CN113379256A - 一种Kmeans-随机森林的储层评价预测方法 - Google Patents
一种Kmeans-随机森林的储层评价预测方法 Download PDFInfo
- Publication number
- CN113379256A CN113379256A CN202110663700.9A CN202110663700A CN113379256A CN 113379256 A CN113379256 A CN 113379256A CN 202110663700 A CN202110663700 A CN 202110663700A CN 113379256 A CN113379256 A CN 113379256A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- random forest
- parameters
- kmeans
- training
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000003066 decision tree Methods 0.000 claims abstract description 5
- 230000035699 permeability Effects 0.000 claims description 19
- 238000002790 cross-validation Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 239000011148 porous material Substances 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 239000003208 petroleum Substances 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明提供一种Kmeans‑随机森林的储层评价预测方法，通过Kmeans聚类完成储层评价分类标准的快速建立，避免了人为因素的影响，使得分类建立的标准更加客观真实，再通过随机森林集成算法将数据和分类标准进行模型建立和训练，随机森林集成算法是多个决策树的预测结果结合，比单个决策数更好的泛化能力，因此使得评价结果更加准确可靠。本发明解决了储层评价标准的问题以及储层评价效率的难题，通过对影响储层好坏因素的量化，利用无监督学习算法Kmeans和监督集成学习算法随机森林相结合，提高储层评价预测效率及准确率，减少投入成本，为石油勘探开发提供有利的地质依据和理论支撑。
Description
技术领域
本发明属于储层分类评价技术领域，具体涉及一种Kmeans-随机森林的储层评价预测方法。
背景技术
储层分类评价是油气勘探开发领域中一项重要的基础工作，随着各项分析化验技术的不断进步，带来了众多表征储集层好坏的储层地质参数，如何利用已有的储层地质参数并找到优质储层一直是油气勘探开发领域的学者们所关注的问题，而目前有些地区具有地质条件极其复杂，储层非均质性较为严重等特征，因此，难以高效勘探开发。如何利用已知的储层参数数据对储层进行精细分类评价和预测，寻找到优质储层成为石油天然气领域的一项重要的任务。
现有利用测井资料、地震数据资料，对目的层段储层进行分析评价。储层性能的好坏是由不同的储层评价参数反应的，例如，《一种储层评价方法》(张永华等2019；申请号CN201910774930.5)该方法通过获取储层评价参数，分析储层评价参数之间的相关性得到相关系数矩阵，计算得到该矩阵得到多个特征值和特征向量，利用主成份分析，合理选取有效的特征向量用于储层产能评价模型的构建。《一种储层评价方法》(屈红军等2016；CN201610529215.1)通过孔隙度、渗透率和孔隙结构参数的实验数据，计算得到渗透率与孔隙度和孔隙结构参数之间的关系式，获取不同储层的孔隙度和渗透率；计算得到孔喉配比系数与孔隙度和渗透率之间的关系式，获得对应储层的孔喉配比系数；最终通过储层的孔喉配比系数获得对应储层的类型。《一种基于参数二次选取的储层分类评价方法》(张阳等2019；CN201910486949.X)包括储层评价参数的引入及分类、储层评价参数的相关性分析、储层评价参数的一次选取、储层评价参数的二次选取以及K-均值聚类确定储层分类评价标准。这些方法集中在通过有效的储层评价参数数据选取以及了解储层评价参数之间的相关性，来构建综合评价预测指标体系进行储层的评价，这就需要对储层参数数据相关性有足够多的了解，有丰富的地质工作经验，同时参数选取具有主观因素，权重计算也较为复杂，且若将所有储层评价参数的数据都进行运算可能会出现个别特征的权重计算结果不准确，影响储层评价预测结果。
另外现有技术中，地质经验法：根据地质经验，选择岩性、物性等参数对储层进行综合分类评价，地质经验法存在以下缺点：
(1)人为主观影响因素大，识别效率低下，速度慢。
(2)不仅耗费较多的时间和人力资源，而且所需成本比较高。
(3)定量的分析计算不足，评价方法和标准较难推广。
聚类分析法：按照客体在性质上或者成因上的亲疏关系，对客体进行定量分析的多元统计分析方法，聚类分析法存在的缺点:
(1)需要在分类过程中不断调整参数选择、不同参数的权重，工作量巨大；
(2)耗费较多的时间和人力资源，而且所需成本比较高。
发明内容
本发明的目的是提供一种Kmeans-随机森林的储层评价预测方法，用以解决现有储层评价较为复杂、人为建立评价标准时间消耗长，计算效率不高，预测准确度不高的问题。通过Kmeans聚类完成储层评价分类标准的快速建立，避免了人为因素的影响，使得分类建立的标准更加客观真实，再通过随机森林集成算法将数据和分类标准进行模型建立和训练，随机森林集成算法是多个决策树的预测结果结合，比单个决策数更好的泛化能力，因此使得评价结果更加准确可靠。
具体技术方案为：
一种Kmeans-随机森林的储层评价预测方法，包括以下步骤：
步骤A，获取储层参数数据输入。
储层参数，包括：
孔隙度、渗透率、泥质含量、含水饱和度、粒度中值、孔隙吼道半径中值、束缚水饱和度、油水相对渗透率、含水率、渗透率突进系数、渗透率变异系数、渗透率极差；
步骤B，将获取的储层参数数据进行归一化以及降维处理，消除量纲以及信息冗余带来的影响。
步骤C，将经过预处理的储层参数数据加载到Kmeans模型中去，根据轮廓系数来动态地调整分类类别个数，最终得到最佳的分类结果，实现自动分类和分类结果的最优化；
轮廓系数的计算公式(bi-ai)/max(bi，ai)，bi为样本点i到其它类别群的所有样本的距离最小值，ai为样本点i到本类别群的距离的平均值；轮廓系数越接近于1，分类结果也就越好；轮廓系数越接近于-1，分类结果也就越差；
步骤D，自动分类结果对应储层评价类别，通过Kmeans模型训练预测，得到动态调整的最佳分类结果，同时会自动为每一种类别结果打上不同的标签，而每一种标签对应不同的储层类型；
步骤E，在步骤B和D上获取的数据输入随机森林模型中去，按照25％测试集和75％训练集对样本数据集进行划分，并设置随机数种子以保证选取的样本能够追踪以及消除因选择的样本不同而造成的误差，开始训练随机森林模型，并将训练完成的随机森林模型进行保存；
步骤F，获取新的储层参数数据输入；
步骤G，对新获取的储层参数数据进行归一化处理，消除量纲；
步骤H，加载模型，将预处理后的储层数据送入加载完毕的随机森林模型中进行预测；
步骤I，在步骤H的基础上输出每棵决策树取概率最大所对应的类别，综合每棵树的类别，按照类别个数多胜出的原则进行最终的预测结果输出。
步骤E中随机森林模型训练包括如下子步骤：
步骤E1，加载原始的随机森林模型，所有参数都是保持默认的状态；
步骤E2，选取交叉验证并依据准确率的高低来调参，在步骤E上划分的75％的训练集上，将训练集分为6份，5份作为训练、1份用作验证，然后经过6次测试，每次都更换不同的验证集，得到6组模型的结果，取平均值作为最终结果也就是交叉验证的准确率；
步骤E3，根据超参数的作用和性质，事先设置超参数的取值范围，采用网格搜索的方法，在设置超参数的取值范围同时对多个超参数进行调整；
步骤E4，在步骤E2和E3的基础上，以交叉验证和测试集准确率高以及为基础，以两种准确率收敛曲线保持平行并且差距不能过大为标准，通过网格搜索的方法对初始默认参数进行调整，获得此时随机森林模型参数数据也就是最佳的参数数据；
步骤E5，在步骤E4的基础上，完成对最佳超参数的筛选，得到最佳的随机森林模型；
步骤E6，将步骤E5训练完成的模型保存起来。
本发明技术方案带来的有益效果：
解决了储层评价标准的问题以及储层评价效率的难题，通过对影响储层好坏因素的量化，利用无监督学习算法Kmeans和监督集成学习算法随机森林相结合，提高储层评价预测效率及准确率，减少投入成本，为石油勘探开发提供有利的地质依据和理论支撑。
附图说明
图1为本发明实施例中Kmeans-随机森林储层评价预测的流程图；
图2为本发明实施例中随机森林模型训练的示意图；
图3为本发明实施例在X已知地区训练结果示例图；
图4为本发明实施例在X未知地区储层评价预测结果示例图。
具体实施方式
结合实施例说明本发明的具体技术方案。
如图1所示，本发明实施例的Kmeans-随机森林储层评价预测方法，包括如下步骤：
步骤A，获取储层参数数据输入。
获取储层参数，包括：
孔隙度、渗透率、泥质含量、含水饱和度、粒度中值、孔隙吼道半径中值、束缚水饱和度、油水相对渗透率、含水率、渗透率突进系数、渗透率变异系数、渗透率极差。
步骤B，将获取的储层参数数据进行归一化以及降维处理，消除量纲以及信息冗余带来的影响。
步骤C，将经过预处理的储层参数数据加载到Kmeans模型中去，根据轮廓系数来动态地调整分类类别个数，最终得到最佳的分类结果，实现自动分类和分类结果的最优化。轮廓系数的计算公式(bi-ai)/max(bi，ai)，bi为样本点i到其它类别群的所有样本的距离最小值，ai为样本点i到本类别群的距离的平均值。轮廓系数越接近于1，分类结果也就越好；轮廓系数越接近于-1，分类结果也就越差。
步骤D，自动分类结果对应储层评价类别，通过Kmeans模型训练预测，得到动态调整的最佳分类结果，同时会自动为每一种类别结果打上不同的标签，而每一种标签对应不同的储层类型。
步骤E，在步骤B和D上获取的数据输入随机森林模型中去，按照25％测试集和75％训练集对样本数据集进行划分，并设置随机数种子以保证选取的样本能够追踪以及消除因选择的样本不同而造成的误差，开始训练随机森林模型，并将训练完成的随机森林模型进行保存。
步骤F，获取新的储层参数数据输入。
步骤G，对新获取的储层参数数据进行归一化处理，消除量纲。
步骤H，加载模型，将预处理后的储层数据送入加载完毕的随机森林模型中进行预测。
步骤I，在步骤H的基础上输出每棵决策树取概率最大所对应的类别，综合每棵树的类别，按照类别个数多胜出的原则进行最终的预测结果输出。
如图2所示，本发明实施例的随机森林模型训练主要包括如下步骤：
步骤E1，加载原始的随机森林模型，所有参数都是保持默认的状态
步骤E2，为使模型按好的效果方向调整，就需要以一定的标准来衡量，这里就选取了交叉验证并依据准确率的高低来调参，同时选取的交叉验证还可以一定程度上避免过拟合现象的出现，具体是在步骤E上划分的75％的训练集上，将训练集分为6份，5份作为训练、1份用作验证，然后经过6次测试，每次都更换不同的验证集，得到6组模型的结果，取平均值作为最终结果也就是交叉验证的准确率。
步骤E3，根据超参数的作用和性质，事先设置超参数的取值范围，采用GridSearchCV(网格搜索)的方法，在设置超参数的取值范围同时对多个超参数进行调整。
步骤E4，在步骤E2和E3的基础上，以交叉验证和测试集准确率高以及为基础，以两种准确率收敛曲线保持平行并且差距不能过大为标准，通过GridSearchCV(网格搜索)的方法对初始默认参数进行调整，获得此时随机森林模型参数数据也就是最佳的参数数据。
步骤E5，在步骤E4的基础上，完成对最佳超参数的筛选，得到最佳的随机森林模型。
步骤E6，将步骤E5训练完成的模型保存起来。
如图3所示，本发明实施例应用X已知地区，利用X已知地区的储层参数数据，经过20轮的训练，得到训练数据交叉验证准确率结果以及测试数据识别准确率结果：横坐标表示训练的次数，纵坐标表示准确率，cross_validation表示训练集交叉验证准确率的变化，其20轮的平均准确率为97.6％，test表示测试数据集准确率的变化，其20轮的平均准确率为97.5％，两个准确率相差不大说明没有发生误差很大的过拟合现象，同时也表明模型具有较强的泛化能力，也说明训练好的随机森林模型对X地区的应用有不错的效果，那么对于X未知地区储层评价预测的结果也将会是真实的、客观的、有效的。
如图4所示，本发明实施例应用X未知地区，得到X未知地区储层评价预测结果图，利用X地区已知的数据样本通过Kmeans模型自动最优化分类结果为五类，同时根据数据样本和自动分类结果来获取最佳的随机森林模型，将未知区域储层参数数据样本放入已经训练完成的随机森林模型，得到X未知地区的储层评价预测结果图，Ⅰ类储层对应优质储层；Ⅱ类储层对应中等储层；Ⅲ类储层对应一般储层；Ⅳ类储层对应差储层；Ⅴ类非储层对应非储层。而事实也证明预测结果与X未知地区原始储层评价结果相吻合。
Claims (4)
1.一种Kmeans-随机森林的储层评价预测方法，其特征在于，包括以下步骤：
步骤A，获取储层参数数据输入；
步骤B，将获取的储层参数数据进行归一化以及降维处理，消除量纲以及信息冗余带来的影响；
步骤C，将经过预处理的储层参数数据加载到Kmeans模型中去，根据轮廓系数来动态地调整分类类别个数，最终得到最佳的分类结果，实现自动分类和分类结果的最优化；
步骤D，自动分类结果对应储层评价类别，通过Kmeans模型训练预测，得到动态调整的最佳分类结果，同时会自动为每一种类别结果打上不同的标签，而每一种标签对应不同的储层类型；
步骤E，在步骤B和D上获取的数据输入随机森林模型中去，按照25％测试集和75％训练集对样本数据集进行划分，并设置随机数种子以保证选取的样本能够追踪以及消除因选择的样本不同而造成的误差，开始训练随机森林模型，并将训练完成的随机森林模型进行保存；
步骤F，获取新的储层参数数据输入；
步骤G，对新获取的储层参数数据进行归一化处理，消除量纲；
步骤H，加载模型，将预处理后的储层数据送入加载完毕的随机森林模型中进行预测；
步骤I，在步骤H的基础上输出每棵决策树取概率最大所对应的类别，综合每棵树的类别，按照类别个数多胜出的原则进行最终的预测结果输出。
2.根据权利要求1所述的一种Kmeans-随机森林的储层评价预测方法，其特征在于，步骤中获取储层参数，包括：孔隙度、渗透率、泥质含量、含水饱和度、粒度中值、孔隙吼道半径中值、束缚水饱和度、油水相对渗透率、含水率、渗透率突进系数、渗透率变异系数、渗透率极差。
3.根据权利要求1所述的一种Kmeans-随机森林的储层评价预测方法，其特征在于，步骤C中，轮廓系数的计算公式(bi-ai)/max(bi，ai)，bi为样本点i到其它类别群的所有样本的距离最小值，ai为样本点i到本类别群的距离的平均值；轮廓系数越接近于1，分类结果也就越好；轮廓系数越接近于-1，分类结果也就越差。
4.根据权利要求1所述的一种Kmeans-随机森林的储层评价预测方法，其特征在于，步骤E中随机森林模型训练包括如下子步骤：
步骤E1，加载原始的随机森林模型，所有参数都是保持默认的状态；
步骤E2，选取交叉验证并依据准确率的高低来调参，在步骤E上划分的75％的训练集上，将训练集分为6份，5份作为训练、1份用作验证，然后经过6次测试，每次都更换不同的验证集，得到6组模型的结果，取平均值作为最终结果也就是交叉验证的准确率；
步骤E3，根据超参数的作用和性质，事先设置超参数的取值范围，采用网格搜索的方法，在设置超参数的取值范围同时对多个超参数进行调整；
步骤E4，在步骤E2和E3的基础上，以交叉验证和测试集准确率高以及为基础，以两种准确率收敛曲线保持平行并且差距不能过大为标准，通过网格搜索的方法对初始默认参数进行调整，获得此时随机森林模型参数数据也就是最佳的参数数据；
步骤E5，在步骤E4的基础上，完成对最佳超参数的筛选，得到最佳的随机森林模型；
步骤E6，将步骤E5训练完成的模型保存起来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663700.9A CN113379256A (zh) | 2021-06-16 | 2021-06-16 | 一种Kmeans-随机森林的储层评价预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663700.9A CN113379256A (zh) | 2021-06-16 | 2021-06-16 | 一种Kmeans-随机森林的储层评价预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379256A true CN113379256A (zh) | 2021-09-10 |
Family
ID=77574503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110663700.9A Pending CN113379256A (zh) | 2021-06-16 | 2021-06-16 | 一种Kmeans-随机森林的储层评价预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379256A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897050A (zh) * | 2022-04-06 | 2022-08-12 | 北京月新时代科技股份有限公司 | 随机森林模型构建与参数优化方法以及储层类别划分方法 |
| CN115983088A (zh) * | 2022-10-09 | 2023-04-18 | 中国地质大学（北京） | 一种基于集成学习建立的海相页岩原地气量预测模型 |
| CN117688387A (zh) * | 2024-01-30 | 2024-03-12 | 东北石油大学三亚海洋油气研究院 | 储层分类模型的训练和分类方法、相关设备及存储介质 |
| CN117688387B (zh) * | 2024-01-30 | 2024-07-02 | 东北石油大学三亚海洋油气研究院 | 储层分类模型的训练和分类方法、相关设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107132266A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的水质分类方法及系统 |
| CN110138849A (zh) * | 2019-05-05 | 2019-08-16 | 哈尔滨英赛克信息技术有限公司 | 基于随机森林的协议加密算法类型识别方法 |
-
2021
- 2021-06-16 CN CN202110663700.9A patent/CN113379256A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107132266A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的水质分类方法及系统 |
| CN110138849A (zh) * | 2019-05-05 | 2019-08-16 | 哈尔滨英赛克信息技术有限公司 | 基于随机森林的协议加密算法类型识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨璐等: "基于随机森林的地震储层分类方法研究", 《2017中国地球科学联合学术年会论文集（三十八）》 * |
| 段友祥等: "基于相带划分的孔隙度预测", 《南京大学学报（自然科学版）》 * |
| 秦基超: "准噶尔盆地八区下乌尔禾组低阻油层测井解释方法研究", 《中国优秀博硕士学位论文全文数据库-基础科学辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897050A (zh) * | 2022-04-06 | 2022-08-12 | 北京月新时代科技股份有限公司 | 随机森林模型构建与参数优化方法以及储层类别划分方法 |
| CN115983088A (zh) * | 2022-10-09 | 2023-04-18 | 中国地质大学（北京） | 一种基于集成学习建立的海相页岩原地气量预测模型 |
| CN115983088B (zh) * | 2022-10-09 | 2023-08-15 | 中国地质大学（北京） | 一种基于集成学习建立的海相页岩原地气量预测模型 |
| CN117688387A (zh) * | 2024-01-30 | 2024-03-12 | 东北石油大学三亚海洋油气研究院 | 储层分类模型的训练和分类方法、相关设备及存储介质 |
| CN117688387B (zh) * | 2024-01-30 | 2024-07-02 | 东北石油大学三亚海洋油气研究院 | 储层分类模型的训练和分类方法、相关设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| CN105760673B (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
| CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
| CN113379256A (zh) | 一种Kmeans-随机森林的储层评价预测方法 | |
| CN110377605B (zh) | 一种结构化数据的敏感属性识别与分类分级方法 | |
| CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
| CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
| CN112785450A (zh) | 一种土壤环境质量分区方法及系统 | |
| CN110344824B (zh) | 一种基于随机森林回归的声波曲线生成方法 | |
| CN109800954A (zh) | 基于测井数据的储层评价新方法 | |
| CN113420795B (zh) | 一种基于空洞卷积神经网络的矿物光谱分类方法 | |
| CN104850867A (zh) | 一种基于直觉模糊c均值聚类的目标识别方法 | |
| CN113240527A (zh) | 基于可解释机器学习的债券市场违约风险预警方法 | |
| CN117453764A (zh) | 一种数据挖掘分析方法 | |
| CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 | |
| CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
| CN113159220B (zh) | 基于随机森林的混凝土侵彻深度经验算法评价方法和装置 | |
| Gharavi et al. | Application of machine learning techniques for identifying productive zones in unconventional reservoir | |
| CN116933947A (zh) | 一种基于软投票集成分类器的滑坡易发性预测方法 | |
| CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
| CN116303626A (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
| CN116542345A (zh) | 用于测井岩性预测的机器学习模型训练方法 | |
| CN116658148A (zh) | 岩性识别方法 | |
| CN115099357A (zh) | 一种基于多核支持向量机的致密砂岩储层分类方法 | |
| CN114202036A (zh) | 一种基于模式识别技术的静力触探自动划分土层技术 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |
|
| RJ01 | Rejection of invention patent application after publication |