CN111561313A - 基于物理模型和机器学习的致密砂岩储层参数预测方法 - Google Patents

基于物理模型和机器学习的致密砂岩储层参数预测方法 Download PDF

Info

Publication number
CN111561313A
CN111561313A CN202010413467.4A CN202010413467A CN111561313A CN 111561313 A CN111561313 A CN 111561313A CN 202010413467 A CN202010413467 A CN 202010413467A CN 111561313 A CN111561313 A CN 111561313A
Authority
CN
China
Prior art keywords
physical model
logging
porosity
tight sandstone
method based
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
Application number
CN202010413467.4A
Other languages
English (en)
Other versions
CN111561313B (zh
Inventor
谭茂金
白洋
张海涛
李高仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202010413467.4A priority Critical patent/CN111561313B/zh
Publication of CN111561313A publication Critical patent/CN111561313A/zh
Application granted granted Critical
Publication of CN111561313B publication Critical patent/CN111561313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK 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
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明涉及测井解释技术领域，特别涉及一种致密砂岩储层参数测井预测方法。基于物理模型和机器学习的致密砂岩储层参数预测方法，包括以下步骤：A.建立储层参数的物理模型；B.建立委员会机器；C.将测井数据及对应的所述物理模型共同输入至所述委员会机器；D.所述委员会机器对储层参数进行预测。本发明选择不同专家构建委员会机器CM，即使单个专家预测误差偏大，多专家系统也可以整合所有专家的优势做出补偿，提高了智能系统预测结果的准确度、稳定性和泛化能力。同时，本发明将物理模型与委员会机器CM集成在一起，实现了物理模型与敏感测井数据的共同驱动，提高了储层参数预测效果。

Description

基于物理模型和机器学习的致密砂岩储层参数预测方法
技术领域
本发明涉及测井解释技术领域，特别涉及一种致密砂岩储层参数测井预测方法。
背景技术
超深、超低孔砂岩储层岩性致密、孔隙小、喉道细、连通性差，地层非均质性强、裂缝发育，而且孔隙结构、氯化盐等矿物成分复杂，测井解释难度大。目前的做法，有两大类，一类是物理模型方法，二是机器学习方法。
物理模型方法中，通常利用泥质砂岩构建体积模型，推导得出理论公式，或者利用岩心数据回归得到经验公式，然后利用公式进行计算。该类方法的最大特点就是看得见的公式。物理模型方法中，构建的体积模型通常需要对实际岩石进行简化，当储层岩石矿物含量复杂时，构建的体积模型不一定适用；基于体积模型推导的理论公式中包含的一些骨架参数值通常采用理论值或者经验数值，计算的结果不可靠。采用岩心数据构建的一元或者多元公式，有时候拟合精度不高，影响了进一步的规模化应用。
第二类是利用机器学习的方法，通常采用有监督的学习，利用已知的岩石物理实验数据对测井数据进行标注，通过一定形式的训练与测试，构建最佳网络模型，然后对目标井利用测井数据进行预测。该类方法的最大特点是看不见的“黑盒”算法。在目前有监督的机器学习为主的测井储层参数预测中，其本质是数据驱动，物理模型和物理概念缺乏，当测井数据选择不合适时，构建的智能模型不科学，泛化能力差，限制了该智能算法的进一步应用。
发明内容
本发明的目的是：针对致密砂岩储层的特点，即孔隙度低，渗透率极低，矿物成分多样，以前建立的测井解释理论方法难以应用的问题，提供一种基于物理模型和机器学习的致密砂岩储层参数预测方法。
本发明的技术方案是：基于物理模型和机器学习的致密砂岩储层参数预测方法，包括以下步骤：
A.建立储层参数的物理模型。
B.建立委员会机器。委员会机器是由多个专家组成的复合专家系统。在这个集成的系统中，所有专家都处理同一任务，并为油藏参数预测设计有效的决策机制将他们的预测结果组合在一起，以获得最终结果。
C.将测井数据及对应的所述物理模型共同输入至所述委员会机器。测井数据具体包括：自然伽马测井、电阻率测井、声波时差测井、中子密度测井、补偿密度测井。
D.所述委员会机器对储层参数进行预测。
进一步的，致密砂岩储层的测井解释主要包括孔隙度，渗透率和饱和度的预测。因此，步骤A中，储层参数的物理模型包括：孔隙度模型，渗透率模型和含水饱和度模型。
对于泥质砂岩的体积模型，可以从声波时差测井、中子测井和密度测井得出孔隙度计算模型。孔隙度φ的计算模型如下：
Figure BDA0002494168960000021
Figure BDA0002494168960000022
Figure BDA0002494168960000023
式中，φA为声波孔隙度；Δtma为致密砂岩骨架的声波时差，约为55.5μs/ft；Δtf为泥浆滤液的声矩阵，约189μs/ft；Δtsh为泥质的声波时差，约为180μs/ft；Vsh为粘土的体积；
φN为中子测井孔隙度；φN,ma为致密砂岩骨架的中子孔隙度，即石英的中子孔隙度，约为-0.02；φN,f为泥浆滤液的中子孔隙度，约为1.0；φN,sh为泥质的中子孔隙度，约为0.3；
φD为密度测井孔隙度；ρma为致密砂岩的骨架的密度，即石英密度，约为2.65g/cm3；ρf是泥浆滤液的密度，约为1.0g/cm3；ρsh是泥质的密度，约为2.2g/cm3。
渗透率K的计算模型如下：
Figure BDA0002494168960000024
式中，Swb是储层束缚水饱和度。
含水饱和度Sw的计算模型如下：
Figure BDA0002494168960000025
式中，Rt为储层的真实电阻率，从深感应或深侧向电阻率测井中收集得到；Rw是地层水电阻率；a，b，m和n为经验常数，来自岩心岩石物理实验。
上述关于孔隙度、渗透率和饱和度的物理模型也可以通过构造经验公式代替。
进一步的，步骤B中，委员会机器CM由反向传播神经网络BPNN、极限学习机ELM、小波神经网络WNN三个专家网络的全部或任意组合构成。优选使用反向传播神经网络BPNN、极限学习机ELM、小波神经网络WNN三个专家网络的组合策略。
在测井解释中，CM输出孔隙度，渗透率和含水饱和度等参数。组合策略是CM的关键。在用CM进行数值预测时，通常采用加权求和法作为组合策略，该方法根据遗传算法分配不同的权重。实际上，遗传算法搜索的最优专家权重与其在训练和预测过程中的表现有关。预测性能良好的专家权重较大，而预测性能较差的专家权重较小。确定权重后，使用加权求和方法获得最终输出。即在步骤D后，还包括步骤E：根据加权求和法得到所述委员会机器预测结果：
Figure BDA0002494168960000031
式中，yCM为所述委员会机器预测结果；wj为BPNN、ELM、WNN三个专家网络的加权因子；bj为第j个专家网络的预测值，j＝1,2,3。
在测井解释的岩石物理参数预测中，首先对BPNN，ELM和WNN进行了训练，并确定最佳模型参数。对于每个样本输入xi，每个专家网络都输出预测值，该预测值记为yi,j，即第i个样本，第j个专家的预测结果。然后，通过优化遗传算法目标函数E计算BPNN、ELM、WNN三个专家网络权重：
Figure BDA0002494168960000032
式中，T是目标值；N是训练数据集的数量。
在利用遗传算法计算时，制定以下约束条件：
Aw＝b
式中，A＝[1 1 1]，w＝[w1 w2 w3]，b＝1，w1 w2 w3分别为BPNN、ELM、WNN三个专家网络权重范围为0到1。
有益效果：本发明采用选择不同专家网络构建委员会机器CM，即使单个专家预测误差偏大，多专家系统也可以整合所有专家的优势做出补偿，提高了智能系统预测结果的准确度、稳定性和泛化能力。同时，本发明将物理模型与委员会机器CM集成在一起，实现了物理模型与敏感测井数据的共同驱动，提高了储层参数预测效果。案例研究表明，采用本发明所述方法预测的孔隙度、渗透率和含水饱和度均与岩心测量结果一致，基于数据和模型联合驱动计算结果比岩石物理模型和单个专家网络更准确。
附图说明
图1为本发明的工作流程图；
图2为BPNN，ELM，WNN及CM预测孔隙度、渗透率和饱和度预测结果的相对误差；
图3为物理模型分别与BPNN、ELM、WNN、CM共同驱动的孔隙度、渗透率、饱和度预测结果的相对误差比较；
图4为M224井岩石物理模型与CM共同驱动的测井解释成果。
具体实施方式
实施例1，参见附图1，基于物理模型和机器学习的致密砂岩储层参数预测方法，包括以下步骤：
A.建立储层参数的物理模型。
本例中，致密砂岩储层的测井解释主要包括孔隙度，渗透率和含水饱和度的预测。
对于泥质砂岩的体积模型，可以从声波时差测井、中子测井和密度测井得出孔隙度计算模型。孔隙度φ的计算模型如下：
Figure BDA0002494168960000041
Figure BDA0002494168960000042
Figure BDA0002494168960000043
式中，φA为声波孔隙度；Δtma为致密砂岩骨架的声波时差，约为55.5μs/ft；Δtf为泥浆滤液的声矩阵，约189μs/ft；Δtsh为泥质的声波时差，约为180μs/ft t；Vsh为粘土的体积；
φN为中子测井孔隙度；φN,ma为致密砂岩骨架的中子孔隙度，即石英的中子孔隙度，约为-0.02；φN,f为泥浆滤液的中子孔隙度，约为1.0；φN,sh为泥质的中子孔隙度，约为0.3；
φD为密度测井孔隙度；ρma为致密砂岩的骨架的密度，即石英密度，约为2.65g/cm3；ρf是泥浆滤液的密度，约为1.0g/cm3；ρsh是泥质的密度，约为2.2g/cm3。
渗透率K的计算模型如下：
Figure BDA0002494168960000051
式中，Swb是储层的含水饱和度。
含水饱和度Sw的计算模型如下：
Figure BDA0002494168960000052
式中，Rt为储层的真实电阻率，从深度检测电阻率测井中收集得到；Rw是地层水电阻率；a，b，m和n为经验常数，来自岩心岩石物理实验。对于环江油田延长组长8，a＝1.570，b＝1.0101，m＝1.691，n＝2.078。
B.建立委员会机器CM。本例中，选择反向传播神经网络BPNN、极限学习机ELM、小波神经网络WNN的组合作为专家。
C.将测井数据及对应的所述物理模型共同输入至所述委员会机器。具体的，测井数据包括：自然伽马测井、电阻率测井、声波时差测井、中子密度测井、补偿密度测井。
D.所述委员会机器CM分别用BPNN、ELM和WNN对数据集进行训练或预测。对于每个样本输入xi，每个专家网络都输出预测值，该预测值记录为yi,j，即第i个样本，第j个专家的预测结果。在测井解释中，CM输出结果为孔隙度，渗透率和含水饱和度等预测参数。
E：根据加权求和法得到所述委员会机器预测结果：
Figure BDA0002494168960000053
式中，yCM为所述委员会机器预测结果；wj为BPNN、ELM、WNN三个专家网络的加权因子；bj为第j个专家网络的预测值，j＝1,2,3。
可以根据遗传算法计算BPNN、ELM、WNN三个专家网络权重：
Figure BDA0002494168960000054
式中，T是目标值；N是训练数据集的数量。
在利用遗传算法计算时，制定以下约束条件：
Aw＝b
式中，A＝[1 1 1]，w＝[w1 w2 w3]，b＝1，w1 w2 w3分别为BPNN、ELM、WNN三个专家网络权重范围为0到1。
实施例2，在实施例1的基础上，以孔隙度预测为例，介绍CM和物理模型驱动的测井解释。
根据地球物理测井理论，选择对孔隙度敏感的测井数据作为输入数据，并将来自岩心实验室测量结果的孔隙度数据点用作标签。测井数据输入包括自然伽马测井、声波时差测井、中子测井和密度测井。所用的孔隙度计算模型为式(1)，并分别从其中的三个方程式预测初始声波孔隙度，中子孔隙度和密度孔隙度。除上述测井数据外，声波孔隙度，中子声波孔隙度和密度孔隙度也输入到CM中。至此，敏感数据和物理模型共同驱动的混合智能系统构建完毕。随后，分别用BPNN、ELM和WNN对数据集进行训练，并预测储层参数，计算每个专家网络的预测误差，并采用式(4)-(5)的遗传算法目标函数确定权重，并构建出最佳网络。输入上述测井数据和物理模型后，然后使用组合模块计算孔隙度。
渗透率预测和含水饱和度预测的工作流程相同。当预测渗透率时，测井数据输入包括自然伽马测井，以及来自式(2)的初始渗透率。当预测含水饱和度时，测井数据包括自然伽马测井、电阻率测井、利用模型计算出的孔隙度和根据公式(3)计算的初始含水饱和度。
实施例3，在实施例1的基础上，参见附图2，图2显示了BPNN，ELM，WNN以及RCM预测孔隙度、渗透率和饱和度预测结果的相对误差。三个单一专家网络的相对误差范围为11.43％至14.63％，CM计算得出的相对误差约为10.34％，因此CM优于每个单一专家网络。不同方法对渗透率和含水饱和度的比较也是相似的。这些比较表明，CM系统的组合策略可以提高预测性能，并且上述三个参数的相对误差最小，说明CM系统表现最好。
实施例4，在实施例1的基础上，参见附图3，图3显示了物理模型与不同智能算法共同驱动的孔隙度、渗透率、含水饱和度预测结果相对误差的比较。相比之下，上述三个参数预测中，孔隙度和含水饱和度比渗透率更准确。基于三个专家的孔隙度平均相对误差范围为8.26％至10.43％，基于CM模型的平均相对误差约为7.23％。三个单一专家网络的含水饱和度平均相对误差均高于7.72％，而物理模型与CM联合驱动计算的输出误差约为6.33％。对于渗透率预测来说，三个单一专家网络预测的渗透率平均相对误差为17.45％至18.49％，而物理模型与RCM联合驱动计算的平均相对误差约为14.65％。当然，渗透率预测非常困难，特别是对于超低渗透率油藏，但是，从每个参数预测来看，物理模型与CM联合驱动计算计算结果比没物理模型驱动更准确，这表明物理模型驱动的重要性。
可以看出，三位单一专家网络在预测孔隙度，渗透率和含水饱和度方面的表现是不一样的，均不如三个单一系统集成起来的CM系统，而且，物理模型和CM共同驱动时，三个储层参数的预测结果更好一些。
实施例5，在实施例1的基础上，参见附图4，M224井是中国鄂尔多斯盆地环西油田的一口探井。目标层为延长组长8，主要岩性为致密含油砂岩。测井项目包括常规测井系列和阵列感应测井，称为AT90/AT60/AT30/AT20/AT10。过去，通常使用经验公式来计算孔隙度、渗透率和含水饱和度。目标储层特征在于低孔隙度和渗透率，因此，先前建立的方法不适用。在这项研究中，我们选择BPNN，ELM和WNN来构建CM，利用遗传算法作为组合策略。考虑到电缆测井对预测参数的敏感性，选择自然伽马测井(GR)，声波时差测井(AC)，补偿密度测井(DEN)和中子密度测井(CNL)作为孔隙度和渗透率预测的数据输入。对于含水饱和度预测，除了上述测井以外，还选择了包括不同探测深度的阵列感应测井(AT90/AT60/AT30/AT20/AT10)作为数据输入。用岩心实验室测量结果构建标签数据。图4显示了基于岩石物理模型的CM测井解释结果。预测的孔隙度，渗透率和含水饱和度与岩心测量值非常吻合。CM和岩石物理模型共同驱动的孔隙度，渗透率和含水饱和度以及岩心实验室测量值的比较，以及以前测井解释结果的对比。相比之下，前者比后者岩心实验结果更吻合一些。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：包括以下步骤：
A.建立储层参数的物理模型；
B.建立委员会机器；
C.将测井数据及对应的所述物理模型共同输入至所述委员会机器；
D.所述委员会机器对储层参数进行预测。
2.如权利要求1所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述步骤A中，储层参数的物理模型包括：孔隙度模型，渗透率模型和含水饱和度模型。
3.如权利要求2所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述孔隙度φ的计算模型如下：
Figure FDA0002494168950000011
Figure FDA0002494168950000012
Figure FDA0002494168950000013
式中，φA为声波孔隙度；Δtma为致密砂岩骨架的声波时差；Δtf为泥浆滤液的声矩阵；Δtsh为泥质的声波时差；Vsh为粘土的体积；
φN为中子测井孔隙度；φN,ma为致密砂岩骨架的中子孔隙度；φN,f为泥浆滤液的中子孔隙度；φN,sh为泥质的中子孔隙度；
φD为密度测井孔隙度；ρma为致密砂岩的骨架的密度；ρf是泥浆滤液的密度；ρsh是泥质的密度。
4.如权利要求2所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述渗透率K的计算模型如下：
Figure FDA0002494168950000014
式中，Swb是储层束缚水水饱和度。
5.如权利要求2所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述含水饱和度Sw的计算模型如下：
Figure FDA0002494168950000021
式中，Rt为储层的真电阻率；Rw是地层水电阻率；a，b，m和n为经验常数。
6.如权利要求1所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：步骤B中，所述委员会机器由BPNN、ELM、WNN三个专家网络的全部或任意组合构成。
7.如权利要求6所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述步骤D后，还包括步骤E：根据加权求和法得到所述委员会机器预测结果：
Figure FDA0002494168950000022
式中，yCM为所述委员会机器预测结果；wj为BPNN、ELM、WNN三个专家网络的加权因子；bj为第j个专家网络的预测值。
8.如权利要求7所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述步骤E中，通过优化遗传算法目标函数E计算BPNN、ELM、WNN三个专家网络权重：
Figure FDA0002494168950000023
式中，T是目标值；N是训练数据数量；
在利用遗传算法计算时，制定以下约束条件：
AwT＝b
式中，A＝[1 1 1]，w＝[w1 w2 w3]，b＝1，w1 w2 w3分别为BPNN、ELM、WNN三个专家网络权重范围为0到1。
9.如权利要求1所述的基于物理模型和机器学习的致密砂岩储层参数预测方法，其特征在于：所述步骤C中，测井数据包括：自然伽马测井、电阻率测井、声波时差测井、中子密度测井、补偿密度测井。
CN202010413467.4A 2020-05-15 2020-05-15 基于物理模型和机器学习的致密砂岩储层参数预测方法 Active CN111561313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010413467.4A CN111561313B (zh) 2020-05-15 2020-05-15 基于物理模型和机器学习的致密砂岩储层参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010413467.4A CN111561313B (zh) 2020-05-15 2020-05-15 基于物理模型和机器学习的致密砂岩储层参数预测方法

Publications (2)

Publication Number Publication Date
CN111561313A true CN111561313A (zh) 2020-08-21
CN111561313B CN111561313B (zh) 2020-12-11

Family

ID=72072148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010413467.4A Active CN111561313B (zh) 2020-05-15 2020-05-15 基于物理模型和机器学习的致密砂岩储层参数预测方法

Country Status (1)

Country Link
CN (1) CN111561313B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112099087A (zh) * 2020-09-27 2020-12-18 中国石油天然气股份有限公司 油藏渗流特征参数的地球物理智能预测方法、装置及介质
CN112991277A (zh) * 2021-02-25 2021-06-18 广东工业大学 基于三维卷积神经网络的多孔介质渗透率的预测方法
CN113033637A (zh) * 2021-03-16 2021-06-25 电子科技大学 一种基于岩石物理样本增强的集成学习岩相预测方法
CN114693005A (zh) * 2022-05-31 2022-07-01 中国石油大学(华东) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108665109A (zh) * 2018-05-15 2018-10-16 中国地质大学（北京） 一种基于回归委员会机器的储层参数测井解释方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108665109A (zh) * 2018-05-15 2018-10-16 中国地质大学（北京） 一种基于回归委员会机器的储层参数测井解释方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王谦等: "基于孔隙结构分类的致密砂岩含水率计算模型-以鄂尔多斯盆地陇东西部延长组长81储层为例", 《石油物探》 *
白洋等: "基于委员会机器的总有机碳含量测井解释方法", 《2019年油气地球物理学术年会论文集》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112099087A (zh) * 2020-09-27 2020-12-18 中国石油天然气股份有限公司 油藏渗流特征参数的地球物理智能预测方法、装置及介质
CN112991277A (zh) * 2021-02-25 2021-06-18 广东工业大学 基于三维卷积神经网络的多孔介质渗透率的预测方法
CN113033637A (zh) * 2021-03-16 2021-06-25 电子科技大学 一种基于岩石物理样本增强的集成学习岩相预测方法
CN114693005A (zh) * 2022-05-31 2022-07-01 中国石油大学(华东) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法
CN114693005B (zh) * 2022-05-31 2022-08-26 中国石油大学(华东) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法

Also Published As

Publication number Publication date
CN111561313B (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN111561313B (zh) 基于物理模型和机器学习的致密砂岩储层参数预测方法
CN104950331B (zh) 一种砂泥岩储层的孔隙度与泥质含量的地震预测方法
Aïfa et al. Neuro-fuzzy system to predict permeability and porosity from well log data: A case study of Hassi R׳ Mel gas field, Algeria
US20180238148A1 (en) Method For Computing Lithofacies Probability Using Lithology Proximity Models
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
CN113610945B (zh) 一种基于混合神经网络的地应力曲线预测方法
Tian et al. Multi-resolution graph-based clustering analysis for lithofacies identification from well log data: Case study of intraplatform bank gas fields, Amu Darya Basin
Al-Mudhafar et al. Performance evaluation of boosting machine learning algorithms for lithofacies classification in heterogeneous carbonate reservoirs
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
Khadem et al. Integration of rock physics and seismic inversion for rock typing and flow unit analysis: A case study
CN107831540A (zh) 储层物性参数直接提取新方法
CN117251802B (zh) 一种基于迁移学习的非均质储层参数预测方法及系统
CN110671092A (zh) 油气产能检测方法及系统
Baouche et al. Intelligent methods for predicting nuclear magnetic resonance of porosity and permeability by conventional well-logs: a case study of Saharan field
CN111751878B (zh) 横波速度的预测方法和装置
Kamalyar Using artificial neural network for predicting water saturation in an Iranian oil reservoir
CN115586572B (zh) 一种孔隙参数与储层参数的地震岩石物理解析反演方法
Le Ravalec-Dupin Pilot block method methodology to calibrate stochastic permeability fields to dynamic data
Malvić et al. Neural networks in petroleum geology as interpretation tools
CN115685335A (zh) 一种纵横波速度预测方法、装置、计算机设备及存储介质
Singh et al. Application of NeuroFuzzy pattern recognition method in borehole geophysics
Kadhim et al. ANN-based prediction of cementation factor in carbonate reservoir
Correia Integration of reservoir characterization with history matching guided by pilot wells: Application to the Norne Field
Ismail et al. Identification of natural fractures in shale gas reservoirs using fracture signature function and machine learning models
Daniel Machine learning for pay zone identification in the Smørbukk field using well logs and XRF data

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