CN110927798B - 一种基于深度学习的测井曲线预测方法及其系统 - Google Patents
一种基于深度学习的测井曲线预测方法及其系统 Download PDFInfo
- Publication number
- CN110927798B CN110927798B CN201811099467.0A CN201811099467A CN110927798B CN 110927798 B CN110927798 B CN 110927798B CN 201811099467 A CN201811099467 A CN 201811099467A CN 110927798 B CN110927798 B CN 110927798B
- Authority
- CN
- China
- Prior art keywords
- value
- deep learning
- data
- ratio
- logging curve
- 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
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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的测井曲线预测方法及其系统,该方法包括步骤:S10:将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;S20、在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;S30、根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;S40:将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据。本发明计算更高效且精度更高,进而能够为以后的地震资料处理提供更高精准的曲线。
Description
技术领域
本发明涉及勘探领域的地震数据处理技术领域,尤其涉及一种基于深度学习的测井曲线预测方法及其系统。
背景技术
测井曲线的预测或重构成为了井震联合反演技术前期一项必不可少的工作。然而在实际的勘探当中,测井不可能很密,因为涉及到测井的成本问题。测井曲线的预测对于后期的油气的预测和弹性参数的反演具有重要的作用。
目前勘探中有采用经验法来预测测井曲线,这种方法只能用于一种或者多种曲线进行数学转换,速度上快且整个操作过程容易,但是缺点是结果准确度不高。还有采用地震属性分析法来预测测井曲线,这种方法主要是通过横纵方向上的线性数据来模拟出地震属性的曲线,这种方法的精确度高于经验法测量,但首先需要导入三维地震数据体,而且存在过度训练的问题。
因此,急需设计出一种操作容易且准确度高的测井曲线预测方法。
发明内容
本发明的特征和优点在下文的描述中部分地陈述,或者可从该描述显而易见,或者可通过实践本发明而学习。
为克服现有技术的问题,本发明提供一种基于深度学习的测井曲线预测方法,包括:
S10:将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;
S20、在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;
S30、根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;
S40:将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据。
可选地,所述步骤S20中获取所述聚集值时,包括:
在所述特征值中选择一个特征值,作为第一特征值;
计算所述特征值中大于所述第一特征值的个数,记为第一个数;
判断所述第一个数与所述特征值的总个数的比值是否达到预设阈值;若是,则将所述第一特征值记为所述聚集值。
可选地,所述预设阈值大于0.85。
可选地,所述深度学习DNN模型的参数包括层数m以及每一层的节点数n;所述步骤S30包括:
当所述比值越接近1,则使初始参数m的取值越大,初始参数n的取值越小;反之,则使初始参数m的取值越小,初始参数n的取值越大。
可选地,记所述比值为b,则:
当所述比值大于0.9≥b>1时,初始参数15>m>10,15>n>8;
当所述比值大于0.8≥b>0.9时,初始参数12>m>7,15>n>10;
当所述比值大于0.5≥b>0.8时,初始参数9>m>4,25>n>15;
当所述比值大于0>b>0.5时,初始参数6>m>2,30>n>20。
可选地,所述步骤S30包括:
若根据当前深度学习DNN模型预测出测井曲线结果与所述标签数据之间的误差值在预设范围值内,则将所述当前深度学习DNN模型记为所述最佳深度学习DNN模型的训练模型。
本发明提供一种基于深度学习的测井曲线预测系统,包括:
特征值获取模块,用于将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;
参数调整模块,用于在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;
预测模块,用于将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据。
可选地,所述参数调整模块用于:在所述特征值中选择一个特征值,作为第一特征值;计算所述特征值中大于所述第一特征值的个数,记为第一个数;若所述第一个数与所述特征值的总个数的比值达到预设阈值,则将所述第一特征值记为所述聚集值。。
可选地,所述参数调整模块用于当所述比值越接近1,则使初始参数m的取值越大,初始参数n的取值越小;反之,则使初始参数m的取值越小,初始参数n的取值越大。
本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行的至少一个程序,其特征在于,所述至少一个程序被所述计算机执行时使所述计算机执行本发明任一实施例提供的基于深度学习的测井曲线预测方法中的步骤。
本发明提供了一种基于深度学习的测井曲线预测方法及其系统、计算机可读存储介质,结合地震属性分析法利用深度学习DNN模型很好的泛化能力和很好的模型表达能力对预测结果的多属性转换进行更加深入的训练和分析,从而设计出了一种测井曲线预测的新方法。
通过阅读说明书,本领域普通技术人员将更好地了解这些技术方案的特征和内容。
附图说明
下面通过参考附图并结合实例具体地描述本发明,本发明的优点和实现方式将会更加明显,其中附图所示内容仅用于对本发明的解释说明,而不构成对本发明的任何意义上的限制,在附图中:
图1为本发明实施例的基于深度学习的测井曲线预测方法的流程示意图。
图2为本发明实施例的获取聚集值的流程示意图。
图3为本发明实施例的获取最佳深度学习DNN模型的流程示意图。
图4为本发明实施例的基于深度学习的测井曲线预测系统的结构示意图。
具体实施方式
如图1所示,本发明提供一种基于深度学习的测井曲线预测方法,包括步骤:
S10:将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;
假设某区块包含N口井的测井资料,以其中一口井A作为需要预测的井,即标签数据,其余N-1口井作为资料井数据,将这N-1口资料井的测井曲线数据作为输入数据,可以通过训练即算出输入数据的特征值。
S20、在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;
S30、根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;
S40:将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据。
即可以用该工区中的所有资料井的测井曲线数据送入最佳深度学习DNN模型的训练模型,从而计算出其他可能的虚拟井的测井曲线数据。
上述步骤S20中,在获取所述聚集值时,如图2所示,包括:
S21、在所述特征值中选择一个特征值,作为第一特征值;
S22、计算所有所述特征值中大于所述第一特征值的特征值的个数,记为第一个数;
S23、判断所述第一个数与所述特征值的总个数的比值是否达到预设阈值;若否,则返回步骤S21;若是,则进入步骤S24;
一般地,预设阈值大于0.85,例如是0.90,即90%。
S24、将所述第一特征值记为所述聚集值。
上述步骤S30中,深度学习DNN模型的参数包括层数m以及每一层的节点数n。在具体实施时,可以记所述比值为b,此时:
当所述比值大于0.9≥b>1时,初始参数15>m>10,15>n>8;
当所述比值大于0.8≥b>0.9时,初始参数12>m>7,15>n>10;
当所述比值大于0.5≥b>0.8时,初始参数9>m>4,25>n>15;
当所述比值大于0>b>0.5时,初始参数6>m>2,30>n>20。
在根据所述比值获取深度学习DNN模型的初始参数时,采取的规则是当所述比值越接近1,则使初始参数m的取值越大,初始参数n的取值越小;反之,则使初始参数m的取值越小,初始参数n的取值越大。也就是说,不同的比值获取的初始参数的具体数值是不同的。浮动范围可以根据需求自行设定,不同区间内的比值其浮动范围可以一样也可以不一样。
举例来说,当输入数据的最大特征值90%以上的特征值占90%以上,模型参数的初始层数和节点就调整12层,10个节点,以此为基础,节点数增加和层数增加,直到模型能够快速收敛;同理,当输入数据的最大特征值80%以上的特征值占90%以上,模型参数的初始层数和节点就调整9层,12个节点。以此类推,当输入数据的最大特征值10%以上的特征值占90%以上,模型参数的初始层数和节点就调整4层,26个节点。
上述步骤S30中,在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型时,若根据当前深度学习DNN模型预测出测井曲线结果与所述标签数据之间的误差值在预设范围值内,则将所述当前深度学习DNN模型记为所述最佳深度学习DNN模型的训练模型。
更具体地,如图3所示,包括步骤:
S31、将深度学习DNN模型的层数按获取的初始参数的具体数值进行设定,获得当前深度学习DNN模型;
S32、根据当前深度学习DNN模型预测出测井曲线结果;
S33、将所述测井曲线结果与标签数据进行比较,获取误差值;
S34、判断所述误差值是否在预设范围值内,若是,则进入步骤S36;若否,则进入步骤S35;
S35、在浮动范围内对初始参数进行调整获取新的参数,并据此得到新的当前深度学习DNN模型;返回步骤S32;
S36、将当前深度学习DNN模型记为所述最佳深度学习DNN模型的训练模型。
本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行的至少一个程序,所述至少一个程序被所述计算机执行时使所述计算机执行本发明任一实施例提供的基于深度学习的测井曲线预测方法中的步骤。
如图4所示,本发明提供一种基于深度学习的测井曲线预测系统,包括特征值获取模块60、参数调整模块70以及预测模块80。其中:
特征值获取模块60用于将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;
参数调整模块70,与特征值获取模块60相连,用于在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;
预测模块80,与参数调整模块70相连,用于将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据。
参数调整模块70用于:在所述特征值中选择一个特征值,作为第一特征值;计算所述特征值中大于所述第一特征值的个数,记为第一个数;若所述第一个数与所述特征值的总个数的比值达到预设阈值,则将所述第一特征值记为所述聚集值。预设阈值大于0.85,例如是0.90。
深度学习DNN模型的参数包括层数m以及每一层的节点数n。在具体实施时,可以记所述比值为b,此时,参数调整模块70用于:
当所述比值大于0.9≥b>1时,初始参数15>m>10,15>n>8;
当所述比值大于0.8≥b>0.9时,初始参数12>m>7,15>n>10;
当所述比值大于0.5≥b>0.8时,初始参数9>m>4,25>n>15;
当所述比值大于0>b>0.5时,初始参数6>m>2,30>n>20。
在根据所述比值获取深度学习DNN模型的初始参数时,参数调整模块70采取的规则是当所述比值越接近1,则使初始参数m的取值越大,初始参数n的取值越小;反之,则使初始参数m的取值越小,初始参数n的取值越大。也就是说,不同的比值获取的初始参数的具体数值是不同的。浮动范围可以根据需求自行设定,不同区间内的比值其浮动范围可以一样也可以不一样。
参数调整模块70用于若根据当前深度学习DNN模型预测出测井曲线结果与所述标签数据之间的误差值在预设范围值内,则将所述当前深度学习DNN模型记为所述最佳深度学习DNN模型的训练模型。
本发明提供了一种基于深度学习的测井曲线预测方法及其系统、计算机可读存储介质,先将该工区中的一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,根据聚集值与所述最大特征值的比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型,最后将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据。这种基于深度学习的测井曲线预测方法的计算更高效且精度更高,进而能够为以后的地震资料处理提供更高精准的曲线。
以上参照附图说明了本发明的优选实施例,本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明。举例而言,作为一个实施例的部分示出或描述的特征可用于另一实施例以得到又一实施例。以上仅为本发明较佳可行的实施例而已,并非因此局限本发明的权利范围,凡运用本发明说明书及附图内容所作的等效变化,均包含于本发明的权利范围之内。
Claims (6)
1.一种基于深度学习的测井曲线预测方法,其特征在于,包括步骤:
S10:将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;
S20、在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;
S30、根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;
S40:将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据;
所述步骤S20中获取所述聚集值时,包括:
在所述特征值中选择一个特征值,作为第一特征值;
计算所述特征值中大于所述第一特征值的个数,记为第一个数;
判断所述第一个数与所述特征值的总个数的比值是否达到预设阈值;若是,则将所述第一特征值记为所述聚集值;
所述深度学习DNN模型的参数包括层数m以及每一层的节点数n;所述步骤S30包括:
当所述比值越接近1,则使初始参数m的取值越大,初始参数n的取值越小;反之,则使初始参数m的取值越小,初始参数n的取值越大。
2.根据权利要求1所述基于深度学习的测井曲线预测方法,其特征在于,所述预设阈值大于0.85。
3.根据权利要求1所述基于深度学习的测井曲线预测方法,其特征在于,记所述比值为b,则:
当0.9≤b<1时,初始参数15>m>10,15>n>8;
当0.8≤b<0.9时,初始参数12>m>7,15>n>10;
当0.5≤b<0.8时,初始参数9>m>4,25>n>15;
当0<b<0.5时,初始参数6>m>2,30>n>20。
4.根据权利要求1所述基于深度学习的测井曲线预测方法,其特征在于,所述步骤S30包括:
若根据当前深度学习DNN模型预测出测井曲线结果与所述标签数据之间的误差值在预设范围值内,则将所述当前深度学习DNN模型记为所述最佳深度学习DNN模型的训练模型。
5.一种基于深度学习的测井曲线预测系统,其特征在于,包括:
特征值获取模块,用于将其中一口资料井的测井曲线数据作为标签数据,将剩余的资料井的测井曲线数据作为输入数据,并计算所述输入数据的特征值;
参数调整模块,用于在所述特征值中获取聚集值及最大特征值,计算所述聚集值与所述最大特征值的比值;根据所述比值获取深度学习DNN模型的初始参数及浮动范围,并在所述浮动范围内进行参数调整直至得到最佳深度学习DNN模型的训练模型;
预测模块,用于将工区中所有的资料井的测井曲线送入所述最佳深度学习DNN模型的训练模型,预测其他虚拟井的测井曲线数据;
所述参数调整模块用于:在所述特征值中选择一个特征值,作为第一特征值;计算所述特征值中大于所述第一特征值的个数,记为第一个数;若所述第一个数与所述特征值的总个数的比值达到预设阈值,则将所述第一特征值记为所述聚集值;
所述参数调整模块用于当所述比值越接近1,则使初始参数m的取值越大,初始参数n的取值越小;反之,则使初始参数m的取值越小,初始参数n的取值越大。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行的至少一个程序,其特征在于,所述至少一个程序被所述计算机执行时使所述计算机执行上述权利要求1~4任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811099467.0A CN110927798B (zh) | 2018-09-20 | 2018-09-20 | 一种基于深度学习的测井曲线预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811099467.0A CN110927798B (zh) | 2018-09-20 | 2018-09-20 | 一种基于深度学习的测井曲线预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110927798A CN110927798A (zh) | 2020-03-27 |
CN110927798B true CN110927798B (zh) | 2021-12-31 |
Family
ID=69856137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811099467.0A Active CN110927798B (zh) | 2018-09-20 | 2018-09-20 | 一种基于深度学习的测井曲线预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927798B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114016998A (zh) * | 2020-07-16 | 2022-02-08 | 中国石油天然气集团有限公司 | 一种测井遇阻遇卡的预测方法及装置 |
CN112464483B (zh) * | 2020-12-04 | 2022-12-20 | 核工业二一六大队 | 一种基于遗传神经网络算法的测井曲线重构方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 |
CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
CN107526117A (zh) * | 2017-07-06 | 2017-12-29 | 天津科技大学 | 基于自动编码和超限学习联合网络的声波速度预测方法 |
JP6293960B1 (ja) * | 2017-08-10 | 2018-03-14 | 善郎 水野 | 衝突回避支援システム |
CN108009705A (zh) * | 2017-11-07 | 2018-05-08 | 中国石油大学(华东) | 一种基于支持向量机技术的页岩储层可压性评价方法 |
US10803055B2 (en) * | 2017-12-15 | 2020-10-13 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
-
2018
- 2018-09-20 CN CN201811099467.0A patent/CN110927798B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529667A (zh) * | 2016-09-23 | 2017-03-22 | 中国石油大学(华东) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 |
CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
CN107526117A (zh) * | 2017-07-06 | 2017-12-29 | 天津科技大学 | 基于自动编码和超限学习联合网络的声波速度预测方法 |
JP6293960B1 (ja) * | 2017-08-10 | 2018-03-14 | 善郎 水野 | 衝突回避支援システム |
CN108009705A (zh) * | 2017-11-07 | 2018-05-08 | 中国石油大学(华东) | 一种基于支持向量机技术的页岩储层可压性评价方法 |
US10803055B2 (en) * | 2017-12-15 | 2020-10-13 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
Non-Patent Citations (2)
Title |
---|
A New Approach to Reservoir Characterization Using Deep Learning Neural Networks;M. Korjani et al.;《SOCIETY OF PETROLEUM ENGINEERS》;20161231;全文 * |
基于循环神经网络的测井曲线生成方法;张东晓等;《石油勘探与开发》;20180831;第45卷(第4期);第598-607页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110927798A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11579332B2 (en) | Dynamic engine for a cognitive reservoir system | |
CN110852420B (zh) | 一种基于人工智能的垃圾分类方法 | |
Yin et al. | Multiobjective crashworthiness optimization design of functionally graded foam-filled tapered tube based on dynamic ensemble metamodel | |
US20150254554A1 (en) | Information processing device and learning method | |
US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN108287808B (zh) | 一种面向结构可靠性分析的通用动态追踪序列采样方法 | |
AU2020100630A4 (en) | System and method for grade estimation using gradient boosted decesion tree based machine learning algorithims | |
US10436669B2 (en) | Interpolation engine for analysis of time-varying load data signals | |
Arunadevi et al. | A study of classification algorithms using Rapidminer | |
KR20210107584A (ko) | 학습 데이터 관리 방법 | |
CN110927798B (zh) | 一种基于深度学习的测井曲线预测方法及其系统 | |
CA2717178A1 (en) | System and method for interpretation of well data | |
CN114282725A (zh) | 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法 | |
US20230409916A1 (en) | Methods and systems for training a machine learning model with measurement data captured during manufacturing process | |
KR20140137210A (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
Li et al. | Prediction and application of porosity based on support vector regression model optimized by adaptive dragonfly algorithm | |
Yi et al. | Efficient global optimization using a multi-point and multi-objective infill sampling criteria | |
Luo et al. | Semi-supervised least squares support vector machine algorithm: application to offshore oil reservoir | |
CN105183726A (zh) | 用户相似度确定方法及系统 | |
US20220404515A1 (en) | Systems and methods for mapping seismic data to reservoir properties for reservoir modeling | |
CN114460639B (zh) | 页岩油储层渗透率的预测方法及装置 | |
CN112085109A (zh) | 基于主动学习的相控孔隙度预测方法 | |
KR101872823B1 (ko) | 정적 램의 수율 예측 방법 | |
CN112859793B (zh) | 基于改进滑动时间窗口的工业生产过程动态时延辨识方法 | |
KR20230084833A (ko) | 물리 검층 데이터에 기초한 저류층 인자 추정 방법 및 장치 |
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 |