CN111046328A - 基于测井曲线小波Mallet算法的岩石类型识别方法 - Google Patents
基于测井曲线小波Mallet算法的岩石类型识别方法 Download PDFInfo
- Publication number
- CN111046328A CN111046328A CN201911330239.4A CN201911330239A CN111046328A CN 111046328 A CN111046328 A CN 111046328A CN 201911330239 A CN201911330239 A CN 201911330239A CN 111046328 A CN111046328 A CN 111046328A
- Authority
- CN
- China
- Prior art keywords
- lithology
- curve
- logging
- wavelet
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 38
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于地球物理测井技术领域,具体涉及一种基于测井曲线小波Mallet算法的岩石类型识别方法,包括:步骤一:对野外采集的原始测井曲线进行预处理,步骤二:分析步骤一中预处理后的测井曲线对不同岩性的测井响应特征,确定对不同岩性反映敏感的测井曲线;步骤三:对步骤二中确定的敏感测井曲线L进行归一化处理;步骤四:对步骤三中归一化后测井曲线L1进行不同小波函数不同尺度的Mallet分解,确定识别岩性的最优小波函数和分解尺度;步骤五:根据步骤四确定的最优小波函数和最优分解尺度对未知岩性类型的钻孔进行岩性识别,确定钻孔内每个层段的岩性类型。
Description
技术领域
本发明属于地球物理测井技术领域,具体涉及一种基于测井曲线小波Mallet算法的岩石类型识别方法。
背景技术
目前,识别钻孔内地层岩石类型的传统方法主要依靠地质人员对岩心的岩性编录,但是这种方法依赖于钻机人员对岩心的摆放,当岩心出现逆转、丢失等现象时,就不能在深度上准确定位岩石的类型。随着地质人员对地层岩性精细化解释的需求,一些多元统计分析方法,如神经网络、贝叶斯判别等方法被应用于地层岩性的解释,但是这些方法依赖经验丰富的测井专家,根据区域特征选择多条测井曲线综合识别岩石类型,而且计算速度慢,不能满足野外实际生产的需求。
因此,需要设计一种应用于野外生产的高效岩性识别方法,可在野外实际生产中应用单条测井曲线高效的识别地层岩石类型。
发明内容
本发明针对上述现有技术的不足,提供一种基于测井曲线小波Mallet算法的岩石类型识别方法,用于解决的现有技术中需要地质人员或测井专家选择多条测井曲线综合识别岩石类型,且识别过程计算速度慢、不适用于野外实际生产的技术问题。
本发明的技术方案:
基于测井曲线小波Mallet算法的岩石类型识别方法,包括以下步骤:
步骤一:对野外采集的原始测井曲线进行预处理,包括:曲线拼接、深度校正、非点剔除、数字化处理、平滑滤波、环境校正;需要采集的原始测井曲线包括:井径、自然电位、自然伽马、深浅双侧向电阻率、声波时差、补偿密度和补偿中子曲线;
步骤二:分析步骤一中预处理后的测井曲线对不同岩性的测井响应特征,确定对不同岩性反映敏感的测井曲线,命名为L;
步骤三:对步骤二中确定的敏感测井曲线L进行归一化处理,使其数值分布在[0,1]之间,归一化后的测井曲线命名为L1;
步骤四:对步骤三中归一化后测井曲线L1进行不同小波函数不同尺度的Mallet分解,根据输入的每个层段的岩性数量和类型,利用分解后低频小波系数识别每个层段的岩性类型,与调整岩心后的地质岩性编录资料对比分析,确定识别岩性的最优小波函数和分解尺度;
步骤五:根据步骤四确定的最优小波函数和最优分解尺度对未知岩性类型的钻孔进行岩性识别,确定钻孔内每个层段的岩性类型。
所述步骤二还包括:采用频率直方图分析步骤一中预处理后的测井曲线对地层中不同岩性的测井响应特征,确定对地层不同岩性反应敏感的测井曲线有六条,包括:自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线;敏感曲线表现为单条测井曲线在不同的岩性在频率直方图中具有不同的分布范围,且没有重叠区间,确定其中一条最敏感的测井曲线,命名为L。
所述步骤三还包括:
