CN111475685A - 油气勘探方法、装置、存储介质及电子设备 - Google Patents
油气勘探方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111475685A CN111475685A CN201911383059.2A CN201911383059A CN111475685A CN 111475685 A CN111475685 A CN 111475685A CN 201911383059 A CN201911383059 A CN 201911383059A CN 111475685 A CN111475685 A CN 111475685A
- Authority
- CN
- China
- Prior art keywords
- exploration
- target
- attribute
- parameter
- sample
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种油气勘探方法、装置、存储介质及电子设备中,在确定勘探目标在目标勘探属性上的多个已知属性参数之后,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,可见,本发明中不再全部依赖于勘探工作人员的主观判断,也就避免引入过多的影响勘探结果的主观因素,进而提高最终实现油气勘探的成功率。
Description
技术领域
本发明涉及油气勘探技术领域,特别涉及一种油气勘探方法、装置、存储介质及电子设备。
背景技术
在勘探早期,油气资产的勘探程度过低,探井数量很少甚至没有,周边也没有或仅有少数已发现油田,资料十分缺乏。在这种情况下,对目标区的油气远景和定量资源评价,往往十分困难。而油气勘探类比法可以对目标勘探区块开展油气地质条件、成藏规律、未来开发潜力等因素进行综合评估,从而找到最有利的目标探区进行勘探。
类比法是指根据某类事物所具有的某种属性,可以推测与其类似的事物也应具有这种属性的推理方法。例如:A事物具有a、b属性,另有c属性特点,B事物具有a、b属性,推出B具有c属性。类比法在油田上主要应用在勘探开发早期,在油气藏的流体组分、油气藏的驱动机理、纯产气层厚度、岩石物性、岩性和沉积环境、原始压力、温度和井距等方面都可以应用该方法进行评估。
但是,目前的类比法在实际的油气勘探过程中,往往依赖于勘探工作人员的主观判断,导致影响勘探结果的主观因素很多,使得勘探结果准确性较低。
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油气勘探方法、装置、存储介质及电子设备。通过知识图谱数据库的建立,在确定目标勘探属性之后,在知识图谱数据库中查找与勘探目标在目标勘探属性上的多个属性参数匹配的勘探样本,以勘探样本在目标勘探属性上的样本属性参数为基础,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,以表征勘探目标在目标勘探属性上的成功率,实现勘探预测。
本发明还提供了一种油气勘探装置,用以保证上述方法实际中的实现及应用。
为实现上述目的,本发明实施例提供如下技术方案:
一种油气勘探方法,所述方法包括:
确定勘探目标在预设的目标勘探属性上的多个目标属性参数;
在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;
根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述勘探属性上的勘探有利程度。
在一种实现方式中,确定勘探目标在预设的目标勘探属性上的多个目标属性参数,包括:
获取勘探目标在预设的目标勘探属性上的多个已知属性参数;
获取所述知识图谱数据库中多个勘探样本在所述目标勘探属性上的多个样本属性参数;
根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数。
可选的,根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数,包括:
将每个所述已知属性参数分别与预先创建的知识图谱数据库中的每个勘探样本在所述目标勘探属性上的样本属性参数进行相关度计算,得到相关度值;
将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数;和/或,
在将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数之前,所述方法还包括:
判断所述相关度值满足预设条件的已知属性参数中是否包含沉积环境参数和构造背景参数;
如果不包含,则将相关度值最低的两个已知属性参数分别替换为所述沉积环境参数和构造背景参数,以得到所述目标属性参数。
在一种实现方式中,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,包括:
在预先创建的知识图谱数据库中,获得同时包含所述多个目标属性参数的第一勘探样本;
将所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值进行归一化;
利用预设最优距离算法,对所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值和所述勘探目标的目标属性参数的参数值之间的距离进行计算,得到每个所述第一勘探样本和所述勘探目标在所述多个目标属性参数上的相似度值;
在所述第一勘探样本中,选取所述相似度值满足预设的相似度筛选条件的勘探样本为目标勘探样本。
在一种实现方式中,所述目标勘探属性包括:所述勘探目标的区带含油气性的勘探属性、所述勘探目标的成藏有利区带的勘探属性、所述勘探目标的油气储量的勘探属性中的任意一种;
其中,所述目标属性参数包括所述勘探目标的地层厚度参数、烃源岩参数、孔隙度参数、渗透率参数中的任意一种或任意多种的组合。
在一种实现方式中,根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值;所述已知属性参数对应的参数集合中包括:所述勘探目标在所述目标勘探属性上的所述已知属性参数的属性值和每个所述目标勘探样本在所述目标勘探属性上的与所述已知属性参数一致的样本属性参数的属性值;
至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
在一种实现方式中,获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值,包括:
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数的参数值组成二维矩阵,其中,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的行,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的列,或者,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的列,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的行,所述已知属性参数的参数值和所述样本属性参数的参数值组成所述二维矩阵的元素;
