CN112712025A - 一种基于长短期记忆神经网络的复杂岩性识别方法 - Google Patents
一种基于长短期记忆神经网络的复杂岩性识别方法 Download PDFInfo
- Publication number
- CN112712025A CN112712025A CN202011607819.6A CN202011607819A CN112712025A CN 112712025 A CN112712025 A CN 112712025A CN 202011607819 A CN202011607819 A CN 202011607819A CN 112712025 A CN112712025 A CN 112712025A
- Authority
- CN
- China
- Prior art keywords
- neural network
- lithology
- data
- long
- short
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 230000007787 long-term memory Effects 0.000 title claims abstract description 21
- 230000006403 short-term memory Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 235000019738 Limestone Nutrition 0.000 claims description 12
- 239000006028 limestone Substances 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 239000011435 rock Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 239000013505 freshwater Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及的是一种基于长短期记忆神经网络的复杂岩性识别方法,它包括:对某一口井的测井曲线进行预处理;利用岩心分析数据,结合所述测井曲线形态对岩性进行初步的标定;对数据进行预处理,标定后的测井数据作为训练数据,未标定岩性深度段的测井数据作为应用数据;将训练数据按照7:3的比例划分为训练集和测试集;搭建长短期记忆神经网络模型;训练长短期记忆神经网络模型并保存;将应用数据作为输入参数传入保存好的长短期记忆神经网络,用softmax函数将全连接神经网络输出的概率结果处理为one‑hot编码形式,最终将one‑hot编码转换为岩性,得到预测岩性。本发明在复杂岩性地层的岩性精细解释中能够发挥很好的作用。
Description
技术领域
本发明涉及的是复杂岩性地层的测井识别方法,具体涉及一种基于长短期记忆神经网络的复杂岩性识别方法。
背景技术
岩性的准确识别对于后续寻找有利储层具有重大意义。岩石物理实验技术无疑是获得地层岩性最为准确的方法,但实验周期长,成本费用高,且不具备连续性。因此国内外在岩性识别中常采用测井数据,利用交汇图技术进行地层的岩性识别。但交汇图技术需要人为筛选敏感测井曲线,筛选后的敏感测井曲线需要两两交汇,工作量大,且交汇图技术仅仅能够利用二维数据表达岩性与测井曲线间的线性关系,当地层岩性复杂时,交汇图技术执行起来困难,难以实现高精度识别地层岩性。
随着人类迈入大数据的时代,机器学习、深度学习应运而生。BP神经网络、卷积神经网络,深度神经网络,均应用在复杂岩性识别中,但BP神经网络的结构简单,难以实现复杂岩性与测井数据之间的复杂非线性关系,具有收敛速度慢,易陷入局部极小点导致“过拟合”等缺点;一般的循环网络的网络层数多,深度大,在误差反向传递时容易出现梯度弥散或梯度爆炸的情况从而导致神经网络的泛化性能、鲁棒性差;卷积神经网络虽然能够达到极高的精度,但由于卷积神经网络的本质作用在于图像识别,利用测井数据传入卷积神经网络前必须将测井数据模拟为大小为6*6或8*8的像素点,然而测井数据的采样间隔一般为0.125m,这就导致了训练好的卷积神经网络在应用时,岩性识别的分辨率变为0.75m(6*0.125m)或1m(8*0.125m),这样的分辨率无法应用到实际问题中。
发明内容
本发明的目的是提供一种基于长短期记忆神经网络的复杂岩性识别方法,这种基于长短期记忆神经网络的复杂岩性识别方法用来解决一般循环神经网络应用在复杂岩性识别中存在泛化性能、鲁棒性差的问题。
本发明解决其技术问题所采用的技术方案是:这种基于长短期记忆神经网络的复杂岩性识别方法包括以下步骤:
步骤1:对某一口井的测井曲线进行预处理,预处理包括曲线校深、井眼校正;
步骤2:利用岩心分析数据,结合所述测井曲线形态对该井的岩性进行初步的标定,岩心分析数据包括录井、钻井取芯、井壁取芯、岩石薄片分析;
步骤3:对数据进行预处理,包括:测井数据的归一化,岩性数据转为one-hot编码形式,训练数据打乱顺序;步骤2中标定后的岩性数据及其对应深度点归一化后的测井数据作为训练数据,未标定岩性深度段的测井数据作为应用数据;
步骤4:将训练数据按照7:3的比例划分为训练集和测试集;
步骤5:搭建长短期记忆神经网络模型,模型的输入变量为:伽马、浅侧向电阻率、深侧向电阻率、中子、密度、声波时差测井曲线值,以及视石灰岩刻度的中子-密度孔隙度幅度差,输出变量为one-hot编码形式的岩性;使用LSTM-cell作为循环神经网络的cell;LSTM-cell的神经元个数选择64个;循环神经网络无初始状态;将循环神经网络最后一步结果传入一层全连接神经网络,利用softmax函数计算多分类的输出值并转换为范围在[0,1],总和为1的概率分布;利用交叉熵损失函数描述模型预测值与真实值的差距大小,即误差;利用Adam算法优化长短期记忆神经网络,学习效率为0.001;
用视石灰岩刻度的密度与中子孔隙度重叠识别地层岩性,对于淡水纯岩石,视石灰岩密度孔隙和视石灰岩中子孔隙度为:
中子-密度孔隙度幅度差计算公式为:
Softmax函数计算公式:
其中,i为输出节点的编号;zi为第i个节点的输出值;C为输出节点的个数,即分类的类别个数;c为分类的类别编号;
交叉熵损失函数计算公式:
步骤6:对长短期记忆神经网络模型的全局变量和局部变量初始化;
步骤7:传入训练集用于训练长短期记忆神经网络,传入测试集用于测试长短期记忆神经网络的泛化能力,利用误差反向传播算法将交叉熵损失函数计算训练集的误差反向传播调整长短期记忆神经网络各个节点连接权和阈值,每训练100次,利用交叉熵损失函数计算训练集和测试集的误差,利用准确度计算公式计算长短期记忆神经网络预测岩性的准确度,得到误差曲线和准确度曲线,直到训练集和测试集的误差曲线以及准确度曲线收敛,则停止训练,保存长短期记忆神经网络;
准确度计算公式
式中,labelsc为每个类别的实际值的数量,predictionsc为每个类别预测值的数量;
步骤8:将应用数据作为输入参数传入保存好的长短期记忆神经网络,用softmax函数将全连接神经网络输出的概率结果处理为one-hot编码形式,最终将one-hot编码转换为岩性,得到预测岩性。
本发明具有以下有益效果:
1、本发明运用伽马、浅侧向、深侧向、中子、密度、声波时差测井曲线,以及中子密度幅度差,能够综合地层声学、电学、放射性等性质,多维度的表达地层岩性与测井数据间的复杂非线性关系,训练好的长短期记忆神经网应用到测试集的准确率高达96.77%。
2、本发明采用的长短期记忆网络,有能力删除或增加神经元状态中的信息,可以解决一般循环神经网络中梯度弥散或梯度爆炸所导致的网络性能的不稳定。
3、本发明在实际应用中分辨率高,为0.125m,与测井曲线的分辨率一致,在复杂岩性地层的岩性精细解释中能够发挥很好的作用。
附图说明
图1为本发明的整体流程框图。
图2为本发明岩性数据转为one-hot编码结构示意图。
图3为本发明长短期记忆神经网络结构示意图。
图4为本发明准确度和误差曲线图。
图5为本发明测试集实际岩性与预测岩性对比直方图。
图6为本发明测井解释成果图。
具体实施方式
下面结合附图对本发明作进一步的说明:
这种基于长短期记忆神经网络的复杂岩性识别方法包括以下步骤:
步骤1:对某一口井的测井曲线进行预处理,预处理包括曲线校深、井眼校正;
步骤2:利用录井、钻井取芯、井壁取芯、岩石薄片分析等岩心分析数据,结合测井曲线形态对岩性进行初步的标定;
表1训练数据提取个数
岩性测井相应特征范围
步骤3:对数据进行预处理,包括:测井数据的归一化,岩性数据转为one-hot编码形式,训练数据打乱顺序;
步骤2中标定后的岩性数据及其对应深度点归一化后的测井数据作为训练数据,未标定岩性深度段的测井数据作为应用数据。
归一化公式:
式中,x*为归一化后的样本数据;x为归一化前的样本数据;xmax为样本数据的最大值;xmin为样本数据的最小值。
归一化后的训练数据
由于模型无法识别以字符串形式存在的岩性数据,因此需将岩性转为one-hot编码。
one-hot编码,又称一位有效编码,只有一位是有效的,有效的数字为1,其余位都是0,one-hot编码虽然增加了数据的存储容量,但其二进制向量的表示形式,更便于计算机读取,增加神经网络的处理速度,转换示意图见图2;
one-hot编码数据形式
步骤4:将训练数据按照7:3的比例划分为训练集和测试集;
步骤5:搭建模型,模型的输入变量为:伽马(GR)、浅侧向电阻率(RLLS)、深侧向电阻率(RLLD)、中子(CNL)、密度(DEN)、声波时差(AC)测井曲线值,以及视石灰岩刻度的中子-密度孔隙度幅度差(PDNC),输出变量为one-hot编码形式的岩性;使用LSTM-cell作为循环神经网络的cell;LSTM-cell的神经元个数选择64个;循环神经网络无初始状态;将循环神经网络最后一步结果传入一层全连接神经网络,利用softmax函数计算多分类的输出值并转换为范围在[0,1],总和为1的概率分布;利用交叉熵损失函数描述模型预测值与真实值的差距大小,即误差;利用Adam算法优化长短期记忆神经网络,学习效率为0.001。;
