CN114547958A - 基于深度神经网络的井震结合裂缝预测方法及装置 - Google Patents
基于深度神经网络的井震结合裂缝预测方法及装置 Download PDFInfo
- Publication number
- CN114547958A CN114547958A CN202011326444.6A CN202011326444A CN114547958A CN 114547958 A CN114547958 A CN 114547958A CN 202011326444 A CN202011326444 A CN 202011326444A CN 114547958 A CN114547958 A CN 114547958A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic
- neural network
- training
- fracture
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于深度神经网络的井震结合裂缝预测方法及装置,包括以下步骤:获取测井曲线数据,将所述测井曲线数据作为输出数据,所述测井曲线数据用于表征裂缝参数;获取原始地震数据,根据所述原始地震数据确定与相同位置的裂缝相关的地震属性,将所述地震属性作为输入数据;将所述输入数据和所述输出数据组成训练数据;采用卷积神经网络对所述训练数据集进行迭代训练,当满足预设迭代条件时,训练结束,获得已训练的卷积神经网络;根据获取的实际地震数据确定与裂缝相关的地震属性,根据相关地震属性,利用已训练的卷积神经网络确定对应的裂缝参数。本发明采用卷积神经网络进行迭代训练,设定预设迭代条件,可以获得准确的预测结果。
Description
技术领域
本发明涉及石油勘探技术领域,特别涉及一种基于深度神经网络的井震结合裂缝预测方法及装置。
背景技术
裂缝型油气藏的产量占全世界石油天然气总产量的一半以上,在国内的油气勘探中,裂缝型油气藏是一个重要的勘探领域,如塔里木盆地奥陶系碳酸盐岩裂缝型油气藏,四川致密砂岩裂缝型油气藏。裂缝既是油、气、水等地下流体的运移通道,也是流体的储集空间,裂缝能极大地提升储层的渗透率。裂缝型储层描述包括预测裂缝分布特征和识别裂隙充填物,也就是探测开启并充填流体的有效裂缝。
利用数学方法从地震数据中获取更多的地质信息一直是地球物理学家的研究热点,其中一种有效的方法便是利用神经网络从地震数据中提取地质目标或是岩石属性,神经网络是一种良好的地震解释强化分析方法。地震的单一属性在刻画地质目标时往往不具备唯一性和完备性,也就是说,几乎没有一种完美的属性能够准确的反映某个地质目标,所以,通过属性的重组来准确刻画地质目标就变得尤为重要,重组的属性,通常称之为“元属性”,元属性的来源常常有很多种,例如交会图方法、线型回归法、非线性回归法、神经网络法、支持向量机、模糊逻辑法等等,其中神经网络是获得元属性的一种较为复杂的方式,这种方法能够构建精确的元属性,易于扩展,且不需要太多的人为因素干涉。对于那些需要组合多种属性去精确预测一种地质目标的情况,神经网络方法是不二之选。
传统的神经网络模型通常被称为多层感知器(MLP),MLP是传统意义上应用范围最广和最通用的神经网络模型。在MLP模型中,最基本的构造单元是感知器,感知器用来模拟。
人脑中的神经元,神经元的功能可以用一个数学表达式(公式1)来表示为一个激励函数A(W),其中W为权重函数,定义为W(y)(公式2),其中y为神经网络的输入向量,w为权重向量。
在MLP模型中,激励函数A(W)通常被替换为一个连续函数,使用最广的激励函数是sigmoid函数(公式3),在MLP模型中,感知器以层的方式组织,在最简单的形式中,一个MLP包含3层,即输入层、隐藏层、输出层,且同一层中各个感知器没有连接,MLP模型通过采用反向传播的算法来迭代训练一组代表性的数据,从而抽取数据中隐藏的模式,训练好的模型被拿来识别未知数据中的模式从而达到预测的目的。
传统的神经网络模型的缺点是:
1、对于某些特定的输入和输出,由于其内在的非关联性特征,神经网络方法难以确定它们之间的关系。
2、和大部分反演方法类似,神经网络方法可能会陷入局部最优,从而难以找到全局最优。
3、传统的神经网络模型容易有“过拟合”现象,即其对于训练数据可以获得很好的结果,但是对于非训练数据,其预测能力受限。
4、传统的网络层数一般较少,这是因为网络层数的增多会导致网络参数太多,很难训练。
发明内容
本发明实施例提供了一种基于深度神经网络的井震结合裂缝预测方法及装置,解决了传统的神经网络存在“过拟合”、预测不准确的问题。
本发明实施例提供了一种基于深度神经网络的井震结合裂缝预测方法,该方法包括:
获取测井曲线数据,将所述测井曲线数据作为输出数据,所述测井曲线数据用于表征裂缝参数;
获取原始地震数据,根据所述原始地震数据确定输出数据的空间位置所对应的与裂缝相关的地震属性,将所述地震属性作为输入数据;
将所述输入数据和所述输出数据组成训练数据;
采用卷积神经网络对所述训练数据集进行迭代训练,当满足预设迭代条件时,训练结束,获得已训练的卷积神经网络;
根据获取的实际地震数据确定与裂缝相关的地震属性,根据相关地震属性,利用已训练的卷积神经网络确定对应的裂缝参数。
