CN111045080B - 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 - Google Patents

一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 Download PDF

Info

Publication number
CN111045080B
CN111045080B CN201911356942.2A CN201911356942A CN111045080B CN 111045080 B CN111045080 B CN 111045080B CN 201911356942 A CN201911356942 A CN 201911356942A CN 111045080 B CN111045080 B CN 111045080B
Authority
CN
China
Prior art keywords
seismic
prediction
gas content
pso
coal bed
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
Application number
CN201911356942.2A
Other languages
English (en)
Other versions
CN111045080A (zh
Inventor
张文永
张平松
孙贵
丁海
吴海波
臧子婧
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.)
Exploration And Research Institute Of Anhui Coalfield Geology Bureau
Anhui University of Science and Technology
Original Assignee
Exploration And Research Institute Of Anhui Coalfield Geology Bureau
Anhui University of Science and Technology
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 Exploration And Research Institute Of Anhui Coalfield Geology Bureau, Anhui University of Science and Technology filed Critical Exploration And Research Institute Of Anhui Coalfield Geology Bureau
Priority to CN201911356942.2A priority Critical patent/CN111045080B/zh
Publication of CN111045080A publication Critical patent/CN111045080A/zh
Application granted granted Critical
Publication of CN111045080B publication Critical patent/CN111045080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
    • 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

Landscapes

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

Abstract

本发明公开一种基于PSO‑BP模型和地震属性参数的煤层含气量预测方法，具体工艺流程是从叠前地震属性与叠后地震属性提取，到地震属性的相关系数计算与初选，到地震属性的聚类分析与优选，到PSO‑BP预测模型的构建，最后通过井数据训练的PSO‑BP预测模型预测煤层含气量。本发明区别于单一地震属性预测的技术工艺，力求从多角度挖掘了煤层含气量的地震属性响应信息；同时由于煤层的含气量受多种地质条件和地质因素的影响与控制，PSO‑BP预测模型相较于传统的线性预测模型，能够有效地表征这种非线性映射关系，技术工艺更为先进，预测精度和可靠性能够保证，且预测速度大大提高。所以，本发明相对于传统的煤层气含气量预测工艺在信息挖掘、技术流程和预测精度上更具优势。

Description

一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法
技术领域
本发明涉及一种煤层气地震勘探与储层评价领域，具体是一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法。
背景技术
煤层含气量或煤层气(瓦斯)富集区预测方法多基于单一的叠前地震属性或叠后地震属性，地震属性参数类型缺乏多样性，且在预测过程中上诉方法多使用线性的预测模型，预测精度和效果难以保证，工艺流程的普适性受限；在实际情况下，煤层的含气量受到多种地质条件和地质因素的影响与控制，与地震属性参数间存在着极为复杂的、模糊的非线性映射关系，利用传统的单一地震属性和线性模型的技术工艺，已很难满足煤层气精准勘探与开发的需求，针对这种情况，现提出一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法。
发明内容
本发明的目的在于提供一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，区别于单一地震属性预测的技术工艺，力求从多角度挖掘了煤层含气量的地震响应信息；同时由于煤层的含气量受到多种地质条件和地质因素的影响与控制，本发明采用的PSO-BP预测模型相较于传统的线性预测模型，能够有效地表征这种非线性映射关系，技术工艺更为先进，预测精度和可靠性能够保证。所以，本发明相对于传统的煤层气含气量预测工艺在信息挖掘、技术流程和预测精度上更具优势
本发明的目的可以通过以下技术方案实现：
本发明的有益效果：
1、本发明同时运用了叠前地震属性和叠后地震属性，从多角度挖掘三维地震属性信息，与传统技术工艺相比运用的地震属性信息量更加丰富，预测的样本更为多样化，样本的优选更具系统化；
2、本发明利用粒子群寻优算法(PSO)对BP神经网络算法的输入层与隐含层的连接权值和隐含层的阈值进行优化，与传统工艺相比，大大提高了预测模型的预测精度以及训练速度；
3、本发明方法区别于单一地震属性预测的技术工艺，力求从多角度挖掘了煤层含气量的地震响应信息，以提高预测精度，由于煤层的含气量受到多种地质条件和地质因素的影响与控制，本发明采用的PSO-BP预测模型相较于传统的线性预测模型，能够有效地表征这种非线性映射关系，技术工艺更为先进，预测精度和可靠性能够保证，且预测速度大大提高；
4、本发明相对于传统的煤层气含气量预测在工艺流程和预测精度上更具优势。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于PSO-BP模型和地震属性参数的煤层含气量预测方法流程图；
图2是本发明粒子群改进神经网络流程图；
图3是本发明研究区基本情况示意图；
图4是本发明典型的叠前和叠后地震剖面示意图；
图5是本发明属性的聚类分析图；
图6是本发明P*G强度属性示意图；
图7是本发明拟泊松比属性示意图；
图8是本发明薄层属性示意图；
图9是本发明瞬时Q值示意图；
图10是本发明预测结果图。
具体实施方式
下面将结合本发明实施例中的附图，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，如图1所示，包括以下步骤：
S1：叠前地震属性提取
通过对叠前三维地震数据进行超道集计算和角道集抽取处理，基于P-P波反射系数近似公式①进行地震AVO属性计算，计算得到截距属性P、梯度属性G、流体因子属性P*G、拟泊松属性P+G、横波反射系数P-G等多个叠前地震属性。
RP(θ)≈P+G sin2θ ①
S2:叠后地震属性提取
依据叠后三维地震数据体，提取振幅、频率、衰减、几何类等多个类型的地震属性，具体包括：声阻抗、最大曲率、倾角属性、甜点属性、薄层属性、瞬时加速度、瞬时振幅、瞬时频率以及瞬时Q值等。
S3:地震属性的相关系数计算与初选
将井位置的叠前和叠后地震属性参数与煤层气含气量数据进行归一化处理，按照公式②计算各地震属性参数与煤层气含气量的相关系数，优选出相关系数较大的地震属性，构成初选的地震属性参数集。
Figure BDA0002336193490000041
其中：xi归一化后各个属性；y为归一化后的煤层气含气量数据。
S4:地震属性的聚类分析与优选
利用Q型聚类分析法，对初选出地震属性参数集进行分类优选，优选出相关系数高且相互独立的地震属性，具体工艺为：以归一化后的几种地震属性参数集作为行向量组成矩阵rij，按照公式③计算出矩阵行向量之间距离系数并进行分类合并，生成聚类分析图，分别从每一类别中选取出与所求地质目标相关性最好的一种，组成作为预测模型输入的地震属性集。
Figure BDA0002336193490000042
其中：矢量Xi＝(xi1，xi2，...xim)和矢量Xj＝(xj1，xj2，...xjm)是矩阵riJ的行向量；i，j＝1，2，3，…n。
S5:PSO-BP预测模型的构建
将BP神经网络的全部连接权值设为粒子群粒子的位置向量，并对其进行初始化，以均方误差最小作为寻优目标进行寻优，最终，将计算得到的全局最优解作为BP神经网络的权值和阈值，带入到神经网络中进行训练学习，从而完成预测构建PSO-BP预测模型，利用粒子群算法改进BP神经网络预测的流程，如图2所示，具体的工艺流程分为如下几步：
1)设置BP神经网络的基本结构、参数，如InDim、OutDim、HiddenNum等。输入学习样本，进行归一化处理；
2)粒子群参数设置：种群数目、惯性权重、最大速度、速度向量维数、设置最大迭代次数Tmax，同时，初始化粒子的速度矢量和位置矢量，每个粒子由两个部分组成，分别是速度矩阵和位置矩阵；
3)按公式④确定适度函数，Ji对个体进行评价分为两个步骤：首先，把最小适应度函数值设置为粒子的极值个体，然后，把粒子中最小的极值个体设置为全局极值，即所求问题的最优解；
Figure BDA0002336193490000051
4)以粒子的当前最佳位置为迭代点，进行迭代；
5)按照公式⑤、⑥更新粒子的
Figure BDA0002336193490000052
和
Figure BDA0002336193490000053
产生新的粒子群；
Figure BDA0002336193490000054
Figure BDA0002336193490000055
6)排除
Figure BDA0002336193490000056
和
Figure BDA0002336193490000057
越界的粒子，并跟新
Figure BDA0002336193490000058
和
Figure BDA0002336193490000059
即：
Figure BDA00023361934900000510
或
Figure BDA00023361934900000511
时，
Figure BDA00023361934900000512
7)当迭代次数达到Tmax或误差满足精度要求时，停止迭代，否则转入步骤(5)；
8)迭代停止后，当前的pbest值和gbest值为全局最优解，即BP神经网络的权值和阈值，可带入BP神经网络中进行训练学习。
S6:PSO-BP预测模型的训练与煤层气富集区预测
以井位置的优选地震属性参数集作为输入，以煤层气含气量数据作为输出训练PSO-BP模型。基于训练好的PSO-BP模型，以整个工区的优选地震属性参数集作为输入，预测工区内煤层气含气量。
实施例1
实施案例区如图3所示，面积约6.0Km2，共有10个地质钻孔提供精确的煤层气含气量测试数据，典型地震剖面如图4所示；
按照本发明的工艺流程S1、S2和S3初选了选出的7种地震属性，1为梯度属性，2为P*G强度属性，3为拟泊松比属性，4为倾角属性，5为薄层属性，6为瞬时振幅，7为瞬时Q值。
按照本发明的工艺流程S4进一步对7种地震属性进行聚类分析，得到的聚类结果如图5所示，7种地震属性可大致分为相互独立的四类，分别是1、2、6；3；4、5；7；因此分别从四类中优选出与地质目标相关性最好4种，分别是P*G强度属性，拟泊松比属性、薄层属性、瞬时Q值，各地震属性分别如图6-图9所示。
依据工艺流程S5构建PSO-BP模型，并依据工艺流程S6训练模型，基于训练好的PSO-BP模型，以实施案例区的上述4种优选地震属性作为输入，得到的区内煤层含气量的预测结果如图10所示。
白色位置为煤层含气量高值区，深黑色位置为低值区，灰色位置煤层气含气量适中。利用井位置的煤层气含气量数据验证本发明的实施效果，井位置处的煤层气含气量预测值与实测值如下表所示，预测值与实测值吻合度较高，最大误差仅0.89％，说明本发明技术工艺的预测精度高。
Figure BDA0002336193490000061
Figure BDA0002336193490000071
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (2)

