CN111080021A - 一种基于地质信息库的砂体构型cmm神经网络预测方法 - Google Patents
一种基于地质信息库的砂体构型cmm神经网络预测方法 Download PDFInfo
- Publication number
- CN111080021A CN111080021A CN201911344097.7A CN201911344097A CN111080021A CN 111080021 A CN111080021 A CN 111080021A CN 201911344097 A CN201911344097 A CN 201911344097A CN 111080021 A CN111080021 A CN 111080021A
- Authority
- CN
- China
- Prior art keywords
- sand body
- cmm
- neural network
- configuration
- geological information
- 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.)
- Granted
Links
- 239000004576 sand Substances 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 208000035126 Facies Diseases 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 244000007853 Sarothamnus scoparius Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06N3/045—Combinations of 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
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于地质信息库的砂体构型CMM神经网络预测方法，包括以下步骤：步骤S1，建立存储砂体构型的测井特征与地震特征的地质信息资料库；步骤S2，通过对步骤S1所建立的资料库中的测井特征与地震特征进行相关性分析，到敏感属性序列X，同时选用单井构型标签作为监督条件；步骤S3，将敏感属性序列X作为输入数据，在单井构型标签的监督下，利用CMM神经网络训练得到模型参数，再对无井区进行参数的智能预测，并输出预测标签。解决了以往方法在预测三角洲相砂体构型分布特征时所面临的准确度和效率的挑战，满足了油气田开发中日益增长的储层表征的高精度和智能化的需要。
Description
技术领域
本发明涉及地震资料解释油藏精细描述领域，更具体地，涉及一种基于地质信息库的三角洲相砂体构型CMM神经网络预测方法。
背景技术
三角洲相属于海陆过渡相的重要组成部分，通常具有以下特征：向陆方向通常以断层为界；砂、砾粗碎屑比例较大；纵向上呈楔形，平面呈扇形，向盆地方向变薄变细；规模常较小，常成群出现。河控三角洲相可以分为三个亚相：三角洲平原、三角洲前缘和前三角洲。三角洲平原亚相包括分流河道、陆上天然堤、决口扇、沼泽、淡水湖泊等微相；三角洲前缘亚相包括水下分流河道、水下天然堤、分流间湾、河口砂坝、远砂坝和前缘席状砂等微相；砂体形态在平面上呈朵状或指状，垂向上呈发散的扫帚状，向前三角洲方向插入泥质沉积中，与泥岩呈齿状交叉。高建设性的三角洲前缘砂坝的延长方向与岸线垂直，高破坏性的则发育与岸线平行的砂体。
三角洲相砂体在空间上的复杂接触关系造成了储层高度的非均质性，从而使看似连片发育的砂体储层实则被各种沉积间断面阻隔，形成剩余油。以往的圈闭勘探早已不能满足生产的需求，对储层高精度描述提出了更高的要求。在这个过程中，就需要综合利用多方位的数据来达到高精度储层描述的目的。因此，在关于砂体构型的地质认识的指导下，综合应用测井数据和地震数据，来高精度的定量表征三角洲相砂体构型在空间上的分布特征，从而指导井位布置，最终达到提高剩余油采收率的目的。
发明内容
为满足高精度预测的挑战，本发明提供了一种基于地质信息库的三角洲相砂体构型CMM神经网络预测方法，能够预测三角洲相砂体构型在空间上的分布特征。
本发明采用的技术方案是，一种基于地质信息库的砂体构型CMM神经网络预测方法，方法包括如下步骤：
步骤S1，从井数据中分析得到砂体单井构型结果，并从地震数据中提取属性集合，在砂体构型地质认识的指导下，分析得到敏感属性集合。从而建立存储砂体构型的测井特征与地震特征的地质信息资料库；
步骤S2，通过对步骤S1所建立的资料库中的测井特征与地震特征进行相关性分析，建立单井构型标签。并采用向量表示技术，将敏感属性向量化，得到敏感属性序列X，同时选用单井构型标签作为监督条件；
步骤S3，将敏感属性序列X作为输入数据，在单井构型标签的监督下，利用CMM神经网络训练得到模型参数，再对无井区进行参数的智能预测，并输出预测标签。
优选的，步骤S1包括如下子步骤：
步骤S11：通过测井曲线(如自然伽马，泥质含量等)来识别地下目的层砂体构型，将测井特征加入到地质信息资料库；
步骤S12：通过对三角洲相砂体构型进行属性敏感性分析，得到敏感属性集合，将地震特征加入到地质信息资料库；
优选的，步骤S2包括如下子步骤：
步骤S21：对测井特征与地震特征进行相关性分析，建立单井构型标签：标签1代表纯泥相，标签2代表单薄砂体相，标签3代表单厚砂体相，标签4代表砂泥多互层相，标签5代表带厚砂互层相，标签6代表薄砂互层相；
步骤S22：把数值化的敏感属性通过分箱得到每个属性的多维离散one-hot向量，将所有属性向量组合得到输入序列X：
其中，m代表敏感属性总个数；n代表每个属性的离散维度；
优选的，步骤S3包括如下子步骤：
步骤S31：所选用的CMM神经网络利用卷积操作得到属性特征，数据输入：
V＝conv2(W，X，″valid")+b
其中，V代表抽取的局部特征；W代表权重矩阵；X代表输入向量；valid代表卷积运算的类型；b代表偏置向量；
令数据滤波器为F，滑动步长为S，由于F的边长大于S，每次移动滑窗后导致数据特征的多次提取，现为序列X外围加一圈0，即Pad+1，重构后一次卷积的输出特征向量尺寸：
步骤S32：利用max-pooling技术对S31步骤提取的特征向量进行压缩，将得到的小邻域内的特征点整合获取新的特征向量：
P＝max(V)
步骤S33：通过多层感知机(MLP)，将提取到的主要特征输入到隐含层；加权求和，得到每一个隐含层的输出：
其中，i代表输入层节点，j代表当前神经元的下标，wij表示上一层各神经元到当前神经元的权重；xj代表当前层的输入；
之后选用softmax分类器得到每种构型的条件概率：
P(y|L，θ)＝softmax(W+b)
其中，θ代表所提出模型的全部参数；
步骤S34：预测构型
步骤S35：选用交叉熵损失函数计算损失值：
其中，y代表样本真实值，
代表样本预测值。
本发明一种基于地质信息库的砂体构型CMM神经网络预测方法的有益效果如下：本发明提出的建立三角洲相砂体构型的地质信息库，充分利用了砂体构型在测井数据和地震数据中的响应特征，并对其进行了相关性分析，得到井震匹配的砂体构型信息。地质信息库的建立有助于本发明的方法的实施，而且随着地质信息库的丰富将提高本方法的准确性。提出的CMM神经网络具有6层网络结构。所建立的模型不仅可以提高预测结果的准确率，而且，通过对特征向量的压缩可以减少数据冗余，提高执行效率。
附图说明
图1为本发明一种基于地质信息库的砂体构型CMM神经网络预测方法的总流程框图。
图2为本发明一种基于地质信息库的砂体构型CMM神经网络预测方法的CMM模型神经网络结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
请参阅图1所示，本发明提供了一种基于地质信息库的砂体构型CMM神经网络预测方法，包括以下步骤：
步骤S1，从井数据中分析得到砂体单井构型结果，并从地震数据中提取属性集合，在砂体构型地质认识的指导下，分析得到敏感属性集合，从而建立存储砂体构型的测井特征与地震特征的地质信息资料库。具体可以通过如下两个步骤实现：
步骤S11：通过测井曲线(如自然伽马，泥质含量等)来识别地下目的层砂体构型，将测井特征加入到地质信息资料库；
步骤S12：通过对三角洲相砂体构型进行属性敏感性分析，得到敏感属性集合，将地震特征加入到地质信息资料库。
步骤S2，通过对步骤S1所建立的资料库中的测井特征与地震特征进行相关性分析，建立单井构型标签。并采用向量表示技术，将敏感属性向量化，得到敏感属性序列X，同时选用单井构型标签作为监督条件。具体可以通过如下两个步骤实现：
步骤S21：对测井特征与地震特征进行相关性分析，建立单井构型标签：标签1代表纯泥相，标签2代表单薄砂体相，标签3代表单厚砂体相，标签4代表砂泥多互层相，标签5代表带厚砂互层相，标签6代表薄砂互层相；
步骤S22：把数值化的敏感属性通过分箱得到每个属性的多维离散one-hot向量，将所有属性向量组合得到输入序列X(敏感属性序列X)：
其中，m代表敏感属性总个数；n代表每个属性的离散维度，xmn表示在第m个敏感属性在第n个离散维度的数值。
与现有技术相比，现有技术在输入数据时，由于没有数据之间的相关性分析，会导致数据结果因为忽略数据之间的关联而不够准确，同时由于忽略数据之间的关联性，会导致数据结果的偏差；而本发明的地质信息库的建立，不仅分析了数据的敏感性，还对数据之间的相关性做了分析，为之后数据的计算的准确性奠定了基础。
步骤S3，将敏感属性序列X作为输入数据，在单井构型标签的监督下，利用CMM神经网络训练得到模型参数(所述CMM模型神经网络结构图如图2所示)，再对无井区进行参数的智能预测，并输出预测标签。
具体可以包括入戏按步骤：
步骤S31：通过CMM神经网络利用卷积操作得到属性特征，数据输入：
V＝conv2(W，X，″valid")+b
其中，V代表抽取的局部特征；W代表权重矩阵；X代表敏感属性序列X；valid代表卷积运算的类型；b代表偏置向量；
令数据滤波器为F，滑动步长为S，由于F的边长大于S，每次移动滑窗后导致数据特征的多次提取，现为序列X外围加一圈0，即Pad+1，重构后一次卷积的输出特征向量尺寸：
步骤S32：利用max-pooling技术对S31步骤提取的特征向量进行压缩，将得到的小邻域内的特征点整合获取新的特征向量：
P＝max(V)
步骤S33：通过多层感知机(MLP)，将提取到的主要特征输入到隐含层；加权求和，得到每一个隐含层的输出：
其中，i代表输入层节点，j代表当前神经元的下标，wij表示上一层各神经元到当前神经元的权重；xj代表当前层的输入；
之后选用softmax分类器得到每种构型的条件概率：
P(y|L，θ)＝softmax(W+b)
其中，θ代表所提出模型的全部参数；
步骤S34：预测构型
步骤S35：选用交叉熵损失函数计算损失值：
其中，y代表样本真实值，
代表样本预测值。
与现有技术相比，本发明通过cmm神经网络进行模型训练，不同于现有技术中的数据训练方法，能够提高训练结果的准确性。同时，在预测过程中cmm神经网络比传统神经网络多了一层，进一步保证了预测结构的准确性。
Claims (5)
1.一种基于地质信息库的砂体构型CMM神经网络预测方法，其特征在于，包括以下步骤：
步骤S1，根据砂体单井构型结果和属性集合，分析得到敏感属性集合，建立存储砂体构型的测井特征与地震特征的地质信息资料库；
步骤S2，通过对步骤S1所建立的地质信息资料库中的测井特征与地震特征进行相关性分析，建立单井构型标签，以单井构型标签作为监督条件，将敏感属性向量化，得到敏感属性序列X；
步骤S3，将步骤S2得到的敏感属性序列X作为输入数据，在单井构型标签的监督下，利用CMM神经网络训练得到模型参数，再对无井区进行参数预测，并输出预测标签，完成对三角洲相砂体构型的CMM神经网络预测方法。
2.如权利要求1所述的基于地质信息库的砂体构型CMM神经网络预测方法，其特征在于，在步骤S1中，所述砂体单井构型结果通过井数据中分析得到，所述属性集合根据地震数据提取，在砂体构型地质认识的指导下进行分析得到敏感属性集合。
3.如权利要求2所述的基于地质信息库的砂体构型CMM神经网络预测方法，其特征在于，所述地质信息资料库的建立，通过如下步骤实现：
步骤S11：通过测井曲线来识别地下目的层砂体构型，将地下目的层砂体构型做为测井特征加入到地质信息资料库；
步骤S12：通过对三角洲相砂体构型进行属性敏感性分析，得到敏感属性集合，将敏感属性集合作为地震特征加入到地质信息资料库。
4.如权利要求1所述的基于地质信息库的砂体构型CMM神经网络预测方法，其特征在于，步骤S2中，所述的敏感属性向量化方法，通过如下方法实现：
把数值化的敏感属性通过分箱得到每个属性的多维离散one-hot向量，将所有属性向量组合得到输入序列X：
其中，
m代表敏感属性总个数；
n代表每个敏感属性的离散维度。
5.如权利要求1所述的基于地质信息库的砂体构型CMM神经网络预测方法，其特征在于，所述的CMM神经网络模型参数及智能预测方法，通过如下步骤实现：
步骤S31：所选用的CMM神经网络利用卷积操作得到属性特征，数据输入：
V＝conv2(W，X，″valid″)+b
其中，V代表抽取的局部特征，W代表权重矩阵，X代表输入向量，valid代表卷积运算的类型，b代表偏置向量，
令数据滤波器为F，滑动步长为S，由于F的边长大于S，每次移动滑窗后导致数据特征的多次提取，现为序列X外围加一圈0，即Pad+1，重构后一次卷积的输出特征向量尺寸：
步骤S32：利用max-pooling技术对S31步骤提取的特征向量进行压缩，将得到的小邻域内的特征点整合获取新的特征向量：
P＝max(V)
步骤S33：通过多层感知机(MLP)，将提取到的主要特征输入到隐含层；加权求和，得到每一个隐含层的输出：
其中，i代表输入层节点，j代表当前神经元的下标，wij表示上一层各神经元到当前神经元的权重，xj代表当前层的输入，
之后选用softmax分类器得到每种构型的条件概率：
P(y|L，θ)＝softmax(W+b)
其中，θ代表所提出模型的全部参数；
步骤S34：预测构型
步骤S35：选用交叉熵损失函数计算损失值：
其中，y代表样本真实值；
代表样本预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911344097.7A CN111080021B (zh) | 2019-12-24 | 2019-12-24 | 一种基于地质信息库的砂体构型cmm神经网络预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911344097.7A CN111080021B (zh) | 2019-12-24 | 2019-12-24 | 一种基于地质信息库的砂体构型cmm神经网络预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080021A true CN111080021A (zh) | 2020-04-28 |
| CN111080021B CN111080021B (zh) | 2021-05-11 |
Family
ID=70317160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911344097.7A Active CN111080021B (zh) | 2019-12-24 | 2019-12-24 | 一种基于地质信息库的砂体构型cmm神经网络预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080021B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612906A (zh) * | 2020-05-25 | 2020-09-01 | 长江大学 | 一种三维地质模型的生成方法、系统及计算机存储介质 |
| CN112800158A (zh) * | 2021-01-19 | 2021-05-14 | 吉林大学 | 一种地质图的向量化表示方法 |
| CN112862169A (zh) * | 2021-01-28 | 2021-05-28 | 中国石油大学(北京) | 预测陆相泥页岩游离油含量的方法及装置 |
| CN113326784A (zh) * | 2021-06-01 | 2021-08-31 | 中国石油天然气集团有限公司 | 一种矿产资源的检测方法、系统及设备 |
| CN114167498A (zh) * | 2021-11-30 | 2022-03-11 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106405642A (zh) * | 2016-07-19 | 2017-02-15 | 西安石油大学 | 基于脱压实声波速度的地震反演储层预测方法 |
| CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
| CN107356958A (zh) * | 2017-07-21 | 2017-11-17 | 西南石油大学 | 一种基于地质信息约束的河流相储层分步地震相预测方法 |
| CA3030180A1 (en) * | 2016-10-14 | 2018-04-19 | Conocophillips Company | Connectivity based approach for field development optimization |
| CN107991716A (zh) * | 2017-10-13 | 2018-05-04 | 中国石油天然气股份有限公司 | 薄层的沉积相图和沉积体厚度的确定方法和装置 |
| CN109116421A (zh) * | 2018-10-23 | 2019-01-01 | 中海石油(中国)有限公司 | 一种辫状河三角洲储层统计学反演参数确定方法 |
| US20190010789A1 (en) * | 2017-07-07 | 2019-01-10 | Christopher Louis Beato | Method to determine a location for placing a well within a target reservoir |
| CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
-
2019
- 2019-12-24 CN CN201911344097.7A patent/CN111080021B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106405642A (zh) * | 2016-07-19 | 2017-02-15 | 西安石油大学 | 基于脱压实声波速度的地震反演储层预测方法 |
| CA3030180A1 (en) * | 2016-10-14 | 2018-04-19 | Conocophillips Company | Connectivity based approach for field development optimization |
| CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
| US20190010789A1 (en) * | 2017-07-07 | 2019-01-10 | Christopher Louis Beato | Method to determine a location for placing a well within a target reservoir |
| CN107356958A (zh) * | 2017-07-21 | 2017-11-17 | 西南石油大学 | 一种基于地质信息约束的河流相储层分步地震相预测方法 |
| CN107991716A (zh) * | 2017-10-13 | 2018-05-04 | 中国石油天然气股份有限公司 | 薄层的沉积相图和沉积体厚度的确定方法和装置 |
| CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
| CN109116421A (zh) * | 2018-10-23 | 2019-01-01 | 中海石油(中国)有限公司 | 一种辫状河三角洲储层统计学反演参数确定方法 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
Non-Patent Citations (2)
| Title |
|---|
| 尹成 等: "河流相砂体不同构型的地震属性分析", 《中国石油学会2019年物探技术研讨会论文集》 * |
| 胡光义 等: "河流相储层构型研究新理论、新方法——海上油田河流相复合砂体构型概念、内容及表征方法", 《古地理学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612906A (zh) * | 2020-05-25 | 2020-09-01 | 长江大学 | 一种三维地质模型的生成方法、系统及计算机存储介质 |
| CN111612906B (zh) * | 2020-05-25 | 2023-04-18 | 长江大学 | 一种三维地质模型的生成方法、系统及计算机存储介质 |
| CN112800158A (zh) * | 2021-01-19 | 2021-05-14 | 吉林大学 | 一种地质图的向量化表示方法 |
| CN112862169A (zh) * | 2021-01-28 | 2021-05-28 | 中国石油大学(北京) | 预测陆相泥页岩游离油含量的方法及装置 |
| CN112862169B (zh) * | 2021-01-28 | 2024-03-29 | 中国石油大学(北京) | 预测陆相泥页岩游离油含量的方法及装置 |
| CN113326784A (zh) * | 2021-06-01 | 2021-08-31 | 中国石油天然气集团有限公司 | 一种矿产资源的检测方法、系统及设备 |
| CN114167498A (zh) * | 2021-11-30 | 2022-03-11 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
| CN114167498B (zh) * | 2021-11-30 | 2023-09-15 | 中海石油(中国)有限公司 | 一种测井和地震属性联合的分步聚类分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080021B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
| CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
| Mohd Razak et al. | Convolutional neural networks (CNN) for feature-based model calibration under uncertain geologic scenarios | |
| Tahmasebi et al. | Multiple-point geostatistical modeling based on the cross-correlation functions | |
| CN108802812A (zh) | 一种井震融合的地层岩性反演方法 | |
| Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
| 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 | |
| CN111983691B (zh) | 一种多模型融合的储层预测方法及软件系统 | |
| CN109541685B (zh) | 一种河道砂体识别方法 | |
| CN110031895B (zh) | 一种基于图像缝合的多点地质统计学随机反演方法及装置 | |
| CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
| Tahmasebi et al. | Rapid learning-based and geologically consistent history matching | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| Korjani et al. | Reservoir characterization using fuzzy kriging and deep learning neural networks | |
| CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
| CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
| CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
| Ren et al. | High-resolution geostatistical modeling of an intensively drilled heavy oil reservoir, the BQ 10 block, Biyang Sag, Nanxiang Basin, China | |
| Rezaee et al. | Calibration of categorical simulations by evolutionary gradual deformation method | |
| CN106291675A (zh) | 一种基于基追踪技术的地震数据重构方法 | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| Liu et al. | Machine learning assisted recovery of subsurface energy: a review | |
| CN111965720A (zh) | 一种基于地-井联合获取水力传导系数的方法 | |
| CN113608258A (zh) | 一种构建高分辨率波阻抗反演标签的自洽深度学习方法 | |
| CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |