CN115267927B - 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法 - Google Patents

一种基于蚁群-梯度串联算法的多边界幕式地质导向方法 Download PDF

Info

Publication number
CN115267927B
CN115267927B CN202211185911.7A CN202211185911A CN115267927B CN 115267927 B CN115267927 B CN 115267927B CN 202211185911 A CN202211185911 A CN 202211185911A CN 115267927 B CN115267927 B CN 115267927B
Authority
CN
China
Prior art keywords
inversion
drilling
electromagnetic wave
logging
parameter vector
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.)
Active
Application number
CN202211185911.7A
Other languages
English (en)
Other versions
CN115267927A (zh
Inventor
吴柏志
潘军
董经利
杨震
袁习勇
宿振国
董金龙
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.)
Sinopec Jingwei Co Ltd
Original Assignee
Sinopec Jingwei 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 Sinopec Jingwei Co Ltd filed Critical Sinopec Jingwei Co Ltd
Priority to CN202211185911.7A priority Critical patent/CN115267927B/zh
Publication of CN115267927A publication Critical patent/CN115267927A/zh
Application granted granted Critical
Publication of CN115267927B publication Critical patent/CN115267927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Geophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Geology (AREA)
  • Computational Linguistics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于蚁群‑梯度串联算法的多边界幕式地质导向方法，涉及石油勘探开发技术领域。本发明方法通过构建反演目标函数和反演参数向量矩阵，将蚁群随机放置反演参数向量矩阵中，根据蚁群的路径正演模拟获取仪器响应及其反演目标函数值后，判断蚁群的路径总数是否达到预设的最大迭代次数，若未达到则更新各节点的信息素浓度和转移概率，若已达到则将信息素浓度最大路径所对应的参数向量作为初始模型进行梯度反演，合成随钻方位电磁波测井数据并求取目标函数值后，判断目标函数值是否达到预设的精度值，若未达到则基于高斯牛顿算法更新反演参数继续反演，若已达到则根据反演结果进行地层幕式成像，指导随钻方位电磁波测井仪器的钻进方向。

