CN114624773A - 一种确定致密储层含气性的方法及装置 - Google Patents

一种确定致密储层含气性的方法及装置 Download PDF

Info

Publication number
CN114624773A
CN114624773A CN202210474506.0A CN202210474506A CN114624773A CN 114624773 A CN114624773 A CN 114624773A CN 202210474506 A CN202210474506 A CN 202210474506A CN 114624773 A CN114624773 A CN 114624773A
Authority
CN
China
Prior art keywords
module
data
prediction
model
determining
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
CN202210474506.0A
Other languages
English (en)
Inventor
蒋旭东
王兴建
师少晨
付京城
苏照东
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202210474506.0A priority Critical patent/CN114624773A/zh
Publication of CN114624773A publication Critical patent/CN114624773A/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
    • 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
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • 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
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及油气勘探技术领域，具体涉及一种确定致密储层含气性的方法及装置；本发明所提供的方法，通过获取储层中历史钻井位置处的测井数据，并对测井数据预处理，计算测井数据的反弹演练结果的弹性参数以及流体识别因子，用于对预测模型的训练，在预测模型完成训练后，会重新获取目的钻井位置处的测井数据，并获得流体识别因子，作为预测模型的输入，进而能够输出预测结果，所提供的方法，能够实现快速的预测效果，并在能够根据需求，设定预测的精度范围，使得所提供的装置，更具有实用性。

Description

一种确定致密储层含气性的方法及装置
技术领域
本发明涉及油气勘探技术领域，具体涉及一种确定致密储层含气性的方法及装置。
背景技术
近年来，随着天然气能源成为人们日常生活不可缺少的资源以及常规天然气藏产量日趋减少，致密砂岩气、煤层气、页岩气、水溶气等非常规天然气已成为世界油气工业中不可或缺的组成部分。并且，随着人们对非常规油气资源的重视程度不断加深，非常规油气勘探取得了重大突破，而逐渐成为非常规天然气发展重点领域的致密砂岩气也受到了广泛关注，且具有可观的勘探开发远景。
综合应用地质、钻井、测试及地震等各项资料对地下储集层的分布、厚度及岩性和物理性质变化进行预测是勘探开发中必不可少的技术，以便降低油气勘探过程中的风险。但是目前还没有一种快速预测致密储层含气性的方法。
综上所述，研发一种确定致密储层含气性的方法及装置，仍是油气勘探技术领域中亟需解决的关键问题。
发明内容
本发明为了解决上述问题，本发明提供了一种确定致密储层含气性的方法及装置，本发明所提供的方法和装置，能够实现快速的预测效果，并在能够根据需求，设定预测的精度范围，使得所提供的方法和装置，更具有实用性。
为实现上述目的，本发明提供了如下技术方案：
本发明的第一方面：提供了一种确定致密储层含气性的方法，包括以下步骤：
(1)获取储层中历史钻井位置处的测井数据，并对测井数据进行预处理；
(2)计算测井数据的反弹演练结果的弹性参数以及流体识别因子；
(3)将流体识别因子作为训练样本集，并将训练样本集拆分为训练集和测试集，用训练集对预测模型进行训练；
(4)用测试集对预测模型进行测试，至所训练的预测模型的正确率处于设定阈值内为止；
(5)获取目的钻井位置处的测井数据，对测井数据进行预处理后，将流体识别因子输入预测模型，输出储层的含气性。
本发明进一步设置为：在步骤(1)中，所述的对测井数据进行预处理是将测井数据中的赘余数据剔除、校正以及标准化处理。
本发明进一步设置为：在步骤(2)中，所述的计算测井数据的反弹演练结果的弹性参数的方法为：
通过高精度速度场将叠前时间偏移的共反射点道集的偏移距信息转换为入射角信息；在此基础上，把反射角范围内炮检距记录的数据进行分角度叠加；通过叠前反演获得弹性参数。
本发明进一步设置为：在步骤(2)中，所述的弹性参数包括纵波阻抗HP和横波阻抗Hs。
本发明进一步设置为：所述的流体识别因子是由储层的纵波阻抗HP和横波阻抗Hs组合计算得到的，其表达式为：T＝T(Hp,Hs,R)，式中R为调节因子。
本发明进一步设置为：在步骤(3)中，所述的预测模型为深度神经网络模型。
本发明进一步设置为：在步骤(4)中，若所训练的预测模型的正确率大于设定阈值，则重复步骤(1)-步骤(4)，至所训练的预测模型的正确率处于设定阈值内为止。
本发明的第二方面：还提供了一种确定致密储层含气性的装置，包括数据获取模块、数据处理模块、数据计算模块、预测模型模块、阈值设定模块和确定模型模块，其中：
所述的数据获取模块用于钻井位置处的测井数据；
所述的数据处理模块用于对测井数据的预处理，所述的数据处理模块的输入端与数据获取模块的输出端连接；
所述的数据计算模块用于计算获得流体识别因子，所述的数据计算模块的输入端与数据处理模块的输出端连接；
所述的预测模型模块用于提供深度神经网络模型，所述的预测模型模块的输入端与数据计算模块的输出端连接；
所述的阈值设定模块用于设定预测结果正确率的阈值；
所述的确定模型模块用于确定所训练的深度神经网络模型，所述的确定模型模块的输入端与阈值设定模块的输出端连接，所述的确定模型模块的输入端与预测模型模块的输出端连接。
本发明进一步设置为：还包括预测输出模块，所述的预测输出模块用于输出预测结果，所述的预测输出模块的输入端与预测模型模块连接，所述的预测输出模块的输出端与确定模型模块的输入端连接。
本发明进一步设置为：所述的预测模型模块的输出端与数据获取模块的输入端连接。
有益效果
采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
本发明所提供的方法，通过获取储层中历史钻井位置处的测井数据，并对测井数据预处理，计算测井数据的反弹演练结果的弹性参数以及流体识别因子，用于对预测模型的训练，在预测模型完成训练后，会重新获取目的钻井位置处的测井数据，并获得流体识别因子，作为预测模型的输入，进而能够输出预测结果，所提供的方法，能够实现快速的预测效果，并在能够根据需求，设定预测的精度范围，使得所提供的装置，更具有实用性。
附图说明
图1为本发明一种确定致密储层含气性的方法的流程图；
图2为本发明一种确定致密储层含气性的装置的示意图。
图中标号说明：
100、数据获取模块；200、数据处理模块；300、数据计算模块；400、预测模型模块；500、阈值设定模块；600、确定模型模块；700、预测输出模块。
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。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通；对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例：
如图1所示，本发明提供了一种确定致密储层含气性的方法，包括以下步骤：
(1)获取储层中历史钻井位置处的测井数据，并对测井数据进行预处理。
进一步的，对测井数据进行预处理是将测井数据中的赘余数据剔除、校正以及标准化处理、校正以及标准化处理。
在本实施例中，通过对测井预处理，以便提供质量可信、深度一致、数值正确且消除了与探测目的无关的因素影响之后的测井数据。
(2)计算测井数据的反弹演练结果的弹性参数以及流体识别因子。
进一步的，计算测井数据的反弹演练结果的弹性参数的方法为：
通过高精度速度场将叠前时间偏移的共反射点道集的偏移距信息转换为入射角信息；在此基础上，把反射角范围内炮检距记录的数据进行分角度叠加；通过叠前反演获得弹性参数。
进一步的，弹性参数包括纵波阻抗HP和横波阻抗Hs。
进一步的，流体识别因子是由储层的纵波阻抗HP和横波阻抗Hs组合计算得到的，其表达式为：T＝T(Hp,Hs,R)，式中R为调节因子。
在本实施例中，采用叠前同时反演来提高反演的可靠性，其中R可以根据地区情况选择出适当的值，HP＝ρvp，Hs＝ρvs，ρ为密度，通过输入多样的特征可以提高预测精度。
(3)将流体识别因子作为训练样本集，并将训练样本集拆分为训练集和测试集，用训练集对预测模型进行训练。
进一步的，预测模型为深度神经网络模型。
在本实施例中，通过将训练样本分为训练集和测试集，由训练集对预测模型进行训练，再由测试集对训练后的预测模型进行测试，为了保障所训练的预测模型能够满足使用需求，需要采用大量的训练集进行训练，在本实施例中，所用的训练集至少在850个以上，以保证训练效果。
(4)用测试集对预测模型进行测试，至所训练的预测模型的正确率处于设定阈值内为止。
进一步的，若所训练的预测模型的正确率大于设定阈值，则重复步骤(1)-步骤(4)，至所训练的预测模型的正确率处于设定阈值内为止。
在本实施例中，通过所设置的阈值，能够对预测模型的正确率进行测试，由测试集作为输入，获取预测输出进行对比，以保证所训练的预测模型的正确率能够满足使用需求。
(5)获取目的钻井位置处的测井数据，对测井数据进行预处理后，将流体识别因子输入预测模型，输出储层的含气性。
在本实施例中，在完成预测模型的测试后，便可以获取目的钻井位置处的测井数据，并进行预处理，再计算测井数据的反弹演练结果的弹性参数以及流体识别因子，将流体识别因子输入预测模型，输出储层的含气性。
实施例2：
为了实现实施例1的目的，如图2所示，本发明还提供了一种确定致密储层含气性的装置，包括数据获取模块100、数据处理模块200、数据计算模块300、预测模型模块400、阈值设定模块500和确定模型模块600，其中：数据获取模块100用于钻井位置处的测井数据；数据处理模块200用于对测井数据的预处理，数据处理模块200的输入端与数据获取模块100的输出端连接；数据计算模块300用于计算获得流体识别因子，数据计算模块300的输入端与数据处理模块200的输出端连接；预测模型模块400用于提供深度神经网络模型，预测模型模块400的输入端与数据计算模块300的输出端连接；阈值设定模块500用于设定预测结果正确率的阈值；确定模型模块600用于确定所训练的深度神经网络模型，确定模型模块600的输入端与阈值设定模块500的输出端连接，确定模型模块600的输入端与预测模型模块400的输出端连接。
在本实施例中，由数据获取模块100进行数据获取，将所获取的数据传送给数据处理模块200，由数据处理模块200将测井数据中的赘余数据剔除、校正以及标准化处理、校正以及标准化处理，并预处理的数据传送给数据计算模块300，通过数据计算模块300计算测井数据的反弹演练结果的弹性参数以及流体识别因子，输入到预测模型模块400内，对预测模型进行训练，并在训练后，进行测试，为了满足对于预测的精度要求，可以通过阈值设定模块500进行阈值设定，并由确定模型模块600进行结果对比，在满足需求时，确定所训练的模型，在不能满足需求时，会从新由数据获取模块100进行数据获取，并重新训练模型。
此外，还包括预测输出模块700，预测输出模块700用于输出预测结果，预测输出模块700的输入端与预测模型模块400连接，预测输出模块700的输出端与确定模型模块600的输入端连接，预测模型模块400的输出端与数据获取模块100的输入端连接。
在本实施例中，所设置的预测输出模块700输出预测模型的结果，所输出的结果会传输给确定模型模块600进行结果对比，以便确定训练的预测模型，此外，在预测模型不能满足需求时，预测模型模块400会向数据获取模块100发送指令，从新获取数据，对预测模型进行训练。
本发明所提供的方法和装置，能够实现快速的预测效果，并在能够根据需求，设定预测的精度范围，使得所提供的方法和装置，更具有实用性。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种确定致密储层含气性的方法，其特征在于，包括以下步骤：
(1)获取储层中历史钻井位置处的测井数据，并对测井数据进行预处理；
(2)计算测井数据的反弹演练结果的弹性参数以及流体识别因子；
(3)将流体识别因子作为训练样本集，并将训练样本集拆分为训练集和测试集，用训练集对预测模型进行训练；
(4)用测试集对预测模型进行测试，至所训练的预测模型的正确率处于设定阈值内为止；
(5)获取目的钻井位置处的测井数据，对测井数据进行预处理后，将流体识别因子输入预测模型，输出储层的含气性。
2.根据权利要求1所述的一种确定致密储层含气性的方法，其特征在于，在步骤(1)中，所述的对测井数据进行预处理是将测井数据中的赘余数据剔除、校正以及标准化处理。
3.根据权利要求1所述的一种确定致密储层含气性的方法，其特征在于，在步骤(2)中，所述的计算测井数据的反弹演练结果的弹性参数的方法为：
通过高精度速度场将叠前时间偏移的共反射点道集的偏移距信息转换为入射角信息；在此基础上，把反射角范围内炮检距记录的数据进行分角度叠加；通过叠前反演获得弹性参数。
4.根据权利要求1所述的一种确定致密储层含气性的方法，其特征在于，在步骤(2)中，所述的弹性参数包括纵波阻抗HP和横波阻抗Hs。
5.根据权利要求1所述的一种确定致密储层含气性的方法，其特征在于，所述的流体识别因子是由储层的纵波阻抗HP和横波阻抗Hs组合计算得到的，其表达式为：T＝T(Hp,Hs,R)，式中R为调节因子。
6.根据权利要求1所述的一种确定致密储层含气性的方法，其特征在于，在步骤(3)中，所述的预测模型为深度神经网络模型。
7.根据权利要求1所述的一种确定致密储层含气性的方法，其特征在于，在步骤(4)中，若所训练的预测模型的正确率大于设定阈值，则重复步骤(1)-步骤(4)，至所训练的预测模型的正确率处于设定阈值内为止。
8.一种确定致密储层含气性的装置，其特征在于，包括数据获取模块(100)、数据处理模块(200)、数据计算模块(300)、预测模型模块(400)、阈值设定模块(500)和确定模型模块(600)，其中：
所述的数据获取模块(100)用于钻井位置处的测井数据；
所述的数据处理模块(200)用于对测井数据的预处理，所述的数据处理模块(200)的输入端与数据获取模块(100)的输出端连接；
所述的数据计算模块(300)用于计算获得流体识别因子，所述的数据计算模块(300)的输入端与数据处理模块(200)的输出端连接；
所述的预测模型模块(400)用于提供深度神经网络模型，所述的预测模型模块(400)的输入端与数据计算模块(300)的输出端连接；
所述的阈值设定模块(500)用于设定预测结果正确率的阈值；
所述的确定模型模块(600)用于确定所训练的深度神经网络模型，所述的确定模型模块(600)的输入端与阈值设定模块(500)的输出端连接，所述的确定模型模块(600)的输入端与预测模型模块(400)的输出端连接。
9.根据权利要求8所述的一种确定致密储层含气性的装置，其特征在于，还包括预测输出模块(700)，所述的预测输出模块(700)用于输出预测结果，所述的预测输出模块(700)的输入端与预测模型模块(400)连接，所述的预测输出模块(700)的输出端与确定模型模块(600)的输入端连接。
10.根据权利要求8所述的一种确定致密储层含气性的装置，其特征在于，所述的预测模型模块(400)的输出端与数据获取模块(100)的输入端连接。
CN202210474506.0A 2022-04-29 2022-04-29 一种确定致密储层含气性的方法及装置 Pending CN114624773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210474506.0A CN114624773A (zh) 2022-04-29 2022-04-29 一种确定致密储层含气性的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210474506.0A CN114624773A (zh) 2022-04-29 2022-04-29 一种确定致密储层含气性的方法及装置

