CN111104819A - 模型生成方法及装置、岩性识别方法及装置 - Google Patents
模型生成方法及装置、岩性识别方法及装置 Download PDFInfo
- Publication number
- CN111104819A CN111104819A CN201811251307.3A CN201811251307A CN111104819A CN 111104819 A CN111104819 A CN 111104819A CN 201811251307 A CN201811251307 A CN 201811251307A CN 111104819 A CN111104819 A CN 111104819A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- lithology
- logging
- logging data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 26
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 13
- 238000013138 pruning Methods 0.000 description 13
- 239000011435 rock Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229930195733 hydrocarbon Natural products 0.000 description 5
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005251 gamma ray Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种模型生成方法及装置和一种岩性识别方法及装置,该模型生成方法包括:获得训练数据集;训练数据集包括多组实例,每组实例包括至少一个测井数据和一个数据标注,至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,数据标注用于标注至少一个测井数据对应不同地层深度的岩性;利用训练数据集对预先构建的模型进行训练,得到训练后的模型;训练后的模型用于对待测区域不同地层深度的岩性进行识别。能够实现数据处理的高度自动化、岩性识别的智能化,提高岩性识别的速度和精度,减轻解释人员的劳动强度,降低对解释人员实践经验和专业技术知识的要求。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种模型生成方法及装置和一种岩性识别方法及装置。
背景技术
在油气勘探中,对井眼地层进行岩性识别、储层划分是对油气层识别和评价的基础,也是研究油藏沉积模式的重要依据。通常,岩性识别的实现方法有三种:岩屑录井、钻井取心和测井解释。针对岩屑录井,由于迟到时间的存在,以及一些人为的因素,会存在着一定的误差。而钻井取心是目前进行岩性识别最可靠最直观的方法,但油田开发取心井一般较少,取心的井段有限,无法获取井眼地层中全井段的岩性信息。因此,目前常用的岩性识别手段是根据测井资料采集到的全井段高分辨率的地下岩石物理响应信息,对地下岩石物理响应信息进行测井数据的解释分析,从而实现全井段地层的岩性识别。
地下岩石物理响应信息,具体可以包括自然电位曲线、自然伽马曲线、电阻率及其他测井曲线等。目前,一般采用人工解释的方法利用地下岩石物理响应信息对全井段地层的岩性进行识别。然而,实际地层的结构复杂、具有非均质性的特性,对解释人员的技术水平要求较高,导致人工分层存在随机性较强、解释精度和效果较差、层界面深度不精确的问题,又会耗费解释人员大量的劳动时间,岩性识别的效率不高。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种模型生成方法及装置和一种岩性识别方法及装置。
本申请实施例提供的一种模型生成方法,包括:
获得训练数据集;所述训练数据集包括多组实例,每组所述实例包括至少一个测井数据和一个数据标注,所述至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,所述数据标注用于标注所述至少一个测井数据对应不同地层深度的岩性;
利用所述训练数据集对预先构建的模型进行训练,得到训练后的模型;所述训练后的模型用于对待测区域不同地层深度的岩性进行识别。
可选的,所述至少一个测井数据包括所述目标区域的自然伽马曲线和自然电位曲线。
可选的,所述获得训练数据集,具体包括:
获取所述至少一个测井数据及其对应的测井解释;所述测井解释包括不同地层深度的岩性解释结论;
根据所述测井解释,得到所述至少一个测井数据对应的一个数据标注后,将所述至少一个测井数据和得到的数据标注作为一组所述实例。
可选的,获取所述至少一个测井数据,之后还包括:
对所述至少一个测井数据进行预处理和/或数据归一化处理;
所述预处理包括单位转换、深度对齐、曲线修改和拼接、曲线平滑、环境校正、井斜校正和测井数据标准化中的任意一个或多个。
可选的,所述模型为决策树,所述方法还包括:
按照预设规则,对所述训练后的模型的进行剪枝处理。
本申请实施例提供的一种岩性识别方法,包括:
获得待测区域的至少一个目标测井数据;
将所述至少一个目标测井数据输入识别模型;
根据所述识别模型的输出,得到所述待测区域不同地层深度的岩性;
其中,所述识别模型根据上述实施例提供的模型生成方法中任意一种得到;输入所述识别模型的目标测井数据与所述识别模型的训练数据集中每组实例包括的测井数据相同。
本申请实施例提供的一种模型生成装置,包括:获取单元和训练单元;
所述获取单元,用于获得训练数据集;所述训练数据集包括多组实例,每组所述实例包括至少一个测井数据和一个数据标注,所述至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,所述数据标注用于标注所述至少一个测井数据对应不同地层深度的岩性;
所述训练单元,用于利用所述训练数据集对预先构建的模型进行训练,得到训练后的模型;所述训练后的模型用于对待测区域不同地层深度的岩性进行识别。
可选的,所述至少一个测井数据包括所述目标区域的自然伽马曲线和自然电位曲线。
可选的,所述获取单元,具体包括:获取子单元和标注子单元;
所述获取子单元,用于获取所述至少一个测井数据及其对应的测井解释;所述测井解释包括不同地层深度的岩性解释结论;
所述标注子单元,用于根据所述测井解释,得到所述至少一个测井数据对应的一个数据标注后,将所述至少一个测井数据和得到的数据标注作为一组所述实例。
可选的,所述获取单元,还包括:处理子单元;
所述处理子单元,用于对所述至少一个测井数据进行预处理和/或数据归一化处理;
所述预处理包括单位转换、深度对齐、曲线修改和拼接、曲线平滑、环境校正、井斜校正和测井数据标准化中的任意一个或多个。
可选的,所述模型为决策树,所述装置还包括:处理单元;
所述处理单元,用于按照预设规则,对所述训练后的模型的进行剪枝处理。
本申请实施例提供的一种岩性识别装置,包括:数据获取单元、模型输入单元和岩性确定单元;
所述数据获取单元,用于获得待测区域的至少一个目标测井数据;
所述模型输入单元,用于将所述至少一个目标测井数据输入识别模型;
所述岩性确定单元,用于根据所述识别模型的输出,得到所述待测区域不同地层深度的岩性;
其中,所述识别模型根据上述实施例提供的模型生成方法中任意一种得到;输入所述识别模型的目标测井数据与所述识别模型的训练数据集中每组实例包括的测井数据相同。
本申请实施例还提供了一种存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现如上述实施例提供的模型生成方法中任意一种,或者,实现如上述实施例提供的岩性识别方法中任意一种。
本申请实施例还提供了一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行如上述实施例提供的模型生成方法中任意一种,或者,执行如上述实施例提供的岩性识别方法中任意一种。
借由上述技术方案,本申请提供的一种模型生成方法及装置,利用预先对目标区域检测得到的至少一个测井数据及其对应不同地层深度岩性的数据标注组成的多组实例,对预先构建的模型进行训练,得到用于对待测区域不同地层深度的岩性进行识别。本申请充分利用测井曲线所蕴含的岩性信息,研究砂泥岩剖面下不同的特征规律,实现岩性的自动判断及划分,能够实现数据处理的高度自动化、岩性识别的智能化,提高岩性识别的速度和精度,减轻解释人员的劳动强度,降低对解释人员实践经验和专业技术知识的要求,准确高效,无人工随机性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请实施例提供的一种模型生成方法的流程示意图;
图2示出了本申请具体实施例提供的一个目标区域的多个测井数据;
图3示出了本申请具体实施例提供的一组实例;
图4示出了本申请实施例提供的一种岩性识别方法的流程示意图;
图5示出了本申请实施例提供的一种模型生成装置的结构示意图;
图6示出了本申请实施例提供的一种岩性识别装置的流结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
目前,对测井数据的解释分析一般采用人工方法进行,借助测井解释专业应用软件,参考已有的录井、岩心、试油及生产测试等数据,对待测区域不同地层深度的岩性进行识别。通常,可以用待测区域的自然伽马曲线、自然电位曲线结合电阻率及其他测井曲线(如井径等)反映的岩性变化来划分岩性及界面。
其中,自然电位曲线,即自然电位随井深变化的曲线,对划分砂泥岩剖面及砂岩渗透层直观而有效,常用曲线“半幅点”(即幅值为曲线中最高幅值一半的采用点)划分渗透层的顶底界,地层厚度的不同,曲线的形态及实际层位界面“半幅点”的位置会有变化。类似的,自然伽马曲线,即利用伽马射线探测器测量岩石总的自然伽马射线强度曲线,在砂泥岩剖面中会有不同的数值显示,砂岩显示低值,随着岩层中泥质含量的增加,曲线的数值逐渐增大,可作为砂泥岩剖面划分的依据。但是,由于实际地层的非均质性,对解释人员的技术水平要求较高,导致人工分层存在随机性较强,解释精度和效果较差,层界面深度不精确的问题,解释工作同样会耗费解释人员大量的劳动时间。
为此,本申请实施例提供了一种模型生成方法及装置和一种岩性识别方法及装置,充分利用测井曲线所蕴含的岩性信息,利用测井得到的测井数据进行模型的训练,训练得到的模型可以用于实现岩性的自动判断及划分,能够实现数据处理的高度自动化、岩性识别的智能化,提高岩性识别的速度和精度,减轻解释人员的劳动强度。
基于上述思想,为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。
参见图1,该图为本申请实施例提供的一种模型生成方法的流程示意图。
本申请实施例提供的模型生成方法,包括如下步骤S101-S102。
S101:获得训练数据集。
在本申请实施例中,得到的训练数据集包括多组实例,每组实例包括至少一个测井数据和一个数据标注。其中,至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,数据标注用于标注至少一个测井数据对应不同地层深度的岩性。
需要说明的是,每组实例包括的至少一个测井数据是对同一目标区域进行测井实验采集得到的。实际应用中,可以通过对同一目标区域使用不同的测井仪器,采集记录随着深度变化的地层信息测量数值结果,得到的多个测井数据中的任意一个或多个为一组实例中所包括的至少一个测井数据。例如,自然伽马曲线是利用伽马射线探测器测量岩石总的自然伽马射线强度得到的射线强度随深度变化的曲线,自然电位曲线是利用电位测量设备测得的自然电位随井深变化的曲线。图2举例示出了一个目标区域的多种测井数据的示意图,包括自然伽马曲线、自然电位曲线和井径。
这里还需要说明的是,本申请发明人在研究中发现,由于实际地层的非均质性,单一的测井曲线很难表征地层的真实性,因此,在本申请实施例一些可能的实现方式中,为了进一步提高对岩性识别的准确性,在每组实例中包括同一目标区域的多个不同的测井数据用于模型的训练,以更加准确的描述不同地层深度的岩性特征,提高模型预测即岩性识别的准确性。在一个例子中,每组实例至少包括目标区域的自然伽马曲线和自然电位曲线。
在本申请实施例一些可能的实现方式中,为了提高数据的精度,在步骤S101之后还可以包括对至少一个测井数据进行预处理和/或数据归一化处理的步骤。
其中,预处理步骤对初始采集到的原始数据进行编辑和校正等处理,具体可以包括单位转换、深度对齐、曲线修改和拼接、曲线平滑、环境校正、井斜校正和测井数据标准化中的任意一个或多个,具体处理过程这里不再一一赘述。
归一化处理是指令曲线的波动范围缩放到0至1之间。在一个例子中,可以取曲线上最大值对应于1、最小值对应于0,然后线性地将该曲线上所有值换算到0至1之间,以实现曲线的归一化。归一化处理不仅消除了不同测井曲线在量纲上的差异,避免模型训练时倾向于重点考虑哪些量纲较小、数值较大的曲线,有利于提高模型的准确性,还统一了数据的范围可以使得训练得到的模型更加通用。
这里需要说明的是,本申请实施例对预处理和归一化处理的具体实现方式不进行限定,以上仅为示例性说明,不应视作对本申请的限制。
以上内容对如何得到每组实例中的至少一个测井数据进行了说明,下面举例说明如何得到每组实例所包括的数据标注。
在本申请实施例一些可能的实现方式中,步骤S101具体可以包括:
S1011:获取目标区域的至少一个测井数据及其对应的测井解释。
在本申请实施例中,测井解释包括对目标区域内不同地层深度的岩性解释结论,可以是通过有经验的解释人员根据钻井、录井、岩心、测井资料以及后续的生产测试数据进行验证的准确层位数据等参考数据解释得到,测井解释的具体结论(如该地层深度是砂岩还是泥岩、是火山岩还是变质岩等)可以根据实际需求具体设定。由于利用有经验的解释人员的测井解释进行模型的训练,可以使得该人员的知识经验可以得到高效的转化和复用,在保证岩性识别的准确度的基础上减轻经验的解释人员的工作强度,测井数据的获得方式参见上面的相关说明即可,这里不再赘述。
S1012:根据测井解释,得到至少一个测井数据对应的一个数据标注后,将至少一个测井数据和得到的数据标注作为一组实例。
可以理解的是,数据标注根据测井解释得到。在一个具体的场景中,数据标注可以是对目标区域不同地层深度是泥岩还是砂岩进行的标注,由于砂泥岩油气层储层类型主要为泥岩、砂岩两种岩性,其中砂岩为储集层,利用这种数据标注可以对待测区域内地层中的储集层进行初步的划分和确定。储集层指的是具有连通孔隙、允许油气在其中储存和渗滤的岩层;储集层的孔渗性越好则有越有利于储集油气,储集层的概念仅说明了储集层具备了储集油气的能力,并非所有的储集层都已经储集了油气。在另一个具体的场景中,数据标注还可以是对目标区域不同地层深度是火山岩还是变质岩进行标注,或者酸性岩和基性岩进行标注。
图3结合图2的例子以砂岩和泥岩为例,举例示出了一组实例中的测井数据和对应的数据标注。为了方便编程处理,可以在数据标注中用0表示泥岩,用1表示砂岩,本申请对此不进行限定。
S102:利用训练数据集对预先构建的模型进行训练,得到训练后的模型。
在本申请实施例中,训练后的模型可以用于对待测区域不同地层深度的岩性进行识别,识别的结果与训练数据集中包括的数据标注相关,实际应用中,可以利用任意一种机器学习算法进行模型的训练,预先构建的模型可以是神经网络模型、任意一种分类器、任意一种决策树等,本申请实施例不进行限定。
以决策树(decision tree)为例,其代表的是对象属性与对象值之间的一种映射关系。决策树有几种生成方法:分类树、回归树、分类回归(Classification AndRegression Trees,CART)树和卡方自动交互检测法(Chi-Square Automatic InteractionDetector,CHAID)等,本申请实施例不限定决策树的生成方法。
当训练后的模型为决策树时,在本申请实施例一些可能的实现方式中,步骤S102之后还可以包括:
按照预设规则,对训练后的模型的进行剪枝处理,以降低模型的复杂度、同时增强模型泛化能力。
剪枝是决策树停止分支的方法之一,剪枝有分预先剪枝和后剪枝两种。预先剪枝是在树的生长过程中设定一个指标,当达到该指标时就停止生长,这样做容易产生“视界局限”,就是一旦停止分支,使得节点N成为叶节点,就断绝了其后继节点进行“好”的分支操作的任何可能性。不严格的说这会已停止的分支会误导学习算法,导致产生的树不纯度降差最大的地方过分靠近根节点。后剪枝中树首先要充分生长,直到叶节点都有最小的不纯度值为止,因而可以克服“视界局限”。然后对所有相邻的成对叶节点考虑是否消去它们,如果消去能引起令人满意的不纯度增长,那么执行消去,并令它们的公共父节点成为新的叶节点。这种“合并”叶节点的做法和节点分支的过程恰好相反,经过剪枝后叶节点常常会分布在很宽的层次上,树也变得非平衡。后剪枝技术的优点是克服了“视界局限”效应,而且无需保留部分样本用于交叉验证,所以可以充分利用全部训练集的信息。在具体实施时,可以根据训练数据集中数据的分布情况以及对于测试集预测效果的分析,对决策树进行适当的剪枝处理,这里不再赘述。
还需要说明的是,在实际应用中,随着测井数据的丰富以及测井解释的更新,可以根据新得到的测井数据和其对应的测井解释,或根据测井数据和新的测井解释得到新的实例作为训练数据集对训练后的模型进行更新,实现模型的迭代更新优化,可以使训练得到的模型更贴近地质构造的演变进程,从而使得模型对岩性识别的预测精度能够始终保持在高水平。
在本申请实施例中,利用预先对目标区域检测得到的至少一个测井数据及其对应不同地层深度岩性的数据标注组成的多组实例,对预先构建的模型进行训练,得到用于对待测区域不同地层深度的岩性进行识别。本申请充分利用测井曲线所蕴含的岩性信息,研究砂泥岩剖面下不同的特征规律,实现岩性的自动判断及划分,能够实现数据处理的高度自动化、岩性识别的智能化,提高岩性识别的速度和精度,减轻解释人员的劳动强度,降低对解释人员实践经验和专业技术知识的要求,识别结果准确、无人工随机性,识别过程高效。
基于上述实施例提供的模型生成方法,本申请实施例还提供了一种利用生成的模型进行岩性识别的方法。
参见图4,该图为本申请实施例提供的一种岩性识别方法的流程示意图。
本申请实施例提供的岩性识别方法,包括如下步骤S401-S403。
S401:获得待测区域的至少一个目标测井数据。
S402:将至少一个目标测井数据输入识别模型。
S403:根据识别模型的输出,得到待测区域不同地层深度的岩性。
在本申请实施例中,输入的识别模型预先是根据上述实施例提供的模型生成方法中的任意一种得到的,识别模型的得到方法具体参见上面的相关说明即可,这里不再赘述。这里需要说明的是,为了得到准确的岩性识别结果,输入模型的至少一个目标测井数据需要与识别模型训练得到是所用的训练数据集中每组实例包括的测井数据相同。例如,每组实例包括自然伽马曲线和自然电位曲线,则步骤S402中输入识别模型的至少一个目标测井曲线为待测区域的自然伽马曲线和自然电位曲线。
在本申请实施例中,预先利用测井曲线所蕴含的岩性信息得到识别模型后,利用该识别模型和待测区域的目标测井曲线对待区域不同地层深度的岩性进行识别,不仅能够提高岩性识别的速度和精度,识别结果准确、无人工随机性,识别过程高效,还能够减轻解释人员的劳动强度,降低对解释人员实践经验和专业技术知识的要求。
基于上述实施例提供的模型生成方法,本申请实施例还提供了一种模型生成方法。
参见图5,该图为本申请实施例提供的一种模型生成装置的结构示意图。
本申请实施例提供的模型生成装置,包括:获取单元501和训练单元502;
获取单元501,用于获得训练数据集;训练数据集包括多组实例,每组实例包括至少一个测井数据和一个数据标注,至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,数据标注用于标注至少一个测井数据对应不同地层深度的岩性;
训练单元502,用于利用训练数据集对预先构建的模型进行训练,得到训练后的模型;训练后的模型用于对待测区域不同地层深度的岩性进行识别。
可选的,至少一个测井数据包括目标区域的自然伽马曲线和自然电位曲线。
在本申请实施例一些可能的实现方式中,获取单元501,具体可以包括:获取子单元和标注子单元;
获取子单元,用于获取至少一个测井数据及其对应的测井解释;测井解释包括不同地层深度的岩性解释结论;
标注子单元,用于根据测井解释,得到至少一个测井数据对应的一个数据标注后,将至少一个测井数据和得到的数据标注作为一组实例。
在本申请实施例一些可能的实现方式中,获取单元501,还可以包括:处理子单元;
处理子单元,用于对至少一个测井数据进行预处理和/或数据归一化处理;
预处理包括单位转换、深度对齐、曲线修改和拼接、曲线平滑、环境校正、井斜校正和测井数据标准化中的任意一个或多个。
可选的,训练得到的模型为决策树,该装置还可以包括:处理单元;
处理单元,用于按照预设规则,对训练后的模型的进行剪枝处理。
在本申请实施例中,利用预先对目标区域检测得到的至少一个测井数据及其对应不同地层深度岩性的数据标注组成的多组实例,对预先构建的模型进行训练,得到用于对待测区域不同地层深度的岩性进行识别。本申请充分利用测井曲线所蕴含的岩性信息,研究砂泥岩剖面下不同的特征规律,实现岩性的自动判断及划分,能够实现数据处理的高度自动化、岩性识别的智能化,提高岩性识别的速度和精度,减轻解释人员的劳动强度,降低对解释人员实践经验和专业技术知识的要求,识别结果准确、无人工随机性,识别过程高效。
基于上述实施例提供的模型生成方法和岩性识别方法,本申请实施例还提供了一种岩性识别装置。
参见图6,该图为本申请实施例提供的一种岩性识别装置的结构示意图。
本申请实施例提供的岩性识别装置,包括:数据获取单元601、模型输入单元602和岩性确定单元603;
数据获取单元601,用于获得待测区域的至少一个目标测井数据;
模型输入单元602,用于将至少一个目标测井数据输入识别模型;
岩性确定单元603,用于根据识别模型的输出,得到待测区域不同地层深度的岩性;
其中,识别模型根据上述实施例提供的模型生成方法中的任意一种得到;输入识别模型的目标测井数据与识别模型的训练数据集中每组实例包括的测井数据相同。
在本申请实施例中,预先利用测井曲线所蕴含的岩性信息得到识别模型后,利用该识别模型和待测区域的目标测井曲线对待区域不同地层深度的岩性进行识别,不仅能够提高岩性识别的速度和精度,识别结果准确、无人工随机性,识别过程高效,还能够减轻解释人员的劳动强度,降低对解释人员实践经验和专业技术知识的要求。
所述模型生成装置和岩性识别装置均包括处理器和存储器,上述获取单元、训练单元、数据获取单元、模型输入单元和岩性确定单元等均作为程序单元存储在对应的存储器中,由对应的处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来能够实现数据处理的高度自动化、岩性识别的智能化,提高岩性识别的速度和精度,减轻解释人员的劳动强度,降低对解释人员实践经验和专业技术知识的要求,准确高效,无人工随机性。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM),存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述模型生成方法或所述岩性识别方法。
本申请实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述模型生成方法或所述岩性识别方法。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
获得训练数据集;所述训练数据集包括多组实例,每组所述实例包括至少一个测井数据和一个数据标注,所述至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,所述数据标注用于标注所述至少一个测井数据对应不同地层深度的岩性;
利用所述训练数据集对预先构建的模型进行训练,得到训练后的模型;所述训练后的模型用于对待测区域不同地层深度的岩性进行识别。
可选的,所述至少一个测井数据包括所述目标区域的自然伽马曲线和自然电位曲线。
可选的,所述获得训练数据集,具体包括:
获取所述至少一个测井数据及其对应的测井解释;所述测井解释包括不同地层深度的岩性解释结论;
根据所述测井解释,得到所述至少一个测井数据对应的一个数据标注后,将所述至少一个测井数据和得到的数据标注作为一组所述实例。
可选的,获取所述至少一个测井数据,之后还包括:
对所述至少一个测井数据进行预处理和/或数据归一化处理;
所述预处理包括单位转换、深度对齐、曲线修改和拼接、曲线平滑、环境校正、井斜校正和测井数据标准化中的任意一个或多个。
可选的,所述模型为决策树,所述方法还包括:
按照预设规则,对所述训练后的模型的进行剪枝处理。
或者,实现以下步骤:
获得待测区域的至少一个目标测井数据;
将所述至少一个目标测井数据输入识别模型;
根据所述识别模型的输出,得到所述待测区域不同地层深度的岩性;
其中,所述识别模型根据上述实施例提供的模型生成方法中的任意一种得到;输入所述识别模型的目标测井数据与所述识别模型的训练数据集中每组实例包括的测井数据相同。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获得训练数据集;所述训练数据集包括多组实例,每组所述实例包括至少一个测井数据和一个数据标注,所述至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,所述数据标注用于标注所述至少一个测井数据对应不同地层深度的岩性;
利用所述训练数据集对预先构建的模型进行训练,得到训练后的模型;所述训练后的模型用于对待测区域不同地层深度的岩性进行识别。
可选的,所述至少一个测井数据包括所述目标区域的自然伽马曲线和自然电位曲线。
可选的,所述获得训练数据集,具体包括:
获取所述至少一个测井数据及其对应的测井解释;所述测井解释包括不同地层深度的岩性解释结论;
根据所述测井解释,得到所述至少一个测井数据对应的一个数据标注后,将所述至少一个测井数据和得到的数据标注作为一组所述实例。
可选的,获取所述至少一个测井数据,之后还包括:
对所述至少一个测井数据进行预处理和/或数据归一化处理;
所述预处理包括单位转换、深度对齐、曲线修改和拼接、曲线平滑、环境校正、井斜校正和测井数据标准化中的任意一个或多个。
可选的,所述模型为决策树,所述方法还包括:
按照预设规则,对所述训练后的模型的进行剪枝处理。
或者,有如下方法步骤的程序:
获得待测区域的至少一个目标测井数据;
将所述至少一个目标测井数据输入识别模型;
根据所述识别模型的输出,得到所述待测区域不同地层深度的岩性;
其中,所述识别模型根据上述实施例提供的模型生成方法中的任意一种得到;输入所述识别模型的目标测井数据与所述识别模型的训练数据集中每组实例包括的测井数据相同。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种模型生成方法,其特征在于,所述方法包括:
获得训练数据集;所述训练数据集包括多组实例,每组所述实例包括至少一个测井数据和一个数据标注,所述至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,所述数据标注用于标注所述至少一个测井数据对应不同地层深度的岩性;
利用所述训练数据集对预先构建的模型进行训练,得到训练后的模型;所述训练后的模型用于对待测区域不同地层深度的岩性进行识别。
2.根据权利要求1所述的方法,其特征在于,所述至少一个测井数据包括所述目标区域的自然伽马曲线和自然电位曲线。
3.根据权利要求1所述的方法,其特征在于,所述获得训练数据集,具体包括:
获取所述至少一个测井数据及其对应的测井解释;所述测井解释包括不同地层深度的岩性解释结论;
根据所述测井解释,得到所述至少一个测井数据对应的一个数据标注后,将所述至少一个测井数据和得到的数据标注作为一组所述实例。
4.根据权利要求3所述的方法,其特征在于,获取所述至少一个测井数据,之后还包括:
对所述至少一个测井数据进行预处理和/或数据归一化处理;
所述预处理包括单位转换、深度对齐、曲线修改和拼接、曲线平滑、环境校正、井斜校正和测井数据标准化中的任意一个或多个。
5.一种岩性识别方法,其特征在于,所述方法包括:
获得待测区域的至少一个目标测井数据;
将所述至少一个目标测井数据输入识别模型;
根据所述识别模型的输出,得到所述待测区域不同地层深度的岩性;
其中,所述识别模型根据权利要求1-4任意一项所述的模型生成方法得到;输入所述识别模型的目标测井数据与所述识别模型的训练数据集中每组实例包括的测井数据相同。
6.一种模型生成装置,其特征在于,所述装置包括:获取单元和训练单元;
所述获取单元,用于获得训练数据集;所述训练数据集包括多组实例,每组所述实例包括至少一个测井数据和一个数据标注,所述至少一个测井数据包括目标区域的自然伽马曲线、自然电位曲线、电阻率和井径中的任意一个或多个,所述数据标注用于标注所述至少一个测井数据对应不同地层深度的岩性;
所述训练单元,用于利用所述训练数据集对预先构建的模型进行训练,得到训练后的模型;所述训练后的模型用于对待测区域不同地层深度的岩性进行识别。
7.根据权利要求6所述的装置,其特征在于,所述获取单元,具体包括:获取子单元和标注子单元;
所述获取子单元,用于获取所述至少一个测井数据及其对应的测井解释;所述测井解释包括不同地层深度的岩性解释结论;
所述标注子单元,用于根据所述测井解释,得到所述至少一个测井数据对应的一个数据标注后,将所述至少一个测井数据和得到的数据标注作为一组所述实例。
8.一种岩性识别装置,其特征在于,所述装置包括:数据获取单元、模型输入单元和岩性确定单元;
所述数据获取单元,用于获得待测区域的至少一个目标测井数据;
所述模型输入单元,用于将所述至少一个目标测井数据输入识别模型;
所述岩性确定单元,用于根据所述识别模型的输出,得到所述待测区域不同地层深度的岩性;
其中,所述识别模型根据权利要求1-4任意一项所述的模型生成方法得到;输入所述识别模型的目标测井数据与所述识别模型的训练数据集中每组实例包括的测井数据相同。
9.一种存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现如权利要求1-4任一项所述的模型生成方法,或者,实现如权利要求5所述的岩性识别方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行如权利要求1-4任一项所述的模型生成方法,或者,执行如权利要求5所述的岩性识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251307.3A CN111104819A (zh) | 2018-10-25 | 2018-10-25 | 模型生成方法及装置、岩性识别方法及装置 |
PCT/CN2019/097226 WO2020082824A1 (zh) | 2018-10-25 | 2019-07-23 | 模型生成方法及装置、岩性识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251307.3A CN111104819A (zh) | 2018-10-25 | 2018-10-25 | 模型生成方法及装置、岩性识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111104819A true CN111104819A (zh) | 2020-05-05 |
Family
ID=70330793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811251307.3A Pending CN111104819A (zh) | 2018-10-25 | 2018-10-25 | 模型生成方法及装置、岩性识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111104819A (zh) |
WO (1) | WO2020082824A1 (zh) |
Cited By (8)
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 |
CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
CN112144594A (zh) * | 2020-08-10 | 2020-12-29 | 中交第二航务工程局有限公司 | 一种基于tpot的铣槽机施工地层识别方法 |
CN112541523A (zh) * | 2020-11-17 | 2021-03-23 | 中海油田服务股份有限公司 | 一种泥质含量计算方法和装置 |
CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
CN112990320A (zh) * | 2021-03-19 | 2021-06-18 | 中国矿业大学(北京) | 一种岩性的分类方法、装置、电子设备及存储介质 |
CN114280689A (zh) * | 2021-12-20 | 2022-04-05 | 中国石油大学(北京) | 基于岩石物理知识确定储层孔隙度的方法、装置及设备 |
CN117633658A (zh) * | 2024-01-25 | 2024-03-01 | 北京大学 | 岩石储层岩性识别方法及系统 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598444A (zh) * | 2020-05-15 | 2020-08-28 | 中国石油天然气集团有限公司 | 基于卷积神经网络的测井岩性识别方法及系统 |
CN111767674B (zh) * | 2020-05-29 | 2024-03-29 | 中国科学技术大学 | 一种基于主动域适应的测井岩性识别方法 |
CN111862778B (zh) * | 2020-06-04 | 2022-04-19 | 中国地质科学院 | 一种浅层岩性地质图生成方法、装置、储存介质及设备 |
CN112348922B (zh) * | 2020-11-06 | 2023-04-07 | 长江大学 | 一种测井曲线自动绘制方法、系统、装置及存储介质 |
CN113344050B (zh) * | 2021-05-28 | 2024-03-26 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
CN114492521A (zh) * | 2022-01-21 | 2022-05-13 | 成都理工大学 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
CN114764423B (zh) * | 2022-05-23 | 2024-05-07 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种测井智能解释系统 |
CN115576028B (zh) * | 2022-12-01 | 2023-03-14 | 武汉盛华伟业科技股份有限公司 | 基于支持向量机的地质特征层预测方法及系统 |
CN115877464B (zh) * | 2022-12-30 | 2024-02-13 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN116070089A (zh) * | 2023-02-21 | 2023-05-05 | 北京金阳普泰石油技术股份有限公司 | 一种基于ResNet回归模型的地层划分方法、装置和计算机设备 |
CN116227308B (zh) * | 2023-05-09 | 2023-07-18 | 广东石油化工学院 | 一种浅层测井自然电场的数值模拟方法及系统 |
CN117872494A (zh) * | 2024-03-12 | 2024-04-12 | 北京科技大学 | 深部金属矿花岗岩岩石内部节理信息获取方法、预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011146734A2 (en) * | 2010-05-19 | 2011-11-24 | Schlumberger Canada Limited | Pulse neutron formation gas identification with lwd measurements |
CN107133670A (zh) * | 2017-04-21 | 2017-09-05 | 中国科学院大学 | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 |
CN108122066A (zh) * | 2017-11-13 | 2018-06-05 | 中国石油天然气股份有限公司 | 储层岩性的确定方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005224660A1 (en) * | 2004-03-18 | 2005-09-29 | Baker Hughes Incorporated | Rock properties prediction, categorization, and recognition from NMR echo-trains using linear and nonlinear regression |
CN105697002A (zh) * | 2014-11-24 | 2016-06-22 | 中国石油化工股份有限公司 | 一种用于识别煤系地层岩性的方法 |
CN105388531B (zh) * | 2015-10-19 | 2018-01-09 | 成都理工大学 | 一种基于支持向量回归机和核fisher分析的岩性识别方法 |
CN105488248B (zh) * | 2015-11-18 | 2017-02-15 | 山东科技大学 | 一种深部矿层和岩层的判定方法 |
CN106291713B (zh) * | 2016-08-24 | 2019-08-06 | 中国石油天然气股份有限公司 | 一种确定地层岩性的处理方法及装置 |
-
2018
- 2018-10-25 CN CN201811251307.3A patent/CN111104819A/zh active Pending
-
2019
- 2019-07-23 WO PCT/CN2019/097226 patent/WO2020082824A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011146734A2 (en) * | 2010-05-19 | 2011-11-24 | Schlumberger Canada Limited | Pulse neutron formation gas identification with lwd measurements |
CN107133670A (zh) * | 2017-04-21 | 2017-09-05 | 中国科学院大学 | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 |
CN108122066A (zh) * | 2017-11-13 | 2018-06-05 | 中国石油天然气股份有限公司 | 储层岩性的确定方法和装置 |
Cited By (12)
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 |
CN112144594A (zh) * | 2020-08-10 | 2020-12-29 | 中交第二航务工程局有限公司 | 一种基于tpot的铣槽机施工地层识别方法 |
CN111980688A (zh) * | 2020-09-01 | 2020-11-24 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
CN111980688B (zh) * | 2020-09-01 | 2021-11-23 | 中国石油集团渤海钻探工程有限公司 | 一种基于集成学习算法的井斜角度预测方法 |
CN112541523A (zh) * | 2020-11-17 | 2021-03-23 | 中海油田服务股份有限公司 | 一种泥质含量计算方法和装置 |
CN112541523B (zh) * | 2020-11-17 | 2023-02-28 | 中海油田服务股份有限公司 | 一种泥质含量计算方法和装置 |
CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
CN112801035B (zh) * | 2021-02-24 | 2023-04-07 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
CN112990320A (zh) * | 2021-03-19 | 2021-06-18 | 中国矿业大学(北京) | 一种岩性的分类方法、装置、电子设备及存储介质 |
CN114280689A (zh) * | 2021-12-20 | 2022-04-05 | 中国石油大学(北京) | 基于岩石物理知识确定储层孔隙度的方法、装置及设备 |
CN117633658A (zh) * | 2024-01-25 | 2024-03-01 | 北京大学 | 岩石储层岩性识别方法及系统 |
CN117633658B (zh) * | 2024-01-25 | 2024-04-19 | 北京大学 | 岩石储层岩性识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020082824A1 (zh) | 2020-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104819A (zh) | 模型生成方法及装置、岩性识别方法及装置 | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
CN111472751B (zh) | 测井解释方法、知识图谱构建方法及相关装置 | |
CN106896406B (zh) | 基于阻抗域属性预测优质储层的方法和装置 | |
US9176255B2 (en) | Permeability prediction systems and methods using quadratic discriminant analysis | |
CN107133670A (zh) | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 | |
CN107956465B (zh) | 基于关联井的全区多井测井曲线标准化方法及装置 | |
CN104977613A (zh) | 基于多信息的碳酸盐岩岩相古地理重构方法及装置 | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
CN110284873A (zh) | 一种油井储集性质的检测方法及检测装置 | |
CN107688037A (zh) | 一种利用核磁测井t2分布确定井下岩石粒度曲线的方法 | |
CN107422377B (zh) | 利用地震数据预测烃源岩总有机碳含量的方法及装置 | |
CN108035709A (zh) | 一种页岩储层质量的确定方法及装置 | |
CN108363114B (zh) | 致密油甜点区评价方法及装置 | |
US20170060913A1 (en) | System and method for managing subsurface data | |
AU2017279838B1 (en) | Method for classifying deep rock geofacies based on data mining | |
Al-Baldawi | Applying the cluster analysis technique in logfacies determination for Mishrif Formation, Amara oil field, South Eastern Iraq | |
CN106504107A (zh) | 一种确定油层射孔层位的方法及装置 | |
CN106970418B (zh) | 获取地震合成记录的方法及装置 | |
CN111752940B (zh) | 砂体连通关系数据的获取方法及装置 | |
CN112464964A (zh) | 钻井层段信息的确定方法、装置及电子设备 | |
Al Fattah et al. | Flow units delineation of multiple hydrocarbon reservoirs using hydraulic zonation technique via cluster analysis algorithm, Zeit Bay Field, Gulf of Suez, Egypt | |
Fernandez-Ibanez et al. | Quantitative assessment of karst pore volume in carbonate reservoirs using discrete karst networks | |
CN114488294A (zh) | 复合火成岩分类精细识别方法、识别装置及电子设备 | |
CN112392469A (zh) | 储层特征分类确定方法及装置 |
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 |