CN112579670A - 一种精细油藏分布的勘察数据分析方法及系统 - Google Patents
一种精细油藏分布的勘察数据分析方法及系统 Download PDFInfo
- Publication number
- CN112579670A CN112579670A CN202011538148.2A CN202011538148A CN112579670A CN 112579670 A CN112579670 A CN 112579670A CN 202011538148 A CN202011538148 A CN 202011538148A CN 112579670 A CN112579670 A CN 112579670A
- Authority
- CN
- China
- Prior art keywords
- data
- petroleum
- petroleum exploration
- layer
- exploration 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims description 37
- 239000003208 petroleum Substances 0.000 claims abstract description 283
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims description 63
- 238000012360 testing method Methods 0.000 claims description 43
- 238000005070 sampling Methods 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mathematical Physics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (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
本发明公开了本发明一种精细油藏分布的勘察数据分析方法及系统,接收数据采集端发送的实时石油勘察数据包,将原始石油勘察数据整理得到待分析石油数据;将待分析石油数据进行转换得到对应的石油勘察数据;获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;将原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;根据石油分类结果得到当前待分析石油数据对应的石油资源区域分布结果。有效的解决了现有技术中对石油的勘探的技术问题,能够实时对石油的分布进行勘探和分析,能准确的检测到石油在地下的分布情况。
Description
技术领域
本发明涉及精细油藏分布数据分析的技术领域,具体涉及一种精细油藏分布的勘察数据分析方法及系统。
背景技术
随着科学的不断发展,石油开采技术越来越发达,开采的效率更加快,有效的降低了开采时间,这样大大地降低了才开成本。
但是目前石油的勘探是相关技术人员面临的巨大问题,这样就可带来无效的挖掘,这样就增加了时间成本以及开采成本。
发明内容
本发明所要解决的技术问题是上述背景技术的技术问题,目的在于提供一种精细油藏分布的勘察数据分析方法及系统,解决的是能实时分析地下石油分布的问题。
本发明通过下述技术方案实现:
一种精细油藏分布的勘察数据分析方法,所述方法包括:
接收数据采集端发送的实时石油勘察数据包,根据所述实时石油勘察数据包获取原始石油勘察数据,将所述原始石油勘察数据整理得到待分析石油数据;
将所述待分析石油数据进行转换得到对应的石油勘察数据;
获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;
将所述原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;
根据所述石油分类结果得到所述当前待分析石油数据对应的石油资源区域分布结果。
进一步地,所述获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据的步骤包括:
从当前石油勘察数据的前向获取第一预设数据的前向石油勘察数据;
从当前石油勘察数据的后向获取第二预设数据的后向石油勘察数据;
将所述前向石油勘察数据、当前石油勘察数据、后向石油勘察数据按空间顺序形成原始输入数据。
进一步地,所述接收数据采集端发送的实时石油勘察数据包的步骤之前,还包括:
获取测试石油勘察数据,所述测试石油勘察数据为所述终端在当前所属环境采集并上传的历史石油勘察数据,所述测试实时石油勘察数据包括检测信号频率和对应的信号频率标准状态;
将所述检测信号频率进行转换得到对应的频域检测信号频率;
根据预设规则将各个频域检测信号频率作为中心频域检测信号频率,获取各个中心频域检测信号频率的邻近频域检测信号频率,将各个中心频域检测信号频率与匹配的邻近频域检测信号频率按空间顺序形成各个原始匹配输入模型,将各个原始匹配输入模型与对应的中心频域检测信号频率的信号频率标准状态组成匹配数据;
将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练;
直至满足收敛条件,得到对应的模型参数生成目标卷积神经网络。
进一步地,所述将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练的步骤包括:
将通过第三预设数目的不同卷积核对原始匹配输入模型的局部接受域进行卷积得到的第一特征数据集合组合生成第一卷积层;
将第一降采样层的特征图中的多个神经元与第一卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第二特征数据集合组合生成第一降采样层;
采用全连接的方式对输入的所述第一特征数据集合进行第四数目的不同卷积核的卷积得到第三特征数据集合组合生成第二卷积层;
将第二降采样层的特征图中的多个神经元与第二卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第四特征数据集合组合生成第二降采样层。
进一步地,所述方法还包括:
获取测试样例石油数据,将所述测试样例石油数据输入所述目标卷积神经网络,得到测试石油分类结果;
将测试石油分类结果与所述测试样例石油数据对应的标准石油分类结果对比计算结果准确率;
如果所述结果准确率低于预设阈值,则获取更新的匹配数据数据,重新训练卷积神经网络生成更新的卷积神经网络。
一种精细油藏分布的勘察数据分析系统,包括:数据采集端和数据分析终端,所述数据采集端和所述数据分析终端相互通信,所述数据分析终端具体用于:
接收数据采集端发送的实时石油勘察数据包,根据所述实时石油勘察数据包获取原始石油勘察数据,将所述原始石油勘察数据整理得到待分析石油数据;
将所述待分析石油数据进行转换得到对应的石油勘察数据;
获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;
将所述原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;
根据所述石油分类结果得到所述当前待分析石油数据对应的石油资源区域分布结果。
进一步地,所述数据分析终端具体用于:
从当前石油勘察数据的前向获取第一预设数据的前向石油勘察数据;
从当前石油勘察数据的后向获取第二预设数据的后向石油勘察数据;
将所述前向石油勘察数据、当前石油勘察数据、后向石油勘察数据按空间顺序形成原始输入数据。
进一步地,所述数据分析终端具体用于:
获取测试石油勘察数据,所述测试石油勘察数据为所述终端在当前所属环境采集并上传的历史石油勘察数据,所述测试实时石油勘察数据包括检测信号频率和对应的信号频率标准状态;
将所述检测信号频率进行转换得到对应的频域检测信号频率;
根据预设规则将各个频域检测信号频率作为中心频域检测信号频率,获取各个中心频域检测信号频率的邻近频域检测信号频率,将各个中心频域检测信号频率与匹配的邻近频域检测信号频率按空间顺序形成各个原始匹配输入模型,将各个原始匹配输入模型与对应的中心频域检测信号频率的信号频率标准状态组成匹配数据;
将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练;
直至满足收敛条件,得到对应的模型参数生成目标卷积神经网络。
进一步地,所述数据分析终端具体用于:
将通过第三预设数目的不同卷积核对原始匹配输入模型的局部接受域进行卷积得到的第一特征数据集合组合生成第一卷积层;
将第一降采样层的特征图中的多个神经元与第一卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第二特征数据集合组合生成第一降采样层;
采用全连接的方式对输入的所述第一特征数据集合进行第四数目的不同卷积核的卷积得到第三特征数据集合组合生成第二卷积层;
将第二降采样层的特征图中的多个神经元与第二卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第四特征数据集合组合生成第二降采样层。
进一步地,所述数据分析终端具体用于:
获取测试样例石油数据,将所述测试样例石油数据输入所述目标卷积神经网络,得到测试石油分类结果;
将测试石油分类结果与所述测试样例石油数据对应的标准石油分类结果对比计算结果准确率;
如果所述结果准确率低于预设阈值,则获取更新的匹配数据数据,重新训练卷积神经网络生成更新的卷积神经网络。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明一种精细油藏分布的勘察数据分析方法及系统,接收数据采集端发送的实时石油勘察数据包,根据实时石油勘察数据包获取原始石油勘察数据,将原始石油勘察数据整理得到待分析石油数据;将待分析石油数据进行转换得到对应的石油勘察数据;获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;将原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;根据石油分类结果得到当前待分析石油数据对应的石油资源区域分布结果。有效的解决了现有技术中对石油的勘探的技术问题,能够实时对石油的分布进行勘探和分析,能准确的检测到石油在地下的分布情况。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的一种精细油藏分布的勘察数据系统的架构示意图;
图2为本发明实施例所提供的一种精细油藏分布的勘察数据方法的流程图;
图3为本发明实施例所提供的一种精细油藏分布的勘察数据装置的功能模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的一种精细油藏分布的勘察数据方法及系统进行阐述,请结合参考图1,提供了本发明实施例所公开的精细油藏分布的勘察数据系统100的通信架构示意图。其中,所述精细油藏分布的勘察数据系统100可以包括数据分析终端200、以及数据采集端300,所述数据分析终端200与所述数据采集端300通信连接。
在具体的实施方式中,数据分析终端200和数据采集端300均可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的电子设备,在此不作过多限定。
在上述基础上,请结合参阅图2,为本发明实施例所提供的精细油藏分布的勘察数据方法的流程示意图,所述精细油藏分布的勘察数据方法可以应用于图1中的数据处理服务器,进一步地,所述精细油藏分布的勘察数据方法具体可以包括以下步骤S21-步骤S25所描述的内容。
步骤S21,接收数据采集端发送的实时石油勘察数据包,根据所述实时石油勘察数据包获取原始石油勘察数据,将所述原始石油勘察数据整理得到待分析石油数据。
示例性的,原始石油勘察数据用于表征石油在地下分布的实时数据。
步骤S22,将所述待分析石油数据进行转换得到对应的石油勘察数据。
步骤S23,获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据。
示例性的,所述邻近石油勘察数据用于预存在数据库中的预设数据。
步骤S24,将所述原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果。
步骤S25,根据所述石油分类结果得到所述当前待分析石油数据对应的石油资源区域分布结果。
可以理解,在执行上述步骤S21-步骤S25所描述的内容时,接收数据采集端发送的实时石油勘察数据包,根据实时石油勘察数据包获取原始石油勘察数据,将原始石油勘察数据整理得到待分析石油数据;将待分析石油数据进行转换得到对应的石油勘察数据;获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;将原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;根据石油分类结果得到当前待分析石油数据对应的石油资源区域分布结果。石油一般分布在地下很深的地方,采用现有技术的勘探方法,就对存在一个很严重的技术问题,得不到石油精确的位置,采用本技术方案,对石油进行勘探,对勘探数据进行转换,得到本技术方案能识别的数据进行分析处理,然后进行比较,得到石油精确的分布结果。有效的解决了现有技术中对石油的勘探的技术问题,能够实时对石油的分布进行勘探和分析,能准确的检测到石油在地下的分布情况。
在具体实施过程中,获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据,存在空间顺序输入不对的技术问题,从而难以得到准确的结果,为了改善上述技术问题,步骤S23所描述的获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据步骤,具体可以包括以下步骤S231-步骤S233所描述的内容。
步骤S231,从当前石油勘察数据的前向获取第一预设数据的前向石油勘察数据。
步骤S232,从当前石油勘察数据的后向获取第二预设数据的后向石油勘察数据。
步骤S233,将所述前向石油勘察数据、当前石油勘察数据、后向石油勘察数据按空间顺序形成原始输入数据。
可以理解,在执行上述步骤S231-步骤S233所描述的内容时,获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据,有效的解决了空间顺序输入不对的技术问题,从而能够得到准确的结果。
在上述基础上,所述接收数据采集端发送的实时石油勘察数据包的步骤之前,还包括以下步骤A1-步骤A5所描述的内容。
步骤A1,获取测试石油勘察数据,所述测试石油勘察数据为所述终端在当前所属环境采集并上传的历史石油勘察数据,所述测试实时石油勘察数据包括检测信号频率和对应的信号频率标准状态。
示例性的,所述检测信号频率用于标识对地下石油的一种检测手段,根据信号的频率来检查数据的准确性。
步骤A2,将所述检测信号频率进行转换得到对应的频域检测信号频率。
步骤A3,根据预设规则将各个频域检测信号频率作为中心频域检测信号频率,获取各个中心频域检测信号频率的邻近频域检测信号频率,将各个中心频域检测信号频率与匹配的邻近频域检测信号频率按空间顺序形成各个原始匹配输入模型,将各个原始匹配输入模型与对应的中心频域检测信号频率的信号频率标准状态组成匹配数据。
示例性的,所述原始匹配输入模型用于表征处理所述频域检测信号频率与预设数据进行匹配的计算方式。
步骤A4,将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练。
步骤A5,直至满足收敛条件,得到对应的模型参数生成目标卷积神经网络。
可以理解,在执行上述步骤A1-步骤A5所描述的内容时,在信号采集时,存在着信号的误差和不准确的情况,这样能够有效的解决误差和不准确,使得到的信号更加的精确。
在实际操作过程中,发明人发现,,为了改善上述技术问题,步骤A4将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练的步骤,具体可以包括以下步骤A41-步骤A44所描述的内容。
步骤A41,将通过第三预设数目的不同卷积核对原始匹配输入模型的局部接受域进行卷积得到的第一特征数据集合组合生成第一卷积层。
步骤A42,将第一降采样层的特征图中的多个神经元与第一卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第二特征数据集合组合生成第一降采样层。
步骤A43,采用全连接的方式对输入的所述第一特征数据集合进行第四数目的不同卷积核的卷积得到第三特征数据集合组合生成第二卷积层。
步骤A44,将第二降采样层的特征图中的多个神经元与第二卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第四特征数据集合组合生成第二降采样层。
可以理解,在执行上述步骤A41-步骤A44所描述的内容时,采用多次计算的方法进行分析,从而确保分析结果的准确性,能得到准确的结果。
在上述基础上,所述方法还包括以下步骤Q1-步骤Q3所描述的内容。
步骤Q1,获取测试样例石油数据,将所述测试样例石油数据输入所述目标卷积神经网络,得到测试石油分类结果。
步骤Q2,将测试石油分类结果与所述测试样例石油数据对应的标准石油分类结果对比计算结果准确率。
步骤Q3,如果所述结果准确率低于预设阈值,则获取更新的匹配数据数据,重新训练卷积神经网络生成更新的卷积神经网络。
可以理解,在执行上述步骤Q1-步骤Q3所描述的内容时,对训练卷积神经网络进行实时更新,这样有效的将误差降到最低,解决了数据不完整带来的计算结果错误的情况。
基于同样的发明构思,还提供了一种精细油藏分布的勘察数据分析系统,其特征在于,包括:数据采集端和数据分析终端,所述数据采集端和所述数据分析终端相互通信,所述数据分析终端具体用于:
接收数据采集端发送的实时石油勘察数据包,根据所述实时石油勘察数据包获取原始石油勘察数据,将所述原始石油勘察数据整理得到待分析石油数据;
将所述待分析石油数据进行转换得到对应的石油勘察数据;
获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;
将所述原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;
根据所述石油分类结果得到所述当前待分析石油数据对应的石油资源区域分布结果。
进一步地,所述数据分析终端具体用于:
从当前石油勘察数据的前向获取第一预设数据的前向石油勘察数据;
从当前石油勘察数据的后向获取第二预设数据的后向石油勘察数据;
将所述前向石油勘察数据、当前石油勘察数据、后向石油勘察数据按空间顺序形成原始输入数据。
进一步地,所述数据分析终端具体用于:
获取测试石油勘察数据,所述测试石油勘察数据为所述终端在当前所属环境采集并上传的历史石油勘察数据,所述测试实时石油勘察数据包括检测信号频率和对应的信号频率标准状态;
将所述检测信号频率进行转换得到对应的频域检测信号频率;
根据预设规则将各个频域检测信号频率作为中心频域检测信号频率,获取各个中心频域检测信号频率的邻近频域检测信号频率,将各个中心频域检测信号频率与匹配的邻近频域检测信号频率按空间顺序形成各个原始匹配输入模型,将各个原始匹配输入模型与对应的中心频域检测信号频率的信号频率标准状态组成匹配数据;
将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练;
直至满足收敛条件,得到对应的模型参数生成目标卷积神经网络。
进一步地,所述数据分析终端具体用于:
将通过第三预设数目的不同卷积核对原始匹配输入模型的局部接受域进行卷积得到的第一特征数据集合组合生成第一卷积层;
将第一降采样层的特征图中的多个神经元与第一卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第二特征数据集合组合生成第一降采样层;
采用全连接的方式对输入的所述第一特征数据集合进行第四数目的不同卷积核的卷积得到第三特征数据集合组合生成第二卷积层;
将第二降采样层的特征图中的多个神经元与第二卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第四特征数据集合组合生成第二降采样层。
进一步地,所述数据分析终端具体用于:
获取测试样例石油数据,将所述测试样例石油数据输入所述目标卷积神经网络,得到测试石油分类结果;
将测试石油分类结果与所述测试样例石油数据对应的标准石油分类结果对比计算结果准确率;
如果所述结果准确率低于预设阈值,则获取更新的匹配数据数据,重新训练卷积神经网络生成更新的卷积神经网络。
基于上述同样的发明构思,请结合参阅图3,还提供了精细油藏分布的勘察数据分析装置500的功能模块框图,关于所述精细油藏分布的勘察数据分析装置500的详细描述如下。
一种精细油藏分布的勘察数据分析装置500,应用于数据分析终端,所述装置500包括:
数据接收模块510,用于接收数据采集端发送的实时石油勘察数据包,根据所述实时石油勘察数据包获取原始石油勘察数据,将所述原始石油勘察数据整理得到待分析石油数据;
数据转换模块520,用于将所述待分析石油数据进行转换得到对应的石油勘察数据;
数据输入模块530,用于获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;
数据处理模块540,用于将所述原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;
结果分布模块550,用于根据所述石油分类结果得到所述当前待分析石油数据对应的石油资源区域分布结果。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种精细油藏分布的勘察数据分析方法,其特征在于,所述方法包括:
接收数据采集端发送的实时石油勘察数据包,根据所述实时石油勘察数据包获取原始石油勘察数据,将所述原始石油勘察数据整理得到待分析石油数据;
将所述待分析石油数据进行转换得到对应的石油勘察数据;
获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;
将所述原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;
根据所述石油分类结果得到所述当前待分析石油数据对应的石油资源区域分布结果。
2.根据权利要求1所述的方法,其特征在于,所述获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据的步骤包括:
从当前石油勘察数据的前向获取第一预设数据的前向石油勘察数据;
从当前石油勘察数据的后向获取第二预设数据的后向石油勘察数据;
将所述前向石油勘察数据、当前石油勘察数据、后向石油勘察数据按空间顺序形成原始输入数据。
3.根据权利要求1所述的方法,其特征在于,所述接收数据采集端发送的实时石油勘察数据包的步骤之前,还包括:
获取测试石油勘察数据,所述测试石油勘察数据为所述终端在当前所属环境采集并上传的历史石油勘察数据,所述测试实时石油勘察数据包括检测信号频率和对应的信号频率标准状态;
将所述检测信号频率进行转换得到对应的频域检测信号频率;
根据预设规则将各个频域检测信号频率作为中心频域检测信号频率,获取各个中心频域检测信号频率的邻近频域检测信号频率,将各个中心频域检测信号频率与匹配的邻近频域检测信号频率按空间顺序形成各个原始匹配输入模型,将各个原始匹配输入模型与对应的中心频域检测信号频率的信号频率标准状态组成匹配数据;
将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练;
直至满足收敛条件,得到对应的模型参数生成目标卷积神经网络。
4.根据权利要求3所述的方法,其特征在于,所述将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练的步骤包括:
将通过第三预设数目的不同卷积核对原始匹配输入模型的局部接受域进行卷积得到的第一特征数据集合组合生成第一卷积层;
将第一降采样层的特征图中的多个神经元与第一卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第二特征数据集合组合生成第一降采样层;
采用全连接的方式对输入的所述第一特征数据集合进行第四数目的不同卷积核的卷积得到第三特征数据集合组合生成第二卷积层;
将第二降采样层的特征图中的多个神经元与第二卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第四特征数据集合组合生成第二降采样层。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取测试样例石油数据,将所述测试样例石油数据输入所述目标卷积神经网络,得到测试石油分类结果;
将测试石油分类结果与所述测试样例石油数据对应的标准石油分类结果对比计算结果准确率;
如果所述结果准确率低于预设阈值,则获取更新的匹配数据数据,重新训练卷积神经网络生成更新的卷积神经网络。
6.一种精细油藏分布的勘察数据分析系统,其特征在于,包括:数据采集端和数据分析终端,所述数据采集端和所述数据分析终端相互通信,所述数据分析终端具体用于:
接收数据采集端发送的实时石油勘察数据包,根据所述实时石油勘察数据包获取原始石油勘察数据,将所述原始石油勘察数据整理得到待分析石油数据;
将所述待分析石油数据进行转换得到对应的石油勘察数据;
获取当前待分析石油数据对应的当前石油勘察数据,根据预设规则获取所述当前石油勘察数据的邻近石油勘察数据,将当前石油勘察数据与邻近石油勘察数据按空间顺序形成原始输入数据;
将所述原始输入数据输入经训练得到的目标卷积神经网络,得到石油分类结果;
根据所述石油分类结果得到所述当前待分析石油数据对应的石油资源区域分布结果。
7.根据权利要求6所述的系统,其特征在于,所述数据分析终端具体用于:
从当前石油勘察数据的前向获取第一预设数据的前向石油勘察数据;
从当前石油勘察数据的后向获取第二预设数据的后向石油勘察数据;
将所述前向石油勘察数据、当前石油勘察数据、后向石油勘察数据按空间顺序形成原始输入数据。
8.根据权利要求1所述的系统,其特征在于,所述数据分析终端具体用于:
获取测试石油勘察数据,所述测试石油勘察数据为所述终端在当前所属环境采集并上传的历史石油勘察数据,所述测试实时石油勘察数据包括检测信号频率和对应的信号频率标准状态;
将所述检测信号频率进行转换得到对应的频域检测信号频率;
根据预设规则将各个频域检测信号频率作为中心频域检测信号频率,获取各个中心频域检测信号频率的邻近频域检测信号频率,将各个中心频域检测信号频率与匹配的邻近频域检测信号频率按空间顺序形成各个原始匹配输入模型,将各个原始匹配输入模型与对应的中心频域检测信号频率的信号频率标准状态组成匹配数据;
将所述匹配数据输入包括第一卷积层、第一降采样层、第二卷积层、第二降采样层、全连接层和输出层的卷积神经网络训练;
直至满足收敛条件,得到对应的模型参数生成目标卷积神经网络。
9.根据权利要求8所述的系统,其特征在于,所述数据分析终端具体用于:
将通过第三预设数目的不同卷积核对原始匹配输入模型的局部接受域进行卷积得到的第一特征数据集合组合生成第一卷积层;
将第一降采样层的特征图中的多个神经元与第一卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第二特征数据集合组合生成第一降采样层;
采用全连接的方式对输入的所述第一特征数据集合进行第四数目的不同卷积核的卷积得到第三特征数据集合组合生成第二卷积层;
将第二降采样层的特征图中的多个神经元与第二卷积层的局部接受域相连,对局部接受域内特征点取最大值得到第四特征数据集合组合生成第二降采样层。
10.根据权利要求8所述的系统,其特征在于,所述数据分析终端具体用于:
获取测试样例石油数据,将所述测试样例石油数据输入所述目标卷积神经网络,得到测试石油分类结果;
将测试石油分类结果与所述测试样例石油数据对应的标准石油分类结果对比计算结果准确率;
如果所述结果准确率低于预设阈值,则获取更新的匹配数据数据,重新训练卷积神经网络生成更新的卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538148.2A CN112579670A (zh) | 2020-12-23 | 2020-12-23 | 一种精细油藏分布的勘察数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538148.2A CN112579670A (zh) | 2020-12-23 | 2020-12-23 | 一种精细油藏分布的勘察数据分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112579670A true CN112579670A (zh) | 2021-03-30 |
Family
ID=75139088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011538148.2A Pending CN112579670A (zh) | 2020-12-23 | 2020-12-23 | 一种精细油藏分布的勘察数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579670A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256814A (zh) * | 2023-03-15 | 2023-06-13 | 东营市睿建石油装备有限公司 | 一种石油地质勘探监测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050043892A1 (en) * | 2003-08-19 | 2005-02-24 | Apex Metalink, Inc. | Systems and methods of hydrocarbon detection using wavelet energy absorption analysis |
