CN111472751A - 测井解释方法、知识图谱构建方法及相关装置 - Google Patents
测井解释方法、知识图谱构建方法及相关装置 Download PDFInfo
- Publication number
- CN111472751A CN111472751A CN201911380477.6A CN201911380477A CN111472751A CN 111472751 A CN111472751 A CN 111472751A CN 201911380477 A CN201911380477 A CN 201911380477A CN 111472751 A CN111472751 A CN 111472751A
- Authority
- CN
- China
- Prior art keywords
- logging
- knowledge
- geological
- parameters
- interpretation
- 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
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Agronomy & Crop Science (AREA)
- Mathematical Physics (AREA)
- Marine Sciences & Fisheries (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (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)
- Artificial Intelligence (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种测井解释方法、知识图谱构建方法及相关装置,其中测井解释方法可以获得进行测井后得到的至少一种测井参数的取值;在预先建立的知识图谱中确定分别与各测井参数对应的测井参数节点;在知识图谱中查找与测井参数节点连接的地质参数计算模型节点;通过地质参数计算模型节点和测井参数的取值,计算获得与地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。由于知识图谱中包含了与测井解释相关的测井参数节点、地质参数计算模型节点和地质参数节点,且这些节点间的关系体现了地质参数的计算过程,因此本发明可以通过知识图谱来进行测井解释,无需人为参与,避免了由于技术人员经验不足导致的准确性低的问题。
Description
技术领域
本发明涉及测井解释技术领域,尤其涉及测井解释方法、知识图谱构建方法及相关装置。
背景技术
在石油勘探和开发过程中需要获取大量的地质及工程资料,而测井是获取这些资料的主要方式,是油田勘探开发的重要组成部分。
测井是用多种专门的仪器放入钻开的井眼内,沿着井身测量钻井地质剖面上的各种测井参数(电阻率、声波时差、密度、自然伽马等),这些测井参数要通过特定的方法和工具转换成石油勘探开发所需要的地质参数,而测井参数转换为地质参数的过程被称为测井解释。
现有的测井解释方法往往依靠技术人员的经验,准确率较低。
发明内容
鉴于上述问题,本发明提供一种克服上述问题或者至少部分地解决上述问题的测井解释方法、知识图谱构建方法及相关装置,技术方案如下:
一种测井解释方法,包括:
获得进行测井后得到的至少一种测井参数的取值;
在预先建立的知识图谱中确定分别与各所述测井参数对应的测井参数节点,其中,所述预先建立的知识图谱中包括有分别与所述测井参数、地质参数以及地质参数计算模型对应的节点,且所述预先建立的知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系;
在所述知识图谱中查找与所述测井参数节点连接的地质参数计算模型节点;
通过所述地质参数计算模型节点和所述测井参数的取值,计算获得与所述地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。
可选的,还包括:
根据计算获得的所述地质参数的取值以及预设油气层图板确定本次测井的储层属性。
一种知识图谱的构建方法,所述方法包括:
获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型;
根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
可选的,所述根据所述测井解释知识三元组构建用于测井解释的知识图谱,包括:
对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型;
通过所述知识点抽取模型从待处理的测井知识材料中抽取包含测井解释知识点的三元组;
根据抽取的所述三元组构建用于测井解释的知识图谱。
可选的,所述根据抽取的所述三元组构建用于测井解释的知识图谱,包括:
根据标注的所述测井解释知识三元组和抽取的所述三元组构建用于测井解释的知识图谱。
可选的,所述对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型,包括:
对所述测井知识材料中的测井解释知识三元组、所述测井解释知识三元组的标注对象、所述标注对象在所述测井知识材料中的位置、所述标注对象之间的距离进行机器学习,获得知识点抽取模型。
一种测井解释装置,包括:取值获得单元、测井节点确定单元、模型节点确定单元和取值计算单元,
所述取值获得单元,用于获得进行测井后得到的至少一种测井参数的取值;
所述测井节点确定单元,用于在预先建立的知识图谱中确定分别与各所述测井参数对应的测井参数节点,其中,所述预先建立的知识图谱中包括有分别与所述测井参数、地质参数以及地质参数计算模型对应的节点,且所述预先建立的知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系;
