CN111983691B - 一种多模型融合的储层预测方法及软件系统 - Google Patents
一种多模型融合的储层预测方法及软件系统 Download PDFInfo
- Publication number
- CN111983691B CN111983691B CN202010830939.6A CN202010830939A CN111983691B CN 111983691 B CN111983691 B CN 111983691B CN 202010830939 A CN202010830939 A CN 202010830939A CN 111983691 B CN111983691 B CN 111983691B
- Authority
- CN
- China
- Prior art keywords
- features
- data
- depth
- original
- transverse
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明涉及油气田勘探领域,具体涉及一种多模型融合的储层预测系统,包括:数据获取模块、提升树模型、模型调用模块、多模多专家深度网络;一种储层预测方法,包括如下步骤:步骤一、提取目标层段数据;步骤二、获取特征重要性排名;步骤三、对重要性排名靠前的特征进行切片,作为横向切片原始特征输入非对称卷积模块;对地震体垂向层级特征进行建模,作为纵向原始特征输入到双向门控循环单元;对地震体深度信息进行建模,作为深度特征输入到嵌入层;步骤四、特征融合,再输入到全连接神经网络,最终输出储层预测的分类结果;解决了机器学习模型泛化性能不足,深度神经网络需要大量的标签数据的问题。
Description
技术领域
本发明涉及油气田勘探领域,具体是指一种多模型融合的储层预测方法及软件系统。
背景技术
随着油气勘探的持续发展,易识别的油气田已大部分被发现,而其他未被发现油气田往往分布比较隐蔽,不易勘探。储层的识别对油气勘探有着重要的意义,当前储层预测已成为油气勘探领域重点研究问题之一。在该领域中,地震物理勘探法是当前最重要也是应用最为广泛的方法,但该方法需要消耗大量的人力和物力,也需要丰富的勘探专家经验来支持,周期时间长且效率低。近几年来,人工智能技术在诸多领域的应用获得巨大成功,但其在油气勘探领域还并未成熟,存在诸多局限,应用落地较少,但人工智能技术可以缓解传统地震物理勘探法的诸多不足,因此,人工智能技术在油气勘探领域的应用研究也变得越发重要。
最初储层预测主要使用构造解释方法,其形成了一整套地震反演、地震属性分析和
AVO分析为主体的预测方法,是当时油田勘探开发的主导技术。而后经过数十年的发展,国内大部分油田进入滚动勘探开发阶段,其精细储层预测技术主要有精细构造解释技术、测井沉积微相建模技术、测井数据校正与标准化处理技术、储层测井响应研究技术、高精度储层反演技术以及储量计算与井位部署,其垂直分辨率达到4到5米左右。地震属性的选择对储层预测效果有着直接的影响,因此出现了如利用模型正演优选地震属性,使用RS理论与自组织神经网络结合的方式优选地震属性,利用非局部搜索和多属性数据集提取地震特征的方法等地震属性优选方法,均取得了一定的效果。
随着人工智能研究的不断深入,国内外越来越多的学者开始将机器学习,尤其是近年来的深度学习的方法用于储层预测中,并取得了一定的进展,如利用神经网络反演地下速度证明能够解决反演问题、利用神经网络进行地震叠后反演。对于如何利用多样性较高和冗余性较大的地震属性特征来分析的问题,国内通过使用受限玻尔兹曼机来进行特征提取,并利用支持向量机强大的分类能力对岩性进行预测并取得了较好的效果。国外在非线性层析成像反演中通过深度学习技术,将高维的地震波数据映射到低维,来提取地震波形特征,将模糊粗糙理论和机器学习引入到储层参数预测中,用于减少地震属性,去除冗余信息,得到优化的地震属性组合,提出一种通过耦合机器学习概念和岩石物理测井预测油藏孔隙度和渗透率的新模型,采用了最小二乘支持向量机和遗传算法以及其他智能方法,并取得了显著效果。
发明内容
基于以上问题,本发明提供了一种多模型融合的储层预测方法及软件系统,解决了机器学习模型泛化性能不足,深度神经网络需要大量的标签数据的问题。
为解决以上技术问题,本发明采用的技术方案如下:
一种多模型融合的储层预测系统,包括:
数据获取模块,用于获取所需数据;
提升树模型,用于获取特征重要性排名;
模型调用模块,用于调取各模型进行训练;
多模多专家深度网络,用于对横向原始数据、纵向原始数据和深度数据进行提取、按权重进行特性融合和并预测获得最终结果。
进一步,所述多模多专家深度网络包括非对称卷积模块、所述双向门控循环单元和多个专家模块;所述非对称卷积模块用于提取横向原始特征,双向门控循环单元用于提取纵向原始数据,所述专家模块用于进一步提取横向原始数据、纵向原始数据并与深度特征按权重进行融合。
一种储层预测方法,采用一种多模型融合的储层预测系统,包括如下步骤:
步骤一、提取目标层段数据;
步骤二、基于目标层段数据进行建模,得到特征重要性排名;
步骤三、对重要性排名靠前的特征进行切片,作为横向原始特征输入非对称卷积模块;对地震体垂向层级特征进行建模,作为纵向原始特征输入到双向门控循环单元;对地震体深度信息进行建模,作为深度特征输入到嵌入层;
步骤四、对横向原始特征、纵向原始特征和深度特征建模后的输出信息赋予不用权重后融合,再输入到全连接神经网络,最终输出储层预测的分类结果。
进一步,所述步骤一中,目标层段数据包括地震体三维数据和测井数据,提取目标层段数据步骤包括:通过对测井资料数据和地震体三维数据的分析和处理后,可以得到带标签的地震体数据,并对带标签的地震体数据进行归一化处理,经过上述处理后,地震体数据对于每个特征中每一个坐标点都可以得到一条反应其特征性质的波形数据,每个地理坐标对应着不同的目标层段,截取目标层段内的波形数据,得到目标层段内的地震波形数据。
进一步,所述步骤二中,通过提升树模型取出目标层段数据,将相同线号、道号和时间的点组合成一个特征向量,将有标签的数据分离出来,提升树模型学习结束后,得到特征重要性排名。
进一步,所述步骤三中,横向切片特征构建时,相邻道之间在物理空间上间隔有25m,纵向间隔2m,从线号、道号、时间三个维度进行切片处理,切面从中心采样点向四周扩散,得到横向切片原始特征;对地震体垂向层级特征进行建模时,相同空间位置的不同数据特征组合成一个向量,将相同道的数据拼接成序列数据,得到纵向原始特征;对地震体深度信息进行建模时,根据时深转换文件,将当前样本深度映射为采样点时间信息,根据得到的采样点时间信息,使用正弦方程和余弦方程嵌入,得到深度特征。
进一步,所述步骤四中,利用专家模块进一步提取横向切片原始特征、纵向原始特征和深度特征,专家模块对横向切片原始特征、纵向原始特征和深度特征赋予不同权重,按权重进行交叉融合。
进一步,专家模块分别对横向切片原始特征、纵向原始特征和多属性采样点原始特征进行编码操作,将其映射到相同的特征空间,得到长度相同的特征向量,根据特征向量计算不同模块对应的权重。
与现有技术相比,本发明的有益效果是:
(1)针对地震特征的多样性和冗余性的问题,提出了基于端到端提升树的的特征优选技术,通过该方法得到的优选特征相较于专家经验和传统方法得到的优选特征进行储层预测,结果上来看细小分支河道更加清晰,精度更高,连续性更好,就特征本身而言,也具有较强的可解释性,并给勘探专家一定借鉴意义;
(2)针对地质构造复杂问题,本发明实例提出了符合沉积相序规律的样本空间特征构建方法,即横向切片特征构建和纵向子波特征提取,并建立了符合河流相沉积的储层预测方法以及横向纵向特征融合的储层预测方法,有效解决了地址构造复杂问题下特征构建困难的问题;
(3)对于标记样本较少的问题,本发明实例在构造横向切片特征时充分利用了无标签的地震数据,使用优选属性方法也大大减少属性个数,降低模型参数规模,同时设计适用于该数据分布的非对称卷积模块架构提高泛化能力。
附图说明
图1为本发明的流程图;
图2为本发明步骤二中截取目标层段内地震波形的示意图;
图3为本发明各模块的结构示意图;
图4为油田区块储层预测实验图;
图5为河流相侧层预测图;
图6为Ng33层位预测图;
图7为为多模多专家网络在区域ng32层位的储层预测结果。
具体实施方式
下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。
一种多模型融合的储层预测系统,包括如下系统:
数据获取模块,用于获取所需数据;
提升树模型,用于获取特征重要性排名;
模型调用模块,用于调取各模型进行训练;
多模多专家深度网络,用于对横向原始数据、纵向原始数据和深度数据进行提取、按权重进行特性融合和并预测获得最终结果,其中,多模多专家深度网络包括非对称卷积模块、双向门控循环单元和多个专家模块;非对称卷积模块用于提取横向原始特征,双向门控循环单元用于提取纵向原始数据,专家模块用于进一步提取横向原始数据、纵向原始数据并与深度特征按权重进行融合。
如图1所示的一种储层预测方法,采用一种多模型融合的储层预测系统,包括如下步骤:
步骤一、提取目标层段数据;
此步骤需要先对数据进行预处理,通过对测井资料数据和地震体三维数据的分析和处理后,可以得到带标签的地震体数据,并对带标签的地震体数据进行归一化处理,经过数据预处理后,地震体数据对于每个特征中每一个坐标点都可以得到一条反应其特征性质的波形数据即长度为1251的一维向量,因为仪器采样等原因,每个地理坐标对应着不同的目标层段,在目标层段内,采样的地震波有更高的准确性和可信度,因此对其进行截取,将得到如图2所示的目标层段内的地震波形数据。
步骤二、基于目标层段数据进行建模,得到特征重要性排名;
此步骤中,通过提升树模型取出目标层段数据,将相同线号、道号和时间的点组合成一个长度为76的特征向量,将有标签的数据分离出来,提升树模型学习结束后,可以根据相关参数,得到特征重要性排名。
步骤三、对重要性排名靠前的特征进行切片,作为横向原始特征输入非对称卷积模块;对地震体垂向层级特征进行建模,作为纵向原始特征输入到双向门控循环单元;对地震体深度信息进行建模,作为深度特征输入到嵌入层;
