CN113537585B - 基于随机森林和梯度提升决策树的油田增产措施推荐方法 - Google Patents

基于随机森林和梯度提升决策树的油田增产措施推荐方法 Download PDF

Info

Publication number
CN113537585B
CN113537585B CN202110780292.5A CN202110780292A CN113537585B CN 113537585 B CN113537585 B CN 113537585B CN 202110780292 A CN202110780292 A CN 202110780292A CN 113537585 B CN113537585 B CN 113537585B
Authority
CN
China
Prior art keywords
data
implementation
measure
model
random forest
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
Application number
CN202110780292.5A
Other languages
English (en)
Other versions
CN113537585A (zh
Inventor
李云鹏
林杨
李金蔓
安创锋
霍宏博
李�权
田永刚
詹燕民
牛永胜
陈维汉
钱黎庆
曹新龙
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.)
CNOOC China Ltd Tianjin Branch
Original Assignee
CNOOC China Ltd Tianjin Branch
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 CNOOC China Ltd Tianjin Branch filed Critical CNOOC China Ltd Tianjin Branch
Priority to CN202110780292.5A priority Critical patent/CN113537585B/zh
Publication of CN113537585A publication Critical patent/CN113537585A/zh
Application granted granted Critical
Publication of CN113537585B publication Critical patent/CN113537585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Agronomy & Crop Science (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于随机森林和梯度提升决策树的油田增产措施推荐方法，包括：收集历史数据，并以增产措施实施时刻为分界分为实施数据集和实施效果数据集；对历史上各增产措施下的实施数据集进行数据预处理，包括：数据清洗、计算恢复比例、添加增产措施效果分类标签和训练集、测试集采样；分别从训练集和测试集中筛选出重要特征参数；构建及训练实施效果分类预测模型；向增产措施推荐可增产的生产井。本发明实现了有效增产措施下的生产井的推荐，最大程度地确保推荐措施实施成功，从技术上突破了目前难以支持多维度综合分析来实现增产的技术难点，给出可靠、有效的推荐措施来指导海上油田增产，促进了增产智能化，保障了生产井安全、稳定、高效运行。

Description

基于随机森林和梯度提升决策树的油田增产措施推荐方法
技术领域
本发明涉及一种海上油田增产措施推荐的方法。特别是涉及一种基于随机森林和梯度提升决策树的油田增产措施推荐方法。
背景技术
海上油田的开采特点和要求是安全、快速、经济和高效。由于目前海上油田类型多，储层条件复杂，敏感性强，在前期钻井、生产过程中油井容易造成伤害而严重影响产能，如限于注入水流程短、处理能力有限的影响，注入水水质普遍较差，导致注水井容易堵塞，不得不进行多轮次解堵，甚至严重制约了海上油田的快速开采和效益提升。
海上油田增产措施是降低综合递减率的重要手段，增产措施是确保海上油田稳定高效开采、提高产量、降低综合递减率的有力技术手段，科学的措施推荐可最大程度地保证措施实施成功。目前海上油田的增产措施推荐方法还仅仅停留在对油藏类型、流体性质、储层物性等几个单因素分析、对比的基础之上，无法对地层、井筒、措施设计等多维度进行综合分析，给出更加可靠、有效的推荐措施来指导海上油田增产。
因此，现有的海上油田增产措施手段已经无法满足高效增产的需求。
发明内容
本发明所要解决的技术问题是，提供一种综合考虑了地层、井筒、措施设计等多方面参数对推荐措施的影响，能够为海上油田增产措施推荐提供有效指导的的基于随机森林和梯度提升决策树的油田增产措施推荐方法。
本发明所采用的技术方案是：一种基于随机森林和梯度提升决策树的油田增产措施推荐方法，包括如下步骤：
1)收集历史数据，并以增产措施实施时刻为分界分为实施数据集和实施效果数据集；
2)对历史上各增产措施下的实施数据集进行数据预处理，包括：数据清洗、计算恢复比例、添加增产措施效果分类标签和训练集、测试集采样；
3)分别从训练集和测试集中筛选出重要特征参数；
4)构建及训练实施效果分类预测模型；
5)向增产措施推荐可增产的生产井。
本发明的基于随机森林和梯度提升决策树的油田增产措施推荐方法，鉴于海上油田自身特点的限制，借助大数据机器学习算法挖掘生产井地层、井筒、实施设计等维度的参数和特有增产措施间的关联关系，实现了有效增产措施下的生产井的推荐，最大程度地确保推荐措施实施成功，从技术上突破了目前难以支持多维度综合分析来实现增产的技术难点，给出可靠、有效的推荐措施来指导海上油田增产，促进了增产智能化，保障了生产井安全、稳定、高效运行。
附图说明
图1是本发明的基于随机森林和梯度提升决策树的油田增产措施推荐方法的流程图；
图2是随机森林模型和梯度提升决策树模型在增产措施准确率的对比。
具体实施方式
下面结合实施例和附图对本发明的基于随机森林和梯度提升决策树的油田增产措施推荐方法做出详细说明。
本发明的基于随机森林和梯度提升决策树的油田增产措施推荐方法，是采用随机森林模型和梯度提升决策树模型对增产措施实施后的有效等级进行预测，并将两种模型的预测结论进行比较，启动裁决机制，将可靠的增产措施方案推送给相应的生产井，具体步骤如下：
如图1所示，本发明的基于随机森林和梯度提升决策树的油田增产措施推荐方法，包括如下步骤：
1)收集历史数据，并以增产措施实施时刻为分界分为实施数据集和实施效果数据集；包括：
收集历史上实施过增产措施的全部数据，按增产措施内容将数据分割，分割后的每一部分只包含同一种增产措施实施前后的数据，再以增产措施实施时刻为分界，将每一部分数据一分为二，截取增产措施实施点之前的数据作为实施数据集，应用于模型训练和测试；截取增产措施实施点之后的数据作为实施效果数据集，应用于生产井恢复比例的计算。
2)对历史上各增产措施下的实施数据集进行数据预处理，包括：数据清洗、计算恢复比例、添加增产措施效果分类标签和训练集、测试集采样；其中，
(2.1)所述的数据清洗中：待清洗数据分四类：
(2.1.1)地层，包括：地层层位、地层压力、泥质含量、钙质含量、油层厚度、渗透率、电阻率、孔隙度和粘度的信息；
(2.1.2)井筒，包括：注水层段和封隔器类型的信息；
(2.1.3)增产措施设计，包括：酸液名称、酸液浓度、酸液每米用量、辅助剂名称和施工压力的信息；
(2.1.4)生产状态，分为：酸化措施有：注入量和注入压力；有机解堵措施有：产液量和井底流压；复合解堵措施有：产液量和井底流压；
数据清洗内容包括存在错误值和缺失值的记录，其中，错误值是指原始数据中无法从业务上做出合理解释的值，产生原因是读取、传输或录入过程中出现错误所致，例如样本数据的措施前注入压力为0MPa与实际不符，这类数据会影响模型准确性；缺失值是指数据的某些记录中存在某些参数丢失的现象，这类数据无法应用于模型，会导致模型报错；数据清洗的措施就是删除找出的错误值和缺失值的记录。
(2.2)所述的计算恢复比例：借助清洗过的实施数据集以及实施效果数据集，计算实施点前、后的米吸水指数，并推算出清洗后的实施数据集中所有记录的恢复比例，恢复比例是用来评估的增产措施实施前后有效程度的指标，值越大表示增产施措的效果越明显；其中，
(2.2.1)针对水井的酸化措施计算恢复比例的计算公式如下：
Figure BDA0003156478520000031
Figure BDA0003156478520000032
(2.2.2)针对油井的有机解堵措施、复合解堵措施计算恢复比例计算公式如下：
Figure BDA0003156478520000033
Figure BDA0003156478520000034
(2.3)所述的添加增产措施效果分类标签，是按恢复比例值的大小顺序将清洗后的实施数据集划分为差、中、好三类，并给每一条数据贴上差、中、好标签，用来表示实施相应增产措施后的有效等级，即增产措施效果分类标签；具体划分标准如下：
恢复比例值在[0，0.3)的，增产措施有效等级为差；恢复比例值在[0.3，0.6)的，增产措施有效等级为中；恢复比例值在[0.6，1]的增产措施有效等级为好。如表1所示。
表1
恢复比例 增产措施有效等级
[0，0.3) 差
[0.3，0.6) 中
[0.6，1] 好
(2.4)所述的训练集、测试集采样：是采用随机采样的方法，从清洗后的实施数据集中随机抽取70％的数据构成训练集，剩余30％的数据作为测试集，所述的训练集和测试集均包括特征参数和恢复比例，特征参数是地层、井筒、措施设计中的所有参数。
3)分别从训练集和测试集中筛选出重要特征参数；
特征参数筛选的目的是舍弃掉训练数据中的冗余特征，降低了干扰因素，使筛选后的特征指标体系更具代表性，从而有效地提高分类的精度。随机森林模型的训练过程可计算特征参数的重要性，可按重要性阈值或指标数量来筛选重要参数。随机森林特征选择的原理是：依次对每个特征赋予一个噪声干扰，观察算法性能的变化，如果变化大，则说明该特征重要，给每个特征赋予一个分数，用来记录该特征的重要性，分数越大则特征越重要，因此，可以根据特征重要性排序，选择最佳特征。
所述的分别从训练集和测试集中筛选出重要特征参数，包括：
将训练集输入随机森林模型，对随机森林模型进行训练，所述的训练集包括特征参数和恢复比例，其中特征参数是指地层、井筒、措施设计中的所有参数，恢复比例用作随机森林模型特征提取的目标参数；随机森林模型输出全部特征参数的重要性值，所述全部特征参数的重要性值域为(0,1]，重要性的值越大，所对应的特征参数和目标参数相关性越强，即越重要；按特征参数重要性对特征参数进行排序，选取重要性值排在前五位的特征参数值作为最终筛选出的重要特征参数，参与实施效果分类预测模型训练；
对测试集进行重要特征参数筛选：从测试集中选取与训练集中筛选出的五个重要特征参数相同的参数作为测试集的重要特征参数，参与实施效果分类预测模型的效果验证。
4)构建及训练实施效果分类预测模型，实施效果分类预测模型应用目的是将增产措施推荐给符合相应增产特征的生产井；该步骤包括：
(4.1)构建实施效果分类预测模型，所述的实施效果分类预测模型是由随机森林模型和梯度提升决策树模型两部分构成，这两个模型均属于集成学习范畴，特点是通过弱学习器组合提升成强学习器，弱学习器一般是决策树，但随机森林和梯度提升决策树的弱学习器的组合方式不同，分别采用了Boosting和Bagging算法进行组合。其中，
(4.1.1)对随机森林模型设置构建参数：
(a1)CART树划分对特征的评价标准为基尼系数；
(b1)决策树的最大深度5；
(c1)采用袋外误差来评估模型；
(4.1.2)对梯度提升决策树模型设置构建参数：
(a2)弱学习器的最大迭代次数为100；
(b2)损失函数采用对数似然函数；
(c2)决策树的最大深度5；
(4.2)采用特征提取后的训练集分别对构建的随机森林模型和梯度提升决策树模型进行训练，所述的特征提取后的训练集包括重要特征参数和增产措施效果分类标签，所述的增产措施效果分类标签即是得到的增产措施有效等级，增产措施效果分类标签用作随机森林模型和梯度提升决策树模型实施效果分类的目标参数；
(4.3)完成对随机森林模型和梯度提升决策树模型的训练后，再分别向训练好的随机森林模型和梯度提升决策树模型输入特征提取后的测试集，输出预测增产措施效果分类标签，完成对随机森林模型和梯度提升决策树模型预测效果的验证，保存验证后满足准确率要求的随机森林模型和梯度提升决策树模型训练成果，所述的准确率通过测试集的预测增产措施效果分类标签、增产措施效果分类标签构成的混淆矩阵来计算。
5)向增产措施推荐可增产的生产井；包括：
(5.1)从待预测集中筛选重要特征参数：从待预测集中选取与训练集中筛选出的五个重要特征参数相同的参数作为待预测集的重要特征参数，参与实施效果分类预测模型的应用；
(5.2)将从待预测集中选取的五个重要特征参数分别输入训练好的实施效果分类预测模型中的随机森林模型和梯度提升决策树模型，预测各生产井在当前增产措施下的实施效果；如果实施效果分类预测模型的实施效果均为好，则向该生产井推送这个增产措施，指导生产井增产，否则，不推送。表2所示
表2
Figure BDA0003156478520000041
Figure BDA0003156478520000051

