CN112396205A - 复杂分散断块油田群动用顺序的优化方法、设备及系统 - Google Patents

复杂分散断块油田群动用顺序的优化方法、设备及系统 Download PDF

Info

Publication number
CN112396205A
CN112396205A CN201910748132.5A CN201910748132A CN112396205A CN 112396205 A CN112396205 A CN 112396205A CN 201910748132 A CN201910748132 A CN 201910748132A CN 112396205 A CN112396205 A CN 112396205A
Authority
CN
China
Prior art keywords
factor
fault block
oil
index
determining
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
Application number
CN201910748132.5A
Other languages
English (en)
Inventor
雷诚
袁新涛
徐庆岩
石德佩
李贤兵
康楚娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN201910748132.5A priority Critical patent/CN112396205A/zh
Publication of CN112396205A publication Critical patent/CN112396205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种复杂分散断块油田群动用顺序的优化方法、系统、计算机设备以及计算机可读存储介质，涉及油气田勘探开发技术领域。该方法包括根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集；根据所述标准因子集构建多层次、多因素的风险综合评价指标体系递阶层次结构；根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息；根据所述标准因子集以及权重信息确定油田群的投产顺序信息。本发明采用改进的层次分析法优化复杂含油断块群不同油藏的先后投产顺序，从而实现油藏项目管理的利益最大化，克服了现有技术方案中常用层次分析法的缺点。

Description

复杂分散断块油田群动用顺序的优化方法、设备及系统
技术领域
本发明关于油气田勘探开发技术领域，特别是关于包含多个含油断块的油田群油藏的勘探开发技术，具体的讲是一种复杂分散断块油田群动用顺序的优化方法、系统、计算机设备以及计算机可读存储介质。
背景技术
对于复杂断块油田群，由于构造、油藏储层物性、油气运聚条件等因素的不同，造成各含油断块位置分散，品质差异大，如各含油断块地质储量、储层物性、储层埋深、油藏能量、原油品质、地表条件等。对于该类油田群，尤其是海外项目，如何优先开发优质断块，缩短投资回收期，实现盈利最大化一直是核心问题。因此，选择一种能够有效优化油田群动用顺序的方法至关重要。
层次分析法(The analytic Hierarchy Process)是目前解决日常生活中有关决策问题的常用方法，由美国运筹学家saaty于1977年首先提出，是一种用于解决复杂系统分析与决策中目标优选的数学方法。由于层次分析法把定性与定量方法有机的结合起来，将多目标、多准则又难以全部量化处理的决策问题转化为多层次单目标问题，且简单实用，使其在城市规划、环境分析、电网综合评估等领域成功应用。近年来，很多学者将层次分析法应用到油气勘探领域，例如圈闭风险评价、致密油有利区优选、成藏主控因素分析等，取得了很好的效果，但在油气田开发领域的应用比较罕见。
然而，常用的层次分析法也存在一些不足，主要表现在：①常用的层次分析法采用“1-9”标度法建立判断矩阵，但用该标度建立的判别矩阵，得到的权重和实际情况相比，有时会失真。②层次分析法中涉及到的判断矩阵要求达到一致性，但在实际运算过程中往往满足不了，此时需要对判断矩阵进行修正，常用的方法是重新建立一个判断矩阵，但这种做法费时费力。
因此，如何提供一种新的方案，以解决现有技术存在的上述技术问题是本领域亟待解决的技术难题。
发明内容
有鉴于此，本发明实施例提供了一种复杂分散断块油田群动用顺序的优化方法、系统、计算机设备以及计算机可读存储介质，采用改进的层次分析法优化复杂含油断块群不同油藏的先后投产顺序，从而实现油藏项目管理的利益最大化，克服了现有技术方案中常用层次分析法的缺点。
本发明的目的之一是，提供一种复杂分散断块油田群动用顺序的优化方法，包括：
根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集；
根据所述标准因子集构建多层次、多因素的风险综合评价指标体系递阶层次结构；
根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息；
根据所述标准因子集以及权重信息确定油田群的投产顺序信息。
在本发明的优选实施方式中，根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集包括：
根据油田对应的实际信息，获得影响开发难易程度以及开发效果的因素指标；
对所述因素指标进行分类；
对分类后的因素指标进行归一化处理，得到影响各含油断块开发效果的多个标准因素指标，所述多个标准因素指标构成标准因子集。
在本发明的优选实施方式中，所述风险综合评价指标体系递阶层次结构包括1个目标层、M个准则层、N个指标层和K个方案层，所述M、N、K均为自然数。
在本发明的优选实施方式中，根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息包括：
根据改进的标度赋值原则对同层各因素指标进行比较打分；
根据比较打分的结果构建判别矩阵；
计算所述判别矩阵的最大特征值和特征向量；
对所述判别矩阵的一致性进行检验，并根据所述判别矩阵的最大特征值和特征向量得到各个标准因素指标的权重信息。
在本发明的优选实施方式中，根据所述标准因子集以及权重信息确定油田群的投产顺序信息包括：
根据所述标准因子集构造虚拟最好断块和虚拟最差断块：
计算各断块分别与所述虚拟最好断块和虚拟最差断块的差距信息；
根据所述差距信息计算各含油断块的综合排序因子；
根据所述综合排序因子确定油田群的投产顺序信息。
本发明的目的之一是，提供一种复杂分散断块油田群动用顺序的优化系统，包括：
标准因子确定模块，用于根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集；
评价指标构建模块，用于根据所述标准因子集构建多层次、多因素的风险综合评价指标体系递阶层次结构；
权重信息确定模块，用于根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息；
顺序信息确定模块，用于根据所述标准因子集以及权重信息确定油田群的投产顺序信息。
在本发明的优选实施方式中，所述标准因子确定模块包括：
因素指标获取模块，用于根据油田对应的实际信息，获得影响开发难易程度以及开发效果的因素指标；
因素指标分类模块，用于对所述因素指标进行分类；
归一化处理模块，用于对分类后的因素指标进行归一化处理，得到影响各含油断块开发效果的多个标准因素指标，所述多个标准因素指标构成标准因子集。
在本发明的优选实施方式中，所述权重信息确定模块包括：
因素指标打分模块，用于根据改进的标度赋值原则对同层各因素指标进行比较打分；
判别矩阵构建模块，用于根据比较打分的结果构建判别矩阵；
特征值计算模块，用于计算所述判别矩阵的最大特征值和特征向量；
一致性检验模块，用于对所述判别矩阵的一致性进行检验，并根据所述判别矩阵的最大特征值和特征向量得到各个标准因素指标的权重信息。
在本发明的优选实施方式中，所述顺序信息确定模块包括：
虚拟断块构造模块，用于根据所述标准因子集构造虚拟最好断块和虚拟最差断块：
差距信息确定模块，用于计算各断块分别与所述虚拟最好断块和虚拟最差断块的差距信息；
排序因子确定模块，用于根据所述差距信息计算各含油断块的综合排序因子；
投产顺序确定模块，用于根据所述综合排序因子确定油田群的投产顺序信息。
本发明的目的之一是，提供一种计算机设备，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行一种复杂分散断块油田群动用顺序的优化方法。
本发明的目的之一是，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行一种复杂分散断块油田群动用顺序的优化方法。
本发明的有益效果在于，提供了一种复杂分散断块油田群动用顺序的优化方法、系统、计算机设备以及计算机可读存储介质，充分考虑了影响各含油断块开发效益的多种因素，采用专家打分详细描述不同因素之间的细分差别，得出相应权重；采用模糊数学方法计算各含油断块开发效益的综合排序因子，实现对各含油断块全面有效评价，为油田开发方案实现经济效益最大化提供有力依据，利用改进的标度法建立判断矩阵，能够得到更符合实际情况的影响因素权重，同时建立新的修改判别矩阵一致性的方法，效率大大提高。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
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获得其他的附图。
图1为本发明实施例提供的一种复杂分散断块油田群动用顺序的优化系统的结构示意图；
图2为本发明实施例提供的一种复杂分散断块油田群动用顺序的标准因子确定模块的结构示意图；
图3为本发明实施例提供的一种复杂分散断块油田群动用顺序的优化系统中权重信息确定模块的结构示意图；
图4为本发明实施例提供的一种复杂分散断块油田群动用顺序的优化系统中顺序信息确定模块的结构示意图；
图5为本发明实施例提供的一种复杂分散断块油田群动用顺序的优化方法的流程图；
图6为图5中的步骤S101的具体流程图；
图7为图5中的步骤S103的具体流程图；
图8为图5中的步骤S104的具体流程图；
图9为本发明提供的具体实施例中尼日尔A区块油田群71个含油断块平面分布图；
图10为本发明提供的具体实施例中尼日尔A区块油田群动用策略评价指标体系递阶层次结构图；
图11为本发明提供的具体实施例中71个含油断块最终投产顺序图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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做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。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、方法或计算机程序产品。因此，本发明公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
对于复杂断块油田群，由于构造、油藏储层物性、油气运聚条件等因素的不同，造成各含油断块位置分散，品质差异大，如各含油断块地质储量、储层物性、储层埋深、油藏能量、原油品质、地表条件等等。对于该类油田群，尤其是海外项目，如何优先开发优质断块，缩短投资回收期，实现盈利最大化一直是核心问题，因此，选择一种能够有效优化油田群动用顺序的方法至关重要。
有鉴于此，本发明提供一种复杂分散断块油田群动用顺序的优化系统，图1为该系统的结构示意图，请参见图1，所述复杂分散断块油田群动用顺序的优化系统包括：
标准因子确定模块100，用于根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集。
图2为本发明实施例的标准因子确定模块100的结构示意图，请参阅图2，标准因子确定模块100包括：
因素指标获取模块110，用于根据油田对应的实际信息，获得影响开发难易程度以及开发效果的因素指标。
因素指标分类模块120，用于对所述因素指标进行分类。
在本发明的一种实施方式中，根据因素指标是否能够客观量化，可将评价指标分为数量型指标和主观定性指标。数量型指标是指客观可以量化的指标，如地质储量；主观定性指标是指客观无法量化的指标，如地表条件。
在本发明的一种实施方式中，根据评价指标大小与效益的关系，可分为正向型指标、逆向型指标：正向型指标是指数值越大，效果越好的指标，又称效益型指标，如可采储量等；逆向型指标是指数值越小，效果越好的指标，又称成本型指标，如距CPF距离。
归一化处理模块130，用于对分类后的因素指标进行归一化处理，得到影响各含油断块开发效果的多个标准因素指标，所述多个标准因素指标构成标准因子集。
在本发明的一种实施方式中，对各种影响因素指标进行归一化，从而消除指标的量纲差异。对于数量性指标归一化，最常用的归一化方法是分布函数法，正、逆向指标归一化公式如下：
(1)对于正向型指标aij，归一化后得到标准因子值eij为：
Figure BDA0002166283200000061
(2)对于逆向型指标aij，归一化后得到标准因子值eij为：
Figure BDA0002166283200000062
其中，aij为断块i评价指标j(数量型指标)的数值，ajmax、ajmin为所有参评断块中指标j的最大值和最小值。
主观定性指标的归一化则采用模糊赋值法。本发明采用的赋值标度见表1，根据等级评价确定标准因子值。
表1
等级 好 较好 中等 较差 差
标准因子值 1.00 0.75 0.50 0.25 0.00
请参见图1，所述复杂分散断块油田群动用顺序的优化系统还包括：
评价指标构建模块200，用于根据所述标准因子集构建多层次、多因素的风险综合评价指标体系递阶层次结构。
在本发明的一种实施方式中，所述风险综合评价指标体系递阶层次结构包括1个目标层、M个准则层、N个指标层和K个方案层，所述M、N、K均为自然数。各部分之前是级别递进的关系，即目标层级别最高，准则层次之，方案层级别最低。在评估时需要对每个类型中不同级别进行互成对比较打分。
权重信息确定模块300，用于根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息。
图3为本发明实施例中权重信息确定模块300的结构示意图，请参见图3，所述权重信息确定模块300包括：
因素指标打分模块310，用于根据改进的标度赋值原则对同层各因素指标进行比较打分.
在本发明的一种实施方式中，专家参照改进的标度赋值原则对同层各影响因素指标进行比较打分。每次选取两个对比指标xi与xj，用aij表示标xi与xj相对重要性，aij的标度值用M(k)表示，则：
Figure BDA0002166283200000071
其中，k的取值及其表示的意义如下：
(1)若xi与xj相比，其重要程度从相同、较强、强、很强、极强变化时，k＝5、6、7、8、9；xi与xj的重要程度介于上述标度之间时，k＝5.5、6.5、7.5、8.5；
(2)相反，若xj与xi相比，其重要程度从相同、较强、强、很强、极强变化时，k＝5、4、3、2、1；xj与xi的重要程度介于上述标度之间时，k＝4.5、3.5、2.5、1.5。
判别矩阵构建模块320，用于根据比较打分的结果构建判别矩阵。
在本发明的一种实施方式中，对同层各影响因素指标相对于上一层影响因素指标重要性进行成对比较，由全部比较结果构建某一层次的判别矩阵用A表示，aij的取值采用因素指标打分模块310的方法，则：
Figure BDA0002166283200000072
其中，aij>0，aij×aji＝1，当i＝j时，aij＝1。
特征值计算模块330，用于计算所述判别矩阵的最大特征值和特征向量。
在本发明的一种实施方式中，采用幂法计算判断矩阵A的最大特征值λmax和特征向量ξ。
一致性检验模块340，用于对所述判别矩阵的一致性进行检验，并根据所述判别矩阵的最大特征值和特征向量得到各个标准因素指标的权重信息。
在本发明的一种实施方式中，判断矩阵A的一致性。矩阵A的一致性用CR表示，有：
Figure BDA0002166283200000073
其中，λmax为判断矩阵的最大特征值，n为判断矩阵的维数，RI为平均随机一致性指标，当n＝1，2，3，4，5，6，7，8，9时，对应的RI＝0,0,0.169,0.2598,0.3287,0.3694,0.4007,0.4167,0.437。
若CR＜0.1，则该矩阵满足一致性，反之则不满足，需要对矩阵进行修正。修正矩阵不一致的具体形式如下：
Figure BDA0002166283200000081
其中，aij为判断矩阵中元素，Δσij为其扰动变量；将ξ进行归一化处理，处理后可表示为w＝(w1,w2,…,wn)T，wi、wj分别为第i,j个指标权重。根据上式计算矩阵中各元素的扰动变量，并搜索出其中的最大扰动变量Δσijmax，通过以下方法修正最大扰动变量对应的元素：
a.假设最大扰动变量对应的元素为amn，标度为k/(10-k)，则将amn修改为(k-0.5)/[10-(k-0.5)]，并同时修改anm为[10-(k-0.5)]/(k-0.5)；然后再验证矩阵的一致性，若满足一致性要求则完成修正，若不满足一致性要求，不需要重新对新矩阵计算每对元素的扰动变量，只需更改原矩阵中大小排在第2位的扰动变量组即可。依此类推直到满足一致性要求为止。
b.当扰动变量对应的元素amn＝1/9，即此元素无法按照a中的方法进行修改时，则保留此元素以及对应元素amn的值，按照a中的方法修改大小排在第2位的扰动变量组，然后按a中方法进行修正即可。
根据Aξ＝λmaxw确定各影响因素的权重。
请参见图1，所述复杂分散断块油田群动用顺序的优化系统还包括：
顺序信息确定模块400，用于根据所述标准因子集以及权重信息确定油田群的投产顺序信息。
图4为本发明实施例中顺序信息确定模块400的结构示意图，请参见图4，所述顺序信息确定模块400包括：
虚拟断块构造模块410，用于根据所述标准因子集构造虚拟最好断块和虚拟最差断块。
虚拟最好断块标准因子集构成集合：
ZH＝{hj，j＝1,2,…N} (7)
对于正向型指标：
hj＝max{eij} i＝1,2,…,N；j＝1,2,…N (8)
对于逆向型指标：
hj＝min{eij} i＝1,2,…,N；j＝1,2,…N (9)
虚拟最差断块的指标构成集合：
ZC＝{cj，j＝1,2,…N} (10)
对于正向型指标：
cj＝min{eij} i＝1,2,…,n；j＝1,2,…N (11)
对于逆向型指标：
cj＝max{eij} i＝1,2,…,n；j＝1,2,…N (12)
差距信息确定模块420，用于计算各断块分别与所述虚拟最好断块和虚拟最差断块的差距信息。
对于断块i，其与虚拟最好断块的差距用|V(ZH-Ai)|表示，与虚拟最差断块的差距用|V(Ai-ZC)|表示。计算公式如下所示：
Figure BDA0002166283200000091
Figure BDA0002166283200000092
式(13)、(14)中，wj为指标的综合权重。
排序因子确定模块430，用于根据所述差距信息计算各含油断块的综合排序因子。
在本发明的一种实施方式中，可利用非线性加权法计算各含油断块综合排序因子Pi，计算公式为：
Figure BDA0002166283200000093
投产顺序确定模块440，用于根据所述综合排序因子确定油田群的投产顺序信息。
如上即为本发明提供的一种复杂分散断块油田群动用顺序的优化系统，一方面充分考虑影响各含油断块开发效益的多种因素，采用专家打分详细描述不同因素之间的细分差别，得出相应权重。另一方面采用模糊数学方法计算各含油断块开发效益的综合排序因子，实现对各含油断块全面有效评价，为油田开发方案实现经济效益最大化提供有力依据。利用改进的标度法建立判断矩阵，能够得到更符合实际情况的影响因素权重，同时建立新的修改判别矩阵一致性的方法，效率大大提高。
此外，尽管在上文详细描述中提及了系统的若干单元模块，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。以上所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
在介绍了本发明示例性实施方式的复杂分散断块油田群动用顺序的优化系统之后，接下来，参考附图对本发明示例性实施方式的方法进行介绍。该方法的实施可以参见上述整体的实施，重复之处不再赘述。
本发明还提供一种复杂分散断块油田群动用顺序的优化方法，针对包含多个含油断块的油田群油藏开发顺序筛选领域，是一种利用层次分析法评估油气藏开发综合效益的方法，图5为该方法的流程示意图，请参见图5，所述复杂分散断块油田群动用顺序的优化方法包括：
S101：根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集。
图6为本发明实施例的步骤S101的流程示意图，请参阅图6，该步骤包括：
S201：根据油田对应的实际信息，获得影响开发难易程度以及开发效果的因素指标。
S202：对所述因素指标进行分类。
在本发明的一种实施方式中，根据因素指标是否能够客观量化，可将评价指标分为数量型指标和主观定性指标。数量型指标是指客观可以量化的指标，如地质储量；主观定性指标是指客观无法量化的指标，如地表条件。
在本发明的一种实施方式中，根据评价指标大小与效益的关系，可分为正向型指标、逆向型指标：正向型指标是指数值越大，效果越好的指标，又称效益型指标，如可采储量等；逆向型指标是指数值越小，效果越好的指标，又称成本型指标，如距CPF距离。
S203：对分类后的因素指标进行归一化处理，得到影响各含油断块开发效果的多个标准因素指标，所述多个标准因素指标构成标准因子集。
在本发明的一种实施方式中，对各种影响因素指标进行归一化，从而消除指标的量纲差异。对于数量性指标归一化，最常用的归一化方法是分布函数法。
主观定性指标的归一化则采用模糊赋值法。本发明采用的赋值标度见表1，根据等级评价确定标准因子值。
请参见图5，所述复杂分散断块油田群动用顺序的优化方法还包括：
S102：根据所述标准因子集构建多层次、多因素的风险综合评价指标体系递阶层次结构。
在本发明的一种实施方式中，所述风险综合评价指标体系递阶层次结构包括1个目标层、M个准则层、N个指标层和K个方案层，所述M、N、K均为自然数。各部分之前是级别递进的关系，即目标层级别最高，准则层次之，方案层级别最低。在评估时需要对每个类型中不同级别进行互成对比较打分。
S103：根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息。
图7为本发明实施例中步骤S103的流程示意图，请参见图7，该步骤包括：
S301：根据改进的标度赋值原则对同层各因素指标进行比较打分。
在本发明的一种实施方式中，专家参照改进的标度赋值原则对同层各影响因素指标进行比较打分。每次选取两个对比指标xi与xj，用aij表示标xi与xj相对重要性，aij的标度值用M(k)表示，则如公式(3)所示。
S302：根据比较打分的结果构建判别矩阵。
在本发明的一种实施方式中，对同层各影响因素指标相对于上一层影响因素指标重要性进行成对比较，由全部比较结果构建某一层次的判别矩阵用A表示，aij的取值采用步骤S301的方法，则如公式(4)所示。
S303：计算所述判别矩阵的最大特征值和特征向量。
在本发明的一种实施方式中，采用幂法计算判断矩阵A的最大特征值λmax和特征向量ξ。
S304：对所述判别矩阵的一致性进行检验，并根据所述判别矩阵的最大特征值和特征向量得到各个标准因素指标的权重信息。
在本发明的一种实施方式中，判断矩阵A的一致性。矩阵A的一致性用CR表示。
若CR＜0.1，则该矩阵满足一致性，反之则不满足，需要对矩阵进行修正。修正矩阵不一致的具体形式如公式(6)。
根据公式(6)计算矩阵中各元素的扰动变量，并搜索出其中的最大扰动变量Δσijmax，通过以下方法修正最大扰动变量对应的元素：
a.假设最大扰动变量对应的元素为amn，标度为k/(10-k)，则将amn修改为(k-0.5)/[10-(k-0.5)]，并同时修改anm为[10-(k-0.5)]/(k-0.5)；然后再验证矩阵的一致性，若满足一致性要求则完成修正，若不满足一致性要求，不需要重新对新矩阵计算每对元素的扰动变量，只需更改原矩阵中大小排在第2位的扰动变量组即可。依此类推直到满足一致性要求为止。
b.当扰动变量对应的元素amn＝1/9，即此元素无法按照a中的方法进行修改时，则保留此元素以及对应元素amn的值，按照a中的方法修改大小排在第2位的扰动变量组，然后按a中方法进行修正即可。
根据Aξ＝λmaxw确定各影响因素的权重。
请参见图5，所述复杂分散断块油田群动用顺序的优化方法还包括：
S104：根据所述标准因子集以及权重信息确定油田群的投产顺序信息。
图8为本发明实施例中步骤S104的流程示意图，请参见图8，该步骤包括：
S401：根据所述标准因子集构造虚拟最好断块和虚拟最差断块。
S402：计算各断块分别与所述虚拟最好断块和虚拟最差断块的差距信息。
对于断块i，其与虚拟最好断块的差距用|V(ZH-Ai)|表示，与虚拟最差断块的差距用|V(Ai-ZC)|表示。
S403：根据所述差距信息计算各含油断块的综合排序因子。
在本发明的一种实施方式中，可利用非线性加权法计算各含油断块综合排序因子Pi，计算公式如公式(15)所示。
S404：根据所述综合排序因子确定油田群的投产顺序信息。
如上即为本发明提供的一种复杂分散断块油田群动用顺序的优化方法，一方面充分考虑影响各含油断块开发效益的多种因素，采用专家打分详细描述不同因素之间的细分差别，得出相应权重。另一方面采用模糊数学方法计算各含油断块开发效益的综合排序因子，实现对各含油断块全面有效评价，为油田开发方案实现经济效益最大化提供有力依据。利用改进的标度法建立判断矩阵，能够得到更符合实际情况的影响因素权重，同时建立新的修改判别矩阵一致性的方法，效率大大提高。
应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本发明还提供了一种计算机设备，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行一种复杂分散断块油田群动用顺序的优化方法。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行一种复杂分散断块油田群动用顺序的优化方法。
下面结合具体的实施例，详细介绍本发明的技术方案。
利用本发明的方案，对尼日尔A区块油田群的71个含油断块的投产顺序进行优化，71个含油断块的平面分布如附图9所示。
①从尼日尔A区块复杂断块群开发实际情况出发，筛选出对开发难易程度、开发效果等影响较大的因素，建立一个包含14指标的影响因素指标集。即地质储量、可采储量、储量不确定系数、储层物性、储层埋深、天然能量、原油品质、单井产能、开发井数、开发方式、地表条件、环保要求、距CPF距离、安全形势。对这14个指标进行分类，并按照式1、式2及表1做归一化处理，结果如表2所示。
表2
Figure BDA0002166283200000131
②根据14个影响因素的关系，构建多层次、多因素风险综合评价指标体系递阶层次结构(附图10)，该指标体系由1个目标层、3个投产要素层、14个准则层以及71个方案层构成。
③利用改进的层次分析标度法(式3)，根据附图10所示的层次结构，分别建立准则层与子准则层的判断矩阵(式4)，并计算其特征值及特征向量，根据式5、式6判断其一致性，最终得到各个指标的综合权重。
针对于目标层“油田开发综合评价”，准则层三个要素之间的判断矩阵M为：
Figure BDA0002166283200000132
M的最大特征值为3.0015，对应的归一化特征向量为ωM＝[0.5171,0.3586,0.1243]，CR＝0.0029；
针对于准则层“油藏品质”，子准则层A1～A7之间的判断矩阵A为：
Figure BDA0002166283200000141
A的最大特征值为7.0364，对应的归一化特征向量为ωA＝[0.2143,0.3226,0.0594,0.1716,0.0284,0.1092,0.0574]，CR＝0.0151；
针对于准则层“开发规模”，子准则层B1～B3之间的判断矩阵B为：
Figure BDA0002166283200000142
B的最大特征值为3.0，对应的归一化特征向量为ωB＝[0.4025,0.2687,0.3289]，CR＝0；
针对于准则层“地面状况”，子准则层C1～C4之间的判断矩阵C为：
Figure BDA0002166283200000143
C的最大特征值为4.0017，对应的归一化特征向量为ωC＝[0.1119,0.2535,0.1644,0.4702]，CR＝0.0022；
四个矩阵CR值均小于0.1，满足一致性条件，最终得到14个指标的综合权重，结果如表3所示：
表3
Figure BDA0002166283200000144
Figure BDA0002166283200000151
④由各断块指标的标准因子及其综合权重，根据式7～式15得到71个断块的综合因子值及最终的投产顺序，如附图11所示。
由表3可以看出，可采储量、单井产能、开发方式、开发井数及储层物性是影响油田开发效果的最主要因素。由附图11可知，断块A54综合因子最大，为0.94，应该最先投产。为了实现“好油快流，尽快回收投资成本”的目标，根据综合因子分布特征，将71个含油断块的动用划分为三类：对于综合因子大于0.3的断块，优先投产；对于综合因子小于0.3而大于0.03的断块，接替投产；其余的断块则建议不投产。
断块A54于2014年9月份投产，到目前为止，共有采油井26口，日产油19000桶，含水19％，地层压力保持水平86％，是所有投产断块里面开发效果最好的，与优化结果一致。
综上所述，本发明提供的一直复杂分散断块油田群动用顺序的优化方法、系统、计算机设备以及计算机可读存储介质，一方面充分考虑影响各含油断块开发效益的多种因素，采用专家打分详细描述不同因素之间的细分差别，得出相应权重。另一方面采用模糊数学方法计算各含油断块开发效益的综合排序因子，实现对各含油断块全面有效评价，为油田开发方案实现经济效益最大化提供有力依据。利用改进的标度法建立判断矩阵，能够得到更符合实际情况的影响因素权重，同时建立新的修改判别矩阵一致性的方法，效率大大提高。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机系统(可以是个人计算机，服务器，或者网络系统等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持系统或便携式系统、平板型系统、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子系统、网络PC、小型计算机、大型计算机、包括以上任何系统或系统的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理系统来执行任务。在分布式计算环境中，程序模块可以位于包括存储系统在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (12)

1.一种复杂分散断块油田群动用顺序的优化方法，其特征在于，所述方法包括：
根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集；
根据所述标准因子集构建多层次、多因素的风险综合评价指标体系递阶层次结构；
根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息；
根据所述标准因子集以及权重信息确定油田群的投产顺序信息。
2.根据权利要求1所述的方法，其特征在于，根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集包括：
根据油田对应的实际信息，获得影响开发难易程度以及开发效果的因素指标；
对所述因素指标进行分类；
对分类后的因素指标进行归一化处理，得到影响各含油断块开发效果的多个标准因素指标，所述多个标准因素指标构成标准因子集。
3.根据权利要求1所述的方法，其特征在于，所述风险综合评价指标体系递阶层次结构包括1个目标层、M个准则层、N个指标层和K个方案层，所述M、N、K均为自然数。
4.根据权利要求3所述的方法，其特征在于，根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息包括：
根据改进的标度赋值原则对同层各因素指标进行比较打分；
根据比较打分的结果构建判别矩阵；
计算所述判别矩阵的最大特征值和特征向量；
对所述判别矩阵的一致性进行检验，并根据所述判别矩阵的最大特征值和特征向量得到各个标准因素指标的权重信息。
5.根据权利要求4所述的方法，其特征在于，根据所述标准因子集以及权重信息确定油田群的投产顺序信息包括：
根据所述标准因子集构造虚拟最好断块和虚拟最差断块：
计算各断块分别与所述虚拟最好断块和虚拟最差断块的差距信息；
根据所述差距信息计算各含油断块的综合排序因子；
根据所述综合排序因子确定油田群的投产顺序信息。
6.一种复杂分散断块油田群动用顺序的优化系统，其特征在于，所述系统包括：
标准因子确定模块，用于根据油田对应的实际信息确定影响各含油断块开发效果的标准因子集；
评价指标构建模块，用于根据所述标准因子集构建多层次、多因素的风险综合评价指标体系递阶层次结构；
权重信息确定模块，用于根据所述风险综合评价指标体系递阶层次结构确定所述标准因子集中各个标准因素指标的权重信息；
顺序信息确定模块，用于根据所述标准因子集以及权重信息确定油田群的投产顺序信息。
7.根据权利要求6所述的系统，其特征在于，所述标准因子确定模块包括：
因素指标获取模块，用于根据油田对应的实际信息，获得影响开发难易程度以及开发效果的因素指标；
因素指标分类模块，用于对所述因素指标进行分类；
归一化处理模块，用于对分类后的因素指标进行归一化处理，得到影响各含油断块开发效果的多个标准因素指标，所述多个标准因素指标构成标准因子集。
8.根据权利要求6所述的系统，其特征在于，所述风险综合评价指标体系递阶层次结构包括1个目标层、M个准则层、N个指标层和K个方案层，所述M、N、K均为自然数。
9.根据权利要求7所述的系统，其特征在于，所述权重信息确定模块包括：
因素指标打分模块，用于根据改进的标度赋值原则对同层各因素指标进行比较打分；
判别矩阵构建模块，用于根据比较打分的结果构建判别矩阵；
特征值计算模块，用于计算所述判别矩阵的最大特征值和特征向量；
一致性检验模块，用于对所述判别矩阵的一致性进行检验，并根据所述判别矩阵的最大特征值和特征向量得到各个标准因素指标的权重信息。
10.根据权利要求9所述的系统，其特征在于，所述顺序信息确定模块包括：
虚拟断块构造模块，用于根据所述标准因子集构造虚拟最好断块和虚拟最差断块：
差距信息确定模块，用于计算各断块分别与所述虚拟最好断块和虚拟最差断块的差距信息；
排序因子确定模块，用于根据所述差距信息计算各含油断块的综合排序因子；
投产顺序确定模块，用于根据所述综合排序因子确定油田群的投产顺序信息。
11.一种计算机设备，其特征在于，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至5任意一项所述的一种复杂分散断块油田群动用顺序的优化方法。
12.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序用于执行如权利要求1至5任意一项所述的一种复杂分散断块油田群动用顺序的优化方法。
CN201910748132.5A 2019-08-14 2019-08-14 复杂分散断块油田群动用顺序的优化方法、设备及系统 Pending CN112396205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910748132.5A CN112396205A (zh) 2019-08-14 2019-08-14 复杂分散断块油田群动用顺序的优化方法、设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910748132.5A CN112396205A (zh) 2019-08-14 2019-08-14 复杂分散断块油田群动用顺序的优化方法、设备及系统

Publications (1)

Publication Number Publication Date
CN112396205A true CN112396205A (zh) 2021-02-23

Family

ID=74601394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910748132.5A Pending CN112396205A (zh) 2019-08-14 2019-08-14 复杂分散断块油田群动用顺序的优化方法、设备及系统

Country Status (1)

Country Link
CN (1) CN112396205A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240161A (zh) * 2021-04-27 2021-08-10 中国石油天然气股份有限公司 净现值预测模型建立方法、装置、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373069A (zh) * 2016-08-30 2017-02-01 招商局重庆交通科研设计院有限公司 智能交通系统项目建设时序确定方法
CN107844653A (zh) * 2017-11-10 2018-03-27 中国石油天然气股份有限公司 一种油藏水驱开发潜力综合评价方法及装置
CN109377024A (zh) * 2018-09-30 2019-02-22 北京航空航天大学 一种基于层次分析和灰色模糊综合的恢复能力评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373069A (zh) * 2016-08-30 2017-02-01 招商局重庆交通科研设计院有限公司 智能交通系统项目建设时序确定方法
CN107844653A (zh) * 2017-11-10 2018-03-27 中国石油天然气股份有限公司 一种油藏水驱开发潜力综合评价方法及装置
CN109377024A (zh) * 2018-09-30 2019-02-22 北京航空航天大学 一种基于层次分析和灰色模糊综合的恢复能力评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘洋, 吴洁: "层次分析法在应用中的几个问题", 温州大学学报, no. 04, pages 68 *
周海菲;: "复杂断块油藏区块分类优选方法", 大庆石油地质与开发, no. 04, pages 68 - 73 *
李武广;邵先杰;康园园;单宇;石磊;: "层次分析法在油田开发目标管理中的应用", 天然气勘探与开发, no. 03, pages 70 - 73 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240161A (zh) * 2021-04-27 2021-08-10 中国石油天然气股份有限公司 净现值预测模型建立方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
Huang et al. Dominance-based rough set model in intuitionistic fuzzy information systems
CN109657947B (zh) 一种面向企业行业分类的异常检测方法
Yu et al. Credit risk evaluation using a weighted least squares SVM classifier with design of experiment for parameter selection
CN110674850A (zh) 一种基于注意力机制的图像描述生成方法
WO2019223384A1 (zh) Gbdt模型的特征解释方法和装置
TW201947510A (zh) 保險業務風險預測的處理方法、裝置及處理設備
CN111861238A (zh) 高速公路桥梁工程风险评估方法、装置及计算机设备
Lim et al. Inverse multi-objective robust evolutionary design optimization in the presence of uncertainty
CN108280289B (zh) 基于局部加权c4.5算法的冲击地压危险等级预测方法
Zhou et al. Personal credit default prediction model based on convolution neural network
Gaggero et al. A marine propeller design method based on two-fidelity data levels
CN112396205A (zh) 复杂分散断块油田群动用顺序的优化方法、设备及系统
CN113344692B (zh) 多信息源融合的网络借贷信用风险评估模型的建立方法
CN112395428B (zh) 一种基于集合补全知识图谱实体摘要的方法及系统
CN108647263B (zh) 一种基于网页切分爬取的网络地址置信度评估方法
Zhang et al. Feature selection using a weighted method in interval-valued decision information systems
CN104731639A (zh) 仿真模型安全指标的可信度复核方法
Xiao et al. A Comparison study of utilizing optimization algorithms and fuzzy logic for candidate-well selection
CN113656707A (zh) 一种理财产品推荐方法、系统、存储介质及设备
CN108776697B (zh) 一种基于谓词的多源数据集清洗方法
Sun et al. ESRE: handling repeated entities in distant supervised relation extraction
WO2023188411A1 (ja) 判定ルール抽出プログラム、装置、及び方法
Santos et al. Modelling macroeconomic effects and expert judgements in operational risk: a Bayesian approach
CN113762657B (zh) 石油探明未开发储量动用潜力评价方法及电子设备
CN115841105B (zh) 一种基于事件类型层级关系的事件抽取方法、系统及介质

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