CN112649869A - 基于ga-wnn的储层特征参数预测方法及系统 - Google Patents
基于ga-wnn的储层特征参数预测方法及系统 Download PDFInfo
- Publication number
- CN112649869A CN112649869A CN201910969494.7A CN201910969494A CN112649869A CN 112649869 A CN112649869 A CN 112649869A CN 201910969494 A CN201910969494 A CN 201910969494A CN 112649869 A CN112649869 A CN 112649869A
- Authority
- CN
- China
- Prior art keywords
- wnn
- reservoir characteristic
- correlation
- reservoir
- characteristic parameters
- 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 28
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 230000035772 mutation Effects 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于GA‑WNN的储层特征参数预测方法及系统。该方法可以包括:提取多种地震属性;通过相关分析,计算每一个地震属性与储层特征参数的相关性;根据相关性进行验证分析,确定敏感地震属性;通过GA‑WNN构建储层特征参数与敏感地震属性之间的关系,预测储层特征参数。本发明通过GA‑WNN构建储层特征参数与敏感地震属性的关系获得储层特征的三维展布,提升运算效率,节约计算成本,减小预测误差,在提高算法效率与精度同时获得全局最优解,能够更加有效、准确的预测储层特征参数。
Description
技术领域
本发明涉及油气地球物理勘探领域,更具体地,涉及一种基于GA-WNN的储层特征参数预测方法及系统。
背景技术
地震属性由地震数据经数学变换得到,能有效挖掘隐藏于地下的有用信息。通过构建地震属性与储层特征参数复杂的非线性映射关系可以获得储层特征参数的三维展布。误差反向传播神经网络(BPNN)由于其自学习性、自适应性、容错性、并行性、扩充性、非线性映照等优点,近年来在储层预测中取得了瞩目的成就,然而,在实际应用中仍存在局限性,如收敛速度慢,容易陷入局部极小值。小波分析工具具有良好的变焦特性和时频局部特性,将其与BPNN结合,使得小波神经网络(WNN)在收敛速度、容错能力方面有了较大的改进。WNN的结构和BPNN的结构相似,不同之处在于其在隐含层的激励函数为小波函数,但WNN的权值与阈值以及小波函数参数的选择却是一个难点。
储层特征参数只能通过测井数据获得,在复杂地质情况下,通过井点数据外推插值获取整个工区储层特征参数的三维展布则显的不足。因此,有必要开发一种基于GA-WNN的储层特征参数预测方法及系统。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于GA-WNN的储层特征参数预测方法及系统,其能够通过GA-WNN构建储层特征参数与敏感地震属性的关系获得储层特征的三维展布,提升运算效率,节约计算成本,减小预测误差,在提高算法效率与精度同时获得全局最优解,能够更加有效、准确的预测储层特征参数。
根据本发明的一方面,提出了一种基于GA-WNN的储层特征参数预测方法。所述方法可以包括:提取多种地震属性;通过相关分析,计算每一个地震属性与储层特征参数的相关性;根据所述相关性进行验证分析,确定敏感地震属性;通过GA-WNN构建所述储层特征参数与所述敏感地震属性之间的关系,预测储层特征参数。
优选地,所述GA-WNN包括:步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值;步骤3:针对所述初始种群进行选择、交换与变异,获得优化种群;步骤4:计算优化种群的适应度值;步骤5:返回步骤3,直到所述均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;步骤6:根据最优WNN网络参数,构建所述储层特征参数与所述敏感地震属性之间的关系。
优选地,通过公式(1)计算每一个地震属性与储层特征参数的相关性:
其中,correlation代表相关度,s(t)代表地震属性,w(t)代表储层特征参数。
优选地,所述根据所述相关性进行验证分析,确定敏感地震属性包括:确定计算井的储层特征参数与地震属性的拟合公式;根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为所述敏感地震属性。
优选地,还包括:逐一增加拟合公式中的地震属性。
根据本发明的另一方面,提出了一种基于GA-WNN的储层特征参数预测系统,其特征在于,该系统包括:存储器,存储有计算机可执行指令;处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:提取多种地震属性;通过相关分析,计算每一个地震属性与储层特征参数的相关性;根据所述相关性进行验证分析,确定敏感地震属性;通过GA-WNN构建所述储层特征参数与所述敏感地震属性之间的关系,预测储层特征参数。
优选地,所述GA-WNN包括:步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值;步骤3:针对所述初始种群进行选择、交换与变异,获得优化种群;步骤4:计算优化种群的适应度值;步骤5:返回步骤3,直到所述均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;步骤6:根据最优WNN网络参数,构建所述储层特征参数与所述敏感地震属性之间的关系。
优选地,通过公式(1)计算每一个地震属性与储层特征参数的相关性:
其中,correlation代表相关度,s(t)代表地震属性,w(t)代表储层特征参数。
优选地,所述根据所述相关性进行验证分析,确定敏感地震属性包括:确定计算井的储层特征参数与地震属性的拟合公式;根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为所述敏感地震属性。
优选地,还包括:逐一增加拟合公式中的地震属性。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的基于GA-WNN的储层特征参数预测方法的步骤的流程图。
图2示出了根据本发明的一个实施例的目标井的储层特征参数与实际储层特征参数误差随地震属性个数变化的示意图。
图3示出了根据本发明的一个实施例的BPNN、WNN、GA-WNN的平均误差的示意图。
图4示出了根据本发明的一个实施例的真实孔隙度曲线、采用BPNN、WNN、GA-WNN预测的孔隙度曲线的示意图。
图5a、图5b、图5c分别示出了根据本发明的一个实施例的BPNN、WNN、GA-WNN的误差百分比的示意图。
图6示出了根据本发明的一个实施例的BPNN、WNN、GA-WNN的平均绝对误差随迭代次数的变化示意图。
图7示出了根据本发明的一个实施例的Inline方向的孔隙度体积的剖面的示意图。
图8示出了根据本发明的一个实施例的1065ms时孔隙度体时间切片的示意图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,然而应该理解,可以以各种形式实现本发明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使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
图1示出了根据本发明的基于GA-WNN的储层特征参数预测方法的步骤的流程图。
在该实施例中,根据本发明的基于GA-WNN的储层特征参数预测方法可以包括:步骤101,提取多种地震属性;步骤102,通过相关分析,计算每一个地震属性与储层特征参数的相关性;步骤103,根据相关性进行验证分析,确定敏感地震属性;步骤104,通过GA-WNN构建储层特征参数与敏感地震属性之间的关系,预测储层特征参数。
在一个示例中,GA-WNN包括:步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值;步骤3:针对初始种群进行选择、交换与变异,获得优化种群;步骤4:计算优化种群的适应度值;步骤5:返回步骤3,直到均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;步骤6:根据最优WNN网络参数,构建储层特征参数与敏感地震属性之间的关系。
在一个示例中,通过公式(1)计算每一个地震属性与储层特征参数的相关性:
其中,correlation代表相关度,s(t)代表地震属性,w(t)代表储层特征参数。
在一个示例中,根据相关性进行验证分析,确定敏感地震属性包括:确定计算井的储层特征参数与地震属性的拟合公式;根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为敏感地震属性。
在一个示例中,还包括:逐一增加拟合公式中的地震属性。
具体地,根据本发明的基于GA-WNN的储层特征参数预测方法可以包括:
利用商业软件提取多种地震属性;通过相关分析,通过公式(1)计算每一个地震属性与储层特征参数的相关性;根据相关性进行验证分析,确定计算井的储层特征参数与地震属性的拟合公式;逐一增加拟合公式中的地震属性,根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为敏感地震属性。
验证分析的思路就是随机隐藏一口井,通过其它井储层特征参数与地震属性构建的关系来预测该口井的储层特征参数,求取预测误差,即验证误差,并与所有井都参与运算的预测结果作对比。
在验证分析过程中,参与预测的地震属性个数逐渐增多,全部井参与运算的预测误差逐渐减小,而验证误差存在拐点,选取验证误差最小时所选用的地震属性作为敏感地震属性。
通过GA-WNN构建储层特征参数与敏感地震属性之间的关系,预测储层特征参数:步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值f′=af+b,式中,f、f′分别对应调节前后的适应度值,a,b为调节系数,其值出现负值,则按如下公式进行调整:Δ1=fmax-favg,Δ2=favg-fmin,c=2.0,fmax、fmin、favg分别对应最大适应度值、最小适应度值、平均适应度值;δk=(dk-yk)yk(1-yk),dk为第k个期望输出,yk为第k个实际输出,S为输出单元的个数;步骤3:针对初始种群进行选择、交换与变异,获得优化种群,其中,选择算子为:式中,N为种群数目,fi为适应度值;交叉算子为:式中,fc′为待交换父本中较大的适应度值;变异算子为:式中,fm为变异个体适应度值,k1,k2为变异概率调节因子;步骤4:计算优化种群的适应度值;步骤5:返回步骤3,直到均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;步骤6:根据最优WNN网络参数,构建储层特征参数与敏感地震属性之间的关系。
本方法通过GA-WNN构建储层特征参数与敏感地震属性的关系获得储层特征的三维展布,提升运算效率,节约计算成本,减小预测误差,在提高算法效率与精度同时获得全局最优解,能够更加有效、准确的预测储层特征参数。
应用示例
为便于理解本发明实施例的方案及其效果,以下给出一个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
利用商业软件提取20种地震属性;通过相关分析,通过公式(1)计算每一个地震属性与储层特征参数的相关性,并按照相关度从大到小的顺序进行排名,排名结果如表1所示。
表1
