CN112396230A - 基于近邻神经网络的油藏地质建模静态参数分布预测方法 - Google Patents
基于近邻神经网络的油藏地质建模静态参数分布预测方法 Download PDFInfo
- Publication number
- CN112396230A CN112396230A CN202011279852.0A CN202011279852A CN112396230A CN 112396230 A CN112396230 A CN 112396230A CN 202011279852 A CN202011279852 A CN 202011279852A CN 112396230 A CN112396230 A CN 112396230A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- reservoir geological
- well
- static
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 230000003068 static effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于近邻神经网络的油藏地质建模静态参数分布预测方法,包括如下步骤:S100选定油藏地质预测范围,调取该油藏地质预测范围内的所有井已知的空间坐标和对应的静态参数值;S200采用近邻算法找到每口井的邻近井;S300建立神经网络模型并训练神经网络模型;S400利用训练得到的最优神经网络模型预测选定油藏地质预测范围内未知空间点的静态参数分布。该方法充分利用神经网络逼近复杂非线性函数的卓越能力,能深入挖掘静态参数在空间中的非线性分布关系,符合油藏地质的复杂特性,能提高空间插值的精度,也可以通过多重随机实现,量化空间插值的不确定性,提高静态参数分布预测的精度。
Description
技术领域
本发明涉及油藏地质建模空间插值技术领域,具体涉及一种基于近邻神经网络的油藏地质建模静态参数分布预测方法。
背景技术
油藏地质建模是认识、开发地下储层的必要环节,是对油藏规模大小、储层参数及孔隙度、渗透率等静态参数空间分布的高度概括。油藏地质建模充分利用钻井资料、测井解释等数据,以研究各种地质变量在空间中的相关性为核心,精确描述储层性质或预测静态参数的空间分布,为后续油藏数值模拟及开发方案制定提供基础。通过油藏地质模型认识油藏静态参数的空间分布,特别是孔隙度、渗透率的空间三维展布,是油田开发不可或缺的一步。
空间插值是一种基于离散的观测数据,预测整个空间数据分布的算法,广泛应用于许多物理场景,包括地理信息、海流、区域降水量、气温、土壤养分、大气污染及地质统计。油藏地质建模基于地质统计方法,利用测井数据、钻井数据等离散的已知数据点,基于空间插值技术预测未知的数据。随着工程应用及研究的不断深入,许多空间插值算法被提出并得到广泛应用。
针对不规则间距数据点的插值问题,反距离加权算法最初被提出作为该问题的二维插值函数,用于生成连续的插值曲面。尽管反距离加权最初针对二维平面数据点插值,后逐渐被发展用于三维空间插值。反距离加权算法将空间分布关系仅仅表征为距离的函数,算法原理过于单一。克里金算法普遍认为更适用于区域化变量存在明显空间相关性的问题,被视为线性无偏估计。克里金预测是一种源于观测点数据的加权平均算法,权重由空间协方差或随机过程的变异系数决定,且默认该协方差函数是静态分布,即整个空间区域协方差函数相同。但实际物理过程往往不可能是静态的,空间关系也不可能完全服从线性分布。克里金是高斯过程的一个特例,高斯过程亦是普遍用于空间插值的随机过程方法,需要服从线性分布、高斯分布、静态分布等假设。然而实际操作过程中,很难验证这些假设的正确性,难以证明离散的数据点服从高斯分布。更重要的是,以上这些方法难以挖掘数据空间分布复杂的非线性关系,单纯依靠线性加权难以表征数据在空间分布上复杂的依赖关系。
近年来,深度学习或深度神经网络凭借高性能计算技术的发展,已在众多领域引起了广泛关注,并展现了神经网络在逼近复杂非线性函数上的卓越能力。针对空间插值挖掘数据间空间复杂非线性依赖关系的问题,很多学者已经基于神经网络展开了大量的研究,并已经在地理高程空间地形预测、地下水质量预测、地区气温插值、区域降水量预测等领域,证明了神经网络在空间插值运用上的可行性。
尽管神经网络已被广泛应用于多个领域的空间插值问题,但针对油藏地质建模或油藏静态参数插值的研究还没有引起广泛关注。一方面可能是因为油藏已知的数据点数量较少。一般都是通过钻井、测井获得离散的数据点,而油藏井数有限、测井位置点有限,进而导致整个油藏区域已知的测量点有限。另一方面可能是因为数据的维度有限。一般孔隙度、渗透率空间插值仅能考虑空间坐标及已知的孔渗值等有限的特征。
因此,针对传统油藏地质建模空间插值精度低及不确定性大的问题,亟需提出一种适用于低维度特征、小数据样本,且能深入挖掘静态参数复杂非线性的空间依赖关系,量化地质统计空间插值不确定性的静态参数分布预测方法。
发明内容
针对以上技术问题,本发明旨在基于近邻神经网路,充分利用待测点邻近的观测点数据特征,弥补低维度的不足,提出一种油藏地质建模静态参数分布预测的新方法。
为了实现上述目的,本发明采用的技术方案如下:一种基于近邻神经网络的油藏地质建模静态参数分布预测方法,包括如下步骤:
S100:选定油藏地质预测范围,调取该油藏地质预测范围内的所有井已知的空间坐标(x,y,z)和对应的静态参数值,设所述范围内开发中后期的油藏存在井N口;
