CN115879647B - 一种基于领域知识与深度学习结合的地层岩性预测方法 - Google Patents

一种基于领域知识与深度学习结合的地层岩性预测方法 Download PDF

Info

Publication number
CN115879647B
CN115879647B CN202310117116.2A CN202310117116A CN115879647B CN 115879647 B CN115879647 B CN 115879647B CN 202310117116 A CN202310117116 A CN 202310117116A CN 115879647 B CN115879647 B CN 115879647B
Authority
CN
China
Prior art keywords
lithology
model
matrix
characterization
target 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.)
Active
Application number
CN202310117116.2A
Other languages
English (en)
Other versions
CN115879647A (zh
Inventor
张东晓
陈云天
蒋春碧
赵辛
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.)
Ningbo Dongli Digital Energy Technology Co ltd
Ningbo Oriental University Of Technology Temporary Name
Shenzhen Fenghe Digital Intelligence Technology Co ltd
Original Assignee
Shenzhen Fenghe Digital Intelligence Technology 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 Shenzhen Fenghe Digital Intelligence Technology Co ltd filed Critical Shenzhen Fenghe Digital Intelligence Technology Co ltd
Priority to CN202310117116.2A priority Critical patent/CN115879647B/zh
Publication of CN115879647A publication Critical patent/CN115879647A/zh
Application granted granted Critical
Publication of CN115879647B publication Critical patent/CN115879647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于领域知识与深度学习结合的地层岩性预测方法，涉及地质勘探技术领域，主要包括步骤：基于领域知识构建相应测井曲线与地层岩性变化之间关系的表征矩阵；根据循环神经网络中隐含层状态与表征矩阵之间的关系获取上下文向量，并基于上下文向量将表征矩阵与目标模型进行结合；对结合表征矩阵后的目标模型进行训练，并根据训练后的验证集表现进行最优训练方向下的目标模型选取；通过选取的目标模型对目标样本进行地层岩性的预测。本发明让模型不仅仅从样本学习曲线和地层岩性之间的映射关系，还可以基于领域知识学习如何识别地层岩性，在提高了模型预测准确性的同时，也为模型的输出判断给出更为合理的物理解释。

Description

一种基于领域知识与深度学习结合的地层岩性预测方法
技术领域
本发明涉及地质勘探技术领域，具体涉及一种基于领域知识与深度学习结合的地层岩性预测方法。
背景技术
随着工业化进程的加快以及经济规模的进一步扩大，我国能源需求还会持续增加。水力压裂技术使页岩气得以大规模开发。跟其他化石能源相比，天然气具有低碳环保的特点，大力开发页岩气、煤层气等非常规油气资源是保障清洁能源供应的有效途径之一。
地层岩性是油藏分析的基础，计算油藏参数、搭建地质模型等都需要知道地层岩性信息。传统获取地层岩性信息的方式主要有分析钻井返回的岩屑、分析岩心、分析传统测井曲线。当数据量增大的时候，采用传统方法获取地层岩性信息就会耗时耗力。
发明内容
为了提高地层岩性信息的获取效率，以及提升模型预测精度和可解释性，本发明提出了一种基于领域知识与深度学习结合的地层岩性预测方法，包括步骤：
S1：基于领域知识构建相应测井曲线与地层岩性变化之间关系的表征矩阵；
S2：根据循环神经网络中隐含层状态与表征矩阵之间的关系获取上下文向量，并基于上下文向量将表征矩阵与目标模型进行结合；
S3：对结合表征矩阵后的目标模型进行训练，并根据训练后的验证集表现进行最优训练方向下的目标模型选取；
S4：通过选取的目标模型对目标样本进行地层岩性的预测。
进一步地，所述S2步骤中，上下文向量的获取具体包括如下步骤：
S21：通过打分函数获取当前时刻隐含层状态与各表征间的关系得分；
S22：根据各表征的关系得分以及权重进行上下文向量的获取。
进一步地，所述S21步骤中，打分函数为如下公式：
Figure SMS_1
式中，t为当前时刻，m为表征矩阵的行数编号，
Figure SMS_2
为当前时刻第m行表征的关系得分，T为转置操作，/>
Figure SMS_3
为当前时刻的隐含状态，/>
Figure SMS_4
为表征矩阵中的第m行表征，W、U为学习获得的参数矩阵，v为学习获得的参数向量。
进一步地，所述S22步骤中，上下文向量的获取表示为如下公式：
Figure SMS_5
式中，
Figure SMS_6
为当前时刻第m行表征的权重，M为表征矩阵的总行数，/>
Figure SMS_7
为当前时刻的上下文向量，/>
Figure SMS_8
为以自然常数e为底的指数函数。
进一步地，所述S2步骤中，目标模型为GRU模型，表征矩阵与目标模型的结合表示为如下公式：
Figure SMS_9
式中，
Figure SMS_10
为当前时刻的隐含状态，/>
Figure SMS_11
为目标模型的函数表达，/>
Figure SMS_12
为上一时刻的隐含状态，/>
Figure SMS_13
为当前时刻目标模型的输入，/>
Figure SMS_14
为当前时刻的上下文向量。
进一步地，所述测井曲线为伽马曲线。
进一步地，所述S1步骤中，表征矩阵的构建具体包括如下步骤：
S11：通过独热编码对各类地层岩性进行编码划分；
S12：根据自然规律下地层岩性的排布规律，以各相邻地层岩性伽马曲线的变化趋势值，以及对应的独热编码为行矩阵进行表征矩阵构建。
进一步地，所述变化趋势值为根据地层岩性伽马曲线的读数上升下降变化趋势进行设定的预设定值。
还包括一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现一种基于领域知识与深度学习结合的地层岩性预测方法所述的步骤。
还包括一种处理数据的装置，包括：
储存器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现一种基于领域知识与深度学习结合的地层岩性预测方法所述的步骤。
与现有技术相比，本发明至少含有以下有益效果：
本发明所述的一种基于领域知识与深度学习结合的地层岩性预测方法，考虑到纯数据驱动的模型从数据学习到输入到输出之间的映射关系，但是不能给出模型做出某个具体判断的原因，因此，将领域知识以矩阵的形式表征出来，并通过注意力机制的方式和模型结合，可以让模型不仅仅从样本学习曲线和地层岩性之间的映射关系，还可以基于领域知识学习如何识别地层岩性，在提高了模型预测准确性的同时，也为模型的输出判断给出更为合理的物理解释。
附图说明
图1为一种基于领域知识与深度学习结合的地层岩性预测方法的步骤图；
图2为地层岩性变化与伽马曲线变化关系示意图；
图3为表征矩阵示意图；
图4为模型结合示意图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
近年来油气行业也尝试采用机器学习的方法来助力油气开发，该方法主要基于学习测井曲线到地层岩性的映射关系，然后在没有地层岩性信息的地方基于测井曲线做出预测，因此其是纯数据驱动的方法。目前纯数据驱动模型在地层岩性应用方面主要存在以下三个问题：（1）样本少，油气行业缺乏大量有地层信息标注的测井曲线。纯数据驱动模型主要从数据提取有用信息。如果标注样本少，模型学习到的信息就少；（2）地层岩性样本存在不平衡性，样本主要为碎屑岩和碳酸盐岩，含少量的泥岩，偶尔会存在煤层以及蒸发矿物，其中砂岩和碳酸盐岩为大多数类，煤层和蒸发矿物为少数类。对于多分类问题，模型假定每类的样本数目相近。如果样本不均衡，模型在少数类上会表现较差，原因为模型训练的时候主要看到大多数类的样本，从少数类学习到的信息较少。（3）地质学家希望模型具有可解释性，而目前的机器学习模型为一个黑箱，没有办法解释输入和输出的内部规律。
基于上述现有技术存在的问题，如图1所示，本发明提出了一种基于领域知识与深度学习结合的地层岩性预测方法，包括步骤：
S11：通过独热编码对各类地层岩性进行编码划分；
S12：根据自然规律下地层岩性的排布规律，以各相邻地层岩性伽马曲线的变化趋势值，以及对应的独热编码为行矩阵进行表征矩阵构建；
S2：根据循环神经网络中隐含层状态与表征矩阵之间的关系获取上下文向量，并基于上下文向量将表征矩阵与目标模型进行结合；
S3：对结合表征矩阵后的目标模型进行训练，并根据训练后的验证集表现进行最优训练方向下的目标模型选取；
S4：通过选取的目标模型对目标样本进行地层岩性的预测。
考虑到油藏的主要岩石组成为沉积岩，而在沉积过程中，沉积物受重力分异作用影响，一般颗粒大、比重大的物质先沉积，颗粒小、比重小的物质后沉积，但是矿物成分以及颗粒大小的变化会比较连续，从砂岩到泥岩之间会有泥质砂岩以及砂质泥岩等中间岩性，因此地层岩性（主要类目为碎屑岩和碳酸盐岩，像砂岩、粉砂岩、泥岩、石灰岩、泥质石灰岩以及泥灰岩等）有顺序性。例如，如果前一个深度的样本是泥岩，那下一个深度的样本很大概率还是泥岩或者砂质泥岩。在样本数据信噪比差的情况下，这种顺序性能够辅助模型更准确地预测岩性类别。基于此，本发明提出了将上述领域知识与机器学习算法结合的方式，对传统机器算法进行改进，以增强模型可解释性以及提升模型性能。
基于沉积岩的连续性特征，如何利用这一特征来识别各类岩性，地质学家有一套基于领域知识的方法，其中伽马曲线，中子孔隙度和密度等都是地质学家常用的判断依据。在这里面，伽马曲线能够反映地层中放射性元素（铀、钍、钾、镭和氡）的含量，而一般认为纯砂岩和碳酸盐岩含放射性元素较低，而泥岩含放射性元素较高，因此伽马曲线能用于识别地层的岩性。本实施例就以伽马曲线为例，解释伽马曲线的变化跟地层岩性变化的关系来约束地层岩性预测以及增强模型可解释性的原理。
当地层样本为砂岩和石灰岩的时候，伽马曲线读数（GR值）通常会很低，基本上在整条伽马曲线的最低值附近波动。以砂岩、粉砂岩、泥岩、石灰岩、泥质石灰岩以及泥灰岩为例，如图2所示，当砂岩慢慢变成粉砂岩最后变成泥岩的时候，伽马曲线会逐渐增高的时候。同样的情形也发生在当石灰岩慢慢变成泥质石灰岩最后变成泥灰岩的时候。我们将地层岩性变化下GR值上升下降趋势的关系以矩阵的形式表示出来，并转换为独热编码（000001至100000）下的表征矩阵（如图3所示，其中，gr代表上升趋势，-gr代表下降趋势），通过注意力机制的形式跟机器学习模型相结合来约束模型的训练。
在实际应用的过程中，gr为自行设定的预设定值。假设一个样本中一共有K类地层岩性，需要表征的地层岩性变化跟伽马曲线变化的关系一共有M条，那么最后得到的表征矩阵维度为M×（2K+1）。图3中包含有六类地层岩性，八条地层岩性变化跟伽马曲线变化的关系，将地层标注为独热编码后，最后得到一个8×13的矩阵。
而在机器学习模型方面，本发明选用GRU（gated recurrent unit）模型。如图4所示，表征矩阵通过注意力机制（Attention）的方式跟模型结合，生成上下文向量（contextvector）
Figure SMS_15
。具体地，上下文向量的获取具体包括如下步骤：
S21：通过打分函数获取当前时刻隐含层状态与各表征间的关系得分；
S22：根据各表征的关系得分以及权重进行上下文向量的获取。
在这里，本发明采用的打分函数为加性模型，如公式（1）所示，
Figure SMS_16
（1）
式中，t为当前时刻，m为表征矩阵的行数编号，
Figure SMS_17
为当前时刻第m行表征的关系得分，T为转置操作，/>
Figure SMS_18
为当前时刻的隐含状态，/>
Figure SMS_19
为表征矩阵中的第m行表征，W、U为学习获得的参数矩阵，v为学习获得的参数向量。
需要注意的是，为了让模型能够着重关注局部信息，上下文向量需要为加权的知识表征。这是因为隐含层的状态包含了当前地层应该是的岩性状态，而每一条表征包含的是某A岩性到某B岩性的过度，通过这个加权，就可以告诉模型是否需要这个额外信息，以及需要哪一条过度信息。其中，权重通过如下公式（2）获取，
Figure SMS_20
（2）
式中，
Figure SMS_21
为当前时刻第m行表征的权重，M为表征矩阵的总行数，/>
Figure SMS_22
为当前时刻的上下文向量，/>
Figure SMS_23
为以自然常数e为底的指数函数。
最终，通过累加各表征与对应权重的乘积，获得当前时刻的上下文向量，通过如下公式（3）表示。
Figure SMS_24
（3）
上下文向量
Figure SMS_25
作为额外的信息，跟输入合并在一起输入到模型的循环网络层，得到当前时刻的隐含状态（hidden state）/>
Figure SMS_26
，公式表达如公式（4），
Figure SMS_27
（4）
式中，
Figure SMS_28
为当前时刻的隐含状态，/>
Figure SMS_29
为目标模型的函数表达，/>
Figure SMS_30
为上一时刻的隐含状态，/>
Figure SMS_31
为当前时刻目标模型的输入，/>
Figure SMS_32
为当前时刻的上下文向量。
在构建完模型的框架后，考虑到所要解决的问题是多标签分类问题，采用神经网络处理这类问题时，输出层包含K个神经元对应K个类别，输出层的激活函数一般采用softmax。而当采用softmax作为输出层激活函数时，我们通过独热编码对原始标注数据编码得到的标注数据，考虑到各标注的特征间互斥作用，每次只有一个激活，因此此处采用交叉熵损失函数进行激活。
最终，通过对目标模型进行不断训练，并根据训练结果的验证结果集，从训练结果中挑选最优训练方向下的目标模型，通过该选取出的目标模型即可对目标样本进行地层岩性的预测。
本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上文所描述预测方法的步骤。
还包括一种处理数据的装置，包括：
储存器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上文所描述预测方法的步骤。
综上所述，本发明考虑到纯数据驱动的模型从数据学习到输入到输出之间的映射关系，但是不能给出模型做出某个具体判断的原因，因此，将领域知识以矩阵的形式表征出来，并通过注意力机制的方式和模型结合，可以让模型不仅仅从样本学习曲线和地层岩性之间的映射关系，还可以基于领域知识学习如何识别地层岩性，在提高了模型预测准确性的同时，也为模型的输出判断给出更为合理的物理解释。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

Claims (6)

1.一种基于领域知识与深度学习结合的地层岩性预测方法，其特征在于，包括步骤：
S1：基于领域知识构建相应测井曲线与地层岩性变化之间关系的表征矩阵；
S2：根据循环神经网络中隐含层状态与表征矩阵之间的关系获取上下文向量，并基于上下文向量将表征矩阵与目标模型进行结合；
S3：对结合表征矩阵后的目标模型进行训练，并根据训练后的验证集表现进行最优训练方向下的目标模型选取；
S4：通过选取的目标模型对目标样本进行地层岩性的预测；
所述S1步骤中，表征矩阵的构建具体包括如下步骤：
S11：通过独热编码对各类地层岩性进行编码划分；
S12：根据自然规律下地层岩性的排布规律，以各相邻地层岩性测井曲线的变化趋势值，以及对应的独热编码为行矩阵进行表征矩阵构建；
所述S2步骤中，上下文向量的获取具体包括如下步骤：
S21：通过打分函数获取当前时刻隐含层状态与各表征间的关系得分；
S22：根据各表征的关系得分以及权重进行上下文向量的获取；
所述隐含层状态为当前底层所属的岩性状态，所述表征为岩性间的过渡信息；
所述S21步骤中，打分函数为如下公式：
Figure QLYQS_1
式中，t为当前时刻，m为表征矩阵的行数编号，
Figure QLYQS_2
为当前时刻第m行表征的关系得分，T为转置操作，/>
Figure QLYQS_3
为当前时刻的隐含状态，/>
Figure QLYQS_4
为表征矩阵中的第m行表征，W、U为学习获得的参数矩阵，v为学习获得的参数向量；
所述S22步骤中，上下文向量的获取表示为如下公式：
Figure QLYQS_5
式中，
Figure QLYQS_6
为当前时刻第m行表征的权重，M为表征矩阵的总行数，/>
Figure QLYQS_7
为当前时刻的上下文向量，/>
Figure QLYQS_8
为以自然常数e为底的指数函数。
2.如权利要求1所述的一种基于领域知识与深度学习结合的地层岩性预测方法，其特征在于，所述S2步骤中，目标模型为GRU模型，表征矩阵与目标模型的结合表示为如下公式：
Figure QLYQS_9
式中，
Figure QLYQS_10
为当前时刻的隐含状态，/>
Figure QLYQS_11
为目标模型的函数表达，/>
Figure QLYQS_12
为上一时刻的隐含状态，/>
Figure QLYQS_13
为当前时刻目标模型的输入，/>
Figure QLYQS_14
为当前时刻的上下文向量。
3.如权利要求1所述的一种基于领域知识与深度学习结合的地层岩性预测方法，其特征在于，所述测井曲线为伽马曲线。
4.如权利要求3所述的一种基于领域知识与深度学习结合的地层岩性预测方法，其特征在于，所述变化趋势值为根据地层岩性伽马曲线的读数上升下降变化趋势进行设定的预设定值。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至4中任一项所述预测方法的步骤。
6.一种处理数据的装置，其特征在于，包括：
储存器，其上存储有计算机程序；
处理器，用于执行所述储存器中的所述计算机程序，以实现权利要求1至4中任一项所述预测方法的步骤。
CN202310117116.2A 2023-02-15 2023-02-15 一种基于领域知识与深度学习结合的地层岩性预测方法 Active CN115879647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310117116.2A CN115879647B (zh) 2023-02-15 2023-02-15 一种基于领域知识与深度学习结合的地层岩性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310117116.2A CN115879647B (zh) 2023-02-15 2023-02-15 一种基于领域知识与深度学习结合的地层岩性预测方法

Publications (2)

Publication Number Publication Date
CN115879647A CN115879647A (zh) 2023-03-31
CN115879647B true CN115879647B (zh) 2023-06-30

Family

ID=85761168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310117116.2A Active CN115879647B (zh) 2023-02-15 2023-02-15 一种基于领域知识与深度学习结合的地层岩性预测方法

Country Status (1)

Country Link
CN (1) CN115879647B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390970A (zh) * 2023-12-06 2024-01-12 中国地质调查局油气资源调查中心 一种兼顾多元驱动预测的油气储存量化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343574A (zh) * 2021-06-21 2021-09-03 成都理工大学 基于神经网络的Mishrif组岩性测井识别方法
CN115659245A (zh) * 2022-10-24 2023-01-31 东华理工大学 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11151328B2 (en) * 2019-08-01 2021-10-19 Oracle International Corporation Using neural network and score weighing to incorporate contextual data in sentiment analysis
CN110619123B (zh) * 2019-09-19 2021-01-26 电子科技大学 一种机器阅读理解方法
US11459882B2 (en) * 2020-03-20 2022-10-04 Saudi Arabian Oil Company Systems and methods for the determination of lithology porosity from surface drilling parameters
CN114723095A (zh) * 2021-01-05 2022-07-08 中国石油天然气股份有限公司 缺失测井曲线预测方法及装置
NO20230841A1 (en) * 2021-05-27 2023-08-07 Halliburton Energy Services Inc Formation and reservoir rock modeling using symbolic regression
CN115267935A (zh) * 2022-07-01 2022-11-01 中国石油大学(北京) 数据与物理模型联合驱动的测井储层评价方法及装置
CN115545357B (zh) * 2022-11-30 2023-04-07 深圳市峰和数智科技有限公司 一种提升模型性能的方法、地层岩性预测方法及相关设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343574A (zh) * 2021-06-21 2021-09-03 成都理工大学 基于神经网络的Mishrif组岩性测井识别方法
CN115659245A (zh) * 2022-10-24 2023-01-31 东华理工大学 一种基于机器学习的砂岩型铀矿岩层类型识别方法及装置

Also Published As

Publication number Publication date
CN115879647A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Tang et al. A new ensemble machine-learning framework for searching sweet spots in shale reservoirs
EP2310880B1 (en) Systems and methods employing cooperative optimization-based dimensionality reduction
Tadeusiewicz Neural networks in mining sciences–general overview and some representative examples
CN105426612A (zh) 一种地层组分最优化确定方法及装置
Wang et al. A novel approach to total organic carbon content prediction in shale gas reservoirs with well logs data, Tonghua Basin, China
Jiang et al. Lithology identification from well-log curves via neural networks with additional geologic constraint
CN109653725A (zh) 基于沉积微相和岩石相的混积储层水淹程度测井解释方法
CN112712025A (zh) 一种基于长短期记忆神经网络的复杂岩性识别方法
CN115879647B (zh) 一种基于领域知识与深度学习结合的地层岩性预测方法
Yu et al. Synthetic sonic log generation with machine learning: A contest summary from five methods
CN116665067B (zh) 基于图神经网络的找矿靶区优选系统及其方法
Masroor et al. A multiple-input deep residual convolutional neural network for reservoir permeability prediction
Brown et al. Machine learning on Crays to optimize petrophysical workflows in oil and gas exploration
Fu et al. Deep learning based lithology classification of drill core images
Chang et al. SegLog: Geophysical logging segmentation network for lithofacies identification
CN115267935A (zh) 数据与物理模型联合驱动的测井储层评价方法及装置
CN104234706B (zh) 一种含煤性测井敏感参数评价方法
Lu et al. Lithology Logging Recognition Technology Based on GWO-SVM Algorithm
Han et al. Multi-label prediction method for lithology, lithofacies and fluid classes based on data augmentation by cascade forest.
Xiao et al. Quantitative identification of coal texture using the support vector machine with geophysical logging data: A case study using medium-rank coal from the Panjiang, Guizhou, China
Li et al. A novel hybrid CNN–SVM method for lithology identification in shale reservoirs based on logging measurements
CN112862169B (zh) 预测陆相泥页岩游离油含量的方法及装置
Bhattacharya Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks
Wang et al. A Lithology Identification Approach Using Well Logs Data and Convolutional Long Short-Term Memory networks
Aminzadeh Reservoir Characterization: Fundamentals and Applications, Volume 2

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
TR01 Transfer of patent right

Effective date of registration: 20230717

Address after: Room 3-1, Building 13, No. 888 Tongxin Road, Zhuangshi Street, Zhenhai District, Ningbo City, Zhejiang Province, 315200

Patentee after: Ningbo Dongli Digital Energy Technology Co.,Ltd.

Patentee after: Shenzhen Fenghe Digital Intelligence Technology Co.,Ltd.

Patentee after: Ningbo Oriental University of Technology (temporary name)

Address before: 518100 1711, Block B, Jingang Center, Jingang Building, Haoye Community, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Fenghe Digital Intelligence Technology Co.,Ltd.

TR01 Transfer of patent right