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在其所在列或行中的累积概率分布值;
和/或,至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
分别对所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值进行加权,得到加权更新的累积概率分布值;
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值相加,得到所述勘探目标在所述目标勘探属性上的勘探分数值;
根据所述勘探分数值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
一种油气勘探装置,包括:
参数获得单元,用于确定勘探目标在预设的目标勘探属性上的多个目标属性参数;
样本获得单元,用于在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;
勘探评分单元,用于根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述中任意一项权利要求所述的油气勘探方法。
一种电子设备,设备包括至少一个处理器、以及与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,以执行上述中任一项所述的油气勘探方法。
借由上述技术方案,本发明提供的一种油气勘探方法、装置、存储介质及处理器中,在确定勘探目标在目标勘探属性上的多个已知属性参数之后,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,可见,本发明中不再全部依赖于勘探工作人员的主观判断,也就避免引入过多的影响勘探结果的主观因素,进而提高最终实现油气勘探的成功率。
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一提供的一种油气勘探方法的流程图;
图2示出了本发明实施例一提供的一种油气勘探方法的部分流程图;
图3示出了本发明实施例中的二维矩阵的示例图;
图4示出了本发明实施例中的累积概率分布函数的曲线图;
图5示出了本发明实施例二提供的一种油气勘探装置的结构图;
图6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
类比法是一种最古老的认知思维与推测的方法,是对未知或不确定的对象与已知的对象进行归类比较,进而对未知或不确定对象提出猜测。如果未知的对象确实与某种已知的对方有较多的相似之处,则类比法有一定的认知价值,分类学就是有类比法演化而来。从理论上讲,类比法是指根据某类事物所具有的某种属性,可以推测与其类似的事物也应具有这种属性的推理方法。例如:A事物具有a、b属性,另有c属性特点,B事物具有a、b属性,推出B具有c属性。类比法在油田上主要应用在勘探开发早期,在油气藏的流体组分、油气藏的驱动机理、纯产气层厚度、岩石物性、岩性和沉积环境、原始压力、温度和井距方面都可以应用该方法进行评估。
但是,类比法在实际油气勘探应用过程中,主观因素很多,不确定性很大,不同人类比的结果往往千差万别,由此造成油气勘探的准确性和可靠性较低,而且人工类比往往需要耗费大量的时间,同样会导致油气勘探的效率较低。
本发明的发明人在研究中发现:在盆地、区块勘探早期,油气资产的勘探程度过低,探井数量很少甚至没有,周边也没有或仅有少数已发现油田,资料十分缺乏。在这种情况下,对目标区的油气远景和定量资源评价,往往十分困难。而油气勘探类比法可以对目标勘探区块开展油气地质条件、成藏规律、未来开发潜力等因素进行综合评估,从而找到最有利的目标探区进行勘探。
而在石油勘探开发行业,基于图结构存储的勘探开发知识图谱库可以很好地将各种结构化、半结构化和非结构知识和经验连接并融合起来,形成强大的行业知识库,用以对各类勘探开发问题进行推理、比较和分析。基于知识图谱库中存储的经验和知识,利用图论中的相似度算法对类比法中要到的主要因素进行分析,找到决定类比要解决问题的主要控制因素。
为此,本发明的发明人经过进一步研究提出自动化类比的流程和思路。利用自动机器学习方法,对目标油藏进行自动分类和打分,大大降低了油藏类比的复杂度和使用门槛。具体的,本发明提供的一种油气勘探方案中,在确定勘探目标在目标勘探属性上的多个目标属性参数后,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,可见,本发明中不再全部依赖于勘探工作人员的主观判断,也就避免引入过多的影响勘探结果的主观因素,进而提高最终实现油气勘探的成功率。
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。
参考图1,为本发明实施例一提供的一种油气勘探方法的实现流程图,该方法可以适用于能够进行数据处理的终端或服务器上,如云端或本地的勘探服务器上,主要用于选定的勘探目标在相应的目标勘探属性上进行油气勘探,以勘探出该勘探目标在目标勘探属性上的成功率。
具体的,本实施例中的方法可以包括以下步骤:
步骤101:确定勘探目标在预设的目标勘探属性上的多个目标属性参数。
其中,勘探目标是指在地域中没有做过油气勘探的新区目标,如盆地、区带、油田、油藏、井区等,而目标勘探属性表征对勘探目标进行油气勘探的方向,如对勘探目标进行是否含油的勘探,相应的,是否含油的勘探方向可以被拆分成:勘探目标的区带含油气性的勘探属性如是否能够找到石油的勘探方向、所述勘探目标的成藏有利区带的勘探属性如油田中的含油位置的勘探方向、所述勘探目标的油气储量的勘探属性如油田中的含油量的勘探方向等,本实施例中的勘探目标和目标勘探属性可以由用户在设置界面上进行操作设置,也可以在多个新区和多个勘探属性上按照顺序依次选取一个勘探目标和一个目标勘探属性,或者随机选取。
具体的,本实施例中可以首先在勘探目标的所有属性参数中,提取出与目标勘探属性对应的属性参数,即获取勘探目标在目标勘探属性上的多个已知属性参数。例如,在是否含油的勘探方向上需要进行勘探的新区具有油田为区带含油气性、成藏有利区带、油气地质储量等三个方向上的参数,具体的可以有:地层厚度参数、地质历史参数、烃源岩参数如发育情况、孔隙度参数、渗透率参数等等已知属性参数。
之后,本实施例中获取预先创建的知识图谱数据库中多个勘探样本在目标勘探属性上的多个样本属性参数。
最后再根据这些多个已知属性参数和多个样本属性参数的相关度,确定多个目标属性参数。
其中,勘探样本对应的勘探区块已经完成勘探且在目标勘探属性上勘探成功。也就是说,知识图谱数据库中预先存储有多个勘探样本,而每个勘探样本对应于已经勘探完成且在目标勘探属性上已经成功或者没有成功的地域区块,相应的,勘探样本中在多个勘探属性上具有多个样本属性参数的,这些样本属性参数能够表征在目标勘探属性上勘探有利程度。而在本实施例中,只需要获得勘探样本在目标勘探属性上的多个样本属性参数,进而根据这些勘探样本在目标勘探属性上的多个样本属性参数,在勘探目标在目标勘探属性上的多个已知属性参数中确定多个目标属性参数。
