CN115421181A - 一种基于深度学习的三维地质模型相控属性建模方法 - Google Patents
一种基于深度学习的三维地质模型相控属性建模方法 Download PDFInfo
- Publication number
- CN115421181A CN115421181A CN202210889299.5A CN202210889299A CN115421181A CN 115421181 A CN115421181 A CN 115421181A CN 202210889299 A CN202210889299 A CN 202210889299A CN 115421181 A CN115421181 A CN 115421181A
- Authority
- CN
- China
- Prior art keywords
- data
- reservoir
- grid
- dimensional
- facies
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 48
- 208000035126 Facies Diseases 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012952 Resampling Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 6
- 230000000149 penetrating effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000010410 layer Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G01V1/01—
-
- 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. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明提供一种基于深度学习的三维地质模型相控属性建模方法，构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中；构建相数据训练集，利用深度前馈网络学习相数据训练集，训练得到相预测神经网络，根据相预测神经网络得到待模拟点的相数据；将三维储层网格模型根据相数据分成若干个相区块；构建储层参数训练集，在单个相区块网格中，利用深度前馈网络学习储层参数训练集，训练得到储层参数预测神经网络，根据储层参数预测神经网络得到待模拟点的储层参数数据；将各个相区块组合成整体的网格；通过对不同的相单独学习与预测，预测结果更加符合地质模型实际规律认识。
Description
技术领域
本发明涉及油气储层地质建模技术领域，特别涉及一种基于深度学习的三维地质模型相控属性建模方法。
背景技术
石油领域的地质特征主要包括储层的构造特征、裂缝发育情况、隔夹层的岩性厚度、油藏储量以及储层的各种属性分布。资料获取主要来源包括井数据、地震数据、测井数据等。伴随勘探开发的不断深入，目前低孔、低渗、超低渗的储层开发的需求使得对储层的评价与预测提出更高要求。因此，为精细表征储层的属性分布情况，更为直观、准确地为地质工程师、石油工程师提供合理预测分析的技术支撑，需建立符合客观实际的三维地质属性模型。
地质属性建模，即地质实体内部属性参数的建模，其关键在于根据有限的已知样品数据通过内插或者外推等手段对地质体内部物性参数、岩石力学参数等属性参数进行合理估值。换言之，在对地质变量的空间变化规律综合分析的基础上，选取合适的方法进行估值，得到属性参数的变化规律，从而实现对地质变量空间变化的合理定量描述。
建立精细的储层属性模型，有助于深入了解储层宏观展布、内部结构和属性参数特征及变换规律，对油气田勘探开发具有十分重要的意义。一般根据实现个数，可以将属性建模分为确定性建模和随机建模：确定性建模是从具有确定性资料的控制点出发，推测出已知点间确定的、唯一的储层参数，包括储层地震学方法、数理统计插值方法、克里金方法等；随机建模是指以已知的信息为基础，应用随机模拟方法产生可选的、等可能的储层模型的方法，主要分为基于目标的模拟方法和基于像元的随机模拟方法，包括序贯高斯模拟、截断高斯模拟、序贯指示模拟、分形模拟、多点地质统计学模拟等。其中基于变差函数的两点地质统计学方法和基于训练图像的多点地质统计学方法被最为普遍地应用于储层属性建模之中。但是，确定建模方法难于表征复杂的空间结构和再现复杂目标的几何形态，随机建模方法难以解决训练图像平稳性问题和模拟目标体连续性问题，这两种方法都有一定的缺陷。
发明内容
鉴于此，本发明提出一种基于深度学习的三维地质模型相控属性建模方法，通过深度学习方法代替传统插值与模拟方法，能够提高参数预测精度，通过相控方法，对不同的相单独学习与预测，预测结果更加符合地质模型实际规律认识。
本发明的技术方案是这样实现的：
一种基于深度学习的三维地质模型相控属性建模方法，包括以下步骤：
步骤S1、构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中；
步骤S2、构建相数据训练集，利用深度前馈网络学习相数据训练集，训练得到相预测神经网络，根据相预测神经网络得到待模拟点的相数据；
步骤S3、将三维储层网格模型根据相数据分成若干个相区块；
步骤S4、构建储层参数训练集，在单个相区块网格中，利用深度前馈网络学习储层参数训练集，训练得到储层参数预测神经网络，根据储层参数预测神经网络得到待模拟点的储层参数数据；
步骤S5、将各个相区块组合成整体的网格；
优选的，所述步骤S1构建三维储层网格模型的具体步骤为：根据工区范围、测井解释数据、地震解释数据进行地质构造建模，建立断层模型和底层模型，再进行剖分后得到三维储层网格模型。
优选的，所述步骤S1将测井解释数据和属性参数数据粗化至三维储层网格模型中的具体步骤为：所述测井解释数据和属性参数都是测井曲线，将测井曲线穿过网格的线段计算出来，再将线段上的属性点求平均值赋给三维储层网格模型。
优选的，所述步骤S1将地震属性重采样到三维储层网格模型中的具体步骤为：将时间域地震属性数据按照地层约束和网格分布重采样到三维储层网格模型中。
优选的，所述步骤S2的相数据训练集包括条件数据点的网格坐标、地震属性以及测井粗化相数据，所述相预测神经网络的输入为条件数据点的网格坐标以及地震属性，输出为测井粗化相数据，将待模拟点的网格坐标和地震属性输入到相预测神经网络中，得到待模拟点的相数据。
优选的，所述步骤S4的储层参数训练集包括条件数据点的网格坐标、相数据、地震属性以及储层参数数据，所述储层参数预测神经网络的输入为条件数据点的网格坐标、相数据以及地震属性，输出为储层参数数据，将待模拟点的网格坐标、相数据以及地震属性输入到储层参数预测神经网络中，得到待模拟点的储层参数数据。
优选的，所述步骤S5的具体步骤为：在所有的相区块都模拟好储层参数后，利用相数据和网格索引将各个相区块组合成整体的网格。
优选的，所述步骤S2和步骤S4的深度前馈网络在进行学习前，会对其激活函数和损失函数进行分析与选择。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于深度学习的三维地质模型相控属性建模方法，事先构建三维储层网格模型，然后将实际的数据例如测井解释数据、属性数据以及地震属性等加载到储层网格模型中，接着构建第一个神经网络，用于获取待模拟点的相数据，根据相数据将储层网格模型分成若干相区块，在单个相区块中，构建第二个神经网络，用于获取待模拟点的储层参数数据，在获得所有相区块的储层参数数据后，将相区块合并成整体的网格，通过对不同的相进行单独学习以及预测，使预测结果更加符合地质模型设计规律认识。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中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优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于深度学习的三维地质模型相控属性建模方法的流程图；
图2为本发明的一种基于深度学习的三维地质模型相控属性建模方法的相预测神经网络的训练过程流程图；
图3为本发明的一种基于深度学习的三维地质模型相控属性建模方法的相预测神经网络的相预测过程流程图；
图4为本发明的一种基于深度学习的三维地质模型相控属性建模方法的储层参数预测神经网络的训练过程流程图；
图5为本发明的一种基于深度学习的三维地质模型相控属性建模方法的储层参数预测神经网络的储层参数预测过程流程图；
具体实施方式
为了更好理解本发明技术内容，下面提供一具体实施例，并结合附图对本发明做进一步的说明。
参见图1，本发明提供的一种基于深度学习的三维地质模型相控属性建模方法，包括以下步骤：
步骤S1、构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中。
所述步骤S1构建三维储层网格模型的具体步骤为：根据工区范围、测井解释数据、地震解释数据进行地质构造建模，建立断层模型和底层模型，再进行剖分后得到三维储层网格模型。
所述步骤S1将测井解释数据和属性参数数据粗化至三维储层网格模型中的具体步骤为：所述测井解释数据和属性参数都是测井曲线，将测井曲线穿过网格的线段计算出来，再将线段上的属性点求平均值赋给三维储层网格模型。
所述步骤S1将地震属性重采样到三维储层网格模型中的具体步骤为：将时间域地震属性数据按照地层约束和网格分布重采样到三维储层网格模型中。
步骤S2、构建相数据训练集，利用深度前馈网络学习相数据训练集，训练得到相预测神经网络，根据相预测神经网络得到待模拟点的相数据；
相数据训练集包括条件数据点的网格坐标、地震属性以及测井粗化相数据，所述相预测神经网络的输入为条件数据点的网格坐标以及地震属性，输出为测井粗化相数据，将待模拟点的网格坐标和地震属性输入到相预测神经网络中，得到待模拟点的相数据。
深度前馈网络的输入节点数由相数据训练集的种类决定，例如相数据训练集为条件数据点的三维坐标和四个地震属性时，输入节点数设置为7，而输出节点数由相数据决定，网络层数及隐藏层节点数可以自定义；激活函数主要采用Leaky-relu激活函数；梯度下降优化算法采用RMSProp算法；模型参数初始化方法采用glorot_uniform初始化方法；循环次数由用户根据相数据训练集规模和误差值自定义，将相数据训练集输入至神经网络结构中，以循环次数为上限进行批次训练，得到训练好的相预测神经网络模型，相预测神经网络的训练和预测过程如图2-3所示。
步骤S3、将三维储层网格模型根据相数据分成若干个相区块。
三维储层网格模型每个模型都有一个相数据，代表此网格是什么相，比如网格中有6个岩相，用数字代表每个相，分别为泥岩1、中细砂岩2、含砾粗砂岩3、一类牵引流砂砾岩4、二类牵引流砂砾岩5和重力流砂砾岩6。将网格中相数据为1(泥岩)的网格分离，同样将其他相数据都分离。
步骤S4、构建储层参数训练集，在单个相区块网格中，利用深度前馈网络学习储层参数训练集，训练得到储层参数预测神经网络，根据储层参数预测神经网络得到待模拟点的储层参数数据；
储层参数训练集包括条件数据点的网格坐标、相数据、地震属性以及储层参数数据，所述储层参数预测神经网络的输入为条件数据点的网格坐标、相数据以及地震属性，输出为储层参数数据，将待模拟点的网格坐标、相数据以及地震属性输入到储层参数预测神经网络中，得到待模拟点的储层参数数据，储层参数预测神经网络的训练和预测过程如图4-5所示。
步骤S5、将各个相区块组合成整体的网格；
在所有的相区块都模拟好储层参数后，利用相数据和网格索引将各个相区块组合成整体的网格。
本发明的深度前馈网络在进行学习前，会对其网络结构进行调优，包括对其激活函数和损失函数进行分析与选择，改变网络结构，调整网络深度和节点数量会对深度学习的应用效果产生明显影响。采用有标签的样本数据进行训练，误差自顶向下传输，对网络进行调优，通过调优之后，使得深度前馈神经网络模型的每一层隐层的网络权重值都能够达到最优值。
激活函数产生输入与输出间的非线性映射，在反向传播优化网络参数时会传播其导数，因此激活函数极其导数的性质对于深度学习模型的应用效果也会产生重要影响。目前比较流行的激活函数有Sigmoid函数、Tanh函数、ReLU函数、Leaky-ReLU。Sigmoid函数和Tanh函数在深度模型训练反向传播过程中由于导数值小于1且在z值偏离0的位置导数值快速减小，经多次计算乘积容易导致的梯度消失问题；ReLU函数的导数在z值大于0时等于1，一定程度上解决了梯度消失的问题，但由于z值小于0时的激活函数及其导数值均为0，造成无效神经元，使模型训练过程不稳定，并影响最终的训练效果；Leaky-ReLU函数在z值小于0时激活函数取a*z使其导数恒等于一个大于0的系数a，较好地解决了传统激活函数存在的问题。因此，本发明的深度前馈网络将主要使用Leaky-ReLU作为激活函数。
另外的，深度学习以损失函数作为目标优化调整模型参数，以获得使模型输出值与实际值更接近的一套参数。学习率是难以设置的参数之一，对网络性能具有显着影响：学习率如果太小，训练收敛会非常慢；学习率过大，也会阻碍收敛，并导致损失函数在最小值附近波动；如果按照事先定义的“学习率递减方法”修改学习率，会导致最终学习率更新失效，且很难找到符合数据集特性的固定递减系数。目前学习率调整的方法有Adagrad方法、Adadelta方法和RMSProp方法。Adagrad方法需要计算所有参数梯度序列的平方和，在模型规模较大时，计算量大且学习速率会不断衰减到一个非常小的值，导致训练失效。Adadelta方法，仅对固定窗口内的有限个梯度序列进行计算；RMSProp方法是提供默认经验参数的Adadelta，为学习率参数设置带来了巨大的方便。本发明经过经过大量实验，验证了RMSProp方法适用于三维地质模型属性建模。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，包括以下步骤：
步骤S1、构建三维储层网格模型，将测井解释数据和属性参数数据粗化至三维储层网格模型中，并将地震属性重采样到三维储层网格模型中；
步骤S2、构建相数据训练集，利用深度前馈网络学习相数据训练集，训练得到相预测神经网络，根据相预测神经网络得到待模拟点的相数据；
步骤S3、将三维储层网格模型根据相数据分成若干个相区块；
步骤S4、构建储层参数训练集，在单个相区块网格中，利用深度前馈网络学习储层参数训练集，训练得到储层参数预测神经网络，根据储层参数预测神经网络得到待模拟点的储层参数数据；
步骤S5、将各个相区块组合成整体的网格。
2.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S1构建三维储层网格模型的具体步骤为：根据工区范围、测井解释数据、地震解释数据进行地质构造建模，建立断层模型和底层模型，再进行剖分后得到三维储层网格模型。
3.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S1将测井解释数据和属性参数数据粗化至三维储层网格模型中的具体步骤为：所述测井解释数据和属性参数都是测井曲线，将测井曲线穿过网格的线段计算出来，再将线段上的属性点求平均值赋给三维储层网格模型。
4.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S1将地震属性重采样到三维储层网格模型中的具体步骤为：将时间域地震属性数据按照地层约束和网格分布重采样到三维储层网格模型中。
5.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S2的相数据训练集包括条件数据点的网格坐标、地震属性以及测井粗化相数据，所述相预测神经网络的输入为条件数据点的网格坐标以及地震属性，输出为测井粗化相数据，将待模拟点的网格坐标和地震属性输入到相预测神经网络中，得到待模拟点的相数据。
6.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S4的储层参数训练集包括条件数据点的网格坐标、相数据、地震属性以及储层参数数据，所述储层参数预测神经网络的输入为条件数据点的网格坐标、相数据以及地震属性，输出为储层参数数据，将待模拟点的网格坐标、相数据以及地震属性输入到储层参数预测神经网络中，得到待模拟点的储层参数数据。
7.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S5的具体步骤为：在所有的相区块都模拟好储层参数后，利用相数据和网格索引将各个相区块组合成整体的网格。
8.根据权利要求1所述的一种基于深度学习的三维地质模型相控属性建模方法，其特征在于，所述步骤S2和步骤S4的深度前馈网络在进行学习前，会对其激活函数和损失函数进行分析与选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210889299.5A CN115421181B (zh) | 2022-07-27 | 2022-07-27 | 一种基于深度学习的三维地质模型相控属性建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210889299.5A CN115421181B (zh) | 2022-07-27 | 2022-07-27 | 一种基于深度学习的三维地质模型相控属性建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115421181A true CN115421181A (zh) | 2022-12-02 |
| CN115421181B CN115421181B (zh) | 2023-10-20 |
Family
ID=84197178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210889299.5A Active CN115421181B (zh) | 2022-07-27 | 2022-07-27 | 一种基于深度学习的三维地质模型相控属性建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115421181B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
| US20130096898A1 (en) * | 2010-07-29 | 2013-04-18 | Exxonmobile Upstream Research Company | Methods and Systems For Machine - Learning Based Simulation of Flow |
| CN106707340A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司大港油田分公司 | 一种火山岩岩相的预测方法 |
| CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
| CN110412662A (zh) * | 2019-06-27 | 2019-11-05 | 中国石油化工股份有限公司 | 基于地震多属性深度学习的薄互层储层预测方法 |
| CN111239824A (zh) * | 2020-04-03 | 2020-06-05 | 辽宁工程技术大学 | 一种火山岩岩相的预测方法 |
| US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
| CN111273348A (zh) * | 2020-01-21 | 2020-06-12 | 长江大学 | 基于更新概率比率恒定理论的多点地质统计叠前反演方法 |
| CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
| CN111626377A (zh) * | 2020-06-10 | 2020-09-04 | 中国石油大学(北京) | 一种岩相识别方法、装置、设备及存储介质 |
| CN112507615A (zh) * | 2020-12-01 | 2021-03-16 | 西南石油大学 | 一种陆相致密储层岩相智能识别与可视化方法 |
| CN112649893A (zh) * | 2019-10-10 | 2021-04-13 | 中国石油化工股份有限公司 | 一种面向薄储层的多资料多参数融合建模方法及系统 |
| CN113313825A (zh) * | 2021-05-17 | 2021-08-27 | 中国石油天然气集团有限公司 | 一种油藏储层三维地质建模方法和装置 |
| CN113627607A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 |
| CN113640879A (zh) * | 2021-08-16 | 2021-11-12 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
| CN113742962A (zh) * | 2021-08-17 | 2021-12-03 | 中国石油化工股份有限公司 | 一种基于水平井的页岩储层属性三维建模方法 |
| CN113933899A (zh) * | 2021-11-10 | 2022-01-14 | 中国石油大学(华东) | 基于地震属性约束指导下的砂砾岩储层建模方法和系统 |
| CN114429057A (zh) * | 2020-09-27 | 2022-05-03 | 中国石油化工股份有限公司 | 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 |
| CN114529110A (zh) * | 2020-11-03 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种基于深度神经网络模型的岩相反演方法及系统 |
| US20220170366A1 (en) * | 2020-12-01 | 2022-06-02 | Southwest Petroleum University | 3d in-situ characterization method for heterogeneity in generating and reserving performances of shale |
| CN114740531A (zh) * | 2022-04-12 | 2022-07-12 | 中国石油大学(华东) | 一种碳酸盐岩缝洞型油藏放空漏失井段测井曲线重构方法 |
-
2022
- 2022-07-27 CN CN202210889299.5A patent/CN115421181B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130096898A1 (en) * | 2010-07-29 | 2013-04-18 | Exxonmobile Upstream Research Company | Methods and Systems For Machine - Learning Based Simulation of Flow |
| US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
| CN106707340A (zh) * | 2016-12-13 | 2017-05-24 | 中国石油天然气股份有限公司大港油田分公司 | 一种火山岩岩相的预测方法 |
| CN109670539A (zh) * | 2018-12-03 | 2019-04-23 | 中国石油化工股份有限公司 | 一种基于测井曲线深度学习的泥砂分层检测方法 |
| US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
| CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
| CN110412662A (zh) * | 2019-06-27 | 2019-11-05 | 中国石油化工股份有限公司 | 基于地震多属性深度学习的薄互层储层预测方法 |
| CN112649893A (zh) * | 2019-10-10 | 2021-04-13 | 中国石油化工股份有限公司 | 一种面向薄储层的多资料多参数融合建模方法及系统 |
| CN111273348A (zh) * | 2020-01-21 | 2020-06-12 | 长江大学 | 基于更新概率比率恒定理论的多点地质统计叠前反演方法 |
| CN111239824A (zh) * | 2020-04-03 | 2020-06-05 | 辽宁工程技术大学 | 一种火山岩岩相的预测方法 |
| CN113627607A (zh) * | 2020-05-07 | 2021-11-09 | 中国石油化工股份有限公司 | 碳酸盐岩储层沉积相识别方法、装置、电子设备及介质 |
| CN111626377A (zh) * | 2020-06-10 | 2020-09-04 | 中国石油大学(北京) | 一种岩相识别方法、装置、设备及存储介质 |
| CN114429057A (zh) * | 2020-09-27 | 2022-05-03 | 中国石油化工股份有限公司 | 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 |
| CN114529110A (zh) * | 2020-11-03 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种基于深度神经网络模型的岩相反演方法及系统 |
| CN112507615A (zh) * | 2020-12-01 | 2021-03-16 | 西南石油大学 | 一种陆相致密储层岩相智能识别与可视化方法 |
| US20220170366A1 (en) * | 2020-12-01 | 2022-06-02 | Southwest Petroleum University | 3d in-situ characterization method for heterogeneity in generating and reserving performances of shale |
| CN113313825A (zh) * | 2021-05-17 | 2021-08-27 | 中国石油天然气集团有限公司 | 一种油藏储层三维地质建模方法和装置 |
| CN113640879A (zh) * | 2021-08-16 | 2021-11-12 | 中国矿业大学(北京) | 基于双网络的储层时移参数预测方法和系统 |
| CN113742962A (zh) * | 2021-08-17 | 2021-12-03 | 中国石油化工股份有限公司 | 一种基于水平井的页岩储层属性三维建模方法 |
| CN113933899A (zh) * | 2021-11-10 | 2022-01-14 | 中国石油大学(华东) | 基于地震属性约束指导下的砂砾岩储层建模方法和系统 |
| CN114740531A (zh) * | 2022-04-12 | 2022-07-12 | 中国石油大学(华东) | 一种碳酸盐岩缝洞型油藏放空漏失井段测井曲线重构方法 |
Non-Patent Citations (1)
| Title |
|---|
| 范洪军;胡光义;王晖;汪珍宇;: "三维地震在储层岩相随机建模中的应用", 山东化工, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115421181B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3067013C (en) | Deep learning based reservoir modeling | |
| US20090248378A1 (en) | Method For Geologic Modeling Through Hydrodynamics-Based Gridding (Hydro-Grids) | |
| NO326598B1 (no) | Tre-dimensjonal geologisk modellering | |
| CN106104590A (zh) | 不确定性下多级油田设计优化 | |
| NO335324B1 (no) | Fremgangsmåte for simulering av avsetning av en sedimentær sekvens i et sedimentasjonsbasseng | |
| CN113313825A (zh) | 一种油藏储层三维地质建模方法和装置 | |
| CN105005079A (zh) | 一种井曲线反演方法 | |
| CN111815773A (zh) | 适用于机器学习算法的三维复杂地质模型标签制作方法 | |
| CN107316341B (zh) | 一种多点地质统计学沉积相建模方法 | |
| CN104422969A (zh) | 一种减小电磁测深反演结果非唯一性的方法 | |
| CN111766635A (zh) | 砂体连通程度分析方法和系统 | |
| CN115220101A (zh) | 一种深层碎屑岩砂体沉积结构的建模方法 | |
| NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
| CN108765562B (zh) | 基于三维地质模型的油气产能评价方法 | |
| CN111948718A (zh) | 页岩气储层总有机碳含量预测方法及装置 | |
| CN115421181B (zh) | 一种基于深度学习的三维地质模型相控属性建模方法 | |
| Malvić et al. | Neural networks in petroleum geology as interpretation tools | |
| Bertoncello | Conditioning surface-based models to well and thickness data | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| Hamidi et al. | Prediction of oil reservoir porosity based on BP-ANN | |
| Malviæ et al. | Some benefits of the neural approach in porosity prediction (Case study from Benièanci field) | |
| Correia | Integration of reservoir characterization with history matching guided by pilot wells: Application to the Norne Field | |
| CN110568149A (zh) | 沉积盆地烃源岩生排烃史精细快速定量模拟方法 | |
| CN104375171B (zh) | 一种高分辨率地震反演方法 | |
| Nakayama et al. | Prediction of reservoir properties by Monte Carlo simulation and artificial neural network in the exploration stage |
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 |