CN109919123A (zh) * | 2019-03-19 | 2019-06-21 | 自然资源部第一海洋研究所 | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 |
CN111523713A (zh) * | 2020-04-14 | 2020-08-11 | 中国地质大学(北京) | 一种预测油田中剩余油饱和度分布的方法和装置 |
CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
-
2020
- 2020-12-23 CN CN202011538148.2A patent/CN112579670A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050043892A1 (en) * | 2003-08-19 | 2005-02-24 | Apex Metalink, Inc. | Systems and methods of hydrocarbon detection using wavelet energy absorption analysis |
CN109919123A (zh) * | 2019-03-19 | 2019-06-21 | 自然资源部第一海洋研究所 | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 |
CN111523713A (zh) * | 2020-04-14 | 2020-08-11 | 中国地质大学(北京) | 一种预测油田中剩余油饱和度分布的方法和装置 |
CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
彭文: "利用石油勘探面波信息调查表层结构的方法研究", 《中国优秀硕士学位论文库(基础科学辑)》 * |
李桥 等: "基于主成分分析的PSO-ELM_Adaboost算法耦合模型在极震区泥石流物源动储量计算中的应用", 《科学技术与工程》 * |
郝扬 等: "卷积神经网络在石油勘探开发领域的应用研究", 《信息系统工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256814A (zh) * | 2023-03-15 | 2023-06-13 | 东营市睿建石油装备有限公司 | 一种石油地质勘探监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN112013285B (zh) | 管道泄漏点的检测方法及装置、存储介质、终端 | |
CN115080290B (zh) | 一种基于智能算法的异常数据检测方法及系统 | |
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN114595732A (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN114758230A (zh) | 基于注意力机制的地下目标体分类识别方法 | |
CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
CN108805206A (zh) | 一种用于模拟电路故障分类的改进型lssvm建立方法 | |
CN112579670A (zh) | 一种精细油藏分布的勘察数据分析方法及系统 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
CN116012275A (zh) | 一种随钻电成像数据井下实时处理装置及方法 | |
CN105224941A (zh) | 对象辨识与定位方法 | |
CN113781478A (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
CN115598714B (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
WO2024000764A1 (zh) | 变压器健康状态评估方法、装置、设备及可读存储介质 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN115308705A (zh) | 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN112964938B (zh) | 一种基于人工智能的闪电单站定位方法、装置及系统 | |
CN113720333A (zh) | 一种基于图注意力网络的室内多点协同定位方法 | |
CN111310907A (zh) | 一种微波组件故障诊断方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |