CN112348922B - 一种测井曲线自动绘制方法、系统、装置及存储介质 - Google Patents
一种测井曲线自动绘制方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN112348922B CN112348922B CN202011233089.8A CN202011233089A CN112348922B CN 112348922 B CN112348922 B CN 112348922B CN 202011233089 A CN202011233089 A CN 202011233089A CN 112348922 B CN112348922 B CN 112348922B
- Authority
- CN
- China
- Prior art keywords
- curve
- neural network
- network model
- deep neural
- logging
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种测井曲线自动绘制方法、系统、装置及计算机可读存储介质,所述方法包括以下步骤:获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所用最多的绘图模板作为标准模板;获取测井数据,根据测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,得到基于曲线名称识别的深度神经网络模型;获取用户输入的测井数据,根据用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据曲线名称获取对应的标准模板,以对应的标准模板绘图。本发明所述方法实现了绘图模板准确地选择,提高了绘图效率。
Description
技术领域
本发明涉及测井技术领域,尤其涉及一种测井曲线自动绘制方法、系统、装置及计算机可读存储介质。
背景技术
在测井资料应用过程中,为了了解岩层地质特性,多方面的去认识地下地质面貌,发现地下油气储藏,需要综合使用各种测井方法;在通过各种测井仪器进行资料采集之后,所得到的是各种复杂的测井数字资料,而并非是直观的测井曲线。
为了保证测井解释的准确可靠,必须要确保测井曲线的精确,在测井曲线图的绘制过程中更应当要减少曲线的误差,确保曲线的质量。国内许多绘图软件针对的不是某一领域的特定用户,其功能以通用性为主要目的,不能满足给定数据自动成图的专业需求;目前商业化的测井曲线绘制软件大多数只能在本地的资料库中提取数据成图,最为重要的是,它们都无法摆脱手动加载绘图模板、修改曲线显示风格,需要用户在对数据进行分析后,输入指定的模板才能完成图像绘制。
现有测井绘图的方法是测井数据加上绘图模板,然后绘制出图,再加上后期的手动调整刻度,这一系列的操作对于不熟悉测井绘图流程的用户来说是非常复杂的;特别是在绘图模板选择阶段,不熟悉测井绘图流程的用户可能会选择绘图模板不准确,严重影响绘图效率,同时当用户在自己的设备上完成绘图之后,在别的设备上不能查看到自己已完成的图件。
发明内容
有鉴于此,有必要提供一种测井曲线自动绘制方法、系统、装置及计算机可读存储介质,用以解决绘图模板选择不准确、绘图效率低下的问题。
本发明提供一种测井曲线自动绘制方法,包括以下步骤:
获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;
获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;
获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图。
进一步地,建立云端服务器,将所述绘图模板及对应的操作信息上传至云端服务器,将基于曲线名称识别的深度神经网络模型上传至云端服务器,当获取对应的标准模板,以对应的标准模板绘图后,将用户绘图信息上传至云端服务器存储。
进一步地,根据所述测井数据中的曲线名称生成测井数据网格灰度图,具体包括,利用测井数据中的曲线名称字符,形成正方形网格图,统计测井数据中曲线名称字符出现的频率,得到测井数据网格灰度图。
进一步地,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型,具体包括,利用所述测井数据网格灰度图创建数据集,以测井数据网格灰度图和测井曲线名称分别作为深度神经网络模型的输入和标签数据,通过所述数据集训练深度神经网络模型,以验证误差最小时的参数为最优参数,得到基于曲线名称识别的深度神经网络模型。
进一步地,所述深度神经网络模型包括输入层、输出层及多个隐藏层,以测井数据网格灰度图作为深度神经网络模型的输入层,所述隐藏层为连接层,所述全连接层对输入进行线性运算后经过激活函数输出。
进一步地,所述全连接层对输入进行线性运算后经过激活函数输出的表达式为y=f(Wx+b),其中,x为输入特征向量,W和b分别为权重系数矩阵和偏置向量,f为激活函数,y为输出。
进一步地,在训练深度神经网络模型的过程中,通过交叉熵损失函数计算出实际输出和真实标签的差别,通过优化交叉熵,使模型预测的概率分布与真实的接近,所述交叉熵损失函数为H(p,q)=-∑p(x)logq(x),其中,p(x)为真实的分布,q(x)是模型预测出来的分布。
本发明还提供一种根据上述任一技术方案所述的测井曲线自动绘制方法的系统,包括标准模板获取模块、深度神经网络模型获取模块及绘图模块;
所述标准模板获取模块,用于获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;
所述深度神经网络模型获取模块,用于获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;
所述绘图模块,用于获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图。
本发明还提供一种测井曲线自动绘制装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述任一技术方案所述的测井曲线自动绘制方法
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机该程序被处理器执行时,实现如上述任一技术方案所述的测井曲线自动绘制方法。
与现有技术相比,本发明的有益效果包括:通过获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图;实现了绘图模板准确地选择,提高了绘图效率。
附图说明
图1为本发明提供的测井曲线自动绘制方法的流程示意图;
图2为本发明提供的测井数据网格灰度图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种测井曲线自动绘制方法,所述方法的流程示意图,如图1所示,所述方法包括以下步骤:
S1、获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;
S2、获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;
S3、获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图。
优选的,所述测井曲线自动绘制方法还包括,建立云端服务器,将所述绘图模板及对应的操作信息上传至云端服务器,将基于曲线名称识别的深度神经网络模型上传至云端服务器,当获取对应的标准模板,以对应的标准模板绘图后,将用户绘图信息上传至云端服务器存储;
一个具体实施例中,在云端建立一个服务器用来储存用户的操作信息和账户信息,在每一个用户选用绘图模板完成绘图之后,用户的操作信息将上传到云端服务器,绘图模板收集得足够多后,云端服务器统计每一位用户绘制同一条曲线所用的绘图模板,得出一个使用最多的绘图模板作为标准模板;
其他用户打开测井数据进行曲线绘制时,根据测井数据与网格灰度图的联系,利用深度学习来识别测井数据得到对应的标准模板,并绘制测井曲线,然后将用户的信息传至云端储存,以便用户下次登陆时查看;
优选的,根据所述测井数据中的曲线名称生成测井数据网格灰度图,具体包括,利用测井数据中的曲线名称字符,形成正方形网格图,统计测井数据中曲线名称字符出现的频率,得到测井数据网格灰度图;
一个具体实施例中,用户打开测井数据进行绘图时,利用深度学习框架和网络实现测井曲线名称灰度图的高效判读,来识别测井数据中的曲线,从而得到标准模板,具体的,利用测井曲线名称由字母A-Z、数字0-9共36个字符组成,可以得到6×6的正方形网格图,统计测井数据中曲线名称的字符出现频率得到6×6的测井数据正方形网格灰度图;这样就可以把测井数据与图像联系起来,每一个测井数据都可以对应一个灰度图,利用深度学习实现测井数据灰度图的高效判读,并把加上标签的灰度图与对应的标准绘图模板联系起来;
优选的,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型,具体包括,利用所述测井数据网格灰度图创建数据集,以测井数据网格灰度图和测井曲线名称分别作为深度神经网络模型的输入和标签数据,通过所述数据集训练深度神经网络模型,以验证误差最小时的参数为最优参数,得到基于曲线名称识别的深度神经网络模型;
一个具体实施例中,利用大量的不同测井数据对应的灰度图创建数据集,生成矩阵,矩阵的值为像素值;创建模型并输入训练样本进行训练,以测井数据灰度图和测井曲线名称作为深度学习模型的输入和标签数据;所述数据集中有训练数据集、测试数据集和验证集,进行训练即模型开始学习,当验证误差最小时参数最优;
优选的,所述深度神经网络模型包括输入层、输出层及多个隐藏层,以测井数据网格灰度图作为深度神经网络模型的输入层,所述隐藏层为连接层,所述全连接层对输入进行线性运算后经过激活函数输出;
一个具体实施例中,通过构建具有多个隐藏层的深度神经网络模型,并利用大量数据训练模型来对测井数据灰度图进行识别和分类;深度神经网络模型具有输入层、隐含层和输出层,测井数据灰度图的矩阵作为神经网络的输入层,通过不同结构的神经网络处理,从输入层到隐藏层再到输出层,每一层神经元的输出作为下一层神经元的输入,且随着网络结构深度的增加,每一层对于其前面一层的表示会更加深入抽象,即深度神经网络中各层神经元学习到的信息都是其前一层神经元输出值;深度神经网络中的隐含层为全连接层,全连接层对输入进行线性运算后经过激活函数输出;
优选的,所述全连接层对输入进行线性运算后经过激活函数输出的表达式为y=f(Wx+b),其中,x为输入特征向量,W和b分别为权重系数矩阵和偏置向量,f为激活函数,y为输出;
一个具体实施例中,将训练集数据输入模型中,通过对比不断调节隐藏层的权重参数使其值接近最优解,输出层后添加了Softmax激活层得到概率分布情况,最终得到输出的结果并达到一定的准确度,即完成了模型训练;
优选的,在训练深度神经网络模型的过程中,通过交叉熵损失函数计算出实际输出和真实标签的差别,通过优化交叉熵,使模型预测的概率分布与真实的接近,所述交叉熵损失函数为H(p,q)=-∑p(x)logq(x),其中,p(x)为真实的分布,q(x)是模型预测出来的分布;
需要说明的是,H(p,q)是信息量的熵,是用来衡量预测的结果好坏,(p,q)是值针对这真实的分布和模型预测出来的分布进行的计算;在训练过程中通过交叉熵损失函数计算出实际输出和真实标签的差别,从而通过优化去提高准确度;
非对称的交叉熵描述了假设一个预测的概率分布q服从的是真实分布p所需要的平均信息量;如果预测的概率分布q越接近真实分布p,那么这个信息量就越小;训练模型所需要做的是优化交叉熵,使其值越小,从而使模型预测的概率分布与真实的接近;
一个具体实施例中,利用深度卷积神经网络选择训练模型开始训练,模型训练结束后需要进行测试,训练集和验证集准确度达到90%;这样即可实现图像信息的高效判读,进而自动识别测井数据名称的灰度图并与其曲线绘制的标准模板对应起来;训练结果上传到云端服务器中,就可以完成根据测井数据得到对应的绘图模板;通过深度学习识别测井数据的曲线名称得到对应的标准模板并绘制曲线;同时将用户的操作信息上传至云端服务器储存,以便用户下次登陆时查看;
另一个具体实施例中,一位不熟悉测井曲线的用户需要绘制常规测井曲线图,打开常规测井数据,测井数据包括GR、SP、CAL、RD、RS、RMSL、DT、DEN、CNCF九条曲线;识别到此用户之前没有绘制过这个测井数据,在获取数据中测井曲线的名称后,得到测井数据网格灰度图,如图2所示,利用云端服务器中经过一定训练的深度学习的结果(基于基于曲线名称识别的深度神经网络模型)准确识别了测井数据对应的灰度图,并得到相对应的标准绘图模板,就可以直接选用标准模板来自动绘制常规测井曲线图;自动成图时,解析标准模板文件,对于格式型元素照抄到生成的图件中,对于数据型元素,读取其绘图位置、绘图参数和对应的数据项名称,利用绘图参数进行图形的绘制;所绘制的常规测井曲线图中深度道为第一道,GR、SP、CAL在第二道,RD、RS、RMSL在第三道,DT、DEN、CNCF在第四道;绘图完成后,会将用户的操作信息传至云端服务器储存,以便用户下次登陆时查看已完成的图件,并且用户再次绘制这几条曲线时能够直接从云端服务器选用自己的使用模板进行智能成图。
实施例2
本发明实施例提供了一种根据实施例1所述的测井曲线自动绘制方法的系统,包括标准模板获取模块、深度神经网络模型获取模块及绘图模块;
所述标准模板获取模块,用于获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;
所述深度神经网络模型获取模块,用于获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;
所述绘图模块,用于获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图。
实施例3
本发明实施例提供了一种测井曲线自动绘制装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如实施例1所述的测井曲线自动绘制方法。
实施例4
本发明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,所述计算机该程序被处理器执行时,实现如实施例1所述的测井曲线自动绘制方法。
本发明公开了一种测井曲线自动绘制方法、系统、装置及计算机可读存储介质,通过获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图;实现了绘图模板准确地选择,提高了绘图效率;
本发明技术方案,解决了重复操作以及不熟悉测井绘图的用户选择模板不准确的问题,提高了绘图效率,减少人机交互的程度,实现了自动获得最优测井绘图模板;同时,用户在绘图完成之后,用户的操作信息会上传到云端服务器,保存在用户的账户里,在别的设备查看时登陆账户即可,解决了不能异地查看已完成绘图结果的问题。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种测井曲线自动绘制方法,其特征在于,包括以下步骤:
获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;
获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;
获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图。
2.根据权利要求1所述的测井曲线自动绘制方法,其特征在于,还包括,建立云端服务器,将所述绘图模板及对应的操作信息上传至云端服务器,将基于曲线名称识别的深度神经网络模型上传至云端服务器,当获取对应的标准模板,以对应的标准模板绘图后,将用户绘图信息上传至云端服务器存储。
3.根据权利要求1所述的测井曲线自动绘制方法,其特征在于,根据所述测井数据中的曲线名称生成测井数据网格灰度图,具体包括,利用测井数据中的曲线名称字符,形成正方形网格图,统计测井数据中曲线名称字符出现的频率,得到测井数据网格灰度图。
4.根据权利要求1所述的测井曲线自动绘制方法,其特征在于,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型,具体包括,利用所述测井数据网格灰度图创建数据集,以测井数据网格灰度图和测井曲线名称分别作为深度神经网络模型的输入和标签数据,通过所述数据集训练深度神经网络模型,以验证误差最小时的参数为最优参数,得到基于曲线名称识别的深度神经网络模型。
5.根据权利要求4所述的测井曲线自动绘制方法,其特征在于,所述深度神经网络模型包括输入层、输出层及多个隐藏层,以测井数据网格灰度图作为深度神经网络模型的输入层,所述隐藏层为全连接层,所述全连接层对输入进行线性运算后经过激活函数输出。
6.根据权利要求5所述的测井曲线自动绘制方法,其特征在于,所述全连接层对输入进行线性运算后经过激活函数输出的表达式为,其中,x为输入特征向量,W和b分别为权重系数矩阵和偏置向量,f为激活函数,y为输出。
7.根据权利要求6所述的测井曲线自动绘制方法,其特征在于,在训练深度神经网络模型的过程中,通过交叉熵损失函数计算出实际输出和真实标签的差别,通过优化交叉熵,使模型预测的概率分布与真实的接近,所述交叉熵损失函数为,其中,为真实的分布,是模型预测出来的分布。
8.一种根据权利要求1-7任一所述的测井曲线自动绘制方法的系统,其特征在于,包括标准模板获取模块、深度神经网络模型获取模块及绘图模块;
所述标准模板获取模块,用于获取用户进行测井曲线绘图时选用的绘图模板及对应的操作信息,根据所述绘图模板及对应的操作信息,获取用户绘制同一曲线所用最多的绘图模板,将所述所用最多的绘图模板作为标准模板;
所述深度神经网络模型获取模块,用于获取测井数据,根据所述测井数据中的曲线名称生成测井数据网格灰度图,构建深度神经网络模型,利用所述测井数据网格灰度图及曲线名称进行深度神经网络模型训练,得到基于曲线名称识别的深度神经网络模型;
所述绘图模块,用于获取用户输入的测井数据,根据所述用户输入的测井数据及基于曲线名称识别的深度神经网络模型获取曲线名称,根据所述曲线名称获取对应的标准模板,以对应的标准模板绘图。
9.一种测井曲线自动绘制装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-7任一所述的测井曲线自动绘制方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机该程序被处理器执行时,实现如权利要求1-7任一所述的测井曲线自动绘制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011233089.8A CN112348922B (zh) | 2020-11-06 | 2020-11-06 | 一种测井曲线自动绘制方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011233089.8A CN112348922B (zh) | 2020-11-06 | 2020-11-06 | 一种测井曲线自动绘制方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348922A CN112348922A (zh) | 2021-02-09 |
CN112348922B true CN112348922B (zh) | 2023-04-07 |
Family
ID=74428827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011233089.8A Active CN112348922B (zh) | 2020-11-06 | 2020-11-06 | 一种测井曲线自动绘制方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348922B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110552693A (zh) * | 2019-09-19 | 2019-12-10 | 中国科学院声学研究所 | 一种基于深度神经网络的感应测井曲线的层界面识别方法 |
WO2020082824A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9528367B2 (en) * | 2011-02-17 | 2016-12-27 | Selman and Associates, Ltd. | System for near real time surface logging of a geothermal well, a hydrocarbon well, or a testing well using a mass spectrometer |
US9501740B2 (en) * | 2014-06-03 | 2016-11-22 | Saudi Arabian Oil Company | Predicting well markers from artificial neural-network-predicted lithostratigraphic facies |
-
2020
- 2020-11-06 CN CN202011233089.8A patent/CN112348922B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020082824A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
CN110552693A (zh) * | 2019-09-19 | 2019-12-10 | 中国科学院声学研究所 | 一种基于深度神经网络的感应测井曲线的层界面识别方法 |
Non-Patent Citations (1)
Title |
---|
基于ActiveX和XML技术的测井曲线远程绘制;蒲琴等;《计算机与数字工程》;20130620(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348922A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN107220648B (zh) | 理赔单据的字符识别方法及服务器 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN109993734A (zh) | 用于输出信息的方法和装置 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
CN111900694B (zh) | 一种基于自动识别的继电保护设备信息采集方法及系统 | |
CN113064995A (zh) | 一种基于图深度学习的文本多标签分类方法和系统 | |
CN115963548B (zh) | 一种基于反绎学习的矿井微震p波到时拾取模型构建方法 | |
CN115393656B (zh) | 一种用于随钻测井图像地层分类的自动分类方法 | |
CN114419468A (zh) | 一种结合注意力机制和空间特征融合算法的水田分割方法 | |
CN110263835A (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN109948825A (zh) | 基于改进PSO与Adaboost结合的有利储层发育区预测方法 | |
CN107133631A (zh) | 一种识别电视台图标的方法及装置 | |
CN113283467B (zh) | 一种基于平均损失和逐类选择的弱监督图片分类方法 | |
CN116012275A (zh) | 一种随钻电成像数据井下实时处理装置及方法 | |
CN112348922B (zh) | 一种测井曲线自动绘制方法、系统、装置及存储介质 | |
CN112164040A (zh) | 基于半监督深度学习算法的钢铁表面缺陷识别方法 | |
CN115081485B (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
CN107135402A (zh) | 一种识别电视台图标的方法及装置 | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN111242131B (zh) | 一种智能阅卷中图像识别的方法、存储介质及装置 | |
CN115424280A (zh) | 基于改进Faster-RCNN的手写数字检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |