CN113919219A - 基于测井大数据的地层评价方法及系统 - Google Patents
基于测井大数据的地层评价方法及系统 Download PDFInfo
- Publication number
- CN113919219A CN113919219A CN202111172616.3A CN202111172616A CN113919219A CN 113919219 A CN113919219 A CN 113919219A CN 202111172616 A CN202111172616 A CN 202111172616A CN 113919219 A CN113919219 A CN 113919219A
- Authority
- CN
- China
- Prior art keywords
- logging
- data
- machine learning
- training
- model
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000010801 machine learning Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 239000011435 rock Substances 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000706 filtrate Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 6
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 101150096185 PAAS gene Proteins 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 229930195733 hydrocarbon Natural products 0.000 description 5
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 101001072091 Homo sapiens ProSAAS Proteins 0.000 description 3
- 102100036366 ProSAAS Human genes 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000010459 dolomite Substances 0.000 description 2
- 229910000514 dolomite Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000004005 microsphere Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- UGODCLHJOJPPHP-AZGWGOJFSA-J tetralithium;[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-4-hydroxy-2-[[oxido(sulfonatooxy)phosphoryl]oxymethyl]oxolan-3-yl] phosphate;hydrate Chemical compound [Li+].[Li+].[Li+].[Li+].O.C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP([O-])(=O)OS([O-])(=O)=O)[C@@H](OP([O-])([O-])=O)[C@H]1O UGODCLHJOJPPHP-AZGWGOJFSA-J 0.000 description 2
- 229910021532 Calcite Inorganic materials 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008398 formation water Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 229910052900 illite Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- VGIBGUSAECPPNB-UHFFFAOYSA-L nonaaluminum;magnesium;tripotassium;1,3-dioxido-2,4,5-trioxa-1,3-disilabicyclo[1.1.1]pentane;iron(2+);oxygen(2-);fluoride;hydroxide Chemical compound [OH-].[O-2].[O-2].[O-2].[O-2].[O-2].[F-].[Mg+2].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[K+].[K+].[K+].[Fe+2].O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2 VGIBGUSAECPPNB-UHFFFAOYSA-L 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000004457 water analysis Methods 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
-
- 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
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于测井大数据的地层评价方法及系统，所述方法基于物理模拟和机器学习实现，属于测井技术领域。所述方法包括：获取测井数据，并根据所述测井数据进行机器学习模型训练，获得机器学习模型；采集测井测量值，并根据预设规则进行所述测量值预处理，获得训练样本数据；基于所述机器学习模型进行所述训练样本数据训练，输出计算结果；根据所述计算结果进行对应地层评价。利用了完整的测井数据进行机器学习模型构建，并基于该机器学习模型进行测井数据解释，使得机器学习模型的关联参数更为全面，模型训练结果更加贴合实际情况。
Description
技术领域
本发明涉及测井技术领域，具体地涉及一种基于测井大数据的地层评价方法及一种基于测井大数据的地层评价系统。
背景技术
测井解释是基于测井设备采集的测井数据，研究地下岩石物理性质与渗流特性，寻找和评价油气的综合技术。现有的测井解释技术中，主要包括选取解释模型、建立测井响应方程式、初选解释参数进行试解释，优选解释参数做正式处理和检验解释结果的可靠性等过程。在这个过程中，人为选定解释模型和选择解释模型参数，所以解释人员的经验对于处理和解释结果的准确性起着关键作用。且目前普遍使用测井数据处理软件，是通过对单井测井数据，分析储层的储集特性，找出可能的产层。根据地区经验和测井解释人员知识，计算反映地层特性的主要地质参数，分析可信度。分析产层的束缚水含量，揭示油气层的特性及含油(气)饱和度界限的变化，判断油气层性质。较少应用除测井以外的其它信息约束，进行储层含油、气、水的分析识别，评价油气层丰度和产能，预测产层的含水率。这些是在利用专家经验、测井和岩石物理实验有限数据基础上建立的模型。
因此，在确定对复杂成分地层进行岩性识别时，利用有限的岩性识别测井曲线往往造成误差大，难以满足现场勘探开发需求。另外，对地层的地质参数确定时，由于声、电、核测井方法的限制，难以准确的反映地层孔隙度、渗透率等参数。储层流体识别时，由于受束缚水难以确定的影响，使得油气水层测井解释准确率不高。因此，识别精度不高，模型适用性不强。基于现有测井解释技术存在的诸多问题，需要创造一种新的基于测井大数据的地层评价方法。
发明内容
本发明实施方式的目的是提供一种基于测井大数据的地层评价方法及系统，以至少解决现有测井解释技术准确率低和适用性不强的问题。
为了实现上述目的，本发明第一方面提供一种基于测井大数据的地层评价方法，所述方法基于物理模拟和机器学习实现，所述方法包括：获取测井数据，并根据所述测井数据进行机器学习模型训练，获得机器学习模型；采集测井测量值，并根据预设规则进行所述测量值预处理，获得训练样本数据；基于所述机器学习模型进行所述训练样本数据训练，输出计算结果；根据所述计算结果进行对应地层评价。
可选的，所述机器学习模型包括：测井值归一化模型、岩石物理预测模型、复杂岩性识别模型、油气藏监测模型、力学评价模型。
可选的，所述获取测井数据包括：获取测井模拟数据和测井大数据。
可选的，所述获取所述测井模拟数据，包括：获取影响测井结果的参数，并通过保持变量法获得改变参数与观测目的层的相应参数之间的联动关系；所述改变参数为所述影响测井结果的参数中的一种参数；所述影响测井结果的参数至少包括：泥浆滤液电阻率、井径、侵入带电阻率、侵入带半径、观测目的层厚度；逐一改变所述影响测井结果的参数，获得多个改变参数与观测目的层的相应参数之间的联动关系；根据所述多个改变参数与观测目的层相应参数之间的联动关系，建立测井响应库作为所述测井模拟数据。
可选的，所述获取测井大数据，包括：提取实际生产过程中存储的与测井相关的所有历史数据作为所述测井大数据。
可选的，所述测井测量值包括以下一种或多种：电阻率、泥浆电阻率、井眼直径、地层厚度、围岩电阻率、侵入带直径、侵入带电阻率和测量仪器参数。
可选的，所述根据预设规则进行所述测量值预处理，包括：执行所述测量值对数变换；删除对数变换后的测量值中的离群样本；进行测量值线性刻度变换。
可选的，所述基于所述机器学习模型进行所述训练样本数据训练，输出计算结果，包括：将所述训练样本数据按照预设比例划分为三部分，分别为训练数据、验证数据和测试数据；根据划分的三部分数据进行模型训练，所述模型训练过程基于Encoder-Decoder模型、分类树回归树机器学习算法和使能学习方法实现；输出计算结果。
本发明第二方面提供一种基于测井大数据的地层评价系统，所述系统包括：采集单元，用于获取测井数据，以及用于采集测井测量值；模型构建单元，用于根据所述测井数据进行机器学习模型训练，获得机器学习模型；处理单元，用于根据预设规则进行所述测量值预处理，获得训练样本数据；训练单元，用于基于所述机器学习模型进行所述训练样本数据训练，输出计算结果；所述处理单元还用于根据所述计算结果进行对应地层评价；所述模型构建单元、所述处理单元和所述训练单元均基于私有云计算平台构建。
另一方面，本发明提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的基于测井大数据的地层评价方法。
通过上述技术方案，基于测井数据获得适用实际工况的机器学习模型，然后根据采集的测井数据进行模型训练，获得准确的评价参数，用于评价地层。因为利用了完整的测井数据，使得机器学习模型的关联参数更为全面，模型训练结果更加贴合实际情况。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的基于测井大数据的地层评价方法的步骤流程图；
图2是本发明一种实施方式提供的测井数据获取的流程示意图；
图3是本发明一种实施方式提供的测井测量数据的预处理流程图；
图4是本发明一种实施方式提供的基于测井大数据的地层评价系统的系统结构图。
附图标记说明
10-采集单元；20-模型构建单元；30-处理单元；40-训练单元。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在现有的测井方法中，主要基于专家经验和岩石物理模型进行，其常规的处理解释步骤分为：选取解释模型、建立测井响应方程式、初选解释参数进行试解释，优选解释参数做正式处理和检验解释结果的可靠性等过程。在这个过程中，人为选定解释模型和选择解释模型参数，解释人员的经验对于处理和解释结果的准确性起着关键作用。测井资料综合解释主要用于确定储层所产流体的性质和评价油气层的质量，包括储层的储集、渗透性参数以及评估储层的生产能力。由于解释选择参数多、岩石物理模型属性单一，所以所求参数不能准确反映井下地层实际情况。
目前普遍使用测井数据处理软件，是通过对单井测井数据，分析储层的储集特性，找出可能的产层。根据地区经验和测井解释人员知识，计算反映地层特性的主要地质参数，分析可信度。分析产层的束缚水含量，揭示油气层的特性及含油(气)饱和度界限的变化，判断油气层性质。较少应用除测井以外的其它信息约束，进行储层含油、气、水的分析识别，评价油气层丰度和产能，预测产层的含水率。这些是在利用专家经验、测井和岩石物理实验有限数据基础上建立的模型。在确定对复杂成分地层进行岩性识别时，利用有限的岩性识别测井曲线往往造成误差大，难以满足现场勘探开发需求。另外，对地层的地质参数确定时，由于声、电、核测井方法的限制，难以准确的反映地层孔隙度、渗透率等参数。储层流体识别时，由于受束缚水难以确定的影响，使得油气水层测井解释准确率不高。因此，识别精度不高，模型适用性不强。本发明方案基于私有云计算平台的强大算力，通过整合测井大数据以及物理模拟和机器学习模型，获取地层真参数，发现大数据隐含的测井知识，从数据和专家经验中学习知识，提高解决油气田勘探开发中的复杂问题。
图4是本发明一种实施方式提供的一种基于测井大数据的地层评价系统的系统结构图。如图4所示，本发明实施方式提供一种基于测井大数据的地层评价系统，所述系统包括：采集单元10，用于获取测井数据，以及用于采集测井测量值；模型构建单元20，用于根据所述测井数据进行机器学习模型训练，获得机器学习模型；处理单元30，用于根据预设规则进行所述测量值预处理，获得训练样本数据；训练单元40，用于基于所述机器学习模型进行所述训练样本数据训练，输出计算结果；所述处理单元30还用于根据所述计算结果进行对应地层评价；所述模型构建单元20、所述处理单元30和所述训练单元40均基于私有云计算平台构建。
在本发明实施例中，所述模型构建单元20、所述处理单元30和所述训练单元40均基于私有云计算平台构建。本发明所建立的测井大数据私有云计算平台，包括四个层，首先是平台的算力支撑层，即IAAS；第二是平台支撑层，即PAAS层；第三为软件支撑层，即SAAS层；第四为应用支撑层， APPS，通过API接口，满足用户问题数据上传和结果反馈。在该私有云计算平台上实现，应用机器学习算法快速学习实际地层的真参数，利用测井大数据云计算建立机器学习测井解释模型，以解决测井仪器设计、岩石物理分析、智能测井解释、复杂岩性以及非常规油气评价问题。现有技术是利用测井大数据私有云计算强大的算力、测井大数据以及物理模拟和机器学习模型，获取地层真参数，发现大数据隐含的测井知识，从数据和专家经验中学习知识，提高解决油气田勘探开发中的复杂问题的技术。
它的模拟数据来源由PAAS平台层的模拟模块，提供通过仿真模拟建立测井响应库，数值模拟模块支持微球聚焦、双感应、阵列感应、各种侧向、过套管电阻率测井等数值模拟工程。云计算平台包括模拟模块工程的管理，如何执行计算，计算结果(Session)的管理以及地层模型的操作。数据的另一个来源为测井大数据以及其他相关的测试数据。
优选的，该私有云计算平台配置为，硬件算力支持：Xeon E-7 4核处理器，RAS支持热插拔，512GB DDR内存，可扩展的10块SDD硬盘，数据交换万兆网卡。私有云由四部分架构构成，基础软硬件支持、平台支撑以及软件开发层以及应用层。
基于各种服务水平协议(sla)提供IAAS/PAAS/SAAS/APPS云服务层之间的数据协议。云服务提供商和最终用户或服务的用户组织之间云服务SLA 解决服务可用性、数据完整性、隐私、安全、数据保护等问题。以IAAS为基础的基础架构层。构建的PAAS服务层是支持云平台层,PAAS层是专有软件支持层。SAAS应用程序的应用层，用以提供不同类型的云服务，如测井解释处理应用程序、测井模拟程序等。
该测井大数据云计算平台为私有云平台，为专门用户提供专用软件、终端用户的管理，任务请求和反馈。基础服务平台，提供基础硬件支撑，包括 CPU、GPU、内存、高速数据交换、用于分布式大数据存储处理的SSD硬盘，软件包括测井大数据的协调调度、资源管理、在线离线机器学习算法库、结构、非结构数据库。
虚拟平台服务层，主要提供专有用户接口、用户平台资源管理与配置，开发测试云平台应用软件。软件服务层，用于给专有用户提供应用商店，用户通过互联网接入，一切以云为中心。应用平台包括用户的数据接口端，处理结果显示端。
图1是本发明一种实施方式提供的基于测井大数据的地层评价方法的方法流程图。如图1所示，本发明实施方式提供一种基于测井大数据的地层评价方法，所述方法包括：
步骤S10：获取测井数据，并根据所述测井数据进行机器学习模型训练，获得机器学习模型。
具体的，本发明方案是利用测井大数据云计算建立机器学习测井解释模型，其中需要获取足够体量的训练样本，用于训练获得的解释模型，即机器学习模型。获取测井数据，将测井数据作为构建训练模型的训练样本。其中，测井数据包括测井模拟数据和测井大数据。其中，测井模拟数据为通过各种现有测井装置获取的测井数据；而测井大数据为包含测井数据规律和经验的历史数据。所以，如图2，进行测井数据获取包括以下步骤：
步骤S101：获取测井模拟数据。
