CN114594523A - 物理约束与数据驱动构建核磁共振t2谱的方法与装置 - Google Patents
物理约束与数据驱动构建核磁共振t2谱的方法与装置 Download PDFInfo
- Publication number
- CN114594523A CN114594523A CN202210005106.5A CN202210005106A CN114594523A CN 114594523 A CN114594523 A CN 114594523A CN 202210005106 A CN202210005106 A CN 202210005106A CN 114594523 A CN114594523 A CN 114594523A
- Authority
- CN
- China
- Prior art keywords
- data
- magnetic resonance
- nuclear magnetic
- target
- well
- 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
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000001228 spectrum Methods 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004611 spectroscopical analysis Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 13
- 239000012530 fluid Substances 0.000 abstract description 13
- 239000011148 porous material Substances 0.000 abstract description 11
- 238000011161 development Methods 0.000 abstract description 9
- 238000005065 mining Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005755 formation reaction Methods 0.000 description 5
- 239000001257 hydrogen Substances 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005311 nuclear magnetism Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
- G01V3/32—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging operating with electron or nuclear magnetic resonance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供的一种物理约束与数据驱动构建核磁共振T2谱的方法与装置，通过获取待侧井位中的待测井段对应的目标常规测井数据，然后将目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标常规测井数据对应的目标核磁共振数据，然后根据目标核磁共振数据生成目标核磁共振T2谱。该目标核磁共振T2谱中包括地层内部特征信息，可用于开采人员估计地层的孔径分布和流体流动性等特征，降低了勘探开发成本。
Description
技术领域
本申请涉及石油勘探开发技术，尤其涉及一种物理约束与数据驱动构建核磁共振T2谱的方法与装置。
背景技术
石油勘探是指为了寻找和查明油气资源，而利用各种勘探手段了解地下的地质状况，了解油气层情况和产出能力的过程。在石油地质和油气田勘探、开发过程中，储层的经济开发依赖于准确的地质和岩石物理特征。
目前，可以通过核磁共振测井仪来分析地质和岩石物理特征，核磁共振测井仪通过外加磁场激发地下流体中的氢原子核，在去除外部磁场后，氢原子核的弛豫产生一个弛豫信号，该弛豫信号被反转以获得包含64个T2波数对应的64个T2振幅的核磁共振T2谱。核磁共振T2谱是在特定地层深度下，地层流体中氢原子核的弛豫时间分布，可以用来估计近井地层的孔径分布和流体流动性。
但是，由于核磁共振测井仪复杂的操作程序和缓慢的测井速度，使得测井工作的成本大大提高，不能应用于所有的储层中钻取的井。
发明内容
本申请提供一种物理约束与数据驱动构建核磁共振T2谱的方法与装置，用以解决使用核磁共振测井仪获取核磁共振T2谱使得测井工作成本较大的问题。
第一方面，本申请提供一种物理约束与数据驱动构建核磁共振T2谱的方法，包括：
获取待测井位中的待测井段对应的目标常规测井数据；
对所述目标常规测井数据进行以下一种或多种预处理：数据清洗、标准化处理和主要特征分析；
将预处理后的目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标核磁共振数据，所述目标核磁共振数据中包括不同格式的回波数据；
根据所述目标核磁共振数据生成目标核磁共振T2谱。
可选的，所述目标常规测井数据包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度，每个参数组中包括所述待测井段中各个深度对应的参数值。
可选的，还包括：
获取训练数据，所述训练数据包括特征数据和标签数据，所述特征数据中包括各个深度对应的常规测井数据，所述标签数据包括所述常规测井数据对应的核磁共振数据；
通过所述训练数据对预设模型进行训练得到所述核磁共振T2谱预测模型。
可选的，所述获取训练数据，包括：
获取大量的原始常规测井数据和原始核磁共振数据，所述原始常规测井数据中包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子、测井密度光电截面指数、环境矫正后的密度和垂直矫正后的补偿中子，所述原始核磁共振数据包括核磁共振测井仪在数据提取井位的目标井段中按照第一固定深度间隔测量的不同格式的原始回波数据，所述原始常规测井数据是各个参数组对应的测井工具在所述数据提取井位的所述目标井段中按照第二固定深度间隔测量得到的，所述第一固定深度间隔与所述第二深度间隔不相等；
利用测井数据处理软件对所述原始常规测井数据按照预设深度间隔进行计算，得到计算后的原始常规测井数据；
利用测井数据处理软件对所述原始核磁共振数据按照所述预设深度间隔进行计算，得到计算后的原始核磁共振数据，计算后的原始核磁共振数据作为所述标签数据；
对所述计算后的原始常规测井数据进行预处理，得到预处理后的原始常规测井数据，所述预处理包括数据清洗和/或标准化处理；
对所述预处理后的原始常规测井数据做灰色关联度分析，得到所述预处理后的原始常规测井数据中各参数组与所述预处理后的原始常规测井数据中的自然伽马参数组的关联度，选择关联度大于或者等于预设阈值的参数组形成所述常规测井数据。
可选的，所述选择关联度大于或者等于预设阈值的参数组形成所述常规测井数据，包括：
选择关联度大于或者等于预设阈值的参数组；
对选择的参数组做主成分分析，得到各参数组对应的主成分信息，所述各参数组对应的主成分信息形成所述常规测井数据。
可选的，所述预设模型由三个长短期记忆神经网络LSTM层和两个全连接层组成。
第二方面，本申请提供一种物理约束与数据驱动构建核磁共振T2谱的装置，包括：
获取模块，用于获取待测井位中的待测井段对应的目标常规测井数据；
预处理模块，用于对所述目标常规测井数据进行以下一种或多种预处理：数据清洗、标准化处理和主要特征分析；
预测模块，用于将预处理后的目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标核磁共振数据，所述目标核磁共振数据中包括不同格式的回波数据；
生成模块，用于根据所述目标核磁共振数据生成目标核磁共振T2谱。
可选的，所述目标常规测井数据包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度，每个参数组中包括所述待测井段中各个深度对应的参数值。
第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面所述的方法。
第四方面，本申请一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的一种物理约束与数据驱动构建核磁共振T2谱的方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。
本申请提供的一种物理约束与数据驱动构建核磁共振T2谱的方法与装置，通过获取待侧井位中的待测井段对应的目标常规测井数据，然后将目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标常规测井数据对应的目标核磁共振数据，然后根据目标核磁共振数据生成目标核磁共振T2谱。该目标核磁共振T2谱中包括地层内部特征信息，可用于开采人员估计地层的孔径分布和流体流动性等特征，降低了勘探开发成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为一个核磁共振T2谱的示意图；
图2为本申请使用的核磁共振T2谱预测模型的一种网络结构示意图；
图3为本申请实施例一提供的一种物理约束与数据驱动构建核磁共振T2谱的方法的流程示意图；
图4为某个井段中各个深度的自然电位连接形成的曲线示意图；
图5为本申请实施例二提供的一种物理约束与数据驱动构建核磁共振T2谱的方法的流程示意图；
图6为上述预设模型训练及测试过程的误差变化图；
图7为RNN的网络结构示意图；
图8为RNN预设模型训练及测试过程的误差变化图；
图9为本申请实施例三提供的一种物理约束与数据驱动构建核磁共振T2谱的装置的结构示意图；
图10为本申请实施例四提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
目前，可以通过核磁共振测井仪来分析地质和岩石物理特征，核磁共振测井仪通过外加磁场激发地下流体中的氢原子核，在去除外部磁场后，氢原子核的弛豫产生一个弛豫信号，该弛豫信号被反转以获得包含64个T2波数对应的64个T2振幅的核磁共振T2谱。如图1所示，图1为一个核磁共振T2谱的示意图，横坐标为弛豫时间分布，纵坐标为孔径分布。核磁共振T2谱是在特定地层深度下，地层流体中氢原子核的弛豫时间分布，可以用来估计近井地层的孔径分布和流体流动性，核磁共振T2谱所包含的孔隙大小分布信息是平均地层流体孔隙尺度的关键，其他的测井方法得到的数据都无法提供这种信息。但是，由于核磁共振测井仪复杂的操作程序和缓慢的测井速度，使得测井工作的成本大大提高，不能应用于所有的储层中钻取的井。
所以，本申请提供一种物理约束与数据驱动构建核磁共振T2谱的方法与装置，将获取到的常规测井数据输入到预先训练好的核磁共振T2谱预测模型中，可以在不使用核磁共振测井仪的情况下得到核磁共振T2谱，核磁共振T2谱中的地层内部特征信息，可用于开采人员估计地层的孔径分布和流体流动性等地层特征，降低了勘探开发成本。
图2为本申请使用的核磁共振T2谱预测模型的一种网络结构示意图，如图2所示，预测模型20由五个网络层组成，其中，全连接层(fully connected layers，简称FC)201和全连接层205作为网络输入和输出，三个LSTM网络层作为网络隐藏层，LSTM网络层可以在网络训练的过程中处理数据的长期依赖问题，网络的预测精度更高，而且还能在数据在网络层的传输中实现对相应时序信息的修改，同时消除了时序对某个特征的限制，使特征学习可以接受全局训练的影响。在每个网络层后面加一个dropout函数，以缓解训练过程中过拟合的发生，达到正则化的效果。LSTM网络层202、LSTM网络层203和LSTM网络层204的神经元个数参数可以根据网络的输入输出维度进行合理的设置，示例性的，可以设置为30、20和10，使得预测模型的训练效果更佳。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以独立存在，也可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
参考图3，图3为本申请实施例一提供的一种物理约束与数据驱动构建核磁共振T2谱的方法的流程示意图，该方法可以由构建核磁共振T2谱的装置执行，该装置可以是服务器、专用设备、个人电脑等电子设备，该方法可以包括如下步骤。
S301、获取待测井位中的待测井段对应的目标常规测井数据。
开采人员在石油开采过程中，可以通过获取对某个井位的待测井段的核磁共振T2谱来进一步对地质和岩石特征进行分析，服务器可以获取到待测井位中的待测井段对应的目标常规数据，目标常规测井数据中包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度等，每个参数组中包括待测井段中各个深度对应的参数值，示例性的，目标常规测井数据如表一所示(表格中的数值为标准化后的数值)。
表一
上述参数是开采人员使用其对应的测井工具深入到待测井位的待测井段中按照工具固定的深度间隔测量到，然后将测量得到的参数输入到服务器中。示例性的，待测井段为地下200米到地下180米这一井段，以自然电位为例，开采人员使用自然电位测量工具在这一井段按照0.0768米的深度间隔进行测量，即每隔0.0768米测量一次，得到这一井段中各个深度对应的自然电位数据，各个深度对应的自然电位数据可以在测井数据处理软件中进行处理，形成一个直观的纵向的自然电位曲线SP，各个深度对应的参数都可以形成一个纵向的测井曲线，自然电位曲线SP可以理解为这一井段中各个深度的自然电位连接形成的曲线，如图4所示。
S302、对目标常规测井数据进行以下一种或多种处理：数据清洗、标准化处理和主要特征分析。
服务器获取目标常规测井数据后，可以对目标常规测井数据进行以下一种或多种操作：数据清洗、标准化处理和主要特征分析。
数据清洗是对目标常规测井数据中参数组的异常值进行删除处理，例如，自然电位参数组中，地下181.0786米深度的自然电位数据为500，而181.000米、181.8646和182.6506米深度的自然电位均为100左右，那么认为181.0786米深度的自然电位数据为异常值，可以把目标常规测井数据中181.0786米深度的对应的参数删除，即将181.0786米深度的各个参数组中的自然伽马值、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度等参数值删除。总的来说，可以从直观的纵向曲线看，当某个测井曲线来看整体波动性不大，但是某个深度的异常参数导致的曲线波动性较大的点，则可以判断该深度对应的参数为异常值。数据清洗可以提高预测结果的准确率。
标准化处理是将各个参数组的值都统一到0-1之间，可以通过如下公式进行标准化：
其中，X为待标准化的数值，X′为X标准化后的值，min为X所属参数组的最小值，max为该参数组的最大值。
服务器可以对目标常规测井数据进行主要特征分析，主要特征分析主要是提取目标常规测井数据中的各个参数组的共有特征，示例性的，当目标常规测井数据中包括9个参数组，则对目标常规测井数据进行主要特征分析得到9个主成分数据，主成分数据以矩阵的形式表示。对目标常规测井数据进行主要特征分析后，服务器可以将主成分信息作为预先训练的模型的输入进行预测。主要特征分析具体实现可以参考实施例二。
需要说明的是，服务器在训练核磁共振T2谱预测模型时，如果对训练数据进行标准化和主要特征分析，则在上述对目标常规测井数据进行预处理时，也需要对目标常规测井数据进行标准化和主要特征分析，才能使得模型训练和预测的输入一致。
S303、将预处理后的目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型，得到目标核磁共振数据。
服务器获取到目标常规测井数据后，可以将目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中进行预测，得到目标常规测井数据对应的目标核磁共振数据，目标核磁共振数据中包括预测的不同格式的回波数据。
服务器预先训练得到的核磁共振T2谱预测模型，是通过训练数据对预设模型进行训练得到，具体的训练过程和训练数据的获取在实施例二中进行描述。
S304、根据目标核磁共振数据生成目标核磁共振T2谱。
服务器预测得到的目标核磁共振数据后，将预测得到的目标核磁共振数据保存。然后服务器可以利用测井数据处理软件对目标核磁共振数据进行反演计算，生成目标核磁共振T2谱。例如，一条核磁共振数据可以由32个回波数据组成，那么生成的核磁共振T2谱是由32个布点组成的曲线图。由于目标核磁共振数据是待测井段各个深度对应的数据，反演计算得到的目标核磁共振T2谱是待测井段中各个深度对应的核磁共振T2谱叠加形成的，使得开采人员可以根据该核磁共振T2谱对储层进一步分析，例如，可以根据该核磁共振T2谱对应的数据，进一步计算得到孔隙度、岩层渗透率、含水饱和度和含油饱和度等，不同的参数对应不同的计算公式。
在本实施例中，服务器通过获取待侧井位中的待测井段对应的目标常规测井数据，对目标常规测井数据进行预处理，然后将预处理后的目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标常规测井数据对应的目标核磁共振数据，然后根据目标核磁共振数据生成目标核磁共振T2谱。该目标核磁共振T2谱中包括地层内部特征信息，可用于开采人员估计地层的孔径分布和流体流动性等特征，降低了勘探开发成本。
实施例一对核磁共振T2谱的预测进行描述，在使用核磁共振T2谱预测模型进行预测之前，需要对预设模型进行训练才能得到核磁共振T2谱预测模型，下面通过实施例二对预设模型的训练进行说明。
参考图5，图5为本申请实施例二提供的一种物理约束与数据驱动构建核磁共振T2谱的方法的流程示意图，该方法可以由构建核磁共振T2谱的装置执行，该装置可以是服务器、专用设备、个人电脑等电子设备，该方法可以包括如下步骤。
S501、获取训练数据，训练数据包括特征数据和标签数据。
特征数据中包括各个深度对应的常规测井数据，标签数据包括常规测井数据对应的核磁共振数据。
训练数据的获取，具体实现如下：
一、服务器获取大量的原始常规测井数据和原始核磁共振数据。
原始常规测井数据中包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子、测井密度、光电截面指数、环境矫正后的密度和垂直矫正后的补偿中子每个参数组中包括各个深度对应的参数值。可以将这些参数组在测井数据处理软件中进行处理，每个参数组都可以形成一个纵向的测井曲线，即自然伽马曲线GR、自然电位曲线SP、井径测井曲线CAL、深侧向电阻率曲线RD、中侧向电阻率曲线RMLL、浅侧向电阻率曲线RS、声波时差曲线AC、补偿中子曲线CNL、密度测井曲线DEN、光电截面指数曲线PE、环境矫正后的密度曲线DENC和垂直矫正后的补偿中子曲线VCNL。
原始常规测井数据是开采人员使用各个参数组对应的测井工具在数据提取井位的目标井段中按照第二固定深度间隔测量得到的，原始核磁共振数据包括开采人员使用核磁共振测井仪在数据提取井位的目标井段中按照第一固定深度间隔测量的不同格式的原始回波数据，例如DLIS、XTF和CLS等格式的数据，一条原始核磁共振数据可以由32个回波数据组成。第一固定深度间隔与第二深度间隔不相等，示例性的，第一固定深度间隔为0.8米，第二深度间隔为0.0768米，即每隔0.8米测量一次原始核磁共振数据，每隔0.0768米测量一次原始常规测井数据。
服务器获取到的原始常规测井数据和原始核磁共振数据是按照不同的深度间隔得到的，即原始常规测井数据和原始核磁共振数据不是针对同一深度测量得到的，需要将原始常规测井数据和原始核磁共振数据在同一深度对齐。
二、服务器可以利用测井数据处理软件对原始常规测井数据按照预设深度间隔进行计算，得到计算后的原始常规测井数据。
三、服务器可以利用测井数据处理软件对核磁共振数据按照预设深度间隔进行计算，得到计算后的核磁共振数据，计算得到的核磁共振数据作为标签数据，测井数据处理软件可以是CIFLOG。
上述对原始核磁共振数据和原始常规测井数据按照预设深度间隔进行计算，是将原始核磁共振数据和原始常规测井数据在深度上对齐，即得到同一深度的原始常规测井数据和原始常规测井数据对应的原始核磁共振数据，例如，预设深度间隔设为0.1米，则每个0.1米就计算得到的一条原始常规测井数据和该原始常规测井数据对应的原始核磁共振数据。
四、服务器可以对计算后原始常规测井数据进行预处理，得到预处理后的原始常规测井数据，预处理包括数据清洗和/或标准化处理，使神经网络的训练更稳定。
对原始常规测井数据的数据清洗和标准化处理可以参考实施例一中步骤S302，这里不再赘述。
五、服务器对预处理后的原始常规测井数据做灰色关联度分析，得到预处理后的原始常规测中各参数组与预处理后的原始常规测井数据中的自然伽马参数组的关联度，选择关联度大于或者等于预设阈值的参数组形成常规测井数据，可以理解为计算各个测井曲线与自然伽马曲线的关联度，关联度实际上是曲线间几何形状的差别程度，曲线间差值大小，可作为关联程度的衡量尺度。
灰色关联度分析具体如下：
服务器可以以原始常规测井数据中自然伽马参数组作为灰色关联度分析的参考数列，以原始常规测井数据中其他各参数组作为各比较数列，参考数列反映数据整体特征的数据系列，可以理解为因变量，比较数列是影响数据变化的因素组成的数据系列，可以理解为自变量，参考数列和比较数列均为一个。
可以通过如下公式计算参考数列和比较数列的灰色关联度系数ξi(k)：
其中，ρ为分辨系数，ρ>0，ρ越小，分辨力越大,一般ρ的取值区间为(0，1)，通常取0.5。minimink是第二级最小差，记为Δmin，|x0(k)-xi(k)|为各比较数列xi上每一个参数值与参考数列x0上同一深度对应的参数值的绝对差值，记为Δ0i(k)，i表示用于区分各个比较数列。
上述计算公式也可以简化为：
根据公式(2)可以得到比较数列各个参数值与参考数列中对应深度的参数值的关联度，即得到各个参数组的参数值与自然伽马参数组中对应深度的参数值的关联度值，信息过于分散不便于曲线整体性的比较，可以将各个关联度值计算平均数，作为比较数列与参考数列间关联度的数量表示，平均关联度的计算公式如下：
其中，ri为平均关联度，ξi(k)为各个比较数列与参考数列的关联度。可以选择关联度预设阈值的比较数列对应的参数组成常规测井数据。
示例性的，原始常规测井数据中包括各个深度对应的参数：自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子、测井密度、光电截面指数、环境矫正后的密度和垂直矫正后的补偿中子，各参数对应的比较数列与参考数列的关联度参考表二。
表二
| 比较数列 | 关联度 |
| 自然电位 | 0.882146 |
| 井径 | 0.873648 |
| 深侧向电阻率 | 0.865874 |
| 中侧向电阻率 | 0.759745 |
| 浅侧向电阻率 | 0.747859 |
| 声波时差 | 0.732150 |
| 补偿中子 | 0.721056 |
| 测井密度 | 0.672678 |
| 光电截面指数 | 0.564597 |
| 环境矫正后的密度 | 0.596002 |
| 垂直矫正后的补偿中子 | 0.456942 |
选择关联度大于0.69的参数组形成常规测井数据，则常规测井数据中包括参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度，各参数组中包括各个深度的参数值。
可选的，服务器还可以对上述选择的常规测井数据进行主成分分析(PrincipalComponent Analysis，简称PCA)，得到各参数组对应的主成分信息，即得到各个参数组的共有特征，该主成分信息是以矩阵的形式表示，以达到对常规测井数据的降维处理。将主成分信息形成常规测井数据，即形成训练数据中的特征数据，使用参数组的共有特征进行训练，可以提升模型的精确率。
S502、通过训练数据对预设模型进行训练得到核磁共振T2谱预测模型。
服务器获得训练数据后，可以通过训练数据对预设模型进行训练，该预设模型可以由预设模型由三个长短期记忆神经网络LSTM层和两个全连接层组成。模型训练之前，模型权重初始化采用均匀分布初始化，偏置初始化为0.1。网络模型中的激活函数采用linear线性激活函数，训练模型的优化方法采用的是随机梯度下降法，优化器使用Adam优化器，模型训练采用批量训练的方法，每20个样本组成一个批次batch，步长为10，每条数据的维度由核磁共振T2谱的布点数决定。损失函数采用平均绝对误差(Mean Absolute Error，简称MAE)损失函数，学习率设置为0.02，训练过程使损失函数值loss不断减小，直到到达预设损失函数阈值或迭代次数达到设定的次数，预设损失函数阈值可以设置为0.0001，迭代次数可以设为10000次。
图6为上述预设模型训练及测试过程的误差变化图，横坐标为训练迭代次数，纵坐标为平均绝对误差，如图6所示，平均绝对误差随迭代次数的增加逐渐减小，使得准确率逐渐提升。训练完成后，可以使用测试集对训练结果进行测试，测试集中包括常规测井数据，图中对训练结果的测试，平均绝对误差随迭代次数的增加逐渐减小。服务器保存预设模型训练后的平均绝对误差和偏置参数，得到核磁共振T2谱预测模型。
可选的，预设模型也可以是循环神经网络RNN，图7为RNN的网络结构示意图，包括一个输入层、三个隐藏层和一个输出层。隐藏层的神经元个数分别为20、15和10个，权重初始化采用高斯初始化，偏置初始化为0.1。网络训练采用批量训练的方法，每50个样本组成一个批次batch，所有batch完成一次训练为一次迭代过程。损失函数采用平均绝对误差损失函数，学习率设置为0.02，训练过程使损失函数不断减小，直到到达设定的阈值或迭代次数达到设定的次数。
图8为RNN预设模型训练及测试过程的误差变化图，横坐标为训练迭代次数，纵坐标为平均绝对误差，如图8所示，平均绝对误差随迭代次数的增加逐渐减小，也使得准确率逐渐提升。完成训练后，可以使用测试集对训练结果进行测试，测试集中包括常规测井数据，图中对训练结果的测试，平均绝对误差随迭代次数的增加逐渐减小。服务器保存RNN权重和偏置参数，得到核磁共振T2谱预测模型。
由三个长短期记忆神经网络LSTM层和两个全连接层组成预设模型比RNN预设模型训练后得到的核磁共振T2谱预测模型准确率更高。得到的核磁共振T2谱预测模型可以用于需要测量核磁共振T2谱的井位中进行测量，只需获取该井位中的常规测井数据，输入该模型中即可得到预测的核磁共振T2谱，不需要核磁共振测井仪测量方法也根据预测的核磁共振T2谱估计地层的孔径分布和流体流动性等特征，降低了勘探开发成本。
在本实施例中，服务器通过获取训练数据集，对预设模型进行训练得到核磁共振T2谱预测模型，根据该模型可以为某些无法进行核磁共振测的井位预测核磁共振数据，从而得到核磁共振T2谱，为该地层提供解释资料和理论依据，可用于开采人员估计地层的孔径分布和流体流动性等特征，降低了勘探开发成本。
参考图9，图9为本申请实施例三提供的一种物理约束与数据驱动构建核磁共振T2谱的装置的结构示意图。如图9所示，该装置90包括：获取模块901，预处理模块902、预测模块903和生成模块904。
获取模块901，用于获取待测井位中的待测井段对应的目标常规测井数据。
预处理模块902，用于对目标常规测井数据进行以下一种或多种预处理：数据清洗、标准化处理和主要特征分析。
预测模块903，用于将预处理后的目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标核磁共振数据，目标核磁共振数据中包括不同格式的回波数据。
生成模块904，用于根据目标核磁共振数据生成目标核磁共振T2谱。
可选的，目标常规测井数据包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度，每个参数组中包括待测井段中各个深度对应的参数值。
还包括：
可选的，还包括：
用于获取训练数据，训练数据包括特征数据和标签数据，特征数据中包括各个深度对应的常规测井数据，标签数据包括常规测井数据对应的核磁共振数据。
通过训练数据对预设模型进行训练得到核磁共振T2谱预测模型。
可选的，获取训练数据，包括：
获取大量的原始常规测井数据和原始核磁共振数据，原始常规测井数据中包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子、测井密度光电截面指数、环境矫正后的密度和垂直矫正后的补偿中子，原始核磁共振数据包括核磁共振测井仪在数据提取井位的目标井段中按照第一固定深度间隔测量的不同格式的原始回波数据，原始常规测井数据是各个参数组对应的测井工具在数据提取井位的目标井段中按照第二固定深度间隔测量得到的，第一固定深度间隔与第二深度间隔不相等。
利用测井数据处理软件对原始常规测井数据按照预设深度间隔进行计算，得到计算后的原始常规测井数据。
利用测井数据处理软件对原始核磁共振数据按照预设深度间隔进行计算，得到计算后的原始核磁共振数据，计算后的原始核磁共振数据作为标签数据。
对计算后的原始常规测井数据进行预处理，得到预处理后的原始常规测井数据，预处理包括数据清洗和/或标准化处理。
对预处理后的原始常规测井数据做灰色关联度分析，得到预处理后的原始常规测井数据中各参数组与预处理后的原始常规测井数据中的自然伽马参数组的关联度，选择关联度大于或者等于预设阈值的参数组形成常规测井数据。
可选的，选择关联度大于或者等于预设阈值的参数组形成常规测井数据，包括：
选择关联度大于或者等于预设阈值的参数组。
对选择的参数组做主成分分析，得到各参数组对应的主成分信息，各参数组对应的主成分信息形成常规测井数据。
可选的，预设模型由三个长短期记忆神经网络LSTM层和两个全连接层组成。
本实施例的设备，可用于执行实施例一的一种物理约束与数据驱动构建核磁共振T2谱的方法，具体实现方式和技术效果类似，这里不再赘述。
参考图10，图10为本申请实施例四提供的一种电子设备的结构示意图，该设备包括100包括：处理器1001、存储器1002、收发器1003，该处理器1001执行存储器1002存储的计算机执行指令，并控制收发器1003的接收动作和发送动作，使得至少一个处理器执行实施例一的一种物理约束与数据驱动构建核磁共振T2谱的方法步骤，具体实现方式和技术效果类似，这里不再赘述。
本申请实施例五提供的一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，该计算机执行指令被处理器执行时用于实现如上述实施例一的一种物理约束与数据驱动构建核磁共振T2谱的方法步骤，具体实现方式和技术效果类似，这里不再赘述。
本发明实施例六提供的一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现如上述实施例一的一种物理约束与数据驱动构建核磁共振T2谱的方法步骤，具体实现方式和技术效果类似，这里不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种物理约束与数据驱动构建核磁共振T2谱的方法，其特征在于，包括：
获取待测井位中的待测井段对应的目标常规测井数据；
对所述目标常规测井数据进行以下一种或多种预处理：数据清洗、标准化处理和主要特征分析；
将预处理后的目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标核磁共振数据，所述目标核磁共振数据中包括不同格式的回波数据；
根据所述目标核磁共振数据生成目标核磁共振T2谱。
2.根据权利要求1所述的方法，其特征在于，所述目标常规测井数据包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度，每个参数组中包括所述待测井段中各个深度对应的参数值。
3.根据权利要求2所述的方法，其特征在于，还包括：
获取训练数据，所述训练数据包括特征数据和标签数据，所述特征数据中包括各个深度对应的常规测井数据，所述标签数据包括所述常规测井数据对应的核磁共振数据；
通过所述训练数据对预设模型进行训练得到所述核磁共振T2谱预测模型。
4.根据权利要求3所述的方法，其特征在于，所述获取训练数据，包括：
获取大量的原始常规测井数据和原始核磁共振数据，所述原始常规测井数据中包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子、测井密度光电截面指数、环境矫正后的密度和垂直矫正后的补偿中子，所述原始核磁共振数据包括核磁共振测井仪在数据提取井位的目标井段中按照第一固定深度间隔测量的不同格式的原始回波数据，所述原始常规测井数据是各个参数组对应的测井工具在所述数据提取井位的所述目标井段中按照第二固定深度间隔测量得到的，所述第一固定深度间隔与所述第二深度间隔不相等；
利用测井数据处理软件对所述原始常规测井数据按照预设深度间隔进行计算，得到计算后的原始常规测井数据；
利用测井数据处理软件对所述原始核磁共振数据按照所述预设深度间隔进行计算，得到计算后的原始核磁共振数据，计算后的原始核磁共振数据作为所述标签数据；
对所述计算后的原始常规测井数据进行预处理，得到预处理后的原始常规测井数据，所述预处理包括数据清洗和/或标准化处理；
对所述预处理后的原始常规测井数据做灰色关联度分析，得到所述预处理后的原始常规测井数据中各参数组与所述预处理后的原始常规测井数据中的自然伽马参数组的关联度，选择关联度大于或者等于预设阈值的参数组形成所述常规测井数据。
5.根据权利要求4所述的方法，其特征在于，所述选择关联度大于或者等于预设阈值的参数组形成所述常规测井数据，包括：
选择关联度大于或者等于预设阈值的参数组；
对选择的参数组做主成分分析，得到各参数组对应的主成分信息，所述各参数组对应的主成分信息形成所述常规测井数据。
6.根据权利要求3-5任一项所述的方法，其特征在于，所述预设模型由三个长短期记忆神经网络LSTM层和两个全连接层组成。
7.一种物理约束与数据驱动构建核磁共振T2谱的装置，其特征在于，包括：
获取模块，用于获取待测井位中的待测井段对应的目标常规测井数据；
预处理模块，用于对所述目标常规测井数据进行以下一种或多种预处理：数据清洗、标准化处理和主要特征分析；
预测模块，用于将预处理后的目标常规测井数据输入到预先训练得到的核磁共振T2谱预测模型中，得到目标核磁共振数据，所述目标核磁共振数据中包括不同格式的回波数据；
生成模块，用于根据所述目标核磁共振数据生成目标核磁共振T2谱。
8.根据权利要求7所述的方法，其特征在于，所述目标常规测井数据包括以下参数组：自然伽马值、自然电位、井径、深侧向电阻率、中侧向电阻率、浅侧向电阻率、声波时差、补偿中子和测井密度，每个参数组中包括所述待测井段中各个深度对应的参数值。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-6中任一项所述的方法。
10.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的一种物理约束与数据驱动构建核磁共振T2谱的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210005106.5A CN114594523A (zh) | 2022-01-04 | 2022-01-04 | 物理约束与数据驱动构建核磁共振t2谱的方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210005106.5A CN114594523A (zh) | 2022-01-04 | 2022-01-04 | 物理约束与数据驱动构建核磁共振t2谱的方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114594523A true CN114594523A (zh) | 2022-06-07 |
Family
ID=81803250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210005106.5A Pending CN114594523A (zh) | 2022-01-04 | 2022-01-04 | 物理约束与数据驱动构建核磁共振t2谱的方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114594523A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526684A (zh) * | 2016-11-04 | 2017-03-22 | 中国石油天然气股份有限公司 | 一种核磁共振测井t2谱采集方法及装置 |
| CN107728231A (zh) * | 2017-10-18 | 2018-02-23 | 科为联合(青岛)能源技术研究院有限公司 | 一种预测核磁共振测井横向弛豫时间t2分布的方法 |
| CN107991710A (zh) * | 2017-10-23 | 2018-05-04 | 中国石油天然气股份有限公司 | 一种储层孔径分布获取方法及装置 |
| CN108268712A (zh) * | 2018-01-05 | 2018-07-10 | 中国石油大学(北京) | 核磁共振确定孔隙介质毛管压力的方法和装置 |
| CN113759425A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 井震联合评价深层古岩溶储层充填特征的方法与系统 |
-
2022
- 2022-01-04 CN CN202210005106.5A patent/CN114594523A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526684A (zh) * | 2016-11-04 | 2017-03-22 | 中国石油天然气股份有限公司 | 一种核磁共振测井t2谱采集方法及装置 |
| CN107728231A (zh) * | 2017-10-18 | 2018-02-23 | 科为联合(青岛)能源技术研究院有限公司 | 一种预测核磁共振测井横向弛豫时间t2分布的方法 |
| CN107991710A (zh) * | 2017-10-23 | 2018-05-04 | 中国石油天然气股份有限公司 | 一种储层孔径分布获取方法及装置 |
| CN108268712A (zh) * | 2018-01-05 | 2018-07-10 | 中国石油大学(北京) | 核磁共振确定孔隙介质毛管压力的方法和装置 |
| CN113759425A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 井震联合评价深层古岩溶储层充填特征的方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| HAO LI: "Long Short-Term Memory and Variational Autoencoder With Convolutional Neural Networks for Generating NMR T2 Distributions", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, 28 February 2019 (2019-02-28) * |
| 姜均伟: "中东H油田复杂碳酸盐岩储层评价及产能预测", 西南石油大学学报(自然科学版), 26 April 2016 (2016-04-26) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Syed et al. | Application of ML & AI to model petrophysical and geomechanical properties of shale reservoirs–A systematic literature review | |
| CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
| US11699099B2 (en) | Confidence volumes for earth modeling using machine learning | |
| Lv et al. | A novel workflow based on physics-informed machine learning to determine the permeability profile of fractured coal seams using downhole geophysical logs | |
| 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 | |
| US10061052B2 (en) | Modeling subterranean fluid viscosity | |
| CN114529110A (zh) | 一种基于深度神经网络模型的岩相反演方法及系统 | |
| US20230289499A1 (en) | Machine learning inversion using bayesian inference and sampling | |
| US11828168B2 (en) | Method and system for correcting and predicting sonic well logs using physics-constrained machine learning | |
| CN115267935A (zh) | 数据与物理模型联合驱动的测井储层评价方法及装置 | |
| Hou et al. | Data-driven optimization of brittleness index for hydraulic fracturing | |
| Ghoochaninejad et al. | Estimation of fracture aperture from petrophysical logs using teaching–learning-based optimization algorithm into a fuzzy inference system | |
| CN111751878B (zh) | 横波速度的预测方法和装置 | |
| CN111626377B (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
| US11860325B2 (en) | Deep learning architecture for seismic post-stack inversion | |
| EP4196825B1 (en) | Machine learning-based differencing tool for hydrocarbon well logs | |
| Isam et al. | Unsupervised learning for oil drilling data classification | |
| CN113327070B (zh) | 智能勘查煤系气的方法、装置及电子设备 | |
| CN114594523A (zh) | 物理约束与数据驱动构建核磁共振t2谱的方法与装置 | |
| Wang et al. | Geophysical and production data history matching based on ensemble smoother with multiple data assimilation | |
| CN113640880B (zh) | 砂岩型铀矿地震勘探方法和装置 | |
| Nath et al. | Prediction and analysis of geomechanical properties using deep learning: A Permian Basin case study | |
| Lin et al. | Mwlt: Transformer-Based Missing Well Log Prediction | |
| US20240192646A1 (en) | Methods for accelerated development planning optimization using machine learning for unconventional oil and gas resources | |
| US20240052734A1 (en) | Machine learning framework for sweep efficiency quantification |
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 |