CN111749675A - 一种基于级联模型算法的地层可钻性预测方法及系统 - Google Patents
一种基于级联模型算法的地层可钻性预测方法及系统 Download PDFInfo
- Publication number
- CN111749675A CN111749675A CN202010451898.XA CN202010451898A CN111749675A CN 111749675 A CN111749675 A CN 111749675A CN 202010451898 A CN202010451898 A CN 202010451898A CN 111749675 A CN111749675 A CN 111749675A
- Authority
- CN
- China
- Prior art keywords
- model
- drillability
- prediction model
- data
- stratum
- 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 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000005553 drilling Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 19
- 239000011435 rock Substances 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于级联模型算法的地层可钻性预测方法及系统，该方法及系统包括前期的数据获取、相关性系数分析处理及归一化处理阶段，在基于级联模型算法建模的时候，建立以传统机器学习方法为基础的第一级模型，再从第一级模型中选出最优异的多个模型通过模型融合来搭建整体数据的预测模型。该方法及系统克服了以前地层可钻性预测方法中许多的局限性，并且采用级联模型来搭建整体预测框架，提高了预测精度，为之后进行钻进过程轨迹控制打下了良好的基础。
Description
技术领域
本发明属于能源预测，具体涉及一种基于级联模型算法，在深部钻进过程中对地层可钻性进行预测的方法及系统。
背景技术
由于人类对于地质石油矿产资源需求的不断增加，钻井活动变得日益频繁。在深部钻进中，深层岩石处于高压高温复杂的地应力环境下，随着地层深度不断变化，岩石的各种物理性质如硬度，可钻性等也在不断变化，因此很有必要提出一种有效可靠的地层可钻性模型来有效的指导钻井工程的进行，以达到科学钻井，提升效率，降低成本，保障安全。
岩石可钻性是指钻井过程中破碎岩石的难易程度。岩石可钻性的表示及测定是钻井工程中一项基础性的任务，钻头选型、确定钻井工艺，预测钻速均离不开岩石可钻性这个指标。自1927年Tillson提出岩石可钻性这个概念以来，大量的学者提出了关于研究岩石可钻性的方法。常见的岩石可钻性表示方法有以下两类：一类是传统方法，一般都是通过数学物理方程建立可钻性计算公式或者通过物理实验测定岩石可钻性，这类方法主要有静压力实验、校正地层压力密度比和钻井液密度指数模型、微钻法、逆钻速速度方程等。另一类主要是通过现代数据驱动方法来测定岩石可钻性，这类方法主要是利用测井或录井数据，采用机器学习算法进行岩石可钻性的测定，这类方法主要有声波测井数据计算法和录井资料预测法等。
然后，第一类方法在实验室环境中得到了很好的验证，也取得了一定的研究进展，但由于采集岩心进行实验，由于数量有限以及脱离了岩心所处地层的高温高压复杂的地应力环境，不能很好的代表地层可钻性值。第二种方法，测井记录了地层的物理特征，其中，不同深度下地层性质的变化将反映在测井数据上，并可由测井数据的变化来推断。第一类方法具有预测精度高、通用性好等优点，但是由于该方法通常使用传统的单一算法，计算精度有限。第二类方法通过测井数据记录，并且采取数据驱动的方式来进行测定地层可钻性是简单且有效的。
发明内容
本发明要解决的技术问题在于，针对现有技术测量精度有限的缺陷，提供一种基于级联模型通过测井数据来预测地层可钻性的方法及系统。
本发明解决其技术问题所采用的技术方案是：构造一种基于级联模型算法的地层可钻性预测方法，包括以下步骤：
S1、获取钻进过程中测井参数集合；所述测井参数集合包括m个因素，m>0；
S2、基于所述测井参数数据，采用相关性系数方法得到各个因素分别与造斜率的相关性系数结果，选择与造斜率具有较强相关性的n个因素，n<m；
S3、对所获得n个因素进行归一化处理；
S4、构建具有多层结构的地层可钻性预测模型，所述地层可钻性预测模型包括第一层预测模型和第二层预测模型；其中，所述第一层预测模型采用p1个回归模型搭建；其中，在将归一化处理后的数据输入至第一层预测模型后，根据网络的性能函数指标从p1个回归模型中选择出p2个模型，采用模型融合的方式对所述p2个模型进行融合，进而构建第二层预测模型；p2≤p1；
S5、将待测数据输入到步骤S4构建的地层可钻性预测模型，得到最终的地层可钻性预测结果。
本发明公开的一种基于级联模型算法的地层可钻性预测系统，包括以下模块：
数据获取模块，用于获取钻进过程中测井参数集合；所述测井参数集合包括m个因素，m>0；
相关性分析模块，用于基于所述测井参数数据，采用相关性系数方法得到各个因素分别与造斜率的相关性系数结果，选择与造斜率具有较强相关性的n个因素，n<m；
归一化处理模块，用于对所获得n个因素进行归一化处理；
模型融合模块，用于构建具有多层结构的地层可钻性预测模型，所述地层可钻性预测模型包括第一层预测模型和第二层预测模型；其中，所述第一层预测模型采用p1个回归模型搭建；其中，在将归一化处理后的数据输入至第一层预测模型后，根据网络的性能函数指标从p1个回归模型中选择出p2个模型，采用模型融合的方式对所述p2个模型进行融合，进而构建第二层预测模型；p2≤p1；
地层可钻性预测模块，用于将待测数据输入到模型融合模块构建的地层可钻性预测模型，得到最终的地层可钻性预测结果。
本发明公开的一种基于级联模型算法的地层可钻性预测方法及系统，首先将测井参数作为第一层预测模型的输入，在第一层预测模型下采用多个集成学习算法及回归算法，在完成了第一层预测模型的搭建和训练之后，选择表现最优异的三类模型(SVR、KNN以及LGB)作为第二层预测模型的输入，其中，采用堆叠方式构成第二层预测模型，当前第二层预测模型的输出为需要的最终地层可钻性预测结果。
实施本发明的一种基于级联模型算法的地层可钻性预测方法及系统，具有以下有益效果：
1、设计不考虑钻进工具结构和原理；
2、能够适用于各种地层不同的钻进过程；
3、能够拟合地层可钻性与多输入影响因素之间地复杂耦合关系。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明公开的一种基于级联模型算法的地层可钻性预测方法流程图；
图2是本发明公开的一种基于级联模型算法的地层可钻性预测系统结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
请参考图1，其为本发明公开的一种基于级联模型算法的地层可钻性预测方法流程图，包括以下步骤：
S1、获取钻进过程中测井参数集合；所述测井参数集合包括m个因素，m>0；其中，所述测井参数集合包括地层深度、岩石纵波时差、地层密度、泥质含量以及电阻率五个因素。
S2、基于所述测井参数数据，采用相关性系数方法，根据所得相关性系数结果，从中选择与造斜率相关性较大的三个因素；其中，采用Pearson相关性系数分析，从测井参数集合中去除相关性系数较小的因素，Pearson相关性系数分析的数学表达式为：
式(1)中，N表示输入数据的总体个数；xi、yi分别表示需要进行person相关性分析的自变量与因变量，其中，所述自变量包括地层深度、岩石纵波时差、地层密度、泥质含量以及电阻率五个因素，所述因变量为地层可钻性；r表示所得的相关性系数值。
S3、对所获的三个因素进行归一化处理，具体为将每个因素的取值映射到[0,1]区间内；其中，所述归一化处理的数学表达式为：
式(2)中，xi是单个输入的数据；xmin是整体数据中的最小值；xmax是整体数据中的最大值。
本步骤下，进行数据的归一化处理主要是将数据映射到0～1范围之内进行数据处理时，有效的提高了数据提取速度。
S4、构建具有多层结构的地层可钻性预测模型，所述地层可钻性预测模型包括第一层预测模型和第二层预测模型；其中，所述第一层预测模型采用p1个回归模型搭建；其中，在将归一化处理后的数据输入至第一层预测模型后，根据网络的性能函数指标从p1个回归模型中选择出p2个模型，采用模型融合的方式对所述p2个模型进行融合，进而构建第二层预测模型；p2≤p1；
当前步骤下，具体的所述第一层预测模型采用的回归模型包括：支持向量回归模型、最近邻回归模型、KNN回归模型、贝叶斯回归模型、神经网络模型、随机森林、GBDT框架、XGB框架和LGB框架，通过上述模型来搭建整体数据的第一层预测模型。
在将归一化处理后的数据输入到第一层预测模型后，采用均方误差指标-MSE进行网络性能的检验，选择表现最优异的三类模型输出作为第二级模型的输入，所述三类模型为支持向量回归模型-SVR、最近邻回归模型-KNN以及LGB框架。
第二层预测模型，通过堆叠方式，将第一层预测模型输出的三个最优模型进行模型融合，构建最终的地层可钻性预测模型。至此，地层可钻性预测模型构建完毕；本实施例下，采用模型融合方式构建第二层预测模型，并在MSE及MAE性能上进行检验。
S5、将待测数据输入到步骤S4构建的地层可钻性预测模型，得到最终的地层可钻性预测结果。
基于本发明公开的一种基于级联模型算法的地层可钻性预测方法，首先将测井参数作为第一层预测模型的输入，在第一层预测模型下采用多个集成学习算法及回归算法，在完成了第一层预测模型的搭建和训练之后，选择表现最优异的三类模型(SVR、KNN以及LGB)作为第二层预测模型的输入，其中，采用堆叠方式构成第二层预测模型，当前第二层预测模型的输出为需要的最终地层可钻性预测结果。
请参考图2，其为是本发明公开的一种基于级联模型算法的地层可钻性预测系统结构图，该系统包括依次连接的数据获取模块L1、相关性分析模块L2、归一化处理模块L3、模型融合模块L4和地层可钻性预测模块L5，上述每个模块的执行功能为：
所述数据获取模块L1用于获取钻进过程中测井参数集合；所述测井参数集合包括地层深度、岩石纵波时差、地层密度、泥质含量以及电阻率五个因素；
相关性分析模块L2用于基于所述测井参数数据，采用相关性系数方法，根据所得相关性系数结果，选择与造斜率具有较强相关性的若干个因素，本实施例下，最终选择出三个相关性较强的因素；
归一化处理模块L3用于对所获得三个相关性较强的因素进行归一化处理；
模型融合模块L4用于构建具有多层结构的地层可钻性预测模型，所述地层可钻性预测模型包括第一层预测模型和第二层预测模型；其中，所述第一层预测模型采用多个回归模型来完成搭建，所述回归模型包括支持向量回归模型、最近邻回归模型、KNN回归模型、贝叶斯回归模型、神经网络模型、随机森林和LGB框架；其中，在将归一化处理后的数据输入至第一层预测模型后，根据网络的性能函数指标从所述多个回归模型中选择出三个模型，采用模型融合的方式对上述三个模型进行融合，进而构建第二层预测模型；而，在第二层预测模型的构建过程中，采用均方误差指标-MSE进行网络性能的检验；基于MSE选择支持向量回归模型、最近邻回归模型以及LGB作为第二层预测模型的输入，进行模型融合。
地层可钻性预测模块L5用于将待测数据输入到模型融合模块构建的地层可钻性预测模型，得到最终的地层可钻性预测结果。
实施本发明公开的一种基于级联模型算法的地层可钻性预测方法及系统，首先，该设计不考虑钻进工具结构和原理；其次，该方法及系统能够适用于各种地层不同的钻进过程；最后，该方法及系统能够拟合地层可钻性与多输入影响因素之间地复杂耦合关系。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种基于级联模型算法的地层可钻性预测方法，其特征在于，包括以下步骤：
S1、获取钻进过程中测井参数集合；所述测井参数集合包括m个因素，m＞0：
S2、基于所述测井参数数据，采用相关性系数方法得到各个因素分别与造斜率的相关性系数结果，根据所得相关性系数结果，选择与造斜率具有较强相关性的n个因素，n＜m；
S3、对所获得n个因素进行归一化处理；
S4、构建具有多层结构的地层可钻性预测模型，所述地层可钻性预测模型包括第一层预测模型和第二层预测模型；其中，所述第一层预测模型采用p1个回归模型搭建；其中，在将归一化处理后的数据输入至第一层预测模型后，根据网络的性能函数指标从p1个回归模型中选择出p2个模型，采用模型融合的方式对所述p2个模型进行融合，进而构建第二层预测模型；p2≤p1；
S5、将待测数据输入到步骤S4构建的地层可钻性预测模型，得到最终的地层可钻性预测结果。
2.根据权利要求1所述的地层可钻性预测方法，其特征在于，步骤S1中，所述测井参数集合包括地层深度、岩石纵波时差、地层密度、泥质含量以及电阻率五个因素。
3.根据权利要求2所述的地层可钻性预测方法，其特征在于，步骤S2中采用Pearson相关性系数分析算法，获得与造斜率相关性较大的n个因素；所述Pearson相关性系数分析算法的数学表达式为：
其中，N表述数据的总体个数；xi、yi分别表示需要进行person相关性分析的自变量与因变量，自变量包括所述测井参数集合中包括的m个因素，因变量为地层可钻性，i为输入的数据个数；r表示所得的相关性系数值。
4.根据权利要求3所述的地层可钻性预测方法，其特征在于，步骤S3中，所述归一化处理的数学表达式为：
其中，xi是单个输入的数据；xmin是单个因素的整体数据中的最小值；xmax是整体数据中的最大值。
5.根据权利要求4所述的地层可钻性预测方法，其特征在于，所述步骤S4中，应用到的回归模型包括支持向量回归模型、最近邻回归模型、KNN回归模型、贝叶斯回归模型、神经网络模型、随机森林和LGB框架。
6.根据权利要求5所述的地层可钻性预测方法，其特征在于，在第二层预测模型的构建过程中，采用均方误差指标-MSE进行网络性能的检验；
基于MSE选择支持向量回归模型、最近邻回归模型以及LGB作为第二层预测模型的输入，进行模型融合。
7.一种基于级联模型算法的地层可钻性预测系统，其特征在于，包括以下模块：
数据获取模块，用于获取钻进过程中测井参数集合；所述测井参数集合包括m个因素，m＞0；
相关性分析模块，用于基于所述测井参数数据，采用相关性系数方法，根据所得相关性系数结果，选择与造斜率具有较强相关性的n个因素，n＜m；
归一化处理模块，用于对所获得n个因素进行归一化处理；
模型融合模块，用于构建具有多层结构的地层可钻性预测模型，所述地层可钻性预测模型包括第一层预测模型和第二层预测模型；其中，所述第一层预测模型采用p1个回归模型搭建；其中，在将归一化处理后的数据输入至第一层预测模型后，根据网络的性能函数指标从p1个回归模型中选择出p2个模型，采用模型融合的方式对所述p2个模型进行融合，进而构建第二层预测模型；p2≤p1；
地层可钻性预测模块，用于将待测数据输入到模型融合模块构建的地层可钻性预测模型，得到最终的地层可钻性预测结果。
8.根据权利要求7所述的地层可钻性预测系统，其特征在于，所述模型融合模块中，应用到的回归模型包括支持向量回归模型、最近邻回归模型、KNN回归模型、贝叶斯回归模型、神经网络模型、随机森林和LGB框架。
9.根据权利要求8所述的地层可钻性预测系统，其特征在于，所述模型融合模块中，在第二层预测模型的构建过程中，采用均方误差指标-MSE进行网络性能的检验；
基于MSE选择支持向量回归模型、最近邻回归模型以及LGB作为第二层预测模型的输入，进行模型融合。
10.根据权利要求7所述的地层可钻性预测系统，其特征在于，数据获取模块中，所述测井参数集合包括地层深度、岩石纵波时差、地层密度、泥质含量以及电阻率五个因素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010451898.XA CN111749675A (zh) | 2020-05-25 | 2020-05-25 | 一种基于级联模型算法的地层可钻性预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010451898.XA CN111749675A (zh) | 2020-05-25 | 2020-05-25 | 一种基于级联模型算法的地层可钻性预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111749675A true CN111749675A (zh) | 2020-10-09 |
Family
ID=72674038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010451898.XA Pending CN111749675A (zh) | 2020-05-25 | 2020-05-25 | 一种基于级联模型算法的地层可钻性预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111749675A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257254A (zh) * | 2020-10-20 | 2021-01-22 | 中国石油集团渤海钻探工程有限公司 | 一种基于灰色预测的地层可钻性的评价方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015057099A1 (en) * | 2013-10-18 | 2015-04-23 | Baker Hughes Incorporated | Predicting drillability based on electromagnetic emissions during drilling |
| CN107100611A (zh) * | 2017-05-27 | 2017-08-29 | 中国地质大学（武汉） | 一种地质勘探钻进过程双层智能钻速建模方法 |
| CN107193055A (zh) * | 2017-05-27 | 2017-09-22 | 中国地质大学（武汉） | 一种复杂地质钻进过程双层智能钻速建模系统 |
| CN109376615A (zh) * | 2018-09-29 | 2019-02-22 | 苏州科达科技股份有限公司 | 用于提升深度学习网络预测性能的方法、装置及存储介质 |
| CN109448855A (zh) * | 2018-09-17 | 2019-03-08 | 大连大学 | 一种基于cnn和模型融合的糖尿病血糖预测方法 |
| CN109635244A (zh) * | 2018-10-24 | 2019-04-16 | 中石化石油工程技术服务有限公司 | 岩石可钻性预测方法、系统、存储介质及电子终端 |
| CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
| CN110209467A (zh) * | 2019-05-23 | 2019-09-06 | 华中科技大学 | 一种基于机器学习的弹性资源扩展方法和系统 |
| CN111144053A (zh) * | 2019-12-19 | 2020-05-12 | 中国地质大学（武汉） | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 |
-
2020
- 2020-05-25 CN CN202010451898.XA patent/CN111749675A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015057099A1 (en) * | 2013-10-18 | 2015-04-23 | Baker Hughes Incorporated | Predicting drillability based on electromagnetic emissions during drilling |
| CN107100611A (zh) * | 2017-05-27 | 2017-08-29 | 中国地质大学（武汉） | 一种地质勘探钻进过程双层智能钻速建模方法 |
| CN107193055A (zh) * | 2017-05-27 | 2017-09-22 | 中国地质大学（武汉） | 一种复杂地质钻进过程双层智能钻速建模系统 |
| CN109448855A (zh) * | 2018-09-17 | 2019-03-08 | 大连大学 | 一种基于cnn和模型融合的糖尿病血糖预测方法 |
| CN109376615A (zh) * | 2018-09-29 | 2019-02-22 | 苏州科达科技股份有限公司 | 用于提升深度学习网络预测性能的方法、装置及存储介质 |
| CN109635244A (zh) * | 2018-10-24 | 2019-04-16 | 中石化石油工程技术服务有限公司 | 岩石可钻性预测方法、系统、存储介质及电子终端 |
| CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
| CN110209467A (zh) * | 2019-05-23 | 2019-09-06 | 华中科技大学 | 一种基于机器学习的弹性资源扩展方法和系统 |
| CN111144053A (zh) * | 2019-12-19 | 2020-05-12 | 中国地质大学（武汉） | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 |
Non-Patent Citations (17)
| Title |
|---|
| CHAO GAN ET AL.: "Intelligent Nadaboost-ELM Modeling Method for Formation Drillability Using Well Logging Data", 《JACIII 》 * |
| CHAOGAN ET AL.: "Two-level intelligent modeling method for the rate of penetration in complex geological drilling process", 《APPLIED SOFT COMPUTING》 * |
| GAN CHAO ET AL.: "An Online Modeling Method for Formation Drillability Based on OS-Nadaboost-ELM Algorithm in Deep Drilling Process", 《IFAC PAPERSONLINE》 * |
| MA HAI ET AL.: "Formation drillability prediction based on multi-source information fusion", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
| ROBIN JOSEPH ANDREWS ET AL.: "Methods of Using Logs to Quantify Drillability", 《THE ROCKY MOUNTAIN OIL & GAS TECHNOLOGY SYMPOSIUM》 * |
| SJBANJAN DAS ET AL.: "《自动机器学习入门与实践》", 31 December 2019, 武汉：华中科技大学出版社 * |
| WOLPERT DH ET AL.: "STACKED GENERALIZATION", 《NEURAL NETWORKS》 * |
| 周守为等: "《中国海洋石油高新技术与实践》", 31 March 2005, 北京：地质出版社 * |
| 李乾等: "东海深部地层岩石可钻性预测方法研究", 《中国海上油气》 * |
| 李泽等: "川西须家河组二段岩石可钻性实验分析", 《科学技术与工程》 * |
| 杨文等: "岩石可钻性预测及钻头选型方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 杨秀璋等: "《Python 网络数据爬取及分析从入门到精通 分析篇》", 30 June 2018, 北京：北京航空航天大学出版社 * |
| 甘超等: "复杂地层可钻性场智能建模与钻速优化", 《中国优秀博士学位论文全文数据库基础科学辑》 * |
| 苏鹏等: "松辽盆地北部火成岩地层岩石可钻性与钻头选型研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 郝勇等: "《系统工程方法与应用》", 30 November 2016, 上海：上海科学普及出版社 * |
| 韩丽丽等: "基于粒子群优化相关向量机的岩层可钻性预测", 《探矿工程(岩土钻掘工程)》 * |
| 黄善国等: "《多维光网络规划与优化技术》", 30 June 2019, 北京邮电大学出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257254A (zh) * | 2020-10-20 | 2021-01-22 | 中国石油集团渤海钻探工程有限公司 | 一种基于灰色预测的地层可钻性的评价方法 |
| CN112257254B (zh) * | 2020-10-20 | 2022-03-11 | 中国石油集团渤海钻探工程有限公司 | 一种基于灰色预测的地层可钻性的评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| CN111458748B (zh) | 基于三层数据集神经网络的性能地震动危险性分析方法 | |
| CN109828304B (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
| CN110807557A (zh) | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 | |
| CN107193055B (zh) | 一种复杂地质钻进过程双层智能钻速建模系统 | |
| CN107100611B (zh) | 一种地质勘探钻进过程双层智能钻速建模方法 | |
| CN112901137A (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
| CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
| CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN111144053A (zh) | 一种基于遗传算法优化的钻进过程造斜率预测方法及系统 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
| CN111723949A (zh) | 基于选择性集成学习的孔隙度预测方法 | |
| CN111722283B (zh) | 一种地层速度模型建立方法 | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
| CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
| CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
| CN110717270A (zh) | 一种基于数据的油气藏仿真模拟方法 | |
| CN114065909A (zh) | 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法 | |
| CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
| CN111751878B (zh) | 横波速度的预测方法和装置 | |
| CN115049173B (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201009 |
|
| WD01 | Invention patent application deemed withdrawn after publication |