S200:根据地理学第一定律“任何事物都是与其他事物相关的,只不过相近的事物关联更紧密”,因此,在地质统计中,应当充分利用邻近的观测点数据。采用近邻算法找到每口井的邻近井,设每口井有m个邻近井;所述近邻算法属于现有技术;
S300:建立神经网络模型,本发明采用现有的神经网络框架;
S310:在现有神经网络的输入层后任一层之前增设随机层ò得到神经网络模型;使得神经网络的输出具有随机性,即Y=f(X)+ò,该随机层可以满足通过多重随机实现,获得多组神经网络输出,均值化处理多组输出结果,从而量化空间插值的不确定性;
S320:训练S310建立的神经网络模型;
设第i口井的已知空间坐标、第i口井对应的m口邻近井的已知空间坐标和第i口井对应的m口邻近井的已知静态参数作为第i个样本,i=1,2,3…N,所有样本构成数据集;
S321:随机选取数据集中的部分样本构成训练集,另一部样本构成验证集;具体实施时,选90%的样本用于训练,10%的样本用于验证;
S322:将训练集中的所有训练样本作为神经网络模型的输入,采用随机梯度下降法对神经网络模型中的参数进行更新,参数更新Q次后,将验证集中的验证样本输入训练后的神经网络模型,再通过十折交叉验证方法,计算每一折对应的验证集误差;
S323:当S322计算的验证集误差不大于预设的误差阈值时,则认为训练后的神经网络模型为最优神经网络模型,执行下一步,否则返回S321;
S400:利用S234得到的最优神经网络模型预测选定油藏地质预测范围内未知空间点的静态参数分布,设未知空间点的空间点坐标为(x,y,z),利用S200的方法找该未知空间点的m口邻近井,然后将该未知空间点的空间坐标,未知空间点的m口邻近井的空间坐标和未知空间点的m口邻近井的静态参数输入最优神经网络模型,即可得到该未知空间点对应的静态参数;
S500:重复S400,通过最优神经网络模型中随机层ò获得多个神经网络输出,对多个输出结果求均值,得到未知空间点一个平均的静态参数,从而量化空间插值的不确定性;
S600:在选定油藏地质预测范围内取足够多的未知空间点,重复S400和S500,预测所选的所有未知点的静态参数,即完成选定油藏地质预测范围内静态参数的分布的预测。
作为优选,所述静态参数包括孔隙度φ、渗透率k和泥质含量sh。
作为优选,当所述静态参数为孔隙度φ时,数据集表示为如下样本矩阵:
其中,X1,X2,…XN表示样本,(xi,yi,zi)代表第i口井的空间坐标,i=1,2,…,N;(xij,yij,zij),代表第i口井的第j个邻近井的空间坐标,表示第i口井的第j个邻近井的孔隙度,j=1,2,…,m。针对不同静态参数的空间插值,考虑不同的输入特征,即当进行孔隙度空间分布预测时,仅考虑该井及m口邻近井的孔隙度作为输入特征的一部分即可。
作为优选,所述S310建立的神经网络模型的输出为Y=f(X)+ò。
作为优选,所述Y为神经网络的输出即预测的孔隙度值,f(·)为神经网络逼近的非线性函数,具体的计算过程如下:
h1=W1XT+b1,Φ1=g1(h1)
h2=W2Φ1+b2,Φ2=g2(h2)
…
hL=WLΦL-1+bL,f(x)=gL(hL)
其中,g(·)为神经网络的激活函数;L代表神经网络的层数,W代表神经网络的权值,b代表神经网络的偏置项;下角标1-L代表每一层神经网络的层数序号,共L层;h1,h2,…hL为神经网络每一层对应的线性输出,亦是神经网络激活函数的输入。
相对于现有技术,本发明至少具有如下优点:
1.本发明提出的基于近邻神经网络的油藏地质建模静态参数分布预测方法,充分利用神经网络逼近复杂非线性函数的卓越能力,能深入挖掘静态参数在空间中的非线性分布关系,符合油藏地质的复杂特性,能提高空间插值的精度,也可以通过多重随机实现,量化空间插值的不确定性,提高静态参数分布预测的精度。
2.本发明提供的基于近邻神经网络的油藏地质建模静态参数分布预测方法,可以通过多重随机实现,量化空间插值的不确定性,提高静态参数分布预测的精度。
附图说明
图1为本发明的技术流程图。
图2为实施例1中,100口井或100个已知观测点的空间位置分布及对应的孔隙度值。
图3为实施例1中,50km×50km区域内的2500个待测点孔隙度空间分布预测结果图。
具体实施方式
下面对本发明作进一步详细说明。
本发明先选定需要预测的油藏区域,然后调取该油藏地质预测范围内的所有井已知的空间坐标和对应的静态参数值,设所述范围内开发中后期的油藏存在井N口,然后采用近邻算法寻找到每口井的m口邻近井。然后在现有的神经网络的输入层后任一层之前增设随机层ò,得到神经网络模型。采用第i口井的已知空间坐标、第i口井对应的m口邻近井的已知空间坐标和第i口井对应的m口邻近井的已知静态参数作为第i个样本,i=1,2,3…N,所有样本构成数据集;随机选取数据集中的90%的样本用于训练,10%的样本用于验证;将训练集中的所有训练样本作为神经网络模型的输入,将验证集中的验证样本输入训练后的神经网络模型,再通过十折交叉验证方法,计算每一折对应的验证集误差;当S323计算的验证集误差不大于预设的误差阈值时,则认为训练后的神经网络模型为最优神经网络模型;设未知空间点的空间点坐标为(x,y,z),利用近邻算法找该点未知空间点的m口邻近井,然后将该未知空间点的空间坐标,未知空间点的m口邻近井的空间坐标和未知空间点的m口邻近井的静态参数输入最优神经网络模型,即可得到该未知空间点对应的静态参数;通过最优神经网络模型中随机层ò获得多个神经网络输出,对多个输出结果求均值,得到未知空间点一个平均的静态参数,从而量化空间插值的不确定性;在选定油藏地质预测范围内取足够多的未知空间点,重复上述步骤预测所选区域内的所有未知点的静态参数,即完成选定油藏地质预测范围内静态参数的分布的预测。
参见图1,实施例1:基于近邻神经网络的油藏地质建模静态参数分布预测方法,,包括如下步骤:
S100:选定某一油藏50km×50km特定区域,并调取此特定区域内所有井的空间坐标和孔隙度值,即平面的二维孔隙度分布预测;
设选定的油藏50km×50km特定区域内有100口井,整理选定的油藏50km×50km特定区域内100口井的二维空间坐标(x,y)及孔隙度值φ,100口井的空间位置分布及对应的孔隙度值见图2。
S200:对选定的油藏50km×50km特定区域内100口井分别利用近邻算法找到每一口井邻近的15口井;
S300:将每口井和其邻近的15口井的空间坐标及孔隙度值作为样本构成数据集;
具体实施时,数据集样本矩阵表示如下:
S400:基于现有神经网络框架,建立神经网络模型的输出为Y=f(X)+ò;
具体实施时,在神经网络内部增设随机层,即Y=f(X)+ò,使得神经网络的输出具有随机性。其中Y为神经网络预测的孔隙度值;f(·)为神经网络逼近的非线性函数,具体的计算过程如下:
h1=W1XT+b1,Φ1=g1(h1)
h2=W2Φ1+b2,Φ2=g2(h2)
h3=W3Φ2+b3,Φ3=g3(h3)
h4=W4Φ3+b4,f(x)=g4(h4)
其中,g(·)为神经网络的激活函数;h1,h2,h3,h4分别表示神经网络每一层对应的线性输出,亦是神经网络激活函数的输入。
S06:基于S05提出的近邻神经网络模型训练S04建立的100个训练样本,以对应的100个样本实际孔隙度作为样本标签。通过十折交叉验证方法,计算每一折对应的验证集误差,直至平均验证集误差降至0.5%,即完成神经网络的训练过程。
S07:利用S06训练好的神经网络模型,预测油藏空间位置的孔隙度值。对于某个待测孔隙度的点(xunlabelled,yunlabelled),利用S02中的近邻算法,找到距离该点最近的15个已知点。基于S03的构建输入特征的方法,建立47维的输入特征,包括该点的坐标以及15个邻近点的坐标及孔隙度。将该47维的特征输入到训练好的神经网络模型,即可得到该点预测出的孔隙度Y。
S08:对该点(xunlabelled,yunlabelled)重复S07过程,通过多重随机实现,获得多组神经网络的输出,对多组预测的孔隙度结果取平均值,得到平均的孔隙度预测值从而量化孔隙度空间插值的不确定性。
S09:在50km×50km的区域内,取2500个规则间距的点。重复S07-S08过程,预测每一个点的孔隙度,即完成整个油藏区域孔隙度空间分布的预测,见图3。
本发明提出的用于油藏地质建模静态参数分布预测的近邻神经网络,是指神经网络训练的样本并没有利用油藏区域所有的已知点,而是基于近邻算法确定待测点最邻近的m个点,神经网络仅利用该m个点构建训练样本特征;通过本实施案例,进一步证明了本发明提出的基于近邻神经网络的油藏地质建模静态参数分布预测方法具有可行性。这种方法充分利用神经网络逼近复杂非线性函数的能力,深入挖掘静态参数空间分布的非线性依赖关系,同时量化地质统计空间插值的不确定性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于近邻神经网络的油藏地质建模静态参数分布预测方法,其特征在于,包括如下步骤:
S100:选定油藏地质预测范围,调取该油藏地质预测范围内的所有井的已知空间坐标(x,y,z)和对应的静态参数值,设所述油藏地质预测范围内开发中后期的油藏存在井N口;
S200:采用近邻算法找到油藏地质预测范围内每口井的邻近井,设每口井有m个邻近井;
S300:建立神经网络模型;
S310:在现有神经网络的输入层后任一层之前增设随机层ò得到神经网络模型;
S320:训练S310建立的神经网络模型;
设第i口井的已知空间坐标、第i口井对应的m口邻近井的已知空间坐标和第i口井对应的m口邻近井的已知静态参数作为第i个样本,i=1,2,3…N,所有样本构成数据集;
S321:随机选取数据集中的部分样本构成训练集,另一部样本构成验证集;
S322:将训练集中的所有训练样本作为神经网络模型的输入,采用随机梯度下降法对神经网络模型中的参数进行更新,参数更新Q次后,将验证集中的验证样本输入训练后的神经网络模型,再通过十折交叉验证方法,计算每一折对应的验证集误差;
S323:当S322计算的验证集误差不大于预设的误差阈值时,则认为训练后的神经网络模型为最优神经网络模型,执行下一步,否则返回S321;
S400:利用S324得到的最优神经网络模型预测选定油藏地质预测范围内未知空间点的静态参数分布,设未知空间点的空间点坐标为(x,y,z),利用S200的方法找点该未知空间点的m口邻近井,然后将该未知空间点的空间坐标,未知空间点的m口邻近井的空间坐标和未知空间点的m口邻近井的静态参数输入最优神经网络模型,即可得到该未知空间点对应的静态参数;
S500:重复S400,通过最优神经网络模型中随机层ò获得多个神经网络输出,对多个输出结果求均值,得到未知空间点一个平均的静态参数;
S600:在选定油藏地质预测范围内取足够多的未知空间点,重复S400和S500,预测所选的所有未知点的静态参数,即完成选定油藏地质预测范围内静态参数的分布的预测。
2.如权利要求1所述基于近邻神经网络的油藏地质建模静态参数分布预测方法,其特征在于,所述静态参数包括孔隙度φ、渗透率k和泥质含量sh。
4.如权利要求3所述基于近邻神经网络的油藏地质建模静态参数分布预测方法,其特征在于,所述S310建立的神经网络模型的输出为Y=f(X)+ò。
5.如权利要求4所述基于近邻神经网络的油藏地质建模静态参数分布预测方法,其特征在于,所述Y为神经网络的输出即预测的孔隙度值,f(·)为神经网络逼近的非线性函数,具体的计算过程如下:
h1=W1XT+b1,Φ1=g1(h1)
h2=W2Φ1+b2,Φ2=g2(h2)
…
hL=WLΦL-1+bL,f(x)=gL(hL)
其中,g(·)为神经网络的激活函数;L代表神经网络的层数;W代表神经网络的权值,b代表神经网络的偏置项;下角标1-L代表每一层神经网络的层数序号,共L层;h1,h2,…hL为神经网络每一层对应的线性输出,亦是神经网络激活函数的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279852.0A CN112396230B (zh) | 2020-11-16 | 2020-11-16 | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279852.0A CN112396230B (zh) | 2020-11-16 | 2020-11-16 | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396230A true CN112396230A (zh) | 2021-02-23 |
CN112396230B CN112396230B (zh) | 2022-03-29 |
Family
ID=74599554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011279852.0A Active CN112396230B (zh) | 2020-11-16 | 2020-11-16 | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396230B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255131A (zh) * | 2021-05-25 | 2021-08-13 | 中国石油大学(华东) | 一种基于认知计算的新井目标井位推荐方法 |
CN113486591A (zh) * | 2021-07-13 | 2021-10-08 | 吉林大学 | 一种卷积神经网络结果的重力多参量数据密度加权反演方法 |
CN114154686A (zh) * | 2021-11-16 | 2022-03-08 | 东南大学 | 一种基于集成学习的大坝变形预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN106779211A (zh) * | 2016-12-13 | 2017-05-31 | 中国石油大学(华东) | 一种用于油田注采井网驱替开发的产能预测方法 |
CN107239845A (zh) * | 2016-03-29 | 2017-10-10 | 中国石油化工股份有限公司 | 油藏开发效果预测模型的构建方法 |
CN108984886A (zh) * | 2018-07-06 | 2018-12-11 | 中国石油大学(华东) | 一种反演多层油藏井间动态连通性的方法 |
WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
-
2020
- 2020-11-16 CN CN202011279852.0A patent/CN112396230B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN107239845A (zh) * | 2016-03-29 | 2017-10-10 | 中国石油化工股份有限公司 | 油藏开发效果预测模型的构建方法 |
CN106779211A (zh) * | 2016-12-13 | 2017-05-31 | 中国石油大学(华东) | 一种用于油田注采井网驱替开发的产能预测方法 |
WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
CN108984886A (zh) * | 2018-07-06 | 2018-12-11 | 中国石油大学(华东) | 一种反演多层油藏井间动态连通性的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255131A (zh) * | 2021-05-25 | 2021-08-13 | 中国石油大学(华东) | 一种基于认知计算的新井目标井位推荐方法 |
CN113255131B (zh) * | 2021-05-25 | 2023-02-28 | 中国石油大学(华东) | 一种基于认知计算的新井目标井位推荐方法 |
CN113486591A (zh) * | 2021-07-13 | 2021-10-08 | 吉林大学 | 一种卷积神经网络结果的重力多参量数据密度加权反演方法 |
CN114154686A (zh) * | 2021-11-16 | 2022-03-08 | 东南大学 | 一种基于集成学习的大坝变形预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112396230B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396230B (zh) | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 | |
Wang et al. | Mapping multiple variables for predicting soil loss by geostatistical methods with TM images and a slope map | |
Huang et al. | An integrated neural-fuzzy-genetic-algorithm using hyper-surface membership functions to predict permeability in petroleum reservoirs | |
Kholghi et al. | Comparison of groundwater level estimation using neuro-fuzzy and ordinary kriging | |
CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
CN107194040B (zh) | 基于双向水流的水质监测网络多目标优化部署方法 | |
CN108416478A (zh) | 一种综合管廊内部燃气浓度lstm预测方法及系统 | |
Gangopadhyay et al. | Subsurface characterization using artificial neural network and GIS | |
CN112446559A (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和系统 | |
He et al. | Deriving urban dynamic evolution rules from self-adaptive cellular automata with multi-temporal remote sensing images | |
Bagheripour et al. | Fuzzy ruling between core porosity and petrophysical logs: Subtractive clustering vs. genetic algorithm–pattern search | |
CN117688844B (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
CN113408699A (zh) | 基于改进的径向基函数神经网络的岩性识别方法及系统 | |
CN104422969A (zh) | 一种减小电磁测深反演结果非唯一性的方法 | |
CN110927793B (zh) | 一种基于序贯随机模糊模拟的储层预测方法及系统 | |
Iwashita et al. | Intelligent estimation of spatially distributed soil physical properties | |
CN116777229B (zh) | 一种地下水位预测方法、系统、终端及存储介质 | |
Kurtulus et al. | Hydraulic head interpolation in an aquifer unit using ANFIS and Ordinary Kriging | |
NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
CN117744306A (zh) | 基于三维地质模型的山地城市地铁隧道地表沉降预测方法 | |
CN111967677A (zh) | 一种非常规资源甜点分布的预测方法及装置 | |
Lieberman et al. | Nonlinear goal-oriented Bayesian inference: application to carbon capture and storage | |
Jahanbakhshi et al. | Joint estimation of facies boundaries and petrophysical properties in multi-facies channelized reservoirs through ensemble-based Kalman filter and level set parametrization | |
CN115758853A (zh) | 一种基于序贯神经网络的储层相建模方法 | |
Yin et al. | A technical note on the application of interpolation method on modeling of 3D surface rock layer |
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 |