CN114169457B - 基于岩心重建的风暴岩测井识别方法 - Google Patents
基于岩心重建的风暴岩测井识别方法 Download PDFInfo
- Publication number
- CN114169457B CN114169457B CN202111515553.7A CN202111515553A CN114169457B CN 114169457 B CN114169457 B CN 114169457B CN 202111515553 A CN202111515553 A CN 202111515553A CN 114169457 B CN114169457 B CN 114169457B
- Authority
- CN
- China
- Prior art keywords
- storm
- logging
- rock
- data
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Neurology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于岩心重建的风暴岩测井识别方法,包括以下步骤:S1、构建岩心身份数据库:观察分析风暴段岩心,与同深度测井数据构成数据库,测井数据类型包括CALI、DT、AC、GR、NPHI、RHOB、RT和RXO八类;S2、训练具有监督学习功能的风暴岩测井识别网络模型;S3、利用建立的风暴岩测井识别网络模型对测井信号进行识别。本发明通过建立具有监督学习功能的风暴岩测井识别网络模型,提高了风暴岩识别的准确性,能够有效辅助岩相古地理的重建。
Description
技术领域
本发明属于岩心重建技术领域,特别涉及一种基于岩心重建的风暴岩测井识别方法。
背景技术
岩心重建(Core Construction):岩心重建技术利用连续岩心上事件性地质显示,利用岩心中岩石组成在性质、含量及空间分布的特点,结合岩石孔隙度、渗透率等岩石物理参数,构建岩石物理模型,形成地质事件的岩心身份卡,最终构建岩心身份数据库。
风暴岩:20世纪60年代开始,国外对风暴沉积和风暴岩的开始有了初步研究,对低纬度地区碳酸盐沉积区的风暴、飓风引起的沉积展开了研究。国内对风暴沉积的研究从20世纪80年代初开始,以刘宝珺为代表的多位学者对风暴沉积进行了深入研究。近年来我国风暴沉积在重建古地理、确定沉积环境等方面取得了一系列重大进展。
岩心重建技术数字岩心建模方法有2大类,物理实验方法和数值重建方法。物理实验方法是借助高倍光学显微镜、扫描电镜和CT成像仪等高精度仪器获取岩心的二维图像,对二维图像进行三维重建即可得到三维数字岩心;数值重建方法则借助岩心二维图像等少量资料,通过图像分析提取建模信息,采用重建算法建立数字岩心。
现有的神经网络岩性测井识别技术利用全连接BP神经网络,对取心段岩心和测井数据进行学习,结合梯度下降法不断优化各神经网络的参数,建立测井-岩性映射关系,具体步骤如下:
(1)鉴定取心段岩石岩性、岩石结构和岩石物理性质。
(2)统计取心段对应测井数据种类、曲线在纵向上的数据完整性。
(3)选择纵向完整性大于90%的测井数据进行全区域对比,筛选全区域均覆盖的测井数据进行相关性分析,选择相关系数(R)大于0.85的曲线取心段数据作为训练样本,建立训练集。
(4)建立神经网络模型,通常选择4-6层BP神经网络,调整神经网络参数。
(5)编写代码,进行运算,输出岩性预测结果。
现有岩性测井神经网络模型通常忽略了岩心资料,仅把岩石学鉴定结果作为数据库作为数据标签,忽视了岩心上记录的其他信息。具体忽略内容如下:
(1)缺少岩心观察刻度并论证测井数据的地质含义。测井地质研究长久缺失与岩心信息的结合。测井数据影响因素众多,包含矿物组分、孔隙分布和含流体性质。矿物组分直接决定了岩石的声、光、力、热、电等物理信息,孔隙分布和含流体性质造成了物理信息的进一步改变。
(2)缺少地质事件的数字化刻画。地质事件产生的最大特点就是突变性,它具有多种研究意义:有些有等时意义。如与气候事件有关的风暴岩,它的辨识有重要的地层对比价值,可能有助于解开复杂地区的地层对比难题;有些有指相意义。如与河流作用有关的冲刷面,它的辨识具有重要指相作用;有些有地层识别意义。如相似沉积条件下,沉积水动力条件差异的测井识别,它们的辨识具有区分不同地层的作用等。
发明内容
本发明的目的在于克服现有技术的不足,提供一种通过建立具有监督学习功能的风暴岩测井识别网络模型,提高了风暴岩识别的准确性,能够有效辅助岩相古地理的重建的基于岩心重建的风暴岩测井识别方法。
本发明的目的是通过以下技术方案来实现的:基于岩心重建的风暴岩测井识别方法,包括以下步骤:
S1、构建学习样本及岩心身份数据库:采集不同种类的测井曲线数据作为学习样本,并随机抽取测井数据中25%的带风暴岩标签的测井数据作为岩心身份数据库,测井数据包括CALI、DT、AC、GR、NPHI、RHOB、RT和RXO八类;并对岩心身份数据库中测井数据进行岩性标注,区分风暴段与非风暴段;
S2、训练具有监督学习功能的风暴岩测井识别网络模型,具体步骤如下:
S21、数据预处理:对测井数据进行归一化处理;
S22、建立BP神经网络模型,BP神经网络模型包含5层:第一层为全连接层,包含1000个神经元,激活函数为elu;第二层为全连接层,包含500个神经元,激活函数为selu;第三层为全连接层,包含250个神经元,激活函数为tanh;第四层为全连接层,包含125个神经元,激活函数为softsign;第五层为输出层,利用softmax函数进行分类,分类方法为二分类;
S23、将测井数据输入BP神经网络模型进行训练,输入信号为CALI、DT、AC、GR、NPHI、RHOB、RT和RXO八类测井数据,输出信号包括风暴岩标签,以及由矿物组成、平均颗粒直径、流体性质、孔隙度、渗透率组成的标签特征;风暴岩标签为1或0,为1表示输入测井信号为风暴岩测井数据,为0则表示不是风暴岩测井数据;
S23、采用K-NearestNeighbor算法建立损失函数刻画监督机制;
S3、利用建立的风暴岩测井识别网络模型对测井信号进行识别。
进一步地,所述步骤S21中,归一化处理后的数据表示为:
其中,Li为测井数据上第i个数据点的值,Lmax、Lmin分别为测井数据上数据点的最大值和最小值。
进一步地,所述步骤S23具体实现方法为:根据BP神经网络模型输出的风暴岩标签得到风暴岩和非风暴岩测井数据;判断风暴岩测井数据样本中的每类测井数据是否满足类中任意两个样本的距离小于类中任意一个样本到另一类中任意一个样本的距离,表示为:
Rp表示任一类测井数据样本;d(X,Xi)表示同一类中两个样本X与Xi的距离,d(X,Xm)表示样本X与另一个类中样本Xm的距离;
若样本满足上述条件,则计算风暴岩测井曲线与在BP神经网络模型和身份数据库中两种不同的标签特征的距离,若两类样本不满足条件;则结束本轮网络训练,调整神经元的权重参数重新进行训练;
得到测井数据Xi在BP神经网络模型和身份数据库中两种不同的标签特征的距离为:
若二者的距离小于预设的阈值,则认为BP神经网络识别结果正确,BP神经网络的损失函数加0,否则认为BP神经网络识别结果不正确,BP神经网络的损失函数加1;
所有测井数据识别完成后,得到训练轮次-损失值的损失函数;并利用随机梯度下降算法寻找损失函数的全局最小值,基于训练数据迭代地更新神经网络权重,优化器训练伦次为1500,每次的训练样本数据大小为300。
本发明的有益效果是:本发明通过建立具有监督学习功能的风暴岩测井识别网络模型,提高了风暴岩识别的准确性,能够有效辅助岩相古地理的重建。
附图说明
图1为本发明的基于岩心重建的风暴岩测井识别方法的流程图;
图2为本发明的神经网络训练结果图。
具体实施方式
监督神经网络(Supervised Neural Network):监督神经网络是监督学习算法与BP神经网络算法的结合。监督学习是从给定的训练数据集中学习出一个函数(模型参数),当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求包括特征和目标,且训练集中的目标是由人标注的。监督学习通过已有的训练样本(即已知数据及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优表示某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的。也就具有了对未知数据分类的能力。监督神经网络中,实现学习功能的函数就是一个BP神经网络。BP神经网络(Back Propagation Neural Network)是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
BP神经网络是一种多层的前馈神经网络,其主要的特点是:信号是前向传播的,而误差是反向传播的。它模拟了人脑的神经网络的结构,而人大脑传递信息的基本单位是神经元,人脑中有大量的神经元,每个神经元与多个神经元相连接。BP神经网络,类似于上述,是一种简化的生物模型。每层神经网络都是由神经元构成的,单独的每个神经元相当于一个感知器。输入层是单层结构的,输出层也是单层结构的,而隐藏层可以有多层,也可以是单层的。输入层、隐藏层、输出层之间的神经元都是相互连接的,为全连接。总得来说,BP神经网络结构就是,输入层得到刺激后,会把他传给隐藏层,至于隐藏层,则会根据神经元相互联系的权重并根据规则把这个刺激传给输出层,输出层对比结果,如果不对,则返回进行调整神经元相互联系的权值。这样就可以进行训练,最终学会,这就是BP神经网络模型。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中,每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种基于岩心重建的风暴岩测井识别方法,包括以下步骤:
S1、构建学习样本及岩心身份数据库:采集不同种类的测井曲线数据作为学习样本,并随机抽取测井数据中25%的带风暴岩标签的测井数据作为岩心身份数据库,测井数据包括CALI、DT、AC、GR、NPHI、RHOB、RT和RXO八类;并对岩心身份数据库中测井数据进行岩性标注,区分风暴段与非风暴段;
S2、训练具有监督学习功能的风暴岩测井识别网络模型,具体步骤如下:
S21、数据预处理:对测井数据进行归一化处理;归一化处理后的数据表示为:
其中,Li为测井数据上第i个数据点的值,Lmax、Lmin分别为测井数据上数据点的最大值和最小值。然后利用shuffle函数打乱学习样本,基于30%采样率随机切片,将70%的样本划分为训练集用于训练模型,将30%的样本划分为验证集用于验证模型的识别效果。
S22、建立BP神经网络模型,BP神经网络模型包含5层:第一层为全连接层,包含1000个神经元,激活函数为elu;第二层为全连接层,包含500个神经元,激活函数为selu;第三层为全连接层,包含250个神经元,激活函数为tanh;第四层为全连接层,包含125个神经元,激活函数为softsign;第五层为输出层,利用softmax函数进行分类,分类方法为二分类;
S23、将测井数据输入BP神经网络模型进行训练,CALI(井径)、DT(声波)、AC(声波时差)、GR(自然伽马)、NPHI(中子)、RHOB(地层体密度)、RT(地层真电阻率)、RXO(冲洗带地层电阻率)八类测井数据,输出信号包括风暴岩标签,以及由矿物组成、平均颗粒直径、流体性质、孔隙度、渗透率组成的标签特征;风暴岩标签为1或0,为1表示输入测井信号为风暴岩测井数据,为0则表示不是风暴岩测井数据;
S23、采用K-NearestNeighbor算法建立损失函数刻画监督机制;具体实现方法为:
根据BP神经网络模型输出的风暴岩标签得到风暴岩和非风暴岩测井数据;判断风暴岩测井数据样本中的每类测井数据是否满足类中任意两个样本的距离小于类中任意一个样本到另一类中任意一个样本的距离,表示为:
Rp表示任一类测井数据样本;d(X,Xi)表示同一类中两个样本X与Xi的距离,d(X,Xm)表示样本X与另一个类中样本Xm的距离;
若样本满足上述条件,则计算风暴岩测井曲线与在BP神经网络模型和身份数据库中两种不同的标签特征的距离,若两类样本不满足条件;则结束本轮网络训练,调整神经元的权重参数重新进行训练;
得到测井数据Xi在BP神经网络模型和身份数据库中两种不同的标签特征的距离为:
若二者的距离小于预设的阈值,则认为BP神经网络识别结果正确,BP神经网络的损失函数加0,否则认为BP神经网络识别结果不正确,BP神经网络的损失函数加1;
所有测井数据识别完成后,得到训练轮次-损失值的损失函数:Loss=Σepoch,ifd(Xi,x′i)≤1,epoch=0;else,epoch=1。利用随机梯度下降算法寻找损失函数的全局最小值,基于训练数据,利用python里的内置循环工具迭代地更新神经网络权重,工具会记录两轮训练之间参数调整的模式。循环工具会先试着随机多次改变参数,直到某次试验参数的误差变小,就认为调整的方向是正确的。下一次调整权重时就是在上一次的权重值附近小范围搜索。优化器训练伦次为1500,每次的训练样本数据大小为300。
S3、利用建立的风暴岩测井识别网络模型对测井信号进行识别。
图2为本发明的BP神经网络训练的识别正确率和网络损失值函数,其中,A是神经网络训练的正确率,B是神经网络的损失值。Train是用于训练的样本,Valiation是未参与训练,专门用于检验的样本。从图中可以看出,本发明具有较高的识别正确率。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.基于岩心重建的风暴岩测井识别方法,其特征在于,包括以下步骤:
S1、构建学习样本及岩心身份数据库:采集不同种类的测井曲线数据作为学习样本,并随机抽取测井数据中25%的带风暴岩标签的测井数据作为岩心身份数据库,测井数据包括CALI、DT、AC、GR、NPHI、RHOB、RT和RXO八类;并对岩心身份数据库中测井数据进行岩性标注,区分风暴段与非风暴段;
S2、训练具有监督学习功能的风暴岩测井识别网络模型,具体步骤如下:
S21、数据预处理:对测井数据进行归一化处理;
S22、建立BP神经网络模型,BP神经网络模型包含5层:第一层为全连接层,包含1000个神经元,激活函数为elu;第二层为全连接层,包含500个神经元,激活函数为selu;第三层为全连接层,包含250个神经元,激活函数为tanh;第四层为全连接层,包含125个神经元,激活函数为softsign;第五层为输出层,利用softmax函数进行分类,分类方法为二分类;
S23、将测井数据输入BP神经网络模型进行训练,输入信号为CALI、DT、AC、GR、NPHI、RHOB、RT和RXO八类测井数据,输出信号包括风暴岩标签,以及由矿物组成、平均颗粒直径、流体性质、孔隙度、渗透率组成的标签特征;风暴岩标签为1或0,为1表示输入测井信号为风暴岩测井数据,为0则表示不是风暴岩测井数据;
S24、采用K-NearestNeighbor算法建立损失函数刻画监督机制;具体实现方法为:根据BP神经网络模型输出的风暴岩标签得到风暴岩和非风暴岩测井数据;判断风暴岩测井数据样本中的每类测井数据是否满足类中任意两个样本的距离小于类中任意一个样本到另一类中任意一个样本的距离,表示为:
Rp表示任一类测井数据样本;d(X,Xi)表示同一类中两个样本X与Xi的距离,d(X,Xm)表示样本X与另一个类中样本Xm的距离;
若样本满足上述条件,则计算风暴岩测井曲线与在BP神经网络模型和身份数据库中两种不同的标签特征的距离,若两类样本不满足条件;则结束本轮网络训练,调整神经元的权重参数重新进行训练;
得到测井数据Xi在BP神经网络模型和身份数据库中两种不同的标签特征的距离为:
若二者的距离小于预设的阈值,则认为BP神经网络识别结果正确,BP神经网络的损失函数加0,否则认为BP神经网络识别结果不正确,BP神经网络的损失函数加1;
所有测井数据识别完成后,得到训练轮次-损失值的损失函数;并利用随机梯度下降算法寻找损失函数的全局最小值,基于训练数据迭代地更新神经网络权重,优化器训练伦次为1500,每次的训练样本数据大小为300;
S3、利用建立的风暴岩测井识别网络模型对测井信号进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515553.7A CN114169457B (zh) | 2021-12-13 | 2021-12-13 | 基于岩心重建的风暴岩测井识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515553.7A CN114169457B (zh) | 2021-12-13 | 2021-12-13 | 基于岩心重建的风暴岩测井识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169457A CN114169457A (zh) | 2022-03-11 |
CN114169457B true CN114169457B (zh) | 2023-05-23 |
Family
ID=80485895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111515553.7A Active CN114169457B (zh) | 2021-12-13 | 2021-12-13 | 基于岩心重建的风暴岩测井识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169457B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
CN113343574A (zh) * | 2021-06-21 | 2021-09-03 | 成都理工大学 | 基于神经网络的Mishrif组岩性测井识别方法 |
CN115115783A (zh) * | 2022-07-08 | 2022-09-27 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017019718A1 (en) * | 2015-07-28 | 2017-02-02 | Schlumberger Technology Corporation | Method and system for generating a virtual core |
-
2021
- 2021-12-13 CN CN202111515553.7A patent/CN114169457B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132959A (zh) * | 2020-09-25 | 2020-12-25 | 东北石油大学 | 数字岩心图像处理方法、装置、计算机设备及存储介质 |
CN113343574A (zh) * | 2021-06-21 | 2021-09-03 | 成都理工大学 | 基于神经网络的Mishrif组岩性测井识别方法 |
CN115115783A (zh) * | 2022-07-08 | 2022-09-27 | 西南石油大学 | 一种模拟页岩基质纳微米孔隙的数字岩心构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114169457A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106405640B (zh) | 基于深度信念神经网络的微震信号到时自动拾取方法 | |
CN106407649B (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
CN109919184A (zh) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 | |
CN109800954B (zh) | 基于测井数据的储层评价方法 | |
CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN109407173A (zh) | 基于常规测井曲线的岩性精细化和自动化识别方法 | |
Kadkhodaie‐Ilkhchi et al. | A fuzzy logic approach to estimating hydraulic flow units from well log data: A case study from the Ahwaz oilfield, South Iran | |
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 | |
CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN112396130A (zh) | 静力触探试验岩层智能识别方法、系统、计算机设备及介质 | |
Min et al. | Research and application of logging lithology identification for igneous reservoirs based on deep learning | |
Zhang et al. | First arrival picking of microseismic signals based on nested U-Net and Wasserstein Generative Adversarial Network | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN109858523A (zh) | 一种神经网络和射线理论的浅海声速剖面反演方法 | |
Agbadze et al. | Acoustic impedance and lithology-based reservoir porosity analysis using predictive machine learning algorithms | |
CN111310331B (zh) | 基于条件变分自编码的地壳模型构造方法 | |
CN113779880A (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
Chen et al. | Global oceanic eddy identification: A deep learning method from argo profiles and altimetry data | |
CN109597944B (zh) | 一种基于深度信念网络的单分类微博谣言检测模型 | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
CN114169457B (zh) | 基于岩心重建的风暴岩测井识别方法 | |
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 | |
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 | |
Majdi et al. | Identification of well logs with significant impact on prediction of oil and gas reservoirs permeability using statistical analysis of RSE values |
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 |