具体的，测井模拟数据为通过各种现有测井装置获取的测井数据，电声核测井模拟，包括不同的双侧向仪器、阵列侧向仪器、感应测井仪器、阵列感应测井、微球形聚焦测井仪器、过套管电阻率测井仪器等。可以实现仪器参数设置、地层模型设置，响应数字化等，可以得到电测井的仪器常数(几何因子)、围岩、泥浆侵入、井眼影响等图版以及响应库。该响应库包含了参数改变与测试结果的联动效果，具有极强的规律性。例如，在感应测井中，建立的地层模型为五层对称地层模型，进行数值模拟时保持其余地层参数不变，只改变观测的目的层参数，研究使用保持变量法，计算一次只改变一个参数。改变的参数包括泥浆滤液电阻率、井径、侵入带电阻率、侵入带半径、目的层厚度等等。每计算完成一次，就从模拟平台中导出对应csv格式的数据，通过改变地层参数、井眼以及泥浆参数建立感应测井响应库。基于上述的改变规则，每次改变一个参数，获得各改变参数对应的测井响应库，将包含这些联动关系的测井响应库作为测井模拟数据。
步骤S102：获取测井历史数据。
具体的，测井技术经过从最初的点测井手绘，到光电记录笔，到描图晒图、716格式的磁带记录，到目前的磁盘记录。解释报告图件、不同测井服务公司的采集数据，视频以及语音数据等多样化测井数据格式。这些不同格式存储下来的历史数据，包含大量的测井数据规律，具有很大的参考价值。过套管电阻率测井在内的时移生产测井数据，录井数据，岩心、地层水分析数据，试井测试，随钻测井、录井记录数据，后校正和处理解释的数据。新的测井传感器技术将大容量，多尺度和高维岩石物理数据实时流式数据传输到数据库中。岩石物理测井数据如，测井数字曲线，阵列数据，测井图像，文本和表格它们都可以用深度(连续或离散)或时间对应采集的数据。测井数据也具有多尺度的特点，例如岩心扫描数据具有微米到厘米尺度，而电声成像数据具有毫米到厘米尺度。同样，探测深度范围也明显的深度不同，例如微电阻率、声波、密度、中子和伽马等在厘米尺度，而侧向类在1米尺度内，感应类在2米尺度内，过套管电阻率测井则在10米尺度内，井间声波和电磁则在几百米到1千米范围内。以上数据既具有体积属性，也具有多样性，可变性，可视化和价值等大数据的特征，这些都是测井历史数据的来源。
获得测井数据后，便需要进行机器学习模型构建，首先根据模拟数据开始训练，因为模拟平台能提供对井附近地层电阻率的评估值。在首次迭代时，视电阻率与地层真电阻率误差较大。然后训练模拟数据和测井大数据，寻找特征值，根据特征值，再次利用深度神经网络的自解码技术训练数据，得出模型。
步骤S20：采集测井测量值，并根据预设规则进行所述测量值预处理，获得训练样本数据。
具体的，首先进行测井测量值采集，这些测井测量值包括电阻率、泥浆电阻率、井眼直径、地层厚度、围岩电阻率、侵入带直径、侵入带电阻率和测量仪器参数。用
进行表示，表示与这个参数相关的n个样本。
例如，在井眼电阻率的例子中，每个变量x包含每个特定地球物理量的n个样本，如电阻率，泥浆电阻率，井眼直径，地层厚度，围岩电阻率，侵入带直径、侵入带电阻率以及仪器参数等。每个维度对应于该变量的特定值(样本)。从线性代数角度看来，变量x表示矩阵M或P的一行。获得采集数据后，需要进行预处理，以电阻率测试为例，具体的，如图3，包括以下步骤：
步骤S201：进行电阻率对数变换。
具体的，电阻率变换公式为：
对于某些地球物理变量(如电阻率)，这种变量的变化确保等尺寸的相对误差与相似尺寸的绝对误差相对应错误。因此，这种变量的改变允许我们执行局部(在变量)的比较。
步骤S202：删除离群样本。
具体的，在实践中，离群值测量通常是显示在示例数据库中。这些异常值的出现是由于测量错误或物理性质错误的问题。这部分异常值需要进行过滤，避免影响后续的训练结果。例如，在井眼电阻率测量，一些视电阻率测量接近无穷大，在测井中产生喇叭型。当在任何第i个样本的特定变量xi，那么整个样本应该是移除。否则，离群值测量会影响整个最小化过程问题，导致糟糕的数值结果。去除过程可能是自动使用统计指标，还是由用户决定基于关于这个问题的先验物理知识。
步骤S203：线性刻度变换。
具体的，引入一个线性缩放映射到间隔[0；1)。我们选择这个区间，因为它一个正态(或均匀)分布变量的单位长度和平均值X等于1。设xmin为列特性的最小值，xmax为列特性的最大值。定义为：
Rlin(x)＝[(x1-xmin)/(xmax-xmin),…,(xn-xmin)/(xmax-xmin)]
对于所有可能的近似，极限xmin和xmax是固定的。这种变量的变化能对不同变量对应的错误进行全局比较，因为它们都取值在同一区间范围内。根据训练数据集的大小和收敛所需的迭代次数，这可能会导致数百万次正演函数结果评价。解决如此多次的正演问题是非常耗时的。即使有1.5D的模式匹配模拟。而且，大多数正向求解器都是在CPU架构上实现，同时训练DNN 正常发生在GPU。这需要GPU和CPU，这进一步减慢了训练过程。
步骤S30：基于所述机器学习模型进行所述训练样本数据训练，输出计算结果。
具体的，优选的，为克服正演计算慢且受模拟方法的影响，使用一个 DNN网络模拟近似正演函数,另一个为反演函数，利用损失函数构建自动解码器。使用Encoder-Decoder(编码器-解码器)进行模型训练。将训练数据拆分为三部分，包括训练数据、验证数据和测试数据。例如，使用80％的样本来训练DNN,10％用于验证，剩下的10％用于测试。考虑两种DNN网络来得到分别近似正演模型F和反演模型函数I。正演函数F是适定的连续函数，而反演函数I，也适用于连续函数。利用Tensorflow 2.0和Keras库或 Pytorch实现DNN。机器学习的分类和回归算法在测井技术上的主要应用，包括岩性分类、测井数据修复、测井地层参数反演、地层横波提取以及虚拟测井曲线等。分类对于测井技术而言，主要用于测井岩性识别。分类树回归树机器学习算法的函数为：
Ynew＝predict(tree,Xnew)
其中，Xnew为新数据，predict为训练学习的函数，tree为所选的树分类方法。利用交叉验证是为了更好地了解树对新数据的预测准确性。通常，交叉验证会拆分训练数据随机分成10个部分它训练了10棵新树，每棵树上有9棵树数据。然后，它检查了树上每个新树的预测准确性训练树中未包含的数据。这种方法给出了很好的估计生成树的预测精度的说明，因为它可以测试新树在新数据上的准确率或精度。
优选的，还基于使能学习方法进行训练，使能学习方法是将许多弱学习者的结果融合到一种高质量的整体预测器中。这些方法与可以是相同的语法，因此可以尝试不同的方法，根据需求探索出合适的精度最好的方法。其函数为：
ens＝fitensemble(X,Y,model,numberens,learners)
其中X为数据矩阵，每一行包含一个观测值，每一列包含一个预测变量。 Y为响应，具有与X中的行相同数量的观察值。model是代表使用方法的类型。数字是指每个要素中以ENS为单位的弱学习者数量。因此，ens的元素数是学习者中的元素数量。评价学习质量的方法。首先在独立的测试集上评估整体，也可以通过交叉验证来评估整体。Bagging方法，是要将弱学习者 (例如决策树)放在数据集上，通过随机选择N个观察值来获取每个引导副本N个中有替换项，其中N是数据集大小。在深度神经网络迭代中发现最大相关系数，最小相关系数。改进深度神经网络输入，减少成本函数误差。设定成本误差绝对值为0.001欧姆米，终止迭代。认为计算出的视电阻率为地层真电阻率。
优选的，机器学习模型包括：测井值归一化模型、岩石物理预测模型、复杂岩性识别模型、油气藏监测模型和力学评价模型。
步骤S40：根据所述计算结果进行对应地层评价。
具体的，获得准确的计算结果后，该计算结果是根据各机器学习模型的综合考量因素获得，基于该计算结果便可以获得对应机器学习模型需求的地层评价结果。例如是否存在复杂岩性，力学评价结果等。
实施例1：
测井值归一化模型应用方法，通常认为测井信号是由地层信号，随机噪声和系统误差组成。测井归一化是对测井值应用校正偏移以最小化系统误差为目的的过程。机器学习方法可以解决多井测井值归一化问题，该方法特别适用涉及数百个数据质量和年份不同的井。使用来自参考井中参考单元的测井数据训练预测性机器学习模型，并使用基于回归的优化算法来求解恒定偏移量，然后用作其余井的测井的归一化校正。用自然伽马作为深度匹配的机器学习算法，可以用作匹配同一井内的其他测井值做深度匹配，这是通过有监督的神经网络机器学习算法来实现的。这为测井解释精度提高奠定质量基础。
实施例2：
岩石物理预测模型应用方法，应用岩石物理图像时，首先像素归一化，其中包括对像素参数统一计量，刻度值大小和分辨率。深度学习方法不仅可以对岩石图像进行分类，而且还可以估计岩石的物性参数。直接从用作输入的3D图像中识别出不同的描述符。使用卷积神经网络建模和使TensorFlow 深度学习进行有监督的训练。孔隙度的变化趋势验证了训练数据集和机器学习测试结果之间有良好一致性，这说明了深度学习方法在岩心表征中的潜力，将来可以规模化应用于基于岩心扫描图像的岩石物理数据库上。直接通过图像识别神经网络从图像中快速预测渗透率是一种具有巨大潜力的新型孔隙尺度建模方法。使用可用的测井数据对神经网络方法进行了孔隙度和含水饱和度训练，它可以准确地确定孔隙度和含水饱和度，尤其是有泥质砂岩储层的实验岩心测试值作为约束的情况下，所建立的相关性效果很好。
实施例3：
复杂岩性识别模型应用方法，致密砂岩虽具有勘探和开发的巨大潜力，但其复杂的储层组成却变得越来越复杂。目前，测井的便捷解释面临更加难以识别岩性，评估和监测储层以及预测产量的难题。仅利用特征的常规的岩性测井曲线来识别页岩，石膏岩，石灰岩和白云岩中致密砂岩的岩性未取得良好的效果，因为内在测井响应信噪比低。机器学习技术可以使用较多的特征曲线来识别岩性，并且可以使用回归来修复不良井中丢失的数据。在许多特征曲线，AC(声波测井曲线)、SP(自然电位测井曲线)、GR(自然伽马测井曲线)和CAL(井径测井曲线)被用来训练油井数据。采用决策树，支持向量机，KNN，Ensemble，深度神经网络等方法进行优化学习。结果表明，采用集成法对袋装树进行训练，其训练精度几乎达到98.5％，预测值达到94.3％，机器学习岩性识别声波井径数据可视化交会图，机器学习岩性识别准确率对比，尤其是，在广泛的孔隙度和孔隙几何形状(尤其是孔隙较大的孔隙)中，它们具有出色的预测性能。综合神经网络分类器和集成方法为测井分类和预测问题提供了更令人满意的结果。
使用地球物理测井数据应用机器学习来准确识别岩性，最佳分类器是神经网络，其次是支持向量机和k最近邻法。在用多条曲线进行储层质量分类时，第一组采用GR、AC、CNL(中子测井曲线)、DEN(密度测井曲线)、 RD(深侧向电阻率)、RS、RD/RS、RD-RS学习；第二组采用GR、AC、CNL、DEN、RD、RS学习；第三组采用GR、AC、CNL、RD、RS、RD/RS、 RD-RS学习；第四组采用GR、AC、CNL、RD、RS；第五组采用GR、AC 学习。应用不同特征值及机器学习准确率，见表1。
| 组\算法 | 分类树(％) | KNN(％) | 集成学习(％) | 特征曲线数 |
| 1 | 63.8 | 69.7 | 89.4 | 8 |
| 2 | 61.3 | 73.9 | 73.9 | 6 |
| 3 | 66.1 | 80.5 | 80.5 | 7 |
| 4 | 58.6 | 76.3 | 76.3 | 5 |
| 5 | 68.4 | 72.1 | 72.1 | 2 |
表一多种测井曲线下的及其学习储层分类结果对比
实施例4：
油气藏监测模型应用方法，从单井扩展到气藏，可以有效了解这个气藏的含气饱和度变化规律，从而降低开发风险。机器学习能解决了更新3D静态模型和油藏参数预测问题。将裸眼井与套管井测井数据进行标准化，深度匹配，应用数字岩心技术，根据测井岩性曲线机器学习相关分析，建立随沉积相变化的可变m,n的阿尔奇含气饱和度计算方法，在套管井测量不同时间段的数据，实现气藏的动态监测，进而实现时间序列上的产能预测。
基于云计算平台的机器学习解决气藏监测运行成本更低，更准确且速度更快，其实现过程。数据驱动的机器学习预测分析已应用于具有大量数据的气藏监测与管理。这些技术包括K最近邻(KNN)、支持向量机回归、核岭回归、随机森林、自适应增强(Adaboost)、深度神经网络等。使用机器学习方法进行含时间序列的4D储层物性变化预测的可行性。结合声电模拟算法和过套管电声测井资料，可实现油藏动态监测及油井产能及寿命预测。油藏监测的纵向含气饱和度变化分布成果图，其中黄色部分为含气厚度和饱和度在多井纵向上的分布。经过生产测试，最终在第一、三气藏的井L48第一个、第二层段发现高产气层，合采日产气3284万方，水3.3方；在第一、二、三气藏的井L172井的三个层段有气水同产层，日产气3.1万方、水3.4 方。
实施例5：
力学评价模型应用方法，应用机器学习方法可以预测横波，这在软地层中很难获取。能应用机器学习的方法从各种常规测井曲线中预测剪切波速度，但该方法除使用纵速度测井作为特征值外，还使用了其他几种测井测量值，如自然伽马、密度、中子、电阻率、孔隙率和饱和度等测井曲线。它是对已有的具有横波速度测井数据集训练，并验证机器学习模型。特征选择过程以突出显示哪些测井曲线是剪切速度(VS)的良好预测指标。然后训练各种回归模型，并通过其均方根误差(RMSE)将预测值与各种模型的实际值进行比较，然后选择具有最小RMSE的模型。再对数据集中的另一口井进行预测，该井用作验证集。这种方法在缺少剪切声波测井的情况下将提供更高的精度，并且对于地质力学，岩石物理学和其他应用尤为重要。利用机器学习中的回归预测，修复扩径段横波数据，用于评价致密含气砂岩储层各向异性结果，见图2。储层各向异性指数，它是表示储层不同方向矿物颗粒、分层、裂缝、应力等引起横波速度随方向变化，是用快慢横波速度之差来度量的，可以用下式来定义：
其中S1慢横波时差，S2快横波时差，△S＝S1-S2。泊松比和杨氏模量用于评价页岩或致密砂岩储层脆性所必须的两个参数，它可以从偶极声波测井和体积密度测井中估算出来。研究的结果，其中横波慢度与泥质或页岩含量值相关。深度神经网络能将剪切测井数据与其他测井值建立关联。尤其在夹有碎屑岩的页岩储层，由于薄的叠层，储层表现出各向异性情况下。当井眼条件不平，井眼内部存在复杂的泥浆流变和天热气涌入时，很难获得可靠的水平横波时差。为了消除从Stoneley波获得水平剪切慢度的不确定性，集成学习方法中的随机森林算法具有更大潜力的预测能力。在回归算法中，把方解石、白云石、石英、伊利石的干重比值，总孔隙率、渗透率、伽马射线、纵波时差作为特征参数，能更好地获取横波参数。
在一种可能的实施方式中，本发明方案还用于仿真模拟，对于电声测井来说，这种建模模拟通常需要较长的计算时间，以及大量的计算机资源和人工干预。可以用机器学习来替代冗长且昂贵的模型构建过程。测井模拟需要，钻孔尺寸，套管数，水泥的存在，流体参数，岩性，孔隙度和孔隙空间中的流体类型参数用于仪器的响应建模，在现有的硬件条件下，存在计算效率低，响应结果分析困难等问题。机器学习可以替代了此过程，利用已有的模拟结果学习，预测未知的井眼、地层条件，将各种机器学习算法应用于这些已有的模拟数据，利用深度神经网络的自动解码器生成正演预测模型。在机器学习模型的预测与在验证数据集的模拟计算数据对比，精度可以达到90％以上。
本发明实施方式还提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的基于测井大数据的地层评价方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种基于测井大数据的地层评价方法，所述方法基于物理模拟和机器学习实现，其特征在于，所述方法包括：
获取测井数据，并根据所述测井数据进行机器学习模型训练，获得机器学习模型；
采集测井测量值，并根据预设规则进行所述测量值预处理，获得训练样本数据；
基于所述机器学习模型进行所述训练样本数据训练，输出计算结果；
根据所述计算结果进行对应地层评价。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括：
测井值归一化模型、岩石物理预测模型、复杂岩性识别模型、油气藏监测模型、力学评价模型。
3.根据权利要求1所述的方法，其特征在于，所述获取测井数据包括：
获取包括测井模拟数据和测井历史数据的测井大数据。
4.根据权利要求3所述的方法，其特征在于，所述获取所述测井模拟数据，包括：
获取影响测井结果的参数，并通过保持变量法获得改变参数与观测目的层的相应参数之间的联动关系；所述改变参数为所述影响测井结果的参数中的一种参数；
所述影响测井结果的参数至少包括：泥浆滤液电阻率、井径、侵入带电阻率、侵入带半径、观测目的层厚度；
逐一改变所述影响测井结果的参数，获得多个改变参数与观测目的层的相应参数之间的联动关系；
根据所述多个改变参数与观测目的层相应参数之间的联动关系，建立测井响应库作为所述测井模拟数据。
5.根据权利要求3所述的方法，其特征在于，所述获取测井大数据，包括：
提取实际生产过程中存储的与测井相关的所有历史数据作为所述测井历史数据。
6.根据权利要求1所述的方法，其特征在于，所述测井测量值包括以下一种或多种：
电阻率、泥浆电阻率、井眼直径、地层厚度、围岩电阻率、侵入带直径、侵入带电阻率和测量仪器参数。
7.根据权利要求6所述的方法，其特征在于，所述根据预设规则进行所述测量值预处理，包括：
执行所述测量值对数变换；
删除对数变换后的测量值中的离群样本；
进行测量值线性刻度变换。
