CN114488311A - 基于ssa-elm算法的横波时差预测方法 - Google Patents

基于ssa-elm算法的横波时差预测方法 Download PDF

Info

Publication number
CN114488311A
CN114488311A CN202111577758.8A CN202111577758A CN114488311A CN 114488311 A CN114488311 A CN 114488311A CN 202111577758 A CN202111577758 A CN 202111577758A CN 114488311 A CN114488311 A CN 114488311A
Authority
CN
China
Prior art keywords
time difference
sparrow
wave time
transverse wave
difference prediction
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
Application number
CN202111577758.8A
Other languages
English (en)
Inventor
邓少贵
张凤姣
李国欣
李海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202111577758.8A priority Critical patent/CN114488311A/zh
Publication of CN114488311A publication Critical patent/CN114488311A/zh
Pending legal-status Critical Current

Links

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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • G—PHYSICS
    • 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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • 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
    • G01V2210/66—Subsurface modeling
    • G01V2210/665—Subsurface modeling using geostatistical modeling

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Mining & Mineral Resources (AREA)
  • Acoustics & Sound (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于SSA‑ELM算法的横波时差预测方法，具体涉及石油勘探开发技术领域。本发明通过选取与横波时差相关性较强的测井曲线作为输入数据，预处理后划分训练集和测试集，基于训练集建立设置有极限学习机的储层横波时差预测模型，利用麻雀搜索算法寻找极限学习机的最优权值和最优偏置，得到麻雀搜索算法优化后的储层横波时差预测模型，利用该预测模型对测试集数据进行预测，分析横波时差预测值与实测值之间的均方根误差，验证麻雀搜索算法优化后储层横波时差预测模型的准确性。本发明基于SSA‑ELM算法优化储层横波时差预测模型，弥补了极限学习机稳定性差、泛化能力不足的问题，实现了横波时差值的准确预测，为储层的勘探开发奠定了基础。

Description

基于SSA-ELM算法的横波时差预测方法
技术领域
本发明涉及石油勘探开发技术领域，属于智能测井解释范畴，尤其涉及一种基于SSA-ELM算法的横波时差预测方法。
背景技术
横波速度测井作为地震勘探、储层开发和表征的重要参数之一，被广泛应用于岩性、孔隙度和流体估计、四维地震研究、地质力学和井筒稳定性研究等方面。然而，由于成本问题，并不是所有的油气井都能获得横波测井资料。因此，基于其他测井资料估计横波速度已成为一大热点。
目前，常见的方法有经验关系、多元回归分析和岩石物理模型等，但是随着勘探开发的深入，尤其是针对含有砂泥夹层的页岩地层，现有方法的精度不足以满足开发需求。近年来数据驱动的机器学习方法在地球物理勘探领域取得了一定进展，其在深入挖掘不同测井数据之间复杂非线性关系上具有明显的优势。基于此，亟需提出一种基于麻雀搜索算法(SSA)优化的极限学习机(ELM)混合模型，在一定程度上提升传统方法以及单一机器学习模型的预测精度，为下一步的储层勘探开发奠定基础。
发明内容
本发明的目的在于提出一种基于SSA-ELM算法的横波时差预测方法，利用麻雀搜索算法对储层横波时差预测模型中的极限学习机进行优化，实现了对测井横波时差值的高精度预测，为储层的勘探开发奠定了基础。
本发明为了实现上述目的，采用如下技术方案：
基于SSA-ELM算法的横波时差预测方法，包括以下步骤：
s1.通过对横波时差曲线与常规测井曲线进行相关性分析，选取与横波时差曲线具有相关性的测井曲线；
s2.对测井曲线进行预处理后，将测井曲线上各深度点所对应的测量值作为输入数据，并将输入数据划分为训练集和测试集，获得训练样本和测试样本；
s3.基于训练集建立储层横波时差预测模型，储层横波时差预测模型中设置有极限学习机模型，利用麻雀搜索算法对极限学习机模型的最优权值和最优偏置进行优化，得到麻雀搜索算法优化后的储层横波时差预测模型；
s4.将测试样本输入麻雀搜索算法优化后的储层横波时差预测模型，利用麻雀搜索算法优化后的储层横波时差预测模型预测测试样本的横波时差，得到测试样本横波时差的预测值，通过计算测试样本中横波时差测量值与预测值之间的均方根误差，验证麻雀搜索算法优化后的储层横波时差预测模型的准确性。
优选地，所述步骤s2中，测井曲线的预处理包括异常值剔除和归一化处理，其中，测井曲线归一化处理的计算公式为：
Figure BDA0003425867490000021
式中，Xnorm为归一化处理后深度点的测量值；X为归一化处理前深度点的测量值；Xmax为归一化处理前测井曲线中深度点的最大测量值；Xmin为归一化处理前测井曲线中深度点的最小测量值。
优选地，所述步骤s3中，包括以下步骤：
s3.1.构建极限学习机模型，以训练样本中横波时差测量值与预测值之间的均方根误差作为麻雀搜索算法的适应度函数，用于计算麻雀种群中各只麻雀的适应度；
s3.2.对麻雀搜索算法进行初始化，设置麻雀种群的初始规模和最大迭代次数itermax，再设置警报值和安全值以及麻雀种群中发现者与追随者的比例；
s3.3.计算麻雀种群中各只麻雀的适应度并排序，确定具有最佳适应度的麻雀个体所处位置
Figure BDA0003425867490000022
并在麻雀种群中选取发现者、警报者和追随者；
s3.4.计算麻雀种群的警报值，对麻雀种群中发现者的位置进行更新；
s3.5.根据发现者的更新结果对追随者进行更新；
s3.6.在麻雀种群中选取意识到危险的麻雀作为警报者，更新警报者的位置；
s3.7.计算麻雀种群中所有麻雀适应度的平均值，若追随者的个体适应度小于所有麻雀适应度的平均值，则对追随者进行小波变换，否则不对追随者进行处理；
s3.8.根据迭代次数判断是否继续循环更新，若当前迭代次数小于最大迭代次数，返回步骤s3.4；若当前迭代次数已达到最大迭代次数，则输出麻雀搜索的结果作为极限学习机模型的初始权值和阈值，得到麻雀搜索算法优化后的储层横波时差预测模型。
优选地，所述步骤s3.4中，发现者的位置更新公式如式(2)所示：
Figure BDA0003425867490000031
式中，t为当前迭代次数；itermax为最大迭代次数；
Figure BDA0003425867490000032
为第t次迭代时第i只麻雀个体在第j维中的位置；
Figure BDA0003425867490000033
为第t次迭代更新后发现者的位置；α为(0,1)之间的均匀随机数；Q为符合标准正态分布的随机数；L为内部所有元素取值均为1的1×d矩阵；R2为警报值，R2∈[0，1]；ST为安全值，ST∈[0.5,1]；当R2＜ST时，表示报警者周围没有捕食者或其他危险，搜索环境安全，发现者继续进行广泛搜索；当R2≥ST时，出现捕食者，麻雀种群出现反捕食行为，发现者迅速移动至安全区域继续进行捕食。