如图3所示,横向切片特征构建时,考虑到相邻道之间在物理空间上间隔有25m,纵向间隔2m,根据波速间隔大小不一,采样点局部空间中多为相同层,因此从线号、道号、时间三个维度进行切片处理,切面从中心采样点向四周扩散,得到横向切片原始特征;在实际应用中,地震数据是通过爆炸在地下产生的纵向地震波所采样得到的地震数据,虽然地震波是一条序列数据,表达了地震波在地下不同层位的变化,但多条地震波在同一层位的采样点数据能够包含地质的横向特征,如河流沉积具有储层横向变化快和平面形态易识别的特点,因此,提取该维度的特征即横向切片原始特征对储层预测就显得更加重要。
在对地震体垂向层级特征进行建模时,选取排名较高的的特征地震体,并截取标签置信度较高的和地质勘探专家更关心的目标层段数据,相同空间位置的不同数据特征组合成一个向量,将相同道的数据拼接成序列数据,得到纵向原始特征;在实际应用中,浊积岩沉积具有横向分布规律不明显、垂向粒级递变层理和沉积回旋性特性,对于这种横向分布规律不明显,非对称卷积模块就不能够很好的抽取此类横向原始特征,但浊积岩沉积垂向特征层级递变清晰,而双向门控循环单元擅长处理这种层级关系序列数据,且能考虑上下关系,因此,通过双向门控循环单元来对地震体的垂向层级特征进行提取,增强模型处理不同特点的地质结构能力,也能够提高模型的预测能力。
对地震体深度信息进行建模时,根据时深转换文件,将当前样本深度映射为采样点时间信息,根据得到的采样点时间信息,使用正弦方程和余弦方程嵌入,得到深度特征。
步骤四、对横向原始特征、纵向原始特征和深度特征建模后的输出信息赋予不用权重后融合,再输入到全连接神经网络,最终输出储层预测的分类结果。
如图3所示,对于由非对称卷积模块得到的横向切片特征输出、双向门控循环单元得到的纵向原始特征输出,以及得到的位置嵌入层向量,专家模块首先分别对不同模块的输出进行编码操作,将其映射到相同的特征空间,并得到长度相同的特征向量,对编码后得到的特征向量计算不同模块对应的权重,按权重对横向原始特征、纵向原始特征和深度特征进行交叉融合提取高阶特征,再输入到全连接神经网络,得到最终输出储层预测的分类结果。
在实际应用中,利用本发明实施例的方法对国内某油田某区块开展了储层预测试验,在实验的过程中发现,特征的选择对非对称卷积模块影响较大,如图4所示,左边的图为使用专家经验特征并通过非对称卷积模块预测得到的结果,右侧为使用本发明经过特征重要性排名靠前的特征得到的预测结果,可以明显的看到使用本发明优选后的特征得到的预测结果,细小分支河道更加清晰,精度更高,连续性更好。
如图5所示,这是某区域的河流相储层描述,左边上下两张图分别表示通过地震波采样上下间隔的两个不同层位的预测结果,右边是重叠结果,通过该图可以清晰地看到河道的轮廓以及迁移变化。
选取Ng33层位预测图,如图6所示,其中CB209为河漫滩区域,SHH3位河道边缘区域,SHG2为边滩区域,从图中可以看到,河漫滩区域有稳定的泥质沉积,河道边缘区域为较薄的、经过多次沉积、多次改道的不稳定边滩或天然堤,边滩区域为沉积较稳定、厚度较大的边滩;通过将该区域储层结果给地质勘探专家评估分析后可以得到,本方法对于河流相储层预测微相刻画清楚,储层识别精度能由原来的5-8米提高到3-5米,储层预测吻合率也可以由原来的83%提高到91%。
除了河流相沉积外,浊积岩也是常见的重要的地质形态。浊积岩常存在于半深海至深海,是由浊流沉积、滑塌沉积以及其他沉积物重力流沉积形成的海洋沉积产物,当浊积岩中沉积砂的细度较大时,就会形成粒级递变层理,这种递变层理分选不好,自上而下粒度变大,并且沉积整体都会存在极细的填充物质。而分选层理的形成原因是由于水流自下而上流速逐渐减弱,因此沉积各部分分选良好,下部大颗粒部分没有极细的填充物质,以此区别于浊流型粒级递变层理,为了能够更好地对两种主要的沉积形态进行特征提取和储层预测,本发明提出的多模多专家网络的非对称卷积模块可以对横向特征进行提取,而双向门控循环单元模块也能够弥补河流相沉积方法的不足,对垂向粒度更清晰的沉积形态进行特征提取。图7为多模多专家网络在某区域ng32层位的储层预测结果,其中箭头所指的圆圈为部分井位,可以看到井位基本落在预测值较大的区域,且细小区域预测准确。
为了能够更好地对两种主要的沉积形态进行特征提取和储层预测,本发明提出的多模多专家网络的非对称卷积模块可以对横向特征进行提取,而双向门控循环单元模块也能够弥补河流相沉积方法的不足,对垂向粒度更清晰的沉积形态进行特征提取。图7为多模多专家网络在某区域ng32层位的储层预测结果,其中箭头所指的圆圈为部分井位,可以看到井位基本落在预测值较大的区域,且细小区域预测准确。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (2)
1.一种多模型融合的储层预测系统,其特征在于,包括:
数据获取模块,用于获取所需数据;
提升树模型,用于获取特征重要性排名;
模型调用模块,用于调取各模型进行训练;
多模多专家深度网络,用于对横向切片原始特征、纵向原始特征和深度数据进行提取、按权重进行特性融合并预测获得最终结果;所述多模多专家深度网络包括非对称卷积模块、双向门控循环单元和多个专家模块;所述非对称卷积模块用于提取横向切片原始特征,所述双向门控循环单元用于提取纵向原始特征,所述专家模块用于进一步提取横向切片原始特征、纵向原始特征并与深度特征按权重进行融合;
横向切片原始特征构建时,考虑到相邻道之间横向间隔有25m,纵向间隔2m,根据波速间隔大小不一,采样点局部空间中多为相同层,因此从线号、道号、时间三个维度进行切片处理,切面从中心采样点向四周扩散,得到横向切片原始特征;
在对地震体垂向层级特征进行建模时,选取排名较高的特征地震体,并截取标签置信度较高的和地质勘探专家更关心的目标层段数据,相同空间位置的不同数据特征组合成一个向量,将相同道的数据拼接成序列数据,得到纵向原始特征;
对地震体深度信息进行建模时,根据时深转换文件,将当前样本深度映射为采样点时间信息,根据得到的采样点时间信息,使用正弦方程和余弦方程嵌入,得到深度特征。
2.一种储层预测方法,采用权利要求1所述的一种多模型融合的储层预测系统,其特征在于:包括如下步骤:
步骤一、提取目标层段数据;
步骤二、基于目标层段数据进行建模,得到特征重要性排名;
步骤三、对重要性排名靠前的特征进行切片,作为横向切片原始特征输入非对称卷积模块;对地震体垂向层级特征进行建模,作为纵向原始特征输入到双向门控循环单元;对地震体深度信息进行建模,作为深度特征输入到嵌入层;横向切片原始特征构建时,考虑到相邻道之间横向间隔有25m,纵向间隔2m,根据波速间隔大小不一,采样点局部空间中多为相同层,因此从线号、道号、时间三个维度进行切片处理,切面从中心采样点向四周扩散,得到横向切片原始特征;在对地震体垂向层级特征进行建模时,选取排名较高的特征地震体,并截取标签置信度较高的和地质勘探专家更关心的目标层段数据,相同空间位置的不同数据特征组合成一个向量,将相同道的数据拼接成序列数据,得到纵向原始特征;
对地震体深度信息进行建模时,根据时深转换文件,将当前样本深度映射为采样点时间信息,根据得到的采样点时间信息,使用正弦方程和余弦方程嵌入,得到深度特征;
步骤四、对横向切片原始特征、纵向原始特征和深度特征建模后的输出信息赋予不同权重后融合,再输入到全连接神经网络,最终输出储层预测的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830939.6A CN111983691B (zh) | 2020-08-18 | 2020-08-18 | 一种多模型融合的储层预测方法及软件系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830939.6A CN111983691B (zh) | 2020-08-18 | 2020-08-18 | 一种多模型融合的储层预测方法及软件系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983691A CN111983691A (zh) | 2020-11-24 |
CN111983691B true CN111983691B (zh) | 2023-10-13 |
Family
ID=73435736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010830939.6A Active CN111983691B (zh) | 2020-08-18 | 2020-08-18 | 一种多模型融合的储层预测方法及软件系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983691B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112817038A (zh) * | 2020-12-31 | 2021-05-18 | 山西三友和智慧信息技术股份有限公司 | 一种基于Bi-GRU网络的地震初至波拾取方法 |
CN113326853A (zh) * | 2021-06-16 | 2021-08-31 | 西安隆基智能技术有限公司 | 一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质 |
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 |
CN113722985B (zh) * | 2021-08-12 | 2024-04-09 | 武汉科技大学 | 航空发动机健康状态评估和剩余寿命预测方法及系统 |
CN114048669A (zh) * | 2021-09-27 | 2022-02-15 | 吉林大学 | 一种基于神经网络的干热岩微地震事件检测方法 |
CN114445442B (zh) * | 2022-01-28 | 2022-12-02 | 杭州电子科技大学 | 基于非对称交叉融合的多光谱图像语义分割方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5835883A (en) * | 1997-01-31 | 1998-11-10 | Phillips Petroleum Company | Method for determining distribution of reservoir permeability, porosity and pseudo relative permeability |