8.根据权利要求1所述的方法，其特征在于，所述基于所述机器学习模型进行所述训练样本数据训练，输出计算结果，包括：
将所述训练样本数据按照预设比例划分为三部分，分别为训练数据、验证数据和测试数据；
根据划分的三部分数据进行模型训练，所述模型训练过程基于Encoder-Decoder模型、分类树回归树机器学习算法和使能学习方法实现；
输出计算结果。
9.一种基于测井大数据的地层评价系统，其特征在于，所述系统包括：
采集单元，用于获取测井数据，以及用于采集测井测量值；
模型构建单元，用于根据所述测井数据进行机器学习模型训练，获得机器学习模型；
处理单元，用于根据预设规则进行所述测量值预处理，获得训练样本数据；
训练单元，用于基于所述机器学习模型进行所述训练样本数据训练，输出计算结果；
所述处理单元还用于根据所述计算结果进行对应地层评价；
所述模型构建单元、所述处理单元和所述训练单元均基于私有云计算平台构建。
10.一种计算机可读储存介质，其特征在于，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行权利要求1-8中任一项权利要求所述的基于测井大数据的地层评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111172616.3A CN113919219A (zh) | 2021-10-08 | 2021-10-08 | 基于测井大数据的地层评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111172616.3A CN113919219A (zh) | 2021-10-08 | 2021-10-08 | 基于测井大数据的地层评价方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919219A true CN113919219A (zh) | 2022-01-11 |
Family
ID=79238251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111172616.3A Pending CN113919219A (zh) | 2021-10-08 | 2021-10-08 | 基于测井大数据的地层评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113919219A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492627A (zh) * | 2022-01-25 | 2022-05-13 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
| CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
| CN114818076A (zh) * | 2022-05-09 | 2022-07-29 | 东北石油大学 | 一种基于机器学习的断层封闭烃柱高度评价方法 |
| CN115393656A (zh) * | 2022-10-26 | 2022-11-25 | 中石化经纬有限公司 | 一种用于随钻测井图像地层分类的自动分类方法 |
| CN115587542A (zh) * | 2022-11-02 | 2023-01-10 | 四川奥凸水处理系统工程有限公司 | 基于强化学习的地下水反演仿真方法、系统、设备及介质 |
| CN115688613A (zh) * | 2023-01-03 | 2023-02-03 | 成都理工大学 | 基于多目标蜉蝣算法优化的碳酸盐岩储层渗透率预测方法 |
| CN115726776A (zh) * | 2022-11-24 | 2023-03-03 | 西南石油大学 | 一种非常规油气藏经验产量递减模型优选方法 |
| CN117005846A (zh) * | 2023-07-25 | 2023-11-07 | 成都理工大学 | 致密砂岩油气藏条件下电阻率测井侵入校正方法及系统 |
-
2021
- 2021-10-08 CN CN202111172616.3A patent/CN113919219A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492627A (zh) * | 2022-01-25 | 2022-05-13 | 成都理工大学 | 一种基于改进knn算法的页岩脆性指数预测方法 |
| CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
| CN114818076A (zh) * | 2022-05-09 | 2022-07-29 | 东北石油大学 | 一种基于机器学习的断层封闭烃柱高度评价方法 |
| CN115393656A (zh) * | 2022-10-26 | 2022-11-25 | 中石化经纬有限公司 | 一种用于随钻测井图像地层分类的自动分类方法 |
| CN115587542A (zh) * | 2022-11-02 | 2023-01-10 | 四川奥凸水处理系统工程有限公司 | 基于强化学习的地下水反演仿真方法、系统、设备及介质 |
| CN115726776A (zh) * | 2022-11-24 | 2023-03-03 | 西南石油大学 | 一种非常规油气藏经验产量递减模型优选方法 |
| CN115688613A (zh) * | 2023-01-03 | 2023-02-03 | 成都理工大学 | 基于多目标蜉蝣算法优化的碳酸盐岩储层渗透率预测方法 |
| CN115688613B (zh) * | 2023-01-03 | 2023-03-10 | 成都理工大学 | 基于多目标蜉蝣算法优化的碳酸盐岩储层渗透率预测方法 |
| CN117005846A (zh) * | 2023-07-25 | 2023-11-07 | 成都理工大学 | 致密砂岩油气藏条件下电阻率测井侵入校正方法及系统 |
| CN117005846B (zh) * | 2023-07-25 | 2024-02-23 | 成都理工大学 | 致密砂岩油气藏条件下电阻率测井侵入校正方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
| US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
| CN105190366B (zh) | 使用饱和度及核磁共振测井数据确定地表下地层的连续毛细管压力曲线 | |
| CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
| CN103026202A (zh) | 获取多孔介质的相容和综合物理性质的方法 | |
| EP3077618B1 (en) | Tuning digital core analysis to laboratory results | |
| Zhu et al. | Inversion of the permeability of a tight gas reservoir with the combination of a deep Boltzmann kernel extreme learning machine and nuclear magnetic resonance logging transverse relaxation time spectrum data | |
| Li et al. | Pore type identification in carbonate rocks using convolutional neural network based on acoustic logging data | |
| CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
| Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
| US11346968B2 (en) | Estimation of reservoir flow properties from seismic data | |
| US11719851B2 (en) | Method and system for predicting formation top depths | |
| Niri et al. | Metaheuristic optimization approaches to predict shear-wave velocity from conventional well logs in sandstone and carbonate case studies | |
| CN114402233A (zh) | 正演沉积模型的自动校准 | |
| US11953647B2 (en) | System and method for radioactivity prediction to evaluate formation productivity | |
| Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection | |
| US20230367031A1 (en) | Building scalable geological property models using machine learning algorithms | |
| CN114528746A (zh) | 复杂岩性识别方法、识别系统、电子设备及存储介质 | |
| Ashayeri et al. | Using the Adaptive Variable Structure Regression Approach in Data Selection and Data Preparation for Improving Machine Learning-Based Performance Prediction in Unconventional Plays | |
| CN111815769A (zh) | 逆冲推覆构造带构造的建模方法、计算设备及存储介质 | |
| CN114063169B (zh) | 一种波阻抗反演方法、系统、设备和存储介质 | |
| CN118732037A (zh) | 一种储层厚度的预测方法及装置 | |
| Khetani et al. | Prediction of Geo-mechanical Parameter Logs from Petrophysical Well Logs using Machine Learning Approach | |
| CN117368966A (zh) | 基于深度学习的储层孔隙度预测方法、装置、设备及介质 | |
| Lin et al. | A deep-learning framework for borehole formation properties prediction using heterogeneous well-logging data: A case study of a carbonate reservoir in the Gaoshiti-Moxi area, Sichuan Basin, China |
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 |