本发明构建了一种基于深度神经网络的井震结合裂缝预测装置,包括:
输出数据确定模块,用于获取测井曲线数据,将所述测井曲线数据作为输出数据,所述测井曲线数据用于表征裂缝参数;
输入数据确定模块,用于获取原始地震数据,根据所述原始地震数据确定输出数据的空间位置所对应的与裂缝相关的地震属性,将所述地震属性作为输入数据;
训练数据确定模块,用于将所述输入数据和所述输出数据组成训练数据;
训练模块,用于采用卷积神经网络对所述训练数据集进行迭代训练,当满足预设迭代条件时,训练结束,获得已训练的卷积神经网络;
预测模块,用于根据获取的实际地震数据确定与裂缝相关的地震属性,根据相关地震属性,利用已训练的卷积神经网络确定对应的裂缝参数。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
在本发明实施例中,将跟裂缝有关的地震属性作为输入数据,将表征裂缝参数的测井曲线数据作为输出数据,然后采用卷积神经网络对所述训练数据集进行迭代训练,设定预设迭代条件,得到已训练的卷积神经网络,然后通过已训练的卷积神经网络对根据获取的实际地震数据确定与裂缝相关的地震属性进行预测,获得对应的裂缝参数,与现有技术相比,本发明采用卷积神经网络进行迭代训练,设定预设迭代条件,可以获得准确的预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于深度神经网络的井震结合裂缝预测方法流程图;
图2是本发明实施例提供的第一种预设迭代条件示意图;
图3是本发明实施例提供的第二种预设迭代条件示意图;
图4是本发明实施例提供的第三种预设迭代条件示意图;
图5是本发明实施例提供的一种利用本发明预测出的裂缝强度二维效果图;
图6是本发明实施例提供的一种利用本发明预测出的裂缝强度三维效果图;
图7是本发明实施例提供的一种基于深度神经网络的井震结合裂缝预测结构框图。
具体实施方式
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,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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。
在本发明实施例中,提供了一种基于深度神经网络的井震结合裂缝预测方法,如图1所示,该方法包括:
步骤101:获取测井曲线数据,将所述测井曲线数据作为输出数据,所述测井曲线数据用于表征裂缝参数。
输出数据即标签数据一般来源于井上,在本发明中为井上裂缝参数,例如裂缝开度,裂缝长度,裂缝孔隙度等等。
步骤102:获取原始地震数据,根据所述原始地震数据确定输出数据的空间位置所对应的与裂缝相关的地震属性,将所述地震属性作为输入数据。
与裂缝相关的属性可以包括相干,曲率,倾角等,解释人员依据自身经验判断选择哪几个属性作为参与分析计算的属性数据。
相干属性和曲率属性在地震地貌学上有非常重要的应用价值,通常相干可以描述沉积体的不连续边界特征,而曲率则能刻画沉积体细微的地貌细节。倾角/方位角属性也常用于寻找欠压实的扇体、砂岩充填的河道和侵入体。
倾角和方位角计算三种三维体的属性:倾角、方位角、倾角/方位角的组合。当断层倾向与地层倾向相反时,断层在倾角图上显现明显,反之,则不明显。当断层方位角与地层方位角相反时,断层在方位角图上显现明显,反之,则不明显。因此,倾角/方位角组合图能较全面地检测断层。
标签数据的确定也就确定了神经网络的训练数据,即为步骤102中确定的输入数据在每个标签数据位置点上的值与标签数据一起组成了训练数据。
步骤103:将所述输入数据和所述输出数据组成训练数据。
本发明中,输入数据为输出数据的空间位置所对应的地震属性值,地震属性的取值为以输出数据的空间位置为中心,以一定的时窗沿时间方向取值,多个地震属性的时窗取值联合一起形成了输入数据,输出数据为对应空间位置上的裂缝参数(裂缝开度、裂缝长度,裂缝孔隙度等)。
步骤104:采用卷积神经网络对所述训练数据集进行迭代训练,当满足预设迭代条件时,训练结束,获得已训练的卷积神经网络。
训练过程为迭代求解预测数据(为输入数据经过卷积神经网络处理的数据)与输出数据(即标签数据)的误差,当满足迭代条件时,停止迭代,完成神经网络的训练。传统的神经网络存在“过拟合”问题,在本发明中,通过设置一定的迭代准则来避免“过拟合”现象发生。具体如图2至图4所示,即将训练数据集中的部分数据作为测试数据,测试数据不参与训练,迭代终止的条件分为以下3中情况:在设定的迭代次数内,一是当训练数据误差与测试数据误差均降到最低(如图2所示);二是当训练数据误差下降到某一时刻,测试数据误差开始上升(如图3所示);三是训练数据误差下降,测试数据误差开始上升后又开始下降(如图4所示)。
传统神经网络一般是采用MLP模型,其中传播算法采用BP(后向传播)方法,传统的网络层数一般较少,这是因为网络层数的增多会导致网络参数太多,很难训练。而本发明采用深度神经网络,这种网络在网络结构以及训练方法上都跟传统神经网络不同,其层数可以很多(数千层都可以),且网络中使用了“局部感受野”和“权植共享”的概念,大大减少了网络参数的数量。深度神经网络还具有新的激活函数,新的权重初始化方法,新的损失函数,新的防止过拟合方法(Dropout,BN等),这些方面主要都是为了解决传统的多层神经网络的一些不足(梯度消失,过拟合等),其效果要明显优于传统神经网络。
步骤105:根据获取的实际地震数据确定与裂缝相关的地震属性,根据相关地震属性,利用已训练的卷积神经网络确定对应的裂缝参数。
预测过程按三维空间点循环进行,对每一个空间点(即输出数据的空间位置),输入对应的属性值,通过训练完成的神经网络计算对应的裂缝参数。
图5,图6为利用本发明预测出的裂缝强度(一种反映岩石中由裂缝引起的孔隙度发育程度的参数)效果图,其中图5为二维显示效果,图6为三维显示效果,两者都与井上裂缝强度匹配度高,符合地质认识,能够有效地指导生产应用。
基于同一发明构思,本发明实施例中还提供了一种基于深度神经网络的井震结合裂缝预测装置,如下面的实施例所述。由于基于深度神经网络的井震结合裂缝预测装置解决问题的原理与基于深度神经网络的井震结合裂缝预测方法相似,因此基于深度神经网络的井震结合裂缝预测装置的实施可以参见基于深度神经网络的井震结合裂缝预测方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是本发明实施例的基于深度神经网络的井震结合裂缝预测装置结构框图,如图7所示,包括:
输出数据确定模块701,用于获取测井曲线数据,将所述测井曲线数据作为输出数据,所述测井曲线数据用于表征裂缝参数;
输入数据确定模块702,用于获取原始地震数据,根据所述原始地震数据确定与相同位置的裂缝相关的地震属性,将所述地震属性作为输入数据;
训练数据确定模块703,用于将所述输入数据和所述输出数据组成训练数据;
训练模块704,用于采用卷积神经网络对所述训练数据集进行迭代训练,当满足预设迭代条件时,训练结束,获得已训练的卷积神经网络;
预测模块705,用于根据获取的实际地震数据确定与裂缝相关的地震属性,根据相关地震属性,利用已训练的卷积神经网络确定对应的裂缝参数。
在本发明实施例中,所述地震属性包括相干属性、曲率属性、倾角属性的其中之一或多个。
在本发明实施例中,所述裂缝参数包括裂缝开度、裂缝长度、裂缝孔隙度。
在本发明实施例中,输入数据确定模块702具体用于:
地震属性的取值为以空间点为中心,以预设时窗沿时间方向取值,多个地震属性的时窗取值联合一起形成输入数据。
在本发明实施例中,训练模块704具体用于:
将输入数据输入卷积神经网络中进行迭代训练,迭代求解出预测数据和输出数据的误差,其中预测数据为输入数据经过卷积神经网络处理的数据;
还包括:将所述输入数据和所述输出数据组成测试数据;
所述预设迭代条件为:
在设定的迭代次数内,当训练数据误差与测试数据误差均降到最低;
或,当训练数据误差下降到某一时刻,测试数据误差开始上升;
或,训练数据误差下降,测试数据误差开始上升后又开始下降。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
综上所述,本发明采用深度神经网络,这种网络在网络结构以及训练方法上都跟传统神经网络不同,其层数可以很多(数千层都可以),且网络中使用了“局部感受野”和“权植共享”的概念,大大减少了网络参数的数量。深度神经网络还具有新的激活函数,新的权重初始化方法,新的损失函数,新的防止过拟合方法(Dropout,BN等),这些方面主要都是为了解决传统的多层神经网络的一些不足(梯度消失,过拟合等),其效果要明显优于传统神经网络。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于深度神经网络的井震结合裂缝预测方法,其特征在于,包括:
获取测井曲线数据,将所述测井曲线数据作为输出数据,所述测井曲线数据用于表征裂缝参数;
获取原始地震数据,根据所述原始地震数据确定输出数据的空间位置所对应的与裂缝相关的地震属性,将所述地震属性作为输入数据;
将所述输入数据和所述输出数据组成训练数据;
采用卷积神经网络对所述训练数据集进行迭代训练,当满足预设迭代条件时,训练结束,获得已训练的卷积神经网络;
根据获取的实际地震数据确定与裂缝相关的地震属性,根据相关地震属性,利用已训练的卷积神经网络确定对应的裂缝参数。
2.如权利要求1所述的基于深度神经网络的井震结合裂缝预测方法,其特征在于,所述地震属性包括相干属性、曲率属性、倾角属性的其中之一或多个。
3.如权利要求1所述的基于深度神经网络的井震结合裂缝预测方法,其特征在于,所述裂缝参数包括裂缝开度、裂缝长度、裂缝孔隙度。
4.如权利要求1所述的基于深度神经网络的井震结合裂缝预测方法,其特征在于,将所述地震属性作为输入数据,包括:
地震属性的取值为以输出数据的空间位置为中心,以预设时窗沿时间方向取值,多个地震属性的时窗取值联合一起形成输入数据。
5.如权利要求1所述的基于深度神经网络的井震结合裂缝预测方法,其特征在于,采用卷积神经网络对所述训练数据集进行迭代训练,包括:
将输入数据输入卷积神经网络中进行迭代训练,迭代求解出预测数据和输出数据的误差,其中预测数据为输入数据经过卷积神经网络处理的数据;
还包括:将所述输入数据和所述输出数据组成测试数据;
所述预设迭代条件为:
在设定的迭代次数内,当训练数据误差与测试数据误差均降到最低;
或,当训练数据误差下降到某一时刻,测试数据误差开始上升;
或,训练数据误差下降,测试数据误差开始上升后又开始下降。
6.一种基于深度神经网络的井震结合裂缝预测装置,其特征在于,包括:
输出数据确定模块,用于获取测井曲线数据,将所述测井曲线数据作为输出数据,所述测井曲线数据用于表征裂缝参数;
输入数据确定模块,用于获取原始地震数据,根据所述原始地震数据确定输出数据的空间位置所对应的与裂缝相关的地震属性,将所述地震属性作为输入数据;
训练数据确定模块,用于将所述输入数据和所述输出数据组成训练数据;
训练模块,用于采用卷积神经网络对所述训练数据集进行迭代训练,当满足预设迭代条件时,训练结束,获得已训练的卷积神经网络;
预测模块,用于根据获取的实际地震数据确定与裂缝相关的地震属性,根据相关地震属性,利用已训练的卷积神经网络确定对应的裂缝参数。
7.如权利要求6所述的基于深度神经网络的井震结合裂缝预测装置,其特征在于,所述地震属性包括相干属性、曲率属性、倾角属性的其中之一或多个。
8.如权利要求6所述的基于深度神经网络的井震结合裂缝预测装置,其特征在于,所述裂缝参数包括裂缝开度、裂缝长度、裂缝孔隙度。
9.如权利要求6所述的基于深度神经网络的井震结合裂缝预测装置,其特征在于,输入数据确定模块具体用于:
地震属性的取值为以输出数据的空间位置为中心,以预设时窗沿时间方向取值,多个地震属性的时窗取值联合一起形成输入数据。
10.如权利要求6所述的基于深度神经网络的井震结合裂缝预测装置,其特征在于,训练模块具体用于:
将输入数据输入卷积神经网络中进行迭代训练,迭代求解出预测数据和输出数据的误差,其中预测数据为输入数据经过卷积神经网络处理的数据;
还包括:将所述输入数据和所述输出数据组成测试数据;
所述预设迭代条件为:
在设定的迭代次数内,当训练数据误差与测试数据误差均降到最低;
或,当训练数据误差下降到某一时刻,测试数据误差开始上升;
或,训练数据误差下降,测试数据误差开始上升后又开始下降。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326444.6A CN114547958A (zh) | 2020-11-24 | 2020-11-24 | 基于深度神经网络的井震结合裂缝预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326444.6A CN114547958A (zh) | 2020-11-24 | 2020-11-24 | 基于深度神经网络的井震结合裂缝预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114547958A true CN114547958A (zh) | 2022-05-27 |
Family
ID=81660655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011326444.6A Pending CN114547958A (zh) | 2020-11-24 | 2020-11-24 | 基于深度神经网络的井震结合裂缝预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547958A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609852A (zh) * | 2023-07-06 | 2023-08-18 | 中国石油大学(华东) | 一种井震融合的地下介质参数高精度建模方法以及设备 |
-
2020
- 2020-11-24 CN CN202011326444.6A patent/CN114547958A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609852A (zh) * | 2023-07-06 | 2023-08-18 | 中国石油大学(华东) | 一种井震融合的地下介质参数高精度建模方法以及设备 |
CN116609852B (zh) * | 2023-07-06 | 2024-01-23 | 中国石油大学(华东) | 一种井震融合的地下介质参数高精度建模方法以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2011283193B2 (en) | Methods and systems for machine-learning based simulation of flow | |
AU2011283192B2 (en) | Methods and systems for machine-learning based simulation of flow | |
BR112021011250A2 (pt) | Modelagem automatizada de reservatório usando redes generativas profundas | |
AU2011283190A1 (en) | Methods and systems for machine-learning based simulation of flow | |