1.一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，其特征在于，包括以下步骤：
S1：叠前地震属性提取
通过对叠前三维地震数据进行超道集计算和角道集抽取处理，基于P-P波反射系数近似公式①进行地震AVO属性计算，计算得到截距属性P、梯度属性G、流体因子属性P*G、拟泊松属性P+G、横波反射系数P-G多个叠前地震属性；
RP(θ)≈P+Gsin2θ ①
S2：叠后地震属性提取
依据叠后三维地震数据体，提取振幅、频率、衰减、几何类多个类型的地震属性，具体包括：声阻抗、最大曲率、倾角属性、甜点属性、薄层属性、瞬时加速度、瞬时振幅、瞬时频率以及瞬时Q值；
S3：地震属性的相关系数计算与初选
将井位置的叠前和叠后地震属性参数与煤层气含气量数据进行归一化处理，按照公式②计算各地震属性参数与煤层气含气量的相关系数，优选出相关系数较大的地震属性，构成初选的地震属性参数集；
Figure FDA0003598167590000011
其中：xi归一化后各个属性；y为归一化后的煤层气含气量数据；
S4：地震属性的聚类分析与优选
利用Q型聚类分析法，对初选出地震属性参数集进行分类优选，优选出相关系数高且相互独立的地震属性，具体工艺为：以归一化后的几种地震属性参数集作为行向量组成矩阵rij，按照公式③计算出矩阵行向量之间距离系数并进行分类合并，生成聚类分析图，分别从每一类别中选取出与所求地质目标相关性最好的一种，组成作为预测模型输入的地震属性集；
Figure FDA0003598167590000021
其中：矢量Xi＝(xi1，xi2，...xim)和矢量Xj＝(xj1，xj2，...xjm)是矩阵rij的行向量；i，j＝1，2，3，…n；
S5：PSO-BP预测模型的构建
将BP神经网络的全部连接权值设为粒子群粒子的位置向量，并对其进行初始化，以均方误差最小作为寻优目标进行寻优，最终，将计算得到的全局最优解作为BP神经网络的权值和阈值，带入到神经网络中进行训练学习，从而完成预测构建PSO-BP预测模型，利用粒子群算法改进BP神经网络预测的流程；
S6：PSO-BP预测模型的训练与煤层气含气量预测
以井位置的优选地震属性参数集作为输入，以煤层气含气量数据作为输出训练PSO-BP模型；基于训练好的PSO-BP模型，以整个研究区域内目标煤层的优选地震属性参数集作为输入，预测研究区域内目标煤层气含气量。
2.根据权利要求1所述的一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，其特征在于，所述S5具体的工艺流程分为如下几步：
1)设置BP神经网络的基本结构、参数，包括InDim、OutDim、HiddenNum，输入学习样本，进行归一化处理；
2)粒子群参数设置：种群数目、惯性权重、最大速度、速度向量维数、设置最大迭代次数Tmax，同时，初始化粒子的速度矢量和位置矢量，每个粒子由两个部分组成，分别是速度矩阵和位置矩阵；
3)按公式④确定适度函数，对个体进行评价分为两个步骤：首先，把最小适应度函数值设置为粒子的极值个体，然后，把粒子中最小的极值个体设置为全局极值，即所求问题的最优解；
Figure FDA0003598167590000031
4)以粒子的当前最佳位置为迭代点，进行迭代；
5)按照公式⑤、⑥更新粒子的
Figure FDA0003598167590000032
和
Figure FDA0003598167590000033
产生新的粒子群；
Figure FDA0003598167590000034
Figure FDA0003598167590000035
6)排除
Figure FDA0003598167590000036
和
Figure FDA0003598167590000037
越界的粒子，并跟新
Figure FDA0003598167590000038
和
Figure FDA0003598167590000039
即：
Figure FDA00035981675900000310
或
Figure FDA00035981675900000312
时，
Figure FDA00035981675900000313
7)当迭代次数达到Tmax或误差满足精度要求时，停止迭代，否则转入步骤(5)；
8)迭代停止后，当前的pbest值和gbest值为全局最优解，即BP神经网络的权值和阈值，带入BP神经网络中进行训练学习。
CN201911356942.2A 2019-12-25 2019-12-25 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 Active CN111045080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911356942.2A CN111045080B (zh) 2019-12-25 2019-12-25 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911356942.2A CN111045080B (zh) 2019-12-25 2019-12-25 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法