根据相关性,确定计算井的储层特征参数与地震属性的拟合公式;逐一增加拟合公式中的地震属性,根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为敏感地震属性。
图2示出了根据本发明的一个实施例的目标井的储层特征参数与实际储层特征参数误差随地震属性个数变化的示意图。可以看出所有井误差随着属性个数的增加一直减小,而验证误差在属性个数为6时最小,之后属性数目再增加,误差反而增大,故前6个地震属性为敏感地震属性。理论上来讲,增加属性验证误差应该减小,但地震数据中含有噪音,增加属性可能预测了这些“噪音”。因此,在实际应用中要进行验证分析,这样不仅可以提高预测精度,也可以节约后续计算资源。
通过GA-WNN构建储层特征参数与敏感地震属性之间的关系,预测储层特征参数:步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值f′=af+b,式中,f、f′分别对应调节前后的适应度值,a,b为调节系数,其值出现负值,则按如下公式进行调整:Δ1=fmax-favg,Δ2=favg-fmin,c=2.0,fmax、fmin、favg分别对应最大适应度值、最小适应度值、平均适应度值;δk=(dk-yk)yk(1-yk),dk为第k个期望输出,yk为第k个实际输出,S为输出单元的个数;步骤3:针对初始种群进行选择、交换与变异,获得优化种群,其中,选择算子为:式中,N为种群数目,fi为适应度值;交叉算子为:式中,fc′为待交换父本中较大的适应度值;变异算子为:式中,fm为变异个体适应度值,k1,k2为变异概率调节因子;步骤4:计算优化种群的适应度值;步骤5:返回步骤3,直到均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;步骤6:根据最优WNN网络参数,构建储层特征参数与敏感地震属性之间的关系
图3示出了根据本发明的一个实施例的BPNN、WNN、GA-WNN的平均误差的示意图,可见,使用GA-WNN时误差最小。
图4示出了根据本发明的一个实施例的真实孔隙度曲线、采用BPNN、WNN、GA-WNN预测的孔隙度曲线的示意图,预测值与真实值较为接近。
图5a、图5b、图5c分别示出了根据本发明的一个实施例的BPNN、WNN、GA-WNN的误差百分比的示意图。BPNN的预测效果最差,最大误差在孔隙度快速变化处可以达到5%,这说明该方法容易陷入局部极值;WNN的预测效果相对较好,最大误差没有超过3%;GA-WNN的最大误差不超过1.5%,且误差均匀分布,说明该方法可获得全局最优解,避免局部极值。
图6示出了根据本发明的一个实施例的BPNN、WNN、GA-WNN的平均绝对误差随迭代次数的变化示意图。可以看出BPNN具有最慢的收敛速度,GA-WNN具有最快的收敛速度,WNN介于两者之间,当平均绝对误差小于0.1%时,GA-WNN仍然可以以较少的迭代次数达到收敛,但BPNN由于逐渐变慢的收敛速度,很难达到收敛。
利用三种方法进行预测时,预测误差百分比为0.1%的迭代次数与时间具体数值如表2所示,BPNN迭代752次且花费251.4秒达到收敛,WNN迭代381次花费187.6秒达到收敛,GA-WNN仅需要迭代166次花费123.8秒达到收敛,说明GA-WNN具有最佳的收敛速度与运算效率。
表2
将这种非线性关系推广到整个工区,将得到储层空间的三维展布。图7示出了根据本发明的一个实施例的Inline方向的孔隙度体积的剖面的示意图,井位于高孔隙度的地方。图8示出了根据本发明的一个实施例的1065ms时孔隙度体时间切片的示意图,可以看到,高孔隙度河道在工区内的展布,且大部分井(白色圆圈)都分布在河道之上。
综上所述,本发明通过GA-WNN构建储层特征参数与敏感地震属性的关系获得储层特征的三维展布,提升运算效率,节约计算成本,减小预测误差,在提高算法效率与精度同时获得全局最优解,能够更加有效、准确的预测储层特征参数。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
根据本发明的实施例,提供了一种基于GA-WNN的储层特征参数预测系统,其特征在于,该系统包括:存储器,存储有计算机可执行指令;处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:提取多种地震属性;通过相关分析,计算每一个地震属性与储层特征参数的相关性;根据相关性进行验证分析,确定敏感地震属性;通过GA-WNN构建储层特征参数与敏感地震属性之间的关系,预测储层特征参数。
在一个示例中,GA-WNN包括:步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值;步骤3:针对初始种群进行选择、交换与变异,获得优化种群;步骤4:计算优化种群的适应度值;步骤5:返回步骤3,直到均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;步骤6:根据最优WNN网络参数,构建储层特征参数与敏感地震属性之间的关系。
在一个示例中,通过公式(1)计算每一个地震属性与储层特征参数的相关性:
其中,correlation代表相关度,s(t)代表地震属性,w(t)代表储层特征参数。
在一个示例中,根据相关性进行验证分析,确定敏感地震属性包括:确定计算井的储层特征参数与地震属性的拟合公式;根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为敏感地震属性。
在一个示例中,还包括:逐一增加拟合公式中的地震属性。
本系统通过GA-WNN构建储层特征参数与敏感地震属性的关系获得储层特征的三维展布,提升运算效率,节约计算成本,减小预测误差,在提高算法效率与精度同时获得全局最优解,能够更加有效、准确的预测储层特征参数。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种基于GA-WNN的储层特征参数预测方法,其特征在于,包括:
提取多种地震属性;
通过相关分析,计算每一个地震属性与储层特征参数的相关性;
根据所述相关性进行验证分析,确定敏感地震属性;
通过GA-WNN构建所述储层特征参数与所述敏感地震属性之间的关系,预测储层特征参数。
2.根据权利要求1所述的基于GA-WNN的储层特征参数预测方法,其中,所述GA-WNN包括:
步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;
步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值;
步骤3:针对所述初始种群进行选择、交换与变异,获得优化种群;
步骤4:计算优化种群的适应度值;
步骤5:返回步骤3,直到所述均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;
步骤6:根据最优WNN网络参数,构建所述储层特征参数与所述敏感地震属性之间的关系。
4.根据权利要求1所述的基于GA-WNN的储层特征参数预测方法,其中,所述根据所述相关性进行验证分析,确定敏感地震属性包括:
确定计算井的储层特征参数与地震属性的拟合公式;
根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;
将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为所述敏感地震属性。
5.根据权利要求4所述的基于GA-WNN的储层特征参数预测方法,其中,还包括:
逐一增加拟合公式中的地震属性。
6.一种基于GA-WNN的储层特征参数预测系统,其特征在于,该系统包括:
存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:
提取多种地震属性;
通过相关分析,计算每一个地震属性与储层特征参数的相关性;
根据所述相关性进行验证分析,确定敏感地震属性;
通过GA-WNN构建所述储层特征参数与所述敏感地震属性之间的关系,预测储层特征参数。
7.根据权利要求6所述的基于GA-WNN的储层特征参数预测系统,其中,所述GA-WNN包括:
步骤1:通过GA针对WNN的网络参数进行编码,确定初始种群的规模、交叉算子、变异算子与最大迭代次数;
步骤2:计算WNN的均方根误差,进而计算GA算法的适应度值;
步骤3:针对所述初始种群进行选择、交换与变异,获得优化种群;
步骤4:计算优化种群的适应度值;
步骤5:返回步骤3,直到所述均方根误差小于设定阈值或迭代次数达到最大迭代次数,获得最优WNN网络参数;
步骤6:根据最优WNN网络参数,构建所述储层特征参数与所述敏感地震属性之间的关系。
9.根据权利要求6所述的基于GA-WNN的储层特征参数预测系统,其中,所述根据所述相关性进行验证分析,确定敏感地震属性包括:
确定计算井的储层特征参数与地震属性的拟合公式;
根据拟合公式与目标井的地震属性,计算目标井的储层特征参数;
将使目标井的储层特征参数与实际储层特征参数误差最小时对应的地震属性,设定为所述敏感地震属性。
10.根据权利要求9所述的基于GA-WNN的储层特征参数预测系统,其中,还包括:
逐一增加拟合公式中的地震属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969494.7A CN112649869A (zh) | 2019-10-12 | 2019-10-12 | 基于ga-wnn的储层特征参数预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969494.7A CN112649869A (zh) | 2019-10-12 | 2019-10-12 | 基于ga-wnn的储层特征参数预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112649869A true CN112649869A (zh) | 2021-04-13 |
Family
ID=75343032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910969494.7A Pending CN112649869A (zh) | 2019-10-12 | 2019-10-12 | 基于ga-wnn的储层特征参数预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112649869A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625340A (zh) * | 2021-08-02 | 2021-11-09 | 中海石油(中国)有限公司 | 一种基于属性敏感度选择储层敏感地震属性组合的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN106353811A (zh) * | 2016-08-12 | 2017-01-25 | 北京天工新源科技有限公司 | 一种基于井资料属性优选的多属性融合储层流体识别方法 |
CN107894615A (zh) * | 2017-11-13 | 2018-04-10 | 中国石油化工股份有限公司华北油气分公司勘探开发研究院 | 一种定量化评价三维地震属性预测储层参数有效性的方法 |
CN108957535A (zh) * | 2018-06-12 | 2018-12-07 | 中国石油天然气股份有限公司 | 油藏地震储层的预测方法及装置 |
-
2019
- 2019-10-12 CN CN201910969494.7A patent/CN112649869A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN106353811A (zh) * | 2016-08-12 | 2017-01-25 | 北京天工新源科技有限公司 | 一种基于井资料属性优选的多属性融合储层流体识别方法 |
CN107894615A (zh) * | 2017-11-13 | 2018-04-10 | 中国石油化工股份有限公司华北油气分公司勘探开发研究院 | 一种定量化评价三维地震属性预测储层参数有效性的方法 |
CN108957535A (zh) * | 2018-06-12 | 2018-12-07 | 中国石油天然气股份有限公司 | 油藏地震储层的预测方法及装置 |
Non-Patent Citations (4)
Title |
---|
HAN ZHONG ET AL.: "An effective method to predict porosity using GA-WNN hybrid algorithm", 《2017 CGS/SEG INTERNATIONAL GEOPHYSICAL CONFERENCE》 * |
宫健等: "基于地震属性的储层预测方法—以永安地区永3区块沙河街组二段为例", 《海洋地质与第四纪地质》 * |
张翊孟等: "地震资料品质定量分析和采集参数优选", 《石油地球物理勘探》 * |
田水承等: "《安全管理研究与实践新进展》", 30 June 2010, 中国矿业大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625340A (zh) * | 2021-08-02 | 2021-11-09 | 中海石油(中国)有限公司 | 一种基于属性敏感度选择储层敏感地震属性组合的方法 |
CN113625340B (zh) * | 2021-08-02 | 2023-09-19 | 中海石油(中国)有限公司 | 一种基于属性敏感度选择储层敏感地震属性组合的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Biswas et al. | 2D full-waveform inversion and uncertainty estimation using the reversible jump Hamiltonian Monte Carlo | |
US9146903B2 (en) | Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data | |
WO2008083004A9 (en) | History matching and forecasting of hydrocarbon-bearing reservoirs utilizing proxies for likelihood functions | |
WO2019023030A1 (en) | DIMENSIONALITY REDUCTION IN BAYESIAN OPTIMIZATION USING SELF-STACKED CODERS | |
CN108318921B (zh) | 一种基于横向约束的快速地震随机反演方法 | |
JPWO2019146189A1 (ja) | ニューラルネットワークのランク最適化装置および最適化方法 | |
CN114072809A (zh) | 经由神经架构搜索的小且快速的视频处理网络 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
US11513255B2 (en) | Method of characterising a subsurface volume | |
Schöbi et al. | PC-Kriging: a new metamodelling method combining Polynomial Chaos Expansions and Kriging | |
KR101677159B1 (ko) | 다중칼만게인과 동적자료선별을 통한 앙상블기반 저류층특성화 방법 | |
CN112649869A (zh) | 基于ga-wnn的储层特征参数预测方法及系统 | |
EP2956804B1 (en) | Method of modelling a subsurface volume | |
NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
CN105095960A (zh) | 一种梯度粒子群混合优化方法 | |
Lim et al. | Evolutionary optimization with dynamic fidelity computational models | |
US20200308934A1 (en) | Automatic calibration of forward depositional models | |
Li et al. | Reservoir property prediction using the dynamic radial basis function network | |
US20230229895A1 (en) | Automatic Selection of Quantization and Filter Pruning Optimization Under Energy Constraints | |
CN115659773A (zh) | 基于深度网络的全波形反演加速方法及相关装置 | |
Gaudrie | High-Dimensional Bayesian Multi-Objective Optimization | |
Laskey | Sensitivity analysis for probability assessments in Bayesian networks | |
KR102705537B1 (ko) | 합성곱 신경망과 강건 최적화를 이용한 유정 위치 결정 방법 및 장치 |
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: 20210413 |