CN113344729B - 一种基于小样本学习的剩余油挖潜方法 - Google Patents
一种基于小样本学习的剩余油挖潜方法 Download PDFInfo
- Publication number
- CN113344729B CN113344729B CN202110624187.2A CN202110624187A CN113344729B CN 113344729 B CN113344729 B CN 113344729B CN 202110624187 A CN202110624187 A CN 202110624187A CN 113344729 B CN113344729 B CN 113344729B
- Authority
- CN
- China
- Prior art keywords
- oil
- well
- layer
- learning
- small
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000009412 basement excavation Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012512 characterization method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000011010 flushing procedure Methods 0.000 claims description 2
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 claims 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出一种基于小样本学习的剩余油挖潜方法，主要涉及深度学习，石油勘探领域。主要步骤包含：对获取的测井曲线数据进行预处理，并进行任务划分，设置支持集和查询集；设计基于小样本学习的地层划分方法，以识别单口井附近的含油储层，从而判断多口井的含油储层是否为同一地层，实现智能小层对比；设计三层循环的MAML(Model‑Agnostic Meta‑Learning)架构，解决井场间地质差异较大问题，根据地层划分所识别的油层，预测单口井附近的储集层的含油饱和度；设计基于度量学习的含油区块搜索方法，根据识别出的油层以及所预测出的该油层的含油饱和度，在横向储层中针对井网结构使用图神经网络进行特征相似度表征，进行剩余油挖潜相关研究。本发明针对地质数据样本量不足，借助小样本学习方法进行剩余油挖潜，并对元学习方法进行优化，实现有效的剩余油挖潜。
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，具体涉及到一种基于小样本学习的剩余油挖潜方法。
背景技术
目前我国主力老油田已经进入特高含水后期开发阶段，石油产量逐年递减，而目前的采收率仍不到三分之一。在工业4.0时代，如何借助人工智能技术进行剩余油挖潜对维护我国经济稳定和石油安全具有重大意义。然而常常因为设备故障、人工记录以及人为测井解释容易出现误差，导致石油数据噪声过大、有效标签不足，同时缺乏有效的剩余油挖潜方法，因此基于小样本学习的剩余油挖潜具有重大意义。
目前国内外对剩余油挖潜方法主要包括图版法、油藏数值模拟和机器学习方法三类。图版法以少量实测数据结合物理实验规律进行估算，绘图中存在较大的假设性和人为误差。油藏数值模拟方法存在诸多假设，受人为经验影响较大，准确率有限，且时间成本和计算成本高。油气勘探开发智能化转型，机器学习技术为解决复杂石油问题带来了契机，以测井解释结果，油藏工程理论计算基础数据，以及多套数值模拟结果等为数据支撑进行剩余油挖潜研究，由于其简单快速、成本低廉近年来受到重点关注。
然而现有可用于研究的高质量地质数据较少，导致目标样本分布不均衡，难以进行有效的相关研究。此外现有机器学习方法多以油藏数值模拟结果作为标签，但模拟过程中存在的多重假设，在一定程度上会造成误差累积，因此急需设计出一种有效的剩余油挖潜方法。
发明内容
为解决现有技术中的缺点和不足，本发明目的为提出了一种基于小样本学习的剩余油挖潜方法；
本发明为实现上述的技术目的，采用如下的技术方案：
S1、对获取的测井曲线数据进行预处理，并进行任务划分，设置支持集和查询集；
S2、设计基于小样本学习的地层划分方法，以识别单口井附近的含油储层，从而判断多口井的含油储层是否为同一地层，实现智能小层对比；
S3、设计三层循环的MAML架构，解决井场间地质差异较大问题，根据步骤S2中地层划分所识别的油层，预测单口井附近的储集层的含油饱和度；
S4、设计基于度量学习的含油区块搜索方法，根据步骤S2中识别出的油层以及步骤S3中所预测出的该油层的含油饱和度，在横向储层中针对井网结构使用图神经网络进行特征相似度表征，进行剩余油挖潜相关研究。