Publications (1)

Publication Number Publication Date
CN114624773A true CN114624773A (zh) 2022-06-14

Family

ID=81906290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210474506.0A Pending CN114624773A (zh) 2022-04-29 2022-04-29 一种确定致密储层含气性的方法及装置

Country Status (1)

Country Link
CN (1) CN114624773A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880903A (zh) * 2012-07-13 2013-01-16 刘立峰 混沌量子粒子群模糊神经网络叠前非线性流体识别方法
US20190170888A1 (en) * 2017-12-06 2019-06-06 Chevron U.S.A. Inc. Systems and methods for refining estimated parameter values in seismic imaging
CN110346831A (zh) * 2019-07-19 2019-10-18 同济大学 一种基于随机森林算法的智能化地震流体识别方法
CN111077568A (zh) * 2019-12-20 2020-04-28 中国石油大学(北京) 致密油气储层流体因子检测油气储层的方法及设备
CN112083498A (zh) * 2020-10-16 2020-12-15 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
US20210026031A1 (en) * 2019-07-26 2021-01-28 Yangtze University Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium
WO2021130512A1 (en) * 2019-12-23 2021-07-01 Total Se Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data
CN113534261A (zh) * 2021-08-20 2021-10-22 成都理工大学 基于智能优化集成网络的储层含气性检测方法及装置
CN113608264A (zh) * 2021-07-30 2021-11-05 成都理工大学 联合叠前弹性反演参数及深度网络目标反演技术

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880903A (zh) * 2012-07-13 2013-01-16 刘立峰 混沌量子粒子群模糊神经网络叠前非线性流体识别方法
US20190170888A1 (en) * 2017-12-06 2019-06-06 Chevron U.S.A. Inc. Systems and methods for refining estimated parameter values in seismic imaging
CN110346831A (zh) * 2019-07-19 2019-10-18 同济大学 一种基于随机森林算法的智能化地震流体识别方法
US20210026031A1 (en) * 2019-07-26 2021-01-28 Yangtze University Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium
CN111077568A (zh) * 2019-12-20 2020-04-28 中国石油大学(北京) 致密油气储层流体因子检测油气储层的方法及设备
WO2021130512A1 (en) * 2019-12-23 2021-07-01 Total Se Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data
CN112083498A (zh) * 2020-10-16 2020-12-15 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN113608264A (zh) * 2021-07-30 2021-11-05 成都理工大学 联合叠前弹性反演参数及深度网络目标反演技术
CN113534261A (zh) * 2021-08-20 2021-10-22 成都理工大学 基于智能优化集成网络的储层含气性检测方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
J.W. CHENG，等: "A CASE STUDY OF ANISOTROPIC AVO INVERSION AND QUANTITATIVE SEISMIC INTERPRETATION FOR DEEP SHALE GAS RESERVOIR" *
代玲，等: "复杂地质条件下薄储层高分辨率精细预测技术研究-以珠江口盆地 X 油田为例" *
刘立峰等: "量子粒子群模糊神经网络碳酸盐岩流体识别方法研究" *
孙宇航等: "基于无监督深度学习的多波AVO反演及储层流体识别" *
曹绍贺;: "基于叠前道集的致密砂岩储层含气性预测方法" *
蒋旭东: "川西深层雷口坡组碳酸盐岩储层含气性预测方法研究" *

Similar Documents

Publication Publication Date Title
CN104533400B (zh) 一种重构测井曲线的方法
CN110954948B (zh) 一种岩石物理约束储层物性参数反演方法及系统
CN110954944A (zh) 一种断层圈闭含油高度地震预测方法
CN107436452A (zh) 基于概率神经网络算法的烃源岩预测方法及装置
CN111381292B (zh) 一种预测砂岩含烃储层的测井解释方法与装置
CN107304674A (zh) 一种利用钻井液核磁共振评价储层含油性的录井方法
CN113216945B (zh) 一种致密砂岩储层渗透性定量评价方法
CN112946782B (zh) 一种致密油气储渗体地震精细刻画方法
CN114624773A (zh) 一种确定致密储层含气性的方法及装置
CN110579797A (zh) 一种泥页岩储层含气量地球物理定量预测方法
CN112505154B (zh) 泥页岩储层矿物成分含量解析与岩相识别表征方法
CN116413831A (zh) 多井合成地震记录自动标定及构造解释和储层预测方法
Yang et al. Application of conventional logging interpretation fracture method based on neural network in offshore Oilfield L
CN112394392A (zh) 对烃源岩分布情况进行评价的方法和装置
CN111123357B (zh) 非常规油气藏评价指数的确定方法及装置
CN111929744B (zh) 一种基于Kendall′s系数的多元信息储层分类方法
CN113962111B (zh) 一种煤体结构预测方法
CN115079261B (zh) 一种基于多参数定量解释模板的致密砂岩气储层评价方法
CN115508890B (zh) 一种裂缝孔隙型储层叠前叠后反演方法
CN118153411B (zh) 基于深度学习的电学监测反演深海采矿羽流浓度剖面方法
CN117390970B (zh) 一种兼顾多元驱动预测的油气储存量化方法
Iloghalu Application of neural networks technique in lithofacies classifications used for 3-D reservoir geological modelling and exploration studies: a novel computer-based methodology for depositional environment interpretation
CN108761531B (zh) 一种基于svm理论的煤体结构智能预测方法
CN108931813B (zh) 一种识别礁盖、礁核、礁基的方法
CN117572526A (zh) 基于分形几何学的碳酸盐岩储层裂缝识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220614