CN113874864A - 使用硬约束和软约束训练机器学习系统 - Google Patents
使用硬约束和软约束训练机器学习系统 Download PDFInfo
- Publication number
- CN113874864A CN113874864A CN202080037694.XA CN202080037694A CN113874864A CN 113874864 A CN113874864 A CN 113874864A CN 202080037694 A CN202080037694 A CN 202080037694A CN 113874864 A CN113874864 A CN 113874864A
- Authority
- CN
- China
- Prior art keywords
- interpretation
- machine learning
- learning system
- seismic data
- training
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 132
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 38
- 238000004088 simulation Methods 0.000 description 20
- 239000010410 layer Substances 0.000 description 14
- 238000003860 storage Methods 0.000 description 14
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 238000010796 Steam-assisted gravity drainage Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/612—Previously recorded data, e.g. time-lapse or 4D
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/642—Faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/643—Horizon tracking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/646—Fractures
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Geophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种计算机实现的方法包括:接收与已知真相解释相关联的测试地震数据集;接收一个或多个硬约束;基于所述测试地震数据集、所述已知真相解释和所述一个或多个硬约束训练机器学习系统;基于所述训练所述机器学习系统确定误差值;基于一个或多个软约束调整所述误差值;基于所调整的误差值更新所述机器学习系统的所述训练;在所述更新所述训练之后接收第二地震数据集;将所述第二地震数据集应用到所述机器学习系统以生成对所述第二地震数据集的解释;基于对所述第二地震数据集的所述解释生成表示地下域的地震图像;以及输出所述地震图像。
Description
背景技术
解释地震数据集内的地质结构和地层序列是石油勘探和生产的组成部分。由于地面下的地质复杂性以及与地震成像分辨率相关联的限制,高效、准确、可重复且一致的解释具有挑战性。有经验的解释者的人工解释可相对准确且可靠。然而,人工解释过程是劳动密集型的、耗时的并且对解释者偏见敏感,特别是在昂贵的地震数据集的量和地面下地质复杂性增长的情况下。
发明内容
本公开的实施方案可提供一种计算机实现的方法,其包括:接收与已知真相解释相关联的测试地震数据集;接收一个或多个硬约束;以及基于所述测试地震数据集、所述已知真相解释和所述一个或多个硬约束训练机器学习系统。所述方法还包括:基于所述训练所述机器学习系统确定误差值;基于一个或多个软约束调整所述误差值;基于所调整的误差值更新所述机器学习系统的所述训练;在所述更新所述训练之后接收第二地震数据集;将所述第二地震数据集应用到所述机器学习系统以生成对所述第二地震数据集的解释;基于对所述第二地震数据集的所述解释生成表示地下域的地震图像;以及输出所述地震图像。
本公开的实施方案还可提供一种计算系统,其包括:一个或多个处理器;以及存储器系统,所述存储器系统包括存储指令的一个或多个非暂时性计算机可读介质,所述指令在由所述一个或多个处理器中的至少一个执行时致使所述计算系统执行操作。所述操作可包括:接收与已知真相解释相关联的测试地震数据集;接收一个或多个硬约束;基于所述测试地震数据集、所述已知真相解释和所述一个或多个硬约束训练机器学习系统。所述一个或多个硬约束表示由单独机器学习系统对测试地震数据的解释。所述操作还可包括:基于所述训练所述机器学习系统确定误差值;基于一个或多个软约束调整所述误差值;基于所调整的误差值更新所述机器学习系统的所述训练;以及在更新所述训练之后接收第二地震数据集。所述操作还可包括:将所述第二地震数据集应用到所述机器学习系统以生成对所述第二地震数据集的解释;基于对所述第二地震数据集的所述解释生成表示地下域的地震图像;以及输出所述地震图像。
本公开的实施方案还可提供一种非暂时性计算机可读介质,其存储指令,所述指令在由计算系统的一个或多个处理器执行时致使所述计算系统执行操作。所述操作包括:接收与已知真相解释相关联的测试地震数据集;通过将所述测试地震数据集与所述已知真相解释相关联来生成解释确定算法;确定与所述解释确定算法相关联的误差值;基于一个或多个软约束调整所述误差值;以及基于所调整的误差值更新所述解释确定算法。所述操作还包括:在所述更新所述解释确定算法之后接收第二地震数据集;将所述第二地震数据集应用到所述解释确定算法以生成对所述第二地震数据集的解释;基于对所述第二地震数据集的所述解释生成表示地下域的地震图像;以及输出所述地震图像。
应当理解,此概述仅旨在介绍本发明的方法、系统和介质的一些方面,这些方面在下文进行更全面的描述和/或要求保护。因此,此概述并非旨在进行限制。
附图描述
并入本说明书并且构成本说明书的一部分的附图示出本教导内容并且连同描述的实施方案,用来解释本教导内容的原理。在附图中:
图1示出根据实施方案的包括用于管理地质环境的各个方面的各种管理部件的系统的实例。
图2示出并入硬约束和软约束以用于训练机器学习系统并生成解释算法的示例性概观。
图3示出使用来自不同机器学习系统的解释作为硬约束的实例。
图4示出用于使用软约束来训练机器学习系统以解释地震数据的实例。
图5示出用于使用硬约束和软约束两者来训练机器学习系统以解释地震数据的实例。
图6示出用于使用硬约束和/或软约束来训练机器学习系统的过程的示例性流程图。
图7示出用于使用受过训练的机器学习系统以及解释算法来解释地震数据的过程的示例性流程图。
图8示出根据一个实施方案的计算系统的示意图。
具体实施方式
本公开的实施方案可包括基于计算机的地震解释系统,其使用使用机器学习生成的解释算法来解释地震数据。更具体地,实施方案可包括用于训练机器学习系统以生成并更新可用于准确且快速地解释地震数据的解释算法的技术。在一些实施方案中,可通过将测试地震数据与表示测试地震数据的真相解释(例如,与预定义“地面真相”或经验证的解释一致的解释)的已知真相相关联来训练机器学习系统。另外,可通过将“硬”约束和测试地震数据与已知真相相关联来训练机器学习系统。即,可在机器学习过程的前端处引入硬约束。此外,可通过在机器学习过程的后端(例如,误差确定过程)处引入“软”约束来训练机器学习系统。例如,机器学习系统的误差是通过输入具有已知解释的地震数据集,并且将已知解释与由机器学习系统产生的解释进行比较来确定的。误差被认为是已知解释与由机器学习系统产生的解释之间的差异或偏差。
在一些实施方案中,软约束可包括调整或校正所确定误差的策略。所调整误差例如可用作反向传播的一部分,以确定当使用受过训练的机器学习系统来解释可操作地震数据(例如,其中解释未知并待由受过训练的机器学习系统确定的地震数据)时应用的权重。
如本文所述,利用硬约束进行训练可为机器学习系统提供另外的数据点或参考点,以在操作中更准确地解释地震数据。换句话讲,硬约束可用于通过引入可区分类似地震数据集的另外的数据点来更准确地解释地震数据。硬约束的实例可包括来自先前地质勘查的关于勘测区域的遗留信息、地质/地球物理测量结果、指示结构变形历史的断层分布等。通常,硬约束可被认为是客观的和/或可测量的。
利用一个或多个软约束进行训练可为机器学习系统提供调整误差率并相应地更新解释算法,因此更准确地解释地震数据的能力。软约束的实例可包括优先级信息、不确定性水平、特定地层区间处的解释偏好等。通常,软约束可包括误差调整策略,并且可用于细化、调整或指导机器学习解释。在一些实施方案中,所调整的误差率可在反向传播中使用以调整权重,所述权重然后由机器学习系统用作地震数据解释的一部分。
在一些实施方案中,机器学习训练可使用单个硬约束、单个软约束、多个硬约束、多个软约束或其组合。另外,硬约束和软约束潜在地可为可互换的。例如,硬约束可用作软约束,并且反之亦然。可使用根据本公开的方面的过程训练任何机器学习算法,包括卷积神经网络、3D算法等。
本公开的方面可提高地震解释的速度、准确度和可重复性,这导致石油勘探和生产的改进。本公开的方面可利用使用规则(例如,对应于约束)来使用受过训练的机器学习系统(例如,受过训练的神经网络)将主观过程转换为客观过程。以此方式,解释的一致性得以提高,并且大大减少了消耗的人力资源量。本公开的实施方案提供用于训练机器学习系统以允许机器学习系统执行先前不可在计算机上执行的功能的技术。例如,通过使用本文描述的技术来训练机器学习系统,现在可以通过引入硬约束并使用软约束调整误差来更准确地解释地震数据。
现在详细参考实施方案,这些实施方案的实例在附图中示出。在以下详细描述中,阐述了众多具体细节以便提供对本文所描述的实施方案的透彻理解。然而,本领域的普通技术人员将明白,可在没有这些具体细节的情况下实践某些实施方案。在其他情况下,众所周知的方法、程序、部件、电路以及网络并未进行详细描述,以便不会不必要地混淆实施方案的方面。
还应当理解,尽管在本文中可能使用术语“第一”、“第二”等来描述各种元件,但是这些元件不应受这些术语限制。这些术语仅用于区分一个元件与另一个元件。例如,在不脱离本公开的范围的情况下,第一对象或步骤可称为第二对象或步骤,并且类似地,第二对象或步骤可称为第一对象或步骤。第一对象或步骤和第二对象或步骤两者分别是对象或步骤,但不应将它们视为同一对象或步骤。
在本文的说明书中使用的术语用于描述特定实施方案的目的并且不意图限制。除非上下文另外明确指示,否则如在此说明书和所附权利要求书中所使用,单数形式“一个”、“一种”和“所述”还意图包括复数形式。还应当理解,如本文使用的术语“和/或”是指并涵盖相关联的所列项目中一个或多个的任何可能的组合。将进一步理解,术语“包括(includes/including/comprises)”和/或“包括(comprising)”在用于本说明书中时,规定存在所陈述的特征、整数、步骤、操作、元件和/或部件,但是不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、部件和/或其群组。此外,如本文所使用,术语“如果”可解释为表示“在……时”或“在……后”或“响应于确定”或“响应于检测到”,这取决于上下文。
现在将注意力转向根据一些实施方案的处理程序、方法、技术和工作流。本文所公开的处理程序、方法、技术和工作流中的一些操作可进行组合和/或一些操作的顺序可改变。
图1示出系统100的实例,所述系统100包括用于管理地质环境150(例如,包括沉积盆地、储层151、一个或多个断层153-1、一个或多个地质体153-2的环境)的各方面的各种管理部件110。例如,管理部件110可允许直接或间接地管理关于地质环境150的感测、钻探、注入、提取等。继而,关于地质环境150的另外的信息可变得用作反馈160(例如,任选地作为一个或多个管理部件110的输入)。
在图1的实例中,管理部件110包括地震数据部件112、另外的信息部件114(例如,井/测井数据)、处理部件116、模拟部件120、属性部件130、分析/可视化部件142和工作流部件144。在操作中,根据部件112和114提供的地震数据和其他信息可输入到模拟部件120。
在示例性实施方案中,模拟部件120可依赖于实体122。实体122可包括地球实体或地质对象,诸如井、地面、主体、储层等。在系统100中,实体122可包括出于模拟目的而重建的实际物理实体的虚拟表示。实体122可包括基于经由感测、观测等采集的数据(例如,地震数据112和/或其他信息114)的实体。实体可由一个或多个性质表征(例如,地球模型的几何支柱网格实体可由孔隙度性质表征)。此类性质可表示一个或多个测量结果(例如,采集的数据)、计算等。
在示例性实施方案中,模拟部件120可结合软件框架(诸如基于对象的框架)操作。在这种框架中,实体可包括基于预定义类以有利于建模和模拟的实体。基于对象的框架的可商购获得的实例是框架(Redmond,Washington),其提供一组可扩展对象类。在框架中,对象类封装可重用代码和相关联数据结构的模块。对象类可用于实例化对象实例以供程序、脚本等使用。例如,钻孔类可基于井数据定义用于表示钻孔的对象。
在图1的实例中,模拟部件120可处理信息以符合由属性部件130指定的一个或多个属性,所述属性部件130可包括属性库。此类处理可在输入到模拟部件120之前发生(例如,考虑处理部件116)。作为实例,模拟部件120可基于由属性部件130指定的一个或多个属性对输入信息执行操作。在示例性实施方案中,模拟部件120可构建地质环境150的一个或多个模型,可依赖于所述一个或多个模型来模拟地质环境150的行为(例如,响应于一个或多个行为,无论是自然的还是人工的)。在图1的实例中,分析/可视化部件142可允许与模型或基于模型的结果(例如,模拟结果等)交互。作为实例,可将来自模拟部件120的输出输入到一个或多个其他工作流,如由工作流部件144所指示。
作为实例,模拟部件120可包括模拟器的一个或多个特征,诸如ECLIPSETM储层模拟器(Schlumberger Limited,Houston Texas)、INTERSECTTM储层模拟器(SchlumbergerLimited,Houston Texas)等。作为实例,模拟部件、模拟器等可包括实现一种或多种无网格技术(例如,求解一个或多个方程式等)的特征。作为实例,可相对于一种或多种提高采收率技术(例如,考虑热过程(诸如SAGD等))来模拟一个或多个储层。
在示例性实施方案中,管理部件110可包括可商购获得的框架诸如地震到模拟软件框架(Schlumberger Limited,Houston,Texas)的特征部。框架提供允许优化勘探并开发操作的部件。框架包括地震到模拟软件部件,所述地震到模拟软件部件可输出信息以用于例如通过提高资产团队生产力而提高储层性能。通过使用这种框架,各种专业人员(例如,地球物理学家、地质学家和储层工程师等)可开发协作型工作流并整合操作以简化流程。这种框架可被认为是应用程序并且可被认为是数据驱动的应用程序(例如,在出于建模、模拟等目的而输入数据的情况下)。
在示例性实施方案中,管理部件110的各个方面可包括根据框架环境的规范操作的附加组件或插件。例如,作为框架环境(Schlumberger Limited,Houston,Texas)销售的可商购获得的框架环境允许将附加组件(或插件)整合到框架工作流中。框架环境利用工具(Microsoft Corporation,Redmond,Washington),并且提供用于高效开发的稳定的用户友好型界面。在示例性实施方案中,各种部件可实现为符合框架环境的规范并且根据所述规范(例如,根据应用编程接口(API)规范等)操作的附加组件(或插件)。
图1还示出框架170的实例,所述框架170包括模型模拟层180以及框架服务层190、框架核心层195和模块层175。框架170可包括可商购获得的框架,其中模型模拟层180是托管框架应用程序的可商购获得的模型为中心的软件包。在示例性实施方案中,软件可被认为是数据驱动的应用程序。软件可包括用于模型构建和可视化的框架。
作为实例,框架可包括用于实现一种或多种网格生成技术的特征。例如,框架可包括用于接收来自对地震数据的解释的信息的输入部件、至少部分基于地震数据、测井数据、图像数据等的一个或多个属性。这种框架可包括处理输入信息,任选地结合其他信息的网格生成部件以生成网格。
在图1的实例中,模型模拟层180可提供域对象182,充当数据源184,提供渲染186并且提供各种用户界面188。渲染186可提供应用程序可在其中显示其数据的图形环境,而用户界面188可为应用程序用户界面部件提供常见外观和感觉。
作为实例,域对象182可包括实体对象、性质对象和任选地其他对象。实体对象可用于几何地表示井、地面、主体、储层等,而属性对象可用于提供属性值以及数据版本和显示参数。例如,实体对象可表示井,其中性质对象提供测井信息以及版本信息,并且显示信息(例如,以将井显示为模型的一部分)。
在图1的实例中,数据可存储在一个或多个数据源(或数据存储区,通常是物理数据存储装置)中,所述一个或多个数据源可位于相同或不同物理站点处,并且可经由一个或多个网络访问。模型模拟层180可被配置来对项目进行建模。这样,可存储特定项目,其中存储的项目信息可包括输入、模型、结果和案例。因此,在完成建模会话时,用户可存储项目。在稍后的时间,项目可使用模型模拟层180来访问和恢复,所述模型模拟层180可重建相关域对象的实例。
在图1的实例中,地质环境150可包括层(例如,分层),所述层包括储层151和一个或多个其他特征,诸如断层153-1、地质体153-2等。作为实例,地质环境150可配备有各种传感器、检测器、致动器等中的任一种。例如,设备152可包括通信电路以接收和传输关于一个或多个网络155的信息。此类信息可包括与井下设备154相关联的信息,所述井下设备154可为用于采集信息、协助资源采收等的设备。其他设备156可位于远离井场并且包括感测、检测、发射或其他电路。此类设备可包括存储和通信电路以存储和传送数据、指令等。作为实例,可提供一个或多个卫星用于通信、数据采集等目的。例如,图1示出可被配置用于通信的与网络155进行通信的卫星,需注意,卫星可另外或作为替代包括用于成像(例如,空间、频谱、时间、辐射等)的电路。
图1还将地质环境150示出为任选地包括与井相关联的设备157和158,所述井包括可与一个或多个裂痕159相交的基本水平部分。例如,考虑页岩构造中的井,所述页岩构造可包括天然裂痕、人工裂痕(例如,水力裂痕)或天然裂痕与人工裂痕的组合的。作为实例,可对侧向延伸的储层进行钻孔。在这种实例中,可存在性质、应力等方面的侧向变化,其中对此类变化的评估可协助规划、操作等以开发侧向延伸的储层(例如,经由压裂、注入、提取等)。作为实例,设备157和/或158可包括部件、一个系统、多个系统等,以用于压裂、地震感测、地震数据分析、一个或多个裂痕评估等。
如所提及的,系统100可用于执行一个或多个工作流。工作流可为包括若干个工作步骤的过程。工作步骤可对数据进行操作,例如以创建新数据、更新现有数据等。作为实例,工作流可例如基于一个或多个算法对一个或多个输入进行操作并且产生一个或多个结果。作为实例,系统可包括用于工作流的创建、编辑、执行等的工作流编辑器。在这种实例中,工作流编辑器可提供对一个或多个预定义工作步骤、一个或多个定制工作步骤等的选择。作为实例,工作流可为对地震数据、一个或多个地震属性等操作的可在例如软件中实现的工作流。作为实例,工作流可为可在框架中实现的过程。作为实例,工作流可包括访问模块诸如插件(例如,外部可执行代码等)的一个或多个工作步骤。
图2示出并入硬约束和软约束以用于训练机器学习系统210并生成解释算法的示例性概观。如图2所示,作为训练机器学习系统210的一部分,机器学习系统210可接收与真相解释相关联的地震数据集。为了训练机器学习系统210,地震数据集和硬约束与对应的已知真相解释相关联。机器学习系统210的误差是通过将由机器学习系统210产生的解释与已知真相进行比较来确定的。已知真相与由机器学习系统210产生的解释之间的差异可表示误差。软约束可在训练过程的后端处(例如,在使用地震数据和硬约束进行初始训练之后)使用。在一些实施方案中,软约束可用于调整误差。在其中机器学习系统210并入神经网络的实例中,误差在反向传播过程中使用以确定权重。训练机器学习系统210可涉及若干次迭代(或时期)。
受过训练的机器学习系统210可包括解释算法以解释其解释是未知的地震数据。例如,受过训练的机器学习系统210可接收输入地震数据和(任选地)硬约束。机器学习系统210可识别使地震数据和硬约束基本上匹配(例如,达到阈值程度)的解释。机器学习系统210然后可应用对应的权重(例如,其可在训练阶段期间基于所调整误差使用软约束来确定)以达到最终解释。
图3示出使用来自不同机器学习系统的解释作为硬约束的实例。在图3的实例中,一个机器学习系统210(例如,断层机器学习系统210-1)可基于硬约束解释输入地震数据,其中硬约束包括对先前由不同机器学习系统210(例如,地层机器学习系统210-2)生成的地震数据的解释。在一些实施方案中,由断层机器学习系统210-1和地层机器学习系统210-2中的每一者生成的解释可基于另一者的最近解释进行迭代地和/或递归地更新。
作为说明性实例,断层机器学习系统210-1可接收地震数据和对应于先前由地层机器学习系统210-2生成的地层解释的硬约束。断层机器学习系统210-1可生成断层解释,所述断层解释用作地层机器学习系统210-2的输入硬约束,所述地层机器学习系统210-2继而生成地层解释以用作进入断层机器学习系统210-1的硬约束。替代地,断层机器学习系统210-1可仅接收地震数据,并且仅基于地震数据生成对应的断层解释,然后将所述地震数据作为硬约束输入到地层机器学习系统210-2中。在一些实施方案中,操作员或管理员可选取用于使用一个机器学习系统210而不是另一个来生成初始解释的初始决定。
图4示出用于使用软约束来训练机器学习系统210以解释地震数据的实例。如图4所示,机器学习系统210可接收与解释真相相关联的地震数据。作为训练的一部分,机器学习系统210可确定表示由机器学习系统210产生的解释与解释真相之间的偏差的损失(或误差)。机器学习系统210可在训练过程期间应用软约束(例如,对应于解释中的不确定性的水平)以调整损失(误差)。这种约束可特别适用于存在感知水平的地质或结构复杂性的地震数据集,或者当数据集具有低信噪比和较差结构成像质量的特征时。在此类数据集中,解释不确定性可存在,并且因此可在训练机器学习系统210以调整误差和对应的权重作为训练过程的一部分时加以考虑。
在一些实施方案中,表示软约束的不确定性水平可对应于误差调整策略。例如,策略可指示在误差计算中应基于先验知识、解释偏好或规则将误差调整到某个水平以忽略或避免将某些类型的数据作为因素计入。另外或替代地,误差调整策略可基于不同硬约束的存在而不同。
图5示出用于使用硬约束和软约束两者来训练机器学习系统210以解释地震数据的实例。硬约束和软约束两者可用于训练的一个实例包括解释层掩蔽断层。此示例性解释可适用于储层表征和建模,因为与过度燃烧或未充分燃烧的地层相比,认为储层区间更为重要。因此,断层解释预期主要集中在约束在储层区间内的断层上。可通过使用地震地层作为硬约束和软约束两者来产生此类地质层掩蔽断层解释。即,机器学习系统210可使用地质层数据作为硬约束来训练,并且通过使用地质层数据作为软约束来调整误差和/或权重。在一些实施方案中,软约束可包括定义基于地质层数据的值调整误差的方式和将误差调整到的水平的策略。
图6示出用于使用硬约束和/或软约束来训练机器学习系统的过程600的示例性流程图。图6的框可由机器学习系统210和/或类似类型的计算装置实现。如上所述,流程图示出根据本公开的各种实施方案的系统、方法和计算机程序产品的可能实现方式的架构、功能性和操作。
如图6所示,过程600可包括接收测试地震数据集(例如,在框610处)。例如,机器学习系统210可接收与已知真相解释相关联的测试地震数据集。在一些实现方式中,可经由机器学习系统210的用户界面从操作员或管理员接收测试地震数据集。
过程600还可包括接收一个或多个硬约束(例如,在框620处)。例如,机器学习系统210可(例如,从机器学习系统210的操作员和/或从如图3中描述的不同解释系统)接收与测试地震数据相关联的一个或多个硬约束。硬约束的实例可包括来自先前地质勘查的关于勘测区域的遗留信息、地质/地球物理测量结果、指示结构变形历史的断层分布等。
过程600还可包括将测试地震数据集和一个或多个硬约束与解释真相相关联(例如,在框630处)。例如,机器学习系统210可将(例如,在框610处接收的)测试地震数据与一个或多个硬约束和解释真相相关联。在一些实施方案中,机器学习系统210可将关于相关联的信息存储在数据结构或存储系统中。在一些实施方案中,框610至630可迭代地重复以利用多个不同数据集和相关联的解释真相来训练机器学习系统210以构建解释确定算法。
过程600还可包括确定所确定的解释与解释真相之间的误差(例如,在框640处)。例如,机器学习系统210可使用其解释确定算法来确定对地震数据的解释,并且将所确定的解释与解释真相进行比较。此外,机器学习系统210可基于所确定的解释与解释真相之间的偏差确定解释预测算法的误差。
过程600还可包括使用一个或多个软约束来调整误差(例如,在框650处)。例如,机器学习系统210可使用软约束来调整误差。如上所述,软约束可对应于定义应调整误差的方式和将误差调整到的程度的策略。软约束的实例可包括优先级信息、不确定性水平、特定地层区间处的解释偏好等。在一些实施方案中,硬约束也可用作软约束。例如,可使用不同值或类型的硬约束来不同地调整误差。
过程600还可包括使用所调整误差来更新解释确定算法(例如,在框660处)。例如,机器学习系统210可使用所调整误差数据来更新解释确定算法。在一些实施方案中,机器学习系统210可通过调整其对地震数据的解释来更新解释确定算法,使得减少解释中的误差。作为实例,当机器学习系统210实现神经网络时,机器学习系统210可使用所调整误差作为反向传播的一部分来通过调整预测权重更新解释确定算法。可迭代地重复框660,直到误差在阈值内为止。反向传播的每次迭代都可使用软约束来调整误差。一旦误差在阈值内,机器学习系统210就可被认为是受过训练的,其中机器学习系统210可实现解释确定算法。然而,即使在机器学习系统210被认为是受过训练的之后,过程600也可被重复以细化和改进解释确定算法。
图7示出用于使用受过训练的机器学习系统以及解释算法来解释地震数据的过程700的示例性流程图。图7的步骤可由机器学习系统210和/或类似类型的计算装置实现。如上所述,流程图示出根据本公开的各种实施方案的系统、方法和计算机程序产品的可能实现方式的架构、功能性和操作。
如图7所示,过程700可包括接收可操作地震数据集(例如,在框710处)。例如,机器学习系统210可接收可操作地震数据集(例如,其中解释未知并且待确定的地震数据)。在一些实施方案中,机器学习系统210可从地震数据收集系统接收可操作地震数据集。
过程700还可包括接收一个或多个硬约束(例如,在框720处)。例如,机器学习系统210可(例如,从机器学习系统210的操作员)接收一个或多个硬约束。如本文所述,一个或多个硬约束可用于通过引入可区分类似地震数据集的另外的数据点来更准确地解释地震数据。
过程700还可包括将可操作地震数据集和一个或多个硬约束应用于解释确定算法(例如,在框730处)。例如,机器学习系统210可将可操作地震数据集和一个或多个硬约束应用于(例如,通过根据上文关于图6描述的过程600训练机器学习系统210生成的)解释确定算法。在一些实施方案中,机器学习系统210使用解释确定算法,可识别多个存储的训练地震数据集中的使可操作地震数据集和一个或多个硬约束基本上匹配的特定地震数据集。在一些实施方案中,机器学习系统210可识别多于一个可能的匹配(例如,解释)并且可使用任何合适的排列等级系统来对可能的匹配进行排列等级。
过程700还可包括输出解释信息(例如,在框740处)。例如,机器学习系统210可输出解释信息,具体地,来自框730的一个或多个可能的解释匹配。在一些实施方案中,机器学习系统210可以报告的形式输出解释信息,所述报告将解释信息呈现为图形、值的表、图表或其组合。另外或替代地,机器学习系统210可结合基于计算机的指令输出解释信息,以基于解释信息执行动作(例如,指令输出警报,调整现场设备的操作等)。另外或替代地,机器学习系统210可将解释信息输出为表示地下域的地震图像或模型。
在一些实施方案中,可省略过程700的框720。即,机器学习系统210可解释地震数据集而无需接收硬约束,并且可在不考虑任何硬约束的情况下识别与可操作地震数据集基本上匹配的解释数据集。
如本文所述,过程700使用受过训练的机器学习系统210和受过训练的解释确定算法来解释地震数据。过程600和过程700的实现方式可提高地震解释的速度、准确度和可重复性,这导致石油勘探和生产的改进。
在一些实施方案中,本公开的方法可由计算系统执行。图8示出根据一些实施方案的这种计算系统800的实例。计算系统800可包括计算机或计算机系统801A,其可以是单独计算机系统801A或分布式计算机系统的布置。计算机系统801A包括一个或多个分析模块802,所述一个或多个分析模块802被配置来根据一些实施方案,诸如本文公开的一个或多个方法执行各种任务。为了执行这些各种任务,分析模块602单独或与一个或多个处理器804协调执行,所述一个或多个处理器804连接到一个或多个存储介质806。一个或多个处理器804还连接到网络接口807以允许计算机系统801A通过数据网络809与一个或多个另外计算机系统和/或计算系统(诸如801B、801C和/或801D)通信(注意,计算机系统801B、801C和/或801D可或不可与计算机系统801A共享相同架构,并且可位于不同物理位置中,例如,计算机系统801A和801B可位于处理设施中,同时与一个或多个计算机系统(诸如位于一个或多个数据中心中和/或位于不同大陆的不同国家中的801C和/或801D)通信)。
处理器可包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列或另一个控制或计算装置。
存储介质806可实现为一个或多个计算机可读或机器可读存储介质。应注意,虽然在图8的示例性实施方案中存储介质806描绘为在计算机系统801A内,但在一些实施方案中,存储介质806可分布在计算系统801A和/或另外计算系统的多个内部和/或外部外壳内和/或跨所述多个外壳。存储介质806可包括一个或多个不同形式的存储器,包括半导体存储器装置,诸如动态或静态随机存取存储器(DRAM或SRAM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)和闪存;磁盘,诸如固定圆盘、软盘和可换磁盘;其他磁介质,包括磁带;光学介质,诸如光盘(CD)或数字视频光盘(DVD)、盘或其他类型的光学存储介质,或其他类型的存储装置。应注意,以上讨论的指令可设置在一个计算机可读或机器可读存储介质上,或者可设置在分布在可能具有多个节点的较大系统中的多个计算机可读或机器可读存储介质上。此类一个或多个计算机可读或机器可读存储介质被认为是物品(或制品)的一部分。物品或制品可指任何所制造的单个部件或多个部件。一个或多个存储介质可位于运行机器可读指令的机器中或位于可通过网络下载机器可读指令用于执行的远程部位处。