上述步骤S1中，通过井斜、曲线特征、井段、小层标签等多种条件进行筛选过滤，确定实验井，实现数据的预处理，然后根据MAML模型架构进行任务划分。
上述步骤S2中，在构建基于小样本学习的地层划分方法时，具体包括：
S21、在MAML内层循环设计浅层Transformer结构训练基学习器；
S22、设置缩放函数，以增大训练困难样本的偏重，从而提高元学习器训练效果，得到参数θ；
S23、在测试时将θ作为初始参数，选取少量任务作为支持集对模型进行微调，对新井所处地层进行分类；
S24、通过地层划分可知单口井壁附近的地层信息，设计匹配学习网络，依次判断两口邻井的含油储层是否为同一地层，实现整个井场的智能小层对比。
上述步骤S3中，在构建基于元学习的储集层参数预测模型时，具体包括：
为了解决井场间地质差异较大的问题，设计三层循环的MAML架构，构建基于元学习的储集层参数预测模型，根据地层划分所识别的油层，预测单口井附近的储集层的含油饱和度。
上述步骤S4中，在构建基于度量学习的含油区块搜索模型时，如图5所示，具体包括：
S41、在横向搜索中利用图神经网络对井网结构进行表征，并计算特征间相似度，即把潜在油层中每口井的特征作为节点，样本关系为边，迭代更新节点状态向量和邻接矩阵，以识别标签样本与待识别样本的相似度；
S42、在纵向搜索时依据地层划分的结果可得油层厚度，其厚度可近似为含油区块的纵向位置；
S43、根据横向和纵向搜索，可知剩余油区块的位置，通过对含油区块的可视化，实现剩余油挖潜。
本发明的有益效果在于：一种基于小样本学习的剩余油挖潜方法，考虑有效地质数据样本量少，难以用于机器学习进行剩余油挖潜相关研究，因此借助小样本学习方法，通过地层划分、储集层参数预测、含油区块搜索实现基于小样本学习的剩余油挖潜，在地质建模、石油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为本发明基于小样本学习的剩余油挖潜的流程示意图。
图2为本发明基于元学习的地层划分的模型架构示意图。
图3为本发明基于匹配学习的智能小层对比示意图。
图4为本发明基于元学习的储集层参数预测的模型架构示意图。
图5为本发明基于度量学习的含油区块搜索的模型架构示意图。
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。
由于地质样本数据不足，难以借助机器学习方法展开相关研究，本发明针对剩余油挖潜问题，提出一种基于小样本学习的剩余油挖潜方法：主要步骤包含：对获取的测井曲线数据进行预处理，并进行任务划分，设置支持集和查询集；设计基于小样本学习的地层划分方法，以识别单口井附近的含油储层，从而判断多口井的含油储层是否为同一地层，实现智能小层对比；设计三层循环的MAML(Model-Agnostic Meta-Learning)架构，解决井场间地质差异较大问题，根据地层划分所识别的油层，预测单口井附近的储集层的含油饱和度；设计基于度量学习的含油区块搜索方法，根据识别出的油层以及所预测出的该油层的含油饱和度，在横向储层中针对井网结构使用图神经网络进行特征相似度表征，进行剩余油挖潜相关研究；
一种基于小样本学习的剩余油挖潜方法，具体流程如图1所示，实施步骤如下：
S1、对获取的测井曲线数据进行预处理，并进行任务划分，设置支持集和查询集；
S2、设计基于小样本学习的地层划分方法，以识别单口井附近的含油储层，从而判断多口井的含油储层是否为同一地层，实现智能小层对比；
S3、设计三层循环的MAML架构，解决井场间地质差异较大问题，根据步骤S2中地层划分所识别的油层，预测单口井附近的储集层的含油饱和度；
S4、设计基于度量学习的含油区块搜索方法，根据步骤S2中识别出的油层以及步骤S3中所预测出的该油层的含油饱和度，在横向储层中针对井网结构使用图神经网络进行特征相似度表征，进行剩余油挖潜相关研究。
上述步骤S1中，通过多种条件进行筛选过滤，确定实验井，实现数据的预处理，然后根据MAML模型架构进行任务划分，具体包括：
S11、井斜数据过滤：
具体而言，根据实际需要，尽可能选取垂直井，因此将井斜度数大于5度的井去掉，初步实现井斜数据过滤；
S12、曲线特征过滤：
具体而言，根据曲线实际和相关文献，选取深度(DEPTH)、声波时差(AC)、自然伽马(GR)、2.5米的电阻率(RA25)、地层真电阻率(RT),冲洗带地层电阻率(RXO)、自然电位(SP)作为用于地层划分的曲线特征；
S13、井段数据过滤：
具体而言，选取1000-1800米的井段进行分析，由于实际曲线为1米记录8次，因此将此区间内至少有3200个记录点作为实验井的筛选条件；
S14、小层标签过滤：
具体而言，根据实际小层数据集，选择2米即16个记录点作为一条数据，以对应的小层解释结果作为标签，将在井段范围内标签至少有30个标签的井作为实验井的筛选条件，得到初步筛选出的实验井；
S15、根据模型架构进行任务划分，设置支持集和查询集；
针对模型框架特点，通过任务划分构成每一个任务，在内循环设置支持集，在外循环设置查询集。在构建N分类任务时，在每个任务中分别选取5个样本，即N*5个样本作为支持集，N*15个样本作为查询集，用以模型训练。同时，在回归过程中做类似处理。
上述步骤S2中，在构建基于小样本学习的地层划分方法时，如图2所示，具体包括：
S21、在MAML内层循环设计浅层Transformer结构训练基学习器；
每层Transformer编码器包含两个子层，其中注意力层采用多头注意力机制，前馈网络层为全连接网络，子层内采用残差连接；
具体编码过程如下：
(1)采用注意力机制以让网络提取测井曲线中重要的特征；
具体而言，共有查询Q、键K、值V三个矩阵进行特征表示。曲线的每个特征Q会跟每个K计算一次得分，基于得分分配特征，然后再经过softmax计算得到整个加权结果；
(2)采用多头注意力机制对曲线的每个特征进行多层面的表达；
具体而言，一组QKV得到一组当前曲线中某点的特征表达，多头注意力机制则通过多个不同的head进行多组特征的表达，然后将多组特征拼接在一起，再由全连接降维，得到attention层的输出；
(3)残差连接与层归一化；
具体而言，将自注意力层的输出接入前馈网络层，再通过一次残差网络和层归一化调整特征值得到Transformer的最终输出特征矩阵。
S22、设置缩放函数，以增大训练困难样本的偏重，从而提高元学习器训练效果，得到参数θ；
具体过程如下：
(1)设置缩放函数；
具体而言，通过改变损失函数实现对困难样本的多次训练，即增加困难任务与简单任务的损失差异。具体公式如下：
其中
表示不同任务的交叉熵损失，η表示缩放因子，∈表示使
最小正整数；
在模型训练过程中先正常训练2000轮，然后再使用缩放系数的损失进行训练；
(2)对内层循环损失求和，对其进行梯度更新；
具体而言，使用查询集进行训练，使用SGD进行梯度更新，求出用于测试的模型初始参数θ；
S23、在测试时将θ作为初始参数，选取少量任务作为支持集对模型进行微调，对新井所处地层进行分类；
在实际测试时，每次选取一个任务进行微调，进行多次任务选择，对测试结果做平均，实现地层划分；
S24、通过地层划分可知单口井壁附近的地层信息，设计匹配学习网络，依次判断两口邻井的含油储层是否为同一地层，实现整个井场的智能小层对比，如图3所示。
上述步骤S3中，在构建基于元学习的储集层参数预测模型时，如图4所示，具体包括：
为了解决井场间地质差异较大的问题，设计三层循环的MAML架构，构建基于元学习的储集层参数预测模型，根据地层划分所识别的油层，预测单口井附近的储集层的含油饱和度。
S31、内层循环为单井场随机抽取井段的任务学习(基学习器)，设计为浅层双向长短期记忆网络，然后接入线性层；
S32、对内层循环损失求和，对其进行梯度更新，然后进入中层循环，训练单井场通用模型(元学习器)；
S33、对中层循环损失求和，对其进行梯度更新，然后进入外层循环，训练所有井场通用模型(超元学习器)，得到参数θ；
S34、在测试时将θ作为初始参数，选取少量任务作为支持集对模型进行微调，对含油饱和度进行预测。
上述步骤S4中，在构建基于度量学习的含油区块搜索模型时，如图5所示，具体包括：
S41、在横向搜索中利用图神经网络对井网结构进行表征，并计算特征间相似度，即把潜在油层中每口井的特征作为节点，样本关系为边，迭代更新节点状态向量和邻接矩阵，以识别标签样本与待识别样本的相似度；
具体过程如下：
(1)依据地层划分结果识别含油储层，然后通过储集层参数预测可知该井附近的含油饱和度，当该井附近的饱和度超过阈值，则该井附近可能会有潜在剩余油；
(2)通过图神经网络的搜索，若三口井附近的含油饱和度皆超过阈值，则在横向层面可知剩余油的位置；
S42、在纵向搜索时依据地层划分的结果可得油层厚度，其厚度可近似为含油区块的纵向位置；
S43、根据横向和纵向搜索，可知剩余油区块的位置，通过对含油区块的可视化，实现剩余油挖潜。
本发明考虑有效地质数据样本量少，难以用于机器学习进行剩余油挖潜相关研究，因此借助小样本学习方法，通过地层划分、储集层参数预测、含油区块搜索实现基于小样本学习的剩余油挖潜，在地质建模、石油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 (3)
1.一种基于小样本学习的剩余油挖潜方法，其特征在于，具体步骤如下：
S1、通过井斜、曲线特征、井段、小层标签对测井曲线对获取的测井曲线数据进行预处理，并根据实际需求进行随机采样，实现任务划分，设置支持集和查询集；
S2、设计基于小样本学习的地层划分方法，使用两层MAML架构搭建模型网络，在内层循环设置浅层Transformer结构，然后接入Softmax分类器实现地层划分，以识别单口井附近的含油储层，从而判断多口井的含油储层是否为同一地层，实现智能小层对比；
S3、设计三层循环的MAML架构，其中内层循环为基学习器，为单井场随机抽取井段的任务学习，设计为浅层双向长短期记忆网络，中层循环为元学习器，为单井场通用模型学习，外层循环为超元学习器，为所有井场通用模型学习，以解决井场间地质差异较大问题，根据步骤S2中地层划分所识别的油层，预测单口井附近的储集层的含油饱和度；
S4、设计基于度量学习的含油区块搜索方法，根据步骤S2中识别出的油层以及步骤S3中所预测出的该油层的含油饱和度，在横向储层中针对井网结构使用图神经网络进行特征相似度表征，即把潜在油层中每口井的特征作为节点，样本关系为边，迭代更新节点状态向量和邻接矩阵，以识别标签样本与待识别样本的相似度，分别从横向、纵向两个维度对含油储层进行剩余油挖潜相关研究。
2.根据权利要求1所述的一种基于小样本学习的剩余油挖潜方法，其特征在于，步骤S1中，通过井斜、曲线特征、井段、小层标签对测井曲线进行筛选，主要包括：
S11、井斜数据过滤：
具体而言，根据实际需要，尽可能选取垂直井，因此将井斜度数大于5度的井去掉，初步实现井斜数据过滤；
S12、曲线特征过滤：
具体而言，根据曲线实际和相关文献，选取深度(DEPTH)、声波时差(AC)、自然伽马(GR)、2.5米的电阻率(RA25)、地层真电阻率(RT),冲洗带地层电阻率(RXO)、自然电位(SP)作为用于地层划分的曲线特征；
S13、井段数据过滤：
具体而言，选取1000-1800米的井段进行分析，由于实际曲线为1米记录8次，因此将此区间内至少有3200个记录点作为实验井的筛选条件；
S14、小层标签过滤：
具体而言，根据实际小层数据集，选择2米即16个记录点作为一条数据，以对应的小层解释结果作为标签，将在井段范围内标签至少有30个标签的井作为实验井的筛选条件，得到初步筛选出的实验井。
3.根据权利要求1所述的一种基于小样本学习的剩余油挖潜方法，其特征在于，步骤S2中，由于每个任务样本对元学习目标的贡献不同，因此设计一个对学习任务进行动态调节的函数，通过自动降低对容易任务学习的权重，同时快速集中于对困难任务的学习，以增大训练困难样本的偏重，从而提高元学习器的训练效果，得到参数θ；
具体而言，在求损失函数时设置缩放系数，即通过改变损失函数实现对困难样本的多次训练，即增加困难任务与简单任务的损失差异，具体公式如下：
其中
表示不同任务的交叉熵损失，η表示缩放因子，∈表示使
最小正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110624187.2A CN113344729B (zh) | 2021-06-04 | 2021-06-04 | 一种基于小样本学习的剩余油挖潜方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110624187.2A CN113344729B (zh) | 2021-06-04 | 2021-06-04 | 一种基于小样本学习的剩余油挖潜方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344729A CN113344729A (zh) | 2021-09-03 |
| CN113344729B true CN113344729B (zh) | 2022-09-09 |
Family
ID=77473807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110624187.2A Active CN113344729B (zh) | 2021-06-04 | 2021-06-04 | 一种基于小样本学习的剩余油挖潜方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344729B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110130882A (zh) * | 2019-01-25 | 2019-08-16 | 中国石油天然气集团有限公司 | 一种基于测井测试资料的油藏区域评价方法 |
| CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
| CN112085242A (zh) * | 2019-06-13 | 2020-12-15 | 中国石油大学(华东) | 一种基于大数据深度学习方法的低阻层精准预测方法与装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948841B (zh) * | 2019-03-11 | 2020-10-27 | 中国石油大学(华东) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 |
| CN111639679B (zh) * | 2020-05-09 | 2022-03-04 | 西北工业大学 | 一种基于多尺度度量学习的小样本学习方法 |
-
2021
- 2021-06-04 CN CN202110624187.2A patent/CN113344729B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110130882A (zh) * | 2019-01-25 | 2019-08-16 | 中国石油天然气集团有限公司 | 一种基于测井测试资料的油藏区域评价方法 |
| CN112085242A (zh) * | 2019-06-13 | 2020-12-15 | 中国石油大学(华东) | 一种基于大数据深度学习方法的低阻层精准预测方法与装置 |
| CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344729A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| Xue et al. | A new fracture prediction method by combining genetic algorithm with neural network in low-permeability reservoirs | |
| CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
| WO2008028122A9 (en) | History matching and forecasting in the production of hydrocarbons | |
| CN103472484A (zh) | 基于rs三维敏感地震属性分析的水平井轨迹优化方法 | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
| CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
| Purbey et al. | Machine learning and data mining assisted petroleum reservoir engineering: a comprehensive review | |
| Wei et al. | Characterization of saturation and pressure distribution based on deep learning for a typical carbonate reservoir in the Middle East | |
| Peng et al. | Predicting rate of penetration in ultra-deep wells based on deep learning method | |
| WO2019023255A1 (en) | DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION | |
| CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 | |
| CN116910638A (zh) | 一种基于大数据的优势渗流通道智能识别方法 | |
| 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 | |
| CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
| Vrabie et al. | Digital twin for downhole pressure gauges: model and field case study | |
| Tang et al. | Prediction of casing damage in unconsolidated sandstone reservoirs using machine learning algorithms | |
| CN116335648A (zh) | 基于随钻录测井资料的砾岩水平井甜点品质定量评价方法 | |
| 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 | |
| Castellini et al. | History matching and uncertainty quantification assisted by global optimization techniques | |
| CN111706323A (zh) | 一种综合gwo-lssvm算法的水淹层精细解释评价方法 | |
| Xu et al. | Subsurface lithofacies identification with meta learning | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 |
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 |