本发明的长短期记忆神经网络结构示意图如图3所示。
用视石灰岩刻度的密度与中子孔隙度重叠可以识别地层岩性,对于淡水纯岩石,视石灰岩密度孔隙和视石灰岩中子孔隙度为:
中子-密度孔隙度幅度差计算公式为:
Softmax函数计算公式
其中,i为输出节点的编号;zi为第i个节点的输出值;C为输出节点的个数,即分类的类别个数;c为分类的类别编号。
交叉熵损失函数计算公式
步骤6:对模型的全局变量和局部变量初始化
步骤7:传入训练集用于训练长短期记忆神经网络,传入测试集用于测试神经网络的泛化能力,利用误差反向传播算法将交叉熵损失函数计算训练集的误差反向传播调整神经网络各个节点连接权和阈值,每训练100次,利用交叉熵损失函数计算训练集和测试集的误差,利用准确度计算公式计算神经网络预测岩性的准确度,得到误差曲线和准确度曲线,直到训练集和测试集的误差曲线以及准确度曲线收敛,则停止训练,保存神经网络。误差和准确度曲线见图4,测试集实际岩性与预测岩性直方图数量直方图见图5;
准确度计算公式
式中,labelsc为每个类别的实际值的数量,predictionsc为每个类别预测值的数量。
步骤8:将应用数据作为输入参数传入保存好的长短期记忆神经网络,用softmax函数将全连接神经网络输出的概率结果处理为one-hot编码形式,最终将one-hot编码转换为岩性,得到预测岩性,岩性测井解释成果图如图6所示。
以上所述实施例仅为表达本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干变形、同等替换、改进等,这些都属于本发明的保护范围。
Claims (1)
1.一种基于长短期记忆神经网络的复杂岩性识别方法,其特征在于包括以下步骤:
步骤1:对某一口井的测井曲线进行预处理,预处理包括曲线校深、井眼校正;
步骤2:利用岩心分析数据,结合所述测井曲线形态对该井的岩性进行初步的标定,岩心分析数据包括录井、钻井取芯、井壁取芯、岩石薄片分析;
步骤3:对数据进行预处理,包括:测井数据的归一化,岩性数据转为one-hot编码形式,训练数据打乱顺序;步骤2中标定后的岩性数据及其对应深度点归一化后的测井数据作为训练数据,未标定岩性深度段的测井数据作为应用数据;
步骤4:将训练数据按照7∶3的比例划分为训练集和测试集;
步骤5:搭建长短期记忆神经网络模型,模型的输入变量为:伽马、浅侧向电阻率、深侧向电阻率、中子、密度、声波时差测井曲线值,以及视石灰岩刻度的中子-密度孔隙度幅度差,输出变量为one-hot编码形式的岩性;使用LSTM-cell作为循环神经网络的cell;LSTM-cell的神经元个数选择64个;循环神经网络无初始状态;将循环神经网络最后一步结果传入一层全连接神经网络,利用softmax函数计算多分类的输出值并转换为范围在[0,1],总和为1的概率分布;利用交叉熵损失函数描述模型预测值与真实值的差距大小,即误差;利用Adam算法优化长短期记忆神经网络,学习效率为0.001;
用视石灰岩刻度的密度与中子孔隙度重叠识别地层岩性,对于淡水纯岩石,视石灰岩密度孔隙和视石灰岩中子孔隙度为:
中子-密度孔隙度幅度差计算公式为:
Softmax函数计算公式:
其中,i为输出节点的编号;zi为第i个节点的输出值;C为输出节点的个数,即分类的类别个数;c为分类的类别编号;
交叉熵损失函数计算公式:
步骤6:对长短期记忆神经网络模型的全局变量和局部变量初始化;
步骤7:传入训练集用于训练长短期记忆神经网络,传入测试集用于测试长短期记忆神经网络的泛化能力,利用误差反向传播算法将交叉熵损失函数计算训练集的误差反向传播调整长短期记忆神经网络各个节点连接权和阈值,每训练100次,利用交叉熵损失函数计算训练集和测试集的误差,利用准确度计算公式计算长短期记忆神经网络预测岩性的准确度,得到误差曲线和准确度曲线,直到训练集和测试集的误差曲线以及准确度曲线收敛,则停止训练,保存长短期记忆神经网络;
准确度计算公式
式中,labelsc为每个类别的实际值的数量,predictionsc为每个类别预测值的数量;
步骤8:将应用数据作为输入参数传入保存好的长短期记忆神经网络,用softmax函数将全连接神经网络输出的概率结果处理为one-hot编码形式,最终将one-hot编码转换为岩性,得到预测岩性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607819.6A CN112712025A (zh) | 2020-12-29 | 2020-12-29 | 一种基于长短期记忆神经网络的复杂岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607819.6A CN112712025A (zh) | 2020-12-29 | 2020-12-29 | 一种基于长短期记忆神经网络的复杂岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712025A true CN112712025A (zh) | 2021-04-27 |