Claims (3)

1.一种基于随机森林和梯度提升决策树的油田增产措施推荐方法，其特征在于，包括如下步骤：
1)收集历史数据，并以增产措施实施时刻为分界分为实施数据集和实施效果数据集；包括：
收集历史上实施过增产措施的全部数据，按增产措施内容将数据分割，分割后的每一部分只包含同一种增产措施实施前后的数据，再以增产措施实施时刻为分界，将每一部分数据一分为二，截取增产措施实施点之前的数据作为实施数据集，应用于模型训练和测试；截取增产措施实施点之后的数据作为实施效果数据集，应用于生产井恢复比例的计算
2)对历史上各增产措施下的实施数据集进行数据预处理，包括：数据清洗、计算恢复比例、添加增产措施效果分类标签和训练集、测试集采样；其中，
(1)所述的数据清洗中：待清洗数据分四类：
(1.1)地层，包括：地层层位、地层压力、泥质含量、钙质含量、油层厚度、渗透率、电阻率、孔隙度和粘度的信息；
(1.2)井筒，包括：注水层段和封隔器类型的信息；
(1.3)增产措施设计，包括：酸液名称、酸液浓度、酸液每米用量、辅助剂名称和施工压力的信息；
(1.4)生产状态，分为：酸化措施有：注入量和注入压力；有机解堵措施有：产液量和井底流压；复合解堵措施有：产液量和井底流压；
(2)所述的计算恢复比例：借助清洗过的实施数据集以及实施效果数据集，计算实施点前、后的米吸水指数，并推算出清洗后的实施数据集中所有记录的恢复比例；其中，
针对水井的酸化措施计算恢复比例的计算公式如下：
Figure FDA0004051891690000011
Figure FDA0004051891690000012
针对油井的有机解堵措施、复合解堵措施计算恢复比例计算公式如下：
Figure FDA0004051891690000013
Figure FDA0004051891690000014
(3)所述的添加增产措施效果分类标签，是按恢复比例值的大小顺序将清洗后的实施数据集划分为差、中、好三类，并给每一条数据贴上差、中、好标签，用来表示实施相应增产措施后的有效等级，即增产措施效果分类标签；具体划分标准如下：
恢复比例值在[0，0.3)的，增产措施有效等级为差；恢复比例值在[0.3，0.6)的，增产措施有效等级为中；恢复比例值在[0.6，1]的增产措施有效等级为好；
3)分别从训练集和测试集中筛选出重要特征参数；包括：
将训练集输入随机森林模型，对随机森林模型进行训练，所述的训练集包括特征参数和恢复比例，其中特征参数是指地层、井筒、措施设计中的所有参数，恢复比例用作随机森林模型特征提取的目标参数；随机森林模型输出全部特征参数的重要性值，所述全部特征参数的重要性值域为(0,1]，重要性的值越大，所对应的特征参数和目标参数相关性越强，即越重要；按特征参数重要性对特征参数进行排序，选取重要性值排在前五位的特征参数值作为最终筛选出的重要特征参数，参与实施效果分类预测模型训练；
对测试集进行重要特征参数筛选：从测试集中选取与训练集中筛选出的五个重要特征参数相同的参数作为测试集的重要特征参数，参与实施效果分类预测模型的效果验证；
4)构建及训练实施效果分类预测模型，所述的实施效果分类预测模型是由随机森林模型和梯度提升决策树模型两部分构成；包括：
(4.1)构建由随机森林模型和梯度提升决策树模型两部分构成实施效果分类预测模型，其中，
(4.1.1)对随机森林模型设置构建参数：
(a1)CART树划分对特征的评价标准为基尼系数；
(b1)决策树的最大深度5；
(c1)采用袋外误差来评估模型；
(4.1.2)对梯度提升决策树模型设置构建参数：
(a2)弱学习器的最大迭代次数为100；
(b2)损失函数采用对数似然函数；
(c2)决策树的最大深度5；
(4.2)采用特征提取后的训练集分别对构建的随机森林模型和梯度提升决策树模型进行训练，所述的特征提取后的训练集包括重要特征参数和增产措施效果分类标签，所述的增产措施效果分类标签即是得到的增产措施有效等级，增产措施效果分类标签用作随机森林模型和梯度提升决策树模型实施效果分类的目标参数；
(4.3)完成对随机森林模型和梯度提升决策树模型的训练后，再分别向训练好的随机森林模型和梯度提升决策树模型输入特征提取后的测试集，输出预测增产措施效果分类标签，完成对随机森林模型和梯度提升决策树模型预测效果的验证，保存验证后满足准确率要求的随机森林模型和梯度提升决策树模型训练成果，所述的准确率通过测试集的预测增产措施效果分类标签、增产措施效果分类标签构成的混淆矩阵来计算；
5)向增产措施推荐可增产的生产井；包括：
(5.1)从待预测集中筛选重要特征参数：从待预测集中选取与训练集中筛选出的五个重要特征参数相同的参数作为待预测集的重要特征参数，参与实施效果分类预测模型的应用；
(5.2)将从待预测集中选取的五个重要特征参数分别输入训练好的实施效果分类预测模型中的随机森林模型和梯度提升决策树模型，预测各生产井在当前增产措施下的实施效果；如果实施效果分类预测模型的实施效果均为好，则向该生产井推送这个增产措施，指导生产井增产，否则，不推送。
2.根据权利要求1所述的基于随机森林和梯度提升决策树的油田增产措施推荐方法，其特征在于，步骤2)中，数据清洗内容包括存在错误值和缺失值的记录，其中，错误值是指原始数据中无法从业务上做出合理解释的值，产生原因是读取、传输或录入过程中出现错误所致；缺失值是指数据的某些记录中存在某些参数丢失的现象，这类数据无法应用于模型，会导致模型报错；数据清洗的措施就是删除找出的错误值和缺失值的记录。
3.根据权利要求1所述的基于随机森林和梯度提升决策树的油田增产措施推荐方法，其特征在于，步骤2)所述的训练集、测试集采样：是采用随机采样的方法，从清洗后的实施数据集中随机抽取70％的数据构成训练集，剩余30％的数据作为测试集，所述的训练集和测试集均包括特征参数和恢复比例，特征参数是地层、井筒、措施设计中的所有参数。
CN202110780292.5A 2021-07-09 2021-07-09 基于随机森林和梯度提升决策树的油田增产措施推荐方法 Active CN113537585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110780292.5A CN113537585B (zh) 2021-07-09 2021-07-09 基于随机森林和梯度提升决策树的油田增产措施推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110780292.5A CN113537585B (zh) 2021-07-09 2021-07-09 基于随机森林和梯度提升决策树的油田增产措施推荐方法

Publications (2)

Publication Number Publication Date
CN113537585A CN113537585A (zh) 2021-10-22
CN113537585B true CN113537585B (zh) 2023-04-07

Family

ID=78127367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110780292.5A Active CN113537585B (zh) 2021-07-09 2021-07-09 基于随机森林和梯度提升决策树的油田增产措施推荐方法

Country Status (1)

Country Link
CN (1) CN113537585B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999575A (zh) * 2022-05-27 2022-09-02 爱科思(北京)生物科技有限公司 生物信息数据管理系统
CN114783007B (zh) * 2022-06-22 2022-09-27 成都新希望金融信息有限公司 设备指纹识别方法、装置和电子设备
CN116861800B (zh) * 2023-09-04 2023-11-21 青岛理工大学 一种基于深度学习的油井增产措施优选及效果预测方法
CN117541082B (zh) * 2024-01-05 2024-04-05 中国石油大学(华东) 基于油藏-井筒-设备评价指标集成的综合评价方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625953A (zh) * 2020-05-21 2020-09-04 中国石油大学(华东) 气体高压等温吸附曲线预测方法、系统、存储介质、终端

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408774B (zh) * 2018-11-07 2022-11-08 上海海事大学 基于随机森林和梯度提升树的预测污水出水指标的方法
CN112308269A (zh) * 2019-07-30 2021-02-02 中国石油化工股份有限公司 用于低渗透油气藏的产能预测方法及装置
CN110593863B (zh) * 2019-09-16 2023-05-09 中国石油大学(华东) 高含水期油藏的耗水层带的识别方法与识别系统
CN112796718A (zh) * 2019-10-25 2021-05-14 中国石油天然气股份有限公司 单井调剖的确定方法及装置
CN111291097B (zh) * 2020-05-08 2020-08-07 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625953A (zh) * 2020-05-21 2020-09-04 中国石油大学(华东) 气体高压等温吸附曲线预测方法、系统、存储介质、终端

Also Published As

Publication number Publication date
CN113537585A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113537585B (zh) 基于随机森林和梯度提升决策树的油田增产措施推荐方法
CN113723838B (zh) 基于卷积神经网络的随钻安全风险智能识别方法
CN108573320B (zh) 页岩气藏最终可采储量的计算方法和系统
Luo et al. Production optimization using machine learning in Bakken shale
CN112487582B (zh) 一种基于cart算法的油气钻井机械钻速预测与优化方法
CN108388921A (zh) 一种基于随机森林的溢流漏失实时识别方法
CN112343587A (zh) 一种特低渗透油藏优势渗流通道识别表征方法
CN112901137A (zh) 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法
CN110619353A (zh) 一种基于深度学习的多尺度测井曲线自动识别方法
CN107895092B (zh) 一种基于复杂非线性注采建模的井间连通定量评价方法
CN107346455A (zh) 一种用于识别页岩气产能的方法
CN113283180A (zh) 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用
CN110533224B (zh) 一种油页岩接续勘探钻孔位置优选方法
Wang et al. An interpretable interflow simulated graph neural network for reservoir connectivity analysis
WO2019023255A1 (en) DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION
CN115438823A (zh) 一种井壁失稳机制分析与预测方法及系统
CN115049173B (zh) 深度学习和Eaton法耦合驱动地层孔隙压力预测方法
CN112160734A (zh) 注采井相关性分析方法、装置、存储介质及计算机设备
CN108661629B (zh) 一种针对页岩地层的工程甜点定量评价方法
CN113052374B (zh) 一种数据驱动的油井套损深度智能预测方法
CN115640329A (zh) 一种基于多源数据分析的油井故障智能诊断方法
CN110792425B (zh) 一种测量地层流体含水率的方法
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
Mahmoud et al. Machine Learning Applications in the Petroleum Industry
CN114676631B (zh) 页岩气藏压裂水平井压裂改造参数推荐方法

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