CN113642157B - 一种基于高斯过程回归的页岩孔隙结构参数预测方法 - Google Patents
一种基于高斯过程回归的页岩孔隙结构参数预测方法 Download PDFInfo
- Publication number
- CN113642157B CN113642157B CN202110819681.4A CN202110819681A CN113642157B CN 113642157 B CN113642157 B CN 113642157B CN 202110819681 A CN202110819681 A CN 202110819681A CN 113642157 B CN113642157 B CN 113642157B
- Authority
- CN
- China
- Prior art keywords
- dimensionless
- content
- average
- shale
- training set
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 10
- 239000011707 mineral Substances 0.000 claims abstract description 10
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 30
- 229910001748 carbonate mineral Inorganic materials 0.000 claims description 18
- 239000002734 clay mineral Substances 0.000 claims description 18
- 239000010433 feldspar Substances 0.000 claims description 18
- 239000011028 pyrite Substances 0.000 claims description 18
- 229910052683 pyrite Inorganic materials 0.000 claims description 18
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 claims description 18
- 239000010453 quartz Substances 0.000 claims description 18
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 7
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000001225 nuclear magnetic resonance method Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000003795 desorption Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000703 high-speed centrifugation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Geology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Geochemistry & Mineralogy (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Solid-Sorbent Or Filter-Aiding Compositions (AREA)
- Silicon Compounds (AREA)
Abstract
本发明涉及页岩孔隙结构参数预测技术领域,涉及一种基于高斯过程回归的页岩孔隙结构参数预测方法,包括以下步骤:步骤一:收集页岩矿物组成和孔隙结构参数数据;将收集到的数据随机划分训练集和测试集;步骤二:采用Z‑score标准化对训练集进行处理;步骤三:基于标准化后的数据,建立基于高斯过程回归的页岩孔隙体积和平均孔径的预测模型;步骤四:模型检验,对于训练集,若模型的平均相对误差小于6%则认为满足要求并停止训练。本发明能快速准确的预测页岩孔隙体积和平均孔径,而且精度高。
Description
技术领域
本发明涉及页岩孔隙结构参数预测技术领域,具体地说,涉及一种基于高斯过程回归的页岩孔隙结构参数预测方法。
背景技术
页岩气是一种较为清洁且高效的非常规天然气资源。我国页岩气资源丰富,产业化潜力巨大。页岩气储存于泥页岩孔隙中。因此,页岩孔隙结构决定了页岩气的赋存、储量和气井产能,也决定了页岩气藏开发的难易程度与最终效果。研究和掌握页岩孔隙结构是认识、评价和改造页岩储层的基础。