AU2012396293A1 (en) * | 2012-12-05 | 2015-03-19 | Landmark Graphics Corporation | Systems and methods for 3D seismic data depth conversion utilizing artificial neural networks |
CN105022098A (zh) * | 2015-07-10 | 2015-11-04 | 中国石油大学(华东) | 一种基于切片层间信息的陆相沉积体识别与预测方法 |
CN106405637A (zh) * | 2015-07-28 | 2017-02-15 | 中国石油化工股份有限公司 | 一种用于砂泥岩薄互层砂体厚度预测的方法及系统 |
CN108415075A (zh) * | 2018-01-24 | 2018-08-17 | 中国海洋石油集团有限公司 | 一种少井条件下的储层预测方法 |
CN109215029A (zh) * | 2018-08-29 | 2019-01-15 | 电子科技大学 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
CN109343122A (zh) * | 2018-12-03 | 2019-02-15 | 中国石油化工股份有限公司 | 一种面向深度学习的储层预测样本扩充方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
CN110554432A (zh) * | 2019-07-24 | 2019-12-10 | 中国石油化工股份有限公司 | 一种曲流河沉积微相智能预测方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
CN111025384A (zh) * | 2019-11-26 | 2020-04-17 | 中国石油天然气股份有限公司 | 基于波形分类交汇融合的储层预测方法和装置 |
CN115330007A (zh) * | 2021-05-11 | 2022-11-11 | 中国石油化工股份有限公司 | 基于深度融合模型的储层多分类预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EA202190728A1 (ru) * | 2018-09-14 | 2021-07-27 | Бп Корпорейшн Норт Америка Инк. | Анализ сейсмических атрибутов с использованием машинного обучения |
-
2020
- 2020-08-18 CN CN202010830939.6A patent/CN111983691B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5835883A (en) * | 1997-01-31 | 1998-11-10 | Phillips Petroleum Company | Method for determining distribution of reservoir permeability, porosity and pseudo relative permeability |
AU2012396293A1 (en) * | 2012-12-05 | 2015-03-19 | Landmark Graphics Corporation | Systems and methods for 3D seismic data depth conversion utilizing artificial neural networks |
CN105022098A (zh) * | 2015-07-10 | 2015-11-04 | 中国石油大学(华东) | 一种基于切片层间信息的陆相沉积体识别与预测方法 |
CN106405637A (zh) * | 2015-07-28 | 2017-02-15 | 中国石油化工股份有限公司 | 一种用于砂泥岩薄互层砂体厚度预测的方法及系统 |
CN108415075A (zh) * | 2018-01-24 | 2018-08-17 | 中国海洋石油集团有限公司 | 一种少井条件下的储层预测方法 |
CN109215029A (zh) * | 2018-08-29 | 2019-01-15 | 电子科技大学 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
CN109343122A (zh) * | 2018-12-03 | 2019-02-15 | 中国石油化工股份有限公司 | 一种面向深度学习的储层预测样本扩充方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
CN110554432A (zh) * | 2019-07-24 | 2019-12-10 | 中国石油化工股份有限公司 | 一种曲流河沉积微相智能预测方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
CN111025384A (zh) * | 2019-11-26 | 2020-04-17 | 中国石油天然气股份有限公司 | 基于波形分类交汇融合的储层预测方法和装置 |
CN115330007A (zh) * | 2021-05-11 | 2022-11-11 | 中国石油化工股份有限公司 | 基于深度融合模型的储层多分类预测方法 |
Non-Patent Citations (9)
Title |
---|
《川东大猫坪地区长兴组生物礁储集层预测》;丁传奇等;新疆石油地质;第41卷(第2期);第164-171页 * |
3-D static modelling of lateral heterogeneity using geostatistics and artificial neural network in reservoir characterisation of "P" field, Niger Delta;Akindeji Opeyemi Fajana;《NRIAG Journal of Astronomy and Geophysics》;第9卷(第1期);第129-154页 * |
Facies analysis by integrating 3D seismic attributes and well logs for prospect identification and evaluation — A case study from Northwest China;Xingjian Wang et al.;《Interpretation》;第5卷(第2期);SE61-SE74 * |
利用人工神经网络系统建立储层四维地质模型;孙国;《油气地质与采收率》;第11卷(第03期);第4-6页 * |
利用卷积神经网络模型预测致密储层微观孔隙结构;廖广志等;《石油科学通报》;第5卷(第01期);第26-38页 * |
基于GRU神经网络的测井曲线重构;王俊等;《石油地球物理勘探》;第55卷(第03期);第510-520页 * |
基于双向循环神经网络的河流相储层预测方法及应用;朱剑兵等;《石油物探》;第59卷(第02期);第250-257页 * |
基于门控循环单元神经网络的储层孔渗饱参数预测;王俊等;《石油物探》;第59卷(第04期);第616-627页 * |
无监督与监督学习下的含油气储层预测;林年添等;《石油物探》;第57卷(第04期);第601-610页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111983691A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111983691B (zh) | 一种多模型融合的储层预测方法及软件系统 | |
US20200183047A1 (en) | Automated Reservoir Modeling Using Deep Generative Networks | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
FR2520882A1 (fr) | Procede pour la production d'un enregistrement caracteristique notamment du facies des formations geologiques traversees par un sondage | |
CN109541685B (zh) | 一种河道砂体识别方法 | |
Zhang et al. | Application of multi-point geostatistics in deep-water turbidity channel simulation: A case study of Plutonio oilfield in Angola | |
Kamali et al. | 3D geostatistical modeling and uncertainty analysis in a carbonate reservoir, SW Iran | |
Hashemi et al. | Channel characterization using multiple-point geostatistics, neural network, and modern analogy: A case study from a carbonate reservoir, southwest Iran | |
CN111899338B (zh) | 一种覆盖区地层岩性三维建模的方法、装置及系统 | |
CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
Fajana | 3-D static modelling of lateral heterogeneity using geostatistics and artificial neural network in reservoir characterisation of “P” field, Niger Delta | |
CN112764103A (zh) | 一种基于稀疏编码特征dbscan聚类地震相分析方法 | |
Denver et al. | Stratigraphic geocellular modeling | |
Khan et al. | Three-dimensional Structural Modeling (3D SM) and Joint Geophysical Characterization (JGC) of Hydrocarbon Reservoir: A Case Study of the Kadanwari field in Middle Indus Basin (MIB), Southeastern Pakistan | |
Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
Le Ravalec et al. | Integrating data of different types and different supports into reservoir models | |
CN115857047A (zh) | 一种地震储层综合预测方法 | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
Wrona et al. | Complex fault system revealed from 3-D seismic reflection data with deep learning and fault network analysis | |
CN110795513B (zh) | 河流相源储异位型致密油气甜点区分布的预测方法 | |
Liu et al. | Formation Grain Size Profile Prediction Model Considering the Longitudinal Continuity of Reservoir Using Artificial Intelligence Tools | |
Zhang et al. | Deep Subsurface Pseudo-Lithostratigraphic Modeling Based on Three-Dimensional Convolutional Neural Network (3D CNN) Using Inversed Geophysical Properties and Shallow Subsurface Geological Model | |
Bu et al. | Geological modeling of combined incised channel system in deep-water gravity flow sedimentation: the case of OML130 in Niger delta basin, West Africa | |
Ding et al. | Fine description on the development regularities of channel thick sand bodies | |
Shan et al. | Predicting total organic carbon from well logs based on deep spatial-sequential graph convolutional network |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230906 Address after: C15-2, Yard 50, wutong Street, Zhengzhou High tech Industrial Development Zone, Zhengzhou, Henan 450001 Applicant after: Zhengzhou chaos Information Technology Co.,Ltd. Address before: No.3511, 1st floor, building 1, No.1, Anhua street, Konggang street, Shunyi District, Beijing Applicant before: Beijing Beidou Tianxun Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |