CN114787665A - 无监督的测井记录重建和异常值检测 - Google Patents

无监督的测井记录重建和异常值检测 Download PDF

Info

Publication number
CN114787665A
CN114787665A CN202080068467.3A CN202080068467A CN114787665A CN 114787665 A CN114787665 A CN 114787665A CN 202080068467 A CN202080068467 A CN 202080068467A CN 114787665 A CN114787665 A CN 114787665A
Authority
CN
China
Prior art keywords
logs
segments
neural network
outlier
incomplete
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
CN202080068467.3A
Other languages
English (en)
Inventor
陈晓理
H·马尼亚
A·阿布巴卡
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.)
Schlumberger Technology Corp
Original Assignee
Schlumberger Technology Corp
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 Schlumberger Technology Corp filed Critical Schlumberger Technology Corp
Publication of CN114787665A publication Critical patent/CN114787665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • E21B47/00—Survey of boreholes or wells
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • 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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
    • 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
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2200/00—Details of seismic or acoustic prospecting or detecting in general
    • G01V2200/10—Miscellaneous details
    • G01V2200/14—Quality control
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Mining & Mineral Resources (AREA)
  • Acoustics & Sound (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Debugging And Monitoring (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种方法包括：接收包括多个测井记录的测井记录数据；标识所述多个测井记录中的具有基本上完整的数据的一个或多个测井记录的一个或多个段；训练重建神经网络以基于具有基本上完整的数据的所述一个或多个测井记录的所述一个或多个段来重建不完整的测井记录；以及使用所述重建神经网络来重建所述多个测井记录中的一个或多个不完整的测井记录。

Description

无监督的测井记录重建和异常值检测
相关申请的交叉引用
本申请要求于2019年9月6日提交的序列号为62/897,088的美国临时专利申请的优先权，该申请全文以引用方式并入本文。
背景技术
在油气工业中，在钻探期间或钻探之后，使用测井装备收集测井记录以确定井周围的地层的特性。测井记录可包括伽马射线测井记录、电阻率测井记录、中子测井记录、密度测井记录、孔隙度测井记录等。
然而，例如由于传感器故障和/或人为错误，测井记录可能是不完整的。最近，机器学习模型已被用于自动重建测井记录的缺失元素。通常，机器学习模型使用来自特定区域的经标记的高质量测井记录的语料库来训练，机器学习模型使用该语料库来在输入、不完整的测井记录与输出或“重建”测井记录之间建立预测链接，其中不完整数据被填充。
然而，这样的经标记的高质量测井记录训练数据的获取可能存在挑战。例如，高质量测井记录的段由人工操作员(通常是领域专家)手动确定，这可能是昂贵且耗时的。此外，由于地下地球化学性质的差异，经标记的高质量测井记录可能不具有普遍适用性，即，来自一个油田的测井记录的标记可能对训练机器学习模型以重建另一油田的测井记录是无用的。因此，在相对新的油田中，可能不存在任何可用的经标记的训练数据或者可能不存在足够量的可用的经标记的训练数据。
附图说明
并入本说明书并且构成本说明书的一部分的附图示出本教导内容并且连同描述的实施方案，用来解释本教导内容的原理。在附图中：
图1A、图1B、图1C、图1D、图2、图3A和图3B示出根据一个实施方案的油田及其操作的简化示意图。
图4示出了根据一个实施方案的用于例如使用诸如自动编码器之类的神经网络的测井记录重建的工作流程的流程图。
图5示出了根据一个实施方案的例如用于执行图4的工作流程的神经网络的示意图。
图6示出了根据一个实施方案的用于例如使用诸如自动编码器之类的神经网络的测井记录重建和异常值检测的工作流程的流程图。
图7示出了根据一个实施方案的重建误差直方图。
图8示出了根据一个实施方案的用于执行本文所公开的方法中的一种或多种方法的计算系统的示意图。
具体实施方式
现在详细参考实施方案，这些实施方案的实例在附图中示出。在下列详述中，陈述了许多具体的细节以提供对本发明的深入理解。然而，对本领域的技术人员将是显而易见的是，在没有这些具体细节的情况下也可以实践本发明。在其他情况下，众所周知的方法、过程、部件、电路以及网络并未进行详细描述，以便不会不必要地混淆实施方案的方面。
还应当了解，尽管术语第一、第二等可以在本文中用以描述各种元件，但这些元件不应受限于这些术语。这些术语仅用以区别一个元件与另一元件。例如，在不脱离本发明的范围的情况下，第一对象可被称为第二对象，并且类似地，第二对象可被称为第一对象。第一对象和第二对象分别是两个对象，但不应将它们视为同一对象。
本发明描述中所使用的术语仅用于描述特定实施方案的目的且并非意在限制本发明。如在本发明的说明书和所附权利要求中所使用的，单数形式“一”，“一个”和“该”也旨在包括复数形式，除非上下文另有明确指示。还应当理解，如本文使用的术语“和/或”是指并涵盖相关联的所列项目中一个或多个的任何可能的组合。还应当理解，术语“包括”、“包含”和/或“含有”在用于本说明书中时，规定存在所陈述的特征、整数、步骤、操作、元件和/或部件，但是不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、部件和/或其群组。此外，如本文所使用，术语“如果”可解释为表示“在……时”或“在……后”或“响应于确定”或“响应于检测到”，这取决于上下文。
现在将注意力转向根据一些实施方案的处理过程、方法、技术和工作流程。本文所公开的处理过程、方法、技术和工作流程中的一些操作可进行组合和/或一些操作的顺序可改变。
图1A至图1D示出根据本文所述的各种技艺和技术的实现方式的油田100的简化示意图，所述油田具有在其中包含储层104的地下地层102。图1A示出正在由勘测工具(诸如地震车106.1)执行以测量地下地层的性质的勘测操作。勘测操作是用于产生声音振动的地震勘测操作。在图1A中，一种此类声音振动(例如由源110生成的声音振动112)反射离开地球地层116中的地平线114。一组声音振动由位于地球地表上的传感器(诸如地震检波器-接收器118)接收。接收的数据120作为输入数据提供给地震车106.1的计算机122.1，并且响应于输入数据，计算机122.1生成地震数据输出124。此地震数据输出可例如通过数据约简根据需要存储、传输或进一步处理。
图1B示出正在由钻探工具106.2执行的钻探操作，所述钻探工具由钻机128悬挂并推进到地下地层102中以形成井筒136。泥浆坑130用于经由流动管线132将钻探泥浆抽吸到钻探工具中，以用于使钻探泥浆向下循环通过钻探工具，然后向上通过井筒136并返回到地表。钻探泥浆通常被过滤并返回到泥浆坑。循环系统可用于储存、控制或过滤流动的钻探泥浆。钻探工具被推进到地下地层102中以到达储层104。每个井可以一个或多个储层为目标。钻探工具适用于使用随钻测井工具测量井下性质。随钻测井工具还可适用于如图所示取岩心样本133。
计算机设施可定位在油田100周围的各个位置(例如，地表单元134)和/或远程位置处。地表单元134可用于与钻探工具和/或场外操作通信，以及与其他地表或井下传感器通信。地表单元134能够与钻探工具通信以向钻探工具发送命令并从所述钻探工具接收数据。地表单元134还可收集在钻探操作期间生成的数据并且产生数据输出135，然后可存储或传输所述数据输出。
传感器(S)(诸如应变仪)可定位在油田100周围以收集如前所述与各种油田操作相关的数据。如图所示，传感器(S)定位在钻探工具中的一个或多个位置中和/或钻机128处，以测量钻探参数，诸如钻压、钻头扭矩、压力、温度、流量、成分、旋转速度和/或其他矿田操作参数。传感器(S)也可定位在循环系统中的一个或多个位置中。
钻探工具106.2可包括井底组件(BHA)(未示出)，一般是指靠近钻头(例如，在距钻头的若干钻铤长度内)。井底组件包括用于测量、处理和存储信息以及与地表单元134通信的能力。井底组件还包括用于执行各种其他测量功能的钻铤。
井底组件可包括与地表单元134通信的通信子组件。通信子组件适于使用通信信道(诸如泥浆脉冲遥测、电磁遥测或有线钻杆通信)向地表发送信号和从地表接收信号。通信子组件可包括例如发射器，所述发射器生成表示所测量的钻探参数的信号(诸如声学或电磁信号)。本领域技术人员将了解，可采用多种遥测系统，诸如有线钻杆、电磁或其他已知遥测系统。
通常，根据在钻探之前建立的钻探规划钻探井筒。钻探规划通常阐述限定井场的钻探过程的装备、压力、轨线和/或其他参数。然后可根据钻探规划执行钻探操作。然而，当搜集信息时，钻探操作可需要偏离钻探规划。另外，当执行钻探或其他操作时，地表下条件可改变。当收集新信息时，地球模型也可需要调整。
由传感器(S)搜集的数据可由地表单元134和/或其他数据收集源收集以供分析或进行其他处理。由传感器(S)收集的数据可单独或与其他数据组合使用。数据可收集在一个或多个数据库中和/或在现场或场外传输。数据可以是历史数据、实时数据或它们的组合。实时数据可实时使用，或可被存储以供稍后使用。数据还可与历史数据或其他输入结合以供进一步分析。数据可存储在单独数据库中，或可结合到单一数据库中。
地表单元134可包括收发器137以允许在地表单元134和油田100的各个部分或其他位置之间进行通信。地表单元134还可设置有用于致动油田100处的机构的一个或多个控制器(未示出)或在功能上连接到所述一个或多个控制器。地表单元134然后可响应于接收到的数据而向油田100发送命令信号。地表单元134可经由收发器137接收命令或者可自身向控制器执行命令。可提供处理器来分析数据(本地或远程地)、作出决策并且/或者致动控制器。以此方式，可基于收集的数据选择性地调整油田100。此技术可用于优化(或改进)矿田操作的各部分，诸如控制钻探、钻压、泵速率或其他参数。可基于计算机协议自动地和/或通过操作员手动地作出这些调整。在一些情况下，可调整井规划以选择最佳(或改进的)操作条件或者以避免问题。
图1C示出正在由缆线工具106.3执行的缆线操作，所述缆线工具由钻机128悬挂并进入图1B的井筒136中。缆线工具106.3适于部署到井筒136中以用于生成测井、执行井下测试并且/或者收集样本。缆线工具106.3可用于提供用于执行地震勘测操作的另一种方法和设备。缆线工具106.3可例如具有向周围的地下地层102和其中的流体发送和/或接收电信号的爆炸性、放射性、电的或声能源144。
缆线工具106.3可以可操作地连接到例如图1A的地震检波器118和地震车106.1的计算机122.1。缆线工具106.3也可向地表单元134提供数据。地表单元134可收集在缆线操作期间生成的数据并且可产生可被存储或传输的数据输出135。缆线工具106.3可定位在井筒136中的不同深度处以提供与地下地层102相关的勘测信息或其他信息。
传感器(S)(诸如应变仪)可定位在油田100周围以收集如前所述与各种矿田操作相关的数据。如图所示，传感器S定位在缆线工具106.3中以测量与例如孔隙率、渗透率、流体成分和/或其他矿田操作参数相关的井下参数。
图1D示出正在由生产工具106.4执行的生产操作，所述生产工具自生产单元或采油树129开始部署并且进入完井筒136中，以用于将来自井下储层的流体抽吸到地表设施142中。流体从储层104穿过套管(未示出)中的穿孔并进入井筒136中的生产工具106.4中，并且经由集油管网146到达地表设施142。
传感器(S)(诸如应变仪)可定位在油田100周围以收集如前所述与各种矿田操作相关的数据。如图所示，传感器(S)可定位在生产工具106.4中或相关联的装备(诸如采油树129、集油管网146、地表设施142和/或生产设施)中，以测量流体参数，诸如流体成分、流量、压力、温度和/或其他生产操作参数。
生产还可包括注入井以用于提高采收率。一个或多个集油设施可以可操作地连接到井场中的一个或多个，以用于从一个或多个井场选择性地收集井下流体。
虽然图1B至图1D示出用于测量油田的性质的工具，但将了解，可结合非油田操作(诸如气田、矿山、蓄水层、储藏或其他地下设施)来使用所述工具。另外，虽然描绘了某些数据采集工具，但将了解，可使用能够感测地下地层和/或其地质地层的参数(诸如地震双向行进时间、密度、电阻率、产率等)的各种测量工具。各种传感器(S)可位于沿着井筒和/或监测工具的各个位置处以收集和/或监测所需数据。还可从场外位置提供其他数据源。
图1A至图1D的矿田配置意图提供对可与油田应用框架一起使用的矿田实例的简要描述。油田100的部分或整体可位于陆地上、水上和/或海上。另外，虽然描绘了在单一位置处测量的单一矿田，但油田应用可与一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合一起利用。
图2示出根据本文所述的各种技艺和技术的实现方式的油田200的部分横截面的示意图，所述油田具有定位在沿着油田200的各个位置处以用于收集地下地层204的数据的数据采集工具202.1、202.2、202.3和202.4。数据采集工具202.1-202.4可分别与图1A至图1D的数据采集工具106.1-106.4或者未描绘的其他数据采集工具相同。如图所示，数据采集工具202.1-202.4分别生成数据图或测量值208.1-208.4。沿着油田200描绘这些数据图以展示通过各种操作生成的数据。
数据图208.1-208.3是可分别由数据采集工具202.1-202.3生成的静态数据图的实例；然而，应当理解，数据图208.1-208.3还可以是实时更新的数据图。可分析这些测量值以更好地限定一个或多个地层的性质并且/或者确定测量值的精度和/或用于检查错误。可对相应测量值中的每一个的图进行对准和缩放，以便比较和验证所述性质。
静态数据图208.1是一段时间内的地震双向响应。静态图208.2是从地层204的岩心样本测量的岩心样本数据。所述岩心样本可用于提供数据，诸如在岩心长度上岩心样本的密度、孔隙率、渗透率或某一其他物理性质的曲线图。可在不同压力和温度下对岩心中的流体执行密度和粘度测试。静态数据图208.3是通常提供在各种深度处地层的电阻率或其他测量值的测井迹线。
产量递减曲线或曲线图208.4是流体流量随时间变化的动态数据图。产量递减曲线通常提供随时间变化的生产率。当流体流过井筒时，对诸如流量、压力、成分等的流体性质进行测量。
还可收集其他数据，诸如历史数据、用户输入、经济信息和/或其他测量数据和感兴趣的其他参数。如下文所描述，可分析和使用静态和动态测量值以生成地下地层的模型来确定所述地下地层的特性。类似的测量也可用于测量地层方面随时间的变化。
地下结构204具有多个地质地层206.1-206.4。如图所示，此结构具有若干地层或层，包括页岩层206.1、碳酸盐层206.2、页岩层206.3和砂层206.4。断层207延伸穿过页岩层206.1和碳酸盐层206.2。静态数据采集工具适于进行测量并且检测地层的特性。
虽然描绘了具有特定地质结构的特定地下地层，但将了解，油田200可包含有时具有极度复杂性的多种地质结构和/或地层。在一些位置，通常在水线以下，流体可占据地层的孔隙空间。可使用测量装置中的每一个来测量地层的性质和/或其地质特征。虽然每个采集工具在油田200中被示出为处于特定位置，但将了解，可在跨一个或多个矿田的一个或多个位置或其他位置处进行一种或多种类型的测量以便进行比较和/或分析。
然后可处理和/或评估从诸如图2的数据采集工具的各种源收集的数据。通常，地球物理学家使用来自数据采集工具202.1的在静态数据图208.1中显示的地震数据来确定地下地层的特性和特征。地质学家通常使用在静态图208.2中示出的岩心数据和/或来自测井208.3的测井数据来确定地下地层的各种特性。储层工程师通常使用来自曲线图208.4中的生产数据来确定流体流动储层特性。可使用建模技术来分析由地质学家、地球物理学家和储层工程师分析的数据。
图3A示出根据本文所述的各种技艺和技术的实现方式的用于执行生产操作的油田300。如图所示，油田具有可操作地连接到中央处理设施354的多个井场302。图3A的油田配置并不意图限制油田应用系统的范围。所述油田的部分或全部可位于陆地上和/或海洋上。另外，虽然描绘了具有单一处理设施和多个井场的单一油田，但可存在一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合。
每个井场302具有在地球中形成井筒336的装备。井筒延伸穿过包括储层304的地下地层306。这些储层304包含流体，诸如烃。井场从储层抽取流体并且经由地表网络344将它们传递到处理设施。地表网络344具有用于控制流体从井场流动到处理设施354的管件和控制机构。
现在将注意力转向图3B，其示出根据本文描述的各种技术的一个或多个实现方式的地下地表下362的基于海洋的勘测360的侧视图。地表下362包括海底浅层364。地震源366可包括海洋源，诸如可控震源或气枪，所述海洋源可在延长时间段内或在由脉冲源提供的几乎瞬时能量下将地震波368(例如，能量信号)传播到地球中。海洋源可将地震波作为频率扫描信号进行传播。例如，可控震源类型的海洋源可初始地在低频率(例如，5Hz)下发射地震波并且随时间将所述地震波增加到高频率(例如，80Hz-90Hz)。
地震波368的一个或多个分量可被海底浅层364(即，反射器)反射和转换，并且地震波反射370可被多个地震接收器372接收。地震接收器372可设置在多根拖缆(即，拖缆阵列374)上。地震接收器372可生成表示所接收的地震波反射370的电信号。电信号可嵌入有关于地表下362的信息并且被捕获为地震数据的记录。
在一个实现方式中，每根拖缆可包括本申请中未示出的拖缆操纵装置，诸如鸟、偏转器、尾浮标等。拖缆操纵装置可用于根据本文所述的技术控制拖缆的位置。
在一种实现方式中，地震波反射370可向上行进并到达水表面376处的水/空气界面，反射370的一部分然后可再次向下反射(即，海面鬼波378)并被多个地震接收器372接收。海面鬼波378可称为表面多次波。水表面376上的在其处向下反射波的点通常称为向下反射点。
电信号可经由传输电缆、无线通信等传输到船380。船380然后可将电信号传输到数据处理中心。可替代地，船380可包括能够处理电信号(即，地震数据)的机载计算机。受益于本公开的本领域技术人员将了解，此例示是高度理想化的。例如，勘测可以是针对在地表下方深处的地层的。地层通常可包括多个反射器，所述多个反射器中的一些可包括下降事件，并且可生成多次反射(包括波转化)以供地震接收器372接收。在一种实现方式中，可处理地震数据以生成地表下362的地震图像。
海洋地震采集系统在相同深度(例如，5-10m)下拖曳拖缆阵列374中的每根拖缆。然而，基于海洋的勘测360可在不同深度下拖拽拖缆阵列374中的每根拖缆，使得可以避免归因于海面鬼波的相消干涉效应的方式采集和处理地震数据。例如，图3B的基于海洋的勘测360示出由船380在八个不同深度下拖曳的八根拖缆。可使用设置在每根拖缆上的鸟来控制和维持每根拖缆的深度。
本公开的实施方案可提供用于使测井记录质量控制分析和测井记录重建过程自动化，从而有助于管理高质量油田数据的能力和效率的系统和方法。在一些实施方案中，该系统和方法可采用利用正被关联的测井记录并经由一个或多个神经网络(例如，自动编码器)利用这种关联的工作流程。自动编码器在数据去噪和重建中特别有用。
图4所示的工作流程400可以开始于如在402处获取可以包括多个测井记录的测井记录数据。测井记录可以是先验未标记的，或者可以是部分标记的，或者是完全标记的。在该上下文中，“经标记的”意指人类用户已经审阅了测井记录并且指示了数据的不完整或错误段，这可为监督学习提供基础，因为机器学习模型可基于人类用户的结论做出预测。然而，因为工作流程400可以不依赖于监督学习，所以无论测井记录是否被标记，工作流程400都可以操作。这可避免耗时且可能不可重复的(例如，主观的，易于出错和错误标记的)人类用户与原始测井数据的交互。工作流程400可进行两个一般阶段：异常值检测阶段403A和测井记录重建阶段403B。
在异常值检测阶段403A中，如在403处，标识测井记录数据基本上完整的测井的段。通过实例，可以在1000英尺和1500英尺的深度之间进行测量。在深度1100英尺与1105英尺之间，密度测井记录填充有-999，否则指示值缺失。这些可能是不完整的段；相比之下，未填充有-999的那些段可被标识为完整的。也可使用多种其他方式来标识缺失的测井记录或其段。
因此，“完整”段可以是具有零缺失测井记录的那些段。“基本上完整”段是具有较少缺失段的那些段，使得数据充足以在进一步分析中采用这些段。在一些实施方案中，工作流程400可标识完全完整(无缺失测井记录)的那些段，或具有例如少于阈值数量的缺失条目的那些段。例如，测井记录数据可包括测井记录的组合(例如，从密度、中子、伽马、电阻率和声学Δt(声波)的组中选择的两种或更多种类型的测井记录)。尽管一些类型的测井记录被认为比其他类型的测井记录(例如，密度测井记录)更具描述性，但是对于相同的深度间隔，更多数量的不同类型的测井记录通常对应于更高的准确度。因此，如果对于一定深度间隔缺失一个或多个两种类型的测井记录，但是存在密度测井记录，则仍然可认为该段是基本上完整的，因为仍然可使用输入来实现结果。然而，在某个数量的(例如，三个)缺失测井记录处，即使存在密度测井记录，缺失测井记录也可被认为是不完整的。
如在404处，可以提取具有基本上完整(或完全完整)数据的这些所标识的测井段，并且如在406处，使用这些所标识的测井段来训练异常值检测神经网络，例如第一或“异常值检测”自动编码器。一旦被训练，异常值检测自动编码器便可被配置为检测剩余的(基本上)完整的测井记录数据中的异常值。通常，异常值被定义为测井记录中偏离相邻段达一定程度的段，该程度将通常指示虚假或错误的信号或数据点。如下文将描述的，该确定可在统计上进行。从可用于训练第二自动编码器(如下所述)的数据中移除异常值。通过避免使用反常或其他非代表性训练数据的训练，移除异常值可用于增加第二自动编码器的准确度。因此，异常值检测阶段的结果是不包括不完整的测井记录段和异常值测井记录段的“估计的”测井记录。
图5示出了神经网络/自动编码器的实例，并且对其的引用可帮助更完整地理解异常值检测阶段403A和测井记录重建阶段403B。神经网络可具有输入层，该输入层可接收测井记录(例如，伽马射线、中子、电阻率等)。经训练的神经网络然后可应用一个或多个系列的层，其中连接中的权重已通过反向传播被更新以最小化预测误差。结果可以是输出层，该输出层可提供对测井记录数据的估计。
因此，可以训练自动编码器来学习输入测井记录之间的内部关联。因此，可以设置自动编码器的成本函数，其测量估计的测井记录和原始测井记录之间的差值。然后使用反向传播过程来最小化训练过程期间的成本函数。反向传播可包括计算成本函数的梯度并在减小成本函数的方向上更新自动编码器的权重。在数百代训练之后，成本函数可达到稳定状态并且可以不进一步减小。
在一些实施方案中，可能存在自动编码器简单地将输入映射到输出层，而没有学习内部关联的风险。为了避免这种情况，瓶颈层可以比输入层更窄。通过挤压瓶颈，自动编码器打破了相同的映射关系，并且被迫学习内部关联。利用反向传播和较窄的瓶颈层，训练自动编码器以学习测井记录之间的关联。
返回到图4，工作流程400可进行到测井记录重建阶段403B。该阶段403B可由第二自动编码器(本文中也称为“测井记录重建”或“重建”自动编码器)进行。如在408处，可以使用异常值检测阶段403A的结果，即估计的测井记录，例如已经从中提取了不完整段和异常值段的输入测井记录，来训练第二自动编码器。接下来，在402处接收(并且在初始异常值检测阶段403A期间从考虑中提取)的不完整的测井记录可被引入到经训练的第二自动编码器中并被重建。例如，单独测井记录可被视为包括缺失数据，并可由第二自动编码器重建。
因此，基于自动编码器的测井记录重建工作流程是无监督的建模工作流程，其可避免上文讨论的监督建模所固有的缺点。也就是说，例如，当重建测井记录时，工作流程可能不使用经标记的数据。该工作流程可应用于宽范围的测井记录数据集，并且提高测井记录质量控制分析和测井记录重建的效率。
图6示出了根据一个实施方案的用于测井记录重建的另一工作流程600的流程图。工作流程600可以是工作流程400的实施方案的更详细的版本，并且因此两个工作流程400、600不应被认为是相互排斥的。
工作流程600可包括工作步骤402、403、404和406，如图4所示，例如作为异常值检测阶段403A的一部分提供。另外，如在602处，异常值阶段403A可包括使用经训练的异常值检测自动编码器和测井记录数据来生成估计的测井记录。估计的测井记录可基于原始测井记录数据(例如，通过异常值检测自动编码器尝试完成或替换所提取的不完整段)而产生。
工作流程600然后可包括如在604处例如通过将估计数据与原始数据进行比较来确定原始测井记录与估计的测井记录之间的估计误差。估计的误差可被存储为直方图，例如如图7所示。根据估计的误差，可以确定异常值误差阈值。在一些实施方案中，异常值误差阈值可被确定为硬截止(例如，静态和/或预先确定的)和软(例如动态的)百分位值之间的最大值。在一些实施方案中，硬截止值是来自经验的启发式值。软百分位值由测井记录训练数据中的误差分布确定。例如，软百分位值可以是对应于估计的误差分布的第90、第95或第98百分位的值。如在606处，工作流程600然后可使用异常值误差阈值来标识异常值段，这些异常值段是与原始段相差大于阈值量的那些段。
在一些实施方案中，可以对异常值检测阶段403A的结果进行不确定性分析，例如不包括不完整段和所标识的异常值的测井记录。例如，可以针对不确定性分析实施蒙特卡罗dropout方法。在蒙特卡罗dropout期间，可停用随机数量的神经节点，并且然后可生成一个模型输出样本。在多次重复蒙特卡罗dropout之后，生成一系列输出样本。结果的置信区间可被计算为[μ-2*σ，μ+2*σ]，其中μ是平均值，并且σ是标准偏差。
工作流程600然后可进行到实施/重建阶段403B。与图4的类似阶段403B一样，如在408处，图6的该阶段403B可包括训练第二重建自动编码器以基于异常值检测阶段403A的结果(例如，移除了不完整和异常值段的测井记录)来重建测井记录。此后，如在409处，第二自动编码器可重建测井记录。在至少一些实施方案中，“重建”测井记录意味着预测在测井记录不是不完整的情况下原本包括在测井记录的不完整段中的信息，然后将预测的部分添加到测井记录中。在一些实施方案中，可在工作流程400和/或600中的任一者中对重建阶段403B的结果(即，重建的测井记录)进行不确定性分析。如上所讨论的，这样的不确定性分析可使用蒙特卡罗dropout技术来执行。
因此，本公开的实施方案可提供集成的、基于自动编码器的测井记录数据异常值检测工作流程，其可促进重建自动编码器(或任何其他类型的神经网络)的无监督训练和实施。这样，本实施方案可例如同时提供数据异常值检测和测井记录重建。该工作流程可应用于宽范围的测井记录数据集，并且可提高测井记录质量控制和测井记录重建的效率。结果，被重建的测井记录可被显示或以其他方式传送(可视化)给用户。测井记录在许多不同的石油技术工作流程中具有许多实际应用，除了别的之外，诸如确定位置、技术，以及以其他方式通知烃提取过程，诸如勘探、钻探、处理、干预、生产等。因此，本公开提供了可以改善测井记录数据中的间隙的影响的测井记录的更准确的重建。此外，即使在相同的处理能力下，这种改善工作流程也可以比先前的尝试快几个数量级，从而将处理时间从几天下降到几分钟。
在一些实施方案中，本公开的方法中的任一种可由计算系统执行。图8示出根据一些实施方案的这种计算系统800的实例。计算系统800可包括计算机或计算机系统801A，其可以是单独计算机系统801A或分布式计算机系统的布置。计算机系统801A包括一个或多个分析模块802，其被配置为根据一些实施方案执行各种任务，诸如本文公开的一种或多种方法。为了执行这些各种任务，分析模块802独立地或与连接到一个或多个存储介质806的一个或多个处理器804协同地执行。处理器804还连接到网络接口809以允许计算机系统801A通过数据网络809与诸如801B、801C和/或801D之类的一个或多个附加计算机系统和/或计算系统通信(应当注意，计算机系统801B，801C和/或801D可以或可以不共享与计算机系统801A相同的架构，并且可位于不同的物理位置，例如，计算机系统801A和801B可位于处理设施，同时与位于一个或多个数据中心和/或位于不同大陆的不同国家的诸如801C和/或801D之类的一个或多个计算机系统通信)。
处理器可包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列或另一个控制或计算装置。
存储介质806可被实施为一个或多个计算机可读或机器可读的存储介质。应注意，虽然在图8的示例性实施方案中存储介质806描绘为在计算机系统801A内，但在一些实施方案中，存储介质806可分布在计算系统801A和/或另外计算系统的多个内部和/或外部外壳内和/或跨所述多个外壳。存储介质806可包括一个或多个不同形式的存储器，包括半导体存储器装置，诸如动态或静态随机存取存储器(DRAM或SRAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存；磁盘，诸如固定磁盘、软盘和可移动磁盘；其他磁介质，包括磁带；光学介质，诸如光盘(CD)或数字视频光盘(DVD)、
Figure BDA0003570187050000161
盘或其他类型的光学存储装置，或其他类型的存储装置。应注意，以上讨论的指令可设置在一个计算机可读或机器可读存储介质上，或者可替代地，可设置在分布在可能具有多个节点的较大系统中的多个计算机可读或机器可读存储介质上。此类一个或多个计算机可读或机器可读存储介质被认为是物品(或制品)的一部分。物品或制品可指任何所制造的单一部件或多个部件。一个或多个存储介质可位于运行机器可读指令的机器中或位于可通过网络下载机器可读指令以用于执行的远程部位处。
在一些实施方案中，计算系统800包含一个或多个神经网络模块808。在计算系统800的实例中，计算机系统801A包括神经网络模块808。在一些实施方案中，神经网络模块可用于执行方法的一个或多个实施方案的一些或所有方面。在替代实施方案中，可以使用多个神经网络模块来执行方法的一些或所有方面。
应当理解，计算系统800仅是计算系统的一个实例，并且计算系统800可具有比所示更多或更少的部件，可组合图8的示例性实施方案中未描绘的附加部件，并且/或者计算系统800可具有图8中描绘的部件的不同配置或布置。图8所示的各种部件可以以硬件、软件或硬件和软件的组合实施，包括一个或多个信号处理和/或专用集成电路。
此外，本文描述的处理方法中的步骤可通过运行信息处理设备(诸如通用处理器或专用芯片(诸如ASIC、FPGA、PLD或其他适当装置))中的一个或多个功能模块来实施。这些模块，这些模块的组合和/或它们与通用硬件的组合全部包括在本发明的保护范围内。
地质解释、模型和/或其他解释辅助工具可以迭代方式细化；此概念可适用于本文所论述的本方法的实施方案。这可包括使用在算法基础上执行的反馈回路，诸如在计算装置(例如，计算系统800，图8)处，和/或通过用户的手动控制，该用户可做出关于给定步骤、动作、模板、模型或曲线集是否已变得足够准确以用于评估考虑中的地表下三维地质地层的确定。
出于解释的目的，已经参考特定实施方案描述了前述描述。然而，上述说明性讨论并不旨在是穷举的或将本发明限制为所公开的精确形式。鉴于以上教导，许多修改和变型是可能的。此外，示出和描述方法的要素的顺序可重新排列，和/或两个或更多个元素可同时发生。选择和描述这些实施方案是为了最好地解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够最好地利用本发明和具有适合于预期的特定用途的各种修改的各种实施方案。

Claims (20)

1.一种方法，其包括：
接收包括多个测井记录的测井记录数据；
标识所述多个测井记录中的具有基本上完整的数据的一个或多个测井记录的一个或多个段；
训练重建神经网络以基于具有基本上完整的数据的所述一个或多个测井记录的所述一个或多个段来重建不完整的测井记录；以及
使用所述重建神经网络来重建所述多个测井记录中的一个或多个不完整的测井记录。
2.如权利要求1所述的方法，其还包括在训练所述重建神经网络之前，提取所述多个测井记录中的所述一个或多个不完整的测井记录的一个或多个不完整段，使得不使用所述一个或多个不完整段来训练所述重建神经网络。
3.如权利要求2所述的方法，其还包括：
检测具有基本上完整的数据的所述一个或多个测井记录的一个或多个异常值段；以及
在训练所述重建神经网络之前提取所述一个或多个异常值段，使得不使用所述一个或多个异常值段来训练所述重建神经网络。
4.如权利要求3的方法，其中检测所述一个或多个异常值段包括：
使用具有基本上完整的数据的一个或多个段来训练异常值检测神经网络；
通过使用所述异常值检测神经网络估计所述一个或多个不完整段，使用所述异常值检测神经网络来生成一个或多个估计的测井记录；以及
至少部分地通过将所述一个或多个估计的测井记录与所述多个测井记录中的对应测井记录进行比较来标识所述一个或多个异常值段。
5.如权利要求4所述的方法，其中标识所述一个或多个异常值段包括基于所述一个或多个估计的测井记录与所述对应测井记录的比较来确定误差阈值，其中所述误差阈值包括硬截止、软截止或它们的组合，并且其中所述一个或多个异常值段是基于与所述对应测井记录的偏差超过所述误差阈值来标识的。
6.如权利要求4所述的方法，其还包括对所述异常值检测神经网络、所述重建神经网络或两者执行蒙特卡罗不确定性分析。
7.如权利要求1所述的方法，其中所述重建神经网络的训练是无监督的。
8.如权利要求1所述的方法，其中所述重建神经网络包括自动编码器。
9.一种存储指令的非暂时性计算机可读介质，所述指令在由计算系统的至少一个处理器执行时致使所述计算系统执行操作，所述操作包括：
接收包括多个测井记录的测井记录数据；
标识所述多个测井记录中的具有基本上完整的数据的一个或多个测井记录的一个或多个段；
训练重建神经网络以基于具有基本上完整的数据的所述一个或多个测井记录的所述一个或多个段来重建不完整的测井记录；以及
使用所述重建神经网络来重建所述多个测井记录中的一个或多个不完整的测井记录。
10.如权利要求9所述的介质，其还包括在训练所述重建神经网络之前，提取所述多个测井记录中的所述一个或多个不完整的测井记录的一个或多个不完整段，使得不使用所述一个或多个不完整段来训练所述重建神经网络。
11.如权利要求10所述的介质，其还包括：
检测具有基本上完整的数据的所述一个或多个测井记录的一个或多个异常值段；以及
在训练所述重建神经网络之前提取所述一个或多个异常值段，使得不使用所述一个或多个异常值段来训练所述重建神经网络。
12.如权利要求11的介质，其中检测所述一个或多个异常值段包括：
使用具有基本上完整的数据的所述一个或多个段来训练异常值检测神经网络；
通过使用所述异常值检测神经网络估计所述一个或多个不完整段，使用所述异常值检测神经网络来生成一个或多个估计的测井记录；以及
至少部分地通过将所述一个或多个估计的测井记录与所述多个测井记录中的对应测井记录进行比较来标识所述一个或多个异常值段。
13.如权利要求12所述的介质，其中标识所述一个或多个异常值段包括基于所述一个或多个估计的测井记录与所述对应测井记录的比较来确定误差阈值，其中所述误差阈值包括硬截止、软截止或它们的组合，并且其中所述一个或多个异常值段是基于与所述对应测井记录的偏差超过所述误差阈值来标识的。
14.如权利要求12所述的介质，其还包括对所述异常值检测神经网络、所述重建神经网络或两者执行蒙特卡罗不确定性分析。
15.如权利要求9所述的介质，其中所述重建神经网络的所述训练是无监督的，并且其中所述重建神经网络包括自动编码器。
16.一种计算机系统，其包括：
一个或多个处理器；以及
存储器系统，所述存储器系统包括存储指令的一种或多种非暂时性计算机可读介质，所述指令在由所述一个或多个处理器中的至少一个处理器执行时使所述计算系统执行操作，所述操作包括：
接收包括多个测井记录的测井记录数据；
标识所述多个测井记录中的具有基本上完整的数据的一个或多个测井记录的一个或多个段；
训练重建神经网络以基于具有基本上完整的数据的所述一个或多个测井记录的所述一个或多个段来重建不完整的测井记录；以及
使用所述重建神经网络来重建所述多个测井记录中的一个或多个不完整的测井记录。
17.如权利要求16所述的计算系统，其中所述操作还包括在训练所述重建神经网络之前，提取所述多个测井记录中的所述一个或多个不完整的测井记录的一个或多个不完整段，使得不使用所述一个或多个不完整段来训练所述重建神经网络。
18.如权利要求17所述的计算系统，其中所述操作还包括：
检测具有基本上完整的数据的所述一个或多个测井记录的一个或多个异常值段；以及
在训练所述重建神经网络之前提取所述一个或多个异常值段，使得不使用所述一个或多个异常值段来训练所述重建神经网络。
19.如权利要求18的计算系统，其中检测所述一个或多个异常值段包括：
使用具有基本上完整的数据的所述一个或多个段来训练异常值检测神经网络；
通过使用所述异常值检测神经网络估计所述一个或多个不完整段，使用所述异常值检测神经网络来生成一个或多个估计的测井记录；以及
至少部分地通过将所述一个或多个估计的测井记录与所述多个测井记录中的对应测井记录进行比较来标识所述一个或多个异常值段。
20.如权利要求19所述的计算系统，其中标识所述一个或多个异常值段包括基于所述一个或多个估计的测井记录与所述对应测井记录的比较来确定误差阈值，其中所述误差阈值包括硬截止、软截止或它们的组合，并且其中所述一个或多个异常值段是基于与所述对应测井记录的偏差超过所述误差阈值来标识的。
CN202080068467.3A 2019-09-06 2020-09-03 无监督的测井记录重建和异常值检测 Pending CN114787665A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962897088P 2019-09-06 2019-09-06
US62/897,088 2019-09-06
PCT/US2020/070494 WO2021046576A1 (en) 2019-09-06 2020-09-03 Unsupervised well log reconstruction and outlier detection

Publications (1)

Publication Number Publication Date
CN114787665A true CN114787665A (zh) 2022-07-22

Family

ID=74852415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080068467.3A Pending CN114787665A (zh) 2019-09-06 2020-09-03 无监督的测井记录重建和异常值检测

Country Status (6)

Country Link
US (1) US12093346B2 (zh)
EP (1) EP4025938A4 (zh)
CN (1) CN114787665A (zh)
AU (1) AU2020343061A1 (zh)
CA (1) CA3153153A1 (zh)
WO (1) WO2021046576A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220075915A1 (en) * 2020-09-09 2022-03-10 Landmark Graphics Corporation Automated reservoir model prediction using ml/ai intergrating seismic, well log and production data
US12085685B2 (en) 2020-11-03 2024-09-10 Saudi Arabian Oil Company Systems and methods for seismic well tie domain conversion and neural network modeling
US20220205350A1 (en) * 2020-12-28 2022-06-30 Landmark Graphics Corporation Predictive drilling data correction
WO2024064007A1 (en) * 2022-09-19 2024-03-28 Schlumberger Technology Corporation Automatic well log reconstruction
CN115828072B (zh) * 2022-12-07 2023-11-17 中国科学技术大学 不可通约测井曲线缺失段重构方法及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010013026A1 (en) * 1998-04-17 2001-08-09 Ronald E. Shaffer Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection
US20040133531A1 (en) * 2003-01-06 2004-07-08 Dingding Chen Neural network training data selection using memory reduced cluster analysis for field model development
US20160086079A1 (en) * 2014-06-02 2016-03-24 Westerngeco Llc Properties link for simultaneous joint inversion
CN106062310A (zh) * 2014-02-28 2016-10-26 界标制图有限公司 使用无监督分类程序的相定义
CN109447249A (zh) * 2018-12-17 2019-03-08 中国科学院计算技术研究所 一种基于深度卷积的对抗神经网络测井数据重建方法
CN109614584A (zh) * 2018-11-16 2019-04-12 中国科学院计算技术研究所 一种资源测井数据的重建方法
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010013026A1 (en) * 1998-04-17 2001-08-09 Ronald E. Shaffer Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection
US20040133531A1 (en) * 2003-01-06 2004-07-08 Dingding Chen Neural network training data selection using memory reduced cluster analysis for field model development
CN106062310A (zh) * 2014-02-28 2016-10-26 界标制图有限公司 使用无监督分类程序的相定义
US20160086079A1 (en) * 2014-06-02 2016-03-24 Westerngeco Llc Properties link for simultaneous joint inversion
CN109614584A (zh) * 2018-11-16 2019-04-12 中国科学院计算技术研究所 一种资源测井数据的重建方法
CN109447249A (zh) * 2018-12-17 2019-03-08 中国科学院计算技术研究所 一种基于深度卷积的对抗神经网络测井数据重建方法
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
G.A. ALZATE等: "Generating Synthetic Well Logs by Artificial Neural Networks(ANN) Using MISO-ARMAX Model in Cupiagua Field", 《SPE LATIN AMERICAN AND CARIBBEAN PETROLEUM ENGINEERING CONFERENCE》, 23 May 2014 (2014-05-23), pages 1 - 12, XP055898445 *
P.M. WONG等: "Permeability Determination Using Neural Networks in the Ravva Field, Offshore India", 《SPE RESERVOIR EVALUATION & ENGINEERING》, vol. 1, no. 2, 30 April 1998 (1998-04-30), pages 99 - 104, XP009534067, DOI: 10.2118/38034-PA *
张亚斌等: "神经网络技术在测井曲线重构中的应用", 《石油天然气学报》, vol. 33, no. 03, 31 March 2011 (2011-03-31), pages 89 - 94 *
杨志力等: "BP神经网络技术在声波测井曲线重构中的运用", 《西南石油大学学报(自然科学版)》, vol. 30, no. 01, 29 February 2008 (2008-02-29), pages 63 - 66 *

Also Published As

Publication number Publication date
EP4025938A1 (en) 2022-07-13
AU2020343061A1 (en) 2022-03-24
WO2021046576A1 (en) 2021-03-11
US20220327324A1 (en) 2022-10-13
US12093346B2 (en) 2024-09-17
EP4025938A4 (en) 2023-08-30
CA3153153A1 (en) 2021-03-11

Similar Documents

Publication Publication Date Title
US12093346B2 (en) Unsupervised well log reconstruction and outlier detection
US20170176228A1 (en) Drilling fluid loss rate prediction
US20220229199A1 (en) Interpreting seismic faults with machine learning techniques
CN112400123B (zh) 用于盐地震解译的级联式机器学习工作流
EP4430274A1 (en) Forecasting co2 plume bodies in sequestration operations
US12099156B2 (en) Combining noise attenuation and wavefield reconstruction in seismic processing
US12072459B2 (en) Subsurface property estimation in a seismic survey area with sparse well logs
US11988790B2 (en) Residual signal detection for noise attenuation
US20240328309A1 (en) Automatic well log correction
US20230281507A1 (en) Automated similarity measurement and property estimation
US20240054398A1 (en) Machine learning training based on dual loss functions
EP4402516A1 (en) Systems and methods for modeling a subsurface volume using time-lapse data
WO2023200696A1 (en) Quantifying diversity in seismic datasets
AU2022332224A1 (en) Time lapse data reconstruction and time lapse data acquisition survey design for co2 monitoring

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