也就是说,本实施例中根据知识图谱数据库中的勘探样本,在多个已知属性参数中筛选出一部分目标属性参数。
步骤102:在预先创建的知识图谱数据库中,查找与多个目标属性参数匹配的目标勘探样本。
例如,本实施例中在知识图谱数据库中获得同时包含多个目标属性参数的目标勘探样本。
其中,目标勘探样本为多个,且目标勘探样本与勘探目标之间关于多个目标属性参数的相似度满足预设的相似条件。
具体的,本实施例中可以利用欧式距离算法或马氏距离算法等对勘探样本和勘探目标之间关于目标属性参数的相似度进行计算,进而获得相似度满足相似条件的勘探样本为目标勘探样本,而目标勘探样本可以为多个,如80或更多个的数量,以将这些目标勘探样本在目标勘探属性上的样本属性参数作为能够进行后续概率计算的数据基础。
步骤103:根据目标勘探样本在目标勘探属性上的样本属性参数,确定勘探目标在目标勘探属性上的勘探有利程度。
具体的,本实施例中可以通过以下方式确定勘探目标在目标勘探属性上的勘探有利程度:
首先,本实施例中获得勘探目标在目标勘探属性上的每个已知属性参数的参数值在已知属性参数对应的参数集合中出现的累积概率分布值。
其中,已知属性参数对应的参数集合中包括:勘探目标在目标勘探属性上的已知属性参数的属性值和每个目标勘探样本在目标勘探属性上的与已知属性参数一致的样本属性参数的属性值。
需要说明的是,累积概率分布值可以理解为:勘探目标在目标勘探属性上的每个已知属性参数的参数值在勘探目标和目标勘探样本同一已知属性参数或样本属性参数的属性值组成的集合中出现的比例值。
之后,本实施例中至少根据勘探目标在目标勘探属性上的每个已知属性参数对应的累积概率分布值,确定勘探目标在目标勘探属性上的勘探有利程度。
其中,勘探有利程度表征勘探目标在目标勘探属性上的成功率,如是否能够成功以及成功的概率等。
由上述方案可知,本发明实施例一提供的一种油气勘探方法中,在确定勘探目标在目标勘探属性上的多个已知属性参数后,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,可见,本发明中不再全部依赖于勘探工作人员的主观判断,也就避免引入过多的影响勘探结果的主观因素,进而提高最终实现油气勘探的成功率。
在一种实现方式中,步骤101中在根据多个已知属性参数和多个样本属性参数的相关度,确定多个目标属性参时,具体可以通过以下方式实现:
首先,将每个已知属性参数分别与预先创建的知识图谱数据库中的每个勘探样本在目标勘探属性上的样本属性参数进行相关度计算,得到相关度值,相关度值表征勘探样本之间在已知属性参数上的相关程度。
例如,本实施例中可以采用各种相似度算法如余弦相似度、Jaccard相似度、Pearson相似度、欧式距离或重叠相似度等中的任意一种,对已知属性参数与勘探样本的样本属性参数进行相关度自动分析,找到相关度最高的5个类比参数。
之后,将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数。
其中,预设条件可以为相关度排序优选条件,即满足该相关度排序优选条件的已知属性参数为目标属性参数。
具体的,本实施例中的相关度排序优选条件可以包括:按照相关度从大到小排序后排序在前N位的已知属性参数,相应的,本实施例中可以选取相关度最高的前N位的已知属性参数为目标属性参数。N为可以为预设值,如5或6等。
需要说明的是,对油藏勘探而言,从历史经验的角度,最关键的勘探类比参数为沉积环境属性参数和构造背景属性参数。因此,在目标属性参数中至少包括:沉积环境属性参数和构造背景属性参数。
因此,进一步的,本实施例中在将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数之前,需要先判断相关度值满足预设条件如相关度值超过阈值的已知属性参数中是否包含沉积环境参数和构造背景参数;如果不包含,则将相关度值最低的两个已知属性参数分别替换为所述沉积环境参数和构造背景参数,以得到所述目标属性参数。例如,如果在前N位已知属性参数中没有沉积环境和构造背景这两个参数,则那么可以删除前N位中排序后两位的属性参数,将沉积环境和构造背景这两个参数填入到后两位,重新构成N个目标属性参数。
在一种实现方式中,步骤102中在预先创建的知识图谱数据库中查找与多个目标属性参数匹配的目标勘探样本时,可以通过以下方式实现,如图2中所示:
步骤201:在知识图谱数据库中,获得同时包含多个目标属性参数的第一勘探样本。
也就是说,本实施例中对知识图谱数据库中的勘探样本进行一次筛选,筛选出同时包含所有目标属性参数的第一勘探样本,而对于只包含其中一部分目标属性参数或者不包含目标属性参数的勘探样本进行剔除。
步骤202:将第一勘探样本在目标勘探属性上的样本属性参数的参数值进行归一化。
也就是说,本实施例中将第一勘探样本在目标勘探属性上的样本属性参数的参数值在数量级上进行归一化,例如,将所有的参数值均归一化到0.0-1.0之间,使得各个样本属性参数的参数值之间具有可比性。
步骤203:利用预设最优距离算法,对第一勘探样本在目标勘探属性上的样本属性参数的参数值和勘探目标的目标属性参数的参数值之间的距离进行计算,得到每个第一勘探样本和勘探目标在多个目标属性参数上的相似度值。
其中,本实施例中可以采用欧氏距离算法或马氏距离算法等对第一勘探样本在目标勘探属性上的样本属性参数的参数值和勘探目标的目标属性参数的参数值进行距离计算,进而得到每个第一勘探样本和勘探目标关于多个目标属性参数的相似度值。
步骤204:在第一勘探样本中,选取相似度值满足预设的相似度筛选条件的勘探样本为目标勘探样本。
也就是说,本实施例中在对知识图谱数据库中的勘探样本进行步骤201中的一次筛选之后,再利用计算出的相似度进行再一次筛选,筛选出相似度值大小排序在前M位的勘探样本为目标勘探样本。M为大于或等于一定阈值的数值,如70、80或100等。
在一种实现方式中,步骤103中在获得勘探目标在目标勘探属性上的每个已知属性参数的参数值在已知属性参数对应的参数集合中出现的累积概率分布值时,具体可以通过以下方式实现:
首先,将勘探目标在目标勘探属性上的每个已知属性参数的参数值和每个目标勘探样本在目标勘探属性上的每个样本属性参数的参数值组成二维矩阵。
其中,勘探目标和目标勘探样本依次组成二维矩阵的行,勘探目标在目标勘探属性上的每个已知属性参数和每个目标勘探样本在目标勘探属性上的每个样本属性参数依次组成二维矩阵的列,已知属性参数的参数值和样本属性参数的参数值组成二维矩阵的元素,如图3中所示的80*5的二维矩阵。或者,勘探目标和目标勘探样本依次组成二维矩阵的列,勘探目标在目标勘探属性上的每个已知属性参数和每个目标勘探样本在目标勘探属性上的每个样本属性参数依次组成二维矩阵的行,已知属性参数的参数值和样本属性参数的参数值组成二维矩阵的元素,即将图3中所示的80*5的二维矩阵进行转置所得到的二维矩阵。另外,本实施例中还可以对二维矩阵中的矩阵元素的值进行归一化,以使得值之间具有可比性。
之后,获得勘探目标在目标勘探属性上的每个已知属性参数的参数值在其所在列或行中的累积概率分布值。
也就是说,以图3中的二维矩阵为例,以二维矩阵中的每一列为一个参数值的集合,获得勘探目标在该列中的参数值在该列中出现的比例值,由此,得到累积概率分布值。或者,以图3中二维矩阵的转置后的二维矩阵为例,以二维矩阵中的每一行为一个参数值的集合,获得勘探目标在该列中的参数值在该行中出现的比例值,由此,得到累积概率分布值。
具体的,本实施例中可以按照二维矩阵中每一列的参数值构建累积概率分布函数,进而通过累积概率分布函数获得到勘探目标的已知属性参数的参数值的累积概率分布值,以孔隙度属性参数为例,其累积概率分布函数定义如下公式(1),表示所有小于等于孔隙度为x的所有样本的概率。
FX(x)=P(X≤x) 公式(1)
而孔隙度示例的概率的一个累积概率分布函数如图4中所示。根据图4,如果勘探目标的孔隙度参数值为25%,该参数的概率分布分数为0.965*100=96.5。
在一种实现方式中,步骤103中在确定勘探目标在目标勘探属性上的勘探有利程度时,具体可以通过以下方式实现:
分别将勘探目标在目标勘探属性上的每个已知属性参数对应的累积概率分布值相加,得到勘探目标在目标勘探属性上的勘探分数值,再根据勘探分数值,确定勘探目标在所述目标勘探属性上的勘探有利程度。
进一步的,本实施例中在将勘探目标在目标勘探属性上的每个已知属性参数对应的累积概率分布值相加之前,可以先分别对勘探目标在目标勘探属性上的每个已知属性参数对应的累积概率分布值进行加权,得到加权更新的累积概率分布值,在将加权更新的累积概率分布值相加,得到勘探目标在目标勘探属性上的勘探分数值,之后再根据勘探分数值,确定勘探目标在所述目标勘探属性上的勘探有利程度。
例如,如果孔隙度属性参数的权重为0.8,那么勘探目标在这个参数上的累积概率分布值的分值为96.5*0.8=77.2,之后,将勘探目标在各个已知属性参数上对应的累积概率分布值全部相加,得到勘探目标在目标勘探属性上的勘探分数值,相应的,如果勘探目标的总分越大,那么表明该勘探目标进行油气勘探的成功率越高,勘探越有利。
参考图5,为本申请实施例二提供的一种油气勘探装置的结构示意图,该装置可以设置在能够进行数据处理的终端或服务器上,如云端或本地的勘探服务器上,主要用于选定的勘探目标在相应的目标勘探属性上进行油气勘探,以勘探出该勘探目标在目标勘探属性上的成功率。
具体的,本实施例中的装置可以包括以下单元:
参数获得单元501,用于确定勘探目标在预设的目标勘探属性上的多个目标属性参数;
样本获得单元502,用于在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;
勘探评分单元503,用于根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
由上述方案可知,本发明实施例二提供的一种油气勘探装置中,在确定勘探目标在目标勘探属性上的多个已知属性参数之后,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,可见,本发明中不再全部依赖于勘探工作人员的主观判断,也就避免引入过多的影响勘探结果的主观因素,进而提高最终实现油气勘探的成功率。
在一种实现方式中,参数获得单元501确定勘探目标在预设的目标勘探属性上的多个目标属性参数,包括:
获取勘探目标在预设的目标勘探属性上的多个已知属性参数;
获取所述知识图谱数据库中多个勘探样本在所述目标勘探属性上的多个样本属性参数;
根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数。
可选的,参数获得单元501根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数,包括:
将每个所述已知属性参数分别与预先创建的知识图谱数据库中的每个勘探样本在所述目标勘探属性上的样本属性参数进行相关度计算,得到相关度值;
将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数;和/或,
在将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数之前,所述方法还包括:
判断所述相关度值满足预设条件的已知属性参数中是否包含沉积环境参数和构造背景参数;
如果不包含,则将相关度值最低的两个已知属性参数分别替换为所述沉积环境参数和构造背景参数,以得到所述目标属性参数。
在一种实现方式中,样本获得单元502在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,包括:
在预先创建的知识图谱数据库中,获得同时包含所述多个目标属性参数的第一勘探样本;
将所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值进行归一化;
利用预设最优距离算法,对所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值和所述勘探目标的目标属性参数的参数值之间的距离进行计算,得到每个所述第一勘探样本和所述勘探目标在所述多个目标属性参数上的相似度值;
在所述第一勘探样本中,选取所述相似度值满足预设的相似度筛选条件的勘探样本为目标勘探样本。
可选的,所述目标勘探属性包括:所述勘探目标的区带含油气性的勘探属性、所述勘探目标的成藏有利区带的勘探属性、所述勘探目标的油气储量的勘探属性中的任意一种;
其中,所述目标属性参数包括所述勘探目标的地层厚度参数、烃源岩参数、孔隙度参数、渗透率参数中的任意一种或任意多种的组合。
在一种实现方式中,勘探评分单元503根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值;所述已知属性参数对应的参数集合中包括:所述勘探目标在所述目标勘探属性上的所述已知属性参数的属性值和每个所述目标勘探样本在所述目标勘探属性上的与所述已知属性参数一致的样本属性参数的属性值;
至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
可选的,勘探评分单元503获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值,包括:
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数的参数值组成二维矩阵,其中,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的行,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的列,或者,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的列,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的行,所述已知属性参数的参数值和所述样本属性参数的参数值组成所述二维矩阵的元素;
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在其所在列或行中的累积概率分布值;
可选的,勘探评分单元503至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
分别对所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值进行加权,得到加权更新的累积概率分布值;
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值相加,得到所述勘探目标在所述目标勘探属性上的勘探分数值;
根据所述勘探分数值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
需要说明的是,本实施例中的油气勘探装置可以包括处理器和存储器,上述参数获得单元、目标确定单元、样本获得单元、概率获得单元及勘探评分单元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实现油气勘探。
本发明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油气勘探方法。
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油气勘探方法。
本发明实施例提供了一种电子设备,如图6中所示,设备包括至少一个处理器601、以及与处理器601连接的至少一个存储器602、总线;603其中,处理器601、存储器602通过总线603完成相互间的通信;处理器601用于调用存储器602中的程序指令,以执行上述的油气勘探方法。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:
确定勘探目标在预设的目标勘探属性上的多个目标属性参数;
在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;
根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述勘探属性上的勘探有利程度。
在一种实现方式中,确定勘探目标在预设的目标勘探属性上的多个目标属性参数,包括:
获取勘探目标在预设的目标勘探属性上的多个已知属性参数;
获取所述知识图谱数据库中多个勘探样本在所述目标勘探属性上的多个样本属性参数;
根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数。
可选的,根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数,包括:
将每个所述已知属性参数分别与预先创建的知识图谱数据库中的每个勘探样本在所述目标勘探属性上的样本属性参数进行相关度计算,得到相关度值;
将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数;和/或,
在将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数之前,所述方法还包括:
判断所述相关度值满足预设条件的已知属性参数中是否包含沉积环境参数和构造背景参数;
如果不包含,则将相关度值最低的两个已知属性参数分别替换为所述沉积环境参数和构造背景参数,以得到所述目标属性参数。
在一种实现方式中,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,包括:
在预先创建的知识图谱数据库中,获得同时包含所述多个目标属性参数的第一勘探样本;
将所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值进行归一化;
利用预设最优距离算法,对所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值和所述勘探目标的目标属性参数的参数值之间的距离进行计算,得到每个所述第一勘探样本和所述勘探目标在所述多个目标属性参数上的相似度值;
在所述第一勘探样本中,选取所述相似度值满足预设的相似度筛选条件的勘探样本为目标勘探样本。
可选的,所述目标勘探属性包括:所述勘探目标的区带含油气性的勘探属性、所述勘探目标的成藏有利区带的勘探属性、所述勘探目标的油气储量的勘探属性中的任意一种;
其中,所述目标属性参数包括所述勘探目标的地层厚度参数、烃源岩参数、孔隙度参数、渗透率参数中的任意一种或任意多种的组合。
在一种实现方式中,根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值;所述已知属性参数对应的参数集合中包括:所述勘探目标在所述目标勘探属性上的所述已知属性参数的属性值和每个所述目标勘探样本在所述目标勘探属性上的与所述已知属性参数一致的样本属性参数的属性值;
至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
可选的,获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值,包括:
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数的参数值组成二维矩阵,其中,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的行,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的列,或者,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的列,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的行,所述已知属性参数的参数值和所述样本属性参数的参数值组成所述二维矩阵的元素;
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在其所在列或行中的累积概率分布值;
可选的,至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
分别对所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值进行加权,得到加权更新的累积概率分布值;
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值相加,得到所述勘探目标在所述目标勘探属性上的勘探分数值;
根据所述勘探分数值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
以下以油田勘探为例,对发明中的技术方案进行举例说明:
本发明的技术方案中基于知识图谱的基于知识图谱的油藏自动类比方案按照科学、严谨的思路进行设计与实现,整体按照类比目标参数确定、类比参数选取、类比样本选取、自动类比和打分、类比成果展示等五个流程节点进行。具体如下:
a、类比目标参数确定:将石油勘探、开发与生产过程中的各类问题进行抽象和归纳,确定类比目标(目标勘探属性)。例如,在一个没有做过石油勘探的新区,油藏类比目标可拆分为:(1)本区是否能找到石油;(2)如果能找到石油,具体含油的平面位置和地下层位在哪里;(3)本区能发现多少油气。此时的类比目标可以归结为有利区带预测,具体的勘探目标参数可以确定为区带含油气性、成藏有利区带、油气地质储量等三个参数(已知属性参数)。如果勘探目标(如盆地、区带、油田、油藏、井区等)已经确定,则基于知识图谱的本体结构,提取当前勘探对象的各类已知参数作为类比目标参数(已知属性参数)。
b、类比参数选取:针对类比的目标参数,基于构建好的勘探开发知识图谱数据库,利用图论中的各种相似度算法(如余弦相似度、Jaccard相似度、Pearson相似度、欧式距离或重叠相似度),对目标参数(已知属性参数)的相关参数(样本属性参数)进行相似度自动分析,找到相关度最高的5个类比参数(目标属性参数)。但对油藏勘探而言,最关键的勘探类比参数为沉积环境和构造背景。如果这5个类比参数中,没有沉积环境、构造背景这两个参数,则删除第4、第5个参数,将沉积环境和构造背景这两个参数填入到第4、第5位,重新构成5个新的类比参数。
c、类比样本选取:根据上步选取的5个类比参数,在知识图谱数据库中寻找所有含有这5个参数的类似样本(第一勘探样本),并将这些样本的类似参数进行归一化处理,使得所有参数值都位于0.0-1.0之间。再利用欧氏距离算法,计算勘探目标与知识图谱库中所有样本的相似度距离,自动找到与勘探目标距离最小,即相似度最高的80个勘探样本作为类比样本。如果查询结果数量小于80,即取所有样本作为类比样本(目标勘探样本)。
d、自动类比和打分:对查询到的80个来自于知识图谱库中的类比样本,这些样本和勘探目标都很类似。将这些勘探类比样本所有属性和属性值从知识图谱中提取出来,加上目标样本,形成一个二维矩阵,矩阵的行数为80行或者少于80行,列数是所有不为空的属性数目。接下来对该二维矩阵进行归一化,将所有参数值范围标准化到0.0到1.0的范围。然后定义参数的权重,每个参数权重的范围为[0.0,1.0],初始值为1.0,用户可手动调整每个参数的权重;接下来对每个参数值构建一个累积概率分布函数,依据概率分布对勘探目标进行自动打分。例如,针对孔隙度而言,其累积分布函数定义如下,表示所有小于等于孔隙度为x的所有样本的概率。
以孔隙度为例,其累积概率分布函数图4中所示,如果勘探目标的孔隙度为25%,该参数的概率分布分数为0.965*100=96.5,如果该参数的权重为0.8,那么勘探目标在这个参数上的分值为96.5*0.8=77.2。
最后,将每个参数得到的分数累积起来,即可得到该勘探目标的总分。勘探目标的总分越大,该勘探目标越有利。
e、类比成果展示:通过可视化的图形界面,用户可以查看各类勘探目标的分数,也可以显示每个参数的分值,从而为石油地质学家提供科学、准确的勘探决策支持。
可见,本发明的技术方案中基于构建好的勘探知识图谱数据库,对勘探目标进行类比分析,克服了勘探类比法使用过程中的主观性和不确定性;而且利用机器学习的思想,对石油勘探目标进行定量化评价。
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。
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)
1.一种油气勘探方法,其特征在于,所述方法包括:
确定勘探目标在预设的目标勘探属性上的多个目标属性参数;
在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;
根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
2.根据权利要求1所述的方法,其特征在于,确定勘探目标在预设的目标勘探属性上的多个目标属性参数,包括:
获取勘探目标在预设的目标勘探属性上的多个已知属性参数;
获取所述知识图谱数据库中多个勘探样本在所述目标勘探属性上的多个样本属性参数;
根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数。
3.根据权利要求2所述的方法,其特征在于,根据所述多个已知属性参数和所述多个样本属性参数的相关度,确定多个目标属性参数,包括:
将每个所述已知属性参数分别与预先创建的知识图谱数据库中的每个勘探样本在所述目标勘探属性上的样本属性参数进行相关度计算,得到相关度值;
将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数;和/或,
在将与样本属性参数的相关度值满足预设条件的已知属性参数确定为目标属性参数之前,所述方法还包括:
判断所述相关度值满足预设条件的已知属性参数中是否包含沉积环境参数和构造背景参数;
如果不包含,则将相关度值最低的两个已知属性参数分别替换为所述沉积环境参数和构造背景参数,以得到所述目标属性参数。
4.根据权利要求1所述的方法,其特征在于,在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,包括:
在预先创建的知识图谱数据库中,获得同时包含所述多个目标属性参数的第一勘探样本;
将所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值进行归一化;
利用预设最优距离算法,对所述第一勘探样本在所述目标勘探属性上的样本属性参数的参数值和所述勘探目标的目标属性参数的参数值之间的距离进行计算,得到每个所述第一勘探样本和所述勘探目标在所述多个目标属性参数上的相似度值;
在所述第一勘探样本中,选取所述相似度值满足预设的相似度筛选条件的勘探样本为目标勘探样本。
5.根据权利要求1所述的方法,其特征在于,所述目标勘探属性包括:所述勘探目标的区带含油气性的勘探属性、所述勘探目标的成藏有利区带的勘探属性、所述勘探目标的油气储量的勘探属性中的任意一种;
其中,所述目标属性参数包括所述勘探目标的地层厚度参数、烃源岩参数、孔隙度参数、渗透率参数中的任意一种或任意多种的组合。
6.根据权利要求1所述的方法,其特征在于,根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值;所述已知属性参数对应的参数集合中包括:所述勘探目标在所述目标勘探属性上的所述已知属性参数的属性值和每个所述目标勘探样本在所述目标勘探属性上的与所述已知属性参数一致的样本属性参数的属性值;
至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
7.根据权利要求6所述的方法,其特征在于,获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在所述已知属性参数对应的参数集合中出现的累积概率分布值,包括:
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数的参数值组成二维矩阵,其中,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的行,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的列,或者,所述勘探目标和所述目标勘探样本依次组成所述二维矩阵的列,所述勘探目标在所述目标勘探属性上的每个所述已知属性参数和每个所述目标勘探样本在所述目标勘探属性上的每个所述样本属性参数依次组成所述二维矩阵的行,所述已知属性参数的参数值和所述样本属性参数的参数值组成所述二维矩阵的元素;
获得所述勘探目标在所述目标勘探属性上的每个所述已知属性参数的参数值在其所在列或行中的累积概率分布值;
和/或,至少根据所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度,包括:
分别对所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值进行加权,得到加权更新的累积概率分布值;
将所述勘探目标在所述目标勘探属性上的每个所述已知属性参数对应的累积概率分布值相加,得到所述勘探目标在所述目标勘探属性上的勘探分数值;
根据所述勘探分数值,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
8.一种油气勘探装置,其特征在于,包括:
参数获得单元,用于确定勘探目标在预设的目标勘探属性上的多个目标属性参数;
样本获得单元,用于在预先创建的知识图谱数据库中,查找与所述多个目标属性参数匹配的目标勘探样本,所述知识图谱数据库中的每个勘探样本具有表征在所述目标勘探属性上勘探有利程度的样本属性参数;
勘探评分单元,用于根据所述目标勘探样本在所述目标勘探属性上的样本属性参数,确定所述勘探目标在所述目标勘探属性上的勘探有利程度。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1~7任意一项权利要求所述的油气勘探方法。
10.一种电子设备,其特征在于,设备包括至少一个处理器、以及与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1-7中任一项所述的油气勘探方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383059.2A CN111475685B (zh) | 2019-12-27 | 2019-12-27 | 油气勘探方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383059.2A CN111475685B (zh) | 2019-12-27 | 2019-12-27 | 油气勘探方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475685A true CN111475685A (zh) | 2020-07-31 |
CN111475685B CN111475685B (zh) | 2020-10-27 |
Family
ID=71746270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911383059.2A Active CN111475685B (zh) | 2019-12-27 | 2019-12-27 | 油气勘探方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475685B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378951A (zh) * | 2021-06-22 | 2021-09-10 | 中海石油(中国)有限公司 | 一种油田画像的可视化类比方法、系统、可读介质和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128022A (zh) * | 2010-12-30 | 2011-07-20 | 中国电子科技集团公司第二十二研究所 | 钻井工程预警方法及系统 |
US8010574B2 (en) * | 2003-12-02 | 2011-08-30 | International Business Machines Corporation | System and method for indexing, searching and retrieving semantic objects |
CN104239703A (zh) * | 2014-09-03 | 2014-12-24 | 中石化江汉石油工程有限公司测录井公司 | 页岩气储层多参数定量类比评价方法 |
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN106355627A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 一种用于生成知识图谱的方法及系统 |
CN109482874A (zh) * | 2018-11-29 | 2019-03-19 | 湖南大学 | 基于图像监测控制激光增材中凝固组织形态的方法及系统 |
CN110264014A (zh) * | 2019-06-27 | 2019-09-20 | 北京中油瑞飞信息技术有限责任公司 | 一种预测老井产油量的方法及装置 |
-
2019
- 2019-12-27 CN CN201911383059.2A patent/CN111475685B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8010574B2 (en) * | 2003-12-02 | 2011-08-30 | International Business Machines Corporation | System and method for indexing, searching and retrieving semantic objects |
CN102128022A (zh) * | 2010-12-30 | 2011-07-20 | 中国电子科技集团公司第二十二研究所 | 钻井工程预警方法及系统 |
CN104239703A (zh) * | 2014-09-03 | 2014-12-24 | 中石化江汉石油工程有限公司测录井公司 | 页岩气储层多参数定量类比评价方法 |
CN106355627A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 一种用于生成知识图谱的方法及系统 |
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN109482874A (zh) * | 2018-11-29 | 2019-03-19 | 湖南大学 | 基于图像监测控制激光增材中凝固组织形态的方法及系统 |
CN110264014A (zh) * | 2019-06-27 | 2019-09-20 | 北京中油瑞飞信息技术有限责任公司 | 一种预测老井产油量的方法及装置 |
Non-Patent Citations (1)
Title |
---|
郭秋麟 等: "油气资源评价方法研究进展与新一代评价软件系统", 《石油学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378951A (zh) * | 2021-06-22 | 2021-09-10 | 中海石油(中国)有限公司 | 一种油田画像的可视化类比方法、系统、可读介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111475685B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11852778B2 (en) | Static engine and neural network for a cognitive reservoir system | |
Tewari et al. | Ensemble-based big data analytics of lithofacies for automatic development of petroleum reservoirs | |
CN109492775B (zh) | 一种地质构造解释的检测方法,检测装置及可读存储介质 | |
CA3109021C (en) | Facilitating hydrocarbon exploration by applying a machine-learning model to basin data | |
Han et al. | Comprehensive analysis for production prediction of hydraulic fractured shale reservoirs using proxy model based on deep neural network | |
CN111475685B (zh) | 油气勘探方法、装置、存储介质及电子设备 | |
Kim et al. | Application of classification coupled with PCA and SMOTE, for obtaining safety factor of landslide based on HRA | |
CA2910829C (en) | Attribute importance determination | |
CN111101924A (zh) | 岩性储层优势相带预测方法及设备 | |
US20200308934A1 (en) | Automatic calibration of forward depositional models | |
Emelyanova et al. | Unsupervised identification of electrofacies employing machine learning | |
Sharma et al. | Machine Learning Based Integrated Approach to Estimate Total Organic Carbon in Shale Reservoirs–A Case Study from Duvernay Formation, Alberta Canada | |
Kim et al. | Efficient method for mining high utility occupancy patterns based on indexed list structure | |
Li et al. | Data mining techniques for complex formation evaluation in petroleum exploration and production: A comparison of feature selection and classification methods | |
Temizel et al. | Efficient use of methods, attributes, and case-based reasoning algorithms in reservoir analogue techniques in field development | |
US20220237179A1 (en) | Systems and Methods for Improved Machine Learning Using Data Completeness and Collaborative Learning Techniques | |
Díaz de la Paz et al. | Weights Estimation in the Completeness Measurement of Bibliographic Metadata | |
Ashayeri et al. | Assessment of Unconventional Resources Opportunities in the Middle East Tethyan Petroleum System in a Transfer Learning Context | |
Wei et al. | A symbolic tree model for oil and gas production prediction using time-series production data | |
Patil et al. | Efficient processing of decision tree using ID3 & improved C4. 5 algorithm | |
Roustazadeh et al. | Estimating oil recovery factor using machine learning: applications of XGBoost classification | |
Juliana et al. | Exploring the Landscape: Unveiling Dominant Approaches, Benefits and Potential Pitfalls in Utilizing Diverse Machine Learning Methods for Facies Classification–A Review | |
Rekik et al. | Augmented Learning Parameter Advisor for Wellbore Domain Interpretations | |
Huang et al. | The approach to classifying multi-output datasets based on cluster validity index method | |
Sani et al. | Comparative Between Three Machine Learning Algorithms to Predict and Improve Students’ Academic Performance |
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 |