AU2011283191A1 (en) | Methods and systems for machine-learning based simulation of flow | |
EP3362640B1 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
US20220091290A1 (en) | Systems and methods for generating elastic property data as a function of position and time in a subsurface volume of interest | |
EP3987478B1 (en) | Field development planning based on deep reinforcement learning | |
Sarkheil et al. | Fractures distribution modeling using fractal and multi-fractal–neural network analysis in Tabnak hydrocarbon field, Fars, Iran | |
Liu et al. | Application of neural networks in multiphase flow through porous media: Predicting capillary pressure and relative permeability curves | |
Xiao et al. | Conditioning of deep-learning surrogate models to image data with application to reservoir characterization | |
US11733414B2 (en) | Systems and methods for generating subsurface data as a function of position and time in a subsurface volume of interest | |
Katterbauer et al. | A novel sparsity deploying reinforcement deep learning algorithm for saturation mapping of oil and gas reservoirs | |
US20220091300A1 (en) | Systems and methods for generating subsurface property data as a function of position and time in a subsurface volume of interest | |
Azim | Estimation of fracture network properties from FMI and conventional well logs data using artificial neural network | |
CN114547958A (zh) | 基于深度神经网络的井震结合裂缝预测方法及装置 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN114021700A (zh) | 基于岩石物理约束神经网络的渗透率计算方法及装置 | |
CN117272038A (zh) | 一种油藏开发动态表征方法、装置和相关设备 | |
Kanin et al. | Combined mechanistic and machine learning method for construction of oil reservoir permeability map consistent with well test measurements | |
Baig et al. | Digitally Augmented Subsurface History Match (DASH-Sim): A New Frontier in Reservoir Simulation History Matching | |
Ursegov et al. | Adaptive Geological Modeling | |
RU2515081C1 (ru) | Автоматическое выделение поверхностей для построения геолого-гидродинамической модели нефтегазового месторождения по сейсмическим данным | |
CN114910960A (zh) | 储层参数预测方法及装置 | |
CN117388933A (zh) | 基于特征增强的神经网络核磁测井曲线预测方法及装置 |
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 |