孔隙体积和平均孔径是页岩孔隙结构的关键参数。现阶段一般采用高压压汞测试、低温气体吸附实验和核磁共振法测定页岩的孔隙体积和平均孔径。其中,核磁共振法需要对岩样进行饱和水处理,并通过高速离心的方法来区分可动流体和束缚流体,测试过程较为复杂,成本较高。高压压汞测试和等温气体吸附吸脱实验测试成本较低,但实验时间长。此外,高压压汞测试还会损坏岩样。因此,需要一种快速准确预测页岩孔隙体积和平均孔径的方法。
发明内容
本发明的内容是提供一种基于高斯过程回归的页岩孔隙结构参数预测方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的一种基于高斯过程回归的页岩孔隙结构参数预测方法,其包括以下步骤:
步骤一:收集页岩矿物组成和孔隙结构参数数据;将收集到的数据随机划分训练集和测试集;
步骤二:采用Z-score标准化对训练集进行处理;
步骤三:基于标准化后的数据,建立基于高斯过程回归的页岩孔隙体积和平均孔径的预测模型;
步骤四:模型检验,对于训练集,若模型的平均相对误差小于6%则认为满足要求并停止训练。
作为优选,矿物组成包括总有机碳含量TOC、碳酸盐矿物含量、黏土矿物含量、长石含量、石英含量、黄铁矿含量。
作为优选,孔隙结构参数包括孔隙体积和平均孔径。
作为优选,步骤一中,将收集到的数据随机按照8:2的比例划分训练集和测试集。
作为优选,采用Z-score标准化对训练集进行处理的方法为:
其中,x1表示标准化后的TOC值,无因次;x2表示标准化后的碳酸盐矿物含量,无因次;x3表示标准化后的黏土矿物含量,无因次;x4表示标准化后的长石含量,无因次;x5表示标准化后的石英含量,无因次;x6表示标准化后的黄铁矿含量,无因次;xo1表示标准化前的TOC值,无因次;xo2表示标准化前的碳酸盐矿物含量,无因次;xo3表示标准化前的黏土矿物含量,无因次;xo4表示标准化前的长石含量,无因次;xo5表示标准化前的石英含量,无因次;xo6表示标准化前的黄铁矿含量,无因次;σ1为TOC的标准差,无因次;σ2为碳酸盐矿物含量的标准差,无因次;σ3为黏土矿物含量的标准差,无因次;σ4为长石含量的标准差,无因次;σ5为石英含量的标准差,无因次;σ6为黄铁矿含量的标准差,无因次;μ1为TOC的均值,无因次;μ2为碳酸盐矿物含量的均值,无因次;μ3为黏土矿物含量的均值,无因次;μ4为长石含量的均值,无因次;μ5为石英含量的均值,无因次;μ6为黄铁矿含量的均值,无因次;yp表示标准化后的孔隙体积,无因次;yd表示标准化后的平均孔径,无因次;yop表示标准化前的孔隙体积,cm3/g;yod表示标准化前的平均孔径,nm;σp为孔隙体积的标准差,无因次;σd为平均孔径的标准差,无因次。
作为优选,基于标准化后的数据,建立基于高斯过程回归的页岩孔隙体积和平均孔径的预测模型的方法为:
yp=fp(x)+εp;
yd=fd(x)+εd;
x=[x1,x2,x3,x4,x5,x6];
其中,x为一个6×1的向量;yp和yd符合如下高斯过程:
yp~GP(0,Kp+σpn 2In);
yd~GP(0,Kd+σdn 2In);
其中,σpn 2为εp的高斯分布方差,σdn 2为εd的高斯分布方差,In为n阶单位矩阵,n为训练集的样本个数,K为协方差矩阵:
其中,xi和xj分别对应训练集中第i个和第j个输入向量;σdh 2和σph 2分别是核函数kd(xi,xj)和kp(xi,xj)的信号方差;ιd和ιp分别是核函数kd(xi,xj)、kp(xi,xj)的方差尺度。令θp=(σpn 2,σph 2,ιp),θd=(σdn 2,σdh 2,ιd)为预测模型的超参数;将对数似然函数取负值,然后求导并令其等于0,从而确定超参数θp和θd;
Mp=Kp+σpn 2In;
Md=Kd+σdn 2In;
其中,MP和Md为中间变量;Yp为训练集对应的孔隙体积向量;Yd为训练集对应的平均孔径向量;对于一个测试样本,输入参数为x*,x*为一个6×1的向量,由标准化处理后的TOC、碳酸盐矿物总量、黏土矿物总量、长石含量、石英含量、黄铁矿含量构成;x*对应的平均孔径预测值和孔隙体积预测值/>与训练集的关系可以表示为:
其中,X为训练集对应的矩阵。因此,预测孔隙体积和平均孔径/>可以表示为:
作为优选,平均相对误差公式如下:
其中,MAPE1为孔隙体积预测值对应的平均相对误差值;MAPE2为平均孔径预测值对应的平均相对误差值;为孔隙体积预测值;yrp为孔隙体积实际值;/>为平均孔径预测值;yrd为平均孔径实际值。
本发明为了克服传统测量孔隙结构方法的不足,提供一种基于高斯过程回归的页岩孔隙体积和平均孔径的预测方法。该方法通过收集页岩矿物组成和孔隙结构参数数据,基于这些数据构建高斯过程回归模型,从而能快速准确的预测页岩孔隙体积和平均孔径,而且精度高。
附图说明
图1为实施例1中一种基于高斯过程回归的页岩孔隙结构参数预测方法的流程图;
图2为实施例2中模型平均孔径训练结果示意图;
图3为实施例2中模型孔隙体积训练结果示意图;
图4为实施例2中模型平均孔径预测结果示意图;
图5为实施例2中模型孔隙体积预测结果示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示,本实施例1提供了一种基于高斯过程回归的页岩孔隙结构参数预测方法,其包括以下步骤:
步骤一:收集页岩矿物组成和孔隙结构参数数据;矿物组成包括总有机碳含量TOC、碳酸盐矿物含量、黏土矿物含量、长石含量、石英含量、黄铁矿含量。孔隙结构参数包括孔隙体积和平均孔径。将收集到的数据随机按照8:2的比例划分训练集和测试集。
步骤二:采用Z-score标准化对训练集进行处理:
其中,x1表示标准化后的TOC值,无因次;x2表示标准化后的碳酸盐矿物含量,无因次;x3表示标准化后的黏土矿物含量,无因次;x4表示标准化后的长石含量,无因次;x5表示标准化后的石英含量,无因次;x6表示标准化后的黄铁矿含量,无因次;xo1表示标准化前的TOC值,无因次;xo2表示标准化前的碳酸盐矿物含量,无因次;xo3表示标准化前的黏土矿物含量,无因次;xo4表示标准化前的长石含量,无因次;xo5表示标准化前的石英含量,无因次;xo6表示标准化前的黄铁矿含量,无因次;σ1为TOC的标准差,无因次;σ2为碳酸盐矿物含量的标准差,无因次;σ3为黏土矿物含量的标准差,无因次;σ4为长石含量的标准差,无因次;σ5为石英含量的标准差,无因次;σ6为黄铁矿含量的标准差,无因次;μ1为TOC的均值,无因次;μ2为碳酸盐矿物含量的均值,无因次;μ3为黏土矿物含量的均值,无因次;μ4为长石含量的均值,无因次;μ5为石英含量的均值,无因次;μ6为黄铁矿含量的均值,无因次;yp表示标准化后的孔隙体积,无因次;yd表示标准化后的平均孔径,无因次;yop表示标准化前的孔隙体积,cm3/g;yod表示标准化前的平均孔径,nm;σp为孔隙体积的标准差,无因次;σd为平均孔径的标准差,无因次。
步骤三:基于标准化后的数据,建立基于高斯过程回归的页岩孔隙体积和平均孔径的预测模型:
yp=fp(x)+εp;
yd=fd(x)+εd;
x=[x1,x2,x3,x4,x5,x6];
其中,x为一个6×1的向量;yp和yd符合如下高斯过程:
yp~GP(0,Kp+σpn 2In);
yd~GP(0,Kd+σdn 2In);
其中,σpn 2为εp的高斯分布方差,σdn 2为εd的高斯分布方差,In为n阶单位矩阵,n为训练集的样本个数,K为协方差矩阵:
其中,xi和xj分别对应训练集中第i个和第j个输入向量;σdh 2和σph 2分别是核函数kd(xi,xj)和kp(xi,xj)的信号方差;ιd和ιp分别是核函数kd(xi,xj)、kp(xi,xj)的方差尺度。令θp=(σpn 2,σph 2,ιp),θd=(σdn 2,σdh 2,ιd)为预测模型的超参数;将对数似然函数取负值,然后求导并令其等于0,从而确定超参数θp和θd;
Mp=Kp+σpn 2In;
Md=Kd+σdn 2In;
其中,MP和Md为中间变量;Yp为训练集对应的孔隙体积向量;Yd为训练集对应的平均孔径向量;对于一个测试样本,输入参数为x*,x*为一个6×1的向量,由标准化处理后的TOC、碳酸盐矿物总量、黏土矿物总量、长石含量、石英含量、黄铁矿含量构成;x*对应的平均孔径预测值和孔隙体积预测值/>与训练集的关系可以表示为:
其中,X为训练集对应的矩阵。因此,预测孔隙体积和平均孔径/>可以表示为:
步骤四:模型检验,对于训练集,若模型的平均相对误差小于6%则认为满足要求并停止训练。平均相对误差公式如下:
其中,MAPE1为孔隙体积预测值对应的平均相对误差值;MAPE2为平均孔径预测值对应的平均相对误差值;为孔隙体积预测值;yrp为孔隙体积实际值;/>为平均孔径预测值;yrd为平均孔径实际值。
本实施例通过收集页岩矿物组成和孔隙结构参数数据,基于这些数据构建高斯过程回归模型,从而能快速准确的预测页岩孔隙体积和平均孔径。
实施例2
收集了100个页岩样品的矿物组成与孔隙结构参数数据,部分见表1所示。
表1页岩样品数据(部分)
将这100个页岩样品的数据随机按照8:2的比例划分训练集和测试集。进一步对训练集的数据进行Z-score标准化处理。接下来,基于训练集训练高斯过程回归模型,得到最终模型。针对平均孔径预测模型,相应的超参数为:ιp=0.9396,/>针对孔隙体积预测模型,相应的超参数为:/>ιd=0.9427,/>训练结果如图2和图3所示。对于训练集,平均孔径模型的平均相对误差为0.0057%;孔隙体积模型的平均相对误差为0.0410%,均小于6%。因此,结束训练。基于测试集验证训练好的模型,模型的预测结果见图4和图5所示。对于测试集,平均孔径模型的平均相对误差为0.8476%;孔隙体积模型的平均相对误差为4.5028%。因此,该模型精度高,可以推广应用。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (4)
1.一种基于高斯过程回归的页岩孔隙结构参数预测方法,其特征在于:包括以下步骤:
步骤一:收集页岩矿物组成和孔隙结构参数数据;将收集到的数据随机划分训练集和测试集;
步骤二:采用Z-score标准化对训练集进行处理;
采用Z-score标准化对训练集进行处理的方法为:
其中,x1表示标准化后的TOC值,无因次;x2表示标准化后的碳酸盐矿物含量,无因次;x3表示标准化后的黏土矿物含量,无因次;x4表示标准化后的长石含量,无因次;x5表示标准化后的石英含量,无因次;x6表示标准化后的黄铁矿含量,无因次;xo1表示标准化前的TOC值,无因次;xo2表示标准化前的碳酸盐矿物含量,无因次;xo3表示标准化前的黏土矿物含量,无因次;xo4表示标准化前的长石含量,无因次;xo5表示标准化前的石英含量,无因次;xo6表示标准化前的黄铁矿含量,无因次;σ1为TOC的标准差,无因次;σ2为碳酸盐矿物含量的标准差,无因次;σ3为黏土矿物含量的标准差,无因次;σ4为长石含量的标准差,无因次;σ5为石英含量的标准差,无因次;σ6为黄铁矿含量的标准差,无因次;μ1为TOC的均值,无因次;μ2为碳酸盐矿物含量的均值,无因次;μ3为黏土矿物含量的均值,无因次;μ4为长石含量的均值,无因次;μ5为石英含量的均值,无因次;μ6为黄铁矿含量的均值,无因次;yp表示标准化后的孔隙体积,无因次;yd表示标准化后的平均孔径,无因次;yop表示标准化前的孔隙体积;yod表示标准化前的平均孔径;σp为孔隙体积的标准差,无因次;σd为平均孔径的标准差,无因次;
步骤三:基于标准化后的数据,建立基于高斯过程回归的页岩孔隙体积和平均孔径的预测模型;
基于标准化后的数据,建立基于高斯过程回归的页岩孔隙体积和平均孔径的预测模型的方法为:
yp=fp(x)+εp;
yd=fd(x)+εd;
x=[x1,x2,x3,x4,x5,x6];
其中,x为一个6×1的向量;yp和yd符合如下高斯过程:
yp~GP(0,Kp+σpn 2In);
yd~GP(0,Kd+σdn 2In);
其中,σpn 2为εp的高斯分布方差,σdn 2为εd的高斯分布方差,In为n阶单位矩阵,n为训练集的样本个数,K为协方差矩阵:
其中,xi和xj分别对应训练集中第i个和第j个输入向量;σdh 2和σph 2分别是核函数kd(xi,xj)和kp(xi,xj)的信号方差;ιd和ιp分别是核函数kd(xi,xj)、kp(xi,xj)的方差尺度;令θp=(σpn 2,σph 2,ιp),θd=(σdn 2,σdh 2,ιd)为预测模型的超参数;将对数似然函数取负值,然后求导并令其等于0,从而确定超参数θp和θd;
Mp=Kp+σpn 2In;
Md=Kd+σdn 2In;
其中,MP和Md为中间变量;Yp为训练集对应的孔隙体积向量;Yd为训练集对应的平均孔径向量;对于一个测试样本,输入参数为x*,x*为一个6×1的向量,由标准化处理后的TOC、碳酸盐矿物总量、黏土矿物总量、长石含量、石英含量、黄铁矿含量构成;x*对应的平均孔径预测值和孔隙体积预测值/>与训练集的关系表示为:
其中,X为训练集对应的矩阵;因此,预测的孔隙体积和平均孔径/>表示为:
步骤四:模型检验,对于训练集,若模型的平均相对误差小于6%则认为满足要求并停止训练;
平均相对误差公式如下:
其中,MAPE1为孔隙体积预测值对应的平均相对误差值;MAPE2为平均孔径预测值对应的平均相对误差值;为孔隙体积预测值;yrp为孔隙体积实际值;/>为平均孔径预测值;yrd为平均孔径实际值。
2.根据权利要求1所述的一种基于高斯过程回归的页岩孔隙结构参数预测方法,其特征在于:矿物组成包括总有机碳含量TOC、碳酸盐矿物含量、黏土矿物含量、长石含量、石英含量、黄铁矿含量。
3.根据权利要求2所述的一种基于高斯过程回归的页岩孔隙结构参数预测方法,其特征在于:孔隙结构参数包括孔隙体积和平均孔径。
4.根据权利要求3所述的一种基于高斯过程回归的页岩孔隙结构参数预测方法,其特征在于:步骤一中,将收集到的数据随机按照8:2的比例划分训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819681.4A CN113642157B (zh) | 2021-07-20 | 2021-07-20 | 一种基于高斯过程回归的页岩孔隙结构参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819681.4A CN113642157B (zh) | 2021-07-20 | 2021-07-20 | 一种基于高斯过程回归的页岩孔隙结构参数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642157A CN113642157A (zh) | 2021-11-12 |
CN113642157B true CN113642157B (zh) | 2024-05-31 |
Family
ID=78417770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110819681.4A Active CN113642157B (zh) | 2021-07-20 | 2021-07-20 | 一种基于高斯过程回归的页岩孔隙结构参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642157B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817204A (zh) * | 2017-11-01 | 2018-03-20 | 中国科学院地质与地球物理研究所 | 一种页岩微米孔隙结构分析方法及装置 |
CN110717249A (zh) * | 2019-09-16 | 2020-01-21 | 中国石油大学(北京) | 页岩气储层测井孔隙度快速预测方法及系统 |
CN110909487A (zh) * | 2019-12-06 | 2020-03-24 | 西南石油大学 | 一种精细各向异性页岩岩石物理模型的建立方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568101B2 (en) * | 2019-08-13 | 2023-01-31 | International Business Machines Corporation | Predictive multi-stage modelling for complex process control |
-
2021
- 2021-07-20 CN CN202110819681.4A patent/CN113642157B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817204A (zh) * | 2017-11-01 | 2018-03-20 | 中国科学院地质与地球物理研究所 | 一种页岩微米孔隙结构分析方法及装置 |
CN110717249A (zh) * | 2019-09-16 | 2020-01-21 | 中国石油大学(北京) | 页岩气储层测井孔隙度快速预测方法及系统 |
CN110909487A (zh) * | 2019-12-06 | 2020-03-24 | 西南石油大学 | 一种精细各向异性页岩岩石物理模型的建立方法 |
Non-Patent Citations (1)
Title |
---|
隧道围岩变形预测的进化高斯过程回归模型;刘开云;方昱;刘保国;徐冲;;铁道学报;20111215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113642157A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106525688B (zh) | 一种饱和页岩孔隙流体分离及饱和度计算的实验方法 | |
CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
CN103336305B (zh) | 一种基于灰色理论划分致密砂岩储层岩石物理相的方法 | |
CN202075272U (zh) | 一种应用于污水处理的软测量系统 | |
CN115796015A (zh) | 一种基于互信息多源数据融合的水闸安全状态评估方法 | |
CN113642157B (zh) | 一种基于高斯过程回归的页岩孔隙结构参数预测方法 | |
CN109447026B (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN111881974B (zh) | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
CN111694855A (zh) | 储层敏感性智能预测数据处理方法及装置 | |
CN108572129B (zh) | 致密油有效储层孔隙阈值界定方法及系统 | |
CN110987761B (zh) | 一种定量计算岩心孔隙连通性的方法 | |
CN113111534B (zh) | 一种基于土水特征曲线评估土体结构损伤的方法 | |
CN113405962B (zh) | 碳酸盐岩储层的储集空间评价方法和装置 | |
CN113253354A (zh) | 一种核磁t2谱截止值的确定方法、装置、介质及电子设备 | |
CN113176186A (zh) | 碳酸盐岩原油注入压力和孔喉下限的判断方法 | |
CN113484222B (zh) | 致密气储层渗透率瓶颈区确定方法及相关设备 | |
Pan et al. | Research on interlayer recognition based on intelligent optimization algorithms and convolutional neural networks | |
CN112069058A (zh) | 一种基于专家库和自学习技术的缺陷处置方法 | |
CN116975607A (zh) | 致密油储层品质定量评价方法、装置、设备及存储介质 | |
CN110965989B (zh) | 一种数据信息化示踪地质参数的方法 | |
CN118132985A (zh) | 一种改进Bayes模型的软岩隧道大变形预测方法 | |
CN116597913A (zh) | 一种多含水层矿井涌水混合水源与混合程度定量识别方法 | |
Li et al. | Recognition algorithm of acoustic emission signals based on conditional random field model in storage tank floor inspection using inner detector |
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 |