CN110633868A - 遗传算法优化神经网络进行探井试油层油气性质预测方法 - Google Patents

遗传算法优化神经网络进行探井试油层油气性质预测方法 Download PDF

Info

Publication number
CN110633868A
CN110633868A CN201910902948.9A CN201910902948A CN110633868A CN 110633868 A CN110633868 A CN 110633868A CN 201910902948 A CN201910902948 A CN 201910902948A CN 110633868 A CN110633868 A CN 110633868A
Authority
CN
China
Prior art keywords
oil
neural network
genetic algorithm
decoding
layer
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
Application number
CN201910902948.9A
Other languages
English (en)
Inventor
赫俊民
李玲
庞遵义
隋国华
张益政
于潇
揭景荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
China Petrochemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
Original Assignee
China Petrochemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petrochemical Corp, Geophysical Research Institute of Sinopec Shengli Oilfield Co filed Critical China Petrochemical Corp
Publication of CN110633868A publication Critical patent/CN110633868A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了遗传算法优化神经网络进行探井试油层油气性质预测方法，使用遗传算法对BP神经网络模型的权重、偏置项和超参数进行了优化，解决了探井试油层油气水性质预测中单独使用神经网络算法预测效果不理想的问题，能快速对试油层的油气性质进行准确判断，提升了预测结果和实际试油结果的吻合率，该方法计算简单，在大数据智能预测方面有广泛的借鉴作用。

Description

遗传算法优化神经网络进行探井试油层油气性质预测方法
技术领域
本发明涉及目标试油层油气水属性判断领域，特别是一种遗传算法优化神经网络进行探井试油层油气性质预测方法。
背景技术
探井试油是勘探流程中重要的环节，试油结论也直接决定了勘探的成效，选择在哪个层段进行试油对试油结论有重要影响，难点在于准确判断试油层油气水属性。传统技术主要是依据钻井录井数据和测井曲线数据，研究人员根据经验进行预测，但随着勘探难度加大，面临着判断油气属性成功率明显降低的问题。而以往经验大多难以言传身教，很难在以往基础上快速发展出新的认识，有效应对新情况。
利用大数据和机器学习成为提升试油层油气水判断成功率的有效途径。在使用神经网络训练数据的过程中，权重和阈值的初始值对训练结果有较大影响。目前神经网络超参数选择通常采用网格法和随机法，其中网格法是通过循环遍历，尝试每一种可能，需求计算资源大，耗时长；随机法是用随机数去求近似最优解，精度较差，不稳定，两种效果往往都不太理想。
发明内容
本发明的目的是要解决现有技术中存在的不足，提供一种能快速对试油层的油气性质进行准确判断的遗传算法优化神经网络进行探井试油层油气性质预测方法。
为达到上述目的，本发明是按照以下技术方案实施的：
遗传算法优化神经网络进行探井试油层油气性质预测方法，包括以下步骤：
S1、对研究区内探井的测井曲线数据进行预处理，建立神经网络的拓扑结构，并进行遗传算法初始化；
S2、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置；
S3、进行神经网络训练及网络评估，网络评估的结果满足误差要求则执行步骤S9，网络评估的结果不满足误差要求且种群为空则执行步骤S4，网络评估的结果不满足误差要求且种群不为空则执行步骤S5；
S4、对神经网络的超参数、权重和偏置进行基因编码和解码，生成种群；
S5、确定遗传算法中种群适应度函数，进行种群适应度遍历计算；
S6、根据适应度选择基因个体；
S7、遗传算法进行交叉和变异；
S8、输出神经网络超组合，包括超参数、各个权重和偏置，然后返回步骤S4；
S9、神经网络模型输出。
进一步，所述步骤S1中的对研究区内探井的测井曲线数据进行预处理预处理包括：测井曲线单位统一化、测井曲线与试油层油气性质对应、测井曲线归一化处理。
进一步，所述步骤S3中，进行神经网络训练及网络评估，包括准确率、召回率、误差数值的计算，作为遗传算法输入参数。
进一步，所述步骤S4中基因编码/解码/种群生成,包括：
S41、初始权重和偏置项的编码和解码：
对每个节点权重和偏置项采用实数编码，每个参数占一位，其中前36位为输入层到第一隐藏层节点权重，后续48位为第一隐藏层到第二隐藏层节点权重，后续36位为第二隐藏层到输出层的节点权重，后续6位为输入层与第一隐藏层之间的偏置项，后续8位为第一隐藏层与第二隐藏层之间的偏置项，最后6位为第二隐藏层与输出层之间的偏置项，总共140位，初始权重和偏置项采用以下公式进行优化：
S42、训练迭代次数的实数编码和解码：
以100为起始，最大为102300，步长为100；
编码：利用公式ai＝Si％2，其中i＝0，1...9；S0＝S/100，S为迭代次数，得到二进制编码；
解码：设二进制编码为ai，i＝0，1，...9，其对应的迭代次数为S，则：
Figure BDA0002212384860000032
S43、学习率的实数编码和解码：
以0.001为起始，最大为1.023，步长为0.001；
编码：利用公式ai＝Si％2，其中i＝0，1...9；S0＝S/1000，S为学习率，得到二进制编码；
解码：设二进制编码为ai，i＝0，1，...9，其对应的学习率为S，则：
Figure BDA0002212384860000033
S44、每次选取样本数的实数编码和解码：
以2为起始，最大为128，2的倍数递增；
编码：设选取样本数为S，利用公式ai＝Si％2，其中i＝0，1，2，
Figure BDA0002212384860000034
S为选取样本数，得到二进制编码；
解码：设二进制编码为ai，i＝0，1，2，其对应的选取样本数为S，则：
Figure BDA0002212384860000035
S45、激活函数类型的实数编码和解码：
激活函数分别为softmax,relu,sigmoid,tanh，采用某个激活函数时编码为1，否则为0。
按照随机扩展生成的方式生成种群。
进一步，所述步骤S5中，确定遗传算法中适应度函数的方法为：
利用测井曲线数据对探井试油层油气水性质预测获得其准确率和召回率，计算遗传算法中适应度函数如下：
设每个类型试油结论准确度为Pi，召回率为Ri，适应度为：
Figure BDA0002212384860000041
其中n为试油结论类型个数。
进一步，所述步骤S6中，根据轮盘赌选择法对基因进行选择。
进一步，所述步骤S7中，遗传算法的交叉包括：超参数的交叉，根据随机数选择某一超参数进行交叉；以及对超参数内部再次根据随机数选择进行交叉。
与现有技术相比，本发明使用遗传算法对BP神经网络模型的权重、偏置项和超参数进行了优化，解决了探井试油层油气水性质预测中单独使用神经网络算法预测效果不理想的问题，能快速对试油层的油气性质进行准确判断，提升了预测结果和实际试油结果的吻合率，该方法计算简单，在大数据智能预测方面有广泛的借鉴作用。
附图说明
图1为本发明一种遗传算法优化神经网络进行探井试油层油气性质预测方法流程示意图。
图2为本发明神经网络架构示意图。
图3为本发明超参数基因编码结果示意图。
图4本发明神经网络权重和偏置项编码示意图。
图5为本发明神经网络训练示意图。
图6为本发明基因交叉示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。
如图1所示，本实施例提供了遗传算法优化神经网络进行探井试油层油气性质预测方法，有以下步骤构成：