Publications (2)

Publication Number Publication Date
CN111045080A CN111045080A (zh) 2020-04-21
CN111045080B true CN111045080B (zh) 2022-07-05

Family

ID=70239566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911356942.2A Active CN111045080B (zh) 2019-12-25 2019-12-25 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法

Country Status (1)

Country Link
CN (1) CN111045080B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112083498B (zh) * 2020-10-16 2021-05-25 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN112731526B (zh) * 2021-01-17 2022-04-29 王仰华 依据地震衰减截距检测油气储层的方法
CN113156501A (zh) * 2021-03-31 2021-07-23 华能煤炭技术研究有限公司 一种基于地震资料的煤层气资源量预测方法
CN113392567B (zh) * 2021-08-16 2021-11-09 中国矿业大学(北京) 一种双重孔隙煤体的煤层气预测方法和系统
CN114966851B (zh) * 2022-05-13 2023-05-05 广州海洋地质调查局 一种储层预测方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444619A (en) * 1993-09-27 1995-08-22 Schlumberger Technology Corporation System and method of predicting reservoir properties
CN102478668A (zh) * 2010-11-30 2012-05-30 中国石油天然气集团公司 一种应用地震多属性参数预测煤层厚度的方法
CN107843920A (zh) * 2017-09-29 2018-03-27 中国石油化工股份有限公司 一种聚类分析优化粒子群储层属性预测方法
CN109782345A (zh) * 2019-01-07 2019-05-21 中国石油天然气股份有限公司 一种利用地震属性预测储层的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444619A (en) * 1993-09-27 1995-08-22 Schlumberger Technology Corporation System and method of predicting reservoir properties
CN102478668A (zh) * 2010-11-30 2012-05-30 中国石油天然气集团公司 一种应用地震多属性参数预测煤层厚度的方法
CN107843920A (zh) * 2017-09-29 2018-03-27 中国石油化工股份有限公司 一种聚类分析优化粒子群储层属性预测方法
CN109782345A (zh) * 2019-01-07 2019-05-21 中国石油天然气股份有限公司 一种利用地震属性预测储层的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP算法的煤层厚度预测技术应用研究;李刚;《中国煤炭地质》;20110531;第23卷(第5期);45-48 *
基于粒子群算法的BP神经网络优化技术;张德慧 等;《计算机工程与设计》;20150531;第36卷(第5期);1321-1326 *

Also Published As

Publication number Publication date
CN111045080A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111045080B (zh) 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法
CN111783825B (zh) 一种基于卷积神经网络学习的测井岩性识别方法
CN109061765B (zh) 非均质薄砂岩互层油藏的圈闭评价方法
CN109799533A (zh) 一种基于双向循环神经网络的储层预测方法
CN101738639B (zh) 提高岩石裂缝参数精度的方法
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
CN104747185A (zh) 非均质油藏储层综合分类评价方法
CN106529667A (zh) 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
CN101266299A (zh) 利用地震数据体结构特征预测油气的方法
CN110609327B (zh) 基于叠前地震属性的碳酸盐岩储集相预测方法及装置
CN105572747A (zh) 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法
CN110412662A (zh) 基于地震多属性深度学习的薄互层储层预测方法
CN106446514A (zh) 一种基于模糊理论和神经网络的测井相识别方法
CN115293316A (zh) 基于ssa-elman中深埋厚煤层导水裂隙带预测方法
CN117452518B (zh) 基于多学科数据融合聚类算法的储层岩性预测方法
Goodwin et al. Stochastic modeling of subseismic faults conditioned on displacement and orientation maps
Cheng et al. Petroleum lithology discrimination based on PSO-LSSVM classification model
CN111894563A (zh) 潜山段中裂缝型储层的分类确定方法及系统
CN111325441B (zh) 一种页岩气目标保存条件定量评价方法
Wu et al. Sparrow search algorithm-driven clustering analysis of rock mass discontinuity sets
CN116796231A (zh) 一种基于测井曲线自动划分岩性及对比的方法及装置
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
Ramadhan et al. Drill holes spacing analysis for estimation and classification of coal resources based on variogram and kriging
CN112818603B (zh) 自适应选择最优成矿预测要素的方法、终端及存储介质
Elons et al. A proposed model for predicting the drilling path based on hybrid Pso-Bp neural network

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