CN112907698A - 一种动态融合时序与非时序特征的测井曲线生成方法 - Google Patents
一种动态融合时序与非时序特征的测井曲线生成方法 Download PDFInfo
- Publication number
- CN112907698A CN112907698A CN202110122884.8A CN202110122884A CN112907698A CN 112907698 A CN112907698 A CN 112907698A CN 202110122884 A CN202110122884 A CN 202110122884A CN 112907698 A CN112907698 A CN 112907698A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- well
- model
- curves
- logging
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (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
本发明提出一种动态融合时序与非时序特征的测井曲线生成方法,主要涉及地质资源勘探,深度学习,数据挖掘领域。主要步骤包含:利用LSTM(长短期记忆网络)、GRU(门控循序单元)模型分别提取测井曲线时序特征;利用CNN(卷积神经网络)、DNN(全连接神经网络)、XGBoost、SVR分别提取测井曲线的非时序特征;借助强化学习对模型进行动态融合,从而充分考虑测井曲线的时序特征与非时序特征;通过单一井内数据训练模型,借助井内完整测井曲线将该井其他残缺曲线进行补全;完全根据具有多条完整测井曲线的临井数据训练模型,借助实验井现存的完整曲线来生成缺少的测井曲线。本发明动态融合了测井曲线的时序与分时序特征,能更准确地对失真或缺失的测井曲线进行补全与生成。
Description
技术领域
本发明涉及地质资源勘探,深度学习,数据挖掘领域,具体涉及到一种动态融合时序与非时序特征的测井曲线生成方法。
背景技术
测井曲线是地层物理建模的基础,而物理建模质量的好坏直接影响地质资源勘探、石油开发的效果。在现实测井过程中,常常存在操作不当导致测井曲线失真,或者因测井成本过高而放弃测井导致测井曲线残缺或完全缺失,而重新测井成本过高,甚至由于技术等原因导致无法实现,因此测井曲线的补全和生成具有重大意义。
传统的测井曲线方法常用数字模拟、多元回归分析等方法,通过已知测井曲线与未知测井曲线的关系来生成未知曲线,然而地质构造尤为复杂,其无法表征测井曲线间的强非线性关系。考虑到测井曲线随储层深度增加具有一定的变化趋势,即曲线该点的数据受历史数据影响,属于序列数据,后来逐渐使用LSTM对测井曲线进行预测生成。然而地质构造运动是实时发生的,并且井内曲线间的相关性在储层附近较弱,存在一定的非时序特征,因此测井曲线的仅用LSTM进行生成的准确率有待提高。
发明内容
为解决现有技术中的缺点和不足,本发明提出了一种动态融合时序与非时序特征的测井曲线生成方法;
本发明为实现上述的技术目的,采用如下的技术方案:
所述的动态融合时序与非时序特征的测井曲线生成方法,具体步骤如下:
步骤一:利用LSTM、GRU模型分别提取测井曲线时序特征;
由于测井曲线特征具有随井深而变化的特点,所以采用具有处理时序特征的神经网络进行分析。为了避免梯度消失及梯度爆炸等问题,使用LSTM、GRU等神经网络进行时序特征提取。
具体特征提取过程如下:
步骤101、使用LSTM提取测井曲线时序特征;
具体而言,由于测井曲线特征数量较少,在模型设计时,采用两层LSTM与两层全连接层构成模型进行曲线补全与生成;
步骤102、使用GRU提取测井曲线时序特征;
具体而言,同LSTM模型设计类似,采用两层GRU与两层全连接层连接构成模型进行曲线补全预生成;
步骤二:利用CNN、DNN、XGBoost、SVR分别提取测井曲线的非时序特征;
为了综合考虑非时序特征对测井曲线补全与生成的影响,分别采用浅层神经网络和机器学习模型进行特征抽取;
具体特征提取过程如下:
步骤201、使用CNN提取测井曲线的非时序特征;
具体而言,在模型设计时,采用两层CNN层与两层全连接层构成模型进行曲线补全与生成;
步骤202、使用DNN提取测井曲线的非时序特征;
具体而言,在模型设计时,采用四层全连接层构成模型进行曲线补全与生成;
步骤203、使用XGBoost提取测井曲线的非时序特征;
步骤204、使用SVR提取测井曲线的非时序特征;
步骤三:借助强化学习对步骤一和步骤二的模型输出进行动态融合;
