CN113642772A - 基于机器学习的测井储层识别预测方法 - Google Patents
基于机器学习的测井储层识别预测方法 Download PDFInfo
- Publication number
- CN113642772A CN113642772A CN202110790280.0A CN202110790280A CN113642772A CN 113642772 A CN113642772 A CN 113642772A CN 202110790280 A CN202110790280 A CN 202110790280A CN 113642772 A CN113642772 A CN 113642772A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- logging
- gas
- reservoir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 229910052770 Uranium Inorganic materials 0.000 claims description 3
- 230000002411 adverse Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 229910052700 potassium Inorganic materials 0.000 claims description 3
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 claims description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 2
- 229910052776 Thorium Inorganic materials 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000011591 potassium Substances 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 239000012530 fluid Substances 0.000 abstract description 3
- 239000011148 porous material Substances 0.000 abstract description 3
- XILIYVSXLSWUAI-UHFFFAOYSA-N 2-(diethylamino)ethyl n'-phenylcarbamimidothioate;dihydrobromide Chemical compound Br.Br.CCN(CC)CCSC(N)=NC1=CC=CC=C1 XILIYVSXLSWUAI-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q10/04—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
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于机器学习的测井储层识别预测方法。针对常规测井解释方法进行致密气低孔低渗储层流体识别时,由于储层非均质性强、孔隙结构复杂,导致测井解释模型适用性差、准确率低的问题,并且传统的单一机器学习算法容易陷入过拟合、局部最优等问题。本发明采用经典的集成学习算法xgboost,结合试气录井结果和常规测井数据,对致密砂岩储层进行识别,能有效提升预测的精度,缩短了测试人员判别储层的时间,从而节约大量成本。
Description
技术领域
本发明属于机器学习领域,涉及一种基于机器学习的测井储层识别预测方法。
背景技术
集成学习是机器学习的一个分支方向,主要通过组合多个弱学习器形成一个强学习器,采用合适的组合策略对各学习器的预测结果进行综合,以得到较为全面和可靠的判断,从而提高模型预测的精度。相比于单一的机器学习算法,不易陷入过拟合、局部最优等问题。其中xgboost是集成学习的一种较为经典的算法,xgboost是基于GBDT的思想,使用了一阶和二阶导数信息,也可以说它是GBDT的一种,因为其也是基于Gradient和Boosting思想,但是和原始GBDT不同的是:xgboost中引入了二阶导数和正则化。相对于传统的测井解释方法进行致密气低孔低渗储层流体识别时,由于储层非均质性强、孔隙结构复杂,导致测井解释模型适用性差、准确率低的问题。而xgboost却不仅能解决这一问题,还能显著提高储层流体识别的精度。
发明内容
本发明基于单一机器学习算法容易陷入过拟合、局部最优等问题,并且传统的测井解释方法精度不高,适用性差,提出了一种基于机器学习的测井储层识别预测方法。
为解决现有技术存在的问题,本发明采用经典的集成学习算法xgboost,结合试气录井结果和常规测井数据,对致密砂岩储层进行识别,能有效提升预测的精度,缩短了测试人员判别储层的时间,从而节约大量成本。
本发明的技术方案为:
所述一种基于机器学习的测井储层识别预测方法,包括以下步骤:
步骤S1:准备数据,构建测井数据库,选取常规测井数据及试气数据作为输入,并对所述数据进行标注,根据预先特征选取规则获取已有井的数据信息;
步骤S2:根据采集到的数据集,对数据进行预处理,并将其中的脏数据进行清洗,确保数据的准确性和可靠性,并对数据进行二分类处理;
步骤S3:针对复杂的致密砂岩储层,进行数据重采样和相关性分析,采用生成式对抗网络GAN对小样本进行数据增强,从而平衡样本的数据量;
步骤S4:构建xgboost集成学习的储层识别模型,将常规测井数据及试气数据输入至已经训练好的xgboost集成学习储层识别模型,实现储层精准分类的效果,并对模型进行评估。
为了更好的实现本发明,进一步的,所述步骤S1,具体还包括以下步骤:
步骤S1.1:根据本领域的专业人员充分收集相关资料以及经验积累,对于厚一点的层取中间部分数据,薄一点的层取中间数据的峰值,针对于厚薄层的区分,做了如下设定:井径(CAL)区间大于等于1米的为厚层,井径小于1米的为薄层;由于原始测井数据中按照每0.125米的间隔取一个数据点,每层的厚度也存在较大的差异,导致每层包含的点数都不一样,为了进一步提高数据的可靠性,则设定了储层数据采集区间的规则:每层点数小于20的井段取中间10%的数据;每层点数大于20小于40的井段取中间20%的数据;每层点数大于40的井段取中间50%的数据;
步骤S1.2:根据本领域的专业人员对储层气水特征分析和测井响应研究,从步骤S1.1中选取气水识别敏感的特征数据组成数据集,所述特征数据为:深度:DEPTH,井号:JING,层位WEI,自然电位:SP,光电指数:PE,井径:CAL,自然伽马:GR,铀:U,钍:Th,钾:K,声波时差:AC,补偿中子:CNL,补偿密度:DEN,浅侧向:RLLS(有些井中是RS),深侧向:RLLD(有些井中是RD)。
步骤S1.3:将步骤S1.2中得到的数据集进行标注,将任务类型分为气层、气水同层、差气层、含气水层、水层和干层,分别用1,2,3,4,5,6作为类别编号;再将任务对应的编号作为标签,得到带标签的数据集;此外,为了确保标签数据的准确性,根据研究领域专业人员的分析,将试气结果作为标签数据标注的第一标准,录井结论作为第二标准,测井解释作为第三标准,优先级依次降低,由此确定最终的标签值。最后将得到的带标签的数据集划分为训练集与测试集,其中训练集占70%,测试集30%。
为了更好的实现本发明,进一步的,所述步骤S2,具体还包括以下步骤:
步骤S2.1:针对步骤S1中采集到的数据集进行预处理,为了数据的准确性和可靠性,首先需要对一些脏数据进行清洗,包括格式错误的数据,不符合逻辑的数据,对储层识别结果影响不大的数据等。可以将类似于“-999999”这样的值剔除掉,或者对非数NAN进行填补。其次对数据进行归一化处理,从而消除奇异样本数据导致的不良影响。采用min-max标准化的方式进行归一化处理,对原始数据进行线性变换,使结果值映射到[0-1]之间。转换函数如下:其中max为样本数据的最大值,min为样本数据的最小值。最后对数据的缺失值进行均值填充。
步骤S2.2:在构建的测井数据库中,根据研究领域专业人员的探索和分析,气层、气水同层、差气层、含气水层、水层和干层这六类测井数据样本存在一些共性,为了解决样本类别较多的情况,从而降低模型对储层识别做出误判的情况,提出了二分类的方法,分别为水相关和气相关,将气层、差气层和干层作为气相关这一类,将气水同层、含气水层和水层作为水相关这一类。
为了更好的实现本发明,进一步的,所述步骤S3,具体还包括以下步骤:
步骤S3.1:将步骤2预处理得到的训练集中具有相同编号的训练样本个数进行统计,进行数据重采样,根据具体的样本量设定一个阈值,对数据量少的样本进行上采样,对数据量大的样本进行下采样,从而解决样本不均衡问题,提高模型的泛化能力;为了探寻测井数据之间的特征关系,寻找更加恰当的预测模型,将平衡好的样本数据进行特征相关性分析,统计了特征累计贡献度及相关度,并且通过KMO和巴特利特检验,得到了以下结论:样本各特征之间相关性较小;各特征的贡献度有差异,找到了贡献度较大的特征。
步骤S3.2:针对目前测井数据样本不足的问题,提出了利用生成式对抗网络GAN对小样本进行数据增强的方法,对储层数据样本较少的层进行扩充,从而提高模型的泛化能力和识别准确率,其函数表达式为:S.t C(x')=t and x'∈[0,1]m.其中x表示原始数据,x'表示添加扰动后的数据,x-x'表示扰动大小,表示扰动的L2范数,C()表示深度神经网络的分类器。
为了更好的实现本发明,进一步的,所述步骤S4,具体还包括以下步骤:
步骤S4.1:构建xgboost集成学习的储层识别模型,设置xgboost模型中的最大树深度、迭代次数、收缩长度等参数,具体设置如下:'num_class':7,'eval_metric':'mlogloss','gamma':0.1,'max_depth':8,'alpha':0,'lambda':0,'subsample':0.7,'colsample_bytree':0.5,'min_child_weight':3,'silent':0,'eta':0.03,'nthread':-1,'missing':1,'seed':2020;
步骤S4.2:将步骤S4.1中构建好的模型进行多次训练,得到最优模型,将处理好的常规测井数据及试气数据输入至已经训练好的xgboost集成学习储层识别模型中进行测试,实现储层精准分类的效果;
步骤S4.3:采用混淆矩阵作为评价指标对最优模型进行评价,混淆矩阵判别模型的指标包括精准率、召回率、准确率、F-score值,对模型进行优化的方案包括:扩充样本数量、选取特征相关性强的样本、修改xgboost模型中的最大树深度、迭代次数、收缩长度等参数。
附图说明
图1为本发明致密砂岩储层的数据处理和分析流程图;
图2为xgboost模型的训练和预测过程示意图;
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明采用经典的集成学习算法-xgboost,结合试气录井结果和常规测井数据,对致密砂岩储层进行识别,能有效提升预测的精度。
实施例1:(以识别李8—李57中的28口井为例)
一种基于机器学习的测井储层识别预测方法,具体包括以下四个步骤:
步骤S1:准备大量测井数据样本,构建测井数据库,选取常规测井数据及试气数据作为输入,并对所述数据进行标注,根据预先特征选取规则获取已有井的数据信息,选取jing、ceng、DEPT、AC、PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD作为特征因子,得到测井数据2544条,其中气层738条、气水同层549条、差气层125条、含气水层747条、水层233条、干层152条,并对各层数据进行了任务类别编号的标注;
步骤S2:根据采集到的数据集,对数据进行预处理,对数据进行归一化,,从而消除奇异样本数据导致的不良影响,并将其中的脏数据进行清洗,剔除掉类似于“-99999”这种不符合逻辑的数据,利用均值对缺失值进行填充,确保数据的准确性和可靠性,并对数据进行二分类处理;
步骤S3:针对复杂的致密砂岩储层,进行数据重采样和相关性分析,采用生成式对抗网络GAN对小样本进行数据增强,对差气层、水层、干层的数据进行扩充,从而平衡样本的数据量,最后再对整体样本进行扩充,从起初的两千条数据扩充至两万条数据,并按训练集:测试集=7:3的比例对数据集进行了划分;
步骤S4:构建xgboost集成学习的储层识别模型,将常规测井数据及试气数据输入至已经训练好的xgboost集成学习储层识别模型,实现储层精准分类的效果,按每层的数据点和按每一层进行了预测,分别得到了精度为80.7%和84.7%的预测结果,最后绘制混淆矩阵对模型进行评估。
Claims (5)
1.一种基于机器学习的测井储层识别预测方法,其特征包括以下步骤:
步骤S1:准备数据,构建测井数据库,选取常规测井数据及试气数据作为输入,并对所述数据进行标注,根据预先特征选取规则获取已有井的数据信息;
步骤S2:根据采集到的数据集,对数据进行预处理,并将其中的脏数据进行清洗,确保数据的准确性和可靠性,并对数据进行二分类处理;
步骤S3:针对复杂的致密砂岩储层,进行数据重采样和相关性分析,采用生成式对抗网络GAN对小样本进行数据增强,从而平衡样本的数据量;
步骤S4:构建xgboost集成学习的储层识别模型,将常规测井数据及试气数据输入至已经训练好的xgboost集成学习储层识别模型,实现储层精准分类的效果,并对模型进行评估。
2.根据权利要求1所述一种基于机器学习的测井储层识别预测方法,其特征在于所述步骤S1包括以下步骤:
步骤S11:根据本领域的专业人员充分收集相关资料以及经验积累,对于厚一点的层取中间部分数据,薄一点的层取中间数据的峰值,针对于厚薄层的区分,做了如下设定:井径(CAL)区间大于等于1米的为厚层,井径小于1米的为薄层;由于原始测井数据中按照每0.125米的间隔取一个数据点,每层的厚度也存在较大的差异,导致每层包含的点数都不一样,为了进一步提高数据的可靠性,则设定了储层数据采集区间的规则:每层点数小于20的井段取中间10%的数据;每层点数大于20小于40的井段取中间20%的数据;每层点数大于40的井段取中间50%的数据;
步骤S12:根据本领域的专业人员对储层气水特征分析和测井响应研究,从步骤S11中选取气水识别敏感的特征数据组成数据集,所述特征数据为:深度DEPTH,井号JING,层位WEI,自然电位SP,光电指数PE,井径CAL,自然伽马GR,铀U,钍Th,钾K,声波时差AC,补偿中子CNL,补偿密度DEN,浅侧向RLLS,深侧向RLLD;
步骤S13:将步骤S12中得到的数据集进行标注,将任务类型分为气层、气水同层、差气层、含气水层、水层和干层,分别用1,2,3,4,5,6作为类别编号;再将任务对应的编号作为标签,得到带标签的数据集;此外,为了确保标签数据的准确性,根据研究领域专业人员的分析,将试气结果作为标签数据标注的第一标准,录井结论作为第二标准,测井解释作为第三标准,优先级依次降低,由此确定最终的标签值;最后将得到的带标签的数据集划分为训练集与测试集。
3.根据权利要求1所述一种基于机器学习的测井储层识别预测方法,其主要特征在于所述步骤S2包括以下步骤:
步骤S21:针对步骤S1中采集到的数据集进行预处理,为了数据的准确性和可靠性,首先需要对一些脏数据进行清洗,包括格式错误的数据,不符合逻辑的数据,对储层识别结果影响不大的数据等。可以将类似于“-999999”这样的值剔除掉,或者对非数NAN进行填补;其次对数据进行归一化处理,从而消除奇异样本数据导致的不良影响,采用min-max标准化的方式进行归一化处理,对原始数据进行线性变换,使结果值映射到[0-1]之间,转换函数如下:
其中max为样本数据的最大值,min为样本数据的最小值;最后对数据的缺失值进行均值填充;
步骤S22:在构建的测井数据库中,根据研究领域专业人员的探索和分析,气层、气水同层、差气层、含气水层、水层和干层这六类测井数据样本存在一些共性,为了解决样本类别较多的情况,从而降低模型对储层识别做出误判的情况,提出了二分类的方法,分别为水相关和气相关,将气层、差气层和干层作为气相关这一类,将气水同层、含气水层和水层作为水相关这一类。
4.根据权利要求1所述一种基于机器学习的测井储层识别预测方法,其主要特征在于所述步骤S3包括以下步骤:
步骤S31:将步骤2预处理得到的训练集中具有相同编号的训练样本个数进行统计,进行数据重采样,根据具体的样本量设定一个阈值,对数据量少的样本进行上采样,对数据量大的样本进行下采样,从而解决样本不均衡问题,提高模型的泛化能力;为了探寻测井数据之间的特征关系,寻找更加恰当的预测模型,将平衡好的样本数据进行特征相关性分析,统计了特征累计贡献度及相关度,并且通过KMO和巴特利特检验,得到了以下结论:样本各特征之间相关性较小;各特征的贡献度有差异,找到了贡献度较大的特征;
5.根据权利要求1所述一种基于机器学习的测井储层识别预测方法,其主要特征在于所述步骤S4包括以下步骤:
步骤S41:构建xgboost集成学习的储层识别模型,设置xgboost模型中的最大树深度、迭代次数、收缩长度等参数,具体设置如下:'num_class':7,'eval_metric':'mlogloss','gamma':0.1,'max_depth':8,'alpha':0,'lambda':0,'subsample':0.7,'colsample_bytree':0.5,'min_child_weight':3,'silent':0,'eta':0.03,'nthread':-1,'missing':1,'seed':2020;
步骤S42:将步骤S41中构建好的模型进行多次训练,得到最优模型,将处理好的常规测井数据及试气数据输入至已经训练好的xgboost集成学习储层识别模型中进行测试,实现储层精准分类的效果;
步骤S43:采用混淆矩阵作为评价指标对最优模型进行评价,混淆矩阵判别模型的指标包括精准率、召回率、准确率、F-score值,对模型进行优化的方案包括:扩充样本数量、选取特征相关性强的样本、修改xgboost模型中的最大树深度、迭代次数、收缩长度等参数、利用多目标优化算法对模型影响较大的超参数进行同时优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790280.0A CN113642772A (zh) | 2021-07-13 | 2021-07-13 | 基于机器学习的测井储层识别预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790280.0A CN113642772A (zh) | 2021-07-13 | 2021-07-13 | 基于机器学习的测井储层识别预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642772A true CN113642772A (zh) | 2021-11-12 |
Family
ID=78417200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790280.0A Pending CN113642772A (zh) | 2021-07-13 | 2021-07-13 | 基于机器学习的测井储层识别预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642772A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024131160A1 (zh) * | 2022-12-19 | 2024-06-27 | 中国石油天然气股份有限公司 | 储层分类方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN110334806A (zh) * | 2019-05-29 | 2019-10-15 | 广东技术师范大学 | 一种基于生成式对抗网络的对抗样本生成方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
