CN112099087A - 油藏渗流特征参数的地球物理智能预测方法、装置及介质 - Google Patents
油藏渗流特征参数的地球物理智能预测方法、装置及介质 Download PDFInfo
- Publication number
- CN112099087A CN112099087A CN202011035649.9A CN202011035649A CN112099087A CN 112099087 A CN112099087 A CN 112099087A CN 202011035649 A CN202011035649 A CN 202011035649A CN 112099087 A CN112099087 A CN 112099087A
- Authority
- CN
- China
- Prior art keywords
- parameters
- reservoir
- parameter
- physical
- physical property
- 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 68
- 230000000704 physical effect Effects 0.000 claims abstract description 124
- 238000003860 storage Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 25
- 230000035699 permeability Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
Abstract
本申请关于一种油藏渗流特征参数的地球物理智能预测方法、装置及介质,涉及油藏地球物理勘探开发领域。该方法包括:获取储层的弹性参数;将弹性参数输入m个物性参数模型,输出得到m个预测子参数;将m个预测子参数进行加权求和,得到储层的物性参数,物性参数用于从物性参数与油藏渗流场对应关系中获取油藏剩余油情况的预测结果。在获取储层的弹性参数后,将弹性参数输入不同的物性参数模型,再将每个预测子参数输入委员会机器模型中,对应自身权值进行加权求和,输出得到物性参数。通过设置可以从不同维度对物性参数进行预测的多个物性参数模型,提高了对于油藏剩余油的预测准确度。
Description
技术领域
本申请涉及油藏地球物理勘探开发领域,特别涉及一种油藏渗流特征参数的地球物理智能预测方法、装置及介质。
背景技术
在进行油气勘探的过程中,需要对于油田的储层情况进行确定,并获取量化的、用于指示储层的地质特征的地质参数,地质参数可以对油田储层的油气分布进行表征,并为油田的开采提供指导作用。
相关技术中,通常在获得诸如纵波速度、横波速度、介质密度和品质因子的储层弹性参数后,输入基于人工神经网络智能算法的模型,输出得到储层物性参数,并通过储层物性参数对储层中的油藏剩余油情况进行确定。
然而,由于地质情况复杂,通过基于人工神经网络智能算法的模型得到所得到的储层物性参数体现的数值较为片面,对于油藏剩余油情况的预测准确度较低。
发明内容
本申请关于一种油藏渗流特征参数的地球物理智能预测方法、装置及介质,可以提高对于储层中油藏剩余油的预测准确率。该技术方案如下:
一方面,提供了一种油藏渗流特征参数的地球物理智能预测方法,该方法包括:
获取储层的弹性参数,所述弹性参数为对所述储层进行地震波实验得到的参数;
将所述弹性参数输入m个物性参数模型,输出得到m个预测子参数;
将m个预测子参数进行加权求和,得到储层的物性参数,每个预测子参数对应有一个权值,物性参数用于从油藏渗流场情况对应关系中获取储层中油藏剩余油情况的预测结果。
另一方面,提供了一种油藏渗流特征参数的地球物理智能预测装置,该装置包括:
获取模块,用于获取储层的弹性参数,所述弹性参数为对所述储层进行地震波实验得到的参数;
输入模块,用于将所述弹性参数输入m个物性参数模型,输出得到m个预测子参数;
求和模块,用于将m个物性参数进行加权求和,得到储层的物性参数,每个预测子参数对应有一个权值,物性参数用于从油藏渗流场情况对应关系中获取储层中油藏剩余油情况的预测结果。
另一方面,提供了一种计算机设备,计算机设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述本申请实施例中提供的油藏渗流特征参数的地球物理智能预测方法。
另一方面,提供了一种计算机可读存储介质,计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述任一所述的油藏渗流特征参数的地球物理智能预测方法。
另一方面,提供了一种计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行如上述本申请实施例中任一所述的油藏渗流特征参数的地球物理智能预测方法。
本申请提供的技术方案带来的有益效果至少包括:
在获取储层的弹性参数后,将弹性参数输入不同的物性参数模型,以获取从不同维度对物性参数进行确定所得到的预测子参数,再将每个预测子参数输入委员会机器模型中,对应自身权值进行加权求和,输出得到与储层对应的,可以作为对储层中油藏剩余油情况的预测依据的物性参数。通过设置可以从不同维度对物性参数进行预测的多个物性参数模型,以及为其设置各自对应的权值,使对于物性参数的预测依据更为多样化,进而提高对于油藏剩余油情况的预测准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测方法的流程示意图;
图2示出了本申请一个示例性实施例提供的一种对物性参数模型的结构,以及委员会机器模型中的权值进行调整的过程示意图;
图3示出了本申请一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测方法的流程示意图;
图4示出了本申请一个示例性实施例提供的一种地震数据图像的示意图;
图5示出了本申请一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测方法的过程示意图;
图6示出了本申请一个示例性实施例提供的对于孔隙度进行预测的效果图;
图7示出了本申请一个示例性实施例提供的对于泥质含量进行预测的效果图;
图8示出了本申请一个示例性实施例提供的对于含水饱和度进行预测的效果图;
图9示出了本申请一个示例性实施例提供的对于渗透率进行预测的效果图;
图10示出了本申请一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测装置的结构框图;
图11示出了本申请另一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测装置的结构框图;
图12示出了本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先,对本申请实施例中涉及的名词进行简单的介绍:
弹性参数:弹性参数为在地震波实验中,对地震波以及地震波所探测到的地质情况进行表征的参数。由于地震波实验中多使用弹性波进行地质情况的勘探,故本申请中,将诸如地震波的纵波速度、地震波的横波速度、储层的中的介质密度以及品质因子的参数确定为储层的弹性参数。
物性参数:物性参数为可以直接表征储层的油藏渗流场情况的参数。即,物性参数可以从某一维度进行油藏渗流场情况的判断。在一个示例中,物性参数包括孔隙度、泥质含量、含水饱和度和渗透率中的至少一种。
图1示出了本申请一个示例性实施例提供的一种油藏渗流场情况的地球物理预测方法的流程示意图,以该方法应用于电子设备中为例进行说明,该方法包括:
步骤101,获取储层的弹性参数,弹性参数为与储层对应的地震数据进行地震数据处理得到的参数。
在本申请实施例中,该电子设备可以实现为一个服务器,服务器接收到其他电子设备,如地震波检测装置通过通信网络连接发送的弹性参数后,进行油藏渗流特征参数的预测。储层即为贮藏有油藏的岩层。在一个示例中,储层的弹性参数是对地震数据进行处理得到的,该地震数据是在地震波实验的过程中采集的。地震波实验为对经过检测点的声波进行接收及处理,最终获得地震数据的实验。可选地,地震波实验可以生成与弹性参数相关的图像,通过对于图像的处理,即获得储层的弹性参数。
在本申请实施例中,弹性参数包括纵波速度、横波速度、介质密度和品质因子。以接收数据的装置为声波接收装置为例,纵波速度为该声波接收装置接收到的纵波的瞬时速度、横波速度为该声波接收装置接收到的横波的瞬时速度、介质密度为该声波接收装置处的储层内介质的密度。
步骤102,将弹性参数输入m个物性参数模型,输出得到m个预测子参数。
物性参数为对于储层的油藏渗流场情况有表征作用的、体现储层物理性质的参数。在本申请中,物性参数包括储层的孔隙度、储层的泥质含量、储层的含水饱和度和储层的渗透率,也即,物性参数即为油藏渗流特征参数。
物性参数模型为将弹性参数作为输入量,输出得到物性参数的预测值的模型。在本申请中,物性参数模型为神经网络模型。示例性地,物性参数模型包括支持向量机算法(Support Vector Machine,SVM)模型、自适应神经模糊推理系统(Adaptive Network-based Fuzzy Inference System,ANFIS)模型和小波神经网络(Wavelet Neural Network,WNN)模型中的至少一种。在本申请实施例中,物性参数模型为基于人工智能的参数模型。在本申请的其他实施例中,物性参数的模型可以为经验模型,本申请对于物性参数的模型的类别不作限制。
可选地,物性参数模型的数量为至少两个。不同的物性参数模型输出的预测子参数为同一类型的预测子参数。在一个示例中,服务器中包括第一参数模型、第二参数模型和第三参数模型,其中,第一参数模型输出得到的预测子参数为其预测的储层的孔隙度,则第二参数模型和第三参数模型输出得到的均为该储层的孔隙度。
在本申请的另一个实施例中,每个物性参数模型均可以输出得到至少两个预测子参数,则预测子参数指示的物性参数的类型也对应相同。
步骤103,将m个预测子参数进行加权求和,得到储层的物性参数,每个预测子参数对应有一个权值,物性参数用于从物性参数与油藏渗流场对应关系中获取储层中油藏剩余油情况的预测结果。
在本申请实施例中,通过将预测子参数输入委员会机器模型的方式,进行物性参数的输出。
委员会机器模型为对于来自不同物性参数模型,且同类型的物性参数进行赋权,以得到储层的物性参数的模型。也即,委员会机器模型中存储有与m个预测子参数对应的m个权值。
委员会机器模型是通过样本训练的方式进行自身参数的调整的。可选地,对于来自同一物性参数模型的不同预测子参数,委员会机器模型设置有不同的权值。
在将指示同一物性参数的m个预测自参数输入委员会机器模型中后,经过委员会机器模型的加权求和,即得到与储层对应的物性参数。
在本申请的一种实施例中,服务器中存储有物性参数与油藏渗流场对应关系。示例性的,服务器中存储有物性参数与油藏渗流场的对应表格,通过该表格以及委员会机器模型输出得到的物性参数,即可确定储层中的油藏剩余油情况。
在一个示例中,油藏渗流场情况包括“油藏剩余油适合开采”以及“油藏剩余油不适合开采”,其中,“油藏剩余油适合开采”指示适合进行储层中油藏剩余油的开采。响应于油藏渗流场情况为“油藏剩余油适合开采”,服务器根据委员会机器模型确定的物性参数,指导进行储层中油藏的开采。油藏渗流场的情况即指示油藏剩余油的情况。
综上所述,本实施例提供的方法,在获取储层的弹性参数后,将弹性参数输入不同的物性参数模型,以获取从不同维度对物性参数进行确定所得到的预测子参数,再将每个预测子参数输入委员会机器模型中,对应自身权值进行加权求和,输出得到与储层对应的,可以作为对储层中油藏渗流场情况的预测依据的物性参数。通过设置可以从不同维度对物性参数进行预测的多个物性参数模型,以及为其设置各自对应的权值,使对于物性参数的预测依据更为多样化,进而提高对于油藏剩余油情况的预测准确度。