101，对选择研究区内探井的测井曲线数据进行预处理，建立神经网络拓扑结构：对研究区域内探井试油层样本数据进行预处理，包括：测井曲线单位统一化；测井曲线与试油层油气性质对应；测井曲线归一化处理，获得处理后的数据如表1所示。
表1
Figure DA00022123848650423
通过计算测井曲线与试油层油气性质之间的相关系数，选择相关性较大的数据作为特征值进行训练，包括深度、AC、CAL、GR、SP、RT共6个特征值，具体如表2所示。
表2
序号 深度 AC CAL GR SP RT SYJL
1 1524.125 0.6180897 0.1900315 0.457167 0.785715 0.853108 YC
2 1554.125 0.8118211 0.8727872 0.298795 0.087599 0.136776 YC
3 1624.25 0.2525174 0.5711273 0.921949 0.266275 0.169271 SC
4 1526.125 0.5195541 0.6275337 0.642499 0.745027 0.726333 GC
5 1528.75 0.6637086 0.9686632 0.215396 0.650493 0.775925 YSTC
6 1736.5 0.6390778 0.222197 0.587988 0.614494 0.475907 SC
7 1656.125 0.1764937 0.2945659 0.807843 0.176018 0.100758 GC
8 1422.125 0.6809252 0.1040067 0.918396 0.446465 0.611562 YC
102、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置；
103、进行神经网络训练及网络评估，利用101中数据，对神经网络进行训练并计算准确率、召回率及误差数值计算，进行网络评估，如图5所示；网络评估的结果满足误差要求则执行步骤S9，网络评估的结果不满足误差要求则执行步骤S4；
104、对神经网络的超参数、权重和偏置进行基因编码和解码，生成种群；具体包括：
1)初始权重和偏置项的编码和解码：
对每个节点权重和偏置项采用实数编码，每个参数占一位，其中前36位为输入层到第一隐藏层节点权重，后续48位为第一隐藏层到第二隐藏层节点权重，后续36位为第二隐藏层到输出层的节点权重，后续6位为输入层与第一隐藏层之间的偏置项，后续8位为第一隐藏层与第二隐藏层之间的偏置项，最后6位为第二隐藏层与输出层之间的偏置项，总共140位，初始权重和偏置项采用以下公式进行优化：
Figure BDA0002212384860000061
具体编码如图4所示。
2)训练迭代次数的实数编码和解码：
以100为起始，最大为102300，步长为100；
编码：利用公式ai＝Si％2，其中i＝0，1...9；S0＝S/100，S为迭代次数，得到二进制编码；例如迭代次数为10000，那么其对应的二进制编码为0001100100。
解码：设二进制编码为ai，i＝0，1，...9，其对应的迭代次数为S，则：
Figure BDA0002212384860000062
3)学习率的实数编码和解码：
以0.001为起始，最大为1.023，步长为0.001；
编码：利用公式ai＝Si％2，其中i＝0，1...9；S0＝S/1000，S为学习率，得到二进制编码；例如学习率为0.01，那么其对应的二进制编码为0000001010。
解码：设二进制编码为ai，i＝0，1，...9，其对应的学习率为S，则：
4)每次选取样本数的实数编码和解码：
以2为起始，最大为128，2的倍数递增；
编码：设选取样本数为S，利用公式ai＝Si％2，其中i＝0，1，2，
Figure BDA0002212384860000072
S为选取样本数，得到二进制编码；例如选取样本数为64，那么其对应的二进制编码为110。
解码：设二进制编码为ai，i＝0，1，2，其对应的选取样本数为S，则：
Figure BDA0002212384860000073
5)激活函数类型的实数编码和解码：
激活函数分别为softmax，relu，sigmoid，tanh，采用某个激活函数时编码为1，否则为0。
按照随机扩展生成的方式生成种群。
105、确定遗传算法中适应度函数，进行适应度计算：
利用测井曲线数据对探井试油层油气水性质预测获得其准确率和召回率，计算遗传算法中适应度函数如下：
设每个类型试油结论准确度为Pi，召回率为Ri，适应度为：
Figure BDA0002212384860000074
其中n为试油结论类型个数。
106、根据轮盘赌选择法对基因进行选择；
107、遗传算法进行交叉和变异：
1)基因交叉分为二步，包括：超参数的交叉，根据随机数选择某一超参数进行交叉；对超参数内部再次根据随机数选择进行交叉，如图6所示。
2)基因变异：通过随机函数，对基因中某个位置进行变异。
108、输出神经网络超参数、各个权重和阈值或偏置，然后返回步骤S2；
109、神经网络模型输出：输出满足误差要求的试油层油气性质预测模型。
为了验证本发明的可行性，使用上述实例的遗传算法优化神经网络进行探井试油层油气性质预测方法与现有技术中的未优化的神经网络进行试油层油气性质预测效果对比，所用的基础数据都是相同的。
未优化的神经网络预测效果：试油层油气性预测平均准确率为79.52％，平均召回率为69.78％，误差为1.34。
上述实施例的遗传算法优化神经网络进行探井试油层油气性质预测效果：试油层油气性预测平均准确率为82.61％，平均召回率为75.86％，误差为0.16。
可以得出，本发明的遗传算法优化神经网络进行探井试油层油气性质预测方法，能较好的提高对试油层油气性质判断的准确率。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (7)

