CN113283182A - 地层压力预测分析方法、装置、介质及设备 - Google Patents
地层压力预测分析方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN113283182A CN113283182A CN202110763391.2A CN202110763391A CN113283182A CN 113283182 A CN113283182 A CN 113283182A CN 202110763391 A CN202110763391 A CN 202110763391A CN 113283182 A CN113283182 A CN 113283182A
- Authority
- CN
- China
- Prior art keywords
- formation
- pressure
- eaton
- time difference
- equivalent density
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种地层压力预测分析方法、装置、介质及设备,包括如下步骤:a测量地层井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度、实测声波时差值和实测地层压力数据点Ep;b将井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度和实测声波时差值代入Eaton法地层孔隙压力计算模型公式;c求取正常压力趋势线,当地层出现异常压力升高时,利用深度学习中前馈神经网络模型对Eaton法地层孔隙压力计算模型公式进行校正,从而确定单井的声波时差趋势线最优解;d基于地层孔隙压力当量密度和实测地层压力数据点Ep,计算偏差和方差,利用深度学习中前馈神经网络模型,预测区域Eaton指数n。
Description
技术领域
本发明涉及一种地层压力预测分析方法、装置、介质及设备,属于地质勘探技术领域。
背景技术
常规地层压力预测方法是利用声波时差、地层密度等测井资料,根据传统地层压力计算方法(以Eaton法为代表)分析地层压力。但在分析过程中,常规方法需要人为观察趋势建立常压地层趋势线,从而可以分析压力随深度的变化,其基本上是依靠经验做法去确定正常压力趋势线,较为依靠工程技术人员主观和经验判断,常造成经验做法存在一定误差。因此,为了更加准确地识别区域地层压力,急需一种新的方法建立区域地层压力正常趋势线,从而提高地层压力预测精度。
发明内容
针对上述突出问题,本发明提供一种地层压力预测分析方法、装置、介质及设备,该方法基于传统理论模型,将需要人工经验或区域常用系数等确定,通过深度学习中前馈神经网络模型的方法可以得到更为合理的区域参数,从而可以进一步提高区域地层压力预测精度。
为实现上述目的,本发明采取以下技术方案:
一种地层压力预测分析方法,包括如下步骤:
a测量地层井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度、实测声波时差值和实测地层压力数据点Ep;
b将所述步骤a中的井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度和实测声波时差值代入Eaton法地层孔隙压力计算模型公式;
c基于所述步骤b中的Eaton法地层孔隙压力计算模型公式,求取正常压力趋势线,当地层出现异常压力升高时,利用深度学习中前馈神经网络模型对Eaton法地层孔隙压力计算模型公式进行校正,从而确定单井的声波时差趋势线最优解;
d基于所述步骤a中的地层孔隙压力当量密度和实测地层压力数据点Ep,计算偏差和方差,利用深度学习中前馈神经网络模型,求取区域Eaton指数n。
所述的地层压力预测分析方法,优选地,所述步骤b中Eaton法地层孔隙压力计算模型公式如下:
Gp=Gop-(Gop-ρw)(Δtn/Δt)n (1)
式中,Gp为井深H处的地层孔隙压力当量密度;Gop为井深H处的上覆岩层压力当量密度;ρw为井深H处的地层水密度;Δtn为井深H处的正常压实时的声波时差值;Δt为井深H处的实测声波时差值;n为Eaton指数。
所述的地层压力预测分析方法,优选地,对岩性已知、地层水性质变化不大的地质剖面,声波时差与孔隙度之间成正比关系,所述步骤c中求取正常压力趋势线的计算公式如下:
logΔt=AH+B (2)
式中,Δt为井深H处的实测声波时差值;Δt0为井深为0处的地层声波时差;A、B为系数,其中A<0。
所述的地层压力预测分析方法,优选地,所述步骤c中,当地层出现异常压力升高时,利用深度学习中前馈神经网络法对Eaton法地层孔隙压力计算模型公式进行校正,校正公式如下:
f(H)=AH+B (3)
L(Δt,H)=logΔt-f(H) (4)
ω(t,h)=(L(Δt,H)-L(Δt+t,H+h))2 (5)
式中,f(H)为预测正常压力趋势压力数据;Δt为井深H处的实测声波时差值;L(Δt,H)为H深度压力预测值和正常压力趋势的差异;L(Δt+t,H+h)为H+h深度压力预测值和正常压力趋势的差异;ω(t,h)为偏差的平方。
所述的地层压力预测分析方法,优选地,所述步骤c中,单井的声波时差趋势线最优解的确定过程具体如下:
利用声波时差A,B参数的深度学习中前馈神经网络模型,求取各井所有测井数据点的ω(t,h)最小值时对应的A,B两个参数,从而确定单井的声波时差趋势线最优解。
所述的地层压力预测分析方法,优选地,所述步骤d中,偏差ω和方差σ的计算公式分别如下:
式中,N为样本数量,对应深度的数据差异合集;Ep为实测地层压力数据点。
所述的地层压力预测分析方法,优选地,所述步骤d中,利用深度学习中前馈神经网络模型,预测区域Eaton指数n的具体过程如下:
通过井下测量工具获得不同井深度的实测地层压力数据点Ep,再通过计算的Gp和实测的Ep,计算偏差和方差,然后通过训练数据集预测出区域的Eaton指数n;再通过测试数据集得到拟定的区域Eaton指数n是否适用于本区域,最终得到区域Eaton指数n。
本发明还提供一种地层压力预测分析装置,包括:
第一处理单元,用于测量地层井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度、实测声波时差值和实测地层压力数据点Ep;
第二处理单元,用于将第一处理单元中的井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度和实测声波时差值代入Eaton法地层孔隙压力计算模型公式;
第三处理单元,用于基于第二处理单元中的Eaton法地层孔隙压力计算模型公式,求取正常压力趋势线,当地层出现异常压力升高时,利用深度学习中前馈神经网络模型对Eaton法地层孔隙压力计算模型公式进行校正,从而确定单井的声波时差趋势线最优解;
第四处理单元,用于基于第一处理单元中的地层孔隙压力当量密度和实测地层压力数据点Ep,计算偏差和方差,利用深度学习中前馈神经网络模型,预测区域Eaton指数n。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述地层压力预测、分析方法的步骤。
本发明还提供一种计算机设备,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地层压力预测、分析方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
本发明方法基于传统理论模型,将需要人工经验或区域常用系数等确定,通过深度学习中前馈神经网络模型的方法可以得到更为合理的区域参数,从而可以进一步提高区域地层压力预测精度。
附图说明
图1是本发明一实施例提供的声波时差A,B参数中前馈神经网络模型示意图;
图2为本发明该实施例提供的基于图1中的中前馈神经网络模型分析得到的单井声波时差趋势线最优解与Eaton指数n。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明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。
如图1、2所示,本发明提供一种地层压力预测、分析方法,包括如下步骤:
a测量地层井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度(由测井工具直接测得)、地层水密度、实测声波时差值和实测地层压力数据点Ep;
b将所述步骤a中的井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度和实测声波时差值代入Eaton法地层孔隙压力计算模型公式;
c基于所述步骤b中的Eaton法地层孔隙压力计算模型公式,求取正常压力趋势线,当地层出现异常压力升高时,利用深度学习中前馈神经网络模型对Eaton法地层孔隙压力计算模型公式进行校正,从而确定单井的声波时差趋势线最优解;
d基于所述步骤a中的地层孔隙压力当量密度和实测地层压力数据点Ep,计算偏差和方差,利用深度学习中前馈神经网络模型,求取区域Eaton指数n。
本实施方案中,所述步骤b中Eaton法地层孔隙压力计算模型公式如下:
Gp=Gop-(Gop-ρw)(Δtn/Δt)n (1)
式中,Gp为井深H处的地层孔隙压力当量密度,单位为g/cm3;Gop为井深H处的上覆岩层压力当量密度,单位为g/cm3;ρw为井深H处的地层水密度,单位为g/cm3;Δtn为井深H处的正常压实时的声波时差值,单位为μs/ft;Δt为井深H处的实测声波时差值,单位为μs/ft;n为Eaton指数。根据提供的地层孔隙压力实测数据,经分析计算可得到适用于该区块的Eaton指数,取地层水密度ρw=1.03g/cm3。
在上述方法中,要确定的参数有2个:一个是Δtn,即需要通过拟定趋势线确定正常压实时的声波时差值;另一个是n,也就是Eaton指数。具体过程如下:
(一)、求取正常压力趋势线:
对岩性已知、地层水性质变化不大的地质剖面,声波时差与孔隙度之间成正比关系,所述步骤c中求取正常压力趋势线的计算公式如下:
logΔt=AH+B (2)
式中,Δt为井深H处的实测声波时差值,单位为μs/ft;A、B为系数,其中A<0。式(2)即为压实地层声波时差正常趋势线公式,从式中可以看出:log(Δt)与H成线性关系,斜率是A(A<0),在半对数曲线上,正常压实地层的声波时差对数值随深度呈线性减少。
当地层出现异常压力升高时(即出现异常高压时),声波时差散点会明显偏离正常趋势线,利用深度学习中前馈神经网络法对Eaton法地层孔隙压力计算模型公式进行校正,校正公式如下:
f(H)=AH+B (3)
L(Δt,H)=logΔt-f(H) (4)
ω(t,h)=(L(Δt,H)-L(Δt+t,H+h))2 (5)