Description

一种基于蚁群-梯度串联算法的多边界幕式地质导向方法
技术领域
本发明涉及石油勘探开发技术领域，具体涉及一种基于蚁群-梯度串联算法的多边界幕式地质导向方法。
背景技术
随钻方位电磁波测井在传统随钻电磁波电阻率测井基础上，通过增加倾斜/正交天线提升仪器的边界探测能力，已成为大斜度井/水平井地质导向的重要手段。随钻地质导向的关键在于地层界面的探测，更具体地说是通过测井资料反演处理，获取井孔与地层界面之间的相对位置关系，进而实时调整钻头的钻进方向以保证井孔始终在油气层中钻进。随钻方位电磁波测井反演的参数主要包括各层的电阻率和界面位置。在地质导向中，通常建立一个以水平距离为横坐标、深度为纵坐标的空白矩形窗口，将反演得到的界面位置以边界、电阻率大小为色标投影至矩形窗口的相应位置处，形成地层剖面图，并根据地层剖面图实时调整井眼轨迹。随着钻头的不断钻进，地层剖面图如幕布般不断向前移动，所以将该过程形象地称为幕式地质导向，幕式地质导向的核心在于能够准确且快速的反演出地层边界。
目前，最常用的随钻方位电磁波测井反演方法为梯度类算法，包括高斯牛顿法、列文伯格马奎特法等，具有收敛速度快的优势，契合了地质导向“实时”更新地层剖面的需求。但是，当仪器探测范围内存在多个地层边界时，梯度类算法往往容易陷于局部最优而无法保证反演精度，此时具有全局寻优特性的随机算法更加符合“准确反演”的需求。
综上所述，现有梯度反演算法迭代次数少、收敛快，但是容易收敛至局部最优解，而随机算法可以更好地保证全局最优，但是在最优解附近收敛速度慢。因此，如何充分结合梯度反演算法和随机算法的优势，实现对随钻方位电磁波测井资料的高效、精确反演，对于大斜度井/水平井地质导向方法及相关软件研发至关重要。
发明内容
本发明针对现有技术难以快速、精确的利用随钻方位电磁波测井资料在多边界地层中进行地质导向的问题，提出了一种基于蚁群-梯度串联算法的多边界幕式地质导向方法，该方法通过将蚁群算法全局寻优能力和梯度算法高效收敛的优势有机结合，实现了在多边界地层中对随钻方位电磁波仪器快速、精确的进行地质导向。
本发明为了实现上述目的，采用如下技术方案：
一种基于蚁群-梯度串联算法的多边界幕式地质导向方法，包括如下步骤：
步骤1，确定随钻方位电磁波测井反演的反演参数并将反演参数向量化，构建反演参数向量组；
步骤2，构建随钻方位电磁波测井反演目标函数；
步骤3，设置随钻方位电磁波测井反演的最大迭代次数，将反演参数向量组内各反演参数按照自身的取值范围进行等分，对反演参数向量组进行等间距网格化处理，构建反演参数向量矩阵；
步骤4，设置蚁群中人工蚂蚁的数量，将蚁群中的人工蚂蚁随机分配至反演参数向量矩阵的第一个反演参数行向量中，并获取蚁群中各人工蚂蚁的初始位置；
步骤5，蚁群中的各人工蚂蚁在反演参数向量矩阵中从第一个反演参数行向量的任意离散值爬行至最后一个反演参数行向量的任意离散值，途经反演参数向量矩阵的所有反演参数列向量，当蚁群中所有的人工蚂蚁爬行结束时，根据各人工蚂蚁在反演参数向量矩阵中爬行的路径，获取各人工蚂蚁经过所有节点处的反演参数值，分别对各人工蚂蚁在各节点处的反演参数值进行以10为底数的指数运算，得到多个随钻方位电磁波测井正演计算参数模型
Figure 100002_DEST_PATH_IMAGE002
；
步骤6，分别针对各正演计算参数模型
Figure 100002_DEST_PATH_IMAGE002A
，基于随钻方位电磁波测井正演模拟方法，结合随钻方位电磁波测井仪器的结构参数，正演模拟获取随钻方位电磁波测井仪器在正演计算参数模型
Figure 100002_DEST_PATH_IMAGE002AA
中的测井响应，得到参考模型
Figure 100002_DEST_PATH_IMAGE004
并代入步骤2中建立的随钻方位电磁波测井反演目标函数中，计算目标函数值；
步骤7，判断蚁群获取的路径总数是否达到设定的最大迭代次数，若蚁群获取的路径总数小于设定的最大迭代次数，则进入步骤8，否则，则进入步骤9；
步骤8，根据蚁群中各人工蚂蚁的爬行路径，更新各人工蚂蚁经过反演参数向量矩阵中各节点的信息素浓度以及各人工蚂蚁从当前层爬行至下一层所选取路径的转移概率，返回步骤4中，继续进行迭代计算；
步骤9，根据蚁群中各人工蚂蚁的路径，将信息素浓度最大路径正演模拟所获取的正演计算参数模型作为随钻方位电磁波测井梯度反演的初始模型；
步骤10，基于随钻方位电磁波测井梯度反演的初始模型，结合随钻方位电磁波测井仪器测量的随钻电磁波测井数据，合成随钻方位电磁波测井数据，并代入随钻方位电磁波测井反演目标函数中求取目标函数值；
步骤11，设置随钻方位电磁波测井反演目标函数的精度值，判断步骤10中求取的目标函数值是否达到设定的精度值，若求取的目标函数值小于设定的精度值，则进入步骤12，否则，则进入步骤13；
步骤12，基于高斯牛顿算法，更新随钻方位电磁波测井反演目标函数的反演参数向量，并返回步骤10中；
步骤13，根据反演得到的反演参数向量组中的反演参数，确定地层电阻率R和随钻方位电磁波测井仪器的界面距离L，并根据地层电阻率R和随钻方位电磁波测井仪器的界面距离L进行地层幕式成像；
步骤14，根据地层幕式成像的结果，指导随钻方位电磁波测井仪器所连接钻头在井眼里的钻进方向。
优选地，所述步骤1中具体包括以下步骤：
步骤1.1，确定随钻方位电磁波测井反演的反演参数，反演参数包括地层电阻率R和随钻方位电磁波测井仪器的界面距离L，其中，地层电阻率R中包括所有地层介质的电阻率，
Figure 100002_DEST_PATH_IMAGE006
，
Figure 100002_DEST_PATH_IMAGE008
为第n层地层介质的电阻率，n为地层介质的层数，随钻方位电磁波测井仪器的界面距离L中包括随钻方位电磁波测井仪器与各地层介质底面之间的距离，
Figure 100002_DEST_PATH_IMAGE010
，
Figure 100002_DEST_PATH_IMAGE012
为随钻方位电磁波测井仪器与第n-1层地层介质底面之间的距离；
步骤1.2，将地层电阻率R中所有地层介质的电阻率转换为以10为底数的对数电阻率，得到地层的对数电阻率
Figure 100002_DEST_PATH_IMAGE014
，
Figure 100002_DEST_PATH_IMAGE016
，
Figure 100002_DEST_PATH_IMAGE018
为第n层地层介质的对数电阻率；
步骤1.3，基于地层的对数电阻率
Figure 100002_DEST_PATH_IMAGE020
和随钻方位电磁波测井仪器的界面距离L，建立反演参数向量组m，
Figure 100002_DEST_PATH_IMAGE022
，反演参数向量组m中反演参数的数量为M个，M=2n-1。
优选地，所述步骤2中具体包括以下步骤：
步骤2.1，获取随钻方位电磁波测井仪器测量的随钻电磁波测井数据，对随钻电磁波测井数据进行预处理，分别对随钻电磁波测井数据中的相位差和幅度比信号进行归一化处理，使得随钻电磁波测井数据的量级一致；
步骤2.2，基于归一化处理后的随钻电磁波测井数据，构建随钻方位电磁波测井反演目标函数，如公式（1）所示：
Figure 100002_DEST_PATH_IMAGE024
（1）
式中，
Figure 100002_DEST_PATH_IMAGE026
为随钻方位电磁波测井反演目标函数，m为反演参数向量组；
Figure 100002_DEST_PATH_IMAGE028
为残差项，用于反映反演参数向量组的模拟值与观测值之间的差异，
Figure 100002_DEST_PATH_IMAGE030
为正则化项，用于避免非线性反演中矩阵病态的问题；
Figure 100002_DEST_PATH_IMAGE032
为正则化参数，用于平衡反演目标函数的残差项和正则化项；
Figure 100002_DEST_PATH_IMAGE034
为随钻方位电磁波测井测量信号的权重，
Figure 100002_DEST_PATH_IMAGE036
为随钻方位电磁波测井反演参数的权重；
Figure 100002_DEST_PATH_IMAGE038
为归一化后随钻方位电磁波测井仪器的合成信号，D为归一化后随钻方位电磁波测井仪器的测量信号；
Figure 100002_DEST_PATH_IMAGE040
为参考模型，
Figure 100002_DEST_PATH_IMAGE042
，
Figure 100002_DEST_PATH_IMAGE044
为第n层地层介质电阻率的参考值，
Figure 100002_DEST_PATH_IMAGE046
为随钻方位电磁波测井仪器与第n-1层地层介质底面之间距离的参考值。
优选地，所述步骤3具体包括以下步骤：
步骤3.1，根据地层的地质条件和随钻方位电磁波测井仪器的探测特性，确定反演参数向量组中所有反演参数的最大值和最小值；
步骤3.2，分别将反演参数向量组中各反演参数等分后形成多个向量组，再将反演参数向量组中各反演参数等分所形成的向量组相组合，以各反演参数等分得到的向量组作为数据层，构建反演参数向量矩阵，如公式（2）所示：
Figure 100002_DEST_PATH_IMAGE048
（2）
式中，A为等间距网格化处理后的反演参数向量矩阵；
Figure 100002_DEST_PATH_IMAGE050
为反演参数等分的数量，
Figure 100002_DEST_PATH_IMAGE052
为反演参数向量组m中反演参数的数量；
Figure 100002_DEST_PATH_IMAGE054
为反演参数向量组中第j个反演参数的向量组；
Figure 100002_DEST_PATH_IMAGE056
为反演参数向量矩阵中节点
Figure 100002_DEST_PATH_IMAGE058
处的反演参数值，
Figure 100002_DEST_PATH_IMAGE060
为节点所在行数，
Figure 100002_DEST_PATH_IMAGE062
，
Figure 100002_DEST_PATH_IMAGE060A
为整数，
Figure 100002_DEST_PATH_IMAGE064
为节点所在列数，
Figure 100002_DEST_PATH_IMAGE066
，
Figure 100002_DEST_PATH_IMAGE064A
为整数。
优选地，所述蚁群中人工蚂蚁的数量等于反演参数向量组中反演参数数量的1.5倍。
优选地，所述步骤8中，反演参数向量矩阵中各节点的信息素浓度更新公式为：
Figure 100002_DEST_PATH_IMAGE068
（3）
式中，
Figure 100002_DEST_PATH_IMAGE060AA
为节点所在行数，
Figure 100002_DEST_PATH_IMAGE062A
，
Figure 100002_DEST_PATH_IMAGE060AAA
为整数，
Figure 100002_DEST_PATH_IMAGE064AA
为节点所在列数，
Figure 100002_DEST_PATH_IMAGE066A
，
Figure 100002_DEST_PATH_IMAGE064AAA
为整数；
Figure 100002_DEST_PATH_IMAGE070
为节点
Figure 100002_DEST_PATH_IMAGE058A
在
Figure 100002_DEST_PATH_IMAGE072
时刻的信息素浓度，
Figure 100002_DEST_PATH_IMAGE074
为节点
Figure 100002_DEST_PATH_IMAGE058AA
在
Figure 100002_DEST_PATH_IMAGE076
时刻的信息素浓度；
Figure 100002_DEST_PATH_IMAGE078
为挥发系数，
Figure 100002_DEST_PATH_IMAGE080
；
Figure 100002_DEST_PATH_IMAGE082
为蚁群中人工蚂蚁的总数，S为人工蚂蚁的编号；
Figure 100002_DEST_PATH_IMAGE084
为蚁群中第S只人工蚂蚁在
Figure 100002_DEST_PATH_IMAGE086
时刻爬行经过节点
Figure 100002_DEST_PATH_IMAGE058AAA
所留下的信息素，如公式（4）所示：
Figure 100002_DEST_PATH_IMAGE088
（4）
式中，
Figure 100002_DEST_PATH_IMAGE090
为信息素常量，
Figure 100002_DEST_PATH_IMAGE092
为第S只人工蚂蚁在反演参数向量矩阵中遍历一次所获取路径的总长度，如公式（5）所示：
Figure 100002_DEST_PATH_IMAGE094
（5）
式中，
Figure 100002_DEST_PATH_IMAGE096
为基于第S只人工蚂蚁爬行路径获取的正演计算参数模型所计算的目标函数值；
反演参数向量矩阵中各人工蚂蚁从当前层爬行至下一层所选取路径的转移概率为：
Figure 100002_DEST_PATH_IMAGE098
（6）
式中，
Figure 100002_DEST_PATH_IMAGE100
为
Figure 100002_DEST_PATH_IMAGE076A
时刻人工蚂蚁从当前层所在节点
Figure 100002_DEST_PATH_IMAGE102
爬行至下一层节点
Figure 100002_DEST_PATH_IMAGE104
的转移概率，
Figure 100002_DEST_PATH_IMAGE106
为当前层人工蚂蚁所在节点的行数，
Figure 100002_DEST_PATH_IMAGE108
为下一层人工蚂蚁所在节点的列数，
Figure 100002_DEST_PATH_IMAGE110
为启发函数，
Figure 100002_DEST_PATH_IMAGE112
为
Figure 100002_DEST_PATH_IMAGE076AA
时刻节点
Figure 100002_DEST_PATH_IMAGE104A
处的启发函数值，
Figure 100002_DEST_PATH_IMAGE114
为信息素平衡指数，
Figure 100002_DEST_PATH_IMAGE116
为启发函数平衡指数。
优选地，所述步骤12中，随钻方位电磁波测井反演目标函数的反演参数向量更新公式为：
Figure 100002_DEST_PATH_IMAGE118
（7）
式中，
Figure 100002_DEST_PATH_IMAGE120
为反演参数向量组m的雅克比矩阵，
Figure 100002_DEST_PATH_IMAGE122
为雅克比矩阵
Figure 100002_DEST_PATH_IMAGE120A
的转置矩阵，
Figure 100002_DEST_PATH_IMAGE124
为随钻方位电磁波测井测量信号权重
Figure 100002_DEST_PATH_IMAGE126
的转置矩阵，
Figure 100002_DEST_PATH_IMAGE128
为随钻方位电磁波测井反演参数权重
Figure 100002_DEST_PATH_IMAGE130
的转置矩阵，
Figure 100002_DEST_PATH_IMAGE132
为正则化参数。
本发明具有的有益效果是：
本发明提出了一种基于蚁群-梯度串联算法的多边界幕式地质导向方法，在对随钻方位电磁波测井仪器进行地质导向的过程中，实时根据随钻方位电磁波测井仪器测量的随钻方位电磁波测井数据反演地层电阻率和随钻方位电磁波测井仪器与各地层介质底面之间的距离，并根据反演结果进行地层幕式成像，利用地层幕式成像的结果确定随钻方位电磁波测井仪器所在井眼与地层界面之间的相对位置关系，指导随钻方位电磁波测井仪器所连接钻头的钻进方向。
由于地层厚度较大时，随钻方位电磁波测井仪器探测范围内的地层界面较少，需要反演的地层参数也较少，采用现有技术中的梯度反演能够获取地层信息，但是，当地层厚度较少时，随钻方位电磁波测井仪器的探测范围内可能存在多个地层边界，此时反演参数增多，采用梯度反演容易陷入局部最优从而导致反演结果不准确，为了解决因陷入局部最优所导致反演结果不准确的问题，本发明利用蚁群算法的反演结果作为梯度反演算法的初值，将随机反演方法与梯度反演方法相结合，提出了一种基于蚁群-梯度串联算法的多边界幕式地质导向方法，充分利用随机反演方法全局收敛的特性和梯度反演方法快速收敛的特性，反演结果准确且反演计算过程收敛迅速，实现了对多边界地层的高效、高精度地质导向，为随钻方位电磁波测井仪器的地质导向提供了依据。
附图说明
图1为本发明基于蚁群-梯度串联算法的多边界幕式地质导向方法的流程图。
图2为本发明随钻方位电磁波测井反演的反演参数示意图。
图3为本发明蚁群中人工蚂蚁爬行路径的示意图。
图4为本发明参数向量的地质信号正演结果。图中，（a）为相位差地质信号，（b）为幅度比地质信号。
图5为本发明多边界地层幕式成像结果的示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
本发明提出了一种基于蚁群-梯度串联算法的多边界幕式地质导向方法，如图1所示，具体包括以下步骤：
步骤1，确定随钻方位电磁波测井反演的反演参数并将反演参数向量化，构建反演参数向量组，具体包括以下子步骤：
步骤1.1，确定随钻方位电磁波测井反演的反演参数，反演参数包括地层电阻率R和随钻方位电磁波测井仪器的界面距离L，如图2所示，本实施例中地层介质的层数n=5，地层电阻率R（本实施例中
Figure DEST_PATH_IMAGE134
）中包括所有地层介质的电阻率，随钻方位电磁波测井仪器的界面距离L（本实施例中
Figure DEST_PATH_IMAGE136
）中包括随钻方位电磁波测井仪器与各地层介质底面之间的距离。
步骤1.2，将地层电阻率R中所有地层介质的电阻率转换为以10为底数的对数电阻率，得到地层的对数电阻率
Figure DEST_PATH_IMAGE014A
，转换后地层的对数电阻率
Figure DEST_PATH_IMAGE014AA
与随钻方位电磁波测井仪器的界面距离L保持为同一量级。
步骤1.3，基于地层的对数电阻率
Figure DEST_PATH_IMAGE014AAA
和随钻方位电磁波测井仪器的界面距离L，建立反演参数向量组m，本实施例中反演参数向量组
Figure DEST_PATH_IMAGE022A
，反演参数向量组m内共包括9个反演参数。
步骤2，构建随钻方位电磁波测井反演目标函数，具体包括以下子步骤：
步骤2.1，获取随钻方位电磁波测井仪器测量的随钻电磁波测井数据，对随钻电磁波测井数据进行预处理，分别对随钻电磁波测井数据中的相位差和幅度比信号进行归一化处理，使得随钻电磁波测井数据的量级一致。
步骤2.2，基于归一化处理后的随钻电磁波测井数据，构建随钻方位电磁波测井反演目标函数，如公式（1）所示：
Figure DEST_PATH_IMAGE024A
（1）
式中，
Figure DEST_PATH_IMAGE026A
为随钻方位电磁波测井反演目标函数，m为反演参数向量组；
Figure DEST_PATH_IMAGE028A
为残差项，用于反映反演参数向量组的模拟值与观测值之间的差异，
Figure DEST_PATH_IMAGE030A
为正则化项，用于避免非线性反演中矩阵病态的问题；
Figure DEST_PATH_IMAGE032A
为正则化参数，用于平衡反演目标函数的残差项和正则化项；
Figure DEST_PATH_IMAGE034A
为随钻方位电磁波测井测量信号的权重，
Figure DEST_PATH_IMAGE036A
为随钻方位电磁波测井反演参数的权重；
Figure DEST_PATH_IMAGE038A
为归一化后随钻方位电磁波测井仪器的合成信号，D为归一化后随钻方位电磁波测井仪器的测量信号；
Figure DEST_PATH_IMAGE040A
为参考模型，
Figure DEST_PATH_IMAGE042A
，
Figure DEST_PATH_IMAGE044A
为第n层地层介质电阻率的参考值，
Figure DEST_PATH_IMAGE046A
为随钻方位电磁波测井仪器与第n-1层地层介质底面之间距离的参考值。
步骤3，设置随钻方位电磁波测井反演的最大迭代次数，将反演参数向量组内各反演参数按照自身的取值范围进行等分，对反演参数向量组进行等间距网格化处理，构建反演参数向量矩阵，具体包括以下子步骤：
步骤3.1，根据地层的地质条件和随钻方位电磁波测井仪器的探测特性，确定反演参数向量组中所有反演参数的最大值和最小值，本实施例中地层电阻率的最大值为1000
Figure DEST_PATH_IMAGE138
、最小值为0.1
Figure DEST_PATH_IMAGE138A
，地层电对数电阻率的最大值为3
Figure DEST_PATH_IMAGE138AA
、最小值为-1
Figure DEST_PATH_IMAGE138AAA
，随钻方位电磁波测井仪器与地层介质底面之间距离的最小值为-6m、最大值为+6m，其中，负数表示地层介质底面位于随钻方位电磁波测井仪器的下方，正数表示地层介质底面位于随钻方位电磁波测井仪器的上方。
步骤3.2，分别将反演参数向量组中各反演参数等分为51份后形成多个向量组，再将反演参数向量组中各反演参数51等分所形成的向量组相组合，以各反演参数51等分得到的向量组作为数据层，构建反演参数向量矩阵A，如公式（8）所示：
Figure DEST_PATH_IMAGE140
（8）
式中，
Figure DEST_PATH_IMAGE142
为反演参数
Figure DEST_PATH_IMAGE144
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE146
为反演参数
Figure DEST_PATH_IMAGE148
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE150
为反演参数
Figure DEST_PATH_IMAGE152
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE154
为反演参数
Figure DEST_PATH_IMAGE156
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE158
为反演参数
Figure DEST_PATH_IMAGE160
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE162
为反演参数
Figure DEST_PATH_IMAGE164
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE166
为反演参数
Figure DEST_PATH_IMAGE168
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE170
为反演参数
Figure DEST_PATH_IMAGE172
等分为51份后所形成的向量组，
Figure DEST_PATH_IMAGE174
为反演参数
Figure DEST_PATH_IMAGE176
等分为51份后所形成的向量组。
步骤4，设置蚁群中人工蚂蚁的数量
Figure DEST_PATH_IMAGE082A
为14，将14只人工蚂蚁随机分配至反演参数向量矩阵的第一个反演参数行向量中，并获取蚁群中各人工蚂蚁的初始位置。
步骤5，蚁群中的各人工蚂蚁在反演参数向量矩阵中从第一个反演参数行向量的任意离散值爬行至最后一个反演参数行向量的任意离散值，途经反演参数向量矩阵的所有反演参数行向量，如图3所示，当蚁群中所有的人工蚂蚁爬行结束时，根据各人工蚂蚁在反演参数向量矩阵中爬行的路径，获取各人工蚂蚁经过所有节点处的反演参数值，分别对各人工蚂蚁在各节点处的反演参数值进行以10为底数的指数运算，得到多个随钻方位电磁波测井正演计算参数模型
Figure DEST_PATH_IMAGE002AAA
。
步骤6，分别针对各正演计算参数模型
Figure DEST_PATH_IMAGE002AAAA
，基于随钻方位电磁波测井正演模拟方法，结合随钻方位电磁波测井仪器的结构参数，正演模拟获取随钻方位电磁波测井仪器在正演计算参数模型
Figure DEST_PATH_IMAGE002_5A
中的测井响应，得到参考模型
Figure DEST_PATH_IMAGE004A
。本实施例中当地层电阻率R固定为
Figure DEST_PATH_IMAGE178
时，随钻方位电磁波测井地质信号随垂直深度的变化而变化，如图4所示，本实施例在垂直深度为0m处所对应的反演参数向量组为
Figure DEST_PATH_IMAGE180
。将参考模型
Figure DEST_PATH_IMAGE004AA
代入步骤2中建立的随钻方位电磁波测井反演目标函数中，计算随钻方位电磁波测井反演目标函数的目标函数值。
步骤7，判断蚁群获取的路径总数是否达到设定的最大迭代次数，若蚁群获取的路径总数小于设定的最大迭代次数，则进入步骤8，否则，则进入步骤9。
步骤8，根据蚁群中各人工蚂蚁的爬行路径，更新各人工蚂蚁经过反演参数向量矩阵中各节点的信息素浓度以及各人工蚂蚁从当前层爬行至下一层所选取路径的转移概率，返回步骤4中，继续进行迭代计算，其中，反演参数向量矩阵中各节点的信息素浓度更新公式为：
Figure DEST_PATH_IMAGE068A
（3）
式中，
Figure DEST_PATH_IMAGE060AAAA
为节点所在行数，
Figure DEST_PATH_IMAGE062AA
，
Figure DEST_PATH_IMAGE060_5A
为整数，
Figure DEST_PATH_IMAGE064AAAA
为节点所在列数，
Figure DEST_PATH_IMAGE066AA
，
Figure DEST_PATH_IMAGE064_5A
为整数；
Figure DEST_PATH_IMAGE070A
为节点
Figure DEST_PATH_IMAGE058AAAA
在
Figure DEST_PATH_IMAGE072A
时刻的信息素浓度，
Figure DEST_PATH_IMAGE074A
为节点
Figure DEST_PATH_IMAGE058_5A
在
Figure DEST_PATH_IMAGE076AAA
时刻的信息素浓度；
Figure DEST_PATH_IMAGE078A
为挥发系数，
Figure DEST_PATH_IMAGE080A
；
Figure DEST_PATH_IMAGE082AA
为蚁群中人工蚂蚁的总数，S为人工蚂蚁的编号；
Figure DEST_PATH_IMAGE084A
为蚁群中第S只人工蚂蚁在
Figure DEST_PATH_IMAGE086A
时刻爬行经过节点
Figure DEST_PATH_IMAGE058_6A
所留下的信息素，如公式（4）所示：
Figure DEST_PATH_IMAGE088A
（4）
式中，
Figure DEST_PATH_IMAGE090A
为信息素常量，
Figure DEST_PATH_IMAGE092A
为第S只人工蚂蚁在反演参数向量矩阵中遍历一次所获取路径的总长度，如公式（5）所示：
Figure DEST_PATH_IMAGE094A
（5）
式中，
Figure DEST_PATH_IMAGE096A
为基于第S只人工蚂蚁爬行路径获取的正演计算参数模型所计算的目标函数值。
反演参数向量矩阵中各人工蚂蚁从当前层爬行至下一层所选取路径的转移概率为：
Figure DEST_PATH_IMAGE098A
（6）
式中，
Figure DEST_PATH_IMAGE100A
为
Figure DEST_PATH_IMAGE076AAAA
时刻人工蚂蚁从当前层所在节点
Figure DEST_PATH_IMAGE102A
爬行至下一层节点
Figure DEST_PATH_IMAGE104AA
的转移概率，
Figure DEST_PATH_IMAGE181
为当前层人工蚂蚁所在节点的行数，
Figure DEST_PATH_IMAGE108A
为下一层人工蚂蚁所在节点的列数，
Figure DEST_PATH_IMAGE110A
为启发函数，
Figure DEST_PATH_IMAGE112A
为
Figure DEST_PATH_IMAGE076_5A
时刻节点
Figure DEST_PATH_IMAGE104AAA
处的启发函数值，
Figure DEST_PATH_IMAGE114A
为信息素平衡指数，
Figure DEST_PATH_IMAGE116A
为启发函数平衡指数。
步骤9，根据蚁群中各人工蚂蚁的路径，将信息素浓度最大路径正演模拟所获取的正演计算参数模型作为随钻方位电磁波测井梯度反演的初始模型，设置随钻方位电磁波测井反演目标函数的精度值。
步骤10，合成随钻方位电磁波测井数据，并代入随钻方位电磁波测井反演目标函数中求取目标函数值。
步骤11，判断步骤10中求取的目标函数值是否达到设定的精度值，若求取的目标函数值小于设定的精度值，则进入步骤12，否则，则进入步骤13；
步骤12，基于高斯牛顿算法，更新随钻方位电磁波测井反演目标函数的反演参数向量，并返回步骤10中，其中，随钻方位电磁波测井反演目标函数的反演参数向量更新公式为：
Figure DEST_PATH_IMAGE118A
（7）
式中，
Figure DEST_PATH_IMAGE120AA
为反演参数向量组m的雅克比矩阵，
Figure DEST_PATH_IMAGE122A
为雅克比矩阵
Figure DEST_PATH_IMAGE120AAA
的转置矩阵，
Figure DEST_PATH_IMAGE124A
为随钻方位电磁波测井测量信号权重
Figure DEST_PATH_IMAGE126A
的转置矩阵，
Figure DEST_PATH_IMAGE128A
为随钻方位电磁波测井反演参数权重
Figure DEST_PATH_IMAGE130A
的转置矩阵，
Figure DEST_PATH_IMAGE132A
为正则化参数。
步骤13，根据反演得到的反演参数向量组中的反演参数，确定地层电阻率R和随钻方位电磁波测井仪器的界面距离L，并根据地层电阻率R和随钻方位电磁波测井仪器的界面距离L进行地层幕式成像，如图5所示。
步骤14，根据地层幕式成像的结果，指导随钻方位电磁波测井仪器所连接钻头在井眼里的钻进方向，当随钻方位电磁波测井仪器靠近储层上界面时，将随钻方位电磁波测井仪器所连接钻头的钻进轨迹调整为斜向下钻进，当随钻方位电磁波测井仪器靠近储层下界面时，将随钻方位电磁波测井仪器所连接钻头的钻进轨迹调整为斜向上钻进。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (7)

1.一种基于蚁群-梯度串联算法的多边界幕式地质导向方法，其特征在于，包括如下步骤：
步骤1，确定随钻方位电磁波测井反演的反演参数并将反演参数向量化，构建反演参数向量组；
步骤2，构建随钻方位电磁波测井反演目标函数；
步骤3，设置随钻方位电磁波测井反演的最大迭代次数，将反演参数向量组内各反演参数按照自身的取值范围进行等分，对反演参数向量组进行等间距网格化处理，构建反演参数向量矩阵；
步骤4，设置蚁群中人工蚂蚁的数量，将蚁群中的人工蚂蚁随机分配至反演参数向量矩阵的第一个反演参数行向量中，并获取蚁群中各人工蚂蚁的初始位置；
步骤5，蚁群中的各人工蚂蚁在反演参数向量矩阵中从第一个反演参数行向量的任意离散值爬行至最后一个反演参数行向量的任意离散值，途经反演参数向量矩阵的所有反演参数列向量，当蚁群中所有的人工蚂蚁爬行结束时，根据各人工蚂蚁在反演参数向量矩阵中爬行的路径，获取各人工蚂蚁经过所有节点处的反演参数值，分别对各人工蚂蚁在各节点处的反演参数值进行以10为底数的指数运算，得到多个随钻方位电磁波测井正演计算参数模型
Figure DEST_PATH_IMAGE002
；
步骤6，分别针对各正演计算参数模型
Figure DEST_PATH_IMAGE002A
，基于随钻方位电磁波测井正演模拟方法，结合随钻方位电磁波测井仪器的结构参数，正演模拟获取随钻方位电磁波测井仪器在正演计算参数模型
Figure DEST_PATH_IMAGE002AA
中的测井响应，得到参考模型
Figure DEST_PATH_IMAGE004
并代入步骤2中建立的随钻方位电磁波测井反演目标函数中，计算目标函数值；
步骤7，判断蚁群获取的路径总数是否达到设定的最大迭代次数，若蚁群获取的路径总数小于设定的最大迭代次数，则进入步骤8，否则，则进入步骤9；
步骤8，根据蚁群中各人工蚂蚁的爬行路径，更新各人工蚂蚁经过反演参数向量矩阵中各节点的信息素浓度以及各人工蚂蚁从当前层爬行至下一层所选取路径的转移概率，返回步骤4中，继续进行迭代计算；
步骤9，根据蚁群中各人工蚂蚁的路径，将信息素浓度最大路径正演模拟所获取的正演计算参数模型作为随钻方位电磁波测井梯度反演的初始模型；
步骤10，基于随钻方位电磁波测井梯度反演的初始模型，结合随钻方位电磁波测井仪器测量的随钻电磁波测井数据，合成随钻方位电磁波测井数据，并代入随钻方位电磁波测井反演目标函数中求取目标函数值；
步骤11，设置随钻方位电磁波测井反演目标函数的精度值，判断步骤10中求取的目标函数值是否达到设定的精度值，若求取的目标函数值小于设定的精度值，则进入步骤12，否则，则进入步骤13；
步骤12，基于高斯牛顿算法，更新随钻方位电磁波测井反演目标函数的反演参数向量，并返回步骤10中；
步骤13，根据反演得到的反演参数向量组中的反演参数，确定地层电阻率R和随钻方位电磁波测井仪器的界面距离L，并根据地层电阻率R和随钻方位电磁波测井仪器的界面距离L进行地层幕式成像；
步骤14，根据地层幕式成像的结果，指导随钻方位电磁波测井仪器所连接钻头在井眼里的钻进方向。
2.根据权利要求1所述的基于蚁群-梯度串联算法的多边界幕式地质导向方法，其特征在于，所述步骤1中具体包括以下步骤：
步骤1.1，确定随钻方位电磁波测井反演的反演参数，反演参数包括地层电阻率R和随钻方位电磁波测井仪器的界面距离L，其中，地层电阻率R中包括所有地层介质的电阻率，
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE008
为第n层地层介质的电阻率，n为地层介质的层数，随钻方位电磁波测井仪器的界面距离L中包括随钻方位电磁波测井仪器与各地层介质底面之间的距离，
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
为随钻方位电磁波测井仪器与第n-1层地层介质底面之间的距离；
步骤1.2，将地层电阻率R中所有地层介质的电阻率转换为以10为底数的对数电阻率，得到地层的对数电阻率
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
为第n层地层介质的对数电阻率；
步骤1.3，基于地层的对数电阻率
Figure DEST_PATH_IMAGE020
和随钻方位电磁波测井仪器的界面距离L，建立反演参数向量组m，
Figure DEST_PATH_IMAGE022
，反演参数向量组m中反演参数的数量为M个，M=2n-1。
3.根据权利要求2所述的基于蚁群-梯度串联算法的多边界幕式地质导向方法，其特征在于，所述步骤2中具体包括以下步骤：
步骤2.1，获取随钻方位电磁波测井仪器测量的随钻电磁波测井数据，对随钻电磁波测井数据进行预处理，分别对随钻电磁波测井数据中的相位差和幅度比信号进行归一化处理，使得随钻电磁波测井数据的量级一致；
步骤2.2，基于归一化处理后的随钻电磁波测井数据，构建随钻方位电磁波测井反演目标函数，如公式（1）所示：
Figure DEST_PATH_IMAGE024
（1）
式中，
Figure DEST_PATH_IMAGE026
为随钻方位电磁波测井反演目标函数，m为反演参数向量组；
Figure DEST_PATH_IMAGE028
为残差项，用于反映反演参数向量组的模拟值与观测值之间的差异，
Figure DEST_PATH_IMAGE030
为正则化项，用于避免非线性反演中矩阵病态的问题；
Figure DEST_PATH_IMAGE032
为正则化参数，用于平衡反演目标函数的残差项和正则化项；
Figure DEST_PATH_IMAGE034
为随钻方位电磁波测井测量信号的权重，
Figure DEST_PATH_IMAGE036
为随钻方位电磁波测井反演参数的权重；
Figure DEST_PATH_IMAGE038
为归一化后随钻方位电磁波测井仪器的合成信号，D为归一化后随钻方位电磁波测井仪器的测量信号；
Figure DEST_PATH_IMAGE040
为参考模型，
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
为第n层地层介质电阻率的参考值，
Figure DEST_PATH_IMAGE046
为随钻方位电磁波测井仪器与第n-1层地层介质底面之间距离的参考值。
4.根据权利要求3所述的基于蚁群-梯度串联算法的多边界幕式地质导向方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1，根据地层的地质条件和随钻方位电磁波测井仪器的探测特性，确定反演参数向量组中所有反演参数的最大值和最小值；
步骤3.2，分别将反演参数向量组中各反演参数等分后形成多个向量组，再将反演参数向量组中各反演参数等分所形成的向量组相组合，以各反演参数等分得到的向量组作为数据层，构建反演参数向量矩阵，如公式（2）所示：
Figure DEST_PATH_IMAGE048
（2）
式中，A为等间距网格化处理后的反演参数向量矩阵；
Figure DEST_PATH_IMAGE050
为反演参数等分的数量，
Figure DEST_PATH_IMAGE052
为反演参数向量组m中反演参数的数量；
Figure DEST_PATH_IMAGE054
为反演参数向量组中第j个反演参数的向量组；
Figure DEST_PATH_IMAGE056
为反演参数向量矩阵中节点
Figure DEST_PATH_IMAGE058
处的反演参数值，
Figure DEST_PATH_IMAGE060
为节点所在行数，
Figure DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE060A
为整数，
Figure DEST_PATH_IMAGE064
为节点所在列数，
Figure DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE064A
为整数。
5.根据权利要求1所述的基于蚁群-梯度串联算法的多边界幕式地质导向方法，其特征在于，所述蚁群中人工蚂蚁的数量等于反演参数向量组中反演参数数量的1.5倍。
6.根据权利要求4所述的基于蚁群-梯度串联算法的多边界幕式地质导向方法，其特征在于，所述步骤8中，反演参数向量矩阵中各节点的信息素浓度更新公式为：
Figure DEST_PATH_IMAGE068
（3）
式中，
Figure DEST_PATH_IMAGE060AA
为节点所在行数，
Figure DEST_PATH_IMAGE062A
，
Figure DEST_PATH_IMAGE060AAA
为整数，
Figure DEST_PATH_IMAGE064AA
为节点所在列数，
Figure DEST_PATH_IMAGE066A
，
Figure DEST_PATH_IMAGE064AAA
为整数；
Figure DEST_PATH_IMAGE070
为节点
Figure DEST_PATH_IMAGE058A
在
Figure DEST_PATH_IMAGE072
时刻的信息素浓度，
Figure DEST_PATH_IMAGE074
为节点
Figure DEST_PATH_IMAGE058AA
在
Figure DEST_PATH_IMAGE076
时刻的信息素浓度；
Figure DEST_PATH_IMAGE078
为挥发系数，
Figure DEST_PATH_IMAGE080
；
Figure DEST_PATH_IMAGE082
为蚁群中人工蚂蚁的总数，S为人工蚂蚁的编号；
Figure DEST_PATH_IMAGE084
为蚁群中第S只人工蚂蚁在
Figure DEST_PATH_IMAGE086
时刻爬行经过节点
Figure DEST_PATH_IMAGE058AAA
所留下的信息素，如公式（4）所示：
Figure DEST_PATH_IMAGE088
（4）
式中，
Figure DEST_PATH_IMAGE090
为信息素常量，
Figure DEST_PATH_IMAGE092
为第S只人工蚂蚁在反演参数向量矩阵中遍历一次所获取路径的总长度，如公式（5）所示：
Figure DEST_PATH_IMAGE094
（5）
式中，
Figure DEST_PATH_IMAGE096
为基于第S只人工蚂蚁爬行路径获取的正演计算参数模型所计算的目标函数值；
反演参数向量矩阵中各人工蚂蚁从当前层爬行至下一层所选取路径的转移概率为：
Figure DEST_PATH_IMAGE098
（6）
式中，
Figure DEST_PATH_IMAGE100
为
Figure DEST_PATH_IMAGE076A
时刻人工蚂蚁从当前层所在节点
Figure DEST_PATH_IMAGE102
爬行至下一层节点
Figure DEST_PATH_IMAGE104
的转移概率，
Figure DEST_PATH_IMAGE106
为当前层人工蚂蚁所在节点的行数，
Figure DEST_PATH_IMAGE108
为下一层人工蚂蚁所在节点的列数，
Figure DEST_PATH_IMAGE110
为启发函数，
Figure DEST_PATH_IMAGE112
为
Figure DEST_PATH_IMAGE076AA
时刻节点
Figure DEST_PATH_IMAGE104A
处的启发函数值，
Figure DEST_PATH_IMAGE114
为信息素平衡指数，
Figure DEST_PATH_IMAGE116
为启发函数平衡指数。
7.根据权利要求1所述的基于蚁群-梯度串联算法的多边界幕式地质导向方法，其特征在于，所述步骤12中，随钻方位电磁波测井反演目标函数的反演参数向量更新公式为：
Figure DEST_PATH_IMAGE118
（7）
式中，
Figure DEST_PATH_IMAGE120
为反演参数向量组m的雅克比矩阵，
Figure DEST_PATH_IMAGE122
为雅克比矩阵
Figure DEST_PATH_IMAGE120A
的转置矩阵，
Figure DEST_PATH_IMAGE124
为随钻方位电磁波测井测量信号权重
Figure DEST_PATH_IMAGE126
的转置矩阵，
Figure DEST_PATH_IMAGE128
为随钻方位电磁波测井反演参数权重
Figure DEST_PATH_IMAGE130
的转置矩阵，
Figure DEST_PATH_IMAGE132
为正则化参数。
CN202211185911.7A 2022-09-28 2022-09-28 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法 Active CN115267927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211185911.7A CN115267927B (zh) 2022-09-28 2022-09-28 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211185911.7A CN115267927B (zh) 2022-09-28 2022-09-28 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法

Publications (2)

Publication Number Publication Date
CN115267927A CN115267927A (zh) 2022-11-01
CN115267927B true CN115267927B (zh) 2022-12-30

Family

ID=83756983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211185911.7A Active CN115267927B (zh) 2022-09-28 2022-09-28 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法

Country Status (1)

Country Link
CN (1) CN115267927B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045154A (zh) * 2017-02-08 2017-08-15 中国海洋石油总公司 一种水平井环境中的识别地层产状的方法和装置
CN111597752A (zh) * 2020-04-08 2020-08-28 山东大学 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统
WO2021002761A1 (en) * 2019-07-02 2021-01-07 Equinor Energy As Improved inversions of geophysical data
WO2021048597A1 (en) * 2019-09-12 2021-03-18 Abu Dhabi National Oil Company An integrated geomechanics model for predicting hydrocarbon and migration pathways
CN113051775A (zh) * 2021-04-13 2021-06-29 中南大学 一种基于改进径向移动算法的水平定向钻进轨迹优化方法
CN113919196A (zh) * 2021-09-26 2022-01-11 中国石油大学(华东) 储层三维应力场模拟方法、模拟系统、终端、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040019427A1 (en) * 2002-07-29 2004-01-29 Halliburton Energy Services, Inc. Method for determining parameters of earth formations surrounding a well bore using neural network inversion
FR2895091B1 (fr) * 2005-12-21 2008-02-22 Inst Francais Du Petrole Methode pour mettre a jour un modele geologique par des donnees sismiques
CN107630697B (zh) * 2017-09-26 2020-07-10 长江大学 基于随钻电磁波电阻率测井的地层电阻率联合反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045154A (zh) * 2017-02-08 2017-08-15 中国海洋石油总公司 一种水平井环境中的识别地层产状的方法和装置
WO2021002761A1 (en) * 2019-07-02 2021-01-07 Equinor Energy As Improved inversions of geophysical data
WO2021048597A1 (en) * 2019-09-12 2021-03-18 Abu Dhabi National Oil Company An integrated geomechanics model for predicting hydrocarbon and migration pathways
CN111597752A (zh) * 2020-04-08 2020-08-28 山东大学 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统
CN113051775A (zh) * 2021-04-13 2021-06-29 中南大学 一种基于改进径向移动算法的水平定向钻进轨迹优化方法
CN113919196A (zh) * 2021-09-26 2022-01-11 中国石油大学(华东) 储层三维应力场模拟方法、模拟系统、终端、存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
蚁群算法在磁测资料反演解释中的应用;刘双等;《物探与化探》;20130228;第37卷(第01期);第150-154页 *
随钻方位电磁波仪器探测电阻率各向异性新方法;杨震等;《石油钻探技术》;20160531;第44卷(第03期);第115-120页 *
随钻方位电磁波测井反演方法研究及在水平井中的应用;张国华等;《地球物理学进展》;20170430;第32卷(第02期);第927-938页 *
随钻电磁波电阻率测井联合反演方法及其应用;蔡军等;《石油学报》;20160331;第37卷(第03期);第371-381页 *

Also Published As

Publication number Publication date
CN115267927A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
US7840394B2 (en) Method for generating a 3D earth model
US9223056B2 (en) Determining borehole corrected formation properties
CN104502997B (zh) 一种利用裂缝密度曲线预测裂缝密度体的方法
CN108005646B (zh) 基于随钻电磁波测井资料的地层各向异性电阻率提取方法
US20140257703A1 (en) Real-Time Formation Anisotropy And Dip Evaluation Using Multiaxial Induction Measurements
CN107132578B (zh) 一种微地震地面监测速度模型校正算法
CN106483559B (zh) 一种地下速度模型的构建方法
NO20180710A1 (en) Methods of selecting an earth model from a plurality of earth models
CN110058316B (zh) 一种基于电阻率等值性原理的电磁测深约束反演方法
CN106991509A (zh) 基于径向基函数神经网络模型的测井曲线预测方法
CN111980662B (zh) 一种斜井各向异性地层阵列侧向测井资料快速处理方法
CN111722283B (zh) 一种地层速度模型建立方法
RU2720115C1 (ru) Способ автоматизированного процесса геологической проводки скважин и система для его осуществления
CN107256316B (zh) 一种基于高速正演结果训练下人工智能的电磁测井反演方法
US20170350245A1 (en) Anisotropic parameter estimation from walkaway vsp data using differential evolution
CN115267927B (zh) 一种基于蚁群-梯度串联算法的多边界幕式地质导向方法
CN109884700A (zh) 多信息融合地震速度建模方法
CN111984928B (zh) 一种测井资料计算页岩油储层有机碳含量的方法
CN110488367B (zh) 一种基于阵列侧向测井资料的电阻率反演初值选取方法
CN116992754A (zh) 一种基于迁移学习的随钻测井资料快速反演方法
CN110441815A (zh) 基于差分进化及块坐标下降改进的模拟退火瑞雷波反演方法
CN105785444B (zh) 速度场构建方法
CN111812729A (zh) 用于优化电法勘探反演的多维地质背景模型构建方法
Xiong et al. An improved constrained velocity inversion algorithm for geological structures
CN110513105A (zh) 一种三维阵列感应测井仪器数据处理系统及方法

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
GR01 Patent grant
GR01 Patent grant