CN112230283B - 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 - Google Patents
一种基于测井曲线支持向量机建模的地震孔隙度预测方法 Download PDFInfo
- Publication number
- CN112230283B CN112230283B CN202011085228.7A CN202011085228A CN112230283B CN 112230283 B CN112230283 B CN 112230283B CN 202011085228 A CN202011085228 A CN 202011085228A CN 112230283 B CN112230283 B CN 112230283B
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- seismic
- modeling
- porosity
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 101150054980 Rhob gene Proteins 0.000 claims description 25
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 28
- 230000008569 process Effects 0.000 abstract description 7
- 239000011435 rock Substances 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010074864 Factor XI Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method 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. for interpretation or for event detection
- 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
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于测井曲线支持向量机建模的地震孔隙度预测方法,采用支持向量机学习方法建立井上弹性参数、伽马和孔隙度的非线性映射模型,将岩石物理建模问题转化为以数据为驱动的统计学习问题,避免了复杂的岩石物理建模和参数调整过程;其次,让储层划分功能的伽马曲线参与统计建模,使孔隙度预测结果具有可解释性和合理性;最后,支持向量机学习方法适用于小样本低特征维度的训练样本数据,支持向量机通过核函数可实现非线性映射,采用运算效率高的序列最小最优化算法求解目标函数。旨在解决现有技术中存在的地震孔隙度预测依赖概率模型,适用性不高的技术问题。
Description
技术领域
本发明涉及油气勘探技术领域,尤其涉及一种基于测井曲线支持向量机建模的地震孔隙度预测方法。
背景技术
在油气地球物理研究中,孔隙度是描述油气藏储层特征的重要参数,对于储层预测有着重要的意义。
地震孔隙度反演的主要方法有井上线性回归建模预测、地质统计反演和随机模拟这三种方法,其中井上线性回归建模预测方法是最常用的地震孔隙度计算方法,具体做法是利用井上的孔隙度曲线与弹性参数曲线建立线性回归方程,对线性回归模型作用至地震相同弹性参数属性体上,预测得到地震孔隙度,这种方法计算速度较快,但预测值存在较大的误差,只适应于岩性较单一、变化小的地层;地质统计反演的具体方法基于目标点和已知点的空间关系,建立变差函数,通过研究孔隙度测井曲线数值与地震数据的空间相关度,将地震振幅值通过变差函数映射至目标曲线域,基于地质统计学方法考虑了测井数据与地震数据的空间相关性,反演结果横向纵向分辨率高,但是反演结果依赖变差函数,不适合少井情况;基于随机模拟的方法,弥补了地质统计反演的平均效应,建立孔隙度属性的概率模型,基于概率模型抽样,产生高分辨率地震孔隙度模拟结果,但随机模拟结果依赖于概率模型,建立概率模型的过程计算度复杂。因此,如何提高地震孔隙度预测效率及精准度,是一个亟需解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于测井曲线支持向量机建模的地震孔隙度预测方法,旨在解决现有技术中存在的地震孔隙度预测依赖概率模型,适用性不高的技术问题。
为实现上述目的,本发明提出一种基于测井曲线支持向量机建模的地震孔隙度预测方法,所述地震孔隙度预测方法包括如下步骤:
将获取的井上纵波、横波、密度曲线与伽马曲线进行第一非线性支持向量机映射模型建模;将获取的井上纵波、横波、密度曲线、伽马曲线与孔隙度进行第二非线性支持向量机映射模型建模;
地震叠前道集反演获得井上弹性参数体,所述井上弹性参数体包括纵波、横波和密度;
将获得的井上弹性参数送入第一非线性支持向量机映射模型预测得到地震伽马体,将预测得到的地震伽马体与弹性参数体送入第二非线性支持向量机映射模型预测得到地震孔隙度体。
优选的,一种基于测井曲线支持向量机建模的地震孔隙度预测方法,所述地震孔隙度预测还包括对获取的井曲线进行数据预处理,所述预处理包括缺失值预测、重复值与异常值剔除以及数据标准化处理。
优选的,一种基于测井曲线支持向量机建模的地震孔隙度预测方法,所述第一非线性支持向量机映射模型建模包括如下子步骤:
创建样本训练集D={x1,x2,x3}(x1=Vp,x2=Vs,x3=Rhob),其中:Vp是纵波,Vs是横波,Rhob是密度,样本标签为:y(y=GR),其中GR是伽马,