优选地，所述步骤s 3.5中，追随者的位置更新公式如式(3)所示：
Figure BDA0003425867490000034
式中，
Figure BDA0003425867490000035
为第t次迭代更新后追随者的位置；
Figure BDA0003425867490000036
为当前发现者的最优位置；
Figure BDA0003425867490000037
为当前全局最优位置；
Figure BDA0003425867490000038
为当前全局最劣位置；A为内部元素随机分配为1或-1的1×d矩阵，A+＝AT(AAT)–1，AT为A的转置矩阵。
优选地，所述步骤s3.6中，警报者的位置更新公式如式(4)所示：
Figure BDA0003425867490000039
式中，
Figure BDA00034258674900000310
为第t次迭代更新后警报者的位置；β为步长控制参数，设置为均值为0、方差为1的正态分布随机数；K为[-1,1]之间的随机数，表示麻雀的移动方向；fi表示第i只麻雀个体的适应度；fg表示当前麻雀种群中麻雀个体的最佳适应度；fw表示当前麻雀种群中麻雀个体的最差适应度；ε为常数，用于避免分母为零。
优选地，所述步骤s4中，测试样本中横波时差测量值与预测值之间均方根误差RMSE的计算公式为：
Figure BDA0003425867490000041
式中，N为训练样本的个数；yi为训练样本的横波时差值；pi为极限学习模型计算的横波时差值。
本发明具有如下有益效果：
本发明利用麻雀搜索算法对储层横波时差预测模型中的极限学习机进行优化，获取极限学习机的最优权值和最优偏置，弥补了极限学习机由于随机分配而产生的稳定性差、泛化能力不足的问题，增强了麻雀搜索算法的全局搜索能力，提高了麻雀搜索算法的寻优能力和稳定性。
本发明将与横波时差具有较强相关性的曲线数据作为训练集对储层横波时差预测模型中的极限学习机进行训练，利用混合SSA-ELM模型深度挖掘各测井参数值与横波时差值之间的内在关联，建立储层横波时差预测模型，提升了横波时差的预测精度，有利于准确获取储层的横波速度，为储层的工程评价和流体识别奠定了基础。
附图说明
图1为本发明基于SSA-ELM算法的横波时差预测方法的流程图。
图2为实施例中利用SSA-ELM算法优化过程中适应度随迭代次数的收敛情况。
图3为实施例中横波时差测量值与预测值之间的均方根误差。
具体实施方式
下面结合附图和松辽盆地某页岩井为例，对本发明的具体实施方式做进一步说明：
以松辽盆地该页岩油井为例采用本发明提出的一种基于SSA-ELM算法的横波时差预测方法预测横波时差值，如图1所示，具体包括以下步骤：
s1.获取页岩油井的测井数据，通过分析常规测井曲线与横波时差之间的相关性，选取纵波时差曲线AC、自然伽马曲线GR、中子孔隙度曲线以及补偿密度曲线DEN的测量值作为输入数据，这些曲线与横波时差之间具有良好的相关性，能够用于预测横波时差值。
s2.对获取到的纵波时差曲线AC、自然伽马曲线GR、中子孔隙度曲线以及补偿密度曲线DEN进行预处理，分别剔除各测井曲线上的异常值并利用公式(1)对测井曲线进行归一化处理，以预处理后测井曲线上各深度点所对应的测量值作为输入数据，进一步将输入数据划分为训练集和测试集，其中，训练集中含有6000和训练样本，测试集中含有199个测试数据，测试数据均取自青山口组青一段的页岩油储层。
s3.基于MATLAB软件平台，根据训练集结合麻雀搜索算法对储层横波时差预测模型进行训练，储层横波时差预测模型中设置有极限学习机模型，利用麻雀搜索算法对极限学习机模型的最优权值和最优偏置进行优化，得到麻雀搜索算法优化后的储层横波时差预测模型，具体包括以下步骤：
s3.1.构建极限学习机模型，极限学习机模型中含有2个隐含层神经元，以训练样本中横波时差测量值与预测值之间的均方根误差作为麻雀搜索算法的适应度函数，用于计算麻雀种群中各只麻雀的适应度。
s3.2.对麻雀搜索算法进行初始化，设置麻雀种群的初始规模为10和最大迭代次数itermax为200次，再设置警报值和安全值以及麻雀种群中发现者与追随者的比例。
s3.3.计算麻雀种群中各只麻雀的适应度并排序，确定具有最佳适应度的麻雀个体所处位置
Figure BDA0003425867490000051
并在麻雀种群中选取发现者、警报者和追随者。
s3.4.计算麻雀种群的警报值，对麻雀种群中发现者的位置进行更新，如式(2)所示：
Figure BDA0003425867490000052
式中，t为当前迭代次数；itermax为最大迭代次数；
Figure BDA0003425867490000053
为第t次迭代时第i只麻雀个体在第j维中的位置；
Figure BDA0003425867490000054
为第t次迭代更新后发现者的位置；α为(0,1)之间的均匀随机数；Q为符合标准正态分布的随机数；L为内部所有元素取值均为1的1×d矩阵；R2为警报值，R2∈[0，1]；ST为安全值，ST∈[0.5,1]；当R2＜ST时，表示报警者周围没有捕食者或其他危险，搜索环境安全，发现者继续进行广泛搜索；当R2≥ST时，出现捕食者，麻雀种群出现反捕食行为，发现者迅速移动至安全区域继续进行捕食。
s3.5.根据发现者的更新结果对追随者进行更新，如式(3)所示：
追随者的位置更新公式如式(3)所示：
Figure BDA0003425867490000055
式中，
Figure BDA0003425867490000056
为第t次迭代更新后追随者的位置；
Figure BDA0003425867490000057
为当前发现者的最优位置；
Figure BDA0003425867490000058
为当前全局最优位置；
Figure BDA0003425867490000059
为当前全局最劣位置；A为内部元素随机分配为1或-1的1×d矩阵，A+＝AT(AAT)–1，AT为A的转置矩阵。
s3.6.在麻雀种群中选取意识到危险的麻雀作为警报者，更新警报者的位置，如式(4)所示：
Figure BDA0003425867490000061
式中，
Figure BDA0003425867490000062
为第t次迭代更新后警报者的位置；β为步长控制参数，设置为均值为0、方差为1的正态分布随机数；K为[-1,1]之间的随机数，表示麻雀的移动方向；fi表示第i只麻雀个体的适应度；fg表示当前麻雀种群中麻雀个体的最佳适应度；fw表示当前麻雀种群中麻雀个体的最差适应度；ε为常数，用于避免分母为零。
s3.7.计算麻雀种群中所有麻雀适应度的平均值，若追随者的个体适应度小于所有麻雀适应度的平均值，则对追随者进行小波变换，否则不对追随者进行处理。
s3.8.根据迭代次数判断是否继续循环更新，若当前迭代次数小于最大迭代次数，返回步骤s3.4；若当前迭代次数已达到最大迭代次数，则输出麻雀搜索的结果作为极限学习机模型的初始权值和阈值，得到麻雀搜索算法优化后的储层横波时差预测模型。
图2所示为本实施例中利用麻雀搜索算法训练极限学习机模型时，适应度值随迭代次数的收敛情况。
s4.将测试样本输入麻雀搜索算法优化后的储层横波时差预测模型，利用麻雀搜索算法优化后的储层横波时差预测模型预测测试样本的横波时差，得到测试样本横波时差的预测值，利用公式(5)计算测试样本中横波时差测量值与预测值之间的均方根误差，如图3所示，通过对比测试集页岩横波时差的测量值和预测值，得到预测结果与实际横波测井曲线变化基本吻合，预测值与实际测量值之间的均方根误差为21.87，采用本发明方法预测的横波时差值与实际测量值较为接近，预测效果较好，验证了本发明中基于SSA-ELM算法的横波时差预测方法的准确性。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.基于SSA-ELM算法的横波时差预测方法，其特征在于，包括以下步骤：
s1.通过对横波时差曲线与常规测井曲线进行相关性分析，选取与横波时差曲线具有相关性的测井曲线；
s2.对测井曲线进行预处理后，将测井曲线上各深度点所对应的测量值作为输入数据，并将输入数据划分为训练集和测试集，获得训练样本和测试样本；
s3.基于训练集建立储层横波时差预测模型，储层横波时差预测模型中设置有极限学习机模型，利用麻雀搜索算法对极限学习机模型的最优权值和最优偏置进行优化，得到麻雀搜索算法优化后的储层横波时差预测模型；
s4.将测试样本输入麻雀搜索算法优化后的储层横波时差预测模型，利用麻雀搜索算法优化后的储层横波时差预测模型预测测试样本的横波时差，得到测试样本横波时差的预测值，通过计算测试样本中横波时差测量值与预测值之间的均方根误差，验证麻雀搜索算法优化后的储层横波时差预测模型的准确性。
2.根据权利要求1所述的基于SSA-ELM算法的横波时差预测方法，其特征在于，所述步骤s2中，测井曲线的预处理包括异常值剔除和归一化处理，其中，测井曲线归一化处理的计算公式为：
Figure FDA0003425867480000011
式中，Xnorm为归一化处理后深度点的测量值；X为归一化处理前深度点的测量值；Xmax为归一化处理前测井曲线中深度点的最大测量值；Xmin为归一化处理前测井曲线中深度点的最小测量值。
3.根据权利要求1所述的基于SSA-ELM算法的横波时差预测方法，其特征在于，所述步骤s3中，包括以下步骤：
s3.1.构建极限学习机模型，以训练样本中横波时差测量值与预测值之间的均方根误差作为麻雀搜索算法的适应度函数，用于计算麻雀种群中各只麻雀的适应度；
s3.2.对麻雀搜索算法进行初始化，设置麻雀种群的初始规模和最大迭代次数itermax，再设置警报值和安全值以及麻雀种群中发现者与追随者的比例；
s3.3.计算麻雀种群中各只麻雀的适应度并排序，确定具有最佳适应度的麻雀个体所处位置
Figure FDA0003425867480000012
并在麻雀种群中选取发现者、警报者和追随者；
s3.4.计算麻雀种群的警报值，对麻雀种群中发现者的位置进行更新；
s3.5.根据发现者的更新结果对追随者进行更新；
s3.6.在麻雀种群中选取意识到危险的麻雀作为警报者，更新警报者的位置；
s3.7.计算麻雀种群中所有麻雀适应度的平均值，若追随者的个体适应度小于所有麻雀适应度的平均值，则对追随者进行小波变换，否则不对追随者进行处理；
s3.8.根据迭代次数判断是否继续循环更新，若当前迭代次数小于最大迭代次数，返回步骤s3.4；若当前迭代次数已达到最大迭代次数，则输出麻雀搜索的结果作为极限学习机模型的初始权值和阈值，得到麻雀搜索算法优化后的储层横波时差预测模型。
4.根据权利要求3所述的基于SSA-ELM算法的横波时差预测方法，其特征在于，所述步骤s3.4中，发现者的位置更新公式如式(2)所示：
Figure FDA0003425867480000021
式中，t为当前迭代次数；itermax为最大迭代次数；
Figure FDA0003425867480000022
为第t次迭代时第i只麻雀个体在第j维中的位置；
Figure FDA0003425867480000023
为第t次迭代更新后发现者的位置；α为(0,1)之间的均匀随机数；Q为符合标准正态分布的随机数；L为内部所有元素取值均为1的1×d矩阵；R2为警报值，R2∈[0，1]；ST为安全值，ST∈[0.5,1]；当R2＜ST时，表示报警者周围没有捕食者或其他危险，搜索环境安全，发现者继续进行广泛搜索；当R2≥ST时，出现捕食者，麻雀种群出现反捕食行为，发现者迅速移动至安全区域继续进行捕食。
5.根据权利要求3所述的基于SSA-ELM算法的横波时差预测方法，其特征在于，所述步骤s 3.5中，追随者的位置更新公式如式(3)所示：
Figure FDA0003425867480000024
式中，
Figure FDA0003425867480000025
为第t次迭代更新后追随者的位置；
Figure FDA0003425867480000026
为当前发现者的最优位置；
Figure FDA0003425867480000027
为当前全局最优位置；
Figure FDA0003425867480000028
为当前全局最劣位置；A为内部元素随机分配为1或-1的1×d矩阵，A+＝AT(AAT)–1，AT为A的转置矩阵。
6.根据权利要求3所述的基于SSA-ELM算法的横波时差预测方法，其特征在于，所述步骤s3.6中，警报者的位置更新公式如式(4)所示：
Figure FDA0003425867480000031
式中，
Figure FDA0003425867480000032
为第t次迭代更新后警报者的位置；β为步长控制参数，设置为均值为0、方差为1的正态分布随机数；K为[-1,1]之间的随机数，表示麻雀的移动方向；fi表示第i只麻雀个体的适应度；fg表示当前麻雀种群中麻雀个体的最佳适应度；fw表示当前麻雀种群中麻雀个体的最差适应度；ε为常数，用于避免分母为零。
7.根据权利要求1所述的基于SSA-ELM算法的横波时差预测方法，其特征在于，所述步骤s4中，测试样本中横波时差测量值与预测值之间均方根误差RMSE的计算公式为：
Figure FDA0003425867480000033
式中，N为训练样本的个数；yi为训练样本的横波时差值；pi为极限学习模型计算的横波时差值。
CN202111577758.8A 2021-12-22 2021-12-22 基于ssa-elm算法的横波时差预测方法 Pending CN114488311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111577758.8A CN114488311A (zh) 2021-12-22 2021-12-22 基于ssa-elm算法的横波时差预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111577758.8A CN114488311A (zh) 2021-12-22 2021-12-22 基于ssa-elm算法的横波时差预测方法

Publications (1)

Publication Number Publication Date
CN114488311A true CN114488311A (zh) 2022-05-13

Family

ID=81494872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111577758.8A Pending CN114488311A (zh) 2021-12-22 2021-12-22 基于ssa-elm算法的横波时差预测方法

Country Status (1)

Country Link
CN (1) CN114488311A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545356A (zh) * 2022-11-30 2022-12-30 深圳市峰和数智科技有限公司 预测模型的确定方法、s波走时曲线预测方法及相关设备
WO2024040801A1 (zh) * 2022-08-26 2024-02-29 中国石油天然气股份有限公司 横波时差预测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024040801A1 (zh) * 2022-08-26 2024-02-29 中国石油天然气股份有限公司 横波时差预测方法及装置
CN115545356A (zh) * 2022-11-30 2022-12-30 深圳市峰和数智科技有限公司 预测模型的确定方法、s波走时曲线预测方法及相关设备
CN115545356B (zh) * 2022-11-30 2024-02-27 深圳市峰和数智科技有限公司 预测模型的确定方法、s波走时曲线预测方法及相关设备

Similar Documents

Publication Publication Date Title
CN112989708B (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
CN114488311A (zh) 基于ssa-elm算法的横波时差预测方法
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
CN113837501B (zh) 基于图神经网络的页岩总有机碳预测方法、系统和设备
CN111967079A (zh) 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN112100930B (zh) 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法
KR102155101B1 (ko) 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체
CN113610945A (zh) 一种基于混合神经网络的地应力曲线预测方法
CN109613623B (zh) 一种基于残差网络的岩性预测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN116305850A (zh) 一种基于随机森林模型的地层热导率预测方法
CN111751878B (zh) 横波速度的预测方法和装置
Wong et al. Use of neural network methods to predict porosity and permeability of a petroleum reservoir
CN114114414A (zh) 一种页岩储层“甜点”信息人工智能预测方法
CN113077091A (zh) 一种基于机器学习的漏速概率分布预测方法和系统
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
CN116427915A (zh) 基于随机森林的常规测井曲线裂缝密度预测方法及系统
CN116840906A (zh) 储层物性参数预测的不确定性评价方法
CN110674868A (zh) 一种基于高维钻进参数信息的地层岩性识别系统及其方法
CN117522173B (zh) 基于深度神经网络的天然气水合物降压开采产能预测方法
US20240219602A1 (en) Systems and methods for digital gamma-ray log generation using physics informed machine learning
CN116167195A (zh) 基于XGBoost算法的综合多尺度相对特征识别岩性的方法及系统
CN116227335A (zh) 基于物理约束的并联式神经网络的三维地应力预测方法
US20230281507A1 (en) Automated similarity measurement and property estimation

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