在一些实施方案中,计算系统800包含一个或多个解释确定模块808。在计算系统800的实例中,计算机系统801A包括一个或多个解释确定模块808。在一些实施方案中,单个解释确定模块808可用于执行本文所公开方法的一个或多个实施方案的一些方面。在其他实施方案中,多个解释确定模块808可用于执行本文方法的一些方面。
应当理解,计算系统800仅是计算系统的一个实例,并且计算系统800可比所示具有更多或更少部件,可结合图8的示例性实施方案中未描绘的另外部件,和/或计算系统800可具有图8中描绘的部件的不同配置或布置。图8中所示的各种部件可在硬件、软件或硬件和软件两者的组合中实现,包括一个或多个信号处理和/或专用集成电路。
此外,本文描述的处理方法中的步骤可通过运行信息处理设备,诸如通用处理器或专用芯片(诸如ASIC、FPGA、PLD或其他适当装置)中的一个或多个功能模块来实现。这些模块、这些模块的组合和/或它们与一般硬件的组合包括在本公开的范围内。
计算解释、模型和/或其他解释辅助工具可以迭代方式细化;此概念可适用于本文所论述的方法。这可包括使用在算法基础上(诸如在计算装置(例如,控制系统800,图8)处)执行的反馈回路和/或通过由可做出关于给定步骤、动作、模板、模型或曲线组是否已足以准确地对在考虑中的地面下三维地质构造进行评估的确定的用户进行手动控制。
出于解释的目的,已经参考特定实施方案描述了前述描述。然而,以上说明性论述并不意图是详尽的或限于所公开的精确形式。鉴于以上教义,许多修改和变型是可能的。此外,示出和描述本文描述的方法的元素的顺序可重新排列,和/或两个或更多个元素可同时发生。选取和描述这些实施方案以便于最佳解释本公开的原理以及其实际应用,从而在进行如适合于所涵盖的具体用途的多种修改的情况下,允许本领域的其他技术人员最佳利用所公开的实施方案和多种实施方案。
附图中的流程图和图示示出根据本公开的各种实施方案的系统、方法和计算机程序产品的可能实现方式的架构、功能性和操作。在这方面,流程图或图示中的每个框可表示指令的模块、片段或部分,所述模块、片段或部分包括用于实现一个或多个所指定的逻辑功能的一个或多个可执行指令。在一些替代实现方式中,框中所指出的功能可不按附图中所指出的顺序发生。例如,连续展示的两个框实际上可以大致上同时执行,或者这些框有时可以按相反的顺序执行,这取决于所涉及的功能。还应指出,框图和/或流程图图解的每个框以及框图和/或流程图图解中的框的组合可由基于专用硬件的系统来实施,所述系统执行所指定的功能或动作或者实施专用硬件和计算机指令的组合。
将了解,以上提供的描述的不同实例可在图中所示出的实现方式中以许多不同形式的软件、固件和硬件来实现。用于实现这些实例的实际软件代码或专用控制硬件不限制这些实现方式。因此,在没有参考特定软件代码的情况下描述这些实例的操作和行为——应当理解,软件和控制硬件可被设计为基于本文的描述来实现这些实例。
尽管在权利要求中陈述和/或在说明书中公开了特征的特定组合,但这些组合并不旨在限制可能实现方式的公开。事实上,这些特征中的许多可以权利要求中未具体记载和/或说明书中未公开的方式组合。尽管下面列出的每条从属权利要求可直接依赖于仅一条其他权利要求,但可能的实现方式的公开包括每条从属权利要求与权利要求集中的每条其他权利要求的组合。
虽然本公开已相对于数量有限的实施方案进行了公开,但受益于本公开的本领域技术人员将了解大量的修改以及由此得到的变化。所附权利要求书意图涵盖落在本公开的真实精神和范围内的此类修改和变化。
本申请中所使用的要素、行动或指令都不应被解释为至关重要或必要的,除非明确作此说明。同样,如本文所使用的,冠词“一个(a)”意图包括一个或多个项目,并且可与“一个或多个”互换使用。在意指仅一个项目的情况下,使用术语“一个(one)”或类似语言。此外,除非另有明确说明,否则短语“基于”意图指“至少部分地基于”。
Claims (20)
1.一种计算机实现的方法,其包括:
接收与已知真相解释相关联的测试地震数据集;
接收一个或多个硬约束;
基于所述测试地震数据集、所述已知真相解释和所述一个或多个硬约束训练机器学习系统;
基于所述训练所述机器学习系统确定误差值;
基于一个或多个软约束调整所述误差值;
基于所调整的误差值更新所述机器学习系统的所述训练;
在所述更新所述训练之后接收第二地震数据集;
将所述第二地震数据集应用到所述机器学习系统以生成对所述第二地震数据集的解释;
基于对所述第二地震数据集的所述解释生成表示地下域的地震图像;以及
输出所述地震图像。
2.如权利要求1所述的计算机实现的方法,其中对所述第二地震数据的所述解释包括地层解释或断层解释中的至少一种。
3.如权利要求1所述的计算机实现的方法,其中所述训练所述机器学习系统包括生成解释生成算法,并且所述更新所述机器学习系统的所述训练包括更新所述解释生成算法。
4.如权利要求1所述的计算机实现的方法,其中所述一个或多个硬约束之一与所述软约束相同。
5.如权利要求1所述的计算机实现的方法,其中所述一个或多个硬约束包括以下中的至少一者:
来自先前地质勘查的关于勘测区域的遗留信息;
地质/地球物理测量结果;以及
指示结构变形历史的断层分布。
6.如权利要求1所述的计算机实现的方法,其中所述软约束包括以下中的至少一者:
优先级信息;
不确定性水平;以及
特定地层区间处的解释偏好。
7.如权利要求1所述的计算机实现的方法,其中所述机器学习系统包括神经网络。
8.如权利要求1所述的计算机实现的方法,其中所述误差率在反向传播中使用以更新所述机器学习系统的所述训练。
9.如权利要求1所述的计算机实现的方法,其中所述软约束包括用于调整所述误差值的策略。
10.如权利要求1所述的计算机实现的方法,其中输出信息包括以下中的至少一者:
输出识别关于对所述第二地震数据集的所述解释的信息的报告;
输出警报;以及
输出调整现场设备的操作的指令。
11.一种计算机系统,其包括:
