CN113468822A - 一种钻速预测方法及系统 - Google Patents
一种钻速预测方法及系统 Download PDFInfo
- Publication number
- CN113468822A CN113468822A CN202110838354.3A CN202110838354A CN113468822A CN 113468822 A CN113468822 A CN 113468822A CN 202110838354 A CN202110838354 A CN 202110838354A CN 113468822 A CN113468822 A CN 113468822A
- Authority
- CN
- China
- Prior art keywords
- drilling
- data set
- model
- optimal
- prediction
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000002790 cross-validation Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000035515 penetration Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 101150018840 SPM1 gene Proteins 0.000 description 1
- 101100335888 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GAL83 gene Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Earth Drilling (AREA)
Abstract
本发明涉及一种钻速预测方法及系统，其特征在于，该方法包括：基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值，本发明将XGBOOST算法与石油钻井工程相结合，深度挖掘钻井过程中各因素与钻速之间的关系，可以广泛应用于海洋油气开发及大数据应用领域中。
Description
技术领域
本发明是关于一种钻速预测方法及系统，属于海洋油气开发及大数据应用领域。
背景技术
在深水油气钻井过程中，由于环境和地质的复杂性，往往会造成较大的风险性和不确定性。而近20年来，钻井的信息化、智能化和自动化方面不断前进和突破，人们越来越认识到钻井的发展必须结合人工智能。
钻速预测是石油钻井过程中非常重要的一步，对于钻速的预测最困难的就是影响因素众多，不能仅仅考虑一个方面，需要结合各种影响因素，综合考虑。然而，传统的钻速预测方法很难考虑各种影响因素，且通常有容错性低、精度较差和计算复杂等缺点。
发明内容
针对上述问题，本发明的目的是提供一种容错性高、精度高且计算简单的钻速预测方法及系统。
为实现上述目的，本发明采取以下技术方案：一种钻速预测方法，包括：
基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；
获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。
进一步地，所述基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型，包括：
获取各深水钻井的数据集；
基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型。
进一步地，所述获取各深水钻井的数据集，包括：
获取各深水钻井的数据集，其中，数据集为原始钻井数据集，包括静态钻井数据和动态钻井数据；
对数据集进行划分，得到训练集和验证集。
进一步地，所述基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型，包括：
将训练集输入至XGBOOST模型中进行训练，并通过计算增益，得到特征重要度；
通过验证集，对训练后的XGBOOST模型进行验证；
根据得到的特征重要度，对各深水钻井的数据集中的特征进行筛选；
采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值；
根据最优的模型参数值，确定最优的XGBOOST模型。
进一步地，所述采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值，包括：
分别设定模型参数的若干预设值；
采用网格搜索方法，构建若干模型参数的预设值组合；
循环遍历模型参数的所有预设值组合，尝试每一预设值组合的可能性，对每一预设值组合进行交叉验证，确定最优的模型参数值。
进一步地，所述模型参数包括树的最大深度、子节点中最小的样本权重和、学习率以及XGBOOST模型中每棵树随机采样整个样本集合的比例。
进一步地，所述获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值，包括：
获取待预测钻井的数据集中筛选后的特征；
将筛选后的特征输入至最优的XGBOOST模型中，得到待预测钻井的钻速预测值。
一种钻速预测系统，包括：
模型建立模块，用于基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；
钻速预测模块，用于获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。
一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述钻速预测方法对应的步骤。
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计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述钻速预测方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：本发明将XGBOOST算法与石油钻井工程相结合，深度挖掘钻井过程中各因素与钻速之间的关系，并在训练过程中采用网格搜索和交叉验证方法对模型参数进行调整，最终实现精准的钻速预测，进而为深水石油钻井过程中的钻速优化等需求提供帮助，可以广泛应用于海洋油气开发及大数据应用领域中。
附图说明
图1是本发明一实施例提供的方法流程图；
图2是本发明一实施例提供的特征重要度排序示意图；
图3是本发明一实施例提供的网格搜索部分过程示意图；
图4是本发明一实施例提供的交叉验证部分过程示意图；
图5是本发明一实施例提供的采用本发明方法的钻速预测效果图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
本发明实施例提供的钻速预测方法及系统采用XGBOOST方法对海上石油钻井的钻速进行预测，能够得到效果最好的XGBOOST模型，进而得到精度高的钻速预测值。
实施例1
如图1所示，本实施例提供一种钻速预测方法，包括以下步骤：
1)获取各深水钻井的数据集，并对数据集进行划分，得到训练集和验证集，其中，数据集为原始钻井数据集，包括动态钻井数据和静态钻井数据，动态钻井数据包括机械钻速、迟到深度、泥浆池体积、钻压、扭矩、泥浆入口流量、泥浆池变化量、垂深、立管压力、泥浆出口流量、钻时、提升系统速度、大钩载荷、迟到时间、返出泥浆温度、转速和测深等，静态钻井数据包括钻头进尺、钻头类型和井眼段直径等。
2)将训练集输入至XGBOOST(eXtreme Gradient Boosting，极端梯度提升)模型中进行训练，并通过计算增益，得到特征重要度。其中，XGBOOST模型的输入为原始钻井数据集中的特征即深水钻井的数据集中的特征，输出为深水钻井的机械钻速。
3)通过验证集，对训练后的XGBOOST模型进行验证，其中，采用验证集对训练后的XGBOOST模型的具体过程为现有技术公开的内容，在此不多做赘述。
4)根据XGBOOST模型训练中得到的特征重要度，对各深水钻井的数据集中的特征进行筛选，剔除特征重要度最低的前五个特征，其中，深水钻井的数据集中的特征包括钻头深度(DBTM)、气体占比(GASA)、泥浆泵泵冲率(SPM)、返出深度(DRTM)、大钩悬重(HKLA)、钻井液返出流量(MFOP)、大钩高度(BPOS)、泥浆泵泵冲数(STKC)、钻压(WOBA)、转速(RPMA)、泵压(SPPA)、活动泥浆池容量(TVA)、泥浆池容量(TVCA)、钻头深度(DVER)、扭矩(TQA)和迟到时间(LA Gtim)。
例如，如图2所示，为本发明一具体实施例的深水钻井的数据集中的特征，其中，SPM1为深水钻井的1号泥浆泵泵冲率，SPM3深水钻井的3号泥浆泵泵冲率，剔除特征重要度最低的泥浆池容量、3号泥浆泵泵冲率、钻头深度、扭矩和迟到时间。
5)如图3和图4所示，采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值，以提高XGBOOST模型的准确度，提升XGBOOST模型的效果，具体为：
5.1)分别设定模型参数的若干预设值，本实施例中的模型参数包括树的最大深度(max depth)、子节点中最小的样本权重和(min child weight)、学习率(learning rate)以及XGBOOST模型中每棵树随机采样整个样本集合的比例(subsample)。
5.2)采用网格搜索方法，构建若干模型参数的预设值组合。
5.3)循环遍历模型参数的所有预设值组合，尝试每一预设值组合的可能性，对每一预设值组合进行交叉验证，确定最优的模型参数值。
6)根据最优的模型参数值，确定最优的XGBOOST模型，以用于钻速预测。
7)获取待预测钻井的数据集中筛选后的特征，并将筛选后的特征输入至最优的XGBOOST模型中，得到待预测钻井的钻速预测值。
如图2至图4所示，采用本发明的钻速预测方法，最终得到一组最优的模型参数值：树的最大深度为7，子节点中最小的样本权重和为9，学习率为0.2，每棵树随机采样整个样本集合的比例为1，得到最优的XGBOOST模型。在验证集中观察结果，最终结果如图5所示，可以看出该最优的XGBOOST模型可以精准地对钻速进行预测。
实施例2
本实施例提供一种钻速预测系统，包括：
模型建立模块，用于基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型。
钻速预测模块，用于获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。
在一个优选的实施例中，模型建立模块包括：
数据集获取单元，用于获取各深水钻井的数据集。
模型建立单元，用于基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型。
在一个优选的实施例中，模型建立单元包括：
特征重要度确定单元，用于将训练集输入至XGBOOST模型中进行训练，并通过计算增益，得到特征重要度。
验证单元，用于通过验证集，对训练后的XGBOOST模型进行验证。
筛选单元，用于根据得到的特征重要度，对各深水钻井的数据集中的特征进行筛选。
模型参数确定单元，用于采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值。
最优模型确定单元，用于根据最优的模型参数值，确定最优的XGBOOST模型。
在一个优选的实施例中，钻速预测模块包括：
特征获取单元，用于获取待预测钻井的数据集中筛选后的特征，
钻速预测单元，用于将筛选后的特征输入至最优的XGBOOST模型中，得到待预测钻井的钻速预测值。
实施例3
本实施例提供一种与本实施例1所提供的钻速预测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的钻速预测方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理器上运行的计算机程序，处理器运行计算机程序时执行本实施例1所提供的钻速预测方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本实施例1的钻速预测方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的钻速预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (10)
1.一种钻速预测方法，其特征在于，包括：
基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；
获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。
2.如权利要求1所述的一种钻速预测方法，其特征在于，所述基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型，包括：
获取各深水钻井的数据集；
基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型。
3.如权利要求2所述的一种钻速预测方法，其特征在于，所述获取各深水钻井的数据集，包括：
获取各深水钻井的数据集，其中，数据集为原始钻井数据集，包括静态钻井数据和动态钻井数据；
对数据集进行划分，得到训练集和验证集。
4.如权利要求3所述的一种钻速预测方法，其特征在于，所述基于网格搜索和交叉验证方法，根据各深水钻井的数据集，建立最优的XGBOOST模型，包括：
将训练集输入至XGBOOST模型中进行训练，并通过计算增益，得到特征重要度；
通过验证集，对训练后的XGBOOST模型进行验证；
根据得到的特征重要度，对各深水钻井的数据集中的特征进行筛选；
采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值；
根据最优的模型参数值，确定最优的XGBOOST模型。
5.如权利要求4所述的一种钻速预测方法，其特征在于，所述采用网格搜索和交叉验证方法，对验证后的XGBOOST模型进行模型参数的优选，确定最优的模型参数值，包括：
分别设定模型参数的若干预设值；
采用网格搜索方法，构建若干模型参数的预设值组合；
循环遍历模型参数的所有预设值组合，尝试每一预设值组合的可能性，对每一预设值组合进行交叉验证，确定最优的模型参数值。
6.如权利要求5所述的一种钻速预测方法，其特征在于，所述模型参数包括树的最大深度、子节点中最小的样本权重和、学习率以及XGBOOST模型中每棵树随机采样整个样本集合的比例。
7.如权利要求4所述的一种钻速预测方法，其特征在于，所述获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值，包括：
获取待预测钻井的数据集中筛选后的特征；
将筛选后的特征输入至最优的XGBOOST模型中，得到待预测钻井的钻速预测值。
8.一种钻速预测系统，其特征在于，包括：
模型建立模块，用于基于网格搜索和交叉验证方法，根据预先获取的各深水钻井的数据集，建立最优的钻速预测模型；
钻速预测模块，用于获取待预测钻井的数据集，并输入至最优的钻速预测模型中，得到待预测钻井的钻速预测值。
9.一种处理设备，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的钻速预测方法对应的步骤。
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计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的钻速预测方法对应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838354.3A CN113468822A (zh) | 2021-07-23 | 2021-07-23 | 一种钻速预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838354.3A CN113468822A (zh) | 2021-07-23 | 2021-07-23 | 一种钻速预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113468822A true CN113468822A (zh) | 2021-10-01 |
Family
ID=77882145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110838354.3A Pending CN113468822A (zh) | 2021-07-23 | 2021-07-23 | 一种钻速预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113468822A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117287179A (zh) * | 2023-11-27 | 2023-12-26 | 张家港市胜港机械制造有限公司 | 精密钻采设备的远程控制系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020100630A4 (en) * | 2020-04-24 | 2020-06-04 | Kaplan, Umit Emrah MR | System and method for grade estimation using gradient boosted decesion tree based machine learning algorithims |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| US20200240257A1 (en) * | 2017-12-11 | 2020-07-30 | Landmark Graphics Corporation | Simulated annealing accelerated optimization for real-time drilling |
| CN111753423A (zh) * | 2020-06-24 | 2020-10-09 | 厦门大学 | 一种基于XGBoost的井间动态连通性量化方法 |
| US20210018655A1 (en) * | 2019-07-18 | 2021-01-21 | Halliburton Energy Services, Inc. | Systems and methods for forecasting well interference |
| RU2745492C1 (ru) * | 2020-10-09 | 2021-03-25 | Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр» | Способ и система поиска аналогов месторождений нефти и газа |
| CN112560930A (zh) * | 2020-12-09 | 2021-03-26 | 上海海事大学 | 基于生产数据的汽油辛烷值预测方法 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
-
2021
- 2021-07-23 CN CN202110838354.3A patent/CN113468822A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200240257A1 (en) * | 2017-12-11 | 2020-07-30 | Landmark Graphics Corporation | Simulated annealing accelerated optimization for real-time drilling |
| US20210018655A1 (en) * | 2019-07-18 | 2021-01-21 | Halliburton Energy Services, Inc. | Systems and methods for forecasting well interference |
| AU2020100630A4 (en) * | 2020-04-24 | 2020-06-04 | Kaplan, Umit Emrah MR | System and method for grade estimation using gradient boosted decesion tree based machine learning algorithims |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
| CN111753423A (zh) * | 2020-06-24 | 2020-10-09 | 厦门大学 | 一种基于XGBoost的井间动态连通性量化方法 |
| RU2745492C1 (ru) * | 2020-10-09 | 2021-03-25 | Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр» | Способ и система поиска аналогов месторождений нефти и газа |
| CN112560930A (zh) * | 2020-12-09 | 2021-03-26 | 上海海事大学 | 基于生产数据的汽油辛烷值预测方法 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117287179A (zh) * | 2023-11-27 | 2023-12-26 | 张家港市胜港机械制造有限公司 | 精密钻采设备的远程控制系统及方法 |
| CN117287179B (zh) * | 2023-11-27 | 2024-02-06 | 张家港市胜港机械制造有限公司 | 精密钻采设备的远程控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105804730B (zh) | 使用历史井数据的资源识别的方法和系统 | |
| EP2646927A1 (en) | Systems and methods for reducing reservoir simulator model run time | |
| CN109446574B (zh) | 油气开采监测方法、故障识别模型获得方法及相关设备 | |
| CN116822580A (zh) | 一种基于Transformer模型的机械钻速时序特征的预测方法、系统、设备及介质 | |
| CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
| CN105528648A (zh) | 缝洞单元的生产动态预测方法及装置 | |
| CN112187554A (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
| JP2022123078A (ja) | 深層－超深層海相カーボナタイトのオイルプール賦存深度下限の予測方法 | |
| CN113468822A (zh) | 一种钻速预测方法及系统 | |
| CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
| CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
| CN112800590B (zh) | 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 | |
| CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
| GB2475120A (en) | Maximum entropy approach to assigning probabilities | |
| CN116384770A (zh) | 一种提液井产量预测方法、系统、设备及介质 | |
| CN116629686A (zh) | 一种评估企业能耗数据的方法及装置 | |
| CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
| CN116911148A (zh) | 一种沉积盆地建筑群震害评估方法及评估系统 | |
| CN114036829A (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
| Gudmundsdottir et al. | Reservoir characterization and prediction modeling using statistical techniques | |
| CN113536691A (zh) | 一种深水钻井参数优化方法及系统 | |
| CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
| CN112834404A (zh) | 页岩储层的产气能力的确定方法和装置 | |
| CN115182395B (zh) | 一种海底地层稳定性评估预测方法及系统 | |
| CN115906591B (zh) | 一种基于XGBoost网络的油井动液面计算方法 |
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 |