CN112990238A - 优化权重的加权马氏距离判别探井类型的方法及装置 - Google Patents
优化权重的加权马氏距离判别探井类型的方法及装置 Download PDFInfo
- Publication number
- CN112990238A CN112990238A CN201911272603.6A CN201911272603A CN112990238A CN 112990238 A CN112990238 A CN 112990238A CN 201911272603 A CN201911272603 A CN 201911272603A CN 112990238 A CN112990238 A CN 112990238A
- Authority
- CN
- China
- Prior art keywords
- well
- mahalanobis distance
- oil
- weight
- parameter
- 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 53
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 238000005457 optimization Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012850 discrimination method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 108010023321 Factor VII Proteins 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000002663 humin Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (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
本发明公开了一种优化权重的加权马氏距离判别探井类型的方法及装置,该方法包括:分别获取油气井集合以及干井集合中各井的地质因素参数;计算油气井参数均值向量以及油气井参数协方差矩阵,以及计算干井参数均值向量以及干井参数协方差矩阵;根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型;通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,得到优化权重的加权马氏距离判别模型。本发明提高了探井类型判别的精度和使用效率。
Description
技术领域
本发明涉及探井类型判别,具体而言,涉及一种优化权重的加权马氏距离判别探井类型的方法及装置。
背景技术
油气勘探具有高投入、高产出的特点,但因投资周期长、回收慢、风险大等特殊性,使得钻前风险评价,即探井类型判别成为油气勘探必不可少的前提条件。
2007年,胡素云等提出一种利用多元统计学与信息处理技术预测油气空间分布的方法。该方法用马氏距离判别法对信息进行集成,用贝叶斯公式计算已知样本的含油气概率,并由此建立不同马氏距离值下的含油气概率模板,然后采用该模版预测油气资源在空间分布的概率,以有效判别探井类型。
为了提高马氏距离判别成功率,孟凡顺等(2011)引入基于主成分分析的距离判别分析方法,将测井资料来划分岩性,看作是一种类别判别问题,通过计算样本到各个类的距离大小来判别样品类别的归属;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际结果相比较具有较好的一致性。赵琳等(2007)提出了一种加权的马氏距离判别法,并运用主成分分析思想,得到了确定权值的方法。
现有的加权的马氏距离判别法固定了各因素的权重,造成不同样本都要修改权重,不便于广泛应用,同时操作过程过于复杂。
发明内容
本发明为了解决上述技术问题中的至少一个,提出了一种优化权重的加权马氏距离判别探井类型的方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种优化权重的加权马氏距离判别探井类型的方法,该方法包括:
分别获取油气井集合以及干井集合中各井的地质因素参数;
根据油气井集合中各井的地质因素参数计算油气井参数均值向量以及油气井参数协方差矩阵,以及根据干井集合中各井的地质因素参数计算干井参数均值向量以及干井参数协方差矩阵;
根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型,其中,所述权对角矩阵中包括各地质因素参数的权重;
通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,得到优化权重的加权马氏距离判别模型,以根据所述优化权重的加权马氏距离判别模型对待判别探井进行类型判别。
可选的,该方法还包括:
获取待判别探井的地质因素参数;
根据所述地质因素参数以及所述优化权重的加权马氏距离判别模型分别计算出所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离;
根据所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离确定所述待判别探井的类型。
可选的,所述通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,包括:
当油气井集合和干井集合中的样本总量小于等于预设值时,对每个地质因素参数的权重在第一权重区间内按照预设步长遍历搜索;
当油气井集合和干井集合中的样本总量大于预设值时,采用遗传算法对每个地质因素参数的权重在第二权重区间内进行权重优化搜索。
可选的,所述根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型,其中加权马氏距离判别模型的公式为:
其中,为待判别探井x对油气井的加权马氏距离,为待判别探井x对干井的加权马氏距离,μdry为干井参数均值向量,μoil为油气井参数均值向量,为干井参数协方差矩阵,为油气井参数协方差矩阵,W为权对角矩阵,即:其中W1,W2…为地质因素参数的权重。
为了实现上述目的,根据本发明的另一方面,提供了一种优化权重的加权马氏距离判别探井类型的装置,该装置包括:
训练集参数获取单元,用于分别获取油气井集合以及干井集合中各井的地质因素参数;
中间参数计算单元,用于根据油气井集合中各井的地质因素参数计算油气井参数均值向量以及油气井参数协方差矩阵,以及根据干井集合中各井的地质因素参数计算干井参数均值向量以及干井参数协方差矩阵;
加权马氏距离判别模型生成单元,用于根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型,其中,所述权对角矩阵中包括各地质因素参数的权重;
模型优化单元,用于通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,得到优化权重的加权马氏距离判别模型,以根据所述优化权重的加权马氏距离判别模型对待判别探井进行类型判别。
可选的,该装置还包括:
待判别探井参数获取单元,用于获取待判别探井的地质因素参数;
加权马氏距离计算单元,用于根据所述地质因素参数以及所述优化权重的加权马氏距离判别模型分别计算出所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离;
探井类型确定单元,用于根据所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离确定所述待判别探井的类型。
可选的,所述模型优化单元,包括:
第一权重优化调整模块,用于当油气井集合和干井集合中的样本总量小于等于预设值时,对每个地质因素参数的权重在第一权重区间内按照预设步长遍历搜索;
第二权重优化调整模块,用于当油气井集合和干井集合中的样本总量大于预设值时,采用遗传算法对每个地质因素参数的权重在第二权重区间内进行权重优化搜索。
可选的,所述加权马氏距离判别模型生成单元中采用的加权马氏距离判别模型的公式为:
其中,为待判别探井x对油气井的加权马氏距离,为待判别探井x对干井的加权马氏距离,μdry为干井参数均值向量,μoil为油气井参数均值向量,为干井参数协方差矩阵,为油气井参数协方差矩阵,W为权对角矩阵,即:其中W1,W2…为地质因素参数的权重。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述优化权重的加权马氏距离判别探井类型的方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述优化权重的加权马氏距离判别探井类型的方法中的步骤。
本发明的有益效果为:本发明实施例为了强调各地质因素参数的不同作用,引入了最优权重,形成优化权重的加权马氏距离判别探井类型的方法,即每个地质因素参数的参与度取决于各地质因素参数综合作用后最优效果的反馈。换言之,通过优化找到判别效果最佳的组合,确定各地质因素参数的权重。这样,既能满足最佳判别效果又不增加模型操作复杂度,从而提高判别精度和使用效率。
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。在附图中:
图1是本发明实施例优化权重的加权马氏距离判别探井类型的方法的第一流程图;
图2是本发明实施例优化权重的加权马氏距离判别探井类型的方法的第二流程图;
图3是本发明实施例优化调整各地质因素参数的权重的流程图;
图4是本发明实施例优化权重的加权马氏距离判别探井类型的装置的第一结构框图;
图5是本发明实施例优化权重的加权马氏距离判别探井类型的装置的第二结构框图;
图6是本发明实施例模型优化单元的组成结构框图;
图7是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是本发明实施例优化权重的加权马氏距离判别探井类型的方法的第一流程图,如图1所示,本实施例的优化权重的加权马氏距离判别探井类型的方法包括步骤S101至步骤S104。
步骤S101,分别获取油气井集合以及干井集合中各井的地质因素参数。
在本发明可选实施例中,可以将探井分为油气井和干井两类,分别记为Goil和Gdry两个集合,本发明实施例采用中国渤海湾盆地南堡凹陷东营组勘探目的层,已知探井222口,其中油气井集合包括66口井,干井集合包括156口井。
在本发明可选实施例中,通过地质研究,确定影响油气成藏的地质因素,建立判别参数体系,即确定影响油气成藏的地质因素参数。在本发明可选实施例中,通过地质研究,确定出7个影响油气成藏的地质因素参数,即:因素1:流体势;因素2;海拔高程;因素3:相对构造;因素4:储层厚度;因素5:储层百分比;因素6:生烃强度;因素7:盖层厚度。形成由7个地质因素参数构成的参数体系。
在本发明实施例中,按照上述构成的参数体系,依次确定每口探井的地质因素参数,形成训练集。在生成训练集时需要对于描述型的参数需要进行数值化处理,使得所有的参数均为数值型。在本发明实施例中,可以对222口井依次确定参数值,形成训练集,即已知样本数据体,如下表1。
表1
步骤S102,根据油气井集合中各井的地质因素参数计算油气井参数均值向量以及油气井参数协方差矩阵,以及根据干井集合中各井的地质因素参数计算干井参数均值向量以及干井参数协方差矩阵。
在本发明实施例中,本步骤根据上述训练集中的数据分别计算出干井的地质因素参数的均值向量μdry、油气井的地质因素参数的均值向量μoil、干井的地质因素参数的协方差矩阵以及油气井的地质因素参数的协方差矩阵
步骤S103,根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型,其中,所述权对角矩阵中包括各地质因素参数的权重。
在本发明实施例中,加权马氏距离判别模型可以为为:
其中,为待判别探井x对油气井的加权马氏距离,为待判别探井x对干井的加权马氏距离,μdry为干井参数均值向量,μoil为油气井参数均值向量,为干井参数协方差矩阵,为油气井参数协方差矩阵,为干井参数协方差矩阵的逆矩阵,为油气井参数协方差矩阵的逆矩阵,W为权对角矩阵,即:其中W1,W2…为地质因素参数的权重。
步骤S104,通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,得到优化权重的加权马氏距离判别模型,以根据所述优化权重的加权马氏距离判别模型对待判别探井进行类型判别。
在本发明实施例中,本步骤通过优化找到判别效果最佳的权重组合,确定各地质因素参数的权重,进而采用判别效果最佳的权重组合作为得到优化权重的加权马氏距离判别模型。
本发明的最优权重搜索具体包括:
1,权重优化方法,当参数较少时,可以对每个权重在[0.5,2]区间内按0.1步长遍历搜索;当参数较多时,可采用遗传算法对各权重在[0.5,2]区间内进行权的优化搜索。
2,计算各权重组合下加权马氏距离判别模型对训练集的判别错误率。
3,最优权重搜索,采用1中的权重优化方法,优化各地质因素参数的权重使加权马氏距离判别模型对训练集的判别错误率最低。目标函数可以为:
Min{err(W)=加权马氏距离对训练集判别错误率}
其中W是权对角矩阵。
通过以上步骤搜索得到的最优权重记为Wbest,将最优权重记Wbest替换加权马氏距离判别模型中的权对角矩阵W,得到优化权重的加权马氏距离判别模型。
在本发明可选实施例中搜索得到的最优权重见可以见表2,即:
因素 | 因素1 | 因素2 | 因素3 | 因素4 | 因素5 | 因素6 | 因素7 |
权重 | 1.4 | 0.8 | 1.0 | 1.3 | 1.2 | 1.3 | 0.8 |
表2
通过以上描述可以看出,本发明实施例为了强调各地质因素参数的不同作用,引入了最优权重,形成优化权重的加权马氏距离判别探井类型的方法,即每个地质因素参数的参与度取决于各地质因素参数综合作用后最优效果的反馈。换言之,通过优化找到判别效果最佳的组合,确定各地质因素参数的权重。这样,既能满足最佳判别效果又不增加模型操作复杂度,从而提高判别精度和使用效率。
以下表3为采用本发明判别方法的训练集数据判别结果与其他类似方法判别结果的对比。由表3可以看出,通过实验验证,本发明的判别方法相比于其他类似方法的判别结果正确率较高。
表3
图2采用上述步骤S104得到的优化权重的加权马氏距离判别模型对未知探井进行类型判别的方法流程图,如图2所示,本发明实施例的优化权重的加权马氏距离判别探井类型的方法还包括步骤S201至步骤S203。
步骤S201,获取待判别探井的地质因素参数。
步骤S202,根据所述地质因素参数以及所述优化权重的加权马氏距离判别模型分别计算出所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离。
步骤S203,根据所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离确定所述待判别探井的类型。
在本发明的可选实施例中,建立了17口未知井(待判别探井)的数据集,按照本发明的优化权重的加权马氏距离判别模型逐一计算17未知井样本对油气井和干井的马氏距离,并根据距离远近确定井类型,判别结果见表4。
表4
图3是本发明实施例优化调整各地质因素参数的权重的流程图,如图3所示,上述步骤S104的通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,包括步骤S301和步骤S302。
步骤S301,当油气井集合和干井集合中的样本总量小于等于预设值时,对每个地质因素参数的权重在第一权重区间内按照预设步长遍历搜索。
在本发明可选实施例中,所述预设值的取值范围可以为[5,20],所述第一权重区间可以为[0.5,2],预设步长的取值范围可以为[0.5,0.2]。
步骤S302,当油气井集合和干井集合中的样本总量大于预设值时,采用遗传算法对每个地质因素参数的权重在第二权重区间内进行权重优化搜索。
在本发明可选实施例中,所述预设值的取值范围可以为[5,20],所述第二权重区间可以为[0.5,2]。
在本发明可选实施例中,为了达到较好的最优权重搜索效果,本发明当训练集中样本较少时,可以对每个权重在[0.5,2]区间内按0.1步长遍历搜索;而当训练集中样本较多时,可采用遗传算法对各权重在[0.5,2]区间内进行权的优化搜索。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种优化权重的加权马氏距离判别探井类型的装置,可以用于实现上述实施例所描述的优化权重的加权马氏距离判别探井类型的方法,如下面的实施例所述。由于优化权重的加权马氏距离判别探井类型的装置解决问题的原理与优化权重的加权马氏距离判别探井类型的方法相似,因此优化权重的加权马氏距离判别探井类型的装置的实施例可以参见优化权重的加权马氏距离判别探井类型的方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例优化权重的加权马氏距离判别探井类型的装置的第一结构框图,如图4所示,本发明实施例优化权重的加权马氏距离判别探井类型的装置包括:训练集参数获取单元1、中间参数计算单元2、加权马氏距离判别模型生成单元3以及模型优化单元4。
训练集参数获取单元1,用于分别获取油气井集合以及干井集合中各井的地质因素参数。
中间参数计算单元2,用于根据油气井集合中各井的地质因素参数计算油气井参数均值向量以及油气井参数协方差矩阵,以及根据干井集合中各井的地质因素参数计算干井参数均值向量以及干井参数协方差矩阵。
加权马氏距离判别模型生成单元3,用于根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型,其中,所述权对角矩阵中包括各地质因素参数的权重。
在本发明可选实施例中所述加权马氏距离判别模型生成单元3中采用的加权马氏距离判别模型的公式可以为:
其中,为待判别探井x对油气井的加权马氏距离,为待判别探井x对干井的加权马氏距离,μdry为干井参数均值向量,μoil为油气井参数均值向量,为干井参数协方差矩阵,为油气井参数协方差矩阵,W为权对角矩阵,即:其中W1,W2…为地质因素参数的权重。
模型优化单元4,用于通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,得到优化权重的加权马氏距离判别模型,以根据所述优化权重的加权马氏距离判别模型对待判别探井进行类型判别。
图5是本发明实施例优化权重的加权马氏距离判别探井类型的装置的第二结构框图,如图5所示,本发明实施例的优化权重的加权马氏距离判别探井类型的装置还包括:待判别探井参数获取单元5、加权马氏距离计算单元6和探井类型确定单元7。
待判别探井参数获取单元5,用于获取待判别探井的地质因素参数。
加权马氏距离计算单元6,用于根据所述地质因素参数以及所述优化权重的加权马氏距离判别模型分别计算出所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离。
探井类型确定单元7,用于根据所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离确定所述待判别探井的类型。
图6是本发明实施例模型优化单元的组成结构框图,如图6所示,所述模型优化单元4包括:第一权重优化调整模块401和第二权重优化调整模块402。
第一权重优化调整模块401,用于当油气井集合和干井集合中的样本总量小于等于预设值时,对每个地质因素参数的权重在第一权重区间内按照预设步长遍历搜索。
第二权重优化调整模块402,用于当油气井集合和干井集合中的样本总量大于预设值时,采用遗传算法对每个地质因素参数的权重在第二权重区间内进行权重优化搜索。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图7所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述优化权重的加权马氏距离判别探井类型的方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种优化权重的加权马氏距离判别探井类型的方法,其特征在于,包括:
分别获取油气井集合以及干井集合中各井的地质因素参数;
根据油气井集合中各井的地质因素参数计算油气井参数均值向量以及油气井参数协方差矩阵,以及根据干井集合中各井的地质因素参数计算干井参数均值向量以及干井参数协方差矩阵;
根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型,其中,所述权对角矩阵中包括各地质因素参数的权重;
通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,得到优化权重的加权马氏距离判别模型,以根据所述优化权重的加权马氏距离判别模型对待判别探井进行类型判别。
2.根据权利要求1所述的优化权重的加权马氏距离判别探井类型的方法,其特征在于,还包括:
获取待判别探井的地质因素参数;
根据所述地质因素参数以及所述优化权重的加权马氏距离判别模型分别计算出所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离;
根据所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离确定所述待判别探井的类型。
3.根据权利要求1所述的优化权重的加权马氏距离判别探井类型的方法,其特征在于,所述通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,包括:
当油气井集合和干井集合中的样本总量小于等于预设值时,对每个地质因素参数的权重在第一权重区间内按照预设步长遍历搜索;
当油气井集合和干井集合中的样本总量大于预设值时,采用遗传算法对每个地质因素参数的权重在第二权重区间内进行权重优化搜索。
5.一种优化权重的加权马氏距离判别探井类型的装置,其特征在于,包括:
训练集参数获取单元,用于分别获取油气井集合以及干井集合中各井的地质因素参数;
中间参数计算单元,用于根据油气井集合中各井的地质因素参数计算油气井参数均值向量以及油气井参数协方差矩阵,以及根据干井集合中各井的地质因素参数计算干井参数均值向量以及干井参数协方差矩阵;
加权马氏距离判别模型生成单元,用于根据所述油气井参数均值向量、所述油气井参数协方差矩阵、所述干井参数均值向量、所述干井参数协方差矩阵以及预设的权对角矩阵生成加权马氏距离判别模型,其中,所述权对角矩阵中包括各地质因素参数的权重;
模型优化单元,用于通过不断优化调整所述权对角矩阵中各地质因素参数的权重使生成的所述加权马氏距离判别模型对所述油气井集合以及所述干井集合的判别错误率最低,得到优化权重的加权马氏距离判别模型,以根据所述优化权重的加权马氏距离判别模型对待判别探井进行类型判别。
6.根据权利要求5所述的优化权重的加权马氏距离判别探井类型的装置,其特征在于,还包括:
待判别探井参数获取单元,用于获取待判别探井的地质因素参数;
加权马氏距离计算单元,用于根据所述地质因素参数以及所述优化权重的加权马氏距离判别模型分别计算出所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离;
探井类型确定单元,用于根据所述待判别探井对油气井的加权马氏距离以及所述待判别探井对干井的加权马氏距离确定所述待判别探井的类型。
7.根据权利要求5所述的优化权重的加权马氏距离判别探井类型的装置,其特征在于,所述模型优化单元,包括:
第一权重优化调整模块,用于当油气井集合和干井集合中的样本总量小于等于预设值时,对每个地质因素参数的权重在第一权重区间内按照预设步长遍历搜索;
第二权重优化调整模块,用于当油气井集合和干井集合中的样本总量大于预设值时,采用遗传算法对每个地质因素参数的权重在第二权重区间内进行权重优化搜索。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项方法中的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至4任意一项方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272603.6A CN112990238A (zh) | 2019-12-12 | 2019-12-12 | 优化权重的加权马氏距离判别探井类型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272603.6A CN112990238A (zh) | 2019-12-12 | 2019-12-12 | 优化权重的加权马氏距离判别探井类型的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990238A true CN112990238A (zh) | 2021-06-18 |
Family
ID=76331720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911272603.6A Pending CN112990238A (zh) | 2019-12-12 | 2019-12-12 | 优化权重的加权马氏距离判别探井类型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990238A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150116141A1 (en) * | 2013-10-28 | 2015-04-30 | Raytheon Company | Adaptive dynamic cluster deinterleaving |
CN110321520A (zh) * | 2019-03-22 | 2019-10-11 | 广东电网有限责任公司 | 一种基于加权距离判别法的变压器状态评价方法 |
CN110346666A (zh) * | 2019-07-15 | 2019-10-18 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于加权马氏距离判别的电网变压器状态分析方法 |
-
2019
- 2019-12-12 CN CN201911272603.6A patent/CN112990238A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150116141A1 (en) * | 2013-10-28 | 2015-04-30 | Raytheon Company | Adaptive dynamic cluster deinterleaving |
CN110321520A (zh) * | 2019-03-22 | 2019-10-11 | 广东电网有限责任公司 | 一种基于加权距离判别法的变压器状态评价方法 |
CN110346666A (zh) * | 2019-07-15 | 2019-10-18 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于加权马氏距离判别的电网变压器状态分析方法 |
Non-Patent Citations (2)
Title |
---|
国土资源部油气资源战略研究中心 等: "《全国天然气资源评价(中册)》", vol. 2010, 31 January 2010, 中国大地出版社, pages: 783 * |
盛秀杰 等: "区带勘探中的油气资源评价方法", 《石油与天然气地质》, vol. 38, no. 5, pages 983 - 992 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN105389349B (zh) | 词典更新方法及装置 | |
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
CN112083498B (zh) | 一种基于深度神经网络的多波地震油气储层预测方法 | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN104903753B (zh) | 自动匹配群体新成员与类似成员的系统及程序产品 | |
CN112668688B (zh) | 一种入侵检测方法、系统、设备及可读存储介质 | |
KR102155101B1 (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
CN111062425A (zh) | 基于c-k-smote算法的不平衡数据集处理方法 | |
CN110689368A (zh) | 一种移动应用内广告点击率预测系统设计方法 | |
Huang et al. | Weighting method for feature selection in k-means | |
CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
CN113033074A (zh) | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 | |
CN117172386A (zh) | 优势储层划分识别预测方法、系统、电子设备、及介质 | |
CN115270959B (zh) | 基于递归特征消除融合随机森林的页岩岩性识别法及装置 | |
CN112990238A (zh) | 优化权重的加权马氏距离判别探井类型的方法及装置 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
CN114244549B (zh) | 一种面向工业互联网的GSSK-means异常流量检测方法、存储器和处理器 | |
CN114707597A (zh) | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 | |
CN114185956A (zh) | 基于canopy、k-means算法的数据挖掘方法 | |
Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection |
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 |