CN111753871A (zh) * | 2020-05-11 | 2020-10-09 | 同济大学 | 基于xgboost算法与特征工程的岩性及流体类型识别方法 |
CN112861890A (zh) * | 2019-11-26 | 2021-05-28 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
-
2021
- 2021-07-13 CN CN202110790280.0A patent/CN113642772A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345007A (zh) * | 2018-09-13 | 2019-02-15 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN110334806A (zh) * | 2019-05-29 | 2019-10-15 | 广东技术师范大学 | 一种基于生成式对抗网络的对抗样本生成方法 |
CN110824563A (zh) * | 2019-10-21 | 2020-02-21 | 中国海洋石油集团有限公司 | 一种基于Xgboost算法的储层岩性预测方法 |
CN112861890A (zh) * | 2019-11-26 | 2021-05-28 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
CN111753871A (zh) * | 2020-05-11 | 2020-10-09 | 同济大学 | 基于xgboost算法与特征工程的岩性及流体类型识别方法 |
Non-Patent Citations (2)
Title |
---|
孙予舒 等: "基于XGBoost算法的复杂碳酸盐岩岩性测井识别" * |
闫星宇 等: "XGBoost算法在致密砂岩气储层测井解释中的应用" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024131160A1 (zh) * | 2022-12-19 | 2024-06-27 | 中国石油天然气股份有限公司 | 储层分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN109147817B (zh) | 一种基于变异受限玻尔兹曼机的去噪音频特征提取方法 | |
CN111580181B (zh) | 一种基于多场多特征信息融合的导水陷落柱识别方法 | |
CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
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 | |
CN110020714B (zh) | 模型训练及数据分析方法、装置、设备以及存储介质 | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
CN111538076A (zh) | 基于深度学习特征融合的地震震级快速估算方法 | |
CN109345007B (zh) | 一种基于XGBoost特征选择的有利储层发育区预测方法 | |
CN112784980B (zh) | 一种智能化测井层位划分方法 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
CN109800954A (zh) | 基于测井数据的储层评价新方法 | |
CN106779086A (zh) | 一种基于主动学习和模型剪枝的集成学习方法及装置 | |
CN113642772A (zh) | 基于机器学习的测井储层识别预测方法 | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
CN114912798A (zh) | 一种基于随机森林和震害大数据的地震损失评估系统 | |
CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
CN112329804A (zh) | 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置 | |
CN117131345A (zh) | 一种基于数据深度学习计算的多源数据参数评估方法 | |
CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211112 |