动态融合具体过程如下:
步骤301、权重随机初始化为w_init;
将时序模型与非时序模型的输出结果进行权重初始化为w_init;
步骤302、选择动作action,改变模型权值w_update;
选择动作action,适当调整各模型的权重值,调整后的权重值为w_update,公式如下:
步骤303、与实际标签对比,设计奖励函数,得到当前奖励值reward;
根据步骤302中action动作后更新得到的权重值w_update进行融合,将测井曲线的真实值进行对比,设计奖励函数,得到当前的奖励值reward,公式如下:
步骤304、将步骤302得到的w_update和步骤303的action,reward存入记忆库,进行迭代更新;
步骤305、达到更新次数后,根据记忆库环境与奖励进行学习,更新强化学习网络;
步骤306、得到最佳权值w_best,将输出结果动态融合;
步骤四:通过单一井内数据训练模型,借助井内完整测井曲线将该井其他残缺曲线进行补全;
在具体实验中,采用大港油田的一口井的测井数据进行实验,该口井测量并记录了十组测井曲线,分别为地层真电阻率(Rt)、声波时差(AC)、密度(DEN),中子(CN)、自然伽马(GR)、井径(CAL)、渗透率(PERM)、有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH);
原始数据中,该井十条曲线都是完整的,在实验中保存完整的地层真电阻率(Rt)、声波时差(AC)、密度(DEN)、中子(CN)、自然伽马(GR)、井径(CAL)这六条曲线,删除有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH)这四条曲线的30%部分,以评估模型对于曲线残缺部分的补全能力;
步骤五:完全根据具有多条完整测井曲线的临井数据训练模型,借助实验井现存的完整曲线来生成缺少的测井曲线;
在具体实验中,同样采用具有十条完整测井曲线的大港油田数据进行实验,不同于测井曲线补全实验,该实验是对缺失曲线的生成;
以八口临井数据进行实验,共进行八组实验,每组实验取八口井中的一口作为测试井,其余七口井的数据作为训练集。利用七口井的中的地层真电阻率(Rt)、声波时差(AC)、密度(DEN),中子(CN)、自然伽马(GR)、井径(CAL)这六条完整曲线作为模型的输入,以对渗透率(PERM)、有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH)这四条曲线进行预测生成,通过训练找出已知六条曲线与将要生成的四条曲线间的映射关系,从而用训练好的模型对实验井中四条未知曲线进行预测生成,从而评估模型对于缺失测井曲线的生成能力;
本发明的优点在于:一种融合时序与非时序特征的测井曲线生成方法,借助强化学习,将时序特征与非时序特征动态融合进行测井曲线生成研究,本发明在测井曲线补全与生成具有较高的准确性以及较强的稳定性,在地质建模、勘探开发方面有重大的应用价值;
附图说明
为了更清楚地说明本发明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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明动态融合时序与非时序特征的测井曲线生成方法的流程图。
图2为基于强化学习的模型动态融合流程图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
由于测井操作不当及测井成本过高等原因,导致测井曲线失真或缺失等问题,本发明测井曲线生成问题,提出一种动态融合时序与非时序特征的测井曲线生成方法:利用LSTM、GRU模型分别提取测井曲线时序特征;利用CNN、DNN、XGBoost、SVR分别提取测井曲线的非时序特征;借助强化学习将时序模型与非时序模型的输出进行动态融合;通过单一井内数据训练模型,借助井内完整测井曲线将该井其他残缺曲线进行补全;完全根据具有多条完整测井曲线的临井数据训练模型,借助实验井现存的完整曲线来生成缺少的测井曲线。
一种动态融合时序与非时序特征的测井曲线生成方法,具体流程如图1所示,实施步骤如下:
步骤一:利用LSTM、GRU模型分别提取测井曲线时序特征;
由于测井曲线特征具有随井深而变化的特点,所以采用具有处理时序特征的神经网络进行分析。为了避免梯度消失及梯度爆炸等问题,使用LSTM、GRU等神经网络进行时序特征提取。
具体特征提取过程如下:
步骤101、使用LSTM提取测井曲线时序特征;
具体而言,由于测井曲线特征数量较少,在模型设计时,采用两层LSTM与两层全连接层构成模型进行曲线补全与生成;
在实际提取特征时batch_size设置为100,表示每次训练随机抽取100组训练数据,隐层特征为度设置为30维,dropout=0.3;
步骤102、使用GRU提取测井曲线时序特征;
具体而言,同LSTM模型设计类似,采用两层GRU与两层全连接层连接构成模型进行曲线补全预生成,模型相关参数设置与LSTM保持一致
步骤二:利用CNN、DNN、XGBoost、SVR分别提取测井曲线的非时序特征;
为了综合考虑非时序特征对测井曲线补全与生成的影响,分别采用浅层神经网络和机器学习模型进行特征抽取;
具体特征提取过程如下:
步骤201、使用CNN提取测井曲线的非时序特征;
具体而言,在模型设计时,采用两层CNN层与两层全连接层构成模型进行曲线补全与生成;
在实际提取特征时batch_size设置为100,表示每次训练随机抽取100组训练数据,隐层特征为度设置为30维,dropout=0.3;
步骤202、使用DNN提取测井曲线的非时序特征;
具体而言,在模型设计时,采用四层全连接层构成模型进行曲线补全与生成;
步骤203、使用XGBoost提取测井曲线的非时序特征;
步骤204、使用SVR提取测井曲线的非时序特征;
步骤三:借助强化学习对步骤一和步骤二的模型输出进行动态融合;
动态融合具体过程如下:
步骤301、权重随机初始化为w_init;
将时序模型与非时序模型的输出结果进行权重初始化为w_init;
步骤302、选择动作action,改变模型权值w_update;
选择动作action,适当调整各模型的权重值,调整后的权重值为w_update,公式如下:
步骤303、与实际标签对比,设计奖励函数,得到当前奖励值reward;
根据步骤302中action动作后更新得到的权重值w_update进行融合,将测井曲线的真实值进行对比,设计奖励函数,得到当前的奖励值reward,公式如下:
步骤304、将步骤302得到的w_update和步骤303的action,reward存入记忆库,进行迭代更新;
步骤305、达到更新次数后,根据记忆库环境与奖励进行学习,更新强化学习网络;
步骤306、得到最佳权值w_best,将输出结果动态融合;
步骤四:通过单一井内数据训练模型,借助井内完整测井曲线将该井其他残缺曲线进行补全;
在具体实验中,采用大港油田的一口井的测井数据进行实验,该口井测量并记录了十组测井曲线,分别为地层真电阻率(Rt)、声波时差(AC)、密度(DEN),中子(CN)、自然伽马(GR)、井径(CAL)、渗透率(PERM)、有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH);
原始数据中,该井十条曲线都是完整的,在实验中保存完整的地层真电阻率(Rt)、声波时差(AC)、密度(DEN)、中子(CN)、自然伽马(GR)、井径(CAL)这六条曲线,删除有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH)这四条曲线的30%部分,以评估模型对于曲线残缺部分的补全能力;
测井曲线采样间隔为0.125米,根据领域知识可知,不同储层间相互影响的间隔为30米,因此在步骤一种时序模型中每个训练样本的序列长度设置为240,通过步骤三融合时序特征和非时序特征的方法进行训练模型,通过均方误差(MSE)来评价模型的准确性,使用标准差进行评价模型预测的稳定性;
步骤五:完全根据具有多条完整测井曲线的临井数据训练模型,借助实验井现存的完整曲线来生成缺少的测井曲线;
在具体实验中,同样采用具有十条完整测井曲线的大港油田数据进行实验,不同于测井曲线补全实验,该实验是对缺失曲线的生成;
以八口临井数据进行实验,共进行八组实验,每组实验取八口井中的一口作为测试井,其余七口井的数据作为训练集。利用七口井的中的地层真电阻率(Rt)、声波时差(AC)、密度(DEN),中子(CN)、自然伽马(GR)、井径(CAL)这六条完整曲线作为模型的输入,以对渗透率(PERM)、有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH)这四条曲线进行预测生成,通过训练找出已知六条曲线与将要生成的四条曲线间的映射关系,从而用训练好的模型对实验井中四条未知曲线进行预测生成,从而评估模型对于缺失测井曲线的生成能力;
同样在步骤一种时序模型中每个训练样本的序列长度设置为240,通过步骤三融合时序特征和非时序特征的方法进行训练模型,使用RMSE和标准差进行评价测井曲线生成效果;
本发明考虑地质构造运动实时发生,以及测井曲线在层间相关性减弱这一现象,将会导致时序神经网络无法充分提取测井曲线特征这一问题,因此借助强化学习,将时序特征与非时序特征动态融合进行测井曲线生成研究,本发明在测井曲线补全与生成具有较高的准确性以及较强的稳定性,在地质建模、勘探开发方面有重大的应用价值;
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种动态融合时序与非时序特征的测井曲线生成方法,其特征在于,具体步骤如下:
步骤一:利用LSTM、GRU模型分别提取测井曲线时序特征;
由于测井曲线特征具有随井深而变化的特点,所以采用具有处理时序特征的神经网络进行分析。为了避免梯度消失及梯度爆炸等问题,使用LSTM、GRU等神经网络进行时序特征提取。
具体特征提取过程如下:
步骤101、使用LSTM提取测井曲线时序特征;
具体而言,由于测井曲线特征数量较少,在模型设计时,采用两层LSTM与两层全连接层构成模型进行曲线补全与生成;
步骤102、使用GRU提取测井曲线时序特征;
具体而言,同LSTM模型设计类似,采用两层GRU与两层全连接层连接构成模型进行曲线补全预生成;
步骤二:利用CNN、DNN、XGBoost、SVR分别提取测井曲线的非时序特征;
为了综合考虑非时序特征对测井曲线补全与生成的影响,分别采用浅层神经网络和机器学习模型进行特征抽取;
具体特征提取过程如下:
步骤201、使用CNN提取测井曲线的非时序特征;
具体而言,在模型设计时,采用两层CNN层与两层全连接层构成模型进行曲线补全与生成;
步骤202、使用DNN提取测井曲线的非时序特征;
具体而言,在模型设计时,采用四层全连接层构成模型进行曲线补全与生成;
步骤203、使用XGBoost提取测井曲线的非时序特征;
步骤204、使用SVR提取测井曲线的非时序特征;
步骤三:借助强化学习对步骤一和步骤二的模型输出进行动态融合;
动态融合具体过程如下:
步骤301、权重随机初始化为w_init;
将时序模型与非时序模型的输出结果进行权重初始化为w_init;
步骤302、选择动作action,改变模型权值w_update;
选择动作action,适当调整各模型的权重值,调整后的权重值为w_update,公式如下:
步骤303、与实际标签对比,设计奖励函数,得到当前奖励值reward;
根据步骤302中action动作后更新得到的权重值w_update进行融合,将测井曲线的真实值进行对比,设计奖励函数,得到当前的奖励值reward,公式如下:
步骤304、将步骤302得到的w_update和步骤303的action,reward存入记忆库,进行迭代更新;
步骤305、达到更新次数后,根据记忆库环境与奖励进行学习,更新强化学习网络;
步骤306、得到最佳权值w_best,将输出结果动态融合;
步骤四:通过单一井内数据训练模型,借助井内完整测井曲线将该井其他残缺曲线进行补全;
在具体实验中,采用大港油田的一口井的测井数据进行实验,该口井测量并记录了十组测井曲线,分别为地层真电阻率(Rt)、声波时差(AC)、密度(DEN),中子(CN)、自然伽马(GR)、井径(CAL)、渗透率(PERM)、有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH);
原始数据中,该井十条曲线都是完整的,在实验中保存完整的地层真电阻率(Rt)、声波时差(AC)、密度(DEN)、中子(CN)、自然伽马(GR)、井径(CAL)这六条曲线,删除有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH)这四条曲线的30%部分,以评估模型对于曲线残缺部分的补全能力;
步骤五:完全根据具有多条完整测井曲线的临井数据训练模型,借助实验井现存的完整曲线来生成缺少的测井曲线;
在具体实验中,同样采用具有十条完整测井曲线的大港油田数据进行实验,不同于测井曲线补全实验,该实验是对缺失曲线的生成;
以八口临井数据进行实验,共进行八组实验,每组实验取八口井中的一口作为测试井,其余七口井的数据作为训练集。利用七口井的中的地层真电阻率(Rt)、声波时差(AC)、密度(DEN),中子(CN)、自然伽马(GR)、井径(CAL)这六条完整曲线作为模型的输入,以对渗透率(PERM)、有效孔隙度(POR)、含水饱和度(SW)、泥质含量(SH)这四条曲线进行预测生成,通过训练找出已知六条曲线与将要生成的四条曲线间的映射关系,从而用训练好的模型对实验井中四条未知曲线进行预测生成,从而评估模型对于缺失测井曲线的生成能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122884.8A CN112907698A (zh) | 2021-01-29 | 2021-01-29 | 一种动态融合时序与非时序特征的测井曲线生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122884.8A CN112907698A (zh) | 2021-01-29 | 2021-01-29 | 一种动态融合时序与非时序特征的测井曲线生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112907698A true CN112907698A (zh) | 2021-06-04 |
Family
ID=76120145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110122884.8A Pending CN112907698A (zh) | 2021-01-29 | 2021-01-29 | 一种动态融合时序与非时序特征的测井曲线生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907698A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200524A (zh) * | 2021-10-29 | 2022-03-18 | 五季数据科技(北京)有限公司 | 一种基于人工智能深度学习的测井密度曲线校正方法 |
-
2021
- 2021-01-29 CN CN202110122884.8A patent/CN112907698A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200524A (zh) * | 2021-10-29 | 2022-03-18 | 五季数据科技(北京)有限公司 | 一种基于人工智能深度学习的测井密度曲线校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
CN108509596A (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
CN110909931A (zh) | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 | |
CN112712025A (zh) | 一种基于长短期记忆神经网络的复杂岩性识别方法 | |
CN112444841B (zh) | 基于分尺度多输入卷积网络的含薄层岩性地震预测方法 | |
CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN110807544A (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
CN116305850B (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN115204064B (zh) | 一种页岩油开采中注气吞吐参数优化方法及系统 | |
CN111027249B (zh) | 一种基于机器学习的井间连通性评价方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN115455828A (zh) | 一种可解释的测井曲线补全方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN115809601A (zh) | 一种沉积岩构造背景判别方法 | |
CN112907698A (zh) | 一种动态融合时序与非时序特征的测井曲线生成方法 | |
CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
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 | |
CN116796237A (zh) | 一种基于改进图神经网络的油水井连通关系识别方法 | |
CN114998537A (zh) | 三维地质建模方法 | |
Zhang et al. | PSO-BP neural network in reservoir parameter dynamic prediction | |
Guo et al. | Logging Data Completion Based on an MC-GAN-BiLSTM Model |
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 |