一个或多个处理器;以及
存储器系统,所述存储器系统包括存储指令的一个或多个非暂时性计算机可读介质,所述指令在由所述一个或多个处理器中的至少一个执行时致使所述计算系统执行操作,所述操作包括:
接收与已知真相解释相关联的测试地震数据集;
接收一个或多个硬约束;
基于所述测试地震数据集、所述已知真相解释和所述一个或多个硬约束训练机器学习系统,其中所述一个或多个硬约束表示单独机器学习系统对所述测试地震数据的解释;
基于所述训练所述机器学习系统确定误差值;
基于一个或多个软约束调整所述误差值;
基于所调整的误差值更新所述机器学习系统的所述训练;
在所述更新所述训练之后接收第二地震数据集;
将所述第二地震数据集应用到所述机器学习系统以生成对所述第二地震数据集的解释;
基于对所述第二地震数据集的所述解释生成表示地下域的地震图像;以及
输出所述地震图像。
12.如权利要求11所述的计算机系统,其中对所述第二地震数据的所述解释包括地层解释或断层解释中的至少一种。
13.如权利要求11所述的计算机系统,其中所述训练所述机器学习系统包括生成解释生成算法,并且所述更新所述机器学习系统的所述训练包括更新所述解释生成算法。
14.如权利要求11所述的计算机系统,其中所述机器学习系统包括神经网络。
15.如权利要求11所述的计算机系统,其中所述误差率在反向传播中使用以更新所述机器学习系统的所述训练。
16.如权利要求11所述的计算机系统,其中所述软约束包括用于调整所述误差值的策略。
17.如权利要求11所述的计算机系统,其中输出信息包括以下中的至少一者:
输出识别关于对所述第二地震数据集的所述解释的信息的报告;
输出警报;以及
输出调整现场设备的操作的指令。
18.一种非暂时性计算机可读介质,其存储指令,所述指令在由计算系统的一个或多个处理器执行时致使所述计算系统执行操作,所述操作包括:
接收与已知真相解释相关联的测试地震数据集;
通过将所述测试地震数据集与所述已知真相解释相关联来生成解释确定算法;
确定与所述解释确定算法相关联的误差值;
基于一个或多个软约束调整所述误差值;
基于所调整的误差值更新所述解释确定算法;
在所述更新所述解释确定算法之后接收第二地震数据集;
将所述第二地震数据集应用到所述解释确定算法以生成对所述第二地震数据集的解释;
基于对所述第二地震数据集的所述解释生成表示地下域的地震图像;以及
输出所述地震图像。
19.如权利要求18所述的计算机可读介质,其中基于所调整的误差值更新所述解释确定算法包括使用反向传播来更新与所述解释确定算法相关联的权重。
20.如权利要求18所述的计算机可读介质,其中所述解释确定算法是神经网络的一部分。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962847250P | 2019-05-13 | 2019-05-13 | |
US62/847,250 | 2019-05-13 | ||
PCT/US2020/032334 WO2020231918A1 (en) | 2019-05-13 | 2020-05-11 | Training a machine learning system using hard and soft constraints |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113874864A true CN113874864A (zh) | 2021-12-31 |
Family
ID=73289502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080037694.XA Pending CN113874864A (zh) | 2019-05-13 | 2020-05-11 | 使用硬约束和软约束训练机器学习系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11965998B2 (zh) |
EP (1) | EP3969944A4 (zh) |
CN (1) | CN113874864A (zh) |
WO (1) | WO2020231918A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11898435B2 (en) * | 2020-09-25 | 2024-02-13 | Halliburton Energy Services, Inc. | Correcting borehole images using machine-learning models |
CN113820749A (zh) * | 2021-09-24 | 2021-12-21 | 吉林大学 | 一种基于机器学习的地震数据速度场异常反演方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2263107A4 (en) | 2008-04-10 | 2016-12-28 | Services Petroliers Schlumberger | METHOD FOR CHARACTERIZING A GEOLOGICAL FORMATION THROUGH A DRILLING OXYGEN |
WO2011126585A1 (en) * | 2010-04-06 | 2011-10-13 | Exxonmobil Upstream Research Company | Hierarchical modeling of physical systems and their uncertainties |
GB201619782D0 (en) * | 2016-11-23 | 2017-01-04 | Foster Findlay Ass Ltd | Adaptive tracking of geological objects |
US20190043193A1 (en) * | 2017-08-01 | 2019-02-07 | Retina-Ai Llc | Systems and Methods Using Weighted-Ensemble Supervised-Learning for Automatic Detection of Retinal Disease from Tomograms |
US10996372B2 (en) | 2017-08-25 | 2021-05-04 | Exxonmobil Upstream Research Company | Geophysical inversion with convolutional neural networks |
US10858931B2 (en) | 2017-10-17 | 2020-12-08 | Saudi Arabian Oil Company | Enhancing reservoir production optimization through integrating inter-well tracers |
US20220299952A1 (en) * | 2018-01-30 | 2022-09-22 | Imubit Israel Ltd. | Control system with optimization of neural network predictor |
BR112021011250A2 (pt) * | 2018-12-11 | 2021-08-24 | Exxonmobil Upstream Research Company | Modelagem automatizada de reservatório usando redes generativas profundas |
WO2020123100A2 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Automated seismic interpretation systems and methods for continual learning and inference of geological features |
US20220121987A1 (en) * | 2019-02-05 | 2022-04-21 | Schlumberger Technology Corporation | Differential multi model training for multiple interpretation options |
-
2020
- 2020-05-11 EP EP20806897.3A patent/EP3969944A4/en active Pending
- 2020-05-11 WO PCT/US2020/032334 patent/WO2020231918A1/en unknown
- 2020-05-11 CN CN202080037694.XA patent/CN113874864A/zh active Pending
- 2020-05-11 US US17/595,021 patent/US11965998B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3969944A1 (en) | 2022-03-23 |
US11965998B2 (en) | 2024-04-23 |
US20220206175A1 (en) | 2022-06-30 |
WO2020231918A1 (en) | 2020-11-19 |
EP3969944A4 (en) | 2023-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017206182A1 (en) | Detecting events in well reports | |
EP3347567B1 (en) | Automatic updating of well production models | |
US20230358912A1 (en) | Automated offset well analysis | |
US11402540B2 (en) | Coupled reservoir-geomechanical models using compaction tables | |
EP2975438B1 (en) | Multiscale method for reservoir models | |
US11965998B2 (en) | Training a machine learning system using hard and soft constraints | |
WO2017206157A1 (en) | Systems, methods, and computer readable media for enchanced simulation of drilling dynamics | |
EP3531172B1 (en) | Meshless and mesh-based technique for modeling subterranean volumes | |
WO2017206158A1 (en) | Pore pressure prediction | |
US20230359793A1 (en) | Machine-learning calibration for petroleum system modeling | |
US20220145745A1 (en) | Multi-agent drilling decision system and method | |
WO2022155681A1 (en) | Abnormal pressure detection using online bayesian linear regression | |
WO2022026988A1 (en) | Well correlation using global and local machine learning models | |
EP4348362A1 (en) | Machine learning proxy model for parameter tuning in oilfield production operations |
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 |