CN115267928A - 一种用于随钻元素测井的能谱智能处理方法 - Google Patents
一种用于随钻元素测井的能谱智能处理方法 Download PDFInfo
- Publication number
- CN115267928A CN115267928A CN202211185890.9A CN202211185890A CN115267928A CN 115267928 A CN115267928 A CN 115267928A CN 202211185890 A CN202211185890 A CN 202211185890A CN 115267928 A CN115267928 A CN 115267928A
- Authority
- CN
- China
- Prior art keywords
- stratum
- content
- formation
- energy spectrum
- neural network
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 183
- 238000005553 drilling Methods 0.000 title claims abstract description 85
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 195
- 238000004364 calculation method Methods 0.000 claims abstract description 67
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 57
- 239000011707 mineral Substances 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 claims description 139
- 210000002569 neuron Anatomy 0.000 claims description 47
- 238000005259 measurement Methods 0.000 claims description 27
- 230000005251 gamma ray Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 7
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 7
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims description 7
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 239000011777 magnesium Substances 0.000 claims description 7
- 229910052749 magnesium Inorganic materials 0.000 claims description 7
- 239000011591 potassium Substances 0.000 claims description 7
- 229910052700 potassium Inorganic materials 0.000 claims description 7
- 239000010703 silicon Substances 0.000 claims description 7
- 229910052710 silicon Inorganic materials 0.000 claims description 7
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000002441 X-ray diffraction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 claims description 5
- 239000011028 pyrite Substances 0.000 claims description 5
- 229910052683 pyrite Inorganic materials 0.000 claims description 5
- 238000004876 x-ray fluorescence Methods 0.000 claims description 5
- 229910021532 Calcite Inorganic materials 0.000 claims description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- 239000011575 calcium Substances 0.000 claims description 4
- 229910052791 calcium Inorganic materials 0.000 claims description 4
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 claims description 4
- 239000000292 calcium oxide Substances 0.000 claims description 4
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 4
- 229910000514 dolomite Inorganic materials 0.000 claims description 4
- 239000010459 dolomite Substances 0.000 claims description 4
- 239000010433 feldspar Substances 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 239000000395 magnesium oxide Substances 0.000 claims description 4
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 claims description 4
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 claims description 4
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 claims description 4
- 239000010453 quartz Substances 0.000 claims description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 239000010936 titanium Substances 0.000 claims description 4
- 229910052719 titanium Inorganic materials 0.000 claims description 4
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical group [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims description 3
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 229910052592 oxide mineral Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 229910003271 Ni-Fe Inorganic materials 0.000 description 1
- OWUGOENUEKACGV-UHFFFAOYSA-N [Fe].[Ni].[W] Chemical compound [Fe].[Ni].[W] OWUGOENUEKACGV-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/04—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging
- G01V5/06—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity specially adapted for well-logging for detecting naturally radioactive minerals
-
- 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geophysics (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种用于随钻元素测井的能谱智能处理方法，涉及能谱智能处理技术领域。本发明通过选取随钻地层元素测井仪器，利用数值模拟方法建立随钻地层元素测井数值模拟计算模型模拟以及将随钻地层元素测井仪器在标准刻度井中测量的方式，获取多组伽马能谱样本构建伽马能谱数据库，基于最小化误差函数构建人工神经网络，利用伽马能谱样本训练人工神经网络计算地层元素含量并验证其准确性后，将指定地层的实测伽马能谱输入人工神经网络中计算各地层元素的含量，结合元素‑矿物转化系数，基于地层元素含量与地层矿物含量的转化关系计算指定地层的矿物含量。本发明提高了地层元素含量和矿物含量的计算精度，为储层岩性的准确识别奠定了基础。
Description
技术领域
本发明属于能谱智能处理技术领域，具体涉及一种用于随钻元素测井的能谱智能处理方法。
背景技术
储层岩性的精准评价对于油气的勘探开发具有指导意义，特别是对非常规油气藏和复杂岩性火山岩油气藏。随钻元素测井技术的测量信息反映了原生地层特性，能够定量计算地层元素的含量，是评价储层岩性的有效方法。
目前，通过解析元素测井采集的原始能谱获取元素产额，结合氧化物闭合模型将元素产额转化为元素含量是最常用的地层元素含量计算方法。然而，测量获取的伽马能谱中钻铤本底伽马信号强，地层元素伽马能谱特征信息弱，导致能谱元素识别困难且元素含量测量精度低，已成为随钻元素测井存在的主要瓶颈。此外，由于地层温压、测井速度等因素的影响，测量能谱常出现能量分辨率变化、能谱漂移、计数统计涨落大和仪器偏心等情况，不利于地层元素含量的准确计算。同时，由于地层中存在类似黄铁矿等非氧化物和碳酸盐岩矿物，不能严格满足氧化物闭合模型的计算条件，且同种元素的氧化物形式多样，导致元素含量的计算存在不确定性。
因此，亟需提出一种用于随钻元素测井的能谱智能处理方法，消除钻铤强本底信号对元素能谱测量的干扰和地层中非氧化物矿物的存在给氧闭合模型计算元素含量带来的误差，提高地层元素和矿物含量评价的准确性。
发明内容
本发明针对消除钻铤强本底信号对元素能谱测量的干扰以及地层中非氧化物矿物对元素含量计算的影响，提出了一种用于随钻元素测井的能谱智能处理方法，提高了地层元素含量计算的准确性，为地层元素含量及矿物评价提供了技术支持。
本发明为了实现上述目的，采用如下技术方案：
一种用于随钻元素测井的能谱智能处理方法，采用包括壳体、一个D-T中子源和一个LaBr3伽马射线探测器的随钻地层元素测量系统，随钻地层元素测量系统置于钻铤内，与钻铤内壁相紧贴，具体包括以下步骤：
步骤1，选取随钻地层元素测井仪器，根据所选随钻地层元素测井仪器的结构参数，利用蒙特卡罗模拟方法建立随钻地层元素测井数值模拟计算模型，随钻地层元素测井数值模拟计算模型中地层介质由多种矿物混合而成，所述矿物包括石英、方解石、白云石、长石、氧化钙、氧化镁、氧化铝和黄铁矿，依次改变随钻地层元素测井数值模拟计算模型中LaBr3伽马射线探测器的能量分辨率、计数统计涨落、能谱漂移和随钻地层元素测量系统的偏心距离，利用随钻地层元素测井数值模拟计算模型模拟得到不同条件下的净非弹伽马能谱和俘获伽马能谱，得到多组伽马能谱样本；
步骤2，将步骤1中选取的随钻地层元素测井仪器置于标准刻度井中，实际测量获取随钻地层元素测井仪器的净非弹伽马能谱和俘获伽马能谱，得到多组伽马能谱样本；
步骤3，利用步骤1和步骤2中获取的伽马能谱样本构建伽马能谱数据库，在伽马能谱数据库中随机抽取伽马能谱组成训练集和验证集，基于最小化误差函数构建ANN神经网络，ANN神经网络内设置有输入层、输出层、第一隐含层和第二隐含层，输入层、第一隐含层、第二隐含层和输出层依次通过神经元相连接；
所述步骤3中，输入层内设置有382个神经元，第一隐含层内设置有23个神经元，第二隐含层内设置有11个神经元，输出层内设置有10个神经元，输入层内的382个神经元依次与伽马能谱样品中净非弹伽马能谱的第30~220道和俘获伽马能谱的第30~220道相对应，用于获取净非弹伽马能谱第30~220道中各道的伽马计数以及俘获伽马能谱第30~220道中各道的伽马计数，输出层内的10个神经元依次对应输出地层中硅元素、钙元素、铁元素、镁元素、硫元素、钛元素、钾元素、铝元素、碳元素和氧元素的元素含量；
步骤4，在训练集中任选伽马能谱样本输入ANN神经网络中，ANN神经网络获取伽马能谱样本中指定道的伽马计数，并根据元素伽马能谱特征峰判断输入伽马能谱样本中的地层元素种类，确定伽马能谱样本中各地层元素的含量，通过与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中的地层元素含量或伽马能谱样本所对应标准刻度井中的地层元素含量相对比，计算ANN神经网络的地层元素含量误差值；
步骤5，判断ANN神经网络的地层元素含量计算误差值是否大于预设的地层元素含量计算精度值，若ANN神经网络的地层元素含量计算误差值大于设置的地层元素含量计算精度值，则基于梯度下降法调整ANN神经网络中各神经元的权重和偏置，返回步骤4，继续训练ANN神经网络；若ANN神经网络的地层元素含量计算误差值不小于设置的地层元素含量计算精度值，停止对ANN神经网络的训练，进入步骤6；
步骤6，从验证集中任选伽马能谱样本输入训练后的ANN神经网络中，验证训练后ANN神经网络用于计算地层元素含量的准确性；
步骤7，利用随钻地层元素测量系统在指定地层测量得到实测伽马能谱，将实测伽马能谱输入训练后的ANN神经网络中，利用ANN神经网络中确定实测伽马能谱中的地层元素种类以及各地层元素的含量，并获取指定地层的岩心资料，确定指定地层的元素-矿物转化系数，基于地层元素含量与地层矿物含量之间的转化关系，结合ANN神经网络确定的层元素种类以及各地层元素的含量，计算指定地层的矿物含量。
优选地，所述步骤1中，随钻地层元素测井数值模拟计算模型内设置有钻铤、随钻地层元素测量系统和地层介质，地层介质通过网格化被划分为多个环形网格栅元，网格栅元的径向宽度设置为0.5cm、轴向宽度设置为0.5cm，钻铤直径设置为6.75in，钻铤中心设置有泥浆导流通道，钻铤一侧内壁上设置有槽体，随钻元素测量系统置于槽体内，与钻铤内壁相紧贴，随钻地层元素测量系统的壳体内部设置有一个D-T中子源和一个LaBr3伽马射线探测器，壳体外径设置为7cm，LaBr3伽马射线探测器的源距设置为54cm。
优选地，所述步骤3中，训练集中伽马能谱的数量为伽马能谱数据库中伽马能谱总数的80%，验证集中伽马能谱的数量为伽马能谱数据库中伽马能谱总数的20%。
优选地，所述步骤4中，ANN神经网络中前后层神经元之间的连接函数为：
式中，
为输出层神经元的输出值，
为输入层神经元的输入值，
为激活函数，
为神经元的权重，
为神经元的偏置；
所述ANN神经网络训练过程中，若伽马能谱样本是通过随钻地层元素测井数值模拟计算模型模拟得到的，则将ANN神经网络确定的地层元素含量与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中的地层元素含量进行对比，计算ANN神经网络的地层元素含量误差值，若伽马能谱样本是通过随钻地层元素测井仪器在标准刻度井中测量得到的，则将ANN神经网络确定的地层元素含量与伽马能谱样本所对应标准刻度井中的地层元素含量进行对比，计算ANN神经网络的地层元素含量误差值；
所述ANN神经网络的地层元素含量误差值计算公式为：
式中，E为ANN神经网络的地层元素含量误差值；
为ANN神经网络确定的第j种地
层元素的含量，
为伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中第j种
地层元素的含量或所对应标准刻度井中第j种地层元素的含量，j为地层元素的种类数，j=1
时对应的地层元素为硅元素，j=2时对应的地层元素为钙元素，j=3时对应的地层元素为铁
元素，j=4时对应的地层元素为镁元素，j=5时对应的地层元素为硫元素，j=6时对应的地层
元素为钛元素，j=7时对应的地层元素为钾元素，j=8时对应的地层元素为铝元素，j=9时对
应的地层元素为碳元素，j=10时对应的地层元素为氧元素。
优选地，所述步骤6，在验证集中任选伽马能谱样本输入ANN神经网络中，利用ANN神经网络确定伽马能谱样本中的地层元素种类以及各地层元素的含量，通过与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中的地层元素含量或伽马能谱样本所对应标准刻度井中的地层元素含量相对比，计算ANN神经网络的地层元素含量误差值，并将ANN神经网络的地层元素含量误差值与预设的地层元素含量计算精度值进行对比，验证训练后ANN神经网络用于计算地层元素含量的准确性。
优选地，所述步骤7中，地层元素含量与地层矿物含量之间的转化关系为：
式中，
为ANN神经网络确定的第j种地层元素的含量，j为地层元素的种类数，
为指定地层中第i种矿物的含量，i为指定地层中矿物的种类数，m为指定地层中矿物种
类的总数，
为指定地层中第i种矿物中第j种地层元素的元素-矿物转化系数。
优选地，元素-矿物转化系数通过对指定地层的岩心进行X射线衍射实验和X射线荧光分析所确定，通过对岩心进行X射线衍射实验获取岩心的矿物含量，通过对岩心进行X射线荧光分析获取岩心的元素含量，根据岩心的矿物含量和元素含量计算得到指定地层的元素-矿物转化系数。
本发明所带来的有益技术效果：
本发明利用蒙特卡罗模拟方法建立随钻地层元素测井数值模拟计算模型，模拟得到不同伽马射线探测器能量分辨率、计数统计涨落、能谱漂移和测量系统偏心条件下的净非弹伽马能谱和俘获伽马能谱，结合随钻地层元素测井仪器在标准刻度井中实测的净非弹伽马能谱和俘获伽马能谱，利用蒙特卡罗模拟方法和标准刻度井的伽马能谱共同构建伽马能谱数据库，并利用伽马能谱数据库中的伽马能谱样本训练ANN神经网络，利用ANN神经网络实现了地层元素含量向地层矿物含量的转化，实现了对地层矿物含量的精确获取。
本发明利用ANN神经网络具有自适应、自组织、自学习能力的特性，将伽马能谱样本指定道的伽马计数输入ANN神经网络中，训练ANN神经网络根据伽马能谱样本中的元素伽马能谱特征峰判断地层的元素种类并确定各地层元素的含量，消除了钻铤强本底信号对地层元素测量的影响以及因地层中存在非氧化物矿物所导致氧闭合模型的地层元素含量计算误差，弥补了氧化物闭合模型计算地层元素含量精度较低的不足，实现了对地层元素含量以及地层矿物含量的准确获取，为地层元素含量及矿物评价提供了技术支持。
附图说明
图1为本发明随钻地层元素测井数值模拟计算模型的示意图。
图2为本发明MCNP模拟的俘获伽马能谱与纯地层信号俘获伽马能谱的对比图。
图3为本发明MCNP模拟的俘获伽马能谱与发生能谱漂移时俘获伽马能谱的对比图。
图4为本发明MCNP模拟的俘获伽马能谱与能量分辨率降低时俘获伽马能谱的对比图。
图5为本发明MCNP模拟的俘获伽马能谱与发生计数统计涨落时俘获伽马能谱的对比图。
图6为ANN神经网络训练过程中误差函数MSE的变化曲线。
图7为训练后ANN神经网络计算的地层模型含量与随钻地层元素测井数值模拟计算模型中地层元素含量的对比图。
图中，1、D-T中子源，2、钨镍铁屏蔽体，3、LaBr3伽马射线探测器，4、壳体，5、钻铤，6、泥浆导流通道，7、地层介质。
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：
本发明提出了一种用于随钻元素测井的能谱智能处理方法，采用包括壳体、一个D-T中子源和一个LaBr3伽马射线探测器的随钻地层元素测量系统，随钻地层元素测量系统置于钻铤内，与钻铤内壁相紧贴，具体包括以下步骤：
步骤1，选取随钻地层元素测井仪器，根据所选随钻地层元素测井仪器的结构参数，利用蒙特卡罗模拟（MCNP）方法建立随钻地层元素测井数值模拟计算模型，如图1所示，本实施例中，随钻地层元素测井数值模拟计算模型内设置有钻铤5、随钻地层元素测量系统和地层介质7，地层介质7通过网格化处理被划分为多个环形网格栅元，各网格栅元的径向宽度为0.5cm、轴向宽度为0.5cm，钻铤5直径设置为6.75in，钻铤5中心设置有泥浆导流通道6，钻铤5一侧内壁上设置有槽体，槽体内固定有随钻元素测量系统，随钻元素测量系统与钻铤5内壁相紧贴，包括壳体4以及设置于壳体4内的一个D-T中子源1和一个LaBr3伽马射线探测器3，D-T中子源1与LaBr3伽马射线探测器3之间设置有钨镍铁屏蔽体2，壳体4外径设置为7cm，LaBr3伽马射线探测器3的源距设置为54cm。
随钻地层元素测井数值模拟计算模型中地层介质由多种矿物混合而成，随钻地层元素测井数值模拟计算模型模拟过程中，通过随机选取多种矿物得到300种地层介质，本实施例中的矿物包括石英、方解石、白云石、长石、氧化钙、氧化镁、氧化铝和黄铁矿，其中，地层中石英的含量设置为0~40%、方解石的含量设置为0~40%、白云石的含量设置为0~40%、长石的含量设置为0~20%、氧化钙的含量设置为0~10%、氧化镁的含量设置为0~10%、氧化铝的含量设置为0~10%、黄铁矿的含量设置为0~10%。
在相同地层介质条件下，依次改变随钻地层元素测井数值模拟计算模型中LaBr3伽马射线探测器的能量分辨率、计数统计涨落、能谱漂移和随钻地层元素测量系统偏心距离，利用随钻地层元素测井数值模拟计算模型模拟得到不同条件下的净非弹伽马能谱和俘获伽马能谱，本实施例分别在300种地层介质条件下模拟获取不同能量分辨率、计数统计涨落、能谱漂移、随钻地层元素测量系统偏心距离条件下的净非弹伽马能谱和俘获伽马能谱，共计得到4800组伽马能谱样本。图2~图5所示分别为蒙特卡罗模拟的俘获伽马能谱与纯地层信号俘获伽马能谱、发生能谱漂移时俘获伽马能谱、能量分辨率降低时俘获伽马能谱和发生计数统计涨落时俘获伽马能谱的对比图。
步骤2，将步骤1中选取的随钻地层元素测井仪器置于标准刻度井中，标准刻度井中地层介质的设置以及地层介质的元素种类、元素含量均为本领域的现有技术，实际测量获取随钻地层元素测井仪器的净非弹伽马能谱和俘获伽马能谱，得到多组伽马能谱样本。
步骤3，将步骤1和步骤2中获取的伽马能谱样本混合后形成伽马能谱数据库，在伽马能谱数据库中随机抽取伽马能谱组成训练集和验证集，本实施例中训练集中伽马能谱的数量为伽马能谱数据库中伽马能谱总数的80%，验证集中伽马能谱的数量为伽马能谱数据库中伽马能谱总数的20%。
基于最小化误差函数构建ANN神经网络，ANN神经网络内设置有输入层、输出层、第一隐含层和第二隐含层，输入层、第一隐含层、第二隐含层和输出层依次通过神经元相连接，输入层内设置有382个神经元，输入层的382个神经元依次与伽马能谱样品中净非弹伽马能谱的第30~220道和俘获伽马能谱的第30~220道相对应，用于获取净非弹伽马能谱第30~220道中各道的伽马计数以及俘获伽马能谱第30~220道中各道的伽马计数；第一隐含层内设置有23个神经元，第二隐含层内设置有11个神经元，第一隐含层和第二隐含层内的神经元用于根据输入层神经元获取的伽马计数确定地层元素种类和各地层元素的含量；输出层内设置有10个神经元，输出层的10个神经元依次对应输出地层中硅元素、钙元素、铁元素、镁元素、硫元素、钛元素、钾元素、铝元素、碳元素和氧元素的元素含量。
步骤4，在训练集中任选伽马能谱样本输入ANN神经网络中，ANN神经网络获取伽马能谱样本中指定道数的伽马计数，并根据元素伽马能谱特征峰判断输入伽马能谱样本中的地层元素种类，确定伽马能谱样本中各地层元素的含量，若输入的伽马能谱样本中不含有硅元素、钙元素、铁元素、镁元素、硫元素、钛元素、钾元素、铝元素、碳元素和氧元素中的某一种或某几种元素，则直接将伽马能谱样本中不存在地层元素的含量赋值为0，并计算ANN神经网络的地层元素含量误差值，当伽马能谱样本是通过随钻地层元素测井数值模拟计算模型模拟得到的，则将ANN神经网络确定的地层元素含量与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中的地层元素含量进行对比，计算ANN神经网络的地层元素含量误差值，当伽马能谱样本是通过随钻地层元素测井仪器在标准刻度井中测量得到的，则将ANN神经网络确定的地层元素含量与伽马能谱样本所对应标准刻度井中的地层元素含量进行对比，计算ANN神经网络的地层元素含量误差值。
所述ANN神经网络中，前后层神经元之间的连接函数为：
式中，
为输出层神经元的输出值，
为输入层神经元的输入值，
为激活函数，
为神经元的权重，
为神经元的偏置。
所述ANN神经网络的地层元素含量误差值计算公式为：
式中，E为ANN神经网络的地层元素含量误差值；
为ANN神经网络确定的第j种地
层元素的含量，
为伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中第j种
地层元素的含量或所对应标准刻度井中第j种地层元素的含量，j为地层元素的种类数，j=1
时对应的地层元素为硅元素，j=2时对应的地层元素为钙元素，j=3时对应的地层元素为铁
元素，j=4时对应的地层元素为镁元素，j=5时对应的地层元素为硫元素，j=6时对应的地层
元素为钛元素，j=7时对应的地层元素为钾元素，j=8时对应的地层元素为铝元素，j=9时对
应的地层元素为碳元素，j=10时对应的地层元素为氧元素。
步骤5，判断ANN神经网络的地层元素含量计算误差值是否大于预设的地层元素含量计算精度值，若ANN神经网络的地层元素含量计算误差值大于设置的地层元素含量计算精度值，则基于梯度下降法调整ANN神经网络中各神经元的权重和偏置，返回步骤4，继续训练ANN神经网络；若ANN神经网络的地层元素含量计算误差值不小于设置的地层元素含量计算精度值，停止对ANN神经网络的训练，进入步骤6。
步骤6，从验证集中任选伽马能谱样本输入训练后的ANN神经网络中，评价训练后的ANN神经网络是否存在过拟合，将选取的伽马能谱样本中净非弹伽马能谱的第30~220道和俘获伽马能谱的第30~220道所对应的伽马计数输入ANN神经网络中，将ANN神经网络确定的地层元素含量与地层元素含量的真实值进行对比。图6所示为ANN神经网络训练过程中误差函数MSE的变化过程，图7所示为训练后ANN神经网络计算的地层模型含量与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中地层元素含量的对比结果。由图7可得，采用训练后ANN神经网络计算的地层模型含量的准确度均在2%以内，验证了训练后ANN神经网络用于计算地层元素含量的准确性。同时，本发明通过训练ANN神经网络，避免了钻铤高本底信号导致的地层元素含量计算误差，消除了随钻测量中元素能谱因存在能量分辨率差、统计涨落大和能谱漂移等现象对元素含量计算结果的影响，大幅度提高了地层元素含量的计算精度。
步骤7，利用随钻地层元素测量系统在指定地层测量得到实测伽马能谱，将实测伽马能谱输入训练后的ANN神经网络中，利用ANN神经网络中确定实测伽马能谱中的地层元素种类以及各地层元素的含量，并获取指定地层的岩心资料，通过对岩心进行X射线衍射实验获取岩心的矿物含量，通过对岩心进行X射线荧光分析获取岩心的元素含量，根据岩心的矿物含量和元素含量确定指定地层的元素-矿物转化系数，基于地层元素含量与地层矿物含量之间的转化关系，结合ANN神经网络确定的层元素种类以及各地层元素的含量，计算指定地层的矿物含量，地层元素含量与地层矿物含量之间的转化关系为：
式中，
为ANN神经网络确定的第j种地层元素的含量，j为地层元素的种类数，
为指定地层中第i种矿物的含量，i为指定地层中矿物的种类数，m为指定地层中矿物种
类的总数，
为指定地层中第i种矿物中第j种地层元素的元素-矿物转化系数。
本发明通过构建ANN神经网络并利用伽马能谱样本对ANN神经网络进行训练，解决了钻铤高本底信号对地层元素含量计算的影响，消除了随钻测量所导致元素能谱能量分辨率差、统计涨落大和能谱漂移等现象对地层元素含量计算精度的影响，实现了地层元素含量和地层矿物含量的准确计算，为储层岩性的准确识别提供了技术支持。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (7)
1.一种用于随钻元素测井的能谱智能处理方法，采用包括壳体、一个D-T中子源和一个LaBr3伽马射线探测器的随钻地层元素测量系统，随钻地层元素测量系统置于钻铤内，与钻铤内壁相紧贴，其特征在于，具体包括以下步骤：
步骤1，选取随钻地层元素测井仪器，根据所选随钻地层元素测井仪器的结构参数，利用蒙特卡罗模拟方法建立随钻地层元素测井数值模拟计算模型，随钻地层元素测井数值模拟计算模型中地层介质由多种矿物混合而成，所述矿物包括石英、方解石、白云石、长石、氧化钙、氧化镁、氧化铝和黄铁矿，依次改变随钻地层元素测井数值模拟计算模型中LaBr3伽马射线探测器的能量分辨率、计数统计涨落、能谱漂移和随钻地层元素测量系统的偏心距离，利用随钻地层元素测井数值模拟计算模型模拟得到不同条件下的净非弹伽马能谱和俘获伽马能谱，得到多组伽马能谱样本；
步骤2，将步骤1中选取的随钻地层元素测井仪器置于标准刻度井中，实际测量获取随钻地层元素测井仪器的净非弹伽马能谱和俘获伽马能谱，得到多组伽马能谱样本；
步骤3，利用步骤1和步骤2中获取的伽马能谱样本构建伽马能谱数据库，在伽马能谱数据库中随机抽取伽马能谱组成训练集和验证集，基于最小化误差函数构建ANN神经网络，ANN神经网络内设置有输入层、输出层、第一隐含层和第二隐含层，输入层、第一隐含层、第二隐含层和输出层依次通过神经元相连接；
所述步骤3中，输入层内设置有382个神经元，第一隐含层内设置有23个神经元，第二隐含层内设置有11个神经元，输出层内设置有10个神经元，输入层内的382个神经元依次与伽马能谱样品中净非弹伽马能谱的第30~220道和俘获伽马能谱的第30~220道相对应，用于获取净非弹伽马能谱第30~220道中各道的伽马计数以及俘获伽马能谱第30~220道中各道的伽马计数，输出层内的10个神经元依次对应输出地层中硅元素、钙元素、铁元素、镁元素、硫元素、钛元素、钾元素、铝元素、碳元素和氧元素的元素含量；
步骤4，在训练集中任选伽马能谱样本输入ANN神经网络中，ANN神经网络获取伽马能谱样本中指定道的伽马计数，并根据元素伽马能谱特征峰判断输入伽马能谱样本中的地层元素种类，确定伽马能谱样本中各地层元素的含量，通过与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中的地层元素含量或伽马能谱样本所对应标准刻度井中的地层元素含量相对比，计算ANN神经网络的地层元素含量误差值；
步骤5，判断ANN神经网络的地层元素含量计算误差值是否大于预设的地层元素含量计算精度值，若ANN神经网络的地层元素含量计算误差值大于设置的地层元素含量计算精度值，则基于梯度下降法调整ANN神经网络中各神经元的权重和偏置，返回步骤4，继续训练ANN神经网络；若ANN神经网络的地层元素含量计算误差值不小于设置的地层元素含量计算精度值，停止对ANN神经网络的训练，进入步骤6；
步骤6，从验证集中任选伽马能谱样本输入训练后的ANN神经网络中，验证训练后ANN神经网络用于计算地层元素含量的准确性；
步骤7，利用随钻地层元素测量系统在指定地层测量得到实测伽马能谱，将实测伽马能谱输入训练后的ANN神经网络中，利用ANN神经网络中确定实测伽马能谱中的地层元素种类以及各地层元素的含量，并获取指定地层的岩心资料，确定指定地层的元素-矿物转化系数，基于地层元素含量与地层矿物含量之间的转化关系，结合ANN神经网络确定的层元素种类以及各地层元素的含量，计算指定地层的矿物含量。
2.根据权利要求1所述的一种用于随钻元素测井的能谱智能处理方法，其特征在于，所述步骤1中，随钻地层元素测井数值模拟计算模型内设置有钻铤、随钻地层元素测量系统和地层介质，地层介质通过网格化被划分为多个环形网格栅元，网格栅元的径向宽度设置为0.5cm、轴向宽度设置为0.5cm，钻铤直径设置为6.75in，钻铤中心设置有泥浆导流通道，钻铤一侧内壁上设置有槽体，随钻元素测量系统置于槽体内，与钻铤内壁相紧贴，随钻地层元素测量系统的壳体内部设置有一个D-T中子源和一个LaBr3伽马射线探测器，壳体外径设置为7cm，LaBr3伽马射线探测器的源距设置为54cm。
3.根据权利要求1所述的一种用于随钻元素测井的能谱智能处理方法，其特征在于，所述步骤3中，训练集中伽马能谱的数量为伽马能谱数据库中伽马能谱总数的80%，验证集中伽马能谱的数量为伽马能谱数据库中伽马能谱总数的20%。
4.根据权利要求1所述的一种用于随钻元素测井的能谱智能处理方法，其特征在于，所述步骤4中，ANN神经网络中前后层神经元之间的连接函数为：
式中，
为输出层神经元的输出值，
为输入层神经元的输入值，
为激活函数，
为
神经元的权重，
为神经元的偏置；
所述ANN神经网络训练过程中，若伽马能谱样本是通过随钻地层元素测井数值模拟计算模型模拟得到的，则将ANN神经网络确定的地层元素含量与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中的地层元素含量进行对比，计算ANN神经网络的地层元素含量误差值，若伽马能谱样本是通过随钻地层元素测井仪器在标准刻度井中测量得到的，则将ANN神经网络确定的地层元素含量与伽马能谱样本所对应标准刻度井中的地层元素含量进行对比，计算ANN神经网络的地层元素含量误差值；
所述ANN神经网络的地层元素含量误差值计算公式为：
式中，E为ANN神经网络的地层元素含量误差值；
为ANN神经网络确定的第j种地层元
素的含量，
为伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中第j种地层
元素的含量或所对应标准刻度井中第j种地层元素的含量，j为地层元素的种类数，j=1时对
应的地层元素为硅元素，j=2时对应的地层元素为钙元素，j=3时对应的地层元素为铁元素，j=4时对应的地层元素为镁元素，j=5时对应的地层元素为硫元素，j=6时对应的地层元素为
钛元素，j=7时对应的地层元素为钾元素，j=8时对应的地层元素为铝元素，j=9时对应的地
层元素为碳元素，j=10时对应的地层元素为氧元素。
5.根据权利要求1所述的一种用于随钻元素测井的能谱智能处理方法，其特征在于，所述步骤6，在验证集中任选伽马能谱样本输入ANN神经网络中，利用ANN神经网络确定伽马能谱样本中的地层元素种类以及各地层元素的含量，通过与伽马能谱样本所对应随钻地层元素测井数值模拟计算模型中的地层元素含量或伽马能谱样本所对应标准刻度井中的地层元素含量相对比，计算ANN神经网络的地层元素含量误差值，并将ANN神经网络的地层元素含量误差值与预设的地层元素含量计算精度值进行对比，验证训练后ANN神经网络用于计算地层元素含量的准确性。
6.根据权利要求1所述的一种用于随钻元素测井的能谱智能处理方法，其特征在于，所述步骤7中，地层元素含量与地层矿物含量之间的转化关系为：
式中，
为ANN神经网络确定的第j种地层元素的含量，j为地层元素的种类数，
为
指定地层中第i种矿物的含量，i为指定地层中矿物的种类数，m为指定地层中矿物种类的总
数，
为指定地层中第i种矿物中第j种地层元素的元素-矿物转化系数。
7.根据权利要求6所述的一种用于随钻元素测井的能谱智能处理方法，其特征在于，元素-矿物转化系数通过对指定地层的岩心进行X射线衍射实验和X射线荧光分析所确定，通过对岩心进行X射线衍射实验获取岩心的矿物含量，通过对岩心进行X射线荧光分析获取岩心的元素含量，根据岩心的矿物含量和元素含量计算得到指定地层的元素-矿物转化系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211185890.9A CN115267928B (zh) | 2022-09-28 | 2022-09-28 | 一种用于随钻元素测井的能谱智能处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211185890.9A CN115267928B (zh) | 2022-09-28 | 2022-09-28 | 一种用于随钻元素测井的能谱智能处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115267928A true CN115267928A (zh) | 2022-11-01 |
| CN115267928B CN115267928B (zh) | 2022-12-23 |
Family
ID=83756683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211185890.9A Active CN115267928B (zh) | 2022-09-28 | 2022-09-28 | 一种用于随钻元素测井的能谱智能处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115267928B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628535A (zh) * | 2023-07-24 | 2023-08-22 | 山东万洋石油科技有限公司 | 一种小直径随钻伽马能谱数据处理方法 |
| CN116626779A (zh) * | 2023-07-21 | 2023-08-22 | 中国石油大学(华东) | 一种潜山地层孔隙度计算方法及系统 |
| CN116626080A (zh) * | 2023-07-24 | 2023-08-22 | 四川省石棉县恒达粉体材料有限责任公司 | 一种大理岩的筛选方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110137566A1 (en) * | 2008-08-26 | 2011-06-09 | Halliburton Energy Services, Inc. | Method and System of Processing Gamma County Rate Curves Using Neural Networks |
| CN106680893A (zh) * | 2017-01-04 | 2017-05-17 | 中国石油大学(北京) | 页岩地层沉积微相的识别方法 |
| CN107229787A (zh) * | 2017-05-24 | 2017-10-03 | 南京航空航天大学 | 一种基于近似系数与深度学习的伽马能谱分析方法 |
| CN108333637A (zh) * | 2017-12-14 | 2018-07-27 | 中国矿业大学 | 一种提高元素测井技术确定元素含量准确度的方法 |
| US20180246254A1 (en) * | 2015-11-02 | 2018-08-30 | Petrochina Company Limited | Method of acquiring rock component content of stratum |
| CN109521487A (zh) * | 2018-11-08 | 2019-03-26 | 中国石油大学(华东) | 一种利用元素伽马能谱测井识别气层的方法 |
| CN111027882A (zh) * | 2019-12-18 | 2020-04-17 | 延安大学 | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 |
| CN112904436A (zh) * | 2021-04-14 | 2021-06-04 | 中国石油大学(华东) | 一种元素产额与热中子计数比组合的孔隙度测量方法 |
| US20210355822A1 (en) * | 2017-12-26 | 2021-11-18 | Petrochina Company Limited | Gamma ray spectrum unfolding method for elemental capture spectroscopy logging and device therefor |
-
2022
- 2022-09-28 CN CN202211185890.9A patent/CN115267928B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110137566A1 (en) * | 2008-08-26 | 2011-06-09 | Halliburton Energy Services, Inc. | Method and System of Processing Gamma County Rate Curves Using Neural Networks |
| US20180246254A1 (en) * | 2015-11-02 | 2018-08-30 | Petrochina Company Limited | Method of acquiring rock component content of stratum |
| CN106680893A (zh) * | 2017-01-04 | 2017-05-17 | 中国石油大学(北京) | 页岩地层沉积微相的识别方法 |
| CN107229787A (zh) * | 2017-05-24 | 2017-10-03 | 南京航空航天大学 | 一种基于近似系数与深度学习的伽马能谱分析方法 |
| CN108333637A (zh) * | 2017-12-14 | 2018-07-27 | 中国矿业大学 | 一种提高元素测井技术确定元素含量准确度的方法 |
| US20210355822A1 (en) * | 2017-12-26 | 2021-11-18 | Petrochina Company Limited | Gamma ray spectrum unfolding method for elemental capture spectroscopy logging and device therefor |
| CN109521487A (zh) * | 2018-11-08 | 2019-03-26 | 中国石油大学(华东) | 一种利用元素伽马能谱测井识别气层的方法 |
| CN111027882A (zh) * | 2019-12-18 | 2020-04-17 | 延安大学 | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 |
| CN112904436A (zh) * | 2021-04-14 | 2021-06-04 | 中国石油大学(华东) | 一种元素产额与热中子计数比组合的孔隙度测量方法 |
Non-Patent Citations (4)
| Title |
|---|
| DANIEL ASANTE OTCHERE等: "Application of supervised machine learning paradigms in the prediction of petroleum reservoir properties: Comparative analysis of ANN and SVM models", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
| MOHAMMAD ALI AHMADI等: "Determination of oil well production performance using artificial neural network (ANN) linked to the particle swarm optimization (PSO) tool", 《PETROLEUM》 * |
| 刘军涛等: "页岩气层脉冲中子元素测井蒙特卡罗研究", 《测井技术》 * |
| 朱林奇等: "基于改进雨林模糊神经网络模型的页岩储层总有机碳含量评价方法", 《高校地质学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116626779A (zh) * | 2023-07-21 | 2023-08-22 | 中国石油大学(华东) | 一种潜山地层孔隙度计算方法及系统 |
| CN116626779B (zh) * | 2023-07-21 | 2023-11-10 | 中海石油(中国)有限公司深圳分公司 | 一种潜山地层孔隙度计算方法及系统 |
| CN116628535A (zh) * | 2023-07-24 | 2023-08-22 | 山东万洋石油科技有限公司 | 一种小直径随钻伽马能谱数据处理方法 |
| CN116626080A (zh) * | 2023-07-24 | 2023-08-22 | 四川省石棉县恒达粉体材料有限责任公司 | 一种大理岩的筛选方法 |
| CN116628535B (zh) * | 2023-07-24 | 2023-09-22 | 山东万洋石油科技有限公司 | 一种小直径随钻伽马能谱数据处理方法 |
| CN116626080B (zh) * | 2023-07-24 | 2023-09-26 | 四川省石棉县恒达粉体材料有限责任公司 | 一种大理岩的筛选方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115267928B (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115267928B (zh) | 一种用于随钻元素测井的能谱智能处理方法 | |
| US11802985B2 (en) | Method and system for analyzing filling for karst reservoir based on spectrum decomposition and machine learning | |
| CN1209500A (zh) | 用于测量钻井特征和地层特性的方法和器具 | |
| GB2288017A (en) | Determination of formation lithology by gamma ray spectroscopy | |
| US10895661B2 (en) | Determination of near wellbore properties using natural gamma rays | |
| CN105545284A (zh) | 一种随钻伽马成像数据处理方法 | |
| CN112904436B (zh) | 一种元素产额与热中子计数比组合的孔隙度测量方法 | |
| CN107229080A (zh) | 一种元素测井中子俘获伽马能谱的获取方法 | |
| CN201137491Y (zh) | 脉冲中子双谱流体饱和度测井仪 | |
| CN112523741B (zh) | 一种基于能谱测井交叉谱段的铀矿定量刻度系数求法 | |
| CN115012920B (zh) | 基于双clyc双粒子探测器的可控中子源多谱测井仪及测井方法 | |
| CN108412488B (zh) | 快速确定页岩气储层有机孔隙度的测井方法 | |
| CN112523742B (zh) | 一种基于能谱测井特征谱段求取自然伽马放射性元素含量的方法 | |
| CN112523749B (zh) | 一种基于二次规划计算地层矿物含量的方法 | |
| CN112630848A (zh) | 一种基于能谱测井特征谱段的铀矿定量剥离系数求法 | |
| CN115032705B (zh) | 一种γ能谱测井铀矿定量五点反褶积解释方法 | |
| RU2092876C1 (ru) | Способ и устройство радиоактивного каротажа | |
| CN111638559B (zh) | 一种基于脉冲中子测井的快中子散射截面表征方法 | |
| CN116628535B (zh) | 一种小直径随钻伽马能谱数据处理方法 | |
| CN112016215B (zh) | 一种基于牛顿迭代法的密度测井六参数反演计算方法 | |
| CN112593923B (zh) | 一种基于脉冲中子预测含气饱和度的方法和装置 | |
| CN116357301A (zh) | 一种基于有效反应截面的地层孔隙度计算方法和系统 | |
| CN116025335A (zh) | 基于钻铤次生非弹和俘获伽马信息交会的气层识别方法 | |
| CN117468913A (zh) | 一种脉冲中子能谱测井原子比饱和度评价方法及系统 | |
| CN116464435A (zh) | 基于岩性扫描的地层水矿化度和含油饱和度综合计算方法 |
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 |