CN113378999B - 一种基于云模型的致密砂岩储层分类定级方法 - Google Patents
一种基于云模型的致密砂岩储层分类定级方法 Download PDFInfo
- Publication number
- CN113378999B CN113378999B CN202110785465.2A CN202110785465A CN113378999B CN 113378999 B CN113378999 B CN 113378999B CN 202110785465 A CN202110785465 A CN 202110785465A CN 113378999 B CN113378999 B CN 113378999B
- Authority
- CN
- China
- Prior art keywords
- grade
- parameter
- reservoir
- equal
- cloud
- 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
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于云模型的致密砂岩储层分类定级方法,该方法包括:根据致密砂岩储层特点,获取评价参数及各级别参数界限值;基于云模型中正向云发生器生成满足云数字特征的云图,构建致密砂岩储层分类云模型;对各参数数值标准化,分别与无阻流量做相关性分析,确定参数权重系数;计算生成隶属各类储层综合确定度,建立综合评价分类方法;基于建立的综合评价方法,确定储层级别。本发明克服了储层分类定级过程中存在模糊性和随机性的问题,且可靠性高,实用性强,为提高油气勘探开发效益提供了有效保障。
Description
技术领域
本发明涉及一种基于云模型的致密砂岩储层分类定级方法,属于油气勘探开发技术领域。
背景技术
世界致密气资源丰富,开发潜力巨大。中国致密砂岩技术可采资源量超万亿方,主要分布在鄂尔多斯、四川盆地和新疆地区等。但不同区块致密砂岩储层品质差异较大。因此,有必要对储层进行合理分类,优选地质潜力较好的储层,为开发选井选层选段提供技术支撑。
储层分类是储层分类评价是油气勘探开发的基础,良好的储层分类有利于认识、改造储层,充分发挥储层地质特点,指导油气勘探开发,提高效益。
现有的储层分类方法更多的是定性的,且不能解决储层分类过程存在评价指标的模糊性和随机性的问题,不确定性很强,导致了在一定程度上影响到储层分类的准确性,不能满足油气勘探开发要求。
发明内容
为了克服现有技术中的问题,本发明提供一种基于云模型的致密砂岩储层分类定级方法。
本发明解决上述技术问题所提供的技术方案是:一种基于云模型的致密砂岩储层分类定级方法,包括:
步骤S1、根据目标致密砂岩储层特点确定目标致密砂岩储层的多个评价参数以及各个评价参数的分级界限值;
步骤S2、根据目标致密砂岩储层的基本资料获取目标致密砂岩储层的多口样本井的各个评价参数值;
步骤S3、根据多口样本井的各个评价参数值确定目标致密砂岩储层各个评价参数的参数最大值、参数最小值;
步骤S4、根据云数字特征计算模型计算评价参数中各个等级的数字特征;
步骤S5、基于云模型中正向云发生器生成满足云数字特征的云图,构建致密砂岩储层分类云模型获得样本井的参数隶属各级别确定度;
步骤S6、对各参数数值标准化,分别与无阻流量做相关性分析,确定参数权重系数;
步骤S7、根据样本井的参数隶属各级别确定度、参数权重系数确定样本井的综合确定度;
步骤S8、根据样本井的综合确定度确定样本井的储层级别。
进一步的技术方案是,所述评级参数包括:渗透率K、孔隙度Φ、含气饱和度Sg、有效厚度H和泥质含量Vsh,其评价参数由优到劣分别划分为5个等级指标,分别为极好I、好II、较好III、中等IV和差V。
进一步的技术方案是,所述各个评价参数的分级界限值具体为:
其渗透率K:K>1,级别为极好I;1≥K≥0.3,级别为好II;0.3>K>0.08,级别为较好III;0.08≥K≥0.04,级别为中等IV;0.04>K>0,级别为差V;
其孔隙度Φ:Φ>12,级别为极好I;12≥Φ≥9,级别为好II;9>Φ>5,级别为较好III;5≥Φ≥3.5,级别为中等IV;3.5>Φ>0,级别为差V;
其含气饱和度Sg:Sg>70,级别为极好I;70≥Sg≥60,级别为好II;60>Sg>50,级别为较好III;50≥Sg≥40,级别为中等IV;40>Sg>0,级别为差V;
其有效厚度H:H>10,级别为极好I;10≥H≥5,级别为好II;5>H>2,级别为较好III;2≥H≥1,级别为中等IV;1>H>0,级别为差V;
其泥质含量Vsh:5>Vsh>0,级别为极好I;10≥Vsh≥5,级别为好II;15>Vsh>10,级别为较好III;20≥Vsh≥15,级别为中等IV;Vsh>20,级别为差V。
进一步的技术方案是,所述步骤S4中云数字特征计算模型包括越大越好型参数模型和越小越好型参数模型;
其中越大越好型参数模型如下:
He=k
其中越小越好型参数模型如下:
He=k
式中:i为储层分类级别;Cmax和Cmin分别为具有双边界区间的最大值和最小值;s为评价划分的等级数;m为评价参数最大值;k为常数;Ex为定性概念的基本确定性度量;En为用来度量定性概念的不确定性;He是熵的熵。
进一步的技术方案是,所述步骤S5的具有过程为:
步骤S51、以En为期望值,He为标准差生成一个正态随机数En′;
步骤S52、以Ex为期望值,En′为标准差生成1个正态随机数x;
步骤S53、根据正态随机数En′、正态随机数x计算参数隶属各级别确定度;
步骤S52、重复步骤S51-S53直到各个评价参数中各个级别的参数隶属各级别确定度计算完成。
进一步的技术方案是,所述步骤S53中的计算公式为:
式中:μ为参数隶属各级别确定度。
进一步的技术方案是,所述步骤S6的具体过程为:对各参数数值标准化获得各参数归一化值,再根据各参数归一化值和对应无阻流量,采用最小二乘法拟合线性关系曲线,确定各评价参数与无阻流量相关系数,并与各相关系数之和的比值作为该参数权重系数。
进一步的技术方案是,参数数值标准化采用以下公式:
式中:Ai为评价参数归一化值;ai为评价参数值;aimin为参数最小值;aimax为参数最大值。
进一步的技术方案是,所述综合确定度的计算公式为:
式中:μ为参数隶属各级别确定度;W为综合确定度;ωj为第j评价参数权重。
进一步的技术方案是,所述步骤S8中:极好储层I物性条件极好、开发潜力巨大;好储层II物性条件好、开发潜力大;较好储层III物性条件相对较好,有一定开发潜力;一般储层IV物性条件一般、开发潜力一般;差储层V物性条件差,基本不具开发潜力。
本发明具有以下有益效果:本发明可以用于对致密砂岩储层做定量评价并定级,其可操作性强,可信度高,易于实施,能很好的适应储层分类中存在的模糊性和随机性的特点,是一种多信息融合且客观的定量储层分析方法,对油气的有效勘探开发具有重要意义。
附图说明
图1是根据本发明一实施例的各评价参数隶属于储层级别的云模型;
图2是根据本发明一实施例的各评价参数归一化值与无阻流量拟合关系图。
具体实施方式
下面将结合附图对本发明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。
针对砂岩储层,至今为止,许多的专家学者建立多种评价方法,如地质经验法、神经网络法、模糊数学法、聚类分析法、灰色关联等,取得了不错的进展,但以上方法在实际应用中存在一定的不足,如地质经验法定量的分析计算不足;人工神经网络法在建模和预测时存在数据库少、知识获取困难的问题;模糊数学法受到多种因素影响,不确定性很强,导致在一定程度上影响到储层分类准确性等,其中,评价指标及其数据的随机性和模糊性至今尚未得到很好解决,不能很好的满足油气勘探开发要求。精确可靠的储层分类评价对油气合理的勘探开发有十分重要的意义,有利于认识、改造储层,充分发挥储层地质特点,提高勘探开发效益。
本实施例中所提供的基于云模型的致密砂岩储层分类定级方法综合考虑了储层分类定级过程中存在的模糊性和随机性,实现了致密砂岩储层分类的定量分析,以对储层更全面、更可靠的分类定级。
本实施例中,选取评价参数时需要遵循一定原则,首先评价参数能够代表目标区地质特点且具有全面性,其次评价参数及界限数值需要得到专家认可且有较多文献应用实例。
需要说明的是,在本发明的其他实施例中,还可以采用其他合理的方式优选储层的评价参数和确定评价参数不同级别界限值,本发明不限于此。
在得到评价参数及其不同级别界限值后,需要确定各评价参数在应用实例中的最大值以限定模型范围,最大值由实例数据库确定,各参数分别对应最大值记为m1、m2、m3,……,mL。
本实施案例中由参数最大值和最小值界定范围的为单边界区间,其余的为双边界区间。该实施例不仅具有双边界区间的储层级别,也存在单边界区间的储层级别,显然常规的双边界云模型数字计算式不完全适用该案例,为了对储层分类定级更加精确可靠,本文对云模型数字进行适当修正。
本实施例中,如果该评价参数的取值与储层质量呈正相关关系,该特征参数即为越大越好型参数;如果该评价参数的取值与储层质量呈负相关关系,该特征参数即为越小越好型参数。
本发明的一种基于云模型的致密砂岩储层分类定级方法,具体包括以下步骤:
步骤S1、根据目标致密砂岩储层特点优选出评价储层级别的5个参数:渗透率、孔隙度、含气饱和度、有效厚度和泥质含量。
各评价参数如下表由优到劣分别划分为5个等级指标,分别为极好I、好II、较好III、中等IV和差V;
表1
步骤S2、根据目标致密砂岩储层的基本资料获取目标致密砂岩储层的20口样本井的5个评价参数值;
表2
步骤S3、根据20口样本井的评价参数值确定目标致密砂岩储层各个评价参数的参数最大值、参数最小值;
该评价区块储层渗透率最大为3.35mD,孔隙度14%,含气饱和度85%,储层有效厚度33m,泥质含量23.5%;
该评价区块储层渗透率最小为0.08mD,孔隙度6.80%,含气饱和度46.53%,储层有效厚度3.20m,泥质含量1.50%;
步骤S4、根据云数字特征计算模型计算评价参数中5个等级的数字特征;
云数字特征计算模型包括越大越好型参数模型和越小越好型参数模型;
其中越大越好型参数模型如下:
He=k
其中越小越好型参数模型如下:
He=k
式中:i为储层分类级别;Cmax和Cmin分别为具有双边界区间的最大值和最小值;s为评价划分的等级数;m为评价参数最大值;k为常数;Ex为定性概念的基本确定性度量;En为用来度量定性概念的不确定性;He是熵的熵。
表3
步骤S5、基于云模型中正向云发生器生成满足云数字特征的云图,构建致密砂岩储层分类云模型获得样本井的参数隶属各级别确定度;
基于正向云发生器和该区块评价参数不同级别的云数字特征,进而形成如图2所示的各评价参数云图,图中(a)、(b)、(c)、(d)、(e)分别为渗透率、孔隙度、含气饱和度、有效厚度和泥质含量对应云图,其中图(a)、(b)、(c)、(d)从左至右的呈正态分布的云图依次对应储层级别为V、IV、III、II和I,而图(e)从左至右的呈正态分布的云图依次对应储层级别为I、II、III、IV和V,各云图横坐标代表评价参数取值,纵坐标表示隶属于该级别云的确定度。
其中样本井1的5个参数隶属各级别确定度如表4所示:
表4
步骤S6、对各参数数值标准化,分别与无阻流量做相关性分析,确定参数权重系数;
本实施例中,确定该区块权重系数,对该区块40口井各参数值进行归一化处理,进一步分别与对应无阻流量进行相关性分析,采用最小二乘法分别计算各参数与无阻流量相关系数,并与各相关系数之和作比值,即为该参数权重系数。
相关性拟合结果如图2所示,(f)、(g)、(h)、(i)、(j)、分别为渗透率、孔隙度、含气饱和度、有效厚度和泥质含量对应的归一化值与无阻流量拟合关系图。
渗透率、孔隙度、含气饱和度、有效厚度和泥质含量与无阻流量的相关系数分别为2.8074、1.5222、3.1004、2.4559和1.4343,各相关系数之和等于11.3202,分别计算各参数权重系数,结果如下表5。
表5
步骤S7、根据样本井的参数隶属各级别确定度、参数权重系数确定样本井的综合确定度;
式中:μ为参数隶属各级别确定度;W为综合确定度;ωj为第j评价参数权重;
步骤S8、根据样本井的综合确定度确定样本井的储层级别。
储层综合评价划分级别由优到劣分别为极好储层I、好储层II、较好储层III、一般储层IV和差储层V。
其中极好储层I物性条件极好、开发潜力巨大;好储层II物性条件好、开发潜力大;较好储层III物性条件相对较好,有一定开发潜力;一般储层IV物性条件一般、开发潜力一般;差储层V物性条件差,基本不具开发潜力。
根据云模型标准及评价参数权重得到20口样本井中有I类储层1口、II类储层13口、III类储层4口、IV类储层2口,结合无阻流量进行验证分析此分类模型的正确性和有效性,结果显示储层I、II类的好储层均有较高的无阻流量,而储层III、IV类的一般储层无阻流量相对较低,表明该储层分类模型具有很高的可靠性。
表6
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于云模型的致密砂岩储层分类定级方法,其特征在于,包括:
步骤S1、根据目标致密砂岩储层特点确定目标致密砂岩储层的多个评价参数以及各个评价参数的分级界限值;
步骤S2、根据目标致密砂岩储层的基本资料获取目标致密砂岩储层的多口样本井的各个评价参数值;
步骤S3、根据多口样本井的各个评价参数值确定目标致密砂岩储层各个评价参数的参数最大值、参数最小值;
步骤S4、根据云数字特征计算模型计算评价参数中各个等级的数字特征;
步骤S5、基于云模型中正向云发生器生成满足云数字特征的云图,构建致密砂岩储层分类云模型获得样本井的参数隶属各级别确定度;
步骤S51、以En为期望值,He为标准差生成一个正态随机数En′;
步骤S52、以Ex为期望值,En′为标准差生成1个正态随机数x;
步骤S53、根据正态随机数En′、正态随机数x计算参数隶属各级别确定度;
式中:μ为参数隶属各级别确定度;
步骤S52、重复步骤S51-S53直到各个评价参数中各个级别的参数隶属各级别确定度计算完成;
步骤S6、对各参数数值标准化,分别与无阻流量做相关性分析,确定参数权重系数;
步骤S7、根据样本井的参数隶属各级别确定度、参数权重系数确定样本井的综合确定度;
步骤S8、根据样本井的综合确定度确定样本井的储层级别;
所述评价 参数包括:渗透率K、孔隙度Φ、含气饱和度Sg、有效厚度H和泥质含量Vsh,其评价参数由优到劣分别划分为5个等级指标,分别为极好I、好II、较好III、中等IV和差V;
所述各个评价参数的分级界限值具体为:
其渗透率K:K>1,级别为极好I;1≥K≥0.3,级别为好II;0.3>K>0.08,级别为较好III;0.08≥K≥0.04,级别为中等IV;0.04>K>0,级别为差V;
其孔隙度Φ:Φ>12,级别为极好I;12≥Φ≥9,级别为好II;9>Φ>5,级别为较好III;5≥Φ≥3.5,级别为中等IV;3.5>Φ>0,级别为差V;
其含气饱和度Sg:Sg>70,级别为极好I;70≥Sg≥60,级别为好II;60>Sg>50,级别为较好III;50≥Sg≥40,级别为中等IV;40>Sg>0,级别为差V;
其有效厚度H:H>10,级别为极好I;10≥H≥5,级别为好II;5>H>2,级别为较好III;2≥H≥1,级别为中等IV;1>H>0,级别为差V;
其泥质含量Vsh:5>Vsh>0,级别为极好I;10≥Vsh≥5,级别为好II;15>Vsh>10,级别为较好III;20≥Vsh≥15,级别为中等IV;Vsh>20,级别为差V。
3.根据权利要求1所述的一种基于云模型的致密砂岩储层分类定级方法,其特征在于,所述步骤S6的具体过程为:对各参数数值标准化获得各参数归一化值,再根据各参数归一化值和对应无阻流量,采用最小二乘法拟合线性关系曲线,确定各评价参数与无阻流量相关系数,并与各相关系数之和的比值作为该参数权重系数。
6.根据权利要求1所述的一种基于云模型的致密砂岩储层分类定级方法,其特征在于,所述步骤S8中:极好储层I物性条件极好、开发潜力巨大;好储层II物性条件好、开发潜力大;较好储层III物性条件相对较好,有一定开发潜力;一般储层IV物性条件一般、开发潜力一般;差储层V物性条件差,基本不具开发潜力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785465.2A CN113378999B (zh) | 2021-07-12 | 2021-07-12 | 一种基于云模型的致密砂岩储层分类定级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785465.2A CN113378999B (zh) | 2021-07-12 | 2021-07-12 | 一种基于云模型的致密砂岩储层分类定级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378999A CN113378999A (zh) | 2021-09-10 |
CN113378999B true CN113378999B (zh) | 2022-10-21 |
Family
ID=77581793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110785465.2A Active CN113378999B (zh) | 2021-07-12 | 2021-07-12 | 一种基于云模型的致密砂岩储层分类定级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378999B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034647A (zh) * | 2018-08-13 | 2018-12-18 | 西南石油大学 | 一种致密油气藏体积压裂水平井重复压裂选井的方法 |
CN110533237A (zh) * | 2019-08-21 | 2019-12-03 | 中国石油化工股份有限公司 | 一种砂岩储层含油气产能预测方法 |
CN110852541A (zh) * | 2018-08-21 | 2020-02-28 | 中石化石油工程技术服务有限公司 | 一种储层解释评价方法及装置 |
CN112598247A (zh) * | 2020-12-16 | 2021-04-02 | 中国海洋石油集团有限公司 | 一种储层分类评价体系改进方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590889B (zh) * | 2012-02-17 | 2015-02-04 | 中国石油化工股份有限公司 | 基于雷达图与云模型的录井多参数油气解释方法 |
CN103336305B (zh) * | 2013-06-08 | 2015-12-09 | 中国石油天然气集团公司 | 一种基于灰色理论划分致密砂岩储层岩石物理相的方法 |
US10198804B2 (en) * | 2015-04-15 | 2019-02-05 | Halliburton Energy Services, Inc. | Method for determining fabric and upscaled properties of geological sample |
US10754060B2 (en) * | 2016-09-27 | 2020-08-25 | International Business Machines Corporation | System, method and computer program product for fracture pattern characterization in naturally fractured reservoirs |
CN109492860A (zh) * | 2018-09-26 | 2019-03-19 | 中国石油天然气股份有限公司 | 一种基于气井产能的致密砂岩储层多参数定量评价方法 |
-
2021
- 2021-07-12 CN CN202110785465.2A patent/CN113378999B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034647A (zh) * | 2018-08-13 | 2018-12-18 | 西南石油大学 | 一种致密油气藏体积压裂水平井重复压裂选井的方法 |
CN110852541A (zh) * | 2018-08-21 | 2020-02-28 | 中石化石油工程技术服务有限公司 | 一种储层解释评价方法及装置 |
CN110533237A (zh) * | 2019-08-21 | 2019-12-03 | 中国石油化工股份有限公司 | 一种砂岩储层含油气产能预测方法 |
CN112598247A (zh) * | 2020-12-16 | 2021-04-02 | 中国海洋石油集团有限公司 | 一种储层分类评价体系改进方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113378999A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372402B (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
CN106529667B (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
US20230137288A1 (en) | Method for estimating fluid saturation of a rock | |
CN111489034A (zh) | 一种油气储层渗透率预测模型的构建方法及其应用 | |
CN114818076A (zh) | 一种基于机器学习的断层封闭烃柱高度评价方法 | |
CN112926893A (zh) | 基于模糊综合评判和层次分析的水平井调剖效果评价方法 | |
CN114580940A (zh) | 基于灰色关联度分析法的注浆效果模糊综合评价方法 | |
CN111523796A (zh) | 非煤隧道有害气体危害评价方法 | |
CN113378999B (zh) | 一种基于云模型的致密砂岩储层分类定级方法 | |
CN112733340A (zh) | 一种基于数据驱动储层改造候选井的选井方法及设备 | |
CN111199107A (zh) | 三角洲相砂岩圈闭评价新方法 | |
Feraille et al. | Uncertainty quantification for mature field combining the bayesian inversion formalism and experimental design approach | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN117575106B (zh) | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 | |
CN110473052B (zh) | 一种基于用户交互信誉的社区发现方法 | |
CN115238860B (zh) | 一种漏失压力预测模型生成方法和装置 | |
CN111929744B (zh) | 一种基于Kendall′s系数的多元信息储层分类方法 | |
CN111305831B (zh) | 基于测井曲线的优势通道发育层段识别方法及装置 | |
Yuping et al. | Prediction Methods of Key Development Indexes of Large Gas Fields Based on Big Data Analysis | |
CN116607931A (zh) | 基于大数据分析计算致密储层渗透率的方法、装置和介质 | |
CN118070158A (zh) | 地层流动单元精细划分方法、计算机设备和可读存储介质 | |
CN115099578A (zh) | 一种含油气盆地边缘地区的油气资源评价方法 | |
CN116542357A (zh) | 一种基于集成学习的高含水致密砂岩储层产能智能预测方法 | |
CN115936465A (zh) | 一种碳酸盐岩缝洞型底水油藏水锥临界产量计算方法及其应用 | |
CN114397711A (zh) | 一种基于机器学习的非常规致密砂岩储层孔隙度预测方法 |
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 |