CN113447997A - 储层裂缝识别方法、识别装置及识别系统 - Google Patents

储层裂缝识别方法、识别装置及识别系统 Download PDF

Info

Publication number
CN113447997A
CN113447997A CN202110557796.0A CN202110557796A CN113447997A CN 113447997 A CN113447997 A CN 113447997A CN 202110557796 A CN202110557796 A CN 202110557796A CN 113447997 A CN113447997 A CN 113447997A
Authority
CN
China
Prior art keywords
logging
error
supervised
data
fracture
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
Application number
CN202110557796.0A
Other languages
English (en)
Other versions
CN113447997B (zh
Inventor
董少群
曾联波
刘建军
许韬
杜相仪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202110557796.0A priority Critical patent/CN113447997B/zh
Publication of CN113447997A publication Critical patent/CN113447997A/zh
Application granted granted Critical
Publication of CN113447997B publication Critical patent/CN113447997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种储层裂缝识别方法、识别装置及识别系统，方法包括：获取常规测井曲线，基于常规测井曲线生成重构测井曲线；根据岩心裂缝描述或成像测井裂缝解释数据，将常规测井曲线和重构测井曲线整理为有标签测井数据和无标签测井数据；构建半监督深度神经网络；根据有标签测井数据确定有监督误差，根据无标签测井数据确定无监督误差；根据有监督误差和无监督误差之和确定半监督总误差；根据半监督总误差构建裂缝识别模型；利用裂缝识别模型识别待识别待测样本的裂缝信息。通过本发明提供的方法，能够构建更为合理的非常规储层裂缝测井识别模型，提高裂缝识别精度。

Description

储层裂缝识别方法、识别装置及识别系统
技术领域
本发明涉及油气储层单井裂缝识别技术领域，具体地，涉及一种储层裂缝识别方法、一种储层裂缝识别装置及一种储层裂缝识别系统。
背景技术
由于钻井岩心和成像测井资料少，不便于全面了解储层裂缝发育规律，而基本每口井都会收集常规测井曲线，因此通过常规测井曲线解释单井裂缝是较为常用的方法。
现有技术中，常用的单井裂缝识别的方法可以分为两大类，即无监督方法和有监督方法。无监督方法仅利用未标定的常规测井数据训练裂缝识别模型，虽然可区分部分裂缝，但识别精度偏低。有监督方法由于裂缝标签信息的指导，可以提高裂缝的识别精度。但由于有监督方法的识别率受训练样本数量和质量的影响极大，而岩心和成像测井资料有限，所以实际应用中训练样本数量并不多，严重制约着该类方法的识别精度。
发明内容
针对现有技术中识别精度偏低，识别裂缝不准的技术问题，本发明提供了一种储层裂缝识别方法、一种储层裂缝识别装置及一种储层裂缝识别系统，采用该方法能够将有标签测井小样本和无标记测井大样本数据的信息融合，快速识别和评价实现非常规储层单井裂缝的，对裂缝多尺度特征的深度挖掘和综合利用，构建更为合理的非常规储层裂缝测井识别模型，提高裂缝识别精度。
为实现上述目的，本发明提供的储层裂缝识别方法包括以下步骤：获取常规测井曲线，基于所述常规测井曲线生成重构测井曲线；根据岩心裂缝描述或成像测井裂缝解释数据，将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据和无标签测井数据；构建半监督深度神经网络；根据所述有标签测井数据确定有监督误差，根据所述无标签测井数据确定无监督误差；根据所述有监督误差和所述无监督误差之和确定半监督总误差；根据所述半监督总误差构建裂缝识别模型；利用所述裂缝识别模型识别待识别待测样本的裂缝信息。
进一步地，所述基于所述常规测井曲线生成重构测井曲线，包括：利用差异扩大法根据所述常规测井曲线生成所述重构测井曲线。
进一步地，所述将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据，包括：基于过采样数据均衡算法将所述常规测井曲线和所述重构测井曲线整理为所述有标签测井数据。
进一步地，所述根据所述有标签测井数据确定有监督误差，包括：利用噪声函数和激活函数对所述有标签测井数据进行编码处理，逐层提取裂缝特征，得到所述有监督误差。
进一步地，根据所述无标签测井数据确定无监督误差，包括：利用噪声函数和激活函数对所述无标签测井数据进行逐层编码处理，得到第一变量；利用噪声函数对每层提取出的第一变量进行解码处理得到第二变量；利用激活函数对所述无标签测井数据进行逐层编码处理，得到第三变量，其中所述第三变量与所述第二变量对应；根据所述第二变量和所述第三变量的差值得到所述无监督误差。
进一步地，所述利用噪声函数对每层提取出的第一变量进行解码处理得到第二变量，包括：利用所述噪声函数以及该第一变量相邻的变量对该第一变量进行解码处理得到所述第二变量。
进一步地，所述利用所述裂缝识别模型识别待识别待测样本的裂缝信息，包括：利用分数阶算法对所述裂缝识别模型进行优化处理；利用优化之后的裂缝识别模型识别待识别所述裂缝信息。
本发明第二方面提供一种储层裂缝识别装置，所述储层裂缝识别装置包括：重构测井曲线模块，用于获取常规测井曲线，基于所述常规测井曲线生成重构测井曲线；数据融合模块，用于根据岩心裂缝描述或成像测井裂缝解释数据，将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据和无标签测井数据；模型构建模块，用于构建半监督深度神经网络；根据所述有标签测井数据确定有监督误差；根据所述无标签测井数据确定无监督误差；根据所述有监督误差和所述无监督误差之和确定半监督总误差；根据所述半监督总误差构建裂缝识别模型；对所述裂缝识别模型进行优化处理；裂缝识别模块，用于利用优化处理后的裂缝识别模型识别待识别待测样本的裂缝信息。
本发明第三方面提供一种储层裂缝识别系统，包括：上文所述的储层裂缝识别装置。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上文所述的储层裂缝识别方法。
通过本发明提供的技术方案，本发明至少具有如下技术效果：
本发明的储层裂缝识别方法，在少量有标签测井数据和大量无标签测井数据的基础上，有机融合阶梯深度神经网络和半监督学习，改进神经网络的层间连接方法，加强算法对裂缝不同尺度非线性特征的提取，半监督框架下改进神经网络的学习方式，半监督阶梯深度神经网络通过多组自动编码器组合而成神经网络结构，将测井数据中稀疏特征通过嵌入层进行降维，通过不同层编码器与解码器整合有监督学习和无监督学习，有机融合常用的有标签测井小样本与不常用的无标签测井大样本数据，从数据扩充角度增强裂缝先验信息，实现对裂缝不同尺度裂缝特征的有效提取和利用，提高非常规储层裂缝识别精度。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明实施例提供的储层裂缝识别方法的流程图；
图2为本发明实施例提供的储层裂缝识别方法中半监督深度神经网络的示意图；
图3为本发明一种实施方式的裂缝识别结果的示意图；
图4为本发明实施例提供的储层裂缝识别装置的示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
下面将参考附图并结合实施例来详细说明本发明。
请参考图1，本发明实施例提供一种储层裂缝识别方法，该方法包括以下步骤：S101：获取常规测井曲线，基于所述常规测井曲线生成重构测井曲线；S102：根据岩心裂缝描述或成像测井裂缝解释数据，将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据和无标签测井数据；S103：构建半监督深度神经网络；S104：根据所述有标签测井数据确定有监督误差，根据所述无标签测井数据确定无监督误差；根据所述有监督误差和所述无监督误差之和确定半监督总误差；S105：根据所述半监督总误差构建裂缝识别模型；S106：利用所述裂缝识别模型识别待识别待测样本的裂缝信息。
具体地，本发明实施方式中，常规测井曲线是几乎所有油田完钻井都具有的测井资料，主要包括自然伽马(GR)、井径(CAL)、自然电位(SP)、声波时差(AC或DT)、密度(DEN)、补偿中子(CNL)、深、浅电阻率测井(RS、RD)等。理论上，裂缝发育段处这些测井物理响应会发生变化，例如根据深浅电阻率曲线会有差异构建的RD-RS，根据声波时差变大、密度下降构建的AC/DEN等，同时裂缝发育段测井响应多为异常，其绝对值可能跟一些裂缝不发育段并无差异，但是其相对该段周边是明显的异常，因此，常规测井曲线的变化率也将作为重构测井曲线。重构曲线的加入，可以缓解非线性分类算法对裂缝特征提取的压力。
进一步地，所述基于所述常规测井曲线生成重构测井曲线，包括：利用差异扩大法根据所述常规测井曲线生成所述重构测井曲线。
具体地，通过差异扩大法和机器学习筛选法重构并优选测井曲线，为后续裂缝识别模型提供合理的输入，是裂缝识别研究的基础。基于差异扩大的裂缝重构曲线分成两类：第一类是根据裂缝理论物理响应构建的差异扩大化曲线，例如高渗裂缝会导致深浅电阻率差异，可构建深浅电阻率差△R；第二类是根据“裂缝测井响应是背景响应下的异常”构建的曲线，用于描述某一位置相对周边的测井响应变化，例如声波时差变化率 (2×ACi-ACi-1-ACi+1)/2h，其中ACi-1、ACi、ACi+1分别为第i-1、i、i+1个采样点，h为采样间隔。
基于机器学习筛选法的测井曲线优选。在常规测井曲线和重构测井曲线的基础上，利用参数设定简单的机器学习算法，本实施方式中使用核Fisher 判别分析，计算所有曲线的裂缝识别率，利用轮盘赌算法随机抽选测井曲线组合进行增减，依据识别率升降确定测井曲线的贡献度，并优选测井曲线用于后续裂缝识别。
接着对常规测井曲线和重构测井曲线进行归一化处理。将每条测井曲线，以及计算所得曲线差值和测井变化率均进行归一化处理：
xi(j)＝(Xi(j)-min(X(j)))/(max(X(j))-min(X(j)))
其中，Xi(j)为第i个样本的第j条测井曲线，xi(j)为Xi(j)归一化后的数据， X(j)为所有样本的第j条测井曲线，min(X(j))、max(X(j))分别为X(j)取最小值和最大值的函数。不同测井曲线数值范围差异明显，例如声波时差 200-300μs/m，而井径的范围只有21cm左右，若不进行归一化，容易出现忽视数值范围小的测井曲线的问题。
接着对裂缝识别训练样本准备，根据岩心裂缝描述或成像测井裂缝解释数据，将常规测井曲线和重构测井曲线整理为有标签测井数据和无标签测井数据。记有裂缝解释标签的样本数据为{xi,yi}，i＝1,2,…,l+u，xi表示第i个样本，是由常规测井曲线和重构测井曲线组成的向量，l为有标签样本的数量，u为无标签样本的数量，yi＝+1表示有裂缝，yi＝-1表示无裂缝，yi＝0表示无标签样本，即只有常规测井数据，无岩心或成像测井的裂缝解释结果。
进一步地，所述将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据，包括：基于过采样数据均衡算法将所述常规测井曲线和所述重构测井曲线整理为所述有标签测井数据。
具体地，本发明实施中，基于样本空间内特征相似的样本具有聚集现象的特征，在一个正样本附近选择k个正样本中，进行插值处理生成新的正样本。输入样本总数N，采样率SR，近邻参数k，输出新的样本集合S，从而实现数量少的类别的加密和数据均衡。具体流程如下：
①将样本N分为正样本N+和负样本N-，正样本集合S+，负样本集合S-。
②for 1：N+×SR
在正样本集合S+随机选择一个正样本x，根据输入的近邻参数，找出近邻样本；
在近邻样本中，随机挑选一个样本y，做矢量连线；
在连线上做xnew＝x+rand(0，1)(x-y)计算生成新的样本；
③将新生成的正样本加入正样本集合中，更新整体集合得到最后的均衡集合S。
通过改进基于插值的数据均衡化算法，平衡训练样本中有裂缝和无裂缝样本的数量，缓解数据不均衡导致的识别模型过度拟合问题，避免识别模型出现正判率高但全部识别为无裂缝的难题。
整理出有标签测井数据和无标签测井数据之后，即可根据有标签测井数据和无标签测井数据建立半监督深度神经网络，根据所述有标签测井数据确定有监督误差，根据所述无标签测井数据确定无监督误差；根据所述有监督误差和所述无监督误差之和确定半监督总误差；根据所述半监督总误差构建裂缝识别模型：
请参考图2，进一步地，所述根据所述有标签测井数据确定有监督误差，包括：利用噪声函数和激活函数对所述有标签测井数据进行编码处理，逐层提取裂缝特征，得到所述有监督误差。
具体地，本发明实施方式中半监督深度神经网络的网络结构共分为L层，为方便表示各编解码过程，后文中采用“～”上标表示加入噪声后的编码过程变量，采用“^”上标表示加入噪声后的解码过程变量。x为输入，N(0,σ2) 为方差是σ的标准高斯噪声函数，φ(·)为激活函数，激活函数可以选择Relu 函数、Tanh函数、Sigmoid函数等：
根据有标签测井数据确定有监督误差，半监督深度神经网络分成三列，最左侧一列利用噪声函数和激活函数对有标签测井数据进行编码处理，逐层提取裂缝特征，得到有监督误差C1：
Figure BDA0003077957500000081
根据无标签测井数据确定无监督误差，最左侧一列与最右侧一列共享相同的神经网络参数，但是第一列加入了噪声，以增强模型的鲁棒性。最左侧一列相当于编码器，可以逐层提取裂缝特征(第一变量)，高层可以忽略掉低层的一些细节特征，只保留大尺度的特征，不同层可以有序的合理利用不同尺度的裂缝裂缝特征。中间一列相当于解码器，其综合利用相近层的加密和解密信息，以实现类似长短期记忆的功能。同层之间可以计算编码和解码后的第二变量，与最右侧第三变量对比即可计算无监督误差C2：
Figure BDA0003077957500000082
汇总两者之间的误差即可确定半监督总误差C＝C1+C2，再根据半监督总误差构建裂缝识别模型。
进一步地，所述利用所述裂缝识别模型识别待识别待测样本的裂缝信息，包括：利用分数阶算法对所述裂缝识别模型进行优化处理；利用优化之后的裂缝识别模型识别待识别所述裂缝信息。
具体地，本发明实施方式中，在构建裂缝识别模型之后，利用分数阶算法对裂缝识别模型进行优化处理，然后利用优化之后的裂缝识别模型识别待识别裂缝信息。
半监督深度神经网络中参数直接决定了模型的预测能力，因此本实施方式采用自适应分数阶梯度算法神经网络参数进行优化，其比经典算法等具有不易陷入局部最优解的优点。分数阶梯度法的迭代公式为：
Figure BDA0003077957500000083
实施例一
以中国鄂尔多斯盆地一油田的非常规储层为例进行裂缝识别。2口取心井，用于提供有标签样本，18口无岩心观察记录的井，用于提供无标签样本。每个样本都有6种常规测井曲线GR、CAL、AC、CNL、DEN、RS、RD。新加入的重构测井曲线包括RD-RS、AC*CNL、AC/DEN、CNL/DEN，以此所有常规曲线和重构曲线的变化率曲线。随后进行测井曲线归一化，然后建立用于裂缝识别的裂缝识别模型。最后将待测井输入模型，即可获得裂缝解释结果。如图3所示，图中可以看出，常规方法和本发明方法对于裂缝发育程度高的层段均能识别，但是在2012.7-2012.3m之间岩心观察表明有裂缝发育，发育程度弱些，常规方法并不能很好解释，而本发明方法则可以较好的解释。实施例表明，本发明所提方法可以较为准确的识别油气储层裂缝发育层段。
请参考图4，本发明第二方面提供一种储层裂缝识别装置，所述储层裂缝识别装置包括：重构测井曲线模块，用于获取常规测井曲线，基于所述常规测井曲线生成重构测井曲线；数据融合模块，用于根据岩心裂缝描述或成像测井裂缝解释数据，将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据和无标签测井数据；模型构建模块，用于构建半监督深度神经网络；根据所述有标签测井数据确定有监督误差；根据所述无标签测井数据确定无监督误差；根据所述有监督误差和所述无监督误差之和确定半监督总误差；根据所述半监督总误差构建裂缝识别模型；对所述裂缝识别模型进行优化处理；裂缝识别模块，用于利用优化处理后的裂缝识别模型识别待识别待测样本的裂缝信息。
本发明第三方面提供一种储层裂缝识别系统，包括：上文所述的储层裂缝识别装置。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上文所述的储层裂缝识别方法。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种储层裂缝识别方法，其特征在于，所述储层裂缝识别方法包括：
获取常规测井曲线，基于所述常规测井曲线生成重构测井曲线；
根据岩心裂缝描述或成像测井裂缝解释数据，将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据和无标签测井数据；
构建半监督深度神经网络；
根据所述有标签测井数据确定有监督误差，根据所述无标签测井数据确定无监督误差；
根据所述有监督误差和所述无监督误差之和确定半监督总误差；
根据所述半监督总误差构建裂缝识别模型；
利用所述裂缝识别模型识别待识别待测样本的裂缝信息。
2.根据权利要求1所述的储层裂缝识别方法，其特征在于，所述基于所述常规测井曲线生成重构测井曲线，包括：
利用差异扩大法根据所述常规测井曲线生成所述重构测井曲线。
3.根据权利要求1所述的储层裂缝识别方法，其特征在于，所述将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据，包括：
基于过采样数据均衡算法将所述常规测井曲线和所述重构测井曲线整理为所述有标签测井数据。
4.根据权利要求1所述的储层裂缝识别方法，其特征在于，所述根据所述有标签测井数据确定有监督误差，包括：
利用噪声函数和激活函数对所述有标签测井数据进行编码处理，逐层提取裂缝特征，得到所述有监督误差。
5.根据权利要求1所述的储层裂缝识别方法，其特征在于，根据所述无标签测井数据确定无监督误差，包括：
利用噪声函数和激活函数对所述无标签测井数据进行逐层编码处理，得到第一变量；
利用噪声函数对每层提取出的第一变量进行解码处理得到第二变量；
利用激活函数对所述无标签测井数据进行逐层编码处理，得到第三变量，其中所述第三变量与所述第二变量对应；
根据所述第二变量和所述第三变量的差值得到所述无监督误差。
6.根据权利要求5所述的储层裂缝识别方法，其特征在于，所述利用噪声函数对每层提取出的第一变量进行解码处理得到第二变量，包括：
利用所述噪声函数以及该第一变量相邻的变量对该第一变量进行解码处理得到所述第二变量。
7.根据权利要求1所述的储层裂缝识别方法，其特征在于，所述利用所述裂缝识别模型识别待识别待测样本的裂缝信息，包括：
利用分数阶算法对所述裂缝识别模型进行优化处理；
利用优化之后的裂缝识别模型识别待识别所述裂缝信息。
8.一种储层裂缝识别装置，其特征在于，所述储层裂缝识别装置包括：
重构测井曲线模块，用于获取常规测井曲线，基于所述常规测井曲线生成重构测井曲线；
数据融合模块，用于根据岩心裂缝描述或成像测井裂缝解释数据，将所述常规测井曲线和所述重构测井曲线整理为有标签测井数据和无标签测井数据；
模型构建模块，用于构建半监督深度神经网络；根据所述有标签测井数据确定有监督误差；根据所述无标签测井数据确定无监督误差；根据所述有监督误差和所述无监督误差之和确定半监督总误差；根据所述半监督总误差构建裂缝识别模型；对所述裂缝识别模型进行优化处理；
裂缝识别模块，用于利用优化处理后的裂缝识别模型识别待识别待测样本的裂缝信息。
9.一种储层裂缝识别系统，其特征在于，包括：权利要求8所述的储层裂缝识别装置。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行权利要求1-7中任一项权利要求所述的储层裂缝识别方法。
CN202110557796.0A 2021-05-21 2021-05-21 储层裂缝识别方法、识别装置及识别系统 Active CN113447997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110557796.0A CN113447997B (zh) 2021-05-21 2021-05-21 储层裂缝识别方法、识别装置及识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110557796.0A CN113447997B (zh) 2021-05-21 2021-05-21 储层裂缝识别方法、识别装置及识别系统

Publications (2)

Publication Number Publication Date
CN113447997A true CN113447997A (zh) 2021-09-28
CN113447997B CN113447997B (zh) 2023-07-18

Family

ID=77809978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110557796.0A Active CN113447997B (zh) 2021-05-21 2021-05-21 储层裂缝识别方法、识别装置及识别系统

Country Status (1)

Country Link
CN (1) CN113447997B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114457A (zh) * 2021-11-09 2022-03-01 中国石油大学(北京) 基于多模态测井数据的裂缝表征方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526693A (zh) * 2016-09-30 2017-03-22 中国石油天然气股份有限公司 裂缝识别方法和装置
US20180300632A1 (en) * 2017-04-17 2018-10-18 Fujitsu Limited Non-transitory computer-readable storage medium, learning method, and learning device
CN109736790A (zh) * 2018-12-28 2019-05-10 新疆工程学院 基于深度信念网络的测井岩性识别方法
CN110378291A (zh) * 2019-07-22 2019-10-25 浙江大学 一种基于半监督学习的人体特征参数预测方法
CN111476757A (zh) * 2020-03-10 2020-07-31 西北大学 一种冠脉斑块数据检测方法、系统、存储介质、终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526693A (zh) * 2016-09-30 2017-03-22 中国石油天然气股份有限公司 裂缝识别方法和装置
US20180300632A1 (en) * 2017-04-17 2018-10-18 Fujitsu Limited Non-transitory computer-readable storage medium, learning method, and learning device
CN109736790A (zh) * 2018-12-28 2019-05-10 新疆工程学院 基于深度信念网络的测井岩性识别方法
CN110378291A (zh) * 2019-07-22 2019-10-25 浙江大学 一种基于半监督学习的人体特征参数预测方法
CN111476757A (zh) * 2020-03-10 2020-07-31 西北大学 一种冠脉斑块数据检测方法、系统、存储介质、终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANTTI RASMUS,ET AL.: "Semi-Supervised Learning with Ladder Networks", 《ARXIVLABS》 *
SHAOQUN DONGA,ET AL.: "Fracture identification by semi-supervised learning using conventional logs in tight sandstones of Ordos Basin, China", 《JOURNAL OF NATURAL GAS SCIENCE AND ENGINEERING》 *
丁燕等: "基于深度学习的裂缝预测在Ｓ区潜山碳酸盐岩储层中的应用", 《石油物探》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114457A (zh) * 2021-11-09 2022-03-01 中国石油大学(北京) 基于多模态测井数据的裂缝表征方法、装置及设备

Also Published As

Publication number Publication date
CN113447997B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN109736790B (zh) 基于深度信念网络的测井岩性识别方法
CN104533400B (zh) 一种重构测井曲线的方法
CN110284873B (zh) 一种油井储集性质的检测方法及检测装置
CN111665560B (zh) 油气层识别方法、装置、计算机设备及可读存储介质
CN109447249B (zh) 一种基于深度卷积的对抗神经网络测井数据重建方法
CN113919219A (zh) 基于测井大数据的地层评价方法及系统
CN113792936A (zh) 一种随钻岩性智能识别方法、系统、设备和存储介质
CN109635244A (zh) 岩石可钻性预测方法、系统、存储介质及电子终端
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN117236390A (zh) 一种基于交叉注意力扩散模型的储层预测方法
CN111598444A (zh) 基于卷积神经网络的测井岩性识别方法及系统
CN113447997B (zh) 储层裂缝识别方法、识别装置及识别系统
CN112712855B (zh) 一种基于联合训练的含缺失值基因微阵列的聚类方法
CN117473305A (zh) 一种近邻信息增强的储层参数预测方法及系统
CN115639605B (zh) 基于深度学习的高分辨率断层的自动识别方法和装置
CN116821786A (zh) 一种低渗储层分类方法、装置及介质
CN115238860B (zh) 一种漏失压力预测模型生成方法和装置
Anifowose et al. A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs
CN112464483B (zh) 一种基于遗传神经网络算法的测井曲线重构方法
CN114021700A (zh) 基于岩石物理约束神经网络的渗透率计算方法及装置
CN113642772A (zh) 基于机器学习的测井储层识别预测方法
CN109490983B (zh) 一种储层地质力学参数自动拟合方法及系统
CN117633658B (zh) 岩石储层岩性识别方法及系统
CN117574269B (zh) 陆相页岩储层天然裂缝智能识别方法及系统
Fan et al. Quantitative Prediction of Low‐Permeability Sandstone Grain Size Based on Conventional Logging Data by Deep Neural Network‐Based BP Algorithm

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