式中,f(H)为预测正常压力趋势压力数据,单位为g/cm3;Δt为井深H处的实测声波时差值,单位为μs/ft;L(Δt,H)为H深度压力预测值和正常压力趋势的差异,单位为g/cm3;L(Δt+t,H+h)为H+h深度压力预测值和正常压力趋势的差异,单位为g/cm3;ω(t,h)为偏差的平方,无量纲。
如图1所示,其为声波时差A,B参数的深度学习中前馈神经网络模型,求取各井所有测井数据点的ω(t,h)最小值时对应的A,B两个参数,从而确定单井的声波时差趋势线最优解。假设区域共30口井,我们将20口井作为训练数据集,10口井作为测试数据集,以获取最优化本区域声波时差正常趋势线。通过各井的趋势线,再通过同样的方法,求取20口训练数据集对应的区域A,B两个参数。并通过10口井测试数据集测试建立的区域性的A,B参数,若各井ω(t,h)均值相比单井趋势线建立的ω(t,h)有改善,说明区域建立的声波趋势线有更好的符合性。
(二)、求取区域Eaton指数
通常钻井作业会通过井下测量工具获得不同井深度的实测地层压力数据点Ep,因此通过计算的Gp和实测的Ep,可以计算偏差和方差,然后通过训练数据集可以预测出区域的Eaton指数n。再通过测试数据集可以得到拟定的区域Eaton指数n是否适用于本区域,最终得到区域Eaton指数n。分析结果的示意图如图2所示,通过设备自动求解,得到n的最优解。其中,偏差:N为样本数量,对应深度的数据差异合集;方差:N为样本数量,对应深度的数据差异合集。
本发明还提供一种地层压力预测分析装置,包括:
第一处理单元,用于测量地层井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度、实测声波时差值和实测地层压力数据点Ep;
第二处理单元,用于将第一处理单元中的井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度和实测声波时差值代入Eaton法地层孔隙压力计算模型公式;
第三处理单元,用于基于第二处理单元中的Eaton法地层孔隙压力计算模型公式,求取正常压力趋势线,当地层出现异常压力升高时,利用深度学习中前馈神经网络模型对Eaton法地层孔隙压力计算模型公式进行校正,从而确定单井的声波时差趋势线最优解;
第四处理单元,用于基于第一处理单元中的地层孔隙压力当量密度和实测地层压力数据点Ep,计算偏差和方差,利用深度学习中前馈神经网络模型,预测区域Eaton指数n。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述地层压力预测、分析方法的步骤。
本发明还提供一种计算机设备,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地层压力预测、分析方法的步骤。
本发明是根据具体实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种地层压力预测分析方法,其特征在于,包括如下步骤:
a测量地层井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度、实测声波时差值和实测地层压力数据点Ep;
b将所述步骤a中的井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度和实测声波时差值代入Eaton法地层孔隙压力计算模型公式;
c基于所述步骤b中的Eaton法地层孔隙压力计算模型公式,求取正常压力趋势线,当地层出现异常压力升高时,利用深度学习中前馈神经网络模型对Eaton法地层孔隙压力计算模型公式进行校正,从而确定单井的声波时差趋势线最优解;
d基于所述步骤a中的地层孔隙压力当量密度和实测地层压力数据点Ep,计算偏差和方差,利用深度学习中前馈神经网络模型,预测区域Eaton指数n。
2.根据权利要求1所述的地层压力预测分析方法,其特征在于,所述步骤b中Eaton法地层孔隙压力计算模型公式如下:
Gp=Gop-(Gop-ρw)(Δtn/Δt)n (1)
式中,Gp为井深H处的地层孔隙压力当量密度;Gop为井深H处的上覆岩层压力当量密度;ρw为井深H处的地层水密度;Δtn为井深H处的正常压实时的声波时差值;Δt为井深H处的实测声波时差值;n为Eaton指数。
3.根据权利要求2所述的地层压力预测分析方法,其特征在于,对岩性已知、地层水性质变化不大的地质剖面,声波时差与孔隙度之间成正比关系,所述步骤c中求取正常压力趋势线的计算公式如下:
logΔt=AH+B (2)
式中,Δt为井深H处的实测声波时差值;A、B为系数,其中A<0;H为井深。
4.根据权利要求3所述的地层压力预测分析方法,其特征在于,所述步骤c中,当地层出现异常压力升高时,利用深度学习中前馈神经网络法对Eaton法地层孔隙压力计算模型公式进行校正,校正公式如下:
f(H)=AH+B (3)
L(Δt,H)=logΔt-f(H) (4)
ω(t,h)=(L(Δt,H)-L(Δt+t,H+h))2 (5)
式中,f(H)为预测正常压力趋势压力数据;Δt为井深H处的实测声波时差值;L(Δt,H)为H深度压力预测值和正常压力趋势的差异;L(Δt+t,H+h)为H+h深度压力预测值和正常压力趋势的差异;ω(t,h)为偏差的平方。
5.根据权利要求4所述的地层压力预测分析方法,其特征在于,所述步骤c中,单井的声波时差趋势线最优解的确定过程具体如下:
利用声波时差A,B参数的深度学习中前馈神经网络模型,求取各井所有测井数据点的ω(t,h)最小值时对应的A,B两个参数,从而确定单井的声波时差趋势线最优解。
7.根据权利要求6所述的地层压力预测分析方法,其特征在于,所述步骤d中,利用深度学习中前馈神经网络模型,预测区域Eaton指数n的具体过程如下:
通过井下测量工具获得不同井深度的实测地层压力数据点Ep,再通过计算的Gp和实测的Ep,计算偏差和方差,然后通过训练数据集预测出区域的Eaton指数n;再通过测试数据集得到拟定的区域Eaton指数n是否适用于本区域,最终得到区域Eaton指数n。
8.一种地层压力预测分析装置,包括:
第一处理单元,用于测量地层井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度、实测声波时差值和实测地层压力数据点Ep;
第二处理单元,用于将第一处理单元中的井深H处的地层孔隙压力当量密度、上覆岩层压力当量密度、地层水密度和实测声波时差值代入Eaton法地层孔隙压力计算模型公式;
第三处理单元,用于基于第二处理单元中的Eaton法地层孔隙压力计算模型公式,求取正常压力趋势线,当地层出现异常压力升高时,利用深度学习中前馈神经网络模型对Eaton法地层孔隙压力计算模型公式进行校正,从而确定单井的声波时差趋势线最优解;
第四处理单元,用于基于第一处理单元中的地层孔隙压力当量密度和实测地层压力数据点Ep,计算偏差和方差,利用深度学习中前馈神经网络模型,预测区域Eaton指数n。
9.一种计算机可读存储介质,其上存储有计算机程序,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1-7所述地层压力预测、分析方法的步骤。
10.一种计算机设备,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1-7所述地层压力预测、分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763391.2A CN113283182B (zh) | 2021-07-06 | 2021-07-06 | 地层压力预测分析方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763391.2A CN113283182B (zh) | 2021-07-06 | 2021-07-06 | 地层压力预测分析方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283182A true CN113283182A (zh) | 2021-08-20 |
CN113283182B CN113283182B (zh) | 2023-09-05 |
Family
ID=77286431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110763391.2A Active CN113283182B (zh) | 2021-07-06 | 2021-07-06 | 地层压力预测分析方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283182B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049173A (zh) * | 2022-08-17 | 2022-09-13 | 中国石油大学(华东) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127343A (zh) * | 2016-06-27 | 2016-11-16 | 成都理工大学 | 一种地层超压成因机制的分析方法 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN108301825A (zh) * | 2018-01-23 | 2018-07-20 | 中国海洋石油集团有限公司 | 一种高温高压储层孔隙压力分析方法 |
CN109509111A (zh) * | 2017-09-15 | 2019-03-22 | 中国石油化工股份有限公司 | 探井地层压力的预测方法及系统 |
CN112100930A (zh) * | 2020-11-11 | 2020-12-18 | 中国石油大学(华东) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 |
CN112255688A (zh) * | 2020-10-27 | 2021-01-22 | 中国海洋石油集团有限公司 | 一种基于岩石物理理论的三维地震反演地层压力的方法 |
-
2021
- 2021-07-06 CN CN202110763391.2A patent/CN113283182B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN106127343A (zh) * | 2016-06-27 | 2016-11-16 | 成都理工大学 | 一种地层超压成因机制的分析方法 |
CN109509111A (zh) * | 2017-09-15 | 2019-03-22 | 中国石油化工股份有限公司 | 探井地层压力的预测方法及系统 |
CN108301825A (zh) * | 2018-01-23 | 2018-07-20 | 中国海洋石油集团有限公司 | 一种高温高压储层孔隙压力分析方法 |
