CN112412390B - 基于深度学习模型评价固井第二界面的方法及装置 - Google Patents
基于深度学习模型评价固井第二界面的方法及装置 Download PDFInfo
- Publication number
- CN112412390B CN112412390B CN201910783209.2A CN201910783209A CN112412390B CN 112412390 B CN112412390 B CN 112412390B CN 201910783209 A CN201910783209 A CN 201910783209A CN 112412390 B CN112412390 B CN 112412390B
- Authority
- CN
- China
- Prior art keywords
- neural network
- well
- layer
- vdl
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013136 deep learning model Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000013210 evaluation model Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000009792 diffusion process Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 13
- 239000004568 cement Substances 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005553 drilling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 239000003129 oil well Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005465 channeling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B33/00—Sealing or packing boreholes or wells
- E21B33/10—Sealing or packing boreholes or wells in the borehole
- E21B33/13—Methods or devices for cementing, for plugging holes, crevices or the like
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习模型评价固井第二界面的方法及装置。所述方法包括:采用已完成钻井的VDL测井数据对多隐层神经网络进行训练,获得神经网络评价模型;获取待评价井的VDL测井数据构建测试集;将所述测试集中的数据输入所述神经网络评价模型,基于所述神经网络的输出结果确定待评价井的二界面胶结程度。本发明完成模型建立后可以实时完成大量井次的固井第二界面的批量智能评价,大幅提高固井质量第二界面的评价效率,消除人为判断引起的不确定性。
Description
技术领域
本发明属于油气开发与勘探技术领域,具体涉及一种机器学习技术的固井第二界面智能评价方法及装置。
背景技术
固井作业是指油井钻完并下套管之后,在套管和井壁之间的环形空间用水泥封固,防止渗透层之间的窜通。如图1所示,在固井过程中,在套管1与井壁3之间的环形空间中注入水泥浆后会形成水泥环2,套管1与水泥环2之间的界面为固井一界面4,水泥环2与井壁3之间的胶结面即为固井二界面5。固井的目的是封隔疏松、易漏、易塌等复杂地层,封隔套管外环形空间的油、气、水层,防止互相窜通,形成油气通道,控制油气流以利于安全钻井和保证油井长期生产。
因此,固井二界面5的胶结质量的好坏直接影响到固井的质量,如何判断水泥环与井壁之间的水泥胶结质量(即固井质量评价)是正确使用油井和采取措施保护油井的关键。
如图2所示,声幅-变密度测井(VDL)是目前常规的固井质量测井方法。声幅-变密度井下仪包括电子线路和声系两大部分,其中,声系包括一个发射器和两个接收器。接收器1要用于确定套管与水泥环胶结的好坏。接收器2接收到的是声波的全波列,分为三个部分,即套管波、地层波、直达波(泥浆波和井液波),可以确定套管与水泥环(固井一界面)、水泥环与地层(固井二界面)胶结质量的好坏。
以目前的行业标准来看,固井二界面的评价往往停留在定性方面,是一个非常主观的评价体系,需要提取并识别地层波形态,过程繁琐效率低下且具有较高的不确定性。
深度学习模型一般是指具有“多隐层”的神经网络,利用深度学习技术,可以代替人脑自动提取和抽样海量VDL数据的特征,免去了人工判断的繁琐工作,可以提高固井第二界面胶结质量的评价效率。这里的“多隐层”代表有三个以上隐层,深度学习模型通常有更多隐层。隐层多了,相应的神经元连接权、阈值等参数就会更多,意味着深度学习模型可以自动提取很多复杂的特征。但是,在设计复杂模型时会遇到训练效率低,易陷入过拟合的问题。
发明内容
本发明所要解决的技术问题是利用多隐层神经网络构建固井二界面智能评价模型,实时完成大量井次的固井二界面的批量智能评价。
为了解决上述技术问题,本发明提供了一种基于深度学习模型评价固井二界面的方法,包括:
采用已完成钻井的VDL测井数据对多隐层神经网络进行训练,获得神经网络评价模型;
获取待评价井的VDL测井数据构建测试集;
将所述测试集中的数据输入所述神经网络评价模型,基于所述神经网络的输出结果确定待评价井的二界面胶结程度。
优选地,所述神经网络评价模型的输入为按照时间窗口截取的VDL测井数据,输出为二界面胶结好、胶结中等和胶结差。
优选地,在获得神经网络评价模型的步骤中包括:
收集原始训练数据,所述原始训练数据包括已完成钻井的VDL测井数据及二界面胶结程度的定性结论;
将原始训练数据划分为训练集与验证集;
利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练,通过所述验证集对所述神经网络评价模型进行验证。
优选地,在利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练的步骤中还包括:
建立神经网络评价模型,所述神经网络包含输入层、隐层、原始输出层,所述神经网络的计算公式表示为g(W(n-1)a(n-1)+b(n-1))=y,其中,输入层a(1)为按照时间窗口截取的VDL测井数据,n为隐层数量,W(i)为神经网络从第i层到第i+1层的映射,b为偏置节点,y为原始输出层;
选定激活函数使得部分神经元的输出为0以加快网络收敛速度;
在所述原始输出层之后增加softmax回归层,将数值映射到区间形成概率输出。
优选地,所述多个隐层的神经网络模型的隐层数量选取为5层,激活函数选取为RuLu函数,参数优化算法采用Adagrad算法。
本发明还提供了一种基于深度学习模型评价固井二界面的装置,包括:
模型确定模块,用于采用已完成钻井的VDL测井数据对多隐层神经网络进行训练,获得神经网络评价模型;
测试集获取模块,用于获取待评价井的VDL测井数据构建测试集;
智能评价模块,用于将所述测试集中的数据输入所述神经网络评价模型,基于所述神经网络的输出结果确定待评价井的二界面胶结程度。
优选地,所述神经网络评价模型的输入为按照时间窗口截取的VDL测井数据,输出为二界面胶结好、胶结中等和胶结差。
优选地,所述模型确定模块还用于:
收集原始训练数据,所述原始训练数据包括已完成钻井的VDL测井数据及二界面胶结程度的定性结论;
将原始训练数据划分为训练集与验证集;
利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练,通过所述验证集对所述神经网络评价模型进行验证。
优选地,所述模型确定模块还用于,
建立神经网络评价模型,所述神经网络包含输入层、隐层、原始输出层,所述神经网络的计算公式表示为g(W(n-1)a(n-1)+b(n-1))=y,其中,输入层a(1)为按照时间窗口截取的VDL测井数据,n为隐层数量,W(i)为神经网络从第i层到第i+1层的映射,b为偏置节点,y为原始输出层;
选定激活函数使得部分神经元的输出为0以加快网络收敛速度;
在所述原始输出层之后增加softmax回归层,将数值映射到区间形成概率输出。
本发明还提供了一种计算机设备,所述设备包括:处理器以及存储有计算机程序指令的存储器;所述处理器执行所述计算机程序指令时实现如上所述的基于深度学习模型评价固井二界面的方法。
本发明还提供了一种存储介质,其上存储有程序,其中,所述程序被处理器执行时实现如上所述的基于深度学习模型评价固井二界面的方法。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
本发明利用深度学习技术,可以代替人脑自动提取和抽样海量VDL数据的特征,免去了人工判断的繁琐工作,可以大幅提高固井第二界面胶结质量的评价效率。本发明完成模型建立后可以实时完成大量井次的固井第二界面的批量智能评价,大幅提高固井质量第二界面的评价效率,消除人为判断引起的不确定性。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了固井二界面的结构示意图;
图2示出了声幅变密度测井的原理示意图;
图3示出了实施例一基于深度学习模型评价固井二界面的方法的步骤流程图;
图4示出了A1井某深度VDL数据截取情况;
图5示出了该工区建立好的原始训练集文本文件的示意图;
图6示出深度学习算法的原理示意图;
图7示出了实施例二基于深度学习模型评价固井二界面的装置的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
实施例一
本发明实施例提供了基于深度学习模型评价固井二界面的方法。图3示出了该方法的流程图。
参照图3,该方法包括如下步骤:
步骤S101:采用已完成钻井的VDL测井数据对多隐层神经网络进行训练,获得神经网络评价模型。
步骤S102:获取待评价井的VDL测井数据构建测试集。
步骤S103:将所述测试集中的数据输入所述神经网络评价模型,基于所述神经网络的输出结果确定待评价井的二界面胶结程度。
以下重点对步骤S101进行说明:
本步骤中首先收集原始训练数据,所述原始训练数据包括已完成钻井的VDL测井数据及二界面胶结程度的定性结论。在一个示例中,收集与整理该工区已完钻井VDL测井数据及定性解释结论,本实施例选取了某工区3口已评价井(A1-A3)做为训练集样本井,依据先前标定结果与定性解释结论分别选取第二界面胶结好,胶结中等,胶结差的层段。
根据预估到时截取地层波所在时间范围的VDL数据,图4展示了A1井某深度VDL数据截取情况,时窗长度为201微秒。
将解释结论进行数字化处理,第二界面胶结好的对应数字为0,胶结中等的对应数字为1,胶结差的对应数字为2。形成统一训练集文本格式,该格式的前n列为截取后地VDL数据,以字母a表示,最后一列为数字化后的解释结论。每一行代表某一深度的数据。图5为该工区建立好的原始训练集文本文件的示意图。
然后,将原始训练数据划分为训练集与验证集。将原始训练集数据按照固定比例随机分为训练集与验证集,例如,验证集比例为30%。
最后,利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练,通过所述验证集对所述神经网络评价模型进行验证。其中,神经网络评价模型的输入为按照时间窗口截取的VDL测井数据,输出为二界面胶结好、胶结中等和胶结差。
在一个示例中,依据训练集中的解释结论,利用深度学习技术(参照图6),优选最佳隐层数量,激活函数与参数优化算法,训练具有多个隐层的神经网络模型进行固井质量评价,并通过验证集验证训出的模型效果。
具体而言,在利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练的步骤中还包括:
建立神经网络评价模型,该深度学习神经网络包含输入层、隐层、原始输出层、最终分类输出层。
所述神经网络的计算公式表示为g(W(n-1)a(n-1)+b(n-1))=y,其中,输入层a(1)为按照时间窗口截取的VDL测井数据,n为隐层数量,W(i)为神经网络从第i层到第i+1层的映射,b为偏置节点,y为最终输出层;
选定激活函数使得部分神经元的输出为0以加快网络收敛速度;
在所述神经网络的原始输出层之后,也就是在网络的最后增加softmax回归层作为最终分类输出层,将数值映射到区间形成概率输出。
优选地,此模型隐层数量选取为5层,激活函数选取为RuLu函数,参数优化算法采用Adagrad算法。
在一个示例中,截取的离散信号为201微秒即输入层维度为201,综合考虑训练效率与准确性,通过网格搜索选取了隐层数量为5层,隐层节点数为512(隐层1),200(隐层2),200(隐层3),200(隐层4),128(隐层5)。
采用的激活函数为ReLu函数,Rulu函数会使一部分神经元的输出为0,这样网络具有一定的稀疏性,减少了参数的相互依存关系,缓解了过拟合问题,加速了网络收敛。而且RuLu函数的导数为常数,避免了梯度消失的问题,因此选择RuLu函数做为本深度神经网络的激活函数。参数优化算法采用Adagrad算法,该算法能够自适应地为各个参数分配不同的学习速率。
由于该深度学习模型为多分类模型,在本深度学习网络最后添加了softmax回归层把原来变化剧烈的数值映射道到一定的区间形成概率输出的形式,然后根据概率最大值所对应的类别最终输出分类结果。
此外,在步骤S102中,将选取的待评价井的VDL数据按照相同的时间窗口进行截取,建立形式相同的测试集文本文件。
本实施例提供一种基于深度学习模型评价固井二界面的方法,该方法基于深度神经网络智能算法,首先收集与整理已完钻井VDL测井数据及定性解释结论,并进行标签数字化处理,随后构建训练集与测试集,训练智能评价深度神经网络模型。最后将待评价井的VDL数据输入该模型得到评价结论。
该方法可以实时完成大量井次的固井第二界面的批量智能评价,大幅提高固井质量第二界面的评价效率,消除人为判断引起的不确定性。
实施例二
为解决现有技术中存在的上述技术问题,本发明实施例提供了基于深度学习模型评价固井二界面的装置,其结构如图7所示。
该装置包括:
模型确定模块701,用于采用已完成钻井的VDL测井数据对多隐层神经网络进行训练,获得神经网络评价模型;
测试集获取模块702,用于获取待评价井的VDL测井数据构建测试集;
智能评价模块703,用于将所述测试集中的数据输入所述神经网络评价模型,基于所述神经网络的输出结果确定待评价井的二界面胶结程度。
其中,所述神经网络评价模型的输入为按照时间窗口截取的VDL测井数据,输出为二界面胶结好、胶结中等和胶结差。
所述模型确定模块701还用于,
收集原始训练数据,所述原始训练数据包括已完成钻井的VDL测井数据及二界面胶结程度的定性结论;
将原始训练数据划分为训练集与验证集;
利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练,通过所述验证集对所述神经网络评价模型进行验证。
在一个示例中,所述模型确定模块701还用于优选最佳隐层数量,激活函数与参数优化算法,训练具有多个隐层的神经网络模型。
具体而言,所述模型确定模块701用于建立神经网络评价模型,该深度学习神经网络包含输入层、隐层、原始输出层、最终分类输出层。
所述神经网络的计算公式表示为g(W(n-1)a(n-1)+b(n-1))=y,其中,输入层a(1)为按照时间窗口截取的VDL测井数据,n为隐层数量,W(i)为神经网络从第i层到第i+1层的映射,b为偏置节点,y为最终输出层;
选定激活函数使得部分神经元的输出为0以加快网络收敛速度;
在所述神经网络的原始输出层之后,也就是在网络的最后增加softmax回归层作为最终分类输出层,将数值映射到区间形成概率输出。
此模型隐层数量选取为5层,激活函数选取为RuLu函数,参数优化算法采用Adagrad算法。
在一个示例中,截取的离散信号为201微秒即输入层维度为201,综合考虑训练效率与准确性,通过网格搜索选取了隐层数量为5层,隐层节点数为512(隐层1),200(隐层2),200(隐层3),200(隐层4),128(隐层5)。
采用的激活函数为ReLu函数,Rulu函数会使一部分神经元的输出为0,这样网络具有一定的稀疏性,减少了参数的相互依存关系,缓解了过拟合问题,加速了网络收敛。而且RuLu函数的导数为常数,避免了梯度消失的问题,因此选择RuLu函数做为本深度神经网络的激活函数。参数优化算法采用Adagrad算法,该算法能够自适应地为各个参数分配不同的学习速率。
由于该深度学习模型为多分类模型,在本深度学习网络最后添加了softmax回归层把原来变化剧烈的数值映射道到一定的区间形成概率输出的形式,然后根据概率最大值所对应的类别最终输出分类结果。
本实施例提供一种基于深度学习模型评价固井二界面的装置,该装置基于深度神经网络智能算法,首先收集与整理已完钻井VDL测井数据及定性解释结论,并进行标签数字化处理,随后构建训练集与测试集,训练智能评价深度神经网络模型。最后将待评价井的VDL数据输入该模型得到评价结论。
该装置可以实时完成大量井次的固井第二界面的批量智能评价,大幅提高固井质量第二界面的评价效率,消除人为判断引起的不确定性。
本发明还提供一种计算机设备,包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现上述的基于深度学习模型评价固井二界面的方法。
本发明还提供一种存储介质,其上存储有程序,其中,程序被处理器执行时实现上述的基于深度学习模型评价固井二界面的方法。
上述计算机设备和存储介质具有上述事件记录方法相应的技术效果,不再赘述。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种基于深度学习模型评价固井二界面的方法,其特征在于,包括:
采用已完成钻井的VDL测井数据对多隐层神经网络进行训练,获得神经网络评价模型;
获取待评价井的VDL测井数据构建测试集;
将所述测试集中的数据输入所述神经网络评价模型,基于所述神经网络的输出结果确定待评价井的二界面胶结程度;
在获得神经网络评价模型的步骤中包括:
收集原始训练数据,所述原始训练数据包括已完成钻井的VDL测井数据及二界面胶结程度的定性结论;
将原始训练数据划分为训练集与验证集;
利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练,通过所述验证集对所述神经网络评价模型进行验证;
在利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练的步骤中还包括:
建立神经网络评价模型,所述神经网络包含输入层、隐层、原始输出层,所述神经网络的计算公式表示为g(W(n-1)a(n-1)+b(n-1))=y,其中,输入层a(1)为按照时间窗口截取的VDL测井数据,n为隐层数量,W(i)为神经网络从第i层到第i+1层的映射,b为偏置节点,y为原始输出层;
选定激活函数使得部分神经元的输出为0以加快网络收敛速度;
在所述原始输出层之后增加softmax回归层,将数值映射到区间形成概率输出。
2.根据权利要求1所述的方法,其特征在于,所述神经网络评价模型的输入为按照时间窗口截取的VDL测井数据,输出为二界面胶结好、胶结中等和胶结差。
3.根据权利要求1所述的方法,其特征在于,所述神经网络评价模型的隐层数量选取为5层,激活函数选取为RuLu函数,参数优化算法采用Adagrad算法。
4.一种基于深度学习模型评价固井二界面的装置,其特征在于,包括:
模型确定模块,用于采用已完成钻井的VDL测井数据对多隐层神经网络进行训练,获得神经网络评价模型;
测试集获取模块,用于获取待评价井的VDL测井数据构建测试集;
智能评价模块,用于将所述测试集中的数据输入所述神经网络评价模型,基于所述神经网络的输出结果确定待评价井的二界面胶结程度;
所述模型确定模块还用于,
收集原始训练数据,所述原始训练数据包括已完成钻井的VDL测井数据及二界面胶结程度的定性结论;
将原始训练数据划分为训练集与验证集;
利用所述训练集中的VDL测井数据和定性结论,对神经网络评价模型进行训练,通过所述验证集对所述神经网络评价模型进行验证;
所述模型确定模块还用于,
建立神经网络评价模型,所述神经网络包含输入层、隐层、原始输出层,所述神经网络的计算公式表示为g(W(n-1)a(n-1)+b(n-1))=y,其中,输入层a(1)为按照时间窗口截取的VDL测井数据,n为隐层数量,W(i)为神经网络从第i层到第i+1层的映射,b为偏置节点,y为原始输出层;
选定激活函数使得部分神经元的输出为0以加快网络收敛速度;
在所述原始输出层之后增加softmax回归层,将数值映射到区间形成概率输出。
5.根据权利要求4所述的装置,其特征在于,所述神经网络评价模型的输入为按照时间窗口截取的VDL测井数据,输出为二界面胶结好、胶结中等和胶结差。
6.一种计算机设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;所述处理器执行所述计算机程序指令时实现如权利要求1至3中任一项所述的基于深度学习模型评价固井二界面的方法。
7.一种存储介质,其上存储有程序,其中,所述程序被处理器执行时实现如权利要求1-3任一项所述的基于深度学习模型评价固井二界面的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783209.2A CN112412390B (zh) | 2019-08-22 | 2019-08-22 | 基于深度学习模型评价固井第二界面的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783209.2A CN112412390B (zh) | 2019-08-22 | 2019-08-22 | 基于深度学习模型评价固井第二界面的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112412390A CN112412390A (zh) | 2021-02-26 |
CN112412390B true CN112412390B (zh) | 2022-09-02 |
Family
ID=74779641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910783209.2A Active CN112412390B (zh) | 2019-08-22 | 2019-08-22 | 基于深度学习模型评价固井第二界面的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112412390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283811A (zh) * | 2021-06-30 | 2021-08-20 | 中国海洋石油集团有限公司 | 一种梯度提升法固井质量评价方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2569476B1 (fr) * | 1984-08-24 | 1987-01-09 | Schlumberger Prospection | Procede et dispositif pour evaluer la qualite du ciment entourant le tubage d'un puits |
CN1017915B (zh) * | 1988-06-09 | 1992-08-19 | 中国科学院声学研究所 | 声波全面评价水泥胶结固井质量的方法 |
US7613665B2 (en) * | 2005-06-24 | 2009-11-03 | Halliburton Energy Services, Inc. | Ensembles of neural networks with different input sets |
CN100587226C (zh) * | 2006-09-30 | 2010-02-03 | 中国海洋石油总公司 | 水泥环界面剪切超声测试方法 |
GB0620672D0 (en) * | 2006-10-18 | 2006-11-29 | Specialised Petroleum Serv Ltd | Cement evaluation method and tool |
WO2014160817A2 (en) * | 2013-03-28 | 2014-10-02 | Schlumberger Canada Limited | Cement evaluation |
CN104345088B (zh) * | 2013-08-07 | 2017-02-08 | 中国石油天然气股份有限公司 | 一种利用超声波室内评价固井二界面胶结质量的方法 |
EP2886794A1 (en) * | 2013-12-23 | 2015-06-24 | Services Pétroliers Schlumberger | Systems and methods for cement evaluation calibration |
CN104295285B (zh) * | 2014-08-14 | 2017-03-08 | 中国海洋石油总公司 | 水泥环第二界面胶结状况的判定方法及系统 |
CN104818957A (zh) * | 2015-03-27 | 2015-08-05 | 中国石油化工股份有限公司 | 一种提高深井固井二界面胶结质量的方法 |
GB2555305B (en) * | 2015-08-19 | 2021-02-10 | Halliburton Energy Services Inc | Heterogeneity profiling analysis for volumetric void space cement evaluation |
GB2557745B (en) * | 2015-08-19 | 2021-05-19 | Halliburton Energy Services Inc | Evaluating and imaging volumetric void space location for cement evaluation |
WO2017139271A2 (en) * | 2016-02-08 | 2017-08-17 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
WO2017155542A1 (en) * | 2016-03-11 | 2017-09-14 | Halliburton Energy Services, Inc. | Downhole cement evaluation using an artificial neural network |
CN109191181B (zh) * | 2018-08-08 | 2021-08-27 | 北京工商大学 | 一种基于神经网络和Huff模型的数字标牌广告受众人群分类方法 |
CN109616101B (zh) * | 2019-02-12 | 2022-03-11 | 百度在线网络技术(北京)有限公司 | 声学模型训练方法、装置、计算机设备和可读存储介质 |
CN109958432B (zh) * | 2019-02-26 | 2021-11-02 | 中国石油天然气股份有限公司 | 利用超声回波测井评价固井ⅱ界面胶结质量方法和装置 |
CN110020785A (zh) * | 2019-03-11 | 2019-07-16 | 常州大学 | 基于深度学习的稠油热采井固井评价系统 |
-
2019
- 2019-08-22 CN CN201910783209.2A patent/CN112412390B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
Also Published As
Publication number | Publication date |
---|---|
CN112412390A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
GB2590555A (en) | Methods for characterizing and evaluating well integrity using unsupervised machine learning of acoustic data | |
WO2016187239A1 (en) | Methods for analyzing cement quality in multi-string cased wells using sonic logging | |
CN110397402B (zh) | 钻井方法及装置 | |
CN101575970A (zh) | 一种随钻岩性和油藏特性识别方法 | |
CN110389382B (zh) | 一种基于卷积神经网络的油气藏储层表征方法 | |
CN111767674B (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN103628816B (zh) | 地震属性指导水平井导向的方法及其装置 | |
CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
CN110259442B (zh) | 一种煤系地层水力压裂破裂层位识别方法 | |
CN112412390B (zh) | 基于深度学习模型评价固井第二界面的方法及装置 | |
CN105301647A (zh) | 区分灰质泥岩和砂岩的方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
CN116677367A (zh) | 一种基于随钻参数特征的智能实时岩层反演识别方法 | |
CN113534263B (zh) | 一种不依赖测井资料的含油气饱和度预测方法 | |
Melani et al. | The use of variational mode decomposition in assisting sedimentary cyclicity analysis: A case study from an Albian carbonate reservoir, Campos Basin, southeast Brazil | |
Carrasquilla et al. | Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil | |
CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells |
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 |