所述模型节点确定单元,用于在所述知识图谱中查找与所述测井参数节点连接的地质参数计算模型节点;
所述取值计算单元,用于通过所述地质参数计算模型节点和所述测井参数的取值,计算获得与所述地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。
一种知识图谱的构建装置,所述装置包括:材料获得单元和图谱构建单元,
所述材料获得单元,用于获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型;
所述图谱构建单元,用于根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
一种设备,包括:至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行上述的任一种测井解释方法,和/或,以执行上述的任一种知识图谱的构建方法。
一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述的任一种测井解释方法,和/或,实现上述的任一种知识图谱的构建方法。
借由上述技术方案,本发明提供的测井解释方法、知识图谱构建方法及相关装置,其中测井解释方法可以获得进行测井后得到的至少一种测井参数的取值;在预先建立的知识图谱中确定分别与各测井参数对应的测井参数节点;在知识图谱中查找与测井参数节点连接的地质参数计算模型节点;通过地质参数计算模型节点和测井参数的取值,计算获得与地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。由于知识图谱中包含了与测井解释相关的测井参数节点、地质参数计算模型节点和地质参数节点,且这些节点间的关系体现了地质参数的计算过程,因此本发明可以通过知识图谱来进行测井解释,无需人为参与,避免了由于技术人员经验不足导致的准确性低的问题。同时,该知识图谱可以持续进行优化,可以有效提高测井解释的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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,而并不认为是对本发明的限制。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示出了本发明实施例提供的一种知识图谱的构建方法的流程图;
图2示出了本发明实施例提供的一种知识图谱的示意图;
图3示出了本发明实施例提供的另一种知识图谱的示意图;
图4示出了本发明实施例提供的一种测井解释方法的流程图;
图5示出了本发明实施例提供的一种知识图谱的构建装置的结构示意图;
图6示出了本发明实施例提供的一种测井解释装置的结构示意图;
图7示出了本发明实施例提供的一种设备的结构示意图。
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。
如图1所示,本发明实施例提供了一种知识图谱的构建方法,该方法可以包括:
S100、获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型。
其中,测井知识材料可以包括:携带有测井相关知识点的材料。在其他可选实施例中,测井知识材料还可以包括:携带有油气田其他生产阶段的相关知识点的材料。例如:录井、钻井、试油、生产、分析化验等油气田生产阶段的相关知识点的材料。可以理解的是,测井相关的知识点和油气田其他生产阶段的知识点可能存在一定的关系,例如测井结果可以用于产量的推测,因此通过对其他生产阶段的相关知识点的学习,可以根据学习到的其他生产阶段的知识点进行诸如产量预测、储层属性识别等多种处理。
其中,测井知识材料可以为:非结构化数据、半结构化数据以及结构化数据。其中,非结构化数据可以为:图片、文本(如论文、演示文稿、文档等)等。半结构化数据可以为网页(如百科网页)等。结构化数据可以为电子表格、数据库等。
在实际应用中,测井知识材料数量众多(大量与测井知识相关的论文、专利、网页等),因此本发明中的测试知识材料可以仅为部分测井知识材料。这样可以有效降低标注的工作量。可选的,测井知识材料可以为预设测井知识材料库中的部分或全部测井知识材料。本领域技术人员或专家可以挑选部分测井知识材料放入测井知识材料库中,也可以对测井知识材料库中的测井知识材料进行删减。
可选的,对于图片,本发明可以通过文本识别技术从图片中识别文本内容。
在实际应用中,本发明图1所示方法可以应用于服务器中,该服务器可以与用户的终端设备通信连接。用户可以通过该终端设备将测井知识材料上传至服务器中进行保存。用户上传至服务器中的测井知识材料可以带有或不带有测井解释知识三元组的标注。当不带有测井解释知识三元组的标注时,该用户或其他用户可以在服务器中保存的测井知识材料上标注测井解释知识三元组。具体的,用户的终端设备中可以安装有可与服务器通信的应用程序,用户可以通过该应用程序的部分功能进行测井知识材料的上传以及测井解释知识三元组的标注。
其中,测井参数可以包括:自然电位、静自然电位、自然伽马、深电阻率、中电阻率、浅电阻率、中子、体积密度、声波时差中的至少一个。
地质参数可以包括:孔隙度、孔隙度指数、总孔隙度、有效孔隙度、岩心孔隙度、饱和度、饱和度指数、冲洗带含水饱和度、冲洗带含油饱和度、含水饱和度、含油饱和度、渗透率、岩心渗透率、泥岩伽马、骨架伽马、泥浆滤液电阻率、泥岩电阻率、骨架电阻率、地层水电阻率、骨架密度、泥岩中子、泥岩密度、流体密度、岩性、泥岩声波时差、流体声波时差、泥质含量、毛管压力、泥浆参数、最大温度(Tmax)中的至少一个。
地质参数计算模型可以包括:孔隙度模型、泥质含量模型、渗透率模型、饱和度模型中的至少一个。地质参数计算模型是根据至少一个测井参数计算获得地质参数的数学模型。
需要说明的是,测井知识材料上标注的每个测井解释知识三元组可以由三个标注构成,即:三元组中的两个实体以及两个实体间的关系都分别具有一个标注。
当然,本发明中公开的测井参数、地质参数、地质参数计算模型仅为示例性说明,实际应用中技术人员可以通过标注来选择其他测井参数、地质参数、地质参数计算模型,本发明在此不做限定。
本发明可以为上述各参数进行分级,以体现参数之间的级别关系。例如:饱和度是饱和度指数、冲洗带含水饱和度、冲洗带含油饱和度、含水饱和度、含油饱和度的上级参数,以体现饱和度指数、冲洗带含水饱和度、冲洗带含油饱和度、含水饱和度、含油饱和度都属于饱和度。
除测井解释知识三元组外,测井知识材料中还可以标注有其他三元组,例如:油气井基础知识三元组、产油知识三元组等。
其中,油气井基础知识三元组中的实体可以包括:测井、小层、录井、钻井、试油、生产、分析化验、钻井中的至少一个。
其中,产油知识三元组中的实体可以包括:井径、顶深、底深、钻头尺寸、钻时、温度、日产、累产、试油结论、油层模型中的至少一个。
其中,油层模型可以为根据地质参数确定储层属性的机器模型,可以通过机器学习获得。
本发明可以将上述各实体分为三级,具体的:
第一级实体包括:测井、小层、录井、钻井、试油、生产、分析化验。
第二级实体包括:测井曲线、解释参数、孔隙度、渗透率、泥质含量、饱和度、岩心渗透率、岩心孔隙度、毛管压力、地化、荧光、轻烃、日产、累产、试油结论、泥浆参数、钻头尺寸、钻时。
第三级实体包括:井径、自然电位、自然伽马、深电阻率、中电阻率、浅电阻率、中子、体积密度、声波时差、泥岩伽马、骨架伽马、流体密度、孔隙度指数、饱和度指数、地层水电阻率、骨架密度、泥岩密度、泥岩中子、泥岩声波时差、流体声波时差、岩性系数、孔隙度指数、饱和度指数、静自然电位、泥浆滤液电阻率、泥岩电阻率、骨架电阻率、Tmax、地化解释、顶深、底深、岩性、总孔隙度、有效孔隙度、冲洗带含水饱和度、冲洗带含油饱和度、含水饱和度、含油饱和度、温度、孔隙度模型、泥质含量模型、渗透率模型、饱和度模型、油层模型。
可选的,测井解释知识三元组可以有多种形式,下面示例性公开其中几种:
测井参数——关系——地质参数计算模型;
地质参数计算模型——关系——地质参数;
测井参数——关系——测井参数。
S200、根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
具体的,步骤S200可以直接使用测井解释知识三元组来构建用于测井解释的知识图谱。在本发明其他实施例中,步骤S200可以包括:
对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型;
通过所述知识点抽取模型从待处理的测井知识材料中抽取包含测井解释知识点的三元组;
根据抽取的所述三元组构建用于测井解释的知识图谱。
其中,待处理的测井知识材料中可以不带有测井解释知识三元组的标注。可以理解的是,对测井知识材料进行标注需要花费很长的时间,因此在实际应用中,可以仅标注部分测井知识材料,这样,通过对进行了标注的这部分测井知识材料进行学习就可以学习到测井知识材料中的测井解释知识三元组的特征、所述测井解释知识三元组的标注对象的特征、所述标注对象在所述测井知识材料中的位置的特征、所述标注对象之间的距离的特征等多种特征,获得掌握了这些特征的知识点抽取模型。通过获得的知识点抽取模型就可以对大量的未标注的测井知识材料进行知识点抽取,获得大量的三元组。
其中,对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型,可以具体包括:
对所述测井知识材料中的测井解释知识三元组、所述测井解释知识三元组的标注对象、所述标注对象在所述测井知识材料中的位置、所述标注对象之间的距离进行机器学习,获得知识点抽取模型。
其中,上述距离可以用字符作为单位。
本发明通过对标注有测井解释知识三元组的测井知识材料进行学习,可以学习到测井参数具有的特征、地质参数具有的特征、地质参数计算模型的特征以及它们之间的关系。这样,通过学习获得的知识点抽取模型可以从未标注有测井解释知识三元组的测井知识材料中抽取到测井解释知识点并构建包括测井解释知识点的三元组。
具体的,除被标注对象本身具有的文本特征外,标注对象在测井知识材料中的位置(例如是在材料的开始位置)以及标注对象之间的距离也是本发明的学习对象,通过对上述位置和距离的学习可以综合衡量测井知识材料中的对象,从而提高识别准确率。
其中,本发明的知识点抽取模型可以为朴素贝叶斯模型(Naive Bayesian Model,NBM)、支持向量机(Support Vector Machine,SVM)、词嵌入模型(word2vec)、循环神经网络(Recurrent Neural Network,RNN)、长短时记忆网络(Long Short-Term Memory LSTM)等类型的机器学习模型。
可选的,在进行机器学习的时候,还可以将业务规则作为学习对象,例如:根据业务规则,饱和度是饱和度指数的上级参数,则饱和度指数不能是饱和度的上级参数。通过对业务规则的学习,可以使得知识点抽取模型掌握业务规则,防止其抽取到不符合业务规则的知识点。
其中,待处理的测井知识材料可以与标注有测井解释知识三元组的测井知识材料不同。本发明通过对一定数量的测井知识材料进行学习,可以获得知识点抽取模型。进而根据该知识点抽取模型,对其他未标注测井解释知识三元组的测井知识材料进行知识抽取,以抽取包括测井解释知识点的三元组。由于知识点抽取模型已经通过测井知识材料学习到测井参数、地质参数以及地质参数计算模型的多种特征,因此知识点抽取模型可以从这些特征待处理的测井知识材料中抽取包括测井解释知识点的三元组。
可选的,在本发明抽取三元组后,可以对抽取到的三元组进行纠错,将错误的三元组修改为正确的三元组,或者将错误的三元组删除。然后对进行纠错后的三元组执行后续处理。在实际应用中,当抽取的三元组的错误率较高时,可以在进行纠错后,将纠错后的三元组及待处理的测井知识材料作为标注有多个测井解释知识三元组的测井知识材料进行机器学习,以优化知识点抽取模型。这样,随着知识点抽取模型的优化,本发明构建的知识图谱也持续进行优化,可以有效提高测井解释的准确性。
其中,根据抽取的所述三元组构建用于测井解释的知识图谱,可以具体包括:
根据标注的所述测井解释知识三元组和抽取的所述三元组构建用于测井解释的知识图谱。
由于标注的测井解释知识三元组中也携带了大量经过用户认可的知识点,因此同时根据标注的所述测井解释知识三元组和抽取的所述三元组构建用于测井解释的知识图谱,可以有效提高知识图谱的准确率。
由于抽取到的三元组与标注的测井解释知识三元组中可能会存在相同、矛盾或有歧义的三元组,因此还可以进行知识融合,将相同的三元组进行去重,将矛盾的三元组中的其中一个删除或修改,将有歧义的三元组进行修改以消除歧义。具体的,本发明可以对相同的三元组自动去重,对于矛盾和有歧义的三元组可以首先将其标识出来,还可以将矛盾或有歧义的三元组修改为默认三元组,等待用户进行人工核实和修改。
图2示出了一种用于测井解释的知识图谱的示意图,图2中仅示例性示出了部分与测井参数、地质参数以及地质参数计算模型对应的节点。图2中的每个节点均与一个实体对应,节点间的连线代表了实体间的关系。
图2示意了实体分级情况,如图2所示,测井节点为第一级实体节点,测井参数节点、地质参数节点和地质参数计算模型节点均为第二级实体节点,剩余节点为第三级实体节点。需要说明的是,图2所示的分级情况与本发明步骤S200上方的文字提出的分级情况不完全相同。
其中,测井参数、地质参数以及地质参数计算模型之间的关系可以为输入、输出关系,如图2所示。
通过图2所示的知识图谱,本发明可以确定测井参数、地质参数以及地质参数计算模型之间的关系,并根据该关系来实现测井解释。
当测井知识材料还包括携带有油气田其他生产阶段的相关知识点的材料时,本发明可以获得如图3所示的知识图谱。图3所示的知识图谱在图2所示知识图谱基础上增加了油层节点、气层节点、产量模型节点和产量节点,图3所示知识图谱可以根据各地质参数节点来确定本次测井的储层是油层还是气层,还可以通过产量模型预测产量。
可选的,图3所示知识图谱中的油层节点、气层节点、产量模型节点和产量节点可以通过对油气层识别相关知识材料以及产量预测相关知识材料进行学习来得到。
本发明实施例提供的一种知识图谱的构建方法,可以获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型;根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。由于知识图谱中包含了与测井解释相关的测井参数节点、地质参数计算模型节点和地质参数节点,且这些节点间的关系体现了地质参数的计算过程,因此本发明可以通过知识图谱来进行测井解释,无需人为参与,避免了由于技术人员经验不足导致的准确性低的问题。同时,该知识图谱可以持续进行优化,可以有效提高测井解释的准确性。
如图4所示,本发明实施例还提供了一种测井解释方法,该方法可以包括:
S001、获得进行测井后得到的至少一种测井参数的取值。
其中,测井参数已在图1所示方法中详细说明,不再赘述。测井参数的取值可以为数值、符号、文字等。在实际应用中,可以进行多次测井,每次进行测井后都可以执行一次图4所示方法。也可以将多次测井的后得到的测井参数进行处理,如计算平均值,然后依据处理后得到的取值执行图4所示方法。
S002、在预先建立的知识图谱中确定分别与各所述测井参数对应的测井参数节点,其中,所述预先建立的知识图谱中包括有分别与所述测井参数、地质参数以及地质参数计算模型对应的节点,且所述预先建立的知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
其中,该预先建立的知识图谱可以为按照图1所示方法建立的知识图谱,也可以为按照其他方法建立的知识图谱,本发明在此不做限定。
可选的,如图2所示,知识图谱中可以包含有多个测井参数节点,至少部分测井参数节点可以分别和一个测井参数对应。
S003、在所述知识图谱中查找与所述测井参数节点连接的地质参数计算模型节点。
下面通过图2所示知识图谱进行举例说明:
假设进行测井后获得的测井参数的取值包括:图2所示的测井参数1的取值、测井参数2的取值、测井参数3的取值、测井参数4的取值、测井参数5的取值和测井参数6的取值,则从知识图谱中可以查找到与上述六个测井参数对应的测井参数节点连接的地质参数计算模型节点为:图2所示的地质参数计算模型1和地质参数计算模型2。
本发明中的知识图谱中的测井参数节点与地质参数计算模型节点的连接以及知识图谱中二者的关系(输入)代表着测井参数节点对应的测井参数作为地质参数计算模型节点对应的地质参数计算模型的输入。例如:测井参数1至4为地质参数计算模型1的输入。
当某测井参数节点未与地质参数计算模型节点连接时,可以不将该测井参数节点对应的测井参数的取值用于地质参数的计算过程。
本发明中的地质参数计算模型已在图1所示方法中说明,不再赘述。
S004、通过所述地质参数计算模型节点和所述测井参数的取值,计算获得与所述地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。
其中,地质参数计算模型节点与地质参数节点的连接以及二者的关系(输出)代表着地质参数计算模型节点对应的地质参数计算模型的计算结果包括该地质参数节点对应的地质参数,可以通过该地质参数计算模型计算获得该地质参数的取值。
如图2所示,地质参数计算模型1与地质参数2连接,且二者的关系为输出,因此地质参数计算模型1可以计算获得地质参数2的取值。
可选的,图4所示方法还可以包括:
S005、根据计算获得的所述地质参数的取值以及预设油气层图板确定本次测井的储层属性。
其中,所述储层属性包括:油层、气层、水层中的至少一个。
其中,预设油气层图板是根据历史测井结果获得的地质参数的取值与储层属性的对应关系图,本发明可以在预设油气层图板中确定与计算获得的所述地质参数的取值对应的储层属性,从而可以进一步确定本次测井的储层是何种储层属性,可以为后面的生产工序提供更多信息。
当然,在实际应用中,还可以根据油层模型来根据地质参数的取值识别储层属性。
本发明提供的一种测井解释方法,可以获得进行测井后得到的至少一种测井参数的取值;在预先建立的知识图谱中确定分别与各测井参数对应的测井参数节点;在知识图谱中查找与测井参数节点连接的地质参数计算模型节点;通过地质参数计算模型节点和测井参数的取值,计算获得与地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。由于知识图谱中包含了与测井解释相关的测井参数节点、地质参数计算模型节点和地质参数节点,且这些节点间的关系体现了地质参数的计算过程,因此本发明可以通过知识图谱来进行测井解释,无需人为参与,避免了由于技术人员经验不足导致的准确性低的问题。
与图1所示方法相对应,本发明实施例还提供了一种知识图谱的构建装置,如图5所示,该装置可以包括:材料获得单元100和图谱构建单元200,
材料获得单元100,用于获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型。
图谱构建单元200,用于根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
其中,图谱构建单元200可以具体包括:机器学习子单元、知识抽取子单元和图谱构建子单元,
所述机器学习子单元,用于对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型;
所述知识抽取子单元,用于通过所述知识点抽取模型从待处理的测井知识材料中抽取包含测井解释知识点的三元组;
所述图谱构建子单元,用于根据抽取的所述三元组构建用于测井解释的知识图谱。
可选的,图谱构建子单元可以具体设置为:
根据标注的所述测井解释知识三元组和抽取的所述三元组构建用于测井解释的知识图谱。
可选的,机器学习子单元可以具体设置为:
对所述测井知识材料中的测井解释知识三元组、所述测井解释知识三元组的标注对象、所述标注对象在所述测井知识材料中的位置、所述标注对象之间的距离进行机器学习,获得知识点抽取模型。
与图4所示方法相对应,本发明实施例还提供了一种测井解释装置,如图6所示,该装置可以包括:取值获得单元001、测井节点确定单元002、模型节点确定单元003和取值计算单元004,
取值获得单元001,用于获得进行测井后得到的至少一种测井参数的取值;
测井节点确定单元002,用于在预先建立的知识图谱中确定分别与各所述测井参数对应的测井参数节点,其中,所述预先建立的知识图谱中包括有分别与所述测井参数、地质参数以及地质参数计算模型对应的节点,且所述预先建立的知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系;
模型节点确定单元003,用于在所述知识图谱中查找与所述测井参数节点连接的地质参数计算模型节点;
取值计算单元004,用于通过所述地质参数计算模型节点和所述测井参数的取值,计算获得与所述地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。
可选的,图5所示装置还可以包括:储层确定单元,用于根据计算获得的所述地质参数的取值以及预设油气层图板确定本次测井的储层属性。
其中,所述储层属性包括:油层、气层、水层中的至少一个。
所述知识图谱的构建装置包括处理器和存储器,上述材料获得单元100和图谱构建单元200等均作为程序单元存储在存储器中,由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。
所述测井解释装置包括处理器和存储器,上述取值获得单元001、测井节点确定单元002、模型节点确定单元003和取值计算单元004等均作为程序单元存储在存储器中,由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构建知识图谱或根据知识图谱进行测井解释。
本发明实施例提供了一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述的任一种测井解释方法,和/或,实现上述的任一种知识图谱的构建方法。
本发明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知识图谱的构建方法和/或所述测井解释方法。
如图7所示,本发明实施例提供了一种设备70,包括:至少一个处理器701、以及与所述处理器701连接的至少一个存储器702、总线703;其中,所述处理器701、所述存储器702通过所述总线703完成相互间的通信;所述处理器701用于调用所述存储器702中的程序指令,以执行上述的任一种测井解释方法,和/或,以执行上述的任一种知识图谱的构建方法。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:
获得进行测井后得到的至少一种测井参数的取值;
在预先建立的知识图谱中确定分别与各所述测井参数对应的测井参数节点,其中,所述预先建立的知识图谱中包括有分别与所述测井参数、地质参数以及地质参数计算模型对应的节点,且所述预先建立的知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系;
在所述知识图谱中查找与所述测井参数节点连接的地质参数计算模型节点;
通过所述地质参数计算模型节点和所述测井参数的取值,计算获得与所述地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。
可选的,上述计算机程序产品,当在数据处理设备上执行时,还可以适于执行初始化有如下方法步骤的程序:
根据计算获得的所述地质参数的取值以及预设油气层图板确定本次测井的储层属性。
本申请还提供了另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:
获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型;
根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
可选的,所述根据所述测井解释知识三元组构建用于测井解释的知识图谱,包括:
对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型;
通过所述知识点抽取模型从待处理的测井知识材料中抽取包含测井解释知识点的三元组;
根据抽取的所述三元组构建用于测井解释的知识图谱。
可选的,所述根据抽取的所述三元组构建用于测井解释的知识图谱,包括:
根据标注的所述测井解释知识三元组和抽取的所述三元组构建用于测井解释的知识图谱。
可选的,所述对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型,包括:
对所述测井知识材料中的测井解释知识三元组、所述测井解释知识三元组的标注对象、所述标注对象在所述测井知识材料中的位置、所述标注对象之间的距离进行机器学习,获得知识点抽取模型。
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。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
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(flash RAM),存储器包括至少一个存储芯片。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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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)
1.一种测井解释方法,其特征在于,包括:
获得进行测井后得到的至少一种测井参数的取值;
在预先建立的知识图谱中确定分别与各所述测井参数对应的测井参数节点,其中,所述预先建立的知识图谱中包括有分别与所述测井参数、地质参数以及地质参数计算模型对应的节点,且所述预先建立的知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系;
在所述知识图谱中查找与所述测井参数节点连接的地质参数计算模型节点;
通过所述地质参数计算模型节点和所述测井参数的取值,计算获得与所述地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据计算获得的所述地质参数的取值以及预设油气层图板确定本次测井的储层属性。
3.一种知识图谱的构建方法,其特征在于,所述方法包括:
获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型;
根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
4.根据权利要求3所述的方法,其特征在于,所述根据所述测井解释知识三元组构建用于测井解释的知识图谱,包括:
对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型;
通过所述知识点抽取模型从待处理的测井知识材料中抽取包含测井解释知识点的三元组;
根据抽取的所述三元组构建用于测井解释的知识图谱。
5.根据权利要求4所述的方法,其特征在于,所述根据抽取的所述三元组构建用于测井解释的知识图谱,包括:
根据标注的所述测井解释知识三元组和抽取的所述三元组构建用于测井解释的知识图谱。
6.根据权利要求4或5所述的方法,其特征在于,所述对标注有所述测井解释知识三元组的所述测井知识材料进行机器学习,获得知识点抽取模型,包括:
对所述测井知识材料中的测井解释知识三元组、所述测井解释知识三元组的标注对象、所述标注对象在所述测井知识材料中的位置、所述标注对象之间的距离进行机器学习,获得知识点抽取模型。
7.一种测井解释装置,其特征在于,包括:取值获得单元、测井节点确定单元、模型节点确定单元和取值计算单元,
所述取值获得单元,用于获得进行测井后得到的至少一种测井参数的取值;
所述测井节点确定单元,用于在预先建立的知识图谱中确定分别与各所述测井参数对应的测井参数节点,其中,所述预先建立的知识图谱中包括有分别与所述测井参数、地质参数以及地质参数计算模型对应的节点,且所述预先建立的知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系;
所述模型节点确定单元,用于在所述知识图谱中查找与所述测井参数节点连接的地质参数计算模型节点;
所述取值计算单元,用于通过所述地质参数计算模型节点和所述测井参数的取值,计算获得与所述地质参数计算模型节点连接的地质参数节点对应的地质参数的取值。
8.一种知识图谱的构建装置,其特征在于,所述装置包括:材料获得单元和图谱构建单元,
所述材料获得单元,用于获得标注有多个测井解释知识三元组的测井知识材料,其中,所述多个测井解释知识三元组中的实体至少包括:测井参数、地质参数以及地质参数计算模型;
所述图谱构建单元,用于根据所述测井解释知识三元组构建用于测井解释的知识图谱,所述知识图谱中包括有分别与所述测井参数、所述地质参数以及所述地质参数计算模型对应的节点,且所述知识图谱通过节点间的连接关系至少指示出所述测井参数、所述地质参数以及所述地质参数计算模型之间的关系。
9.一种设备,其特征在于,包括:至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1至2任一项所述的测井解释方法,和/或,以执行如权利要求3至6任一项所述的知识图谱的构建方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至2任一项所述的测井解释方法,和/或,实现如权利要求3至6任一项所述的知识图谱的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380477.6A CN111472751B (zh) | 2019-12-27 | 2019-12-27 | 测井解释方法、知识图谱构建方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380477.6A CN111472751B (zh) | 2019-12-27 | 2019-12-27 | 测井解释方法、知识图谱构建方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111472751A true CN111472751A (zh) | 2020-07-31 |
CN111472751B CN111472751B (zh) | 2020-11-13 |
Family
ID=71746257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911380477.6A Active CN111472751B (zh) | 2019-12-27 | 2019-12-27 | 测井解释方法、知识图谱构建方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111472751B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN113537458A (zh) * | 2021-06-21 | 2021-10-22 | 中国科学技术大学 | 一种有理式函数神经网络构建方法、系统及可读存储介质 |
CN114138923A (zh) * | 2021-12-03 | 2022-03-04 | 吉林大学 | 一种构建地质图知识图谱的方法 |
CN116662849A (zh) * | 2023-04-21 | 2023-08-29 | 西南石油大学 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070050340A1 (en) * | 2002-03-16 | 2007-03-01 | Von Kaenel Tim A | Method, system, and program for an improved enterprise spatial system |
CN104881435A (zh) * | 2015-05-05 | 2015-09-02 | 中国海洋石油总公司 | 一种基于数据挖掘的研究流程自动化测井评价专家系统 |
CN106353820A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种基于知识模型的测井解释方法 |
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
US20180367467A1 (en) * | 2013-03-15 | 2018-12-20 | Advanced Elemental Technologies, Inc. | Purposeful computing |
US20190340716A1 (en) * | 2018-05-06 | 2019-11-07 | Strong Force TX Portfolio 2018, LLC | Transaction-enabled systems and methods for creating an aggregate stack of intellectual property |
-
2019
- 2019-12-27 CN CN201911380477.6A patent/CN111472751B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070050340A1 (en) * | 2002-03-16 | 2007-03-01 | Von Kaenel Tim A | Method, system, and program for an improved enterprise spatial system |
US20180367467A1 (en) * | 2013-03-15 | 2018-12-20 | Advanced Elemental Technologies, Inc. | Purposeful computing |
CN104881435A (zh) * | 2015-05-05 | 2015-09-02 | 中国海洋石油总公司 | 一种基于数据挖掘的研究流程自动化测井评价专家系统 |
CN106353820A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种基于知识模型的测井解释方法 |
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
US20190340716A1 (en) * | 2018-05-06 | 2019-11-07 | Strong Force TX Portfolio 2018, LLC | Transaction-enabled systems and methods for creating an aggregate stack of intellectual property |
Non-Patent Citations (3)
Title |
---|
LIN LIANG等: "A Machine Learning Framework for Automating Well Log Depth Matching", 《SPWLA 60TH ANNUAL LOGGING SYMPOSIUM》 * |
穆龙新等: "中国石油海外油气田开发技术进展与发展方向", 《石油勘探与开发》 * |
高健祎等: "海上油气业务智能化发展趋势分析", 《海洋工程装备与技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN112948547B (zh) * | 2021-01-26 | 2024-04-09 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN113537458A (zh) * | 2021-06-21 | 2021-10-22 | 中国科学技术大学 | 一种有理式函数神经网络构建方法、系统及可读存储介质 |
CN113537458B (zh) * | 2021-06-21 | 2022-12-30 | 中国科学技术大学 | 一种有理式函数神经网络构建方法、系统及可读存储介质 |
CN114138923A (zh) * | 2021-12-03 | 2022-03-04 | 吉林大学 | 一种构建地质图知识图谱的方法 |
CN116662849A (zh) * | 2023-04-21 | 2023-08-29 | 西南石油大学 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
CN116662849B (zh) * | 2023-04-21 | 2024-04-09 | 西南石油大学 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111472751B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111472751B (zh) | 测井解释方法、知识图谱构建方法及相关装置 | |
WO2020082824A1 (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 | |
CN110284873B (zh) | 一种油井储集性质的检测方法及检测装置 | |
Corina et al. | Automatic lithology prediction from well logging using kernel density estimation | |
Yao et al. | Estimating permeability profiles using core and log data | |
CN109446574B (zh) | 油气开采监测方法、故障识别模型获得方法及相关设备 | |
EP3803051A1 (en) | Systems and methods for special core analysis sample selection and assessment | |
Gamal et al. | Predicting the rock sonic logs while drilling by random forest and decision tree-based algorithms | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
CN106896406A (zh) | 基于阻抗域属性预测优质储层的方法和装置 | |
Abbas et al. | Clustering analysis and flow zone indicator for electrofacies characterization in the upper shale member in Luhais Oil Field, Southern Iraq | |
Koray et al. | Improving Subsurface Characterization Utilizing Machine Learning Techniques | |
Eriavbe et al. | Machine learning application to permeability prediction using log & core measurements: A realistic workflow application for reservoir characterization | |
CN111472763B (zh) | 地层厚度预测方法及装置 | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
He et al. | Adaptive Material Balance Method for Reserve Evaluation: A Combination of Machine Learning and Reservoir Engineering | |
Asedegbega et al. | Application of machine learniing for reservoir facies classification in port field, Offshore Niger Delta | |
Kuvichko et al. | Field-Scale Automatic Facies Classification Using Machine Learning Algorithms | |
CN111582292B (zh) | 夹层识别方法和装置 | |
CN111783847B (zh) | 一种低对比度油气层识别方法、装置、设备及系统 | |
Amagada | An Inferable Machine Learning Approach for Reservoir Lithology Characterization Using Drilling Data | |
CN112464964A (zh) | 钻井层段信息的确定方法、装置及电子设备 | |
CN117266843B (zh) | 油藏水淹层识别方法、系统、装置及存储介质 | |
Cui et al. | Machine learning prescriptive well log quality analysis determination of casing effects |
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 |