Family
ID=75547183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011607819.6A Pending CN112712025A (zh) | 2020-12-29 | 2020-12-29 | 一种基于长短期记忆神经网络的复杂岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712025A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610945A (zh) * | 2021-08-10 | 2021-11-05 | 西南石油大学 | 一种基于混合神经网络的地应力曲线预测方法 |
CN113671594A (zh) * | 2021-06-21 | 2021-11-19 | 成都理工大学 | 基于bp神经网络的碳酸盐岩高频层序自动化识别方法 |
CN113756786A (zh) * | 2021-09-01 | 2021-12-07 | 中国石油大学(北京) | 一种基于深度学习的抽油机井时序示功图预测方法 |
CN114896468A (zh) * | 2022-04-24 | 2022-08-12 | 北京月新时代科技股份有限公司 | 基于神经网络的文件类型匹配方法和数据智能录入方法 |
CN115410084A (zh) * | 2022-08-26 | 2022-11-29 | 中国矿业大学(北京) | 基于大数据分析的岩石物性-力学参数研究方法及系统 |
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
WO2024040801A1 (zh) * | 2022-08-26 | 2024-02-29 | 中国石油天然气股份有限公司 | 横波时差预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104213899A (zh) * | 2013-06-04 | 2014-12-17 | 中国石油化工股份有限公司 | 一种地层岩石骨架的测井识别方法 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN111626377A (zh) * | 2020-06-10 | 2020-09-04 | 中国石油大学(北京) | 一种岩相识别方法、装置、设备及存储介质 |
CN111753958A (zh) * | 2020-06-22 | 2020-10-09 | 成都理工大学 | 基于测井数据深度学习的灯影组微生物岩微相识别方法 |
CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
-
2020
- 2020-12-29 CN CN202011607819.6A patent/CN112712025A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104213899A (zh) * | 2013-06-04 | 2014-12-17 | 中国石油化工股份有限公司 | 一种地层岩石骨架的测井识别方法 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN111783825A (zh) * | 2020-05-26 | 2020-10-16 | 中国石油天然气集团有限公司 | 一种基于卷积神经网络学习的测井岩性识别方法 |
CN111626377A (zh) * | 2020-06-10 | 2020-09-04 | 中国石油大学(北京) | 一种岩相识别方法、装置、设备及存储介质 |
CN111753958A (zh) * | 2020-06-22 | 2020-10-09 | 成都理工大学 | 基于测井数据深度学习的灯影组微生物岩微相识别方法 |
Non-Patent Citations (4)
Title |
---|
SUIHONG SONG等: "Geologist-level wireline log shape identification with recurrent neural networks", 《COMPUTERS & GEOSCIENCES》 * |
武中原等: "基于LSTM循环神经网络的岩性识别方法", 《岩性油气藏》 * |
申波等: "准噶尔盆地乌尔禾地区夏子街组砂砾岩储层流体性质识别研究", 《石油天然气学报》 * |
郭小波等: "马朗凹陷芦草沟组致密储集层复杂岩性识别", 《新疆石油地质》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671594A (zh) * | 2021-06-21 | 2021-11-19 | 成都理工大学 | 基于bp神经网络的碳酸盐岩高频层序自动化识别方法 |
CN113671594B (zh) * | 2021-06-21 | 2023-06-20 | 成都理工大学 | 基于bp神经网络的碳酸盐岩高频层序自动化识别方法 |
CN113610945A (zh) * | 2021-08-10 | 2021-11-05 | 西南石油大学 | 一种基于混合神经网络的地应力曲线预测方法 |
CN113610945B (zh) * | 2021-08-10 | 2023-05-26 | 西南石油大学 | 一种基于混合神经网络的地应力曲线预测方法 |
CN113756786A (zh) * | 2021-09-01 | 2021-12-07 | 中国石油大学(北京) | 一种基于深度学习的抽油机井时序示功图预测方法 |
CN114896468A (zh) * | 2022-04-24 | 2022-08-12 | 北京月新时代科技股份有限公司 | 基于神经网络的文件类型匹配方法和数据智能录入方法 |
CN114896468B (zh) * | 2022-04-24 | 2024-02-02 | 北京月新时代科技股份有限公司 | 基于神经网络的文件类型匹配方法和数据智能录入方法 |
CN115410084A (zh) * | 2022-08-26 | 2022-11-29 | 中国矿业大学(北京) | 基于大数据分析的岩石物性-力学参数研究方法及系统 |
WO2024040801A1 (zh) * | 2022-08-26 | 2024-02-29 | 中国石油天然气股份有限公司 | 横波时差预测方法及装置 |
CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
CN117272841B (zh) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712025A (zh) | 一种基于长短期记忆神经网络的复杂岩性识别方法 | |
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
Jiang et al. | Lithology identification from well-log curves via neural networks with additional geologic constraint | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN112761628B (zh) | 基于长短期记忆神经网络的页岩气产量确定方法、装置 | |
CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
CN114492521A (zh) | 一种基于声振信号的随钻岩性智能识别方法与系统 | |
CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
CN115809601A (zh) | 一种沉积岩构造背景判别方法 | |
Chang et al. | SegLog: Geophysical logging segmentation network for lithofacies identification | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
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 | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
Wang et al. | Spatiotemporal synergistic ensemble deep learning method and its application to S-wave velocity prediction | |
CN114896468B (zh) | 基于神经网络的文件类型匹配方法和数据智能录入方法 | |
CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
CN115936234A (zh) | 一种基于深度学习的薄储层空间分布预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210427 |
|
WD01 | Invention patent application deemed withdrawn after publication |