根据软间隔参数约束建立支持向量机回归映射目标函数;
其中:m是样本个数,f(φ(x))=wφ(x)+b映射,使得它与y的值尽可能的接近,f是回归映射关系,φ(x)是非线性函数,它将训练样本x映射到高维特征空间,数据w,b是待定的参数。式中lε是损失函数,C是软约束系数,ξi和是松弛因子。
利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数:
根据拉格朗日对偶问题需满足KKT条件的约束,采用启发式的序列最小最优化算法求解回归估计函数,得到第一非线性支持向量机映射模型。
优选的,一种基于测井曲线支持向量机建模的地震孔隙度预测方法,所述第二非线性支持向量机映射模型建模包括如下子步骤:
创建样本训练集D={x1,x2,x3,x4}(x1=Vp,x2=Vs,x3=Rhob,x4=GR),其中:Vp是纵波,Vs是横波,Rhob是密度,GR是伽马,样本标签为y(y=Por),Por是孔隙度。
根据软间隔参数约束建立支持向量机回归映射目标函数;
其中:m是样本个数,f(φ(x))=wφ(x)+b映射,使得它与y的值尽可能的接近,f是回归映射关系,φ(x)是非线性函数,它将训练样本x映射到高维特征空间,数据w,b是待定的参数。式中lε是损失函数,C是软约束系数,ξi和是松弛因子。
利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数:
根据拉格朗日对偶问题需满足KKT条件的约束,采用启发式的序列最小最优化算法求解回归估计函数,得到第二非线性支持向量机映射模型。
优选的,一种基于测井曲线支持向量机建模的地震孔隙度预测方法,所述地震叠前道集反演包括如下子步骤:
根据zeoppritz方程的近似式建立目标函数求解弹性参数,采用同步反演计算得到地震叠前弹性参数反演体,所述zeoppritz方程的近似式为:
S=R*w;
其中:θ是叠前道集的角度,S是叠前道集振幅,w是子波。
本发明中,采用支持向量机学习方法建立井上弹性参数、伽马和孔隙度的非线性映射模型,将岩石物理建模问题转化为以数据为驱动的统计学习问题,避免了复杂的岩石物理建模和参数调整过程;其次,孔隙度预测通常是在有效储层中才会有意义,而本发明中让储层划分功能的伽马曲线参与统计建模,使孔隙度预测结果具有可解释性和合理性;最后,支持向量机学习方法适用于小样本低特征维度的训练样本数据,而测井数据具备此特征,支持向量机通过核函数可实现非线性映射,采用运算效率高的序列最小最优化算法求解目标函数,因此支持向量学习方法适合解决本发明问题。旨在解决现有技术中存在的地震孔隙度预测依赖概率模型,适用性不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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示出的结构获得其他的附图。
图1为本发明提出的基于测井曲线支持向量机建模的地震孔隙度预测方法的流程处理示意图;
图2为本发明中井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测示意图;
图3为本发明中井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测示意图;
图4为本发明中叠前同时反演算法验证示意图;其中:图4(a)为原始叠前部分叠加道集与正演部分叠加道集对比示意图;图4(b)为叠前地震纵波(Vp)、横波(Vs)、密度(Rhob)同时反演结果与井曲线对比示意图;
图5为本发明中叠前地震部分叠加体示意图;其中:图5(a)为小角度叠加地震示意图;图5(b)为中角度叠加地震示意图;图5(c)为大角度叠加地震示意图;
图6为本发明中地震叠前同时反演弹性参数体示意图;其中:图6(a)为纵波(Vp)反演体示意图;图6(b)为横波(Vs)反演体示意图;图6(c)为密度(Rhob)反演体示意图;
图7为本发明中的测井曲线支持向量机建模的孔隙度预测效果示意图;其中:图7(a)为伽马(GR)预测体示意图;图7(b)为孔隙度(Por)预测体示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种实施例,如图1所示,本发明提出了一种基于测井曲线支持向量机建模的地震孔隙度预测方法,本方法利用支持向量机学习建立井上的纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)之间的非线性映射模型和纵波(Vp)、横波(Vs)、密度(Rhob)、伽马(GR)与孔隙度(Por)之间的非线性映射模型,然后将井上的非线性映射模型外推作用至叠前地震弹性参数体(Vp、Vs、Rhob),得到地震范围的孔隙度预测体,具体步骤如下:
步骤一:井曲线分层预处理;
步骤二:井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机映射模型学习;
步骤三:井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的支持向量机非线性映射模型学习;
步骤四:地震叠前道集同时反演出纵波、横波和密度;
步骤五:步骤二模型作用于步骤四的弹性参数体(纵波、横波和密度),预测得到地震伽马(GR)体;
步骤六:步骤三模型作用于步骤五的弹性参数体(Vp、Vs、Rhob)与伽马体(GR),预测得到地震孔隙度体。
在本实施例中,结合技术流程图以及其它附图展开对本发明的详细介绍。
步骤一:井曲线分层预处理。
取预测目的层段的井数据进行支持向量机的曲线建模,建模之前,井数据的预处理至关重要,不合理的井数据不利于训练和预测,井数据的预处理包括:缺失值预测,重复值与异常值剔除,标准化处理。
步骤二:井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机映射模型学习。
支持向量机是一种风险结构最小的经典机器学习方法,适合小样本低特征维度数据,它不同于依据大数定律的其它统计方法,不涉及概率测度。本质上,支持向量机学习问题是全局凸优化问题,它避开了对训练数据的归纳演绎的推导过程,而是依靠少数的关键样本参与模型训练,训练结果模型具有很好的鲁棒性和泛化力。测井数据具有低维特点,支持向量机建模过程中使用核函数可实现非线性映射和挖掘数据的潜在特征,因此,本发明采用支持向量机进行数据非线性回归建模。
首先创建样本训练集D={x1,x2,x3}(x1=Vp,x2=Vs,x3=Rhob),样本标签为y(y=GR),样本个数为m,支持向量机建模的目标是学习一个f(φ(x))=wφ(x)+b映射,使得它与y的值尽可能的接近,f是回归映射关系,φ(x)是非线性函数,它将训练样本x映射到高维特征空间,数据w,b是待定的参数。
软间隔参数约束是支持向量机非线性映射的重要特征,它指f(φ(x))和y之间容许的偏差,设为ε,建立支持向量机回归映射目标函数(式2-1):
求解式(2-2)的约束优化问题,利用带不等式约束的拉格朗日优化思想将原始问题转化为对偶问题,通过求解对偶问题而得到原始问题的解,如式(2-3)所示:
根据拉格朗日对偶问题需满足KKT条件的约束,采用启发式的序列最小最优化算法求解上式,得到井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的支持向量机非线性回归映射模型。
图2井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测,其中虚线表示支持向量机回归模型预测的伽马曲线。
步骤三:井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的支持向量机非线性映射模型学习。
创建样本训练集D={x1,x2,x3,x4}(x1=Vp,x2=Vs,x3=Rhob,x4=GR),样本标签为y(y=Por),样本个数为m,建立井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的非线性支持向量机映射模型,回归模型的求解过程同步骤二。
图3井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机回归建模与预测,其中虚线表示支持向量机回归模型预测的孔隙度;
步骤四:地震叠前道集同时反演出纵波、横波和密度。
S=R*w
根据zeoppritz方程的近似式(4-1)建立目标函数求解弹性参数,采用同步反演计算得到地震叠前弹性参数反演体(Vp、Vs、Rhob),其中θ是叠前道集的角度,S是叠前道集振幅,w是子波。
图4叠前同时反演算法验证,(a)原始叠前部分叠加道集与正演部分叠加道集对比,黑色表示原始道集,灰色表示正演道集;(b)叠前地震纵波(Vp)、横波(Vs)、密度(Rhob)同时反演结果与井曲线对比,灰色实线表示井曲线,黑色实线表示叠前地震弹性参数(Vp、Vs、Rhob)同时反演结果;图5叠前地震部分叠加体,(a)小角度叠加地震;(b)中角度叠加地震;(c)大角度叠加地震;图6地震叠前同时反演弹性参数体,(a)纵波(Vp)反演体,(b)横波(Vs)反演体,(c)密度(Rhob)反演体;
步骤五:步骤二模型作用于步骤四的弹性参数体(纵波、横波和密度),预测得到地震伽马(GR)体。
将步骤二的井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)与伽马曲线(GR)的非线性支持向量机映射模型,作用于步骤四的叠前弹性参数体,预测得到地震伽马(GR)体。
图7(a)本发明方法的测井曲线支持向量机建模的地震伽马(GR)体预测效果。
步骤六:步骤三模型作用于步骤五的弹性参数体(Vp、Vs、Rhob)与伽马体(GR),预测得到地震孔隙度体。
将步骤三的井上纵波(Vp)、横波(Vs)、密度曲线(Rhob)、伽马曲线(GR)和孔隙度(Por)的支持向量机非线性映射模型作用于步骤四和步骤五的弹性参数体与伽马体,预测得到地震孔隙度(Por)体。
图7(b)本发明方法的测井曲线支持向量机建模的地震孔隙度(Por)预测效果。
本发明提出了一种基于测井曲线支持向量机建模的地震孔隙度预测方法,首先,本发明采用支持向量机学习方法建立井上弹性参数、伽马和孔隙度的非线性映射模型,将岩石物理建模问题转化为以数据为驱动的统计学习问题,避免了复杂的岩石物理建模和参数调整过程;其次,孔隙度预测通常是在有效储层中才会有意义,而本发明中让储层划分功能的伽马曲线参与统计建模,使孔隙度预测结果具有可解释性和合理性;最后,支持向量机学习方法适用于小样本低特征维度的训练样本数据,而测井数据具备此特征,支持向量机通过核函数可实现非线性映射,采用运算效率高的序列最小最优化算法求解目标函数,因此支持向量学习方法适合解决本发明问题。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于测井曲线支持向量机建模的地震孔隙度预测方法,其特征在于,所述地震孔隙度预测方法包括如下步骤:
将获取的井上纵波、横波、密度曲线与伽马曲线进行第一非线性支持向量机映射模型建模;将获取的井上纵波、横波、密度曲线、伽马曲线与孔隙度进行第二非线性支持向量机映射模型建模;
地震叠前道集反演获得井上弹性参数体,所述井上弹性参数体包括纵波、横波和密度;
将获得的井上弹性参数送入第一非线性支持向量机映射模型预测得到地震伽马体,将预测得到的地震伽马体与弹性参数体送入第二非线性支持向量机映射模型预测得到地震孔隙度体。
2.如权利要求1所述的一种基于测井曲线支持向量机建模的地震孔隙度预测方法,其特征在于,所述地震孔隙度预测还包括对获取的井曲线进行数据预处理,所述预处理包括缺失值预测、重复值与异常值剔除以及数据标准化处理。
3.如权利要求1所述的一种基于测井曲线支持向量机建模的地震孔隙度预测方法,其特征在于,所述第一非线性支持向量机映射模型建模包括如下子步骤:
创建样本训练集D={x1,x2,x3},x1=Vp,x2=Vs,x3=Rhob,其中:Vp是纵波,Vs是横波,Rhob是密度,样本标签为:y,y=GR,其中GR是伽马;
根据软间隔参数约束建立支持向量机回归映射目标函数;
其中:m是样本个数,f(φ(x))=wφ(x)+b映射,使得它与y的值尽可能的接近,f是回归映射关系,φ(x)是非线性函数,它将训练样本x映射到高维特征空间,数据w,b是待定的参数;式中lε是损失函数,C是软约束系数,ξi和是松弛因子;
利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数:
根据拉格朗日对偶问题需满足KKT条件的约束,采用启发式的序列最小最优化算法求解回归估计函数,得到第一非线性支持向量机映射模型。
4.如权利要求1所述的一种基于测井曲线支持向量机建模的地震孔隙度预测方法,其特征在于,所述第二非线性支持向量机映射模型建模包括如下子步骤:
创建样本训练集D={x1,x2,x3,x4},x1=Vp,x2=Vs,x3=Rhob,x4=GR,其中:Vp是纵波,Vs是横波,Rhob是密度,GR是伽马,样本标签为y,y=Por,Por是孔隙度;
根据软间隔参数约束建立支持向量机回归映射目标函数:
其中:m是样本个数,f(φ(x))=wφ(x)+b映射,使得它与y的值尽可能的接近,f是回归映射关系,φ(x)是非线性函数,它将训练样本x映射到高维特征空间,数据w,b是待定的参数;式中lε是损失函数,C是软约束系数,ξi和是松弛因子;
利用带不等式约束的拉格朗日优化思想获得相应的回归估计函数:
根据拉格朗日对偶问题需满足KKT条件的约束,采用启发式的序列最小最优化算法求解回归估计函数,得到第二非线性支持向量机映射模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085228.7A CN112230283B (zh) | 2020-10-12 | 2020-10-12 | 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085228.7A CN112230283B (zh) | 2020-10-12 | 2020-10-12 | 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112230283A CN112230283A (zh) | 2021-01-15 |
CN112230283B true CN112230283B (zh) | 2021-08-10 |
Family
ID=74112070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011085228.7A Active CN112230283B (zh) | 2020-10-12 | 2020-10-12 | 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112230283B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064216A (zh) * | 2021-02-25 | 2021-07-02 | 中国石油天然气集团有限公司 | 一种储层孔隙度预测方法、系统、设备及可读存储介质 |
CN113419278B (zh) * | 2021-06-21 | 2022-03-08 | 大庆油田有限责任公司 | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 |
CN113866827B (zh) | 2021-09-29 | 2023-05-09 | 中国石油大学(华东) | 一种解释性速度建模地震成像方法、系统、介质和设备 |
CN114063162B (zh) * | 2021-11-05 | 2024-03-08 | 北京珠玛阳光科技有限公司 | 一种基于小样本机器学习SVM Vp/Vs预测方法 |
CN114592860A (zh) * | 2022-03-30 | 2022-06-07 | 中海石油(中国)有限公司湛江分公司 | 一种地层孔隙压力预测方法 |
CN115576028B (zh) * | 2022-12-01 | 2023-03-14 | 武汉盛华伟业科技股份有限公司 | 基于支持向量机的地质特征层预测方法及系统 |
CN117909933A (zh) * | 2024-01-23 | 2024-04-19 | 西南石油大学 | 一种基于支持向量机回归模型的岩石可钻性预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025084A (zh) * | 2006-02-20 | 2007-08-29 | 中国石油大学(北京) | 一种随钻预测钻头底下地层孔隙压力的方法 |
CN102508293A (zh) * | 2011-11-28 | 2012-06-20 | 中国石油大学(北京) | 一种叠前反演的薄层含油气性识别方法 |
CN103257361A (zh) * | 2013-05-24 | 2013-08-21 | 中国石油天然气集团公司 | 基于Zoeppritz方程近似式的油气预测方法及系统 |
CN104391342A (zh) * | 2014-12-09 | 2015-03-04 | 中国石油天然气股份有限公司 | 基于裂缝孔隙度反演定量预测储层渗透性的方法及装置 |
CN104950331A (zh) * | 2015-06-30 | 2015-09-30 | 中国石油天然气集团公司 | 一种砂泥岩储层的孔隙度与泥质含量的地震预测方法 |
CN105242307A (zh) * | 2015-09-22 | 2016-01-13 | 刘立峰 | 复杂碳酸盐储层地震孔隙度获取方法及装置 |
CN106556863A (zh) * | 2015-09-29 | 2017-04-05 | 中国石油天然气股份有限公司 | 基于深度域叠前角道集的孔隙度预测方法 |
CN108037528A (zh) * | 2017-09-25 | 2018-05-15 | 中国石油化工股份有限公司 | 少井区基于统计岩石物理建模的孔隙度预测方法及系统 |
CN110097069A (zh) * | 2019-03-11 | 2019-08-06 | 西安科技大学 | 一种基于深度多核学习的支持向量机岩相识别方法及装置 |
CN110333549A (zh) * | 2019-04-26 | 2019-10-15 | 中国石油化工股份有限公司 | 基于测井资料频散特征的井点裂隙孔隙度预测方法 |
US10767476B2 (en) * | 2013-12-31 | 2020-09-08 | Biota Technology, Inc. | Microbiome based systems, apparatus and methods for the exploration and production of hydrocarbons |
US10781686B2 (en) * | 2016-06-27 | 2020-09-22 | Schlumberger Technology Corporation | Prediction of fluid composition and/or phase behavior |
CN111751879A (zh) * | 2020-05-26 | 2020-10-09 | 中国石油天然气股份有限公司 | 储层孔隙度预测方法及装置 |
-
2020
- 2020-10-12 CN CN202011085228.7A patent/CN112230283B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025084A (zh) * | 2006-02-20 | 2007-08-29 | 中国石油大学(北京) | 一种随钻预测钻头底下地层孔隙压力的方法 |
CN102508293A (zh) * | 2011-11-28 | 2012-06-20 | 中国石油大学(北京) | 一种叠前反演的薄层含油气性识别方法 |
CN103257361A (zh) * | 2013-05-24 | 2013-08-21 | 中国石油天然气集团公司 | 基于Zoeppritz方程近似式的油气预测方法及系统 |
US10767476B2 (en) * | 2013-12-31 | 2020-09-08 | Biota Technology, Inc. | Microbiome based systems, apparatus and methods for the exploration and production of hydrocarbons |
CN104391342A (zh) * | 2014-12-09 | 2015-03-04 | 中国石油天然气股份有限公司 | 基于裂缝孔隙度反演定量预测储层渗透性的方法及装置 |
CN104950331A (zh) * | 2015-06-30 | 2015-09-30 | 中国石油天然气集团公司 | 一种砂泥岩储层的孔隙度与泥质含量的地震预测方法 |
CN105242307A (zh) * | 2015-09-22 | 2016-01-13 | 刘立峰 | 复杂碳酸盐储层地震孔隙度获取方法及装置 |
CN106556863A (zh) * | 2015-09-29 | 2017-04-05 | 中国石油天然气股份有限公司 | 基于深度域叠前角道集的孔隙度预测方法 |
US10781686B2 (en) * | 2016-06-27 | 2020-09-22 | Schlumberger Technology Corporation | Prediction of fluid composition and/or phase behavior |
CN108037528A (zh) * | 2017-09-25 | 2018-05-15 | 中国石油化工股份有限公司 | 少井区基于统计岩石物理建模的孔隙度预测方法及系统 |
CN110097069A (zh) * | 2019-03-11 | 2019-08-06 | 西安科技大学 | 一种基于深度多核学习的支持向量机岩相识别方法及装置 |
CN110333549A (zh) * | 2019-04-26 | 2019-10-15 | 中国石油化工股份有限公司 | 基于测井资料频散特征的井点裂隙孔隙度预测方法 |
CN111751879A (zh) * | 2020-05-26 | 2020-10-09 | 中国石油天然气股份有限公司 | 储层孔隙度预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于支持向量机的储层参数反演;朱永才等;《广东石油化工学院学报》;20120229;第22卷(第1期);第44-46页 * |
支持向量机在致密砂岩储层孔隙度预测中应用;张静等;《河南科学》;20150630;第33卷(第6期);第993-998页 * |
支持向量机方法在储层预测中的应用;乐友喜等;《石油物探》;20050731;第44卷(第4期);第388-393页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112230283A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112230283B (zh) | 一种基于测井曲线支持向量机建模的地震孔隙度预测方法 | |
Pham et al. | Missing well log prediction using convolutional long short-term memory network | |
US11599790B2 (en) | Deep learning based reservoir modeling | |
Wang et al. | On a new method of estimating shear wave velocity from conventional well logs | |
CN101149439B (zh) | 高分辨率非线性储层物性反演方法 | |
CN101206264A (zh) | 高分辨率非线性地震波阻抗反演方法 | |
CN109521474B (zh) | 一种三维双控下的叠前地质统计学反演方法 | |
Grose et al. | Inversion of structural geology data for fold geometry | |
Liu et al. | Artificial intelligence method for shear wave travel time prediction considering reservoir geological continuity | |
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 | |
Al Ghaithi et al. | Machine learning with artificial neural networks for shear log predictions in the Volve field Norwegian North Sea | |
Azevedo | Model reduction in geostatistical seismic inversion with functional data analysis | |
Titus et al. | Conditioning surface-based geological models to well data using artificial neural networks | |
Tahmasebi et al. | A multiscale approach for geologically and flow consistent modeling | |
Alguliyev et al. | History matching of petroleum reservoirs using deep neural networks | |
Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
CN113970787B (zh) | 物性参数反演方法、装置、计算机设备和存储介质 | |
Yang et al. | Reflection coefficients inversion based on the bidirectional long short-term memory network | |
Wang et al. | Spatiotemporal synergistic ensemble deep learning method and its application to S-wave velocity prediction | |
CN113253350B (zh) | 一种基于联合字典的孔隙度反演方法 | |
Kumar et al. | Appraisal of reservoir porosity using a machine learning approach: A study from the Eocene‐Miocene interval of Upper Assam Basin, NE, India | |
CN115586573A (zh) | 一种致密砂岩储层的动态约束物性参数地震反演方法 | |
CN111273346A (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
CN117471536A (zh) | 一种基于mcmc的叠前多参数反演最优化求解方法及系统 | |
CN112649867B (zh) | 虚拟井构建方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |