CN111753423B - 一种基于XGBoost的井间动态连通性量化方法 - Google Patents
一种基于XGBoost的井间动态连通性量化方法 Download PDFInfo
- Publication number
- CN111753423B CN111753423B CN202010590744.9A CN202010590744A CN111753423B CN 111753423 B CN111753423 B CN 111753423B CN 202010590744 A CN202010590744 A CN 202010590744A CN 111753423 B CN111753423 B CN 111753423B
- Authority
- CN
- China
- Prior art keywords
- well
- production
- water injection
- connectivity
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011002 quantification Methods 0.000 title claims description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 87
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000002347 injection Methods 0.000 claims description 51
- 239000007924 injection Substances 0.000 claims description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
- E21B43/20—Displacing by water
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/30—Specific pattern of wells, e.g. optimising the spacing of wells
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- Theoretical Computer Science (AREA)
- Geophysics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于XGBoost的井间动态连通性量化方法，所述方法包括：步骤一、数据准备；步骤二、构造相对特征；步骤三、量化井间连通性；步骤四、进行模型验证。本发明对于不稳定的生产数据，建立了能够考虑不稳定生产情况的井间动态连通性量化方法。克服了现有油田井间连通模型存在难以考虑关井问题和不稳定生产的不适应性问题。
Description
技术领域
本发明属于油气田开采领域，具体地，涉及一种基于XGBoost的井间动态连通性量化方法。
背景技术
井间连通性是指注水开发中注水井与生产井之间的连接。连通性是油藏评价的重要组成部分，也是制定油田开发调整方案的重要依据。它通常包括动态连通性和静态连通性。井间动态连通性是油藏中流体的连通性，和通过地层对比的静态连通性有着本质的区别。目前，井间动态连通性主要通过测井、数值模拟、跟踪试验、储油工程方法和动态反演等进行研究。测井、跟踪试验等方法会影响油田的正常生产，且解释周期长、价格高，不能满足油田科学合理开发的需要；油藏数值模拟方法需要掌握大量油层的静态和动态数据，这些参数难以充分准备，很难真正符合油藏的实际情况。
油藏开发动态数据能够反映储层的特征。利用油田生产数据对储层动态连通性进行研究，不仅可以获得更准确、更有效的结果，而且价格低廉、可行。但这些常用模型只能选择相对稳定且连续的油井生产周期，不能考虑关停井情况，也没有考虑信号传播过程中的衰减性和时滞性，难以准确反映实际生产情况。现有油田井间连通模型存在难以考虑关井问题和不稳定生产的不适应性问题。
发明内容
本发明提供了一种基于XGBoost的井间动态连通性量化方法，能对于不稳定的生产数据，建立了能够考虑不稳定生产情况的井间动态连通性量化方法。通过生产动态数据，建立了注水井注水量和生产井产液量之间的分析模型，并且结合油藏地震信息，对模型进行了验证。
为了解决上述问题，本发明提供一种基于XGBoost的井间动态连通性量化方法，所述方法包括：
步骤一、数据准备，采集注入井和生产井在统计期间内的生产数据，生产数据包括注入井的注水量、生产井的产液量以及生产井的工作时间，产液量为产水量和产油量相加；
步骤二、构造相对特征，生产井的相对特征为生产井生产当天的工作时间、相关注水井在统计周期内每一天的注水量；
步骤三、量化井间连通性，使用XGBoost模型进行井间连通性的量化，通过注水井的注水量和给定生产井的产液量输出实现模型的输入-输出关系的映射，通过分析训练后的XGBoost的特征重要性量化井间连通性，特征重要性是指通过将每个特征对模型中每个树的贡献计算出来的相应特征对模型的相对贡献；
步骤四、进行模型验证，使用4D地震监测识别注水井和生产井在生产过程中的相互作用，通过4D地震提供的三维体积的数据评估井间信息。
第二方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现本申请实施例描述的方法。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：所述计算机程序被处理器执行时实现如本申请实施例描述的方法。
附图说明
图1是本发明基于XGBoost的井间动态连通性量化流程图。
具体实施方式
为了能够使得本发明的发明目的、技术流程及技术创新点进行更加清晰的阐述，以下结合附图及实例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为达到以上目的，本发明提供了一种基于XGBoost的井间动态连通性量化方法。主流程如图1所示，该方法包括：
步骤一、数据准备，采集注入井和生产井在统计期间内的生产数据，生产数据包括注入井的注水量、生产井的产液量以及生产井的工作时间，产液量为产水量和产油量相加；
生产井的工作时间作为特征可以很好的拟合关停井和不稳定生产的情况。因为输入信号存在时滞性，所以生产井产液量的观测值不仅与生产时刻的注水量有关，而且和生产时刻之前的注水量也有关系。
步骤二、构造相对特征，生产井的相对特征为生产井生产当天的工作时间、相关注水井在统计周期内每一天的注水量；
步骤三、量化井间连通性，使用XGBoost模型进行井间连通性的量化，通过注水井的注水量和给定生产井的产液量输出实现模型的输入-输出关系的映射，通过分析训练后的XGBoost的特征重要性量化井间连通性，特征重要性是指通过将每个特征对模型中每个树的贡献计算出来的相应特征对模型的相对贡献；
由于关停井问题的存在，树模型很容易将生产井工作时间作为决定性作用最大的那个特征，将其作为根节点。这种结果能很好的拟合不同生产时间的需要。对于一个单一的决策树模型，该模型容易过拟合，并且不能在实际应用中得到有效的应用。所以本申请使用了Boosting集成学习方法，Boosting算法的思想是组合多个弱分类器，形成一个强分类器，更多地关注和减少基模型的偏差。XGBoost是一种提升树模型，集成了很多个树模型，构成一个强分类器。
XGBoost在实现过程中，不断地添加新的基模型，通过不断地划分特征使一棵树生长起来。添加一个基模型实际上是通过学习新函数来适应上次预测的模拟残差。在训练后得到k个树时，要预测样本得分。实际上，根据这个样本的特点，可以落到每个树对应的叶节点上，每个叶节点对应一个分数。最后，只需将各树的相应分数相加即为样本的预测值。步骤四、进行模型验证，使用4D地震监测识别注水井和生产井在生产过程中的相互作用，通过4D地震提供的三维体积的数据评估井间信息。
训练完成后，可以使用每个注入井的特征重要性程度来量化连通性。油田中每个生产井都有单独的模型。给定生产井的模型将提供每个注入井到该生产井的连通性。一旦所有模型都经过训练，所有注入井－生产井对之间的所有连通性都将被量化。这将提供有关储层注水动态的见解，并有助于了解将总体储层连通性。由于输入特征是每个注入井某天对生产井的输入，所以特征重要性量化的是某个注入井某天的注水量和生产井产液量之间的关系。因此，需要将注入井的每天的输入特征的重要性组合起来。
优选的，使用时间衰减系数将注入井的每天的输入特征的重要性组合起来，具体包括：计算时间衰减系数，并与处理后的注入井每日的注水量特征重要性按顺序相乘后相加，最后可以得到连通程度数值；
时间衰减系数公式为：N(t)＝N0e-a(t+l)，其中，t代表时间，α代表指数衰减常数，l代表向左的平移量，它可以让数值从任何位置处进行衰减，而不是必须从N0开始衰减，假设从Ninit处开始衰减，经过m天的衰减最终达到Nfinish，
通过对储层体积动态变化的成像，4D地震信号还可以识别注水井和生产井在生产过程中的相互作用。4D地震不同于稀疏分布的井数据，它提供了一个三维体积的数据，可以用来评估井间信息。
优选的，使用4D地震数据验证模型具体包括：
打开opendtect软件,选择全角度深度地震数据导入；
地震属性生成设置为平均能量,步长选择设置为：In-line步长为2，Cross-line步长为2，Depth步长为40m；
读取两次地震各点的平均能量值，将其做差后获得到绝对值，作为两次地震时间间隔内各点处由于生产过程导致平均能量变化而反映出的储层变化，某点处值越高，越表明其受注水生产过程的影响大，储层变化明显；某点处值越低越表明受注水生产的影响小，生产过程没有使其发生变化；
使用图形呈现连通性。
优选的，模型训练过程具体包括：
构造训练数据集；
使用GridSearchCV验证调整参数，GridSearchCV可以分为两部分，即GridSearch和CV，网格搜索和交叉验证，网格搜索即在规定的参数范围内搜索参数，按步长依次调整，然后利用调整的参数来训练学习器，从而在全部的参数中找到在验证集上结果最好的参数，是一个训练和比较的过程：
验证调整参数包括：
步骤1：设置一些初始值；
步骤2:保持其他booster相关的参数不变，调节learning rate和estimators；
步骤3：保证其他的booster参数不变，调节max_depth和min_child_weight；
步骤4：保持其他的booster参数不变，调节gamma；
步骤5：保持其他的booster参数不变，调节subsample和colsample_bytree；
步骤6：保持其他的booster参数不变，调节reg_alpha和reg_lambda；
步骤7：缩小learning rate，得到最佳的learning rate；
步骤8：得到一组参数组合。
作为另一方面，本申请还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如描述于本申请实施例描述的方法。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请实施例描述的方法。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(ProgrammableGate Array；以下简称：PGA)，现场可编程门阵列(Field ProgrammableGate Array；以下简称：FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于XGBoost的井间动态连通性量化方法，所述方法包括：
步骤一、数据准备，采集注入井和生产井在统计期间内的生产数据，生产数据包括注入井的注水量、生产井的产液量以及生产井的工作时间，产液量为产水量和产油量相加；
步骤二、构造相对特征，生产井的相对特征为生产井生产当天的工作时间、相关注水井在统计周期内每一天的注水量；
步骤三、量化井间连通性，使用XGBoost模型进行井间连通性的量化，通过注水井的注水量和给定生产井的产液量输出实现模型的输入-输出关系的映射，通过分析训练后的XGBoost的特征重要性量化井间连通性，特征重要性是指通过将每个特征对模型中每个树的贡献计算出来的相应特征对模型的相对贡献；
步骤四、进行模型验证，使用4D地震监测识别注水井和生产井在生产过程中的相互作用，通过4D地震提供的三维体积的数据评估井间信息；
其中，使用时间衰减系数将注入井的每天的输入特征的重要性组合起来，具体包括：
计算时间衰减系数，并与处理后的注入井每日的注水量特征重要性按顺序相乘后相加，计算占比最后得到连通程度数值；
时间衰减系数公式为：N(t)＝N0e-α(t+l)，其中，t代表时间，α代表指数衰减常数，l代表向左的平移量，它可以让数值从任何位置处进行衰减，而不是必须从N0开始衰减，假设从Ninit处开始衰减，经过m天的衰减最终达到Nfinish，
2.根据权利要求1所述的方法，其特征在于，使用4D地震数据验证模型结果具体包括：
打开opendtect软件,选择全角度深度地震数据导入；
地震属性生成设置为平均能量,步长选择设置为：In-line步长为2，Cross-line步长为2，Depth步长为40m；
读取两次地震各点的平均能量值，将其做差后获得到绝对值，作为两次地震时间间隔内各点处由于生产过程导致平均能量变化而反映出的储层变化，某点处值越高，越表明其受注水生产过程的影响大，储层变化明显；某点处值越低越表明受注水生产的影响小，生产过程没有使其发生变化；
使用图形呈现连通性。
3.根据权利要求1所述的方法，其特征在于，还包括模型训练过程，具体包括：构造训练数据集；
使用GridSearchCV验证调整参数，GridSearchCV可以分为两部分，即GridSearch和CV，网格搜索和交叉验证，网格搜索即在规定的参数范围内搜索参数，按步长依次调整，然后利用调整的参数来训练学习器，从而在全部的参数中找到在验证集上结果最好的参数，是一个训练和比较的过程；
验证调整参数包括：
步骤1：设置一些初始值；
步骤2:保持其他booster相关的参数不变，调节learning rate和estimators；
步骤3：保证其他的booster参数不变，调节max_depth和min_child_weight；
步骤4：保持其他的booster参数不变，调节gamma；
步骤5：保持其他的booster参数不变，调节subsample和colsample_bytree；
步骤6：保持其他的booster参数不变，调节reg_alpha和reg_lambda；
步骤7：缩小learning rate，得到最佳的learning rate；
步骤8：得到一组参数组合。
4.根据权利要求3所述的方法，其特征在于，
训练完成后，使用每个注入井的特征重要性程度来量化连通性，油田中每个生产井都有单独的模型，给定生产井的模型将提供每个注入井到该生产井的连通性，一旦所有模型都经过训练，所有注入井－生产井对之间的所有连通性都将被量化。
5.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：
所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590744.9A CN111753423B (zh) | 2020-06-24 | 2020-06-24 | 一种基于XGBoost的井间动态连通性量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590744.9A CN111753423B (zh) | 2020-06-24 | 2020-06-24 | 一种基于XGBoost的井间动态连通性量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111753423A CN111753423A (zh) | 2020-10-09 |
| CN111753423B true CN111753423B (zh) | 2022-07-12 |
Family
ID=72677146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010590744.9A Active CN111753423B (zh) | 2020-06-24 | 2020-06-24 | 一种基于XGBoost的井间动态连通性量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111753423B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297748B (zh) * | 2021-06-04 | 2022-04-19 | 中国地质大学（武汉） | 基于改进搜索策略的缝洞型油藏井间连通模式自动评价方法 |
| CN113468822A (zh) * | 2021-07-23 | 2021-10-01 | 中海石油(中国)有限公司 | 一种钻速预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107120111A (zh) * | 2017-03-24 | 2017-09-01 | 中国地质大学（武汉） | 一种基于多重分形的油藏井间连通程度的评估方法及系统 |
| CN108984886A (zh) * | 2018-07-06 | 2018-12-11 | 中国石油大学(华东) | 一种反演多层油藏井间动态连通性的方法 |
| AU2016428597A1 (en) * | 2016-11-04 | 2019-03-14 | Landmark Graphics Corporation | Determining active constraints in a network using pseudo slack variables |
| CN110414048A (zh) * | 2019-06-24 | 2019-11-05 | 中国石油化工股份有限公司 | 井间连通性分析方法及装置 |
| CN110837866A (zh) * | 2019-11-08 | 2020-02-25 | 国网新疆电力有限公司电力科学研究院 | 基于XGBoost的电力二次设备缺陷程度评估方法 |
-
2020
- 2020-06-24 CN CN202010590744.9A patent/CN111753423B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2016428597A1 (en) * | 2016-11-04 | 2019-03-14 | Landmark Graphics Corporation | Determining active constraints in a network using pseudo slack variables |
| CN107120111A (zh) * | 2017-03-24 | 2017-09-01 | 中国地质大学（武汉） | 一种基于多重分形的油藏井间连通程度的评估方法及系统 |
| CN108984886A (zh) * | 2018-07-06 | 2018-12-11 | 中国石油大学(华东) | 一种反演多层油藏井间动态连通性的方法 |
| CN110414048A (zh) * | 2019-06-24 | 2019-11-05 | 中国石油化工股份有限公司 | 井间连通性分析方法及装置 |
| CN110837866A (zh) * | 2019-11-08 | 2020-02-25 | 国网新疆电力有限公司电力科学研究院 | 基于XGBoost的电力二次设备缺陷程度评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| WeiLiu 等.Predictive model for water absorption in sublayers using a Joint Distribution Adaption based XGBoost transfer learning method.《Journal of Petroleum Science and Engineering》.2020,第188卷 * |
| 刘世界 等.一种基于生产数据反演注采井间动态连通性的方法.《科学技术与工程》.2013,第13卷(第1期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111753423A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105389467B (zh) | 一种获得井间连通关系的方法及装置 | |
| CN111753423B (zh) | 一种基于XGBoost的井间动态连通性量化方法 | |
| US10909281B2 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
| CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
| CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
| CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
| CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
| Romano et al. | How effective is bimodal soil hydraulic characterization? Functional evaluations for predictions of soil water balance | |
| CN111027249B (zh) | 一种基于机器学习的井间连通性评价方法 | |
| KR102155101B1 (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
| CN105096170A (zh) | 基于bbd或/和rf模型获取潜客级别的方法和系统 | |
| CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
| CN105787265A (zh) | 基于综合集成赋权法的原子自旋陀螺随机误差建模方法 | |
| CN111751878B (zh) | 横波速度的预测方法和装置 | |
| Wei et al. | Probabilistic optimal interpolation for data assimilation between machine learning model predictions and real time observations | |
| CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
| CN111914488A (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
| Preis et al. | Online hydraulic state prediction for water distribution systems | |
| WO2021013322A1 (en) | Method and system for constructing statistical emulators for reservoir simulation models with uncertain inputs | |
| CN116384770A (zh) | 一种提液井产量预测方法、系统、设备及介质 | |
| CN115062551A (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
| CN112926774A (zh) | 基于长短时记忆神经网络的地热产能预测方法及系统 | |
| CN114547958A (zh) | 基于深度神经网络的井震结合裂缝预测方法及装置 | |
| Bailey et al. | Quantifying the effects of dynamical noise on the predictability of a simple ecosystem model | |
| CN117991367A (zh) | 地震数据的岩性分析方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |