CN114943186A - 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法 - Google Patents

基于全岩化学数据的花岗岩热导率极限提升梯度预测方法 Download PDF

Info

Publication number
CN114943186A
CN114943186A CN202210847477.8A CN202210847477A CN114943186A CN 114943186 A CN114943186 A CN 114943186A CN 202210847477 A CN202210847477 A CN 202210847477A CN 114943186 A CN114943186 A CN 114943186A
Authority
CN
China
Prior art keywords
thermal conductivity
data
granite
whole
model
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
CN202210847477.8A
Other languages
English (en)
Inventor
汪虎
李朦
徐玳笠
陈康
李勇
余如洋
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.)
Digital Skin Technology Hubei Co ltd
Original Assignee
Digital Skin Technology Hubei Co ltd
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 Digital Skin Technology Hubei Co ltd filed Critical Digital Skin Technology Hubei Co ltd
Priority to CN202210847477.8A priority Critical patent/CN114943186A/zh
Publication of CN114943186A publication Critical patent/CN114943186A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)

Abstract

本发明公开了基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，涉及地热资源开采技术领域。本发明包括以下步骤：S1：从实验室花岗岩热导率和全岩化学测试数据中提取用于训练模型的样本数据；S2：对数据进行预处理；S3：基于极限梯度提升的机器学习算法，训练预测模型；S4：利用模型评价指标，评估预测模型的性能，优选预测模型并保存；S5：利用保存的预测模型，实现对新数据热导率的预测。本发明结合机器学习极限梯度提升算法，建立了利用花岗岩岩屑全岩化学数据对热导率的回归模型，实现了对花岗岩岩屑热导率的快速和精准预测，降低了时间和经济成本，解决了现有的花岗岩岩屑热导率预测方法用量大，时间和经济成本高误差大的问题。

Description

基于全岩化学数据的花岗岩热导率极限提升梯度预测方法
技术领域
本发明属于地热资源开采技术领域，特别是涉及基于全岩化学数据的花岗岩热导率极限提升梯度预测方法。
背景技术
花岗岩属于酸性岩浆岩中的侵入岩，主要矿物为石英、钾长石和酸性斜长石，次要矿物则为黑云母、角闪石，有时还有少量辉石。作为大陆的标志性岩石，花岗岩构成大陆上部地壳的基础，且花岗岩的形成过程通常与大陆的构造作用、变质作用和成矿作用密切相关。其热物理性质（热扩散率和热导率）对于探讨地壳热结构、定量计算各类地质事件中的温度分布及热状态等具有重要意义。
花岗岩热导率在干热岩地热资源数值模拟中意义重大。但是干热岩地热钻孔中仅在有限的深度层段进行取心工作，可用于获取热导率的只有随钻井液排出的花岗岩岩屑。如何利用岩屑获取较为准确的热导率值，一直是研究的热点和难点。岩屑热导率的获取可以分为实验室直接测量和间接估算两种方法。但是，由于实验室测量岩屑的热导率数值的方法存在一定的局限性：
1、要求岩屑的量在100mL左右；
2、在进行岩屑热导率测试之前需要对岩屑进一步处理，比如利用光学扫描法测量时，还需要对岩屑进行压实等额外操作；
3、室内测试岩屑热导率效率低，线源法测试效率最快也需要15分钟。
对于岩屑量较少，难以进行实验室的热导率测量时，常用的方法是利用岩屑的矿物含量数据来预测起热导率数值，常用的计算模型有几何平均、调和平均模型，但是这些常用的数学模型的计算基础是基于理想矿物排列和接触假设条件下而推导的，与花岗岩的实际矿物空间排列和接触关系相差甚远，导致预测效果不佳。此外，利用花岗岩全岩化学进行热导率预测的实践较少，只有Jennings，et al；（2019）基于340个深成岩全岩化学和热导率数据，建立了经验公式，且近年来，机器学习算法逐渐广泛的应用于各种材料导热性能的探索和设计中，但是用于岩石热导率预测的方面还鲜有涉及。
为了克服上述现有技术的不足，本发明提供了基于全岩化学数据的花岗岩热导率极限提升梯度预测方法。
发明内容
本发明的目的在于提供基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，本发明结合机器学习极限梯度提升算法，建立了利用花岗岩岩屑全岩化学数据对热导率的回归模型，实现了对花岗岩岩屑热导率的快速和精准预测，降低了时间和经济成本，解决了现有的常规花岗岩岩屑热导率预测方法用量大，时间和经济成本高以及误差大的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，包括以下步骤：
S1：从实验室花岗岩热导率和全岩化学测试数据中提取用于训练模型的样本数据；
S2：对数据进行预处理；
S3：基于极限梯度提升的机器学习算法，训练多个花岗岩热导率预测模型；
S4：利用模型评价指标，评估预测模型的性能，优选预测模型并保存；
S5：利用保存的预测模型，实现对新数据热导率的预测。
进一步地，S1中提取样本数据的具体方法为，从实验室测试数据中获取花岗岩热导率和全岩化学数据组成数据集，以热导率作为有监督学习的目标集，并以全岩化学数据作为特征集。
进一步地，S2具体包括以下步骤：
S21：对数据进行清洗和统计分析，得到特征数据；
S22：对特征数据进行归一化处理；
S23：对归一化后的特征数据集进行降维处理。
进一步地，S22中归一化处理公式为：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 100002_DEST_PATH_IMAGE002
为归一化后的数据，
Figure 100002_DEST_PATH_IMAGE003
为这一特征数据中的最小值，
Figure 100002_DEST_PATH_IMAGE004
为这一特征数据中的最大值。
进一步地，S23中降维处理的具体方法为，通过对各个特征数据之间的相关性进行分析，以及对各个特征数据的主成分进行分析，从而对特征数据集进行降维判断和处理。
进一步地，S3的具体方法为：
S31：将归一化和降维后的数据随机抽取80%数据用作模型训练部分，剩余的20%数据作为模型测试集；
S32：利用极限梯度提升的机器学习算法，通过多次训练和测试，得到花岗岩热导率预测模型。
进一步地，S4具体为，利用模型评价指标，对多个花岗岩热导率预测模型的性能进行评估，对性能最好的花岗岩热导率预测模型进行保存。
进一步地，S4中模型评价指标包括均方误差（MSE）、平均绝对误差（MAPE）、均方根误差（RMSE）和相关系数（R2）。
进一步地，均方误差MSE的计算公式为：
Figure 100002_DEST_PATH_IMAGE005
平均绝对误差MAPE的计算公式为：
Figure 100002_DEST_PATH_IMAGE006
均方根误差RMSE的计算公式为：
Figure 100002_DEST_PATH_IMAGE007
相关系数R2的计算公式为：
Figure 100002_DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
为测试集中样品室内试验测试得到的花岗岩热导率，
Figure 100002_DEST_PATH_IMAGE010
为模型预测的花岗岩热导率，
Figure 100002_DEST_PATH_IMAGE011
为模型预测的花岗岩平均值。
进一步地，S5具体为，利用保存好的最佳花岗岩热导率预测模型对新加入的花岗岩全岩化学数据进行热导率预测。
本发明具有以下有益效果：
1、本发明将极限提升梯度学习算法应用于岩石热导率预测方面，机器学习能够通过相关可靠数据来快速、自动地创建精确预测模型，通过机器学习算法来精确预测花岗岩岩屑的热导率，将有利于提高热导率的预测效率和精度，减少时间和经济成本，且本发明为进一步研究建立岩石热导率预测模型提供参考。
2、本发明利用多项模型评价指标，评估预测模型的性能，通过均方误差MSE、平均绝对误差MAPE、均方根误差RMSE和相关系数R2的综合考量，可得到最优的花岗岩热导率预测模型，进而大大提高预测的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为流程示意图；
图2为本发明极限梯度提升算法和现有经验公式热导率预测效果对比图。
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。
请参阅图1所示，本发明为基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，包括以下步骤：
S1：从实验室花岗岩热导率和全岩化学测试数据中提取用于训练模型的样本数据，具体为，从实验室测试数据中获取花岗岩热导率和全岩化学数据组成数据集，以热导率作为有监督学习的目标集，并以全岩化学数据作为特征集；
S2：对数据进行预处理，具体包括以下步骤：
S21：对数据进行清洗和统计分析，得到特征数据；
S22：对特征数据进行归一化处理；
S23：对归一化后的特征数据集进行降维处理；
S22中归一化处理公式为：
Figure 941967DEST_PATH_IMAGE001
其中，
Figure 859108DEST_PATH_IMAGE002
为归一化后的数据，
Figure 704091DEST_PATH_IMAGE003
为这一特征数据中的最小值，
Figure 99301DEST_PATH_IMAGE004
为这一特征数据中的最大值；
S23中降维处理的具体方法为，通过对各个特征数据之间的相关性进行分析，以及对各个特征数据的主成分进行分析，从而对特征数据集进行降维判断和处理。
S3：基于极限梯度提升的机器学习算法，训练多个花岗岩热导率预测模型，具体为：将归一化和降维后的数据随机抽取80%数据用作模型训练部分，剩余的20%数据作为模型测试集；利用极限梯度提升的机器学习算法，通过多次训练和测试，得到花岗岩热导率预测模型；
S4：利用模型评价指标，评估预测模型的性能，优选预测模型并保存，具体为，利用模型评价指标，对多个花岗岩热导率预测模型的性能进行评估，对性能最好的花岗岩热导率预测模型进行保存；
模型评价指标包括均方误差（MSE）、平均绝对误差（MAPE）、均方根误差（RMSE）和相关系数（R2）；
均方误差MSE的计算公式为：
Figure 975990DEST_PATH_IMAGE005
平均绝对误差MAPE的计算公式为：
Figure DEST_PATH_IMAGE012
均方根误差RMSE的计算公式为：
Figure DEST_PATH_IMAGE013
相关系数R2的计算公式为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
为测试集中样品室内试验测试得到的花岗岩热导率，
Figure 923086DEST_PATH_IMAGE010
为模型预测的花岗岩热导率，
Figure 190119DEST_PATH_IMAGE011
为模型预测的花岗岩平均值；
S5：利用保存的预测模型，实现对新数据热导率的预测，具体为，利用保存好的最佳花岗岩热导率预测模型对新加入的花岗岩全岩化学数据进行热导率预测。
本发明基于456个实验室内实测数据，通过极限梯度提升算法和经验公式对花岗岩热导率的预测结果进行对比，两种模型预测结果见表1和图2。
表1 极限梯度提升学习算法训练的模型和经验公式预测模型预测效果对比
Figure DEST_PATH_IMAGE016
其中如图2所示，左侧为极限梯度提升算法（RGBoost）的花岗岩热导率预测结果，右侧为基于经验公式的花岗岩热导率预测结果，结果表明基极限梯度提升算法（XGBoost）的预测结果表现出更好的预测效果。
以上仅为本发明的优选实施例，并不限制本发明，任何对前述各实施例所记载的技术方案进行修改，对其中部分技术特征进行等同替换，所作的任何修改、等同替换、改进，均属于在本发明的保护范围。

Claims (10)

1.基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于：包括以下步骤：
S1：从实验室花岗岩热导率和全岩化学测试数据中提取用于训练模型的样本数据；
S2：对数据进行预处理；
S3：基于极限梯度提升的机器学习算法，训练多个花岗岩热导率预测模型；
S4：利用模型评价指标，评估预测模型的性能，优选预测模型并保存；
S5：利用保存的预测模型，实现对新数据热导率的预测。
2.根据权利要求1所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S1中提取样本数据的具体方法为，从实验室测试数据中获取花岗岩热导率和全岩化学数据组成数据集，以热导率作为有监督学习的目标集，并以全岩化学数据作为特征集。
3.根据权利要求2所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S2具体包括以下步骤：
S21：对数据进行清洗和统计分析，得到特征数据；
S22：对特征数据进行归一化处理；
S23：对归一化后的特征数据集进行降维处理。
4.根据权利要求3所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S22中归一化处理公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为归一化后的数据，
Figure DEST_PATH_IMAGE003
为这一特征数据中的最小值，
Figure DEST_PATH_IMAGE004
为这一特征数据中的最大值。
5.根据权利要求4所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S23中降维处理的具体方法为，通过对各个特征数据之间的相关性进行分析，以及对各个特征数据的主成分进行分析，从而对特征数据集进行降维判断和处理。
6.根据权利要求5所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S3的具体方法为：
S31：将归一化和降维后的数据随机抽取80%数据用作模型训练部分，剩余的20%数据作为模型测试集；
S32：利用极限梯度提升的机器学习算法，通过多次训练和测试，得到花岗岩热导率预测模型。
7.根据权利要求6所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S4具体为，利用模型评价指标，对多个花岗岩热导率预测模型的性能进行评估，对性能最好的花岗岩热导率预测模型进行保存。
8.根据权利要求7所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S4中模型评价指标包括均方误差（MSE）、平均绝对误差（MAPE）、均方根误差（RMSE）和相关系数（R2）。
9.根据权利要求8所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述均方误差MSE的计算公式为：
Figure DEST_PATH_IMAGE005
所述平均绝对误差MAPE的计算公式为：
Figure DEST_PATH_IMAGE006
所述均方根误差RMSE的计算公式为：
Figure DEST_PATH_IMAGE007
所述相关系数R2的计算公式为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为测试集中样品室内试验测试得到的花岗岩热导率，
Figure DEST_PATH_IMAGE010
为模型预测的花岗岩热导率，
Figure DEST_PATH_IMAGE011
为模型预测的花岗岩平均值。
10.根据权利要求9所述的基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，其特征在于，所述S5具体为，利用保存好的最佳花岗岩热导率预测模型对新加入的花岗岩全岩化学数据进行热导率预测。
CN202210847477.8A 2022-07-19 2022-07-19 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法 Pending CN114943186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210847477.8A CN114943186A (zh) 2022-07-19 2022-07-19 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210847477.8A CN114943186A (zh) 2022-07-19 2022-07-19 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法

Publications (1)

Publication Number Publication Date
CN114943186A true CN114943186A (zh) 2022-08-26

Family

ID=82911013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210847477.8A Pending CN114943186A (zh) 2022-07-19 2022-07-19 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法

Country Status (1)

Country Link
CN (1) CN114943186A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305850A (zh) * 2023-02-23 2023-06-23 青岛海洋地质研究所 一种基于随机森林模型的地层热导率预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764517A (zh) * 2018-04-08 2018-11-06 中南大学 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质
CN108985335A (zh) * 2018-06-19 2018-12-11 中国原子能科学研究院 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN110310713A (zh) * 2019-06-13 2019-10-08 暨南大学 蠕墨铸铁合金导热率检测方法、装置、介质和设备
CN110715953A (zh) * 2019-09-18 2020-01-21 浙江大学 一种基于机器学习的薄膜材料导热性能测试系统及方法
CN111257196A (zh) * 2020-02-24 2020-06-09 西南石油大学 一种基于地层因素的岩石热物理参数的预测方法
CN111274541A (zh) * 2019-09-27 2020-06-12 中石化石油工程技术服务有限公司 一种岩心导热系数的确定方法
CN111753467A (zh) * 2020-06-23 2020-10-09 中山大学 矿产结果预测方法、装置、计算机设备及存储介质
CN112582032A (zh) * 2020-11-27 2021-03-30 北京科技大学 基于机器学习模型设计高热稳定性铁基软磁非晶合金
US20220067249A1 (en) * 2020-02-05 2022-03-03 Imagars Llc Machine Learning to Accelerate Design of Energetic Materials
US20220164685A1 (en) * 2020-11-20 2022-05-26 Fujitsu Limited Mixture physical property identification method, mixture physical property identification apparatus, and storage medium

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764517A (zh) * 2018-04-08 2018-11-06 中南大学 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质
CN108985335A (zh) * 2018-06-19 2018-12-11 中国原子能科学研究院 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN110310713A (zh) * 2019-06-13 2019-10-08 暨南大学 蠕墨铸铁合金导热率检测方法、装置、介质和设备
CN110715953A (zh) * 2019-09-18 2020-01-21 浙江大学 一种基于机器学习的薄膜材料导热性能测试系统及方法
CN111274541A (zh) * 2019-09-27 2020-06-12 中石化石油工程技术服务有限公司 一种岩心导热系数的确定方法
US20220067249A1 (en) * 2020-02-05 2022-03-03 Imagars Llc Machine Learning to Accelerate Design of Energetic Materials
CN111257196A (zh) * 2020-02-24 2020-06-09 西南石油大学 一种基于地层因素的岩石热物理参数的预测方法
CN111753467A (zh) * 2020-06-23 2020-10-09 中山大学 矿产结果预测方法、装置、计算机设备及存储介质
US20220164685A1 (en) * 2020-11-20 2022-05-26 Fujitsu Limited Mixture physical property identification method, mixture physical property identification apparatus, and storage medium
CN112582032A (zh) * 2020-11-27 2021-03-30 北京科技大学 基于机器学习模型设计高热稳定性铁基软磁非晶合金

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HYUN-TAEBANG等: "Application of machine learning methods to predict a thermal conductivity model for compacted bentonite", 《ANNALS OF NUCLEAR ENERGY》 *
KAI-QI LI等: "Estimating the thermal conductivity of soils using six machine learning algorithms", 《INTERNATIONAL COMMUNICATIONS IN HEAT AND MASS TRANSFER》 *
YURY MESHALKIN等: "Robust well-log based determination of rock thermal conductivity through machine learning", 《GEOPHYSICAL JOURNAL INTERNATIONAL》 *
王华，张雨顺: "测井资料人工智能处理解释的现状及展望", 《测井技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305850A (zh) * 2023-02-23 2023-06-23 青岛海洋地质研究所 一种基于随机森林模型的地层热导率预测方法

Similar Documents

Publication Publication Date Title
CN104832166A (zh) 一种页岩气水平井初期产能预测方法
CN108561126B (zh) 一种确定页岩气储层有机孔隙度的简易方法
CN109583113B (zh) 一种岩石地层压实系数和有效孔隙体积压缩系数计算方法
CN108508182B (zh) 快速确定笔石相热页岩中生物硅含量的测录井方法
CN110728402A (zh) 一种基于地质标本分析的区域矿产资源预测系统
CN114943186A (zh) 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法
CN105138749A (zh) 一种地质约束下高成熟烃源岩原始有机碳恢复方法
WO2018170082A1 (en) Rock type based free water level inversion
CN104569343A (zh) 页岩储层脆性矿物测井定量表征方法
US20210388720A1 (en) Intelligent prediction method and apparatus for reservoir sensitivity
CN111210170A (zh) 基于90%用电分布特征指标的环保管控监测及评价方法
CN104569344A (zh) 页岩储层脆性矿物地震定量表征方法
CN106285652B (zh) 确定页岩游离气体饱和度的方法
CN110529106B (zh) 一种利用测井资料确定煤层显微组分含量的方法
CN107798211A (zh) 地下烃源岩层中有机质的有机酸生成量的确定方法和装置
CN115097107B (zh) 一种基于电阻率新参数的海相页岩低电阻成因类型与页岩气勘探潜力判识方法
US20230175961A1 (en) Method for predicting amount of recoverable oil and gas resources from in-situ conversion of shale
CN110413952B (zh) 含油气盆地勘探程度的预测方法及装置
CN114021821B (zh) 一种基于多元回归的气藏采收率预测方法
CN110135112A (zh) 一种基于粒子滤波算法的页岩各向异性估计方法
CN104463362A (zh) 一种预测储层流体产量的方法及装置
CN115391739A (zh) 一种裂缝渗透率的定量计算方法和系统
US20220244421A1 (en) Method and system for ranking reactivities for kinetics assignment in basin modeling
CN112147182B (zh) 基于多孔介质传热指标确定碳质岩石崩解特性的方法
CN114818493A (zh) 一种隧道岩体完整程度定量评价的方法

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

Application publication date: 20220826

RJ01 Rejection of invention patent application after publication