1.遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，包括以下步骤：
S1、对研究区内探井的测井曲线数据进行预处理，建立神经网络的拓扑结构，并进行遗传算法初始化；
S2、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置；
S3、进行神经网络训练及网络评估，网络评估的结果满足误差要求则执行步骤S9，网络评估的结果不满足误差要求且种群为空则执行步骤S4，网络评估的结果不满足误差要求且种群不为空则执行步骤S5；
S4、对神经网络的超参数、权重和偏置进行基因编码和解码，生成种群；
S5、确定遗传算法中种群适应度函数，进行种群适应度遍历计算；
S6、根据适应度选择基因个体；
S7、遗传算法进行交叉和变异；
S8、输出神经网络超组合，包括超参数、各个权重和偏置，然后返回步骤S4；
S9、神经网络模型输出。
2.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S1中的对研究区内探井的测井曲线数据进行预处理预处理包括：测井曲线单位统一化、测井曲线与试油层油气性质对应、测井曲线归一化处理。
3.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S3中，进行神经网络训练及网络评估，包括准确率、召回率、误差数值的计算，作为遗传算法输入参数。
4.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S4中基因编码/解码/种群生成包括：
S41、初始权重和偏置项的编码和解码：
对每个节点权重和偏置项采用实数编码，每个参数占一位，其中前36位为输入层到第一隐藏层节点权重，后续48位为第一隐藏层到第二隐藏层节点权重，后续36位为第二隐藏层到输出层的节点权重，后续6位为输入层与第一隐藏层之间的偏置项，后续8位为第一隐藏层与第二隐藏层之间的偏置项，最后6位为第二隐藏层与输出层之间的偏置项，总共140位，初始权重和偏置项采用以下公式进行优化：
Figure FDA0002212384850000021
S42、训练迭代次数的实数编码和解码：
以100为起始，最大为102300，步长为100；
编码：利用公式ai＝Si％2，其中i＝0,1…9；S0＝s/100，s为迭代次数，得到二进制编码；
解码：设二进制编码为ai，i＝0，1，...9，其对应的迭代次数为S，则：
S43、学习率的实数编码和解码：
以0.001为起始，最大为1.023，步长为0.001；
编码：利用公式ai＝Si％2，其中i＝0,1…9；S0＝S/1000，S为学习率，得到二进制编码；
解码：设二进制编码为ai，i＝0，1，...9，其对应的学习率为S，则：
Figure FDA0002212384850000031
S44、每次选取样本数的实数编码和解码：
以2为起始，最大为128，2的倍数递增；
编码：设选取样本数为S，利用公式ai＝Si％2，其中i＝0,1,2，S为选取样本数，得到二进制编码；
解码：设二进制编码为ai，i＝0，1，2,其对应的选取样本数为S，则：
Figure FDA0002212384850000033
S45、激活函数类型的实数编码和解码：
激活函数分别为softmax,relu,sigmoid,tanh，采用某个激活函数时编码为1，否则为0。
按照随机扩展生成的方式生成种群。
5.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S5中，确定遗传算法中适应度函数的方法为：
利用测井曲线数据对探井试油层油气水性质预测获得其准确率和召回率，计算遗传算法中适应度函数如下：
设每个类型试油结论准确度为Pi，召回率为Ri，适应度为：
Figure FDA0002212384850000034
其中n为试油结论类型个数。
6.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S6中，根据轮盘赌选择法对基因进行选择。
7.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法，其特征在于，所述步骤S7中，遗传算法的交叉包括：超参数的交叉，根据随机数选择某一超参数进行交叉；以及对超参数内部再次根据随机数选择进行交叉。
CN201910902948.9A 2019-07-19 2019-09-24 遗传算法优化神经网络进行探井试油层油气性质预测方法 Pending CN110633868A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019106558442 2019-07-19
CN201910655844 2019-07-19

Publications (1)

Publication Number Publication Date
CN110633868A true CN110633868A (zh) 2019-12-31

Family

ID=68973906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910902948.9A Pending CN110633868A (zh) 2019-07-19 2019-09-24 遗传算法优化神经网络进行探井试油层油气性质预测方法

Country Status (1)

Country Link
CN (1) CN110633868A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111150411A (zh) * 2020-01-17 2020-05-15 哈尔滨工业大学 基于改进遗传算法的心理压力评测分级方法
CN111783847A (zh) * 2020-06-15 2020-10-16 中国石油大学(北京) 一种低对比度油气层识别方法、装置、设备及系统
CN111915097A (zh) * 2020-08-14 2020-11-10 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111150411A (zh) * 2020-01-17 2020-05-15 哈尔滨工业大学 基于改进遗传算法的心理压力评测分级方法
CN111150411B (zh) * 2020-01-17 2022-11-11 哈尔滨工业大学 基于改进遗传算法的心理压力评测分级方法
CN111783847A (zh) * 2020-06-15 2020-10-16 中国石油大学(北京) 一种低对比度油气层识别方法、装置、设备及系统
CN111783847B (zh) * 2020-06-15 2023-08-25 中国石油大学(北京) 一种低对比度油气层识别方法、装置、设备及系统
CN111915097A (zh) * 2020-08-14 2020-11-10 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法
CN111915097B (zh) * 2020-08-14 2022-11-11 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法

Similar Documents

Publication Publication Date Title
CN110363344B (zh) 基于miv-gp算法优化bp神经网络的概率积分参数预测方法
CN113052371B (zh) 基于深度卷积神经网络的剩余油分布预测方法及装置
CN112901137B (zh) 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法
CN110633868A (zh) 遗传算法优化神经网络进行探井试油层油气性质预测方法
CN110807544B (zh) 一种基于机器学习的油田剩余油饱和度分布的预测方法
CN112989708A (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
Hutahaean et al. Many-objective optimization algorithm applied to history matching
CN110377511B (zh) 一种面向数据流的测试用例生成方法
CN111726349B (zh) 基于ga优化的gru并行网络流量异常检测方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN112949165A (zh) 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法
CN112633328A (zh) 一种基于深度学习的致密油藏改造效果评价方法
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN114969953A (zh) 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备
CN110633504A (zh) 一种煤层瓦斯渗透率预测方法
CN114021432A (zh) 一种应力腐蚀开裂裂纹扩展速率预测方法及系统
CN115059448A (zh) 一种基于深度学习算法的地层压力监测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN113627639A (zh) 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统
Ferraro et al. Use of evolutionary algorithms in single and multi-objective optimization techniques for assisted history matching
Chen et al. A new multiobjective evolutionary algorithm for community detection in dynamic complex networks
CN112862063A (zh) 一种基于深度信念网络的复杂管网泄漏定位方法

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