CN112464964A - 钻井层段信息的确定方法、装置及电子设备 - Google Patents
钻井层段信息的确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112464964A CN112464964A CN201910840168.6A CN201910840168A CN112464964A CN 112464964 A CN112464964 A CN 112464964A CN 201910840168 A CN201910840168 A CN 201910840168A CN 112464964 A CN112464964 A CN 112464964A
- Authority
- CN
- China
- Prior art keywords
- drilling
- characteristic index
- logging
- identification model
- drilling interval
- 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
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 25
- 238000007637 random forest analysis Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 229930195733 hydrocarbon Natural products 0.000 description 6
- 150000002430 hydrocarbons Chemical class 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种钻井层段信息的确定方法,包括:获取经预处理的第一测井曲线;提取第一测井曲线的特征指标,并使用预先构建的钻井层段识别模型对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点,钻井层段识别模型具有多个叶子节点,特征指标至少对应一个叶子节点;根据特征指标对应的叶子节点,解释第一测井曲线,以确定第一测井曲线对应钻井的层段信息。本发明还公开了一种钻井层段信息的确定装置、电子设备和计算机可读存储介质。
Description
技术领域
本发明涉及油气勘探技术领域,尤其涉及一种钻井层段信息的确定方法、装置及电子设备。
背景技术
油气勘探中,油气层识别是一个综合过程,具有许多直接或间接反映油气水层的测井信息、储层参数信息和岩性信息,录井信息等。目前油气层储层最重要的研究手段是根据测井资料采集到的全井段高分辨率的地下岩石物理响应信息,进行测井数据的解释分析,从而实现地层岩性判断及储层划分。
测井资料是评价地层,正确划分、判断油、气、水层依据,从渗透层中区分出油、气、水层,并对油气层的物性及含油性进行评价是测井工作的重要任务,一般来说油气水层的定性解释主要是采用比较的方法来进行区别。在定性解释过程中,主要采用以下几种比较方法:(1)纵向电阻比较法、(2)径向电阻率比较法、(3)邻井曲线对比法、(4)最小出油电阻率法、(5)判断气层的方法,根据测井曲线特征和划分油、气、水层的方法,就可以把储集层的油、气、水层划分出来。
由于实际地层的非均质性,需要结合多种测井曲线以及地区经验,因此对解释人员的专业技术水平要求较高,导致人工判断解释油气水层存在随机性较强,解释精度和效果较差,层界面深度不精确的问题。
发明内容
有鉴于此,本发明提供了一种钻井层段信息的确定方法、装置、电子设备和计算机可读存储介质,以解决人工判断解释油气水层存在随机性较强,解释精度和效果较差,层界面深度不精确的问题。
为实现上述发明目的,根据本发明的一个方面,提供了一种钻井层段信息的确定方法,包括:
获取经预处理的第一测井曲线;
提取所述第一测井曲线的特征指标,并使用预先构建的钻井层段识别模型对所述特征指标进行分析,确定所述特征指标对应的所述钻井层段识别模型的叶子节点,所述钻井层段识别模型具有多个所述叶子节点,所述特征指标至少对应一个所述叶子节点;
根据所述特征指标对应的所述叶子节点,解释所述第一测井曲线,以确定所述第一测井曲线对应钻井的层段信息。
在一种可选方式中,所述钻井层段识别模型为多组测井数据通过机器学习训练得出,每组所述测井数据均包括第二测井曲线和标识所述层段信息的第一标签。
在一种可选方式中,所述钻井层段识别模型为多组测井数据通过机器学习训练得出,包括:
获取经预处理的多个所述第二测井曲线;
提取每一个所述第二测井曲线的所述特征指标,解释所述特征指标,根据解释结果对所述第二测井曲线添加所述第一标签,获得训练数据集;
建立随机森林模型;
根据所述训练数据集对所述随机森林模型进行训练,得到所述钻井层段识别模型,所述钻井层段识别模型的每一个所述叶子节点对应一个所述第一标签。
在一种可选方式中,所述预处理包括:格式转换、环境校正和平滑滤波中的至少一种。
在一种可选方式中,所述第一标签包括:油层、水层、油水同层、气层和干层中的至少一种。
在一种可选方式中,所述根据所述训练数据集对所述随机森林模型进行训练,得到所述钻井层段识别模型之后,所述方法还包括:
获取经预处理的多个第三测井曲线;
提取每一个所述第三测井曲线的所述特征指标,解释所述特征指标,根据解释结果对所述第三测井曲线添加标识所述层段信息的第二标签,获得测试数据集;
使用所述钻井层段识别模型提取所述第三测井曲线的所述特征指标,并对所述特征指标进行分析,确定所述特征指标对应的所述钻井层段识别模型的所述叶子节点;
在所述第三测井曲线中的特征指标对应至少一个所述叶子节点时,对比所述第一标签与所述第二标签;
当所述第一标签与所述第二标签不同时,调整所述钻井层段识别模型,直至所述第一标签与所述第二标签相同。
根据本发明第二个方面,提供了一种钻井层段信息的确定装置,包括:
获取模块,用于获取经预处理的第一测井曲线;
提取模块,用于提取所述第一测井曲线的特征指标,并使用钻井层段识别模型对所述特征指标进行分析,确定所述特征指标对应的所述钻井层段识别模型的叶子节点,所述钻井层段识别模型具有多个所述叶子节点,所述特征指标至少对应一个所述叶子节点;
确定模块,用于根据所述特征指标对应的所述叶子节点,解释所述第一测井曲线,以确定所述第一测井曲线对应钻井的层段信息。
在一种可选方式中,所述钻井层段识别模型为多组测井数据通过机器学习训练得出,每组所述测井数据均包括第二测井曲线和标识所述层段信息第一标签。
在一种可选方式中,所述获取模块,还用于获取经预处理的多个所述第二测井曲线;
所述提取模块,还用于提取每一个所述第二测井曲线的所述特征指标,解释所述特征指标,根据解释结果对所述第二测井曲线添加所述第一标签,获得训练数据集;
所述装置还包括:
建立模块,用于建立随机森林模型;
训练模块,用于根据所述训练数据集对所述随机森林模型进行训练,得到所述钻井层段识别模型,所述钻井层段识别模型的每一个所述叶子节点对应一个所述第一标签。
在一种可选方式中,所述预处理包括:格式转换、环境校正和平滑滤波中的至少一种。
在一种可选方式中,所述第一标签包括:油层、水层、油水同层、气层和干层中的至少一种。
在一种可选方式中,所述获取模块,还用于在所述根据所述训练数据集对所述随机森林模型进行训练,得到所述钻井层段识别模型之后,获取经预处理的多个第三测井曲线;
所述提取模块,还用于提取每一个所述第三测井曲线的所述特征指标,解释所述特征指标,根据解释结果对所述第三测井曲线添加标识所述层段信息的第二标签,获得测试数据集;
所述确定模块,还用于使用所述钻井层段识别模型提取所述第三测井曲线的所述特征指标,并对所述特征指标进行分析,确定所述特征指标对应的所述钻井层段识别模型的所述叶子节点;
所述装置还包括:
对比模块,用于在所述第三测井曲线中的特征指标对应至少一个所述叶子节点时,对比所述第一标签与所述第二标签;
调整模块,用于当所述第一标签与所述第二标签不同时,调整所述钻井层段识别模型,直至所述第一标签与所述第二标签相同。
根据本发明第三个方面,提供了一种电子设备,包括存储器、处理器和通讯总线;
所述存储器与所述处理器通过所述通讯总线通讯连接;
所述存储器中存储有计算机可执行指令,所述处理器用于执行所述计算机可执行指令,用于实现本发明第一个方面任一可选方式提供的方法。
根据本发明第四个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被执行时,用于实现本发明第一个方面任一可选方式提供的方法。
本发明提供的一种钻井层段信息的确定方法、装置、电子设备和计算机可读存储介质;其中,钻井层段信息的确定方法,包括:获取经预处理的第一测井曲线;提取第一测井曲线的特征指标,并使用钻井层段识别模型对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点,钻井层段识别模型具有多个叶子节点,特征指标至少对应一个叶子节点;根据特征指标对应的叶子节点,解释第一测井曲线,以确定第一测井曲线对应钻井的层段信息。如此,通过机器学习训练好的钻井层段识别模型对测井曲线的特征指标进行分析,从而确定出测井曲线的特征指标对应于钻井层段识别模型的叶子节点,通过钻井层段识别模型的叶子节点确定出测井曲线对应钻井的层段信息,实现对测井曲线的解释和钻井层段信息的确定。解决了相关技术中,由人工对测井曲线进行解释并确定层段信息解释精度较差,层界面深度不精确的问题;提高了对测井曲线解释的准确性和对测井曲线的解释效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
图1是本申请一实施例提供的钻井层段信息的确定方法的实现流程图;
图2是本申请另一实施例提供的钻井层段信息的确定方法的实现流程图;
图3是本申请实施例提供的钻井层段信息的确定装置的结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明实施例的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
油气勘探具有高投入、高风险的特点,如何利用现有资料,采取切实可行的技术方法,增强油气层位识别的可靠性和准确性,对于扩大油气储量及提高已发现油气藏的勘探开发价值具有重要意义。
油气层识别是一个综合过程,具有许多直接或间接反映油气水层的测井信息、储层参数信息和岩性信息,录井信息等。目前油气层储层最重要的研究手段是根据测井资料采集到的全井段高分辨率的地下岩石物理响应信息,进行测井数据的解释分析,从而实现地层岩性判断及储层划分。
测井资料是评价地层,正确划分、判断油、气、水层依据,从渗透层中区分出油、气、水层,并对油气层的物性及含油性进行评价是测井工作的重要任务,一般来说油气水层的定性解释主要是采用比较的方法来进行区别。在定性解释过程中,主要采用以下几种比较方法:(1)纵向电阻比较法、(2)径向电阻率比较法、(3)邻井曲线对比法、(4)最小出油电阻率法、(5)判断气层的方法,根据测井曲线特征和划分油、气、水层的方法,就可以把储集层的油、气、水层划分出来。
由于实际地层的非均质性,需要结合多种测井曲线以及地区经验,因此对解释人员的专业技术水平要求较高,导致人工判断解释油气水层存在随机性较强,解释精度和效果较差,层界面深度不精确的问题,解释工作同样会耗费解释人员大量的劳动时间。
随着计算机技术及人工智能应用的快速发展,许多专家学者针对准确、快速、自动的储层油气水层识别进行了深入的研究,提出了许多利用数理统计、图像识别、机器学习等不同技术进行测井资料自动处理的方法,为岩性判别、油气水层划分提供了新的思路。
其中,测井:是地球物理勘探的一个分支,是钻孔中使用的地球物理勘探方法的通称。根据所利用的岩石物理性质不同,可分为电测井、放射性测井、磁测井、声波测井、热测井和重力测井等。根据地质和地球物理条件,合理地选用综合测井方法,可以详细研究钻孔地质剖面、探测有用矿产、详细提供计算储量所必需的数据,如油层的有效厚度、孔隙度、含油气饱和度和渗透率等,以及研究钻孔技术情况等任务。测井方法在石油、煤、金属与非金属矿产及水义地质、工程地质的钻孔中,都得到广泛的应用。特别在油气田与煤刚勘探工作中,已成为不可缺少的勘探方法之一:应用测井方法可以减少钻井取心工作量,提高勘探速度,降低勘探成本。在油田有时把测井称为矿场地球物理、油矿地球物理或地球物理测井。
储集层:是具有连通孔隙、允许油气在其中储存和渗滤的岩层,按照产液性质一般分为:油层、水层、油水同层、气层、干层。储集层的概念仅说明了储集层具备了储集油气的能力,并非所有的储集层都已经储集了油气。
图1是本申请一实施例提供的钻井层段信息的确定方法的实现流程图。
为此,参照图1所示,本申请一实施例提供的钻井层段信息的确定方法,应用于电子设备,这里电子设备具体可以是个人计算机、笔记本电脑、台式电脑等计算机设备;在一些可能的方式中,电子设备也可以是集成有处理器和存储器的其他电子设备,本实施例中对电子设备的具体形式不作具体限定。该方法具体包括:
步骤101,获取经预处理的第一测井曲线。
具体的,本实施方式中,第一测井曲线是需要进行解释的待确定层段信息的钻井的测井曲线。在一些具体场景中,由于测井环境,采用的测井仪器设备等存在差异,会导致不同的测井曲线之间存在一定的差异;因此,预处理是将各种不同环境下得到的测井曲线,或者采用不同测井仪器设备得到的测井曲线之间的差异消除,进行格式转换,统一成统一的能够被统一识别处理的格式。
步骤102,提取第一测井曲线的特征指标,并使用预先构建的钻井层段识别模型对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点。
本实施方式中,第一测井曲线的特征指标是反映测井数据的指标,在一些可能的方式中,第一测井曲线的特征指标可以是测井中得到的自然伽马、自然电位、电阻率、密度、中子、井径或声波时差等测井数据。应当理解的是,测井数据通常十多个特征指标的综合数据,针对不同的地域和不同的岩性有一定的区别;因此,本实施例中对测井数据的具体类型不作限定。
其中,钻井层段识别模型具有多个叶子节点,特征指标至少对应一个叶子节点。
在一些可选实施方式中,钻井层段识别模型是在机器学习对随机森林模型进行训练后得到的,随机森林模型是一个包含多个决策树的分类器,其具有多个分支节点,即叶子节点。通过钻井层段识别模型对特征指标进行分析,确定特征指标对应于钻井层段识别模型的叶子节点。
步骤103,根据特征指标对应的叶子节点,解释第一测井曲线,以确定第一测井曲线对应钻井的层段信息。
具体的,本实施方式中,钻井层段识别模型的每一个叶子节点都对应一个相应的层段信息,在确定特征指标对应的叶子节点时,即可确定特征指标对应的层段信息。例如,在一些具体场景中,钻井层段识别模型的叶子节点对应为油层、水层、油水同层、气层、干层等不同的层段信息,通过钻井层段识别模型对特征指标进行分析后,确定特征指标对应的叶子节点的层段信息为油层,则可对第一测井曲线进行层段信息确定和解释。
本实施方式中,通过机器学习训练好的钻井层段识别模型对测井曲线的特征指标进行分析,从而确定出测井曲线的特征指标对应于钻井层段识别模型的叶子节点,通过钻井层段识别模型的叶子节点确定出测井曲线对应钻井的层段信息,实现对测井曲线的解释和钻井层段信息的确定。解决了相关技术中,由人工对测井曲线进行解释并确定层段信息解释精度较差,层界面深度不精确的问题;提高了对测井曲线解释的准确性和对测井曲线的解释效率。
图2是本申请另一实施例提供的钻井层段信息的确定方法的实现流程图。
基于前述实施例,参照图2所示,本申请另一实施例提供的钻井层段信息的确定方法,包括:
步骤201,获取经预处理的第一测井曲线。
具体的,本实施方式中,第一测井曲线是需要进行解释的待确定层段信息的钻井的测井曲线。在一些具体场景中,由于测井环境,采用的测井仪器设备等存在差异,会导致不同的测井曲线之间存在一定的差异;因此,预处理是将各种不同环境下得到的测井曲线,或者采用不同测井仪器设备得到的测井曲线之间的差异消除,进行格式转换,统一成统一的能够被统一识别处理的格式。
在一些可选的实施方式中,利用多组测井数据通过机器学习训练得出钻井层段识别模型,每组测井数据均包括第二测井曲线和标识层段信息第一标签。
具体的,第一标签可以包括以下层段信息中的至少一种:油层、水层、油水同层、气层、干层。
在一些可选的实施方式中,钻井层段识别模型为多组测井数据通过机器学习训练得出,包括:
步骤202,获取经预处理的多个第二测井曲线。
具体的,预处理可以包括格式转换、环境校正和平滑滤波中的至少一种。其中,预处理的目的主要是将不同测井方式、不同测井设备或者针对不同岩性进行测井得到的不同格式存在环境影响的测井曲线进行格式统一。从而保证在后期对第二测井曲线进行标注时的准确性。
步骤203,提取每一个第二测井曲线的特征指标,解释特征指标,根据解释结果对第二测井曲线添加第一标签,获得训练数据集。
具体的,本实施方式中,第二测井曲线是多个已有的经过验证后的测井曲线,其中,验证是指经过有经验专家学者对钻井、录井、岩心、试油等生产测试数据进行验证后的准确层位数据;对测井曲线进行解释,分析,对油气储层进行判断,最后在油气开采中得到的验证;经过验证后的第二测井曲线中的部分分析解释误差经过纠正调整和消除。从而能够保证对第二测井曲线的特征指标添加的第一标签都是准确的层段信息。从而得到的训练数据集是具有准确层段信息的数据集。在一些可选的实施方式中,训练数据集中的第二测井曲线越多,越能够提高训练后的模型的准确性。作为一种具体示例,本实施方式中选择从已有的50口井的测井数据中随机抽取其中40口井的测井数据作为训练数据集。在另一些具体示例中,也可以从已有的50口井的测井数据中随机抽取其中30或35口井的测井数据作为训练数据集。在本实施方式中,对第二测井曲线添加的第一标签包括油层、水层、油水同层、气层、干层等层段信息;通过不同的第一标签对储层的类型进行一一标注。
步骤204,建立随机森林模型。
本实施例中,可以按照钻井层段识别模型的建立方法,建立随机森林模型。本实施方式对此不作具体限定。
步骤205,根据训练数据集对随机森林模型进行训练,得到钻井层段识别模型,钻井层段识别模型的每一个叶子节点对应一个第一标签。
本实施例中,将训练数据集中的每一条数据,即每一个第二测井曲线输入到建立的随机森林模型中,通过机器学习,自行训练得到钻井层段识别模型;钻井层段识别模型的每一个叶子节点对应一个第一标签。即钻井层段识别模型的每一个叶子节点对应着一个层段信息。从而,在使用模型对第一测井曲线进行分析时,能够分析得出第一测井曲线的特征指标对应的钻井层段识别模型的叶子节点,从而准确确定出第一测井曲线对应的钻井的层段信息。提高了对测井曲线解释的效率和准确性。
步骤206,提取第一测井曲线的特征指标,并使用钻井层段识别模型对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点。
本实施方式中,第一测井曲线的特征指标是反映测井数据的指标,在一些可能的方式中,第一测井曲线的特征指标可以是测井中得到自然伽马、自然电位、电阻率、密度、中子、井径或声波时差等测井数据。应当理解的是,测井数据通常十多个特征指标的综合数据,针对不同的地域和不同的岩性有一定的区别;因此,本实施例中对测井数据的具体类型不作限定。
其中,钻井层段识别模型具有多个叶子节点,特征指标至少对应一个叶子节点。
步骤207,根据特征指标对应的叶子节点,解释第一测井曲线,以确定第一测井曲线对应钻井的层段信息。
具体的,本实施方式中,钻井层段识别模型的每一个叶子节点都对应一个相应的层段信息,在确定特征指标对应的叶子节点时,即可确定特征指标对应的层段信息。例如,在一些具体场景中,钻井层段识别模型的叶子节点对应为油层、水层、油水同层、气层、干层等不同的层段信息,通过钻井层段识别模型对特征指标进行分析后,确定特征指标对应的叶子节点的层段信息为油层,则可对第一测井曲线进行层段信息确定和解释。
在一些可选的实施方式中,在步骤205,根据训练数据集对随机森林模型进行训练,得到钻井层段识别模型之后,本申请实施例提供的钻井层段信息的确定方法还包括:
获取经预处理的多个第三测井曲线。
具体的,对第三测井曲线的预处理方式可以参照本申请其他实施方式公开的处理方式。
提取每一个第三测井曲线的特征指标,解释特征指标,根据解释结果对第三测井曲线添加标识层段信息的第二标签,获得测试数据集。
在一些可选的实施方式中,第三测井曲线是多个已有的经过验证后的测井曲线,其中,验证是指经过有经验专家学者对钻井、录井、岩心、试油等生产测试数据进行验证后的准确层位数据;对测井曲线进行解释,分析,对油气储层进行判断,最后在油气开采中得到的验证;经过验证后的第三测井曲线中的部分分析解释误差经过纠正调整和消除。从而能够保证对第三测井曲线的特征指标添加的第二标签都是准确的层段信息。从而得到的测试数据集是具有准确层段信息的数据集。作为一种具体示例,本实施方式中选择从已有的50口井的测井数据中随机抽取其中10口井的测井数据作为测试数据集。在另一些具体示例中,也可以从已有的50口井的测井数据中随机抽取其中20或15口井的测井数据作为测试数据集。在本实施方式中,对第三测井曲线添加的第二标签包括油层、水层、油水同层、气层、干层等层段信息;通过不同的第二标签对储层的类型进行一一标注。在一些可选的实施方式中,测试数据集可以是步骤203中除训练数据集之外的其他测井数据组成的测井数据集。
使用钻井层段识别模型提取第三测井曲线的特征指标,并对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点。
具体的,在通过机器学习得到钻井层段识别模型之后,将测试数据集中的第三测井曲线逐条输入钻井层段识别模型中,利用钻井层段识别模型对第三测井曲线进行逐条分析。由于第三测井曲线是已知钻井层段信息的测井曲线,其标注层段信息的第二标签均为准确的层段信息,通过钻井层段识别模型对第三测井曲线进行分析后得到的叶子节点对应的层段信息能够测试钻井层段识别模型对测井曲线解释的准确性。
在第三测井曲线中的特征指标对应至少一个叶子节点时,对比第一标签与第二标签。
本实施方式中,由于钻井层段识别模型通过第二测井曲线训练得到,因此,钻井层段识别模型的每一个叶子节点都对应一个第一标签。在利用钻井层段识别模型对第三测井曲线中的特征指标进行分析后,得到第三测井曲线中特征指标分析的结果,即落入的叶子节点的第一标签和第三测井曲线准确的层段信息的第三标签。
当第一标签与第二标签不同时,调整钻井层段识别模型,直至第一标签与第二标签相同。
本实施方式中,在利用测试数据集对钻井层段识别模型进行测试时,可能存在测试得到的结果与测试数据集本身的层段信息不同;即测试得到的第一标签与测试数据集本身的第二标签存在不同;此时,证明训练得到的钻井层段识别模型对测井数据的解释分析还不够准确,可以对钻井层段识别模型进行适当的调整,直至第一标签与第二标签相同。在一些可选的方式中,可以直接使用测试数据集中的测井数据对钻井层段识别模型进行二次训练的方式,对钻井层段识别模型进行调整。在另一些可选的实施方式中,也可以利用其它已知的测井数据对钻井层段识别模型进行二次训练。本实施方式中,通过测试数据集对训练得到的钻井层段识别模型进行测试,并在测试结果与测试数据集本身的解释结果不同时,对钻井层段识别模型进行二次训练和调整;从而有效提高了钻井层段识别模型的准确性。
在另一些可选实施方式中,在有新的测井数据产生时,还可以对新数据定期予以标注和加入训练集,这里的标注是指通过有经验的专家对测井数据进行解析,或者按照钻井层段识别模型的分析结果对钻井进行开采验证后,对相应的层段信息的标注。钻井层段识别模型进行二次训练更新优化,保证了钻井层段识别模型更贴近地质构造的演变进程,从而使得预测精度能够始终保持在高水平。
本实施方式中,通过机器学习训练好的钻井层段识别模型对测井曲线的特征指标进行分析,从而确定出测井曲线的特征指标对应于钻井层段识别模型的叶子节点,通过钻井层段识别模型的叶子节点确定出测井曲线对应钻井的层段信息,实现对测井曲线的解释和钻井层段信息的确定。解决了相关技术中,由人工对测井曲线进行解释并确定层段信息解释精度较差,层界面深度不精确的问题;提高了对测井曲线解释的准确性和对测井曲线的解释效率。
图3是本申请实施例提供的钻井层段信息的确定装置的结构示意图。
基于前述实施例,参照图3所示,本申请实施例提供的钻井层段信息的确定装置30,包括:
获取模块31,用于获取经预处理的第一测井曲线;
提取模块32,用于提取第一测井曲线的特征指标,并使用钻井层段识别模型对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点,钻井层段识别模型具有多个叶子节点,特征指标至少对应一个叶子节点;
确定模块33,用于根据特征指标对应的叶子节点,解释第一测井曲线,以确定第一测井曲线对应钻井的层段信息。
在一些可选实施方式中,钻井层段识别模型为多组测井数据通过机器学习训练得出,每组测井数据均包括第二测井曲线和标识层段信息第一标签。
在一些可选实施方式中,获取模块31,还用于获取经预处理的多个第二测井曲线;
提取模块32,还用于提取每一个第二测井曲线的特征指标,解释特征指标,根据解释结果对第二测井曲线添加第一标签,获得训练数据集;
钻井层段信息的确定装置30还包括:
建立模块34,用于建立随机森林模型;
训练模块35,用于根据训练数据集对随机森林模型进行训练,得到钻井层段识别模型,钻井层段识别模型的每一个叶子节点对应一个第一标签。
在一些可选的实施方式中,预处理包括:格式转换、环境校正和平滑滤波中的至少一种。
在一些可选实施方式中,第一标签包括:油层、水层、油水同层、气层和干层中的至少一种。
在一些可选实施方式中,获取模块31,还用于在根据训练数据集对随机森林模型进行训练,得到钻井层段识别模型之后,获取经预处理的多个第三测井曲线;
提取模块32,还用于提取每一个第三测井曲线的特征指标,解释特征指标,根据解释结果对第三测井曲线添加标识层段信息的第二标签,获得测试数据集;
确定模块33,还用于使用钻井层段识别模型提取第三测井曲线的特征指标,并对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点;
钻井层段信息的确定装置30还包括:
对比模块36,用于在第三测井曲线中的特征指标对应至少一个叶子节点时,对比第一标签与第二标签;
调整模块37,用于当第一标签与第二标签不同时,调整钻井层段识别模型,直至第一标签与第二标签相同。
需要说明的是,本申请提供的装置实施例与本申请提供的方法实施例具有相同或类似的效果,本实施例不再赘述。
所述钻井层段信息的确定装置30包括处理器和存储器,上述获取模块31、提取模块32、确定模块33、建立模块34、训练模块35、对比模块36、调整模块37等均作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序模块。内核可以设置一个或以上,通过调整内核参数来实现本申请任一可选实施例提供的钻井层段信息的确定方法。
本发明实施例提供了一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被执行时,用于实现本申请任一可选实施例提供的钻井层段信息的确定方法。
图4是本申请实施例提供的电子设备的结构示意图。
参照图4所示,本申请实施例提供了一种电子设备40,包括存储器41、处理器42和通讯总线43;
存储器41与处理器42通过通讯总线43通讯连接;
存储器41中存储有计算机可执行指令,处理器42用于执行计算机可执行指令,用于实现本申请任一可选实施例提供的钻井层段信息的确定方法。
需要说明的是,本申请提供的设备实施例与本申请提供的方法实施例具有相同或类似的效果,本实施例不再赘述。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
S11,获取经预处理的第一测井曲线;
S12,提取第一测井曲线的特征指标,并使用钻井层段识别模型对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点,钻井层段识别模型具有多个叶子节点,特征指标至少对应一个叶子节点;
S13,根据特征指标对应的叶子节点,解释第一测井曲线,以确定第一测井曲线对应钻井的层段信息。
在一些可选方式中,钻井层段识别模型为多组测井数据通过机器学习训练得出,每组测井数据均包括第二测井曲线和标识层段信息第一标签。
在一些可选方式中,钻井层段识别模型为多组测井数据通过机器学习训练得出,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
S21,获取经预处理的多个第二测井曲线;
S22,提取每一个第二测井曲线的特征指标,解释特征指标,根据解释结果对第二测井曲线添加第一标签,获得训练数据集;
S23,建立随机森林模型;
S24,根据训练数据集对随机森林模型进行训练,得到钻井层段识别模型,钻井层段识别模型的每一个叶子节点对应一个第一标签。
在一些可选方式中,预处理包括:格式转换、环境校正和平滑滤波中的至少一种。
在一些可选方式中,第一标签包括:油层、水层、油水同层、气层和干层中的至少一种。
在一些可选方式中,根据训练数据集对随机森林模型进行训练,得到钻井层段识别模型之后,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
S31,获取经预处理的多个第三测井曲线;
S32,提取每一个第三测井曲线的特征指标,解释特征指标,根据解释结果对第三测井曲线添加标识层段信息的第二标签,获得测试数据集;
S33,使用钻井层段识别模型提取第三测井曲线的特征指标,并对特征指标进行分析,确定特征指标对应的钻井层段识别模型的叶子节点;
S33,在第三测井曲线中的特征指标对应至少一个叶子节点时,对比第一标签与第二标签;
S34,当第一标签与第二标签不同时,调整钻井层段识别模型,直至第一标签与第二标签相同。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种钻井层段信息的确定方法,其特征在于,包括:
获取经预处理的第一测井曲线;
提取所述第一测井曲线的特征指标,并使用预先构建的钻井层段识别模型对所述特征指标进行分析,确定所述特征指标对应的所述钻进层段识别模型的叶子节点,所述钻井层段识别模型具有多个所述叶子节点,所述特征指标至少对应一个所述叶子节点;
根据所述特征指标对应的所述叶子节点,解释所述第一测井曲线,以确定所述第一测井曲线对应钻井的层段信息。
2.根据权利要求1所述的方法,其特征在于,所述钻井层段识别模型为多组测井数据通过机器学习训练得出,每组所述测井数据均包括第二测井曲线和标识所述层段信息的第一标签。
3.根据权利要求2所述的方法,其特征在于,所述钻井层段识别模型为多组测井数据通过机器学习训练得出,包括:
获取经预处理的多个所述第二测井曲线;
提取每一个所述第二测井曲线的所述特征指标,解释所述特征指标,根据解释结果对所述第二测井曲线添加所述第一标签,获得训练数据集;
建立随机森林模型;
根据所述训练数据集对所述随机森林模型进行训练,得到所述钻井层段识别模型,所述钻井层段识别模型的每一个所述叶子节点对应一个所述第一标签。
4.根据权利要求2所述的方法,其特征在于,所述预处理包括:格式转换、环境校正和平滑滤波中的至少一种。
5.根据权利要求2所述的方法,其特征在于,所述第一标签包括:油层、水层、油水同层、气层和干层中的至少一种。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述根据所述训练数据集对所述随机森林模型进行训练,得到所述钻井层段识别模型之后,所述方法还包括:
获取经预处理的多个第三测井曲线;
提取每一个所述第三测井曲线的所述特征指标,解释所述特征指标,根据解释结果对所述第三测井曲线添加标识所述层段信息的第二标签,获得测试数据集;
使用所述钻井层段识别模型提取所述第三测井曲线的所述特征指标,并对所述特征指标进行分析,确定所述特征指标对应的所述钻井层段识别模型的所述叶子节点;
在所述第三测井曲线中的特征指标对应至少一个所述叶子节点时,对比所述第一标签与所述第二标签;
当所述第一标签与所述第二标签不同时,调整所述钻井层段识别模型,直至所述第一标签与所述第二标签相同。
7.一种钻井层段信息的确定装置,其特征在于,包括:
获取模块,用于获取经预处理的第一测井曲线;
提取模块,用于提取所述第一测井曲线的特征指标,并使用预先构建的钻井层段识别模型对所述特征指标进行分析,确定所述特征指标对应的所述钻井层段识别模型的叶子节点,所述钻井层段识别模型具有多个所述叶子节点,所述特征指标至少对应一个所述叶子节点;
确定模块,用于根据所述特征指标对应的所述叶子节点,解释所述第一测井曲线,以确定所述第一测井曲线对应钻井的层段信息。
8.根据权利要求7所述的装置,其特征在于,所述钻井层段识别模型为多组测井数据通过机器学习训练得出,每组所述测井数据均包括第二测井曲线和标识所述层段信息的第一标签。
9.一种电子设备,其特征在于,包括存储器、处理器和通讯总线;
所述存储器与所述处理器通过所述通讯总线通讯连接;
所述存储器中存储有计算机可执行指令,所述处理器用于执行所述计算机可执行指令,用于实现权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被执行时,用于实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840168.6A CN112464964A (zh) | 2019-09-06 | 2019-09-06 | 钻井层段信息的确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840168.6A CN112464964A (zh) | 2019-09-06 | 2019-09-06 | 钻井层段信息的确定方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464964A true CN112464964A (zh) | 2021-03-09 |
Family
ID=74806776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910840168.6A Pending CN112464964A (zh) | 2019-09-06 | 2019-09-06 | 钻井层段信息的确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464964A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018067131A1 (en) * | 2016-10-05 | 2018-04-12 | Schlumberger Technology Corporation | Machine-learning based drilling models for a new well |
CN108416368A (zh) * | 2018-02-08 | 2018-08-17 | 北京三快在线科技有限公司 | 样本特征重要性的确定方法及装置,电子设备 |
WO2018208634A1 (en) * | 2017-05-08 | 2018-11-15 | Schlumberger Technology Corporation | Integrating geoscience data to predict formation properties |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
-
2019
- 2019-09-06 CN CN201910840168.6A patent/CN112464964A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018067131A1 (en) * | 2016-10-05 | 2018-04-12 | Schlumberger Technology Corporation | Machine-learning based drilling models for a new well |
WO2018208634A1 (en) * | 2017-05-08 | 2018-11-15 | Schlumberger Technology Corporation | Integrating geoscience data to predict formation properties |
CN108416368A (zh) * | 2018-02-08 | 2018-08-17 | 北京三快在线科技有限公司 | 样本特征重要性的确定方法及装置,电子设备 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
赵丽莎;史永彬;金玮;李华;塔斯肯;: "基于梦想云的测井智能化解释应用研究", 中国石油勘探, no. 05 * |
闫振来;: "基于随钻测井的地质导向解释系统研究与应用", 钻采工艺, no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104819A (zh) | 模型生成方法及装置、岩性识别方法及装置 | |
US8515720B2 (en) | Determine field fractures using geomechanical forward modeling | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
US8332155B2 (en) | System and method for hydrocarbon gas pay zone characterization in a subterranean reservoir | |
CN111472751B (zh) | 测井解释方法、知识图谱构建方法及相关装置 | |
US9243476B2 (en) | System and method for simulating oilfield operations | |
CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
CN110470581B (zh) | 确定储层应力敏感程度的方法、装置及存储介质 | |
CN104463686A (zh) | 利用判别分析法随钻识别页岩气储层的方法 | |
US11704333B2 (en) | Form text extraction of key/value pairs | |
AU2017279838B1 (en) | Method for classifying deep rock geofacies based on data mining | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
CN112464964A (zh) | 钻井层段信息的确定方法、装置及电子设备 | |
US20230212937A1 (en) | Automated electric submersible pump (esp) failure analysis | |
CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
Walker et al. | Three case studies of progress in quantitative seismic-engineering integration | |
Vo et al. | Reservoir modeling and production history matching in a Triassic naturally fractured carbonate reservoir in Sichuan, China | |
Li et al. | Petrophysical Rock Typing Based on Pore Geometry Improves Permeability and Bound Fluid Volume Estimation in Heterogeneous Sandstone Formations | |
Wang et al. | Determination of Total organic carbon (TOC) content in shale formations by analyzing well logging measurements | |
US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
Ramadhan et al. | Unravel Carbonate Reservoir Heterogeneities Through 3D Seismic Neural Network Application: A Machine Learning Based Approach and Workflow | |
CN113495293B (zh) | 油藏流体预测方法及装置 | |
Carneiro et al. | Organizadores | |
Houck | Value of geophysical information for reservoir management | |
CN117192631A (zh) | 一种计算碳酸盐岩沉积建造动态速率的方法及其应用 |
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 |