree构建完成后，使用凝聚法对CF进行全局聚类；
S5：在沉积相带约束下，训练岭回归预测模型；
S6：在得到最优参数估计量的基础上，由未标签阻抗数据计算得到孔隙度预测值。
2.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S1中，归一化处理就是将有量纲的表达式变换为无量纲的表达式，使各指标处于同一数量级，以适合进行综合对比评价。
3.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S1中，使用标准分数归一法，使处理的数据符合均值为0，标准差为1的标准正态分布，其计算公式为：
其中X是数据样本，μ为数据样本的均值，σ为数据样本的标准差。
4.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S3中，动态构建CFTree的过程也就是将簇的聚类特征CF插入到CFTree的过程。
5.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S4中，全局聚类的具体操作为将每个阻抗样本都作为一个独立的簇，并重复以下过程，计算两两簇之间的距离，找出距离最小的两个簇c1和c2并合并为一个簇，直到达到聚类数目。
6.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S5中，训练岭回归预测模型时，其参数估计量见公式：
其中X为阻抗样本，y为已知的孔隙度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910548338.3A CN110443271B (zh) | 2019-06-24 | 2019-06-24 | 一种基于多阈值Birch聚类的相控孔隙度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910548338.3A CN110443271B (zh) | 2019-06-24 | 2019-06-24 | 一种基于多阈值Birch聚类的相控孔隙度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110443271A CN110443271A (zh) | 2019-11-12 |
| CN110443271B true CN110443271B (zh) | 2021-11-19 |
Family
ID=68428276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910548338.3A Expired - Fee Related CN110443271B (zh) | 2019-06-24 | 2019-06-24 | 一种基于多阈值Birch聚类的相控孔隙度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443271B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085109A (zh) * | 2020-09-14 | 2020-12-15 | 电子科技大学 | 基于主动学习的相控孔隙度预测方法 |
| CN112364917B (zh) * | 2020-11-10 | 2024-02-13 | 辽宁石油化工大学 | 地质类型的识别方法及装置、存储介质、计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103670384A (zh) * | 2013-11-18 | 2014-03-26 | 中国石油天然气集团公司 | 一种储层分类方法及系统 |
| CN109031461A (zh) * | 2018-09-21 | 2018-12-18 | 西南石油大学 | 碳酸盐岩孔隙型油气储层定量识别方法及区域定量化方法 |
| CN109165737A (zh) * | 2018-08-29 | 2019-01-08 | 电子科技大学 | 基于条件随机场和bp神经网络的孔隙度预测方法 |
| 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 |
| US10324229B2 (en) * | 2014-10-23 | 2019-06-18 | Chevron U.S.A. Inc. | System and method of pore type classification for petrophysical rock typing |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2648213A1 (en) * | 2006-04-06 | 2007-10-18 | Monsanto Technology Llc | Method for multivariate analysis in predicting a trait of interest |
-
2019
- 2019-06-24 CN CN201910548338.3A patent/CN110443271B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103670384A (zh) * | 2013-11-18 | 2014-03-26 | 中国石油天然气集团公司 | 一种储层分类方法及系统 |
| US10324229B2 (en) * | 2014-10-23 | 2019-06-18 | Chevron U.S.A. Inc. | System and method of pore type classification for petrophysical rock typing |
| CN109165737A (zh) * | 2018-08-29 | 2019-01-08 | 电子科技大学 | 基于条件随机场和bp神经网络的孔隙度预测方法 |
| CN109031461A (zh) * | 2018-09-21 | 2018-12-18 | 西南石油大学 | 碳酸盐岩孔隙型油气储层定量识别方法及区域定量化方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110443271A (zh) | 2019-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109061765B (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
| CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
| 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 | |
| CN109184677A (zh) | 用于非均质互层砂体的储层评价方法 | |
| CN104747185A (zh) | 非均质油藏储层综合分类评价方法 | |
| CN107843920B (zh) | 一种聚类分析优化粒子群储层属性预测方法 | |
| CN110443271B (zh) | 一种基于多阈值Birch聚类的相控孔隙度预测方法 | |
| CN105738952B (zh) | 一种水平井区储层岩石相建模方法 | |
| CN111489034A (zh) | 一种油气储层渗透率预测模型的构建方法及其应用 | |
| CN103775075A (zh) | 一种全井段岩性识别方法 | |
| CN114139458B (zh) | 基于机器学习的钻井参数优化方法 | |
| Hu et al. | Water flooding flowing area identification for oil reservoirs based on the method of streamline clustering artificial intelligence | |
| 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 | |
| CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN109555518B (zh) | 一种基于聚类和判别算法的冲积扇单井构型识别方法 | |
| CN110907994B (zh) | 一种基于分频的波形反演储层预测方法 | |
| CN110956388B (zh) | 一种海上油气藏增产方案生成方法 | |
| Zhu et al. | Seismic Facies Analysis Using the Multiattribute SOM‐K‐Means Clustering | |
| CN117075221A (zh) | 基于地震弹性属性、电阻率和极化率联合的储层流体识别方法 | |
| CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
| CN112379435B (zh) | 相控岩溶型缝洞集合体刻画方法及装置 | |
| CN112034515B (zh) | 一种基于无监督神经网络的火山通道识别方法 | |
| CN116335648A (zh) | 基于随钻录测井资料的砾岩水平井甜点品质定量评价方法 | |
| CN107390269B (zh) | 一种测井资料统计特性约束的波阻抗反演粒子群优化算法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211119 |