CN112255688A (zh) * | 2020-10-27 | 2021-01-22 | 中国海洋石油集团有限公司 | 一种基于岩石物理理论的三维地震反演地层压力的方法 |
CN112100930A (zh) * | 2020-11-11 | 2020-12-18 | 中国石油大学(华东) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 |
Non-Patent Citations (3)
Title |
---|
LIBIN LIU等: "Abnormal formation velocities and applications to pore pressure prediction", pages 1 - 6, Retrieved from the Internet <URL:《网页在线公开:https://www.sciencedirect.com/science/article/pii/S092698511730705X》> * |
吴怡等: "灰岩储层孔隙压力预测方法研究", 《勘探开发》, no. 8, pages 120 - 121 * |
霍进等: "新区块及未钻井深部地层孔隙压力预测方法", 《天然气工业》, vol. 41, no. 3, pages 104 - 111 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049173A (zh) * | 2022-08-17 | 2022-09-13 | 中国石油大学(华东) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 |
CN115049173B (zh) * | 2022-08-17 | 2022-10-21 | 中国石油大学(华东) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113283182B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11591900B2 (en) | Method to predict overpressure uncertainty from normal compaction trendline uncertainty | |
CN107622139B (zh) | 裂缝渗透率的计算方法 | |
CN112943181B (zh) | 智能气井阀门调节系统 | |
CN104533400B (zh) | 一种重构测井曲线的方法 | |
CN111287740B (zh) | 基于真实应变下的异常高压气藏动态储量计算方法 | |
RU2709047C1 (ru) | Способ адаптации гидродинамической модели продуктивного пласта нефтегазоконденсатного месторождения с учетом неопределенности геологического строения | |
CN105956938B (zh) | 缝洞型油藏动态储量计算的方法 | |
US11237288B2 (en) | Verifying measurements of elastic anisotropy parameters in an anisotropic wellbore environment | |
CN113283182A (zh) | 地层压力预测分析方法、装置、介质及设备 | |
CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
CN111520126A (zh) | 密度测井扩径校正方法及装置 | |
CN111751878B (zh) | 横波速度的预测方法和装置 | |
CN111488666A (zh) | 一种气藏水平井产能预测模型建立、预测方法及装置 | |
CN113515840B (zh) | 一种岩体开挖扰动区的预测方法以及相关设备 | |
CN114580233A (zh) | 一种基于r/s分析与有限差分法的致密油储层天然裂缝识别方法及系统 | |
CN110032777B (zh) | 一种基于不确定性分析的钻井液密度安全窗口估计方法 | |
CN106537461B (zh) | 使用来自时移数据的动态边界条件的地质力学建模 | |
CN110500082B (zh) | 一种固井水泥浆气侵危险时间的确定方法 | |
CN107605469A (zh) | 预测地层孔隙压力的方法 | |
CN114441405B (zh) | 基于压实和胶结减孔趋势的次生增孔幅度定量评价方法 | |
CN112946754B (zh) | 储层孔隙度预测方法及装置 | |
CN116842854B (zh) | 基于优化神经网络的煤体应力智能预测和异径卸压方法 | |
CN113027427B (zh) | 一种基于贝叶斯理论的含可信度地层压力随钻修正方法 | |
CN117094236B (zh) | 一种深水钻井气侵数据分析的高精度校准方法 | |
CN118037083A (zh) | 致密砂岩气藏水平井开发适应性的判定方法、装置及设备 |
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 |