在本申请实施例中,各个物性参数模型以及委员会机器模型均需要通过模型训练,进行模型中参数的调整,以进行结构优化,并进而得到较为准确的预测自参数以及物性参数。图2示出了本申请一个示例性实施例提供的一种对物性参数模型的结构,以及委员会机器模型中的权值进行调整的过程示意图。该方法可以替换实现与图1所示的实施例中的步骤102之后。以该方法应用于电子设备中为例进行说明,该方法包括:
步骤201,确定预测子参数与参考物性参数之间的第一差异值。
在本申请实施例中,输入物性参数模型的弹性参数对应标注有参考物性参数。该参考物性参数为对与弹性参数对应的储层进行测井,得到的测井数据。对应地,该测井数据包括孔隙度、泥质含量、含水饱和度和渗透率。在一个示例中,标注有参考物性参数的弹性参数被随机的分成两类,其中,80%的数据被作为训练集,另外20%的数据被作为测试集,训练集用于对物性参数模型和委员会机器模型进行训练,测试集用于对训练集的训练结果进行验证。
本实施例中,输入物性参数模型中的弹性参数为经过归一化的参数,归一化公式如下公式1所示:
在将归一化后的弹性参数输入物性参数模型,并输出得到预测子参数后,即确定预测子参数与参考物性参数之间的差异值。在一个示例中,差异值为二者数量值的绝对值;在另一个示例中,差异值为二者差值与参考物性参数之间的比值。本申请实施例对于第一差异值的具体显示不作限制。
步骤202,根据预测子参数与参考物性参数之间的第一差异值,对物性参数模型进行参数调整。
该参数调整为在满足参数调整要求之前,通过标注有参考物性参数的弹性参数,对物性参数模型进行的循环调整。
在本申请的一个实施例中,服务器内设置有预测子参数与参考物性参数之间的第一差异阈值,响应于第一差异值在对物性参数模型进行参数调整后小于第一差异阈值,确定物性参数模型满足调整要求。
在本申请的另一个实施例中,服务器内设置有第一次数阈值,响应于对单个物性参数模型进行参数调整的次数达到第一次数阈值,则确定物性参数模型满足调整要求。
步骤203,在m个物性参数模型均满足调整要求的情况下,确定参考物性参数与物性参数之间的第二差异值。
满足调整要求的情况包括但不限于步骤202中所涉及的两种方式。
可选地,在所有物性参数模型均满足了调整要求的情况下,也即,所有物性参数模型均从自身的维度得到了对于物性参数的最优输出结构的情况下,确定参考物性参数与通过委员会机器模型得到的物性参数之间的第二差异值,以对委员会机器模型中存储的m个权值进行调整。在本申请实施例中,第二差异值与第一差异值相似,可以为物性参数与参考物性参数之间的差值的绝对值,也可以为该差值与参考物性参数之间的比值。
步骤204,根据第二差异值通过粒子群算法对m个权值进行调整。
粒子群算法为通过迭代寻找最优解的算法,在本申请实施例中,即通过标注有参考物性参数的弹性参数的多次迭代,最终确定m个物性参数模型所对应的权值。
在本申请的一个实施例中,服务器内设置有物性参数和参考物性参数之间的第二差异阈值,响应于第二差异值在对权值进行调整后小于第二差异阈值,确定权值的调整满足要求。
在本申请的另一个实施例中,服务器内设置有第二次数阈值,响应于对m个权值进行调整的次数达到第二次数阈值,确定权值满足调整要求。
在经过如步骤201至步骤204所述的模型调整过程后,物性参数模型和委员会机器模型中的结构参数均得到调整,可以更加准确地输出物性参数。
综上所述,本实施例提供的方法,通过确定第一差异值,并且根据第一差异值进行每个物性参数模型中的参数调整的方法,对每个物性参数模型进行了调整,使针对每个物性参数模型而言,输出值更为准确。
通过确定第二差异值,并且根据第二差异值对委员会机器模型中储存的权值进行调整,使最终输出的物性参数更为准确,进而提高对于油藏贮藏情况的预测准确度。
图3示出了本申请一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测方法的流程示意图,以该方法应用于电子设备中为例进行说明,该方法包括:
步骤301,获取经过地震波实验得到的与储层对应的地震数据。
在本申请实施例中,地震数据是经过地震波实验得到的。在一个示例中,在储层的预设位置上设置有声波采集装置,该声波采集方式按照预设时间间隔对地震波进行接收,并根据接收到的地震波生成地震数据。
在本申请另一个可选的实施例中,地震数据为通过储层内所有声波采集装置接收到的地震波生成的。
步骤302,根据地震数据生成地震数据图像。
在接收到地震数据后,服务器根据地震数据生成地震数据图像,图4示出了本申请一个示例性实施例提供的一种地震数据图像的示意图。请参考图4,该图像的横坐标为地震道道数401,纵坐标为时间402,且时间的单位为毫秒,图像体现的即为在不同时刻、不同地震道上所设置的声波采集装置叠加,显示出由地震数据表征的,位于声波采集装置的采集点上的地质状态。
步骤303,对地震数据图像进行图像处理,得到弹性参数示意图。
在本申请中,对于地震数据图像进行的图像处理,包括利用反演技术,通过地震数据得到弹性数据,在图像处理过程中,即体现为对地震数据图像进行图像处理,得到弹性参数的示意图。
步骤304,从弹性参数示意图中获取弹性参数。
图像反演的依据为数据反演,在本申请实施例中,选取纵波速度、横波速度与介质密度为弹性参数。选用如下公式2至公式4对于地震波实验数据进行处理,得到弹性参数:
公式3:vp=(vp2+vp1)/2,vs=(vs2+vs1)/2,ρ=(ρ2+ρ1)/2
公式4:Δvp=vp2-vp1,Δvs=vs2-vs1,Δρ=ρ2-ρ1
在上述公式中,vp1、vp2分别为检波点(即声波采集装置的位置)两侧介质的纵波速度、vs1、vs2分别为检波点两侧介质的横波速度、ρ1、ρ2分别为检波点两侧的机制密度;vp、vs、ρ分别为检波点两侧纵波速度、横波速度与介质密度的平均值;Δvp、Δvs、Δρ为检波点两侧纵波速度、横波速度与介质密度的变化值。θ表示地震波传递至声波采集装置位置的入射角度,Rpp(θ)为对应该入射角度的反射系数。
在本申请的另一个实施例中,选取品质因子作为弹性参数,此时,获取品质因子的方法如下公式5所示:
公式5:d=m-βΔxf
式中,f为频率,m、β、Δx、d均为中间参数,其获取方式如下公式6至公式9所示。
上述公式中,P1、P2为振幅衰减项,v为速度,t0为声波采集装置所在的跑到的炮检距反射时间,Q为品质因子。x1、x2为地震道的正常时差,f为频率,d1(x2,f)、d2(x1,f)分别为对应x1、x2的地震道的振幅谱。
在本申请的另一个实施例中,可以从弹性参数的示意图中直接进行弹性参数的读取。
步骤305,将弹性参数输入第一参数模型,输出得到第一预测子参数,第一参数模型为支持向量机算法模型。
在本申请实施例中,在将弹性参数输入至各个参数模型之前,均需要将参数进行归一化。
归一化之后的弹性参数可标注有对应的参考物性参数,以进行模型结构的调整。
在本申请实施例中,第一参数模型为支持向量机算法模型。
步骤306,将弹性参数输入第二参数模型,输出得到第二预测子参数,第二参数模型为自适应神经模糊推理系统模型。
在本申请实施例中,第二参数模型为自适应神经模糊推理系统模型。
步骤307,将弹性参数输入第三参数模型,输出得到第三预测子参数,第三参数模型为小波神经网络模型。
在本申请实施例中,第三参数模型为小波神经网络模型。
本申请实施例中,第一参数模型、第二参数模型和第三参数模型输出得到的预测子参数均为同一维度的预测子参数。在本申请的另一个实施例中,第一参数模型、第二参数模型和第三参数模型均可以输出得到与多个维度一一对应的预测子参数。
在本申请的其他实施例中,m个物性参数模型中存在至少两个相同种类且不同结构的物性参数模型。在一个示例中,m为3,且3个物性参数模型均为小波神经网络模型,但三个小波神经网络模型的结构互补相同,也可从多个维度计算,得到预测子参数。
步骤308,将第一预测子参数、第二预测子参数和第三预测子参数输入委员会机器模型中,进行加权求和,输出得到储层的物性参数。
储层的物性参数包括孔隙度、泥质含量、含水饱和度和渗透率。
在本申请实施例中,输入委员会及其模型的第一预测子参数、第二预测子参数、第三预测子参数均为同一维度的物性参数对应的预测子参数。在一个示例中,第一预测子参数、第二预测子参数、第三预测子参数均为与储层的孔隙度相对应的预测子参数。
委员会机器模型中存储有经过训练调整后的,每个预测子参数对应的权值,在委员会机器模型对于各个预测子参数对应权值进行加权求和,输出得到储层的物性参数的过程中,对应如下公式:
公式10:CMj=Σiαi,jOi,j
在上述公式中,CMj为委员会机器对物性参数的预测结果,Oi,j表示将处理后的弹性参数输入对应的参数模型,输出得到的预测子参数,αi,j为其对应的权值。其中,i对应参数模型的编号,j对应弹性参数的类型。
对应每个维度的物性参数,委员会机器模型输入一个物性参数值作为该物性参数的预测值。
步骤309,通过物性参数从物性参数与油藏渗流场对应关系中获取油藏剩余油情况的预测结果。
服务器中存储有物性参数与油藏渗流场的对应关系。示例性的,服务器中存储有物性参数与油藏渗流场的对应表格,通过该表格以及委员会机器模型输出得到的物性参数,即可确定储层中的油藏渗流场情况。以该油藏渗流场情况作为预测结果,即可对油藏剩余油进行确定,并对其开采过程进行指导。
综上所述,本实施例提供的方法,在获取储层的弹性参数后,将弹性参数输入不同的物性参数模型,以获取从不同维度对物性参数进行确定所得到的预测子参数,再将每个预测子参数输入委员会机器模型中,对应自身权值进行加权求和,输出得到与储层对应的,可以作为对储层中油藏渗流场情况的预测依据的物性参数。通过设置可以从不同维度对物性参数进行预测的多个物性参数模型,以及为其设置各自对应的权值,使对于物性参数的预测依据更为多样化,进而提高对于油藏剩余油情况的预测准确度。
通过设置不同的物性参数模型,或同一物性参数、不同结构的物性参数模型,使预测的结果由多个维度共同决定,进一步提高了预测的准确度。
图5示出了本申请一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测方法的过程示意图,以该方法应用于电子设备中为例进行说明,请参考图5,该过程包括:
步骤501,获取叠前地震数据。
本步骤即为经过地震波实验,获取叠前地震数据的过程。在本申请实施例中,叠前地震数据可以以图像的形式体现。
步骤502,进行叠前弹性参数反演。
步骤503,得到纵波速度、横波速度和介质密度。
步骤502至步骤503即为对弹性参数中的纵波速度、横波速度以及介质密度进行获取的过程。
步骤504,进行叠前品质因子反演。
步骤505,得到品质因子。
步骤504至步骤505即为对弹性参数中的品质因子进行获取的过程。
步骤506,将叠前弹性参数与进行数据集准备。
本步骤即为获取弹性参数的过程。在本申请的一些实施例中,弹性参数为经过归一化处理后的数据。
步骤507,将数据集输入支持向量机。
步骤508,将数据集输入自适应神经模糊推理系统。
步骤509,将数据集输入小波神经网络。
步骤507至步骤509即为将数据集输入至不同物性参数模型的过程。可选地,每个物性参数模型对至少一类物性参数进行分析,并输出得到由该模型计算获得的预测子参数。
步骤510,根据粒子群算法确定最优权重。
粒子群算法为委员会机器模型中所使用的算法,通过粒子群算法,委员会机器模型为每一预测子参数确定对应的权值。
步骤511,将最优权重以及三个物性参数模型的输出值通过委员会模型进行处理,得到物性参数。
该过程即为通过委员会机器模型,输出得到对储层的油藏渗流场情况进行预测的物性参数。该物性参数与油藏渗流场对应关系中的油藏渗流场情况相对应,用于表达该储层的油藏剩余油情况,进而表达该储层的开采价值。
综上所述,本实施例提供的方法,在获取储层的弹性参数后,将弹性参数输入不同的物性参数模型,以获取从不同维度对物性参数进行确定所得到的预测子参数,再将每个预测子参数输入委员会机器模型中,对应自身权值进行加权求和,输出得到与储层对应的,可以作为对储层中油藏渗流场情况的预测依据的物性参数。通过设置可以从不同维度对物性参数进行预测的多个物性参数模型,以及为其设置各自对应的权值,使对于物性参数的预测依据更为多样化,进而提高对于油藏剩余油情况的预测准确度。
图6至图9为申请一个示例性实施例提供的对物性参数进行预测的效果图。
图6示出了本申请一个示例性实施例提供的对于孔隙度进行预测的效果图。请参考图6,该图中对应有四幅折线图,每幅折线图的横坐标均为百分比值611,纵坐标均为深度的无量纲值612,每幅图中都对应有曲线621以及曲线622,其中,曲线621为预测值,曲线622为真实值。折线图601中,体现了通过本方案进行样本学习的支持向量机算法模型,最终得到的孔隙度的预测值与实际值的均方根误差为4.2;折线图602中,体现了通过本方案进行样本学习的自适应神经模糊系统推理模型,最终得到的孔隙度的预测值与实际的均方根误差为4.5;折线图603中,体现了通过本方案进行样本学习的小波神经网络模型,最终得到的孔隙度的预测值与实际的均方根误差为4.9;折线图604中,体现了对于前述三个模型输出的预测值进行权值分配,并加权求和后,最终得到的孔隙度的预测值与实际的均方根误差为3.6。
图7示出了本申请一个示例性实施例提供的对于泥质含量进行预测的效果图。请参考图7,该图中对应有四幅折线图,每幅折线图的横坐标均为百分比值711,纵坐标均为深度的无量纲值712,每幅图中都对应有曲线721以及曲线722,其中,曲线721为预测值,曲线722为真实值。折线图701中,体现了通过本方案进行样本学习的支持向量机算法模型,最终得到的泥质含量的预测值与实际值的方根误差为7.7;折线图702中,体现了通过本方案进行样本学习的自适应神经模糊系统推理模型,最终得到的泥质含量的预测值与实际的均方根误差为8.9;折线图703中,体现了通过本方案进行样本学习的小波神经网络模型,最终得到的泥质含量的预测值与实际的均方根误差为7.3;折线图704中,体现了对于前述三个模型输出的预测值进行权值分配,并加权求和后,最终得到的泥质含量的预测值与实际的均方根误差为5.6。
图8示出了本申请一个示例性实施例提供的对于含水饱和度进行预测的效果图。请参考图8,该图中对应有四幅折线图,每幅折线图的横坐标均为百分比值811,纵坐标均为深度的无量纲值812,每幅图中都对应有曲线821以及曲线822,其中,曲线821为预测值,曲线822为真实值。折线图801中,体现了通过本方案进行样本学习的支持向量机算法模型,最终得到的含水饱和度的预测值与实际值的方根误差为12.7;折线图802中,体现了通过本方案进行样本学习的自适应神经模糊系统推理模型,最终得到的含水饱和度的预测值与实际的均方根误差为10.4;折线图803中,体现了通过本方案进行样本学习的小波神经网络模型,最终得到的含水饱和度的预测值与实际的均方根误差为11.9;折线图804中,体现了对于前述三个模型输出的预测值进行权值分配,并加权求和后,最终得到的含水饱和度的预测值与实际的均方根误差为8.6。
图9示出了本申请一个示例性实施例提供的对于渗透率进行预测的效果图。请参考图9,该图中对应有四幅折线图,每幅折线图的横坐标均为百分比值911,纵坐标均为深度的无量纲值912,每幅图中都对应有曲线921以及曲线922,其中,曲线921为预测值,曲线922为真实值。折线图901中,体现了通过本方案进行样本学习的支持向量机算法模型,最终得到的渗透率的预测值与实际值的方根误差为31.7;折线图902中,体现了通过本方案进行样本学习的自适应神经模糊系统推理模型,最终得到的渗透率的预测值与实际的均方根误差为30.4;折线图903中,体现了通过本方案进行样本学习的小波神经网络模型,最终得到的渗透率的预测值与实际的均方根误差为41.9;折线图904中,体现了对于前述三个模型输出的预测值进行权值分配,并加权求和后,最终得到的渗透率的预测值与实际的均方根误差为19.6。
图10示出了本申请一个示例性实施例提供的一种油藏渗流特征参数的地球物理智能预测装置的结构框图,该装置包括:
获取模块1001,用于获取储层的弹性参数,弹性参数为对与储层对应的地震数据进行地震数据处理得到的参数。
输入模块1002,用于将弹性参数输入m个物性参数模型,输出得到m个预测子参数,m个物性参数模型互不相同。
求和模块1003,用于将m个预测子参数进行加权求和,得到储层的物性参数,每个预测子参数对应有一个权值,物性参数用于从物性参数与油藏渗流场对应关系中获取储层中油藏剩余油情况的预测结果。
在一个可选的实施例中,m个物性参数模型包括支持向量机算法模型、自适应神经模糊推理系统模型和小波神经网络模型中的至少一种。
在一个可选的实施例中,m个物性参数模型为种类不同的物性参数模型;
或,
m个物性参数模型中存在至少两个相同种类且不同结构的物性参数模型。
在一个可选的实施例中,弹性参数标注有参考物性参数;
请参考图11,该装置,还包括确定模块1004,用于确定预测子参数与参考物性参数之间的第一差异值;
调整模块1005,用于根据预测子参数与参考物性参数模型之间的第一差异值,对物性参数模型进行参数调整。
在一个可选的实施例中,确定模块1004,用于在m个物性参数模型均满足调整要求的情况下,确定参考物性参数与物性参数之间的第二差异值;
调整模块1005,用于根据第二差异值通过粒子群算法对m个权值进行调整。
在一个可选的实施例中,该装置,还包括处理模块1006,用于对弹性参数进行归一化处理,得到完成归一化处理后的弹性参数。
在一个可选的实施例中,获取模块1001,还用于获取经过地震波实验得到的地震波实验数据;
该装置,还包括生成模块1007,用于根据地震波实验数据生成地震波实验数据图像;
处理模块1006,还用于对地震波实验数据图像进行图像处理,得到弹性参数示意图;
获取模块1001,还用于从弹性参数示意图中获取弹性参数。
综上所述,本实施例提供的方法,在获取储层的弹性参数后,将弹性参数输入不同的物性参数模型,以获取从不同维度对物性参数进行确定所得到的预测子参数,再将每个预测子参数输入委员会机器模型中,对应自身权值进行加权求和,输出得到与储层对应的,可以作为对储层中油藏剩余油情况的预测依据的物性参数。通过设置可以从不同维度对物性参数进行预测的多个物性参数模型,以及为其设置各自对应的权值,使对于物性参数的预测依据更为多样化,进而提高对于油藏剩余油情况的预测准确度。
需要说明的是:上述实施例提供的油藏贮藏情况的预测装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的油藏渗流特征参数的地球物理智能预测装置与油藏渗流特征参数的地球物理智能预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还提供了一种服务器,该服务器包括处理器和存储器,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行以实现上述各个方法实施例提供的油藏渗流特征参数的地球物理智能预测方法。需要说明的是,该服务器可以是如下图12所提供的服务器。
请参考图12,其示出了本申请一个示例性实施例提供的服务器的结构示意图。具体来讲:服务器1200包括中央处理单元(Central Processing Unit,CPU)1201、包括随机存取存储器(Random Access Memory,RAM)1202和只读存储器(Read-Only Memory,ROM)1203的系统存储器1204,以及连接系统存储器1204和中央处理单元1201的系统总线1205。服务器1200还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(Input OutputSystem,I/O)系统1206,和用于存储操作系统1213、应用程序1214和其他程序模块1215的大容量存储设备1207。
基本输入/输出系统1206包括有用于显示信息的显示器1208和用于用户输入信息的诸如鼠标、键盘之类的输入设备1209。其中显示器1208和输入设备1209都通过连接到系统总线1205的输入/输出控制器1210连接到中央处理单元1201。基本输入/输出系统1206还可以包括输入/输出控制器1210以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入/输出控制器1210还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备1207通过连接到系统总线1205的大容量存储控制器(未示出)连接到中央处理单元1201。大容量存储设备1207及其相关联的计算机可读介质为服务器1200提供非易失性存储。也就是说,大容量存储设备1207可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、闪存或其他固态存储其技术,CD-ROM、数字多功能光盘(Digital Video Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1204和大容量存储设备1207可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元1201执行,一个或多个程序包含用于实现上述油藏贮藏情况的预测方法的指令,中央处理单元1201执行该一个或多个程序实现上述各个方法实施例提供的油藏渗流特征参数的地球物理智能预测方法。
根据本申请的各种实施例,服务器1200还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1200可以通过连接在系统总线1205上的网络接口单元1211连接到网络1212,或者说,也可以使用网络接口单元1211来连接到其他类型的网络或远程计算机系统(未示出)。可选地,本申请实施例中,服务器1200可以通过网络接口单元1211连接到通信网络,可选地,服务器1200还可以通过无线网络与其他设备建立连接。
存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,一个或者一个以上程序包含用于进行本申请实施例提供的油藏渗流特征参数的地球物理智能预测方法中由服务器所执行的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述油藏渗流特征参数的地球物理智能预测方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种油藏渗流特征参数的地球物理智能预测方法,其特征在于,所述方法应用于电子设备中,所述方法包括:
获取储层的弹性参数,所述弹性参数为对与所述储层对应的地震数据进行地震数据处理得到的参数;
将所述弹性参数输入m个物性参数模型,输出得到m个预测子参数,所述m个物性参数模型互不相同;
将m个所述预测子参数进行加权求和,得到所述储层的物性参数,每个预测子参数对应有一个权值,所述物性参数用于从物性参数与油藏渗流场对应关系中获取所述储层中油藏剩余油情况的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述m个物性参数模型包括支持向量机算法模型、自适应神经模糊推理系统模型和小波神经网络模型中的至少一种。
3.根据权利要求2所述的方法,其特征在于,所述m个物性参数模型为种类不同的物性参数模型;
或,
所述m个物性参数模型中存在至少两个相同种类且不同结构的物性参数模型。
4.根据权利要求1至3任一所述的方法,其特征在于,所述弹性参数标注有参考物性参数;
所述将所述弹性参数输入m个物性参数模型,输出得到m个预测子参数之后,还包括:
确定所述预测子参数与所述参考物性参数之间的第一差异值;
根据所述预测子参数与所述参考物性参数之间的第一差异值,对所述物性参数模型进行参数调整。
5.根据权利要求4所述的方法,其特征在于,所述根据所述预测子参数与所述参考物性参数之间的第一差异值,对所述物性参数模型进行参数调整之后,还包括:
在所述m个物性参数模型均满足调整要求的情况下,确定所述参考物性参数与所述物性参数之间的第二差异值;
根据所述第二差异值通过粒子群算法对所述m个权值进行调整。
6.根据权利要求4所述的方法,其特征在于,将所述弹性参数输入m个物性参数模型之前,还包括:
对所述弹性参数进行归一化处理,得到完成所述归一化处理后的弹性参数。
7.根据权利要求1至3任一所述的方法,其特征在于,所述获取储层的弹性参数,包括:
获取经过所述地震波实验得到的与所述储层对应的地震数据;
根据所述地震数据生成地震数据图像;
对所述地震数据图像进行图像处理,得到弹性参数示意图;
从所述弹性参数示意图中获取所述弹性参数。
8.一种油藏渗流特征参数的地球物理智能预测装置,其特征在于,所述装置包括:
获取模块,用于获取储层的弹性参数,所述弹性参数为对与所述储层对应的地震数据进行地震数据处理得到的参数;
输入模块,用于将所述弹性参数输入m个物性参数模型,输出得到m个预测子参数;
求和模块,用于将m个所述物性参数进行加权求和,得到所述储层的物性参数,每个所述预测子参数对应有一个权值;所述物性参数用于从物性参数与油藏渗流场对应关系中获取所述储层中油藏剩余油情况的预测结果。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的油藏渗流特征参数的地球物理智能预测方法。
10.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的油藏渗流特征参数的地球物理智能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011035649.9A CN112099087A (zh) | 2020-09-27 | 2020-09-27 | 油藏渗流特征参数的地球物理智能预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011035649.9A CN112099087A (zh) | 2020-09-27 | 2020-09-27 | 油藏渗流特征参数的地球物理智能预测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112099087A true CN112099087A (zh) | 2020-12-18 |
Family
ID=73782678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011035649.9A Pending CN112099087A (zh) | 2020-09-27 | 2020-09-27 | 油藏渗流特征参数的地球物理智能预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112099087A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257240A1 (en) * | 2003-06-19 | 2004-12-23 | Dingding Chen | Processing well logging data with neural network |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN108596251A (zh) * | 2018-04-25 | 2018-09-28 | 中国地质大学(北京) | 一种基于委员会机器利用测井数据进行储层流体识别方法 |
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 |
CN111561313A (zh) * | 2020-05-15 | 2020-08-21 | 中国地质大学(北京) | 基于物理模型和机器学习的致密砂岩储层参数预测方法 |
-
2020
- 2020-09-27 CN CN202011035649.9A patent/CN112099087A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257240A1 (en) * | 2003-06-19 | 2004-12-23 | Dingding Chen | Processing well logging data with neural network |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN108596251A (zh) * | 2018-04-25 | 2018-09-28 | 中国地质大学(北京) | 一种基于委员会机器利用测井数据进行储层流体识别方法 |
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 |
CN111561313A (zh) * | 2020-05-15 | 2020-08-21 | 中国地质大学(北京) | 基于物理模型和机器学习的致密砂岩储层参数预测方法 |
Non-Patent Citations (6)
Title |
---|
AMIN GHOLAMI等: "Estimation of porosity from seismic attributes using a committee model with bat-inspired optimization algorithm", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
AMIN GHOLAMI等: "Estimation of porosity from seismic attributes using a committee model with bat-inspired optimization algorithm", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》, 7 March 2017 (2017-03-07), pages 238 - 249 * |
李超琳等: "基于粒子群算法与委员会模型的孔隙度预测方法与应用", 《2019年油气地球物理学术年会论文集》 * |
李超琳等: "基于粒子群算法与委员会模型的孔隙度预测方法与应用", 《2019年油气地球物理学术年会论文集》, 30 November 2019 (2019-11-30), pages 1 - 4 * |
苏明等: "低渗河道水驱砂岩油藏剩余油分布规律――以鄂尔多斯盆地胡尖山A21井区长2油藏为例", 非常规油气, pages 59 - 64 * |
蔺景龙等: "稠油油藏剩余油分布规律研究", 大庆石油学院学报, pages 29 - 31 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112703429B (zh) | 基于机器学习的地震属性分析 | |
Hutahaean et al. | On optimal selection of objective grouping for multiobjective history matching | |
Fattahi et al. | Prediction of porosity and water saturation using pre-stack seismic attributes: a comparison of Bayesian inversion and computational intelligence methods | |
CN110954950B (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
Bai et al. | Accelerating geostatistical modeling using geostatistics-informed machine Learning | |
CN110879412A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
Karmakar et al. | Mapping of rock types using a joint approach by combining the multivariate statistics, self-organizing map and Bayesian neural networks: an example from IODP 323 site | |
US20220283329A1 (en) | Method and system for faster seismic imaging using machine learning | |
CN112100906B (zh) | 数据驱动的大尺度密度建模方法、计算设备及存储介质 | |
Karlsson et al. | Modelling dynamical systems using neural ordinary differential equations | |
Samson | Mineral resource estimates with machine learning and geostatistics | |
RU2600099C1 (ru) | Способ нейросетевого прогнозирования изменения значений функции с её предварительной вейвлет-обработкой и устройство его осуществления | |
CN112099087A (zh) | 油藏渗流特征参数的地球物理智能预测方法、装置及介质 | |
US11927717B2 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with Ensemble Kalman Filter (EnKF) | |
Gao et al. | Reduced-Degrees-of-Freedom Gaussian-Mixture-Model Fitting for Large-Scale History-Matching Problems | |
US20230140656A1 (en) | Method and system for determining seismic processing parameters using machine learning | |
CN112147679A (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 | |
Siek et al. | Data-Driven Modelling For Tsunami Forecasting Using Computational Intelligence | |
CN115685314A (zh) | 一种地震储层物性参数预测方法及装置 | |
CN112596102B (zh) | 油藏渗流特征参数的地球物理预测方法、装置及介质 | |
CN116432518B (zh) | 一种畸形波发生概率的快速预报方法、系统、设备和介质 | |
Dharmawan et al. | Tsunami tide prediction in shallow water using recurrent neural networks: Model implementation in the Indonesia Tsunami Early Warning System | |
CN112651171B (zh) | 一种数据驱动岩石物理建模方法及系统 |
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 |