对步骤二中确定的敏感测井曲线L进行归一化处理,使其数值范围分布在[0,1]之间,具体归一化处理公式(1)如下:
式中,L1为敏感测井曲线归一化后的曲线,L为敏感测井曲线,Lmin为敏感测井曲线中的最小值,Lmax为敏感测井曲线中的最大值。
所述步骤四还包括:
步骤4.1:对归一化后的敏感测井曲线L1进行Mallet分解,分解过程如公式(2)所示:
其中,f(t)为归一化后的敏感测井曲线L1,t为深度变量,与测井曲线的测量深度有关,k为位移因子,φ()为尺度函数, h1(t-2k)为高通滤波函数,h0(t-2k)为低通滤波函数,为小波函数,ψ()为尺度函数的正交函数,为信号第(j-1)层分解的低频小波系数,信号第(j-1)层分解的高频小波系数;为信号第(j-2)分解的低频部分;
步骤4.2:确定最优小波函数:对归一化后的敏感测井曲线L1进行不同类型小波函数相同尺度的分解,利用分解后的低频小波系数结合输入的每个层段的岩性数量和类型识别地层岩石类型,将不同类型小波函数对应的岩性识别结果与地质岩性编录结果对比,确定识别地层岩性最优的小波函数W;
步骤4.3确定最优分解尺度:对归一化后的敏感测井曲线L1进行最优小波函数W不同分尺度的分解,利用分解后的低频小波系数结合输入的每个层段的岩性数量和类型识别地层岩石类型,将不同分解尺度对应的岩性识别结果与地质岩性编录结果对比,确定识别地层岩性最优分解尺度N。
本发明的有益效果为:本发明提供了一种基于测井曲线小波Mallet算法的岩石类型识别方法,实现了基于单条测井曲线小波变换对岩石类型识别,在野外实际生产中,该方法利用小波Mallet算法对三侧向电阻率进行分解,实现地层岩性的高效识别,计算速度快,准确性高,能够满足地层岩性的精细化解释以及野外实际生产的需求。
附图说明
图1为本发明设计的基于测井曲线小波Mallet算法的岩石类型识别方法的流程图;
图2为实施例中ZKX-01钻孔80.00~224.74米测井岩性识别结果和地质编录岩性对比图;
图3为实施例中ZKX-01钻孔224.74~335.80米测井岩性识别结果和地质编录岩性对比图;
图4为实施例中ZKX-01钻孔335.80~580.00米测井岩性识别结果和地质编录岩性对比图;
具体实施方式
下面结合附图和实施例对本发明设计的基于测井曲线小波Mallet算法的岩石类型识别方法进行详细说明。
如图1所示:本发明设计的基于测井曲线小波Mallet算法的岩石类型识别方法,具体包括以下步骤:
步骤一:对野外原始测井曲线进行预处理
利用HD4002测井系统采集的井径、自然电位、自然伽马、深浅双侧向电阻率、声波时差、补偿密度和补偿中子等曲线进行预处理,包括曲线拼接、深度校正、非点剔除、数字化处理、平滑滤波、环境校正等。
步骤二:分析上述步骤一中预处理后的测井曲线对不同岩性的测井响应特征,确定对不同岩性反映敏感的测井曲线
采用频率直方图分析上述步骤一中预处理后的测井曲线对地层中不同岩性的测井响应特征,确定对地层不同岩性反应敏感的测井曲线有6条,具体包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线;敏感曲线表现为单条测井曲线在不同的岩性在频率直方图中具有不同的分布范围,且没有重叠区间。确定一条最敏感的测井曲线,命名为L;
步骤三对上述步骤二中确定的敏感测井曲线进行归一化处理,使其数值分布在[0,1]之间
为了保证敏感测井曲线在各个层段中对相同岩性的贡献程度一致,对所述敏感测井曲线进行归一化处理,使其数值范围分布在[0,1]之间,具体归一化处理公式如下:
式中,L1为敏感测井曲线归一化后的曲线,L为敏感曲线,Lmin为敏感测井曲线中的最小值,Lmax为敏感测井曲线中的最大值。
步骤四对步骤三归一化后的测井曲线L1进行Mallet分解,确定地层岩性识别效果最佳的最优小波函数和最优分解尺度,以及确定反应地层岩性信息的小波系数;
步骤4.1对测井曲线L1进行Mallet分解,分解过程如下公式:
其中,f(t)为归一化后的敏感测井曲线L1,t为深度变量,与测井曲线的测量深度有关,k为位移因子,φ()为尺度函数, h1(t-2k)为高通滤波函数,h0(t-2k)为低通滤波函数,为小波函数,ψ()为尺度函数的正交函数,为信号第(j-1)层分解的低频小波系数,信号第(j-1)层分解的高频小波系数;为信号第(j-2)分解的低频部分。
步骤4.2确定最优小波函数:对归一化后的敏感测井曲线L1进行不同类型小波函数(Haar小波、Symlet2小波、Morlet小波、Gauss3小波)相同尺度的分解,利用分解后的低频小波系数结合输入的每个层段的岩性数量和类型识别地层岩石类型,将不同类型小波函数对应的岩性识别结果与地质岩性编录结果对比,确定识别地层岩性最优的小波函数W;
步骤4.3确定最优分解尺度:对归一化后的敏感测井曲线L1进行最优小波函数W不同分尺度(2至8)的分解,利用分解后的低频小波系数结合输入的每个层段的岩性数量和类型识别地层岩石类型,将不同分解尺度对应的岩性识别结果与地质岩性编录结果对比,确定识别地层岩性最优分解尺度N;
步骤五根据步骤四确定的最优小波函数和最优分解尺度对未知岩性类型的钻孔进行岩性识别,确定钻孔内每个层段的岩性类型。
实施例:以黑龙江三江盆地ZKX-01钻孔为例,确定的敏感测井曲线为三侧向电阻率,最优小波函数为Haar小波,最优分解尺度为5。
利用Mallet算法对该钻孔80.00~480.00米的进行岩性识别,根据地质编录结果显示,该钻孔分为3层,其中80.00~224.74米有4种类型,分别为泥岩、粉砂岩、细砂岩和砾岩,224.74~335.80米有4种类型,分别为泥岩、粉砂岩、细砂岩和粗砂岩,335.80~580.00米有5种岩石类型,分别为泥岩、粉砂岩、细砂岩、粗砂岩和砾岩。岩性按照三侧向电阻率从小到大逐渐排列。
图2为ZKX-01钻孔80.00~224.74米的岩性识别结果,其中第一道为三侧向电阻率测井曲线,第二道为三侧向电阻率曲线的Haar小波5层分解后的主频小波系数,第三道为测井岩性识别结果和地质编录岩性对比图。
图3为ZKX-01钻孔224.74~335.80米的岩性识别结果。
图4为ZKX-01钻孔335.80~580.00米的岩性识别结果。钻孔ZKX-01在80.00~480.00m深度段,利用三侧向电阻率测井曲线的小波分析识别128个岩性段,地质编录(已通过测井资料调整岩心)显示有115个岩性段,两者具有很好的对应关系。
Claims (4)
1.基于测井曲线小波Mallet算法的岩石类型识别方法,其特征在于:包括以下步骤:
步骤一:对野外采集的原始测井曲线进行预处理,包括:曲线拼接、深度校正、非点剔除、数字化处理、平滑滤波、环境校正;需要采集的原始测井曲线包括:井径、自然电位、自然伽马、深浅双侧向电阻率、声波时差、补偿密度和补偿中子曲线;
步骤二:分析步骤一中预处理后的测井曲线对不同岩性的测井响应特征,确定对不同岩性反映敏感的测井曲线,命名为L;
步骤三:对步骤二中确定的敏感测井曲线L进行归一化处理,使其数值分布在[0,1]之间,归一化后的测井曲线命名为L1;
步骤四:对步骤三中归一化后测井曲线L1进行不同小波函数不同尺度的Mallet分解,根据输入的每个层段的岩性数量和类型,利用分解后低频小波系数识别每个层段的岩性类型,与调整岩心后的地质岩性编录资料对比分析,确定识别岩性的最优小波函数和分解尺度;
步骤五:根据步骤四确定的最优小波函数和最优分解尺度对未知岩性类型的钻孔进行岩性识别,确定钻孔内每个层段的岩性类型。
2.根据权利要求1所述的基于测井曲线小波Mallet算法的岩石类型识别方法,其特征在于:所述步骤二还包括:采用频率直方图分析步骤一中预处理后的测井曲线对地层中不同岩性的测井响应特征,确定对地层不同岩性反应敏感的测井曲线有六条,包括:自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、补偿密度曲线和补偿中子曲线;敏感曲线表现为单条测井曲线在不同的岩性在频率直方图中具有不同的分布范围,且没有重叠区间,确定其中一条最敏感的测井曲线,命名为L。
4.根据权利要求3所述的基于测井曲线小波Mallet算法的岩石类型识别方法,其特征在于:所述步骤四还包括:
步骤4.1:对归一化后的敏感测井曲线L1进行Mallet分解,分解过程如公式(2)所示:
其中,f(t)为归一化后的敏感测井曲线L1,t为深度变量,与测井曲线的测量深度有关,k为位移因子,φ()为尺度函数, h1(t-2k)为高通滤波函数,h0(t-2k)为低通滤波函数,为小波函数,ψ()为尺度函数的正交函数,为信号第(j-1)层分解的低频小波系数,信号第(j-1)层分解的高频小波系数;为信号第(j-2)分解的低频部分;
步骤4.2:确定最优小波函数:对归一化后的敏感测井曲线L1进行不同类型小波函数相同尺度的分解,利用分解后的低频小波系数结合输入的每个层段的岩性数量和类型识别地层岩石类型,将不同类型小波函数对应的岩性识别结果与地质岩性编录结果对比,确定识别地层岩性最优的小波函数W;
步骤4.3确定最优分解尺度:对归一化后的敏感测井曲线L1进行最优小波函数W不同分尺度的分解,利用分解后的低频小波系数结合输入的每个层段的岩性数量和类型识别地层岩石类型,将不同分解尺度对应的岩性识别结果与地质岩性编录结果对比,确定识别地层岩性最优分解尺度N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330239.4A CN111046328A (zh) | 2019-12-20 | 2019-12-20 | 基于测井曲线小波Mallet算法的岩石类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911330239.4A CN111046328A (zh) | 2019-12-20 | 2019-12-20 | 基于测井曲线小波Mallet算法的岩石类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046328A true CN111046328A (zh) | 2020-04-21 |
Family
ID=70238171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911330239.4A Pending CN111046328A (zh) | 2019-12-20 | 2019-12-20 | 基于测井曲线小波Mallet算法的岩石类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046328A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753958A (zh) * | 2020-06-22 | 2020-10-09 | 成都理工大学 | 基于测井数据深度学习的灯影组微生物岩微相识别方法 |
CN114002750A (zh) * | 2021-09-27 | 2022-02-01 | 中国石油大学(北京) | 页岩层序识别方法、装置、电子设备及存储介质 |
CN114063194A (zh) * | 2021-11-18 | 2022-02-18 | 核工业北京地质研究院 | 一种自然电位曲线的基线漂移校正方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078776A (zh) * | 2007-06-29 | 2007-11-28 | 西安奥华电子仪器有限责任公司 | 核测井数据多尺度处理方法 |
CN109085663A (zh) * | 2018-07-20 | 2018-12-25 | 中国矿业大学 | 一种致密砂岩储层层理缝识别方法 |
CN109407173A (zh) * | 2018-09-29 | 2019-03-01 | 核工业北京地质研究院 | 基于常规测井曲线的岩性精细化和自动化识别方法 |
-
2019
- 2019-12-20 CN CN201911330239.4A patent/CN111046328A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078776A (zh) * | 2007-06-29 | 2007-11-28 | 西安奥华电子仪器有限责任公司 | 核测井数据多尺度处理方法 |
CN109085663A (zh) * | 2018-07-20 | 2018-12-25 | 中国矿业大学 | 一种致密砂岩储层层理缝识别方法 |
CN109407173A (zh) * | 2018-09-29 | 2019-03-01 | 核工业北京地质研究院 | 基于常规测井曲线的岩性精细化和自动化识别方法 |
Non-Patent Citations (1)
Title |
---|
杨怀杰: "测井数据的小波分析方法研究——CCSD主孔数据为例" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753958A (zh) * | 2020-06-22 | 2020-10-09 | 成都理工大学 | 基于测井数据深度学习的灯影组微生物岩微相识别方法 |
CN114002750A (zh) * | 2021-09-27 | 2022-02-01 | 中国石油大学(北京) | 页岩层序识别方法、装置、电子设备及存储介质 |
CN114002750B (zh) * | 2021-09-27 | 2023-03-24 | 中国石油大学(北京) | 页岩层序识别方法、装置、电子设备及存储介质 |
CN114063194A (zh) * | 2021-11-18 | 2022-02-18 | 核工业北京地质研究院 | 一种自然电位曲线的基线漂移校正方法及系统 |
CN114063194B (zh) * | 2021-11-18 | 2023-10-03 | 核工业北京地质研究院 | 一种自然电位曲线的基线漂移校正方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Automatic lithology identification by applying LSTM to logging data: A case study in X tight rock reservoirs | |
CN111046328A (zh) | 基于测井曲线小波Mallet算法的岩石类型识别方法 | |
CN101575970A (zh) | 一种随钻岩性和油藏特性识别方法 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
US11313219B2 (en) | Real-time monopole sonic logging using physics-based artificial intelligence | |
CN113419284B (zh) | 一种基于聚类分析测井岩石物理相双甜点识别方法 | |
US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
Qifeng et al. | Logging-while-drilling formation dip interpretation based on long short-term memory | |
CN111487691A (zh) | 一种致密砂岩储层岩性及砂体结构定量识别方法 | |
WO2022159698A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
KR101893800B1 (ko) | 암석 물리학상 구축을 통한 퇴적환경 해석 방법 | |
Ali et al. | Integration of cluster analysis and rock physics for the identification of potential hydrocarbon reservoir | |
CN110847887B (zh) | 一种细粒沉积陆相页岩裂缝识别评价方法 | |
CN116641702A (zh) | 一种页岩气藏甜点区识别方法 | |
CN113109875B (zh) | 一种全波形速度场约束下的盐下碳酸盐岩储层反演方法 | |
CN113050168B (zh) | 基于阵列声波测井和声波远探测测井资料的裂缝有效性评价方法 | |
CN114482995A (zh) | 一种细粒沉积物泥质含量精细确定方法 | |
Aliouane et al. | Fractal analysis based on the continuous wavelet transform and lithofacies classification from well-logs data using the self-organizing map neural network | |
CN110687599B (zh) | 一种火成岩发育区井控自编码岩性识别方法 | |
CN111894571A (zh) | 一种基于岩性扫描测井资料的流体性质识别方法 | |
CN112630839A (zh) | 一种测井曲线标准化方法及系统 | |
CN113640880B (zh) | 砂岩型铀矿地震勘探方法和装置 | |
CN111308557A (zh) | 一种地质与工程参数约束的微地震数据去噪方法 | |
CN110656933B (zh) | 一种破碎带裂隙密度确定方法及系统 | |
CN113640873B (zh) | 砂岩型铀矿叠前地震预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |