CN113267816A - 一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 - Google Patents
一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 Download PDFInfo
- Publication number
- CN113267816A CN113267816A CN202110582235.6A CN202110582235A CN113267816A CN 113267816 A CN113267816 A CN 113267816A CN 202110582235 A CN202110582235 A CN 202110582235A CN 113267816 A CN113267816 A CN 113267816A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- resolution
- well
- 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.)
- Granted
Links
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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了在地球物理反演与人工智能机器学习交叉领域一种基于小样本机器学习地震测井超高分辨率数据融合实现方法。该方法通过SVM机器学习算法自动建立三个频率(低频测井数据插值模型、中频地震数据、高频测井数据插值模型)成分与目标测井曲线之间非线性关系,并通过检验井(测试集数据)验证这种非线性关系,从而实现地震数据和测井数据超高分辨率(纵向分辨率小于5m)数据融合的目标且能很好保持地震特征的目标。使用本发明的方法能够在突破纵向分辨率5m的门槛后还能很好保持地震数据特征,而且信噪比高、成像好、效率高。本发明方法尤其适用于非均质性强储层高分辨反演。
Description
技术领域
本发明属于地球物理反演与人工智能机器学习交叉领域。
背景技术
地震和测井联合高分辨反演是预测薄层的重要的技术手段,但长久以来未能很好地解决地震数据特征控制高分辨反演这样一个难题。以往常用的高分辨反演方法主要包括地质统计反演、基于初始模型迭代的高分辨反演,后来发展了基于地震和测井数据融合的高分辨反演方法,前两种方法由于地震数据本身并没有成为高分辨反演结果的一部分,即不是硬约束而是软约束,所以高分辨反演结果都不能很好地保持地震数据特征及细节变化,尤其是横向突变,例如砂体尖灭、横向不连续、古河道、断层等。后一种方法是地震数据和测井数据合并得到的高分辨反演结果,该方法目前存在三个难题:①通常在纵向分辨率大于5m时还能大致保持住地震横向变化特征,但在纵向分辨率小于5m时,保持地震横向变化特征变得非常困难;②地震数据和几个测井数据插值模型之间的权重比例系数调整非常费时费力,花费时间长,很多时候还不能调整到一个最佳参数组合。地震数据和几个测井数据插值模型之间权重系数非常关键,它们影响了高分辨反演结果的精度以及地震数据特征的保持程度;③该方法得到的高分辨反演结果的信噪比低。
地震数据属性分析往往可以很好地刻画古河道、“串珠状”缝洞储层等,但以往的非相控高分辨反演结果往往抹杀了这种突变的地震数据特征(如砂体尖灭、古河道、潮道、点礁、“串珠状”缝洞储层等),所以也很难预测和描述这种突变特征的储层。地震数据中的这种突变的特征实际代表了沉积相或微相。高分辨反演结果能否很好地保持地震数据的特征成为衡量其成功与否的重要标准。
本次发明的方法通过引进SVM(Support Vector Machine)机器学习算法自动建立三个频率(低频测井数据插值模型、中频地震数据、高频测井数据插值模型)成分与目标测井曲线之间非线性关系,从而实现地震数据和测井数据超高分辨率(纵向分辨率小于5m)数据融合且能很好保持地震特征的目标。该技术较传统技术最大的优势在于不需要人工调整地震数据与两个测井数据插值模型之间的权重,而且在纵向分辨率达到5m以下时高分辨反演结果的横向变化趋势仍然与地震数据特征保持很好的一致性,也就是具有非常高的地震相控能力。保持了地震数据特征就意味着能够保持原来地震数据中诸如反映古河道、潮道、“串珠”状缝洞储层、透镜体等非均质性地质体,即能够实现所谓的地震相控(间接沉积相控)高分辨反演。
发明内容
本发明旨在解决目前地震和测井高分辨数据融合中遇到的以下难题,一是在纵向分辨率突破5m以下后高分辨反演结果很难保持住地震数据特征而且信噪比低(实际是模型痕迹重),二是地震数据和几个测井数据插值模型之间的权重比例系数人工调整效率低、精度低。本发明采用以下技术解决方案。通过SVM(Support Vector Machine)机器学习算法自动建立三个频率(低频测井数据插值模型、中频地震数据、高频测井数据插值模型)成分与目标测井曲线之间非线性关系,并通过检验井(测试集数据)验证这种非线性关系,从而实现地震数据和测井数据超高分辨率(纵向分辨率小于5m)数据融合且能很好保持地震特征的目标。
本发明具体是这样实现的:
步骤一、叠加地震或弹性地震(即弹性参数反射率数据,例如,)进行积分处理转换为带限(相对)纵波阻抗。这部分数据是中频部分。
步骤二、利用测井纵波阻抗数据和层位解释数据,通过插值建立三维井模型数据(包含低频、中频和高频成分)。
步骤三、对测井数据插值三维模型分别进行低通滤波和带通滤波,得到井数据模型的低频部分(例如0-10Hz左右)模型LFmodel和高频部分(例如50-200Hz)模型HFmodel。滤波器参数根据实际地震数据的频谱确定。
步骤四、根据完成地质任务的需要确定目标曲线(相当于标签数据)频带范围,然后设计一个低通滤波器对测井数据三维插值模型再进行一次低通滤波得到一个新的测井数据插值模型,我们称之为tagmodel。例如若希望高分辨反演结果达到纵向分辨率3m需要0-200Hz频宽,那么就将带通滤波器设置为F1=200,F2=210,F3=0,F4=0。
步骤五、归一化(数据缩放)处理。分别将带限地震波阻抗数据S(中频)、低频部分模型LFmodel和高频部分模型HFmodel进行归一化处理,使得它们的数据范围缩放到-1和1之间。这三个频率成分数据分别记作SeisN.sgy、WLFN.sgy、WHFN.sgy。
归一化公式如下:
其中Ip-纵波阻抗,单位:m/s*g/cc
Ipmax-目的层段最大纵波阻抗,单位:m/s*g/cc
Ipmin-目的层段最小纵波阻抗,单位:m/s*g/cc
步骤六、分别从带限地震波阻抗数据SeisN.sgy、低频部分模型WLFN.sgy、高频部分模型WHFN.sgy、标签模型tagmodel中沿着所有作为标签井、测试(验证)井的井筒轨迹抽取标签井训练数据曲线和验证井数据曲线,其中Wtagn是标签井目标曲线数据,Wsn、WLFn、WHFn是标签井特征参数曲线数据,n是标签井数量,这些数据都是训练数据;Wtagm是验证井已知答案数据,Wsm、WLFm、WHFm是验证井特征参数曲线数据,m是验证井数量,这些数据都是测试数据。
步骤七、定义每一口标签井标签数据深度段,例如W1井2000-2200m,W2井2050-2300m,......,这些层段数据将作为这若干口井的训练样本集。可以将所有标签井标签数据深度段定义在一个文本文件中。标签井标签深度段以外的数据作为测试集数据,测试集数据应该占总数据的20%以上。
步骤八、选择所有标签井和标签井标签数据深度段文本输入SVM回归模型进行机器学习训练,调整SVM的三个关键参数即惩罚系数C、核函数参数g(gamma)、SVR(支持向量回归)间隔带p,直到满足要求的精度(即平方相关系数SCC和均方误差mse都达到设定的精度,通常SCC要大于0.7),此时输出一个SVM回归模型SVRmodel。
步骤九、一次选择若干口验证井(例如m口),选择训练好的模型SVRmodel1,定义验证井特征参数曲线(Wsm、WLFm和WHFm),即将验证井特征参数曲线数据输入SVM回归模型进行预测,输出预测高分辨波阻抗曲线WIPprem,同时输出平方相关系数SCC和均方误差mse。将WIPprem与Wtagm进行对比,分析输出高分辨波阻抗曲线的误差,如果结果满足精度要求,可将已经训练好的高分辨率波阻抗SVM回归模型应用于三维数据体做回归预测处理。
步骤十、一次选择三个频率成分的三维数据SEGY文件(SeisN.sgy、WLFN.sgy、WHFN.sgy),选择训练好的模型SVRmodel,定义特征参数数据(与SEGY文件名前缀保持一致)作为SVM回归输入进行三维数据体预测,输出预测高分辨波阻抗数据体3DIPpre,该结果就是基于机器学习SVM回归得到的超高分辨率三维波阻抗数据体。
附图说明
图1叠加地震、SVM机器学习高分辨反演和其它地震测井融合高分辨反演对比图(a叠加地震;b SVM机器学习地震测井超高分辨率数据融合结果;c传统地震测井合并高分辨反演结果)
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明是这样实现的。
步骤一、叠加地震进行积分处理转换为带限(相对)纵波阻抗。这部分数据是中频部分,本实施例中频带范围是8-45Hz。
步骤二、利用测井纵波阻抗数据和层位解释数据,通过插值建立三维井模型数据(包含低频、中频和高频成分)。
步骤三、对测井数据插值三维模型分别进行低通滤波和带通滤波,得到井数据模型的低频部分(本实施例是0-8Hz)模型LFmodel和高频部分(例如45-150Hz)模型HFmodel。滤波器参数根据实际地震数据的频谱确定。
步骤四、根据完成地质任务的需要确定目标曲线(相当于标签数据)频带范围,然后设计一个高截滤波器对测井数据三维插值模型再进行一次高截滤波得到一个新的测井数据插值模型,我们称之为tagmodel。在本实施例中高分辨反演希望达到纵向分辨率3m,那么需要0-150Hz频宽,那么就将高截滤波器设置为F1=150,F2=160,F3=0,F4=0。
步骤五、归一化(数据缩放)处理。分别将带限地震波阻抗数据S(中频)、低频部分模型LFmodel和高频部分模型HFmodel使用公式(1)进行归一化处理,使得它们的数据范围缩放到-1和1之间。这三个频率成分数据分别记作SeisN.sgy、WLFN.sgy、WHFN.sgy。
步骤六、分别从带限地震波阻抗数据SeisN.sgy、低频部分模型WLFN.sgy、高频部分模型WHFN.sgy、标签模型tagmodel中沿着所有作为标签井、测试(验证)井的井筒轨迹抽取标签井训练数据曲线和验证井数据曲线,其中Wtagn是标签井目标曲线数据,Wsn、WLFn、WHFn是标签井特征参数曲线数据,n是标签井数量,这里n=1,这些数据都是训练数据;Wtagm是验证井已知答案数据,Wsm、WLFm、WHFm是验证井特征参数曲线数据,m是验证井数量,这里m=2,这些数据都是测试数据。
步骤七、定义每一口标签井标签数据深度段,例如W1井2000-2200m,W2井2050-2300m,……,这些层段数据将作为这若干口井的训练样本集。可以将所有标签井标签数据深度段定义在一个文本文件中。标签井标签深度段以外的数据作为测试集数据,测试集数据应该占总数据的20%以上。
步骤八、选择所有标签井和标签井标签数据深度段文本输入SVM回归模型进行机器学习训练,调整SVM的三个关键参数即惩罚系数C、核函数参数g(gamma)、SVR(支持向量回归)间隔带p,直到满足要求的精度(即平方相关系数SCC和均方误差mse都达到设定的精度,通常SCC要大于0.7),此时输出一个SVM回归模型SVRmodel。在本实施例中,C=16,g=1,p=0.0078。
步骤九、一次选择若干口验证井(本实施例中由2口验证井),选择训练好的模型SVRmodel1,定义验证井特征参数曲线(Wsm、WLFm和WHFm),即将验证井特征参数曲线数据输入SVM回归模型进行回归模拟,输出预测高分辨波阻抗曲线,同时输出平方相关系数SCC和均方误差mse。将WIPprem与Wtagm进行对比,分析输出高分辨波阻抗曲线的误差,如果结果满足精度要求,可将已经训练好的高分辨率波阻抗SVM回归模型应用于三维数据体做回归预测处理。
步骤十、一次选择三个频率成分的三维数据SEGY文件(SeisN.sgy、WLFN.sgy、WHFN.sgy),选择训练好的模型SVRmodel,定义特征参数数据(与SEGY文件名前缀保持一致)作为SVM回归输入进行波阻抗三维数据体回归模拟,输出三维高分辨波阻抗数据体3DIPpre,该结果就是基于机器学习SVM回归得到的超高分辨率三维波阻抗数据体成果。
图1a是叠加地震,图1c是传统地震测井合并高分辨反演结果,首先是该结果信噪比低、成像不好,其次是椭圆区域内的潮道地震特征保持不好。图1b是机器学习地震测井超高分辨率数据融合结果,整体上信噪比高、成像好,地震特征得到了很好的保持,如椭圆区域内潮道、箭头所示的目标1和目标2。
上述虽然对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制。本发明的方法以波阻抗为例,但很显然可以容易推广到所有的弹性参数反射率数据体(即弹性地震体)。
Claims (8)
1.一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于通过SVM(Support Vector Machine)机器学习算法自动建立三个频率成分与目标测井曲线之间非线性关系,从而实现地震和测井超高分辨率数据融合的目标。超高分辨率是指纵向分辨率达到5m以下。其实现步骤如下:
步骤一、叠加地震(ΔIp/Ip,Ip是纵波阻抗,是密度和纵波速度的乘积)进行道积分处理转换为带限(相对)纵波阻抗。这部分数据是中频部分。
步骤二、利用测井纵波阻抗数据和层位解释数据,通过插值建立三维测井模型数据(包含低频、中频和高频成分)。
步骤三、对测井数据插值三维模型分别进行低通滤波和带通滤波,得到井数据模型的低频部分(例如0-10Hz左右)模型LFmodel和高频部分(例如50-200Hz)模型HFmodel。滤波器参数根据实际地震数据的频谱确定。
步骤四、根据完成地质任务的需要确定目标曲线(相当于标签数据)频带范围,然后设计一个高截滤波器对测井数据三维插值模型进行高截滤波得到一个新的三维测井数据插值模型,我们称之为tagmodel。例如若希望高分辨反演结果达到纵向分辨率3m需要0-200Hz频宽,那么就将高截滤波器设置为F1=200,F2=210,F3=0,F4=0。
步骤五、归一化(数据缩放)处理。分别将带限地震波阻抗数据S(中频)、低频部分模型LFmodel和高频部分模型HFmodel进行归一化处理,使得它们的数据范围缩放到-1和1之间。这三个频率成分数据分别记作SeisN.sgy、WLFN.sgy。
归一化公式如下:
其中Ip-纵波阻抗,单位:m/s*g/cc
Ipmax-目的层段最大纵波阻抗,单位:m/s*g/cc
Ipmin-目的层段最小纵波阻抗,单位:m/s*g/cc
步骤六、分别从带限地震波阻抗数据、低频部分模型、高频部分模型、标签模型tagmodel中沿着所有作为标签井、测试(验证)井的井筒轨迹抽取标签井训练数据曲线和验证井数据曲线,其中Wtagn是标签井目标曲线数据,Wsn、WLFn和WHFn是标签井特征参数曲线数据,n是标签井数量,这些数据都是训练数据;Wtagm是验证井已知答案数据,Wsm、WLFm和WHFm是验证井特征参数曲线数据,m是验证井数量,这些数据都是测试数据。
步骤七、定义每一口标签井标签数据深度段,例如W1井2000-2200m,W2井2050-2300m,……,这些层段数据将作为这若干口井的训练样本集。可以将所有标签井标签数据深度段定义在一个文本文件中。标签井标签深度段以外的数据作为测试集数据,测试集数据应该占总数据的20%以上。
步骤八、选择所有标签井和标签井标签数据深度段文本输入SVM回归模型进行机器学习训练,调整SVM的三个关键参数即惩罚系数C、核函数参数g(gamma)、SVR(支持向量回归)间隔带p,直到满足要求的精度(即平方相关系数SCC和均方误差mse都达到设定的精度,通常SCC要大于0.7),此时输出一个SVM回归模型SVRmodel。
步骤九、一次选择若干口验证井(例如m口),选择训练好的模型SVRmodel,定义验证井特征参数曲线(Wsm、WLFm和WHFm),即将验证井特征参数曲线数据输入SVM回归模型进行预测,输出预测高分辨率波阻抗曲线,同时输出平方相关系数SCC和均方误差mse。将预测结果WIPprem与已知答案Wtagm进行对比,分析输出高分辨率波阻抗曲线的误差,如果结果满足精度要求,可将已经训练好的高分辨率波阻抗SVM回归模型应用于三维数据体做回归预测处理。
步骤十、一次选择三个频率成分的三维数据SEGY文件(SeisN.sgy、WLFN-sgy和WHFN.sgy),选择训练好的模型SVRmodel,定义特征参数数据(与SEGY文件名前缀保持一致)作为SVM回归输入进行三维数据体预测,输出预测高分辨率波阻抗数据体3D,该结果就是基于机器学习SVM回归得到的超高分辨率三维波阻抗数据体。
2.如权利要求1所述一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于,步骤四、根据完成地质任务的需要确定目标曲线(相当于标签数据)频带范围,然后设计一个高截滤波器对测井数据三维插值模型进行高截滤波得到一个新的三维测井数据插值模型,我们称之为tagmodel。
3.如权利要求1所述一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于,步骤五、归一化(数据缩放)处理。分别将带限地震波阻抗数据S(中频)、低频部分模型LFmodel和高频部分模型HFmodel进行归一化处理,使得它们的数据范围缩放到-1和1之间。
4.如权利要求1所述一种一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于,步骤六、分别从带限地震波阻抗数据、低频部分模型、高频部分模型、标签模型tagmodel中沿着所有作为标签井、测试(验证)井的井筒轨迹抽取标签井训练数据曲线和验证井数据曲线,其中Wtagn是标签井目标曲线数据,Wsn、WLFn、WHFn是标签井特征参数曲线数据,n是标签井数量,这些数据都是训练数据;Wtagm是验证井已知答案数据,Wsm、WLFm、WHFm是验证井特征参数曲线数据,m是验证井数量,这些数据都是测试数据。
5.如权利要求1所述一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于,步骤七、定义每一口标签井标签数据深度段,例如W1井2000-2200m,W2井2050-2300m,……,这些层段数据将作为这若干口井的训练样本集,可以将所有标签井标签数据深度段定义在一个文本文件中,标签井标签深度段以外的数据作为测试集数据,测试集数据应该占总数据的20%以上。
6.如权利要求1所述一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于,步骤八、选择所有标签井和标签井标签数据深度段文本输入SVM回归模型进行机器学习训练,调整SVM的三个关键参数即惩罚系数C、核函数参数g(gamma)、SVR(支持向量回归)间隔带p,直到满足要求的精度(即平方相关系数SCC和均方误差mse都达到设定的精度,通常SCC要大于0.7),此时输出一个SVM回归模型SVRmodel。
7.如权利要求1所述一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于,步骤九、一次选择若干口验证井(例如m口),选择训练好的模型SVRmodel,定义验证井特征参数曲线(Wsm、WLFm和WHFm),即将验证井特征参数曲线数据输入SVM回归模型进行预测,输出预测高分辨波阻抗曲线,同时输出平方相关系数SCC和均方误差mse,将预测结果WIPprem与已知答案Wtagm进行对比,分析输出高分辨波阻抗曲线的误差,如果结果满足精度要求,可将已经训练好的高分辨率波阻抗SVM回归模型应用于三维数据体做回归预测处理。
8.如权利要求1所述一种基于小样本机器学习地震测井超高分辨率数据融合实现方法,其特征在于,步骤十、一次选择三个频率成分的三维数据SEGY文件(SeisN.sgy、WLFN.sgy和WHFN.sgy),选择训练好的模型SVRmodel,定义特征参数数据(与SEGY文件名前缀保持一致)作为SVM回归输入进行三维数据体预测,输出预测高分辨波阻抗数据体3DIPpre,该结果就是基于机器学习SVM回归得到的超高分辨率三维波阻抗数据体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110582235.6A CN113267816B (zh) | 2021-05-27 | 2021-05-27 | 一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110582235.6A CN113267816B (zh) | 2021-05-27 | 2021-05-27 | 一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113267816A true CN113267816A (zh) | 2021-08-17 |
CN113267816B CN113267816B (zh) | 2023-05-16 |
Family
ID=77233099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110582235.6A Active CN113267816B (zh) | 2021-05-27 | 2021-05-27 | 一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113267816B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063162A (zh) * | 2021-11-05 | 2022-02-18 | 北京珠玛阳光科技有限公司 | 一种基于小样本机器学习SVM Vp/Vs预测方法 |
CN117452518A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 基于多学科数据融合聚类算法的储层岩性预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121699A (zh) * | 2017-02-28 | 2017-09-01 | 中国石油化工股份有限公司 | 一种地震相控制下的沉积微相识别方法 |
CN108802812A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油天然气股份有限公司 | 一种井震融合的地层岩性反演方法 |
CN109061764A (zh) * | 2018-09-07 | 2018-12-21 | 中国石油化工股份有限公司 | 一种分频融合波阻抗反演方法 |
CN109633750A (zh) * | 2019-01-18 | 2019-04-16 | 中国地质大学(北京) | 基于测井相波阻抗与地震波形的非线性映像关系反演方法 |
US20190293818A1 (en) * | 2017-04-28 | 2019-09-26 | Pioneer Natural Resources Usa, Inc. | High resolution seismic data derived from pre-stack inversion and machine learning |
CN111880217A (zh) * | 2020-07-09 | 2020-11-03 | 北京珠玛阳光科技有限公司 | 一种地震数据特征控制高分辨反演质控方法 |
-
2021
- 2021-05-27 CN CN202110582235.6A patent/CN113267816B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121699A (zh) * | 2017-02-28 | 2017-09-01 | 中国石油化工股份有限公司 | 一种地震相控制下的沉积微相识别方法 |
CN108802812A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油天然气股份有限公司 | 一种井震融合的地层岩性反演方法 |
US20190293818A1 (en) * | 2017-04-28 | 2019-09-26 | Pioneer Natural Resources Usa, Inc. | High resolution seismic data derived from pre-stack inversion and machine learning |
CN109061764A (zh) * | 2018-09-07 | 2018-12-21 | 中国石油化工股份有限公司 | 一种分频融合波阻抗反演方法 |
CN109633750A (zh) * | 2019-01-18 | 2019-04-16 | 中国地质大学(北京) | 基于测井相波阻抗与地震波形的非线性映像关系反演方法 |
CN111880217A (zh) * | 2020-07-09 | 2020-11-03 | 北京珠玛阳光科技有限公司 | 一种地震数据特征控制高分辨反演质控方法 |
Non-Patent Citations (1)
Title |
---|
崔炯成等: "高分辨率非线性地震波阻抗反演方法和应用", 《石油物探》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063162A (zh) * | 2021-11-05 | 2022-02-18 | 北京珠玛阳光科技有限公司 | 一种基于小样本机器学习SVM Vp/Vs预测方法 |
CN114063162B (zh) * | 2021-11-05 | 2024-03-08 | 北京珠玛阳光科技有限公司 | 一种基于小样本机器学习SVM Vp/Vs预测方法 |
CN117452518A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 基于多学科数据融合聚类算法的储层岩性预测方法 |
CN117452518B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 基于多学科数据融合聚类算法的储层岩性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113267816B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
KR102229342B1 (ko) | Fun을 사용하여 cnn의 성능을 향상시키기 위한 학습 방법 및 학습 장치, 그리고 이를 이용한, 테스트 방법 및 테스트 장치 | |
CN113267816A (zh) | 一种基于小样本机器学习地震测井超高分辨率数据融合实现方法 | |
Meldahl et al. | The chimney cube, an example of semi-automated detection of seismic objects by directive attributes and neural networks: Part I; methodology | |
CN102695970B (zh) | 用于表征石油或者天然气储集层随时间演变的改进方法 | |
US10890688B2 (en) | Method for generating secondary data in geostatistics using observed data | |
Fattahi et al. | Prediction of porosity and water saturation using pre-stack seismic attributes: a comparison of Bayesian inversion and computational intelligence methods | |
CN110031895B (zh) | 一种基于图像缝合的多点地质统计学随机反演方法及装置 | |
CN112285768B (zh) | 一种高频海洋声导波频散分析装置及方法 | |
Otake et al. | Deep learning model for spatial interpolation of real‐time seismic intensity | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN111983681A (zh) | 一种基于对抗学习的地震波阻抗反演方法 | |
CN112231974B (zh) | 基于深度学习的tbm破岩震源地震波场特征恢复方法及系统 | |
Piccolo et al. | Geoacoustic inversion with generalized additive models | |
CN114966860A (zh) | 一种基于卷积神经网络的地震数据去噪方法 | |
CN113077386A (zh) | 基于字典学习和稀疏表征的地震资料高分辨率处理方法 | |
Zhang et al. | Research on mud pulse signal detection based on adaptive stochastic resonance | |
Li et al. | AIS-based vessel trajectory reconstruction with U-Net convolutional networks | |
CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
Verma et al. | Quantification of sand fraction from seismic attributes using Neuro-Fuzzy approach | |
CN107102379A (zh) | 一种基于多属性反演进行煤层底板富水性预测的方法 | |
CN117351321A (zh) | 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 | |
CN111856568B (zh) | 基于mwv模型的频率域多道反射系数联合反演方法及系统 | |
CN111045084A (zh) | 基于预测特征提取的多次波自适应相减方法 | |
CN112147679A (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230719 Address after: No. 400, Floor 4, Building 3, No. A1, Dongwangzhuang, Wudaokou, Haidian District, Beijing 100080 Patentee after: BEIJING ELSIWAVE TECHNOLOGY Co.,Ltd. Patentee after: Shanghai Borui Energy Technology Co.,Ltd. Address before: No. 401, 4th floor, building 3, No. 1, dongwangzhuang, Wudaokou, Haidian District, Beijing 100083 Patentee before: BEIJING ELSIWAVE TECHNOLOGY Co.,Ltd. |