CN112862169A - 预测陆相泥页岩游离油含量的方法及装置 - Google Patents
预测陆相泥页岩游离油含量的方法及装置 Download PDFInfo
- Publication number
- CN112862169A CN112862169A CN202110117669.9A CN202110117669A CN112862169A CN 112862169 A CN112862169 A CN 112862169A CN 202110117669 A CN202110117669 A CN 202110117669A CN 112862169 A CN112862169 A CN 112862169A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- oil content
- training
- samples
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 208000035126 Facies Diseases 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 11
- 239000003921 oil Substances 0.000 description 140
- 239000010410 layer Substances 0.000 description 43
- 238000013461 design Methods 0.000 description 18
- 230000015572 biosynthetic process Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 12
- 239000003079 shale oil Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 239000005416 organic matter Substances 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000004215 Carbon black (E152) Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000000706 filtrate Substances 0.000 description 4
- 239000008398 formation water Substances 0.000 description 4
- 229930195733 hydrocarbon Natural products 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000002734 clay mineral Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000004005 microsphere Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种预测陆相泥页岩游离油含量的方法及装置,该方法包括:获取至少一种类型的测井曲线,将至少一种测井曲线作为预测模型的输入,以获得准确预测模型输出预测含油量。其中,预测模型根据多组样本和测井曲线对神经网络进行多次训练得到,该预测模型主要用于预测陆相泥页岩游离油含量。通过利用预测模型对测井曲线进行处理,从而预测得到对应的含油量。其中,通过使用经多组样本数据训练得到的预测模型进行含油量预测,可以有效提升含油量预测结果的准确率。
Description
技术领域
本申请实施例涉及计算机领域,尤其涉及一种预测陆相泥页岩游离油含量的方法及装置。
背景技术
陆相页岩油是未来石油资源、储量、产量实现大规模增长的优势领域。页岩层系含油量分析和预测对于页岩油的成功勘探起着至关重要的作用。目前,在预测陆相泥页岩游离油含量的现有技术中,通常建立页岩层测井评价体积模型,根据岩心相关资料以及地质约束条件,计算得到含油量参数的测井解释模型,再经过一系列的数
据处理就能够获得页岩层的含油量。
然而,这种通过搭建页岩层模型的纯实验方法实现的复杂度较高,而且并不能完全模拟页岩层中真实的有机构成,导致确定的含油量的准确率较低。
发明内容
本申请实施例提供一种预测陆相泥页岩游离油含量的方法及装置,以提高预测含油量的准确率。
第一方面,本申请实施例提供一种预测陆相泥页岩游离油含量的方法,包括:获取至少一种测井曲线;
将所述至少一种测井曲线作为预测模型的输入,利用所述预测模型输出预测含油量,其中,所述预测模型为用于预测含油量的模型;
其中,所述预测模型是对多组样本进行神经网络学习得到的,每组样本包括样本测井曲线和样本含油量。
在一种可能的设计中,将所述至少一种测井曲线作为预测模型的输入,以使得所述预测模型输出预测含油量,包括:
将所述至少一种测井曲线作为预测模型的输入,以使得所述预测模型确定各所述测井曲线的重要性参数;
通过所述预测模型根据各所述测井曲线的重要性参数,确定各所述测井曲线的权重;
通过所述预测模型根据各所述测井曲线的权重,对各所述测井曲线进行处理,输出所述预测含油量。
在一种可能的设计中,所述重要性参数和所述权重成正比。
在一种可能的设计中,所述方法还包括:
构建所述预测模型;
根据所述多组样本对所述预测模型进行训练,以得到训练后的所述预测模型。
在一种可能的设计中,所述根据所述多组样本对所述预测模型进行训练,以得到训练后的所述预测模型,包括:
将所述多组样本划分为训练样本、检验样本和坚持样本;
根据所述训练样本对所述预测模型进行第一训练处理,得到第一训练处理后的预测模型;
根据所述检验样本和所述坚持样本对所述第一训练处理后的预测模型进行第二训练处理,以使得所述预测模型输出的准确率满足预设准确率。
在一种可能的设计中,所述根据所述训练样本对所述预测模型进行第一训练处理,得到第一训练处理后的预测模型,包括:
通过所述预测模型对所述训练样本中的样本测井曲线进行处理,得到每个训练样本对应的预测含油量;
根据每个训练样本对应的预测含油量和样本含油量对所述预测模型的模型参数进行调整处理;
重复执行上述两个步骤,直至所述预测模型满足收敛条件时,得到所述第一训练处理后的预测模型。
第二方面,本申请实施例提供一种预测陆相泥页岩游离油含量的装置,包括:
获取模块,用于获取至少一种测井曲线;
处理模块,用于将所述至少一种测井曲线作为预测模型的输入,利用所述预测模型输出预测含油量,其中,所述预测模型为用于预测含油量的模型;
其中,所述预测模型是对多组样本进行神经网络学习得到的,每组样本包括样本测井曲线和样本含油量。
在一种可能的设计中,所述处理模块具体用于:
将所述至少一种测井曲线作为预测模型的输入,以使得所述预测模型确定各所述测井曲线的重要性参数;
通过所述预测模型根据各所述测井曲线的重要性参数,确定各所述测井曲线的权重;
通过所述预测模型根据各所述测井曲线的权重,对各所述测井曲线进行处理,输出所述预测含油量。
在一种可能的设计中,所述重要性参数和所述权重成正比。
在一种可能的设计中,所述处理模块还用于包括:
构建所述预测模型;
根据所述多组样本对所述预测模型进行训练,以得到训练后的所述预测模型。
在一种可能的设计中,所述处理模块用于:
将所述多组样本划分为训练样本、检验样本和坚持样本;
根据所述训练样本对所述预测模型进行第一训练处理,得到第一训练处理后的预测模型;
根据所述检验样本和所述坚持样本对所述第一训练处理后的预测模型进行第二训练处理,以使得所述预测模型输出的准确率满足预设准确率。
在一种可能的设计中,所述处理模块用于:
通过所述预测模型对所述训练样本中的样本测井曲线进行处理,得到每个训练样本对应的预测含油量;
根据每个训练样本对应的预测含油量和样本含油量对所述预测模型的模型参数进行调整处理;
重复执行上述两个步骤,直至所述预测模型满足收敛条件时,得到所述第一训练处理后的预测模型。
第三方面,本申请实施例提供一种预测陆相泥页岩游离油含量的设备,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
本申请实施例提供一种预测陆相泥页岩游离油含量的方法及装置,该方法包括:获取至少一种测井曲线,将至少一种测井曲线作为预测模型的输入,以使得预测模型输出预测含油量。其中,预测模型是根据多组样本和测井曲线对神经网络进行多次训练得到的,该预测模型主要用于预测陆相泥页岩游离油含量。通过利用预测模型对测井曲线进行处理,从而得到对应的含油量。其中,通过使用经数据训练得到的预测模型进行含油量预测,可以有效提升含油量预测结果的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的多层感知器MLP的神经网络模型;
图2为本申请实施例提供的预测陆相泥页岩游离油含量的方法的流程图一;
图3为本申请实施例提供的预测陆相泥页岩游离油含量的方法的流程图二;
图4为本申请实施例提供的多种测井曲线及其对应的重要性参数表;
图5为本申请实施例提供的预测陆相泥页岩游离油含量的方法的MLP神经网络结构的示意图;
图6为本申请实施例提供的基于MLP进行预测的模型训练的流程示意图;
图7为本申请实施例提供的多组样本的划分表;
图8为本申请实施例提供的预测陆相泥页岩游离油含量的装置的结构示意图;
图9为本申请实施例提供的预测陆相泥页岩游离油含量的设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先,对本申请所涉及的内容进行介绍:陆相泥页岩中页岩油是未来石油资源、储量、产量实现大规模智能增长的优势领域,是老油田增储上产、二次创业的重要支撑和发展方向。当前的页岩油正成为全球油气资源勘探开发的新亮点,泥页岩中页岩油的含油量是非常规油气资源评价的关键型指标之一,直接关系到油气资源的勘探潜力的评价。其中,含油量可以包括总有机碳含量(Total Organic Carbon,TOC)及游离油含量。
页岩油属于自生自储式的油气资源,常规测井评价砂岩含油性的常规解释原理不适用于预测泥页岩中页岩油的含油量。
常规的测井响应对泥页岩地层中不同的骨架和流体成分反应敏感程度不同,如有机质形成高声波、高电阻、高伽马、低密度等测井响应,而粘土矿物则会造成低电阻、高声波、高伽马、高中子,并且随着粘土矿物类型的变化相应的测井信号也会发生变化;硅质、钙质造成高电阻、高密度、低伽马、低声波、低中子等特征;正因为这些差异,使得常规测井资料识别评价有机质的含量成为可能。其中,有机质包括泥页岩的页岩油的含量。
对于由于不同原因引起的测井响应,均可使用一种测井曲线来解释该原因对于地质参数的影响。测井技术是应用地球物理方法(包括重、磁、电、震、核、测井)之一,利用岩层的电学特性、导电特性、声学特性、放射性等地球物理特性,测量地球物理参数方法。测井方法众多,电、声、放射性是三种基本方法。各种测井方法基本上是间接地、有条件地反映岩层地质特性的某一侧面。要全面认识地下地质面貌、发现和评价油气层,需要综合使用多种测井方法,并重视钻井、录井第一性资料。而测井曲线实际上是不同的测井方法,在不同地质条件下,不同地层环境中地球物理化学等信息的数据记录的一种方式。
测井可以简单的分为以发现和评价油气层的储集性质及生产能力的裸眼井测井、以监视和分析油气层的开发动态及生产状况为目的的套管测井。
测井的作用十分广泛。测井是地质家和油藏管理者的“眼睛”,在油气勘探和开发中用于地层评价,判断岩性、划分储层、确定储层参数、判断地层流体性质、进行地层对比、研究地层、构造、断层和沉积相、研究油水变化规律、为储量计算和油田开发提供参数、为钻井工程和采油工程提供参数(如随钻测井和工程测井、地层测试)等。
常见的测井曲线包括但不限于微球聚焦测井曲线、深侧向测井曲线、声波时差测井曲线、密度测井曲线、井径测井曲线、补偿中子测井曲线、自然伽马测井曲线、自然电位测井曲线。
事实上,近年来关于通过常规测井曲线确定有机质丰度的方法有相关的研究,如国外上世纪90年代初Passey等人就建立了ΔlogR评价TOC的模型,即TOC=ΔlogR×10(2.297-0.1688LOM);其他学者对其模型进行了改进,实现了对陆相快速相比盆地的应用,并取得了良好的应用效果。TOC是烃源岩评价的重要指标,在评估泥页岩层系的相对含油性时可以利用绝对含油量与有机质丰度的关系。现有技术中根据绝对含油量和有机质丰度的相关性特点,按富集程度对页岩油资源进行分类评价。
基于上述内容的介绍,可以确定的是,可以通过常规的测井资料对有机质的含量进行识别评价,即可以通过常规的测井资料对泥页岩的含油量进行预测。但是,对于页岩油的关键性参数例如为泥页岩的含油量,由于无法在众多的测井曲线中选择出合适的测井曲线进行预测陆相泥页岩游离油含量的,从而导致预测含油量的准确率较低。
基于上述介绍的内容,接下来结合图1对本申请所涉及的神经网络模型进行介绍,图1为本申请实施例提供的多层感知器MLP的神经网络模型。
神经网络模型,是对人类大脑思维方式研究的衍生,实际上是对人工智能的研究,它利用计算机强大的计算能力模拟动物的神经网络的信息传递过程。神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型由输入层,输出层和至少一个隐藏层组成。神经元之间的连接赋予相关的权重,训练学习算法在迭代过程中不断调整这些权重,从而使得预测误差最小化,具有自组织、自适应、自学习的能力。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络模型属于灰箱预测模型,即在部分信息已知的条件下建立起来的预测模型。其基本思路是:对已知的部分信息做关联分析,将原始数据生成一定规律性的序列,然后建立相应的模型,从为对研究对象进行预测。
多层感知器(Multi-Layer Perception,MLP):是一种前向结构的人工神经网络,它将输入向量集映射到输出向量集。除过输入层及输出层以外,MLP中至少包含一个隐藏层。相比单个隐藏层的感知器,包含多个隐藏层的感知器具有很多优点,比如多个隐藏层的感知器既能研究线性函数也能计算非线性函数,而单层的仅仅可研究线性函数。多层感知器MLP的神经网络模型,如图1所示。多层感知器包括输入层101、隐藏层102及输出层103。
其中,输入层101由多个输入节点1011构成。输入节点1011,用于提供来自外界的信息。在输入节点上不进行计算操作,只起到运送信息的作用,将其运送到隐藏节点。
隐藏层102包括一个偏置节点1022和至少一个特征节点1021。其中,偏置节点,用于调整数据,以实现更好的拟合数据。特征节点,用于对来自输入层的信息进行计算并将计算得到的结果传递到输出层,表示训练该预测模型时用于代表该模型特征的节点,特征节点的数目表示该预测模型需要学习的特征数目。本实施例只是对MLP上的隐藏层进行示例性的介绍,对于MLP中隐藏层的数量不做限制,可以根据具体需求进行设置。
输出层103由多个输出节点1031构成,负责计算并从网络向外部世界传递信息。
值得强调说明的一点是,在本实施例中,在输入层中的多个输入节点与隐藏层中的多个隐藏节点的连接线上、以及隐藏层中的多个隐藏节点与输出层中的多个输入节点的连接线上可以包括有对应的权重,权重用于指示各个测井曲线与含油量的关联程度的数值,表明了该要素在预测含油量中的重要性。若测井曲线与含油量的关联程度越大,则对应的该测井曲线对应的权重值也越大。
在一种可能的实现方式中,测井曲线的重要程度的大小可以使用权重值的大小来表示。当然,在满足权重值规律的前提下,测井曲线的重要性程度的大小也可以使用其他的参数表示。在本实施例中,各测井曲线的权重值可以和重要性值一致,也可以不一致。本实施例对测井曲线对应的权重及重要性参数不做限制的具体取值不做限定,可以根据具体需求进行设定。
目前,在预测陆相泥页岩游离油含量的的现有技术中,通常建立页岩层测井评价体积模型的模型,根据岩心相关资料以及地质约束条件,计算得到含油量参数的测井解释模型,再经过一系列的数据处理就能够获得页岩层的含油量。
然而,这种通过搭建页岩层模型的纯实验方法实现的复杂度较高,而且不能完全模拟页岩层中真实的有机构成,所确定的含油量的准确率较低。
针对上述介绍的问题,本申请提出了如下技术构思:通过已有的样本实验数据及多种测井曲线,利用MLP预测泥页岩中游离油的含量。其中,输入层为各种测井曲线,输出层为预测含油量。在利用MLP预测含油量的过程中,首先,对样本实验数据进行分组处理,分为训练样本、检验样本及坚持样本。对所获得的多条测井曲线进行分区训练,通过分区训练,选出关联性较高的测井曲线。当测井曲线参数确定后,利用MLP神经网络进行反复训练,进一步确定这些测井曲线与含油量的相关性,生成灰箱预测模型。训练完成后,利用该灰箱预测模型预测泥页岩的含油量。
基于上述介绍的技术构思,下面结合图2对本申请所提供的预测陆相泥页岩游离油含量的方法进行详细介绍,图2为本申请实施例提供的预测陆相泥页岩游离油含量的方法的流程图一。
S201、获取至少一种测井曲线。
在本实施例中,测井曲线是指在测井时形成能够反映不同岩性、不同层位特征的曲线。常见的测井曲线包括但不限于声波时差测井曲线(Acoustic Log,AC)、密度测井曲线(Density Log,DEN)、补偿中子测井曲线(Compensated Neutron Log,CNL)、自然伽马测井曲线(Natural Gamma Ray Log,GR)、自然电位测井曲线(Spomtaneous Potential Log,SP)、井径测井曲线(Caliper Log,CAL)、微球聚焦测井曲线(Microspherically FocusedLog,MFSL)、深侧向测井曲线(Deep investigate double lateral resistivity log,RLLD)。
接下来,对以上部分测井曲线做进一步介绍。
其中,声波时差测井曲线AC,主要是根据岩石的声学物理特性发展起来的一种测井方法,它测量地层声波速度。声波时差测井曲线可以应用于以下方面:判断气层、确定岩石孔隙度及计算矿物含量等。
密度测井曲线DEN,利用同位素伽马射线源向地层辐射伽马射线,再用与伽马源相隔一定距离的探测器来测量经地层散射、吸收之后到达探测器的伽马射线强度。由于被探测器接收到的散射伽马射线强度与地层的岩石体积密度有关,故称为密度测井。密度测井曲线可以应用于以下方面:判断岩性、确定岩层的孔隙度、计算矿物含量。
补偿中子测井曲线CNL是采用双源距比值法的热中子测井,它沿井剖面测量中子源所造成的热中子通量。补偿中子测井直接给出石灰岩孔隙度值曲线。补偿中子测井曲线可以应用于以下方面:确定地层孔隙度、计算矿物含量及与补偿密度曲线重叠判断气层等。
自然伽马测井曲线GR是在井内测量岩层中自然存在的放射性核素衰变过程中放射出来的伽马射线的强度来研究地质问题的一种测井方法。自然伽马测井曲线可以应用于以下方面:判断岩性、地层对比及估算泥质含量等。
自然电位测井曲线SP,用于测量在地层电化学作用下产生的电位。自然电位极性的“正”“负”以及幅度的大小与泥浆滤液电阻率和地层水电阻率的关系一致。当泥浆滤液电阻率和地层水电阻率近似相等时,自然电位几乎是不变的。当泥浆滤液电阻率大于地层水电阻率时,自然电位显示负异常。当泥浆滤液电阻率小于地层水电阻率时,自然电位显示正异常。自然电位测井可以应用于以下方面:划分渗透性地层、判断岩性,进行地层对比、估计泥质含量、确定地层水电阻率、判断水淹层、沉积相研究等。
井径测井曲线CAL,是测量井眼直径大小的一种测井方法。井径测井曲线可以应用于以下方面:辅助判断岩性、井眼校正、估算固定水泥量及套管检查等。
由于本申请考虑通过利用已有的样本实验数据结合多种测井曲线,使用神经网络方法预测泥页岩的含油量。因此,首先需要获取至少一种测井曲线,具体选择哪些测井曲线,可以根据实际需求进行选择,本实施例对此不做限制。
S202、将至少一种测井曲线作为预测模型的输入,利用预测模型输出预测含油量,其中,预测模型为用于预测含油量的模型;其中,预测模型是对多组样本进行神经网络学习得到的,每组样本包括样本测井曲线和样本含油量。
在本实施例中,预测模型可以用于预测含油量,在一种可能的实现方式中,可以根据预测模型对多组样本进行学习,其中,可以将多组样本划分为训练样本、检验样本和坚持样本。
预测模型根据多组样本中的样本测井曲线和样本含油量进行学习,从而可以实现预测含油量。
在一种可能的实现方式中,本实施例中的预测模型例如可以为MLP神经网络。MLP神经网络是一种前向结构的人工神经网络,它将输入向量集映射到输出向量集。其中,MLP神经网络包括一个输入层和一个输出层之外,还包括至少一个隐藏层。MLP神经网络具有很多优点,例如既能研究线性函数也能研究非线性函数。
或者,预测模型还可以为任意的根据测井曲线和多组样本信息的预测含油量的模型,本实施例中对预测模型中的具体执行逻辑不做限制,只要预测模型可以根据测井曲线和样本信息输出预测的含油量即可。
本申请实施例提供一种预测陆相泥页岩游离油含量的方法,该方法包括:获取至少一种测井曲线。将至少一种测井曲线作为预测模型的输入,以使得预测模型输出预测含油量。其中,预测模型是根据多组样本和测井曲线对神经网络进行多次训练得到的,该预测模型主要用于预测陆相泥页岩游离油含量。通过利用预测模型对测井曲线进行处理,从而得到对应的含油量。其中,通过使用经数据训练得到的预测模型进行含油量预测,可以有效提升含油量预测结果的准确率。
在上述实施例的基础上,下面对本申请实施例提供的预测陆相泥页岩游离油含量的可能的实现方式进行介绍,结合图3、图4和图5进行介绍,图3为本申请实施例提供的预测陆相泥页岩游离油含量的方法的流程图二,图4为本申请实施例提供的多种测井曲线及其对应的重要性参数表,图5为本申请实施例提供的预测陆相泥页岩游离油含量的方法的MLP神经网络结构的示意图。
S301、获取至少一种测井曲线。
其中,S301的实现方式与上述S201的实现方式类似,此处不再赘述。
S302、将至少一种测井曲线作为预测模型的输入,利用预测模型确定各测井曲线的重要性参数。
在获取到至少一种测井曲线之后,将至少一种测井曲线作为预测模型的输入,在本实施例中,预测模型可以对各个测井曲线进行处理,从而确定个测井曲线的重要性参数。其中,重要性参数,用于指示预测含油量的过程中,各个测井曲线的重要性。重要性参数例如可以为一个数值,数值越大则表明重要性程度越大。
S303、通过预测模型根据各测井曲线的重要性参数,确定各测井曲线的权重。
在一种可能的实现方式中,各测井曲线的重要性参数例如可以如图4所示,图4中给出了8条测井曲线各自的重要性参数,例如测井曲线MFSL的重要性参数为0.317,以及例如测井曲线MFSL的正态化重要性为100%。其中,各个测井曲线的重要性参数可以如图4所示。
在本实施例中,各个测井曲线的重要性参数可以为测井曲线的权重,比如说测井曲线MFSL的重要性参数为0.317,对应的测井曲线MFSL的权重也可以为0.317。
或者,各个测井曲线的重要性参数和权重之间可以满足一定的函数关系,本实施例对根据测井曲线的重要性参数确定测井曲线的权重的实现方式不做特别限制,只要能够保证重要性参数和权重成正比即可。
S304、通过预测模型根据各测井曲线的权重,对各测井曲线进行处理,输出预测含油量。
当各测井曲线对应的权重确定后,预测模型可以根据各个测井曲线进行含油量的预测,例如每个测井曲线都可以有一个对应的含油量,则预测模型可以将各个测井曲线对应的含油量和其对应的权重相乘,之后将各个结果进行相加,从而得到最终输出的预测含油量。
在此过程中,权重越大的测井曲线,也就是说重要性越高的测井曲线,在最终输出的预测含油量的结果中就起着越大的影响作用,因此根据各个测井曲线的权重得到最终的预测含油量,可以有效保证最终输出的预测含油量的准确性。
在本实施例中,以MLP神经网络结构为例来构造预测模型,下面结合图5对预测含油量的MLP神经网络结构为例,对预测模型进行介绍:
如图5所示,当前的MLP神经网络包括一个输入层、隐藏层及输出层。其中,输入层包括AC、DEN、MFSL及RLLD。隐藏层含有一个偏置节点,两个特征节点H(1:1),H(1:2)。输出层上包含一个输出节点,用于输出预测模型预测的含油量。
本申请实施例提供一种预测陆相泥页岩游离油含量的方法,该方法包括:获取至少一种测井曲线。将至少一种测井曲线作为预测模型的输入,以使得预测模型确定各测井曲线的重要性参数。通过预测模型根据各测井曲线的重要性参数,确定各测井曲线的权重。通过预测模型根据各测井曲线的权重,对各测井曲线进行处理,输出预测含油量。其中,通过预测模型对各个测井曲线进行处理,得到各测井曲线对应的重要性参数,进而得到各个测井曲线对应的权重。之后,根据各个测井曲线对应的权重,最终得到对应的预测含油量。通过训练预测模型确定各测井曲线的重要性,这可以使得更重要的测井曲线能够对最终的预测结果产生更大的影响,从而有效提升预测含油量的准确性。
在上述实施例的基础上,预测模型在进行应用之前,需要首先对预测模型进行训练,下面结合图6和图7对本申请的模型训练的实现过程进行介绍,图6为本申请实施例提供的基于MLP进行预测的模型训练的流程示意图,图7为本申请实施例提供的多组样本的划分表。
S601、构建预测模型。
本实施例的一种可能的实现方式中,可以以MLP神经网络为基础模型来构建预测模型,其中,构建的预测模型是根据测井曲线预测泥页岩的含油量。
S602、将多组样本划分为训练样本、检验样本和坚持样本。
在本实施例中,提供了包含多种测井曲线的多组样本。本实施例中,将多组样本划分为三种:训练样本、检验样本及坚持样本。
其中,训练样本,主要用于提供数据以训练预测模型。检验样本,用于测试训练完毕的预测模型的预测含油量的准确率。坚持样本,则为当预测模型的准确率达标后,使用预测模型对该坚持样本进行预测,从而得到坚持样本对应的含油量。
在一种可能的实现方式中,样本的划分例如可以参见图7,假设当前共有92个样本,在这92个样本中首先排除5个无效样本,保留下87个有效样本,将87个有效样本可以划分为训练样本53个,占比60%,检验样本17个,占比20%,坚持样本17个,占比20%。
在实际实现过程中,具体的有效样本的数量,以及训练样本、检验样本和坚持样本的划分,可以根据实际需求进行选择,本实施例对此不做特别限制。
S603、通过预测模型对训练样本中的样本测井曲线进行处理,得到每个训练样本对应的预测含油量。
在预测模型的训练过程中,将训练样本中的样本测井曲线作为输入,输入到预测模型中。接下来,通过预测模型对训练样本中的样本测井曲线进行处理,得到训练样本对应的预测含油量。
S604、根据每个训练样本对应的预测含油量和样本含油量对预测模型的模型参数进行调整处理。
因为在样本数据中,每个训练样本包括样本测井曲线和样本含油量,即已知当前的训练样本中的样本测井曲线所对应的样本含油量,因此在得到每个训练样本对应的预测含油量之后,可以根据预测含油量和样本含油量差异对预测模型的参数进行调整,以使得预测模型输出的预测含油量可以尽可能的靠近样本含油量,从而提升的预测模型输出的准确性。
其中,可以根据训练样本对预测模型进行迭代训练,直至预测模型的准确率大于或等于预设准确率,其中,训练集包括至少一种测井曲线。在一种可能的实现方式中,训练样本中的测井曲线的数量可以是十几条、几十条等,可以理解的是,训练样本中所包括的测井曲线越多,则对应的预测模型的学习效果越好。
在本实施例中,迭代训练包括:将至少一种测井曲线作为预测模型的输入,以使预测模型输出输入样本对应的训练结果,训练结果用于预测样本所对应的含油量。
当预测模型训练过程中,使用检验样本对所获得的预测样本的准确定性进行修正。当预测模型输出的准确率满足预设准确率时,确定预测模型的初始训练结束。
S605、判断预测模型是否满足收敛条件。若是,则执行S604。若否,则执行S606。
在根据训练数据对预测模型进行训练的过程中,可以判断预设模型是否满足收敛的条件,其中,收敛的条件例如可以是模型的准确率满足预设准确率。
若预测模型不满足收敛的条件,则通过上述步骤S603、S604对预测模型继续进行训练,直至预测模型满足收敛条件为止。
S606、预测模型训练收敛后,得到第一训练处理后的预测模型。再根据检验样本和坚持样本对第一训练处理后的预测模型进行第二训练处理,以使得预测模型输出的准确率满足预设准确率。
当预设模型满足收敛的条件后,则得到第一训练处理后的预测模型,当前根据训练数据进行的初步训练结束。然后,根据检验样本和坚持样本对第一训练处理后的预测模型进行第二训练处理,其中,第二训练处理的实现方式与上述训练处理的方式类似,通过检验样本和坚持样本进行第二训练处理,可以进一步保证预测模型输出的预测含油量的准确性和稳定性。
在本申请实施例提供一种了预测陆相泥页岩游离油含量的方法,该方法包括:构建预测模型。将多组样本划分为训练样本、检验样本和坚持样本。通过预测模型对训练样本中的样本测井曲线进行处理,得到每个训练样本对应的预测含油量。根据每个训练样本对应的预测含油量和样本含油量对预测模型的模型参数进行调整处理。重复执行上述两个步骤,直至预测模型满足收敛条件时,得到第一训练处理后的预测模型。根据检验样本和坚持样本对第一训练处理后的预测模型进行第二训练处理,以使得预测模型输出的准确率满足预设准确率,从而可以有效保证预测模型输出的预测含油量的准确性和有效性。
图8为本申请实施例提供的预测陆相泥页岩游离油含量的装置的结构示意图。如图8所示,装置80包括:获取模块801、处理模块802。
获取模块801,用于获取至少一种测井曲线;
处理模块802,用于将所述至少一种测井曲线作为预测模型的输入,利用所述预测模型输出预测含油量,其中,所述预测模型为用于预测含油量的模型;
其中,所述预测模型是对多组样本进行神经网络学习得到的,每组样本包括样本测井曲线和样本含油量。
在一种可能的设计中,所述处理模块802具体用于:
将所述至少一种测井曲线作为预测模型的输入,以使得所述预测模型确定各所述测井曲线的重要性参数;
通过所述预测模型根据各所述测井曲线的重要性参数,确定各所述测井曲线的权重;
通过所述预测模型根据各所述测井曲线的权重,对各所述测井曲线进行处理,输出所述预测含油量。
在一种可能的设计中,所述重要性参数和所述权重成正比。
在一种可能的设计中,所述处理模块802还用于包括:
构建所述预测模型;
根据所述多组样本对所述预测模型进行训练,以得到训练后的所述预测模型。
在一种可能的设计中,所述处理模块802用于:
将所述多组样本划分为训练样本、检验样本和坚持样本;
根据所述训练样本对所述预测模型进行第一训练处理,得到第一训练处理后的预测模型;
根据所述检验样本和所述坚持样本对所述第一训练处理后的预测模型进行第二训练处理,以使得所述预测模型输出的准确率满足预设准确率。
在一种可能的设计中,所述处理模块802用于:
通过所述预测模型对所述训练样本中的样本测井曲线进行处理,得到每个训练样本对应的预测含油量;
根据每个训练样本对应的预测含油量和样本含油量对所述预测模型的模型参数进行调整处理;
重复执行上述两个步骤,直至所述预测模型满足收敛条件时,得到所述第一训练处理后的预测模型。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图9为本申请实施例提供的预测陆相泥页岩游离油含量的设备的硬件结构示意图,如图9所示,本实施例的预测陆相泥页岩游离油含量的设备90包括:处理器901以及存储器902;其中
存储器902,用于存储计算机执行指令;
处理器901,用于执行存储器存储的计算机执行指令,以实现上述实施例中预测陆相泥页岩游离油含量的方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器902既可以是独立的,也可以跟处理器901集成在一起。
当存储器902独立设置时,该预测陆相泥页岩游离油含量的设备还包括总线903,用于连接所述存储器902和处理器901。
本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上预测陆相泥页岩游离油含量的设备所执行的预测陆相泥页岩游离油含量的方法。
本申请实施例还提供一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
在本申请所提供的几个实施例中涉及的设备和方法可以通过其它的方式实现。以上所描述的设备实施例仅是示意性的,例如,所述模块的划分仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种预测陆相泥页岩游离油含量的方法,其特征在于,包括:
获取至少一种测井曲线;
将所述至少一种测井曲线作为预测模型的输入,利用所述预测模型输出预测含油量,其中,所述预测模型为用于预测含油量的模型;
其中,所述预测模型是对多组样本进行神经网络学习得到的,每组样本包括样本测井曲线和样本含油量。
2.根据权利要求1所述的方法,其特征在于,将所述至少一种测井曲线作为预测模型的输入,使得所述预测
模型输出预测含油量,包括:
将所述至少一种测井曲线作为预测模型的输入,以使得所述预测模型确定各所述测井曲线的重要性参数;
通过所述预测模型根据各所述测井曲线的重要性参数,确定各所述测井曲线的权重;
通过所述预测模型根据各所述测井曲线的权重,对各所述测井曲线进行处理,输出所述预测含油量。
3.根据权利要求2所述的方法,其特征在于,所述重要性参数和所述权重成正比。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
构建所述预测模型;
根据所述多组样本对所述预测模型进行训练,以得到训练后的所述预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多组样本对所述预测模型进行训练,以得到训练后的所述预测模型,包括:
将所述多组样本划分为训练样本、检验样本和坚持样本;
根据所述训练样本对所述预测模型进行第一训练处理,得到第一训练处理后的预测模型;
根据所述检验样本和所述坚持样本对所述第一训练处理后的预测模型进行第二训练处理,使得所述预测模型输出的准确率满足预设准确率。
6.根据权利要求5所述的方法,其特征在于,根据所述训练样本对所述预测模型进行第一训练处理,得到第一训练处理后的预测模型,包括:
通过所述预测模型对所述训练样本中的样本测井曲线进行处理,得到每个训练样本对应的预测含油量;
根据每个训练样本对应的预测含油量和样本含油量对所述预测模型的模型参数进行调整处理;
重复执行上述两个步骤,直至所述预测模型满足收敛条件时,得到所述第一训练处理后的预测模型。
7.一种预测陆相泥页岩游离油含量的装置,其特征在于,包括:
获取模块,用于获取至少一种测井曲线;
处理模块,用于将所述至少一种测井曲线作为预测模型的输入,使得所述预测模型输出预测含油量,其中,所述预测模型为用于预测含油量的模型;
其中,所述预测模型是对多组样本进行学习得到的,每组样本包括样本测井曲线和样本含油量。
8.一种预测陆相泥页岩游离油含量的设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1至6中任一所述的方法。
9.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至6中任一所述的方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117669.9A CN112862169B (zh) | 2021-01-28 | 2021-01-28 | 预测陆相泥页岩游离油含量的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117669.9A CN112862169B (zh) | 2021-01-28 | 2021-01-28 | 预测陆相泥页岩游离油含量的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862169A true CN112862169A (zh) | 2021-05-28 |
CN112862169B CN112862169B (zh) | 2024-03-29 |
Family
ID=75987456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110117669.9A Active CN112862169B (zh) | 2021-01-28 | 2021-01-28 | 预测陆相泥页岩游离油含量的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862169B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113738353A (zh) * | 2021-09-28 | 2021-12-03 | 中国石油大学(北京) | 一种含油页岩可动油量预测方法、系统、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103233728A (zh) * | 2013-05-15 | 2013-08-07 | 中国石油大学(华东) | 一种LogR-ΔT测井评价的泥页岩油含量预测方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
CN109543352A (zh) * | 2018-12-29 | 2019-03-29 | 西南石油大学 | 页岩断裂韧性预测方法、装置及电子设备 |
CN110618082A (zh) * | 2019-10-29 | 2019-12-27 | 中国石油大学(北京) | 基于神经网络的储层微观孔隙结构评价方法及装置 |
CN110765606A (zh) * | 2019-10-14 | 2020-02-07 | 中石化石油工程技术服务有限公司 | 一种用于预测储层含油性的含油指数模型的构建方法及储层含油性的预测方法 |
CN110991641A (zh) * | 2019-12-17 | 2020-04-10 | 合肥鼎盛锦业科技有限公司 | 一种油藏类型分析方法、装置及电子设备 |
CN111080021A (zh) * | 2019-12-24 | 2020-04-28 | 中国海洋石油集团有限公司 | 一种基于地质信息库的砂体构型cmm神经网络预测方法 |
-
2021
- 2021-01-28 CN CN202110117669.9A patent/CN112862169B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103233728A (zh) * | 2013-05-15 | 2013-08-07 | 中国石油大学(华东) | 一种LogR-ΔT测井评价的泥页岩油含量预测方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
CN109543352A (zh) * | 2018-12-29 | 2019-03-29 | 西南石油大学 | 页岩断裂韧性预测方法、装置及电子设备 |
CN110765606A (zh) * | 2019-10-14 | 2020-02-07 | 中石化石油工程技术服务有限公司 | 一种用于预测储层含油性的含油指数模型的构建方法及储层含油性的预测方法 |
CN110618082A (zh) * | 2019-10-29 | 2019-12-27 | 中国石油大学(北京) | 基于神经网络的储层微观孔隙结构评价方法及装置 |
CN110991641A (zh) * | 2019-12-17 | 2020-04-10 | 合肥鼎盛锦业科技有限公司 | 一种油藏类型分析方法、装置及电子设备 |
CN111080021A (zh) * | 2019-12-24 | 2020-04-28 | 中国海洋石油集团有限公司 | 一种基于地质信息库的砂体构型cmm神经网络预测方法 |
Non-Patent Citations (1)
Title |
---|
刘小平;杨晓兰;刘彦君;: "大庆油田葡南地区葡萄花油层薄层砂岩储层预测", 石油物探, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113738353A (zh) * | 2021-09-28 | 2021-12-03 | 中国石油大学(北京) | 一种含油页岩可动油量预测方法、系统、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112862169B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miah et al. | Machine learning approach to model rock strength: prediction and variable selection with aid of log data | |
Rajabi et al. | Novel hybrid machine learning optimizer algorithms to prediction of fracture density by petrophysical data | |
Jalloh et al. | Integrating artificial neural networks and geostatistics for optimum 3D geological block modeling in mineral reserve estimation: A case study | |
Liu et al. | Permeability predictions for tight sandstone reservoir using explainable machine learning and particle swarm optimization | |
Akande et al. | Investigating the effect of correlation-based feature selection on the performance of neural network in reservoir characterization | |
CN112182966B (zh) | 一种基于多源测录井数据的生物扰动储集层识别方法 | |
Li et al. | A data-driven field-scale approach to estimate the permeability of fractured rocks | |
Gowida et al. | Synthetic well-log generation: New approach to predict formation bulk density while drilling using neural networks and fuzzy logic | |
CN115267935A (zh) | 数据与物理模型联合驱动的测井储层评价方法及装置 | |
CN114609667A (zh) | 地球物理油气预测方法、设备及存储介质 | |
CN112862169B (zh) | 预测陆相泥页岩游离油含量的方法及装置 | |
Baouche et al. | Intelligent methods for predicting nuclear magnetic resonance of porosity and permeability by conventional well-logs: a case study of Saharan field | |
Sanei et al. | Applied machine learning-based models for predicting the geomechanical parameters using logging data | |
CN117251802A (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
Malki et al. | Estimating permeability by use of neural networks in thinly bedded shaly gas sands | |
Mukherjee et al. | Vertical lithological proxy using statistical and artificial intelligence approach: a case study from Krishna-Godavari Basin, offshore India | |
Cranganu | Using artificial neural networks to predict the presence of overpressured zones in the Anadarko Basin, Oklahoma | |
Validov et al. | The Use of Neural Network Technologies in Prediction the Reservoir Properties of Unconsolidated Reservoir Rocks of Shallow Bitumen Deposits | |
Mezzatesta et al. | OPTIMA: a statistical approach to well log analysis | |
Guo et al. | Evaluation of Coalbed Methane Content by Using Kernel Extreme Learning Machine and Geophysical Logging Data | |
Abidin | Pore pressure estimation using artificial neural network | |
Oyerokun | A new approach for training and testing artificial neural networks for permeability prediction | |
Antoniuk et al. | Multiple regressions and ann techniques to predict permeability from pore structure for terrigenous reservoirs, west-shebelynska area | |
Moreno et al. | A genetic algorithm for stochastic inversion in contaminant subsurface hydrology | |
Soto B et al. | Use of Neural Networks to Predict the Permeability and Porosity of Zone" C" of the Cantagallo Field in Colombia |
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 |