CN116150597A - 基于多网络的试井解释方法及装置、电子设备、存储介质 - Google Patents

基于多网络的试井解释方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN116150597A
CN116150597A CN202111351214.XA CN202111351214A CN116150597A CN 116150597 A CN116150597 A CN 116150597A CN 202111351214 A CN202111351214 A CN 202111351214A CN 116150597 A CN116150597 A CN 116150597A
Authority
CN
China
Prior art keywords
network
training
data
intercepting
class
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
CN202111351214.XA
Other languages
English (en)
Inventor
孙亮
邓刚
李道伦
蔡兵
闫术
齐占奎
查文舒
裴建亚
张晓辉
梁旭
刘旭亮
谷岳
康秀兰
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.)
Petrochina Co Ltd
Daqing Oilfield Co Ltd
Original Assignee
Petrochina Co Ltd
Daqing Oilfield 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 Petrochina Co Ltd, Daqing Oilfield Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202111351214.XA priority Critical patent/CN116150597A/zh
Publication of CN116150597A publication Critical patent/CN116150597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多网络的试井解释方法及装置、电子设备、存储介质，所述解释方法包括：获取油藏的模拟数据；划分所述油藏的参数类别；按照所述参数类别分别截取所述模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本；利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于解释对应类别的参数；解决现有不同类型的参数因基于单网络进行试井解释以致参数的解释误差大的问题。

Description

基于多网络的试井解释方法及装置、电子设备、存储介质
技术领域
本发明涉及智能试井解释技术，具体的是对试井曲线进行拟合，得到试井解释结果的方法。
背景技术
详细的地层信息对于石油工程师研究当前和未来的地层动态至关重要。由于油气藏是一种结构复杂的非均质介质，很难直接对其进行解释。试井是油藏开发过程中获得地层及井筒参数的最常使用的方法。一般来说，试井分析就是以实测井底压力、温度或流量为基本数据分析和推算地层及井筒参数，从而为描述油藏动态特性和中长期产能预测、产能优化服务。
迄今为止，试井解释主要是通过人工或利用优化算法辅助进行，这些试井方法解释过程复杂、耗时长，无法做到自动化的试井解释。为建立自动识别方法，利用卷积神经网络训练油藏数据(是一种双对数曲线)，训练好的网络可直接用于油藏参数解释。
之前的基于卷积神经网络的试井解释方法中，只用到了一个网络，即对于油藏的不同类型的所有参数只用一个网络来拟合。例如对于径向复合油藏，它有四个参数，分别为CDe2s，复合半径RfD，流度比M和储容比F。在训练时，只使用一个网络，双对数曲线作为网络的输入，四个参数共同作为网络的输出。由于径向复合油藏比较复杂，参数多，基于单网络的试井解释通常无法做到对所有参数都拟合的很好，经常出现三个参数拟合的好，一个拟合的不好或者两个拟合的好、两个拟合的差的情况，导致最终解释的失败。
经过研究发现，造成这种结果的原因可能是双对数曲线特征复杂多变，网络无法捕捉到所有的信息，遗留的信息对于某个参数很重要的话，该参数拟合的解释误差就会很大。
发明内容
有鉴于此，本发明提供一种基于多网络的试井解释方法及装置、电子设备、计算机可读存储介质，解决了现有不同类型的参数因基于单网络进行试井解释以致参数的解释误差大的问题。
第一方面，所述的一种基于多网络的试井解释方法，其特征在于，包括：
获取油藏的模拟数据并划分所述油藏的参数类别；
按照所述参数类别分别截取所述模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本；
利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于解释对应类别的参数。
进一步地，所述参数类别分为三类，分别为反映井筒和表皮特征的第一类参数、反映油藏类型的第二类参数及反映外边界类型的第三类参数。
进一步地，与所述模拟数据对应的双对数曲线，其早期特征反映所述井筒和表皮特征、中期特征反映所述油藏类型、晚期特征反映所述外边界类型。
进一步地，截取所述双对数曲线的早期数据以生成与所述第一类参数对应的第一类训练样本；
截取所述双对数曲线的中期数据以生成与所述第二类参数对应的第二类训练样本；
截取所述双对数曲线的晚期数据以生成与所述第三类参数对应的第三类训练样本。
进一步地，所述第一类训练样本用于生成解释第一类参数的第一类训练网络；
所述第二类训练样本用于生成解释第二类参数的第二类训练网络；
所述第三类训练样本用于生成解释第三类参数的第三类训练网络。
第二方面，所述的一种基于多网络的试井解释装置，其特征在于，包括：
截取单元，用于按照油藏参数类别分别截取模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本；
生成单元，用于利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于解释对应类别的参数。
进一步地，所述的基于多网络的试井解释装置，还包括：
获取单元，用于获取油藏的所述模拟数据。
第三方面，所述的一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行第一方面任一项所述的基于多网络的试井解释方法。
第四方面，所述的一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于：
所述计算机程序指令被处理器执行时实现第一方面任一项所述的基于多网络的试井解释方法。
本发明具有如下有益效果：
本发明方法通过对试井曲线进行有意识的截取，使得截取的双对数曲线样本尽量只包含一类信息，这类信息只与某类参数有关，减少了曲线的复杂性，使得卷积神经网络更容易捕捉曲线特征，拟合过程变得更简单，故解释精度变高；
同时，本公开方法根据参数的不同，生成最适合该类参数的样本，之后利用生成的样本和参数对网络进行训练和优化，得到最优网络，此最优网络可直接用于该类参数的解释，最终通过多个最优网络实现对不同类型参数的解释，由于每个网络只需要捕捉与某类参数相关的信息，这大大降低了网络的识别难度，提高了网络的解释精度，并适当的简化了网络的复杂程度。
综上，本公开方法简单、实用、快速，能大大降低了参数解释误差，提高石油工程师的工作效率，具有广阔的应用前景。
附图说明
通过以下参考附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点更为清楚，在附图中：
图1是本公开实施例的基于多网络的试井解释方法的应用工作流程图；
图2是本公开实施例的第一类训练样本示意图；
图3是本公开实施例的第二类训练样本示意图；
图4是本公开实施例的第三类训练样本示意图；
图5是本公开应用实例的第一解释效果图；
图6是本公开应用实例的第二解释效果图；
图7是本公开应用实例的第三解释效果图；
图8是根据一示例性实施例示出的一种电子设备800的框图；
图9是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了相应的基于多网络的试井解释装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种基于多网络的试井解释方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1是本公开实施例的基于多网络的试井解释方法的应用工作流程图；如图1所示，所述的基于多网络的试井解释方法包括：步骤S101:获取油藏的模拟数据并划分所述油藏的参数类别；步骤 S102：按照所述参数类别分别截取所述模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本；步骤S103：利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于拟合对应类别的参数。
具体以径向复合油藏为例对本公开方法进行详细说明。
步骤S101:获取径向复合油藏的模拟数据并划分径向复合油藏的参数类别。
一、获取径向复合油藏的模拟数据的方法是：
第一步，搜集径向复合油藏实测数据的参数值(径向复合油藏的参数为CDe2s，复合半径RfD，流度比M，储容比F)；
第二步，利用拉丁超立方抽样法进行采样，将采样的参数值随机组合，利用解析方法计算得到20万条双对数曲线，从而生成径向复合油藏的模拟数据，即：生成的径向复合油藏模拟数据为双对数曲线，双对数曲线由压力恢复曲线和压力导数曲线组成。生成的双对数曲线有200个点，曲线特征完整，而将实测数据调整到与理论数据同样的时间间隔，实测数据通常只有145个点，为保持网络输入的一致性，需将理论数据截取145个点作为最终使用的样本。
二、划分径向复合油藏的参数类别
径向复合油藏的参数为CDe2s，复合半径RfD，流度比M，储容比 F。因为压力导数曲线早期的形态特征只与井筒和表皮的组合值 CDe2s有关，与油藏和外边界模型类别无关；压力导数曲线中期的形态特征与复合半径RfD关系最大，而压力导数曲线后期的形态特征只与流度比M，储容比F有关。
故可将径向复合油藏的参数分为3类，其中，CDe2s(第一类) 与复合半径RfD(第二类)各为一类，流度比M和储容比F为一类 (第三类)。
即径向复合油藏的参数类别分为三类，分别为反映井筒和表皮特征的第一类参数、反映油藏类型的第二类参数及反映外边界类型的第三类参数。
步骤S102：按照所述参数类别分别截取所述模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本。
本公开的步骤S101将径向复合油藏的参数分为3类，故应生成三类不同的训练样本。
在对径向复合油藏的模拟数据(双对数曲线)进行截取时，不同类的参数应截取包含不同曲线形态的样本数据。由于双对数曲线的早期、中期和晚期特征分别反映井筒、油藏及外边界类型，其中，曲线早期是指从驼峰下降到最低值，晚期是指曲线下掉或上翘阶段，其他则是中期；故对于第一类参数(CDe2s)，截取双对数曲线的早期数据，生成与所述第一类参数对应的第一类训练样本，如图2所示。双对数曲线中期形态特征与复合半径RfD(类2)关系最大，所以对于第二类参数(复合半径RfD)，截取曲线的中期数据，生成与所述第二类参数对应的第二类训练样本，如图3所示。对于第三类参数(流度比M和储容比F)，截取双对数曲线的晚期数据，生成与所述第三类参数对应的第三类训练样本，如图4所示。
步骤S103：利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于拟合对应类别的参数。
本公开中，利用径向复合油藏的三类参数及三类训练样本建立三组数据集，分别训练及优化三个网络。利用第一类样本训练和测试卷积神经网络来拟合CDe2s值，并不断优化，得到第一最优网络 (第一类训练网络)，该第一最优网络可直接用于径向复合模型CDe2s值的解释，即所述第一类训练样本用于生成解释第一类参数的第一类训练网络。
同理，利用第二类训练样本训练和测试卷积神经网络来拟合复合半径RfD，并不断优化，得到第二最优网络(第二类训练网络)，该第二最优网络可直接用于径向复合模型复合半径RfD的解释，即第二类训练样本用于生成解释第二类参数的第二类训练网络。
利用第三类训练样本训练和测试卷积神经网络来拟合流度比 M，储容比F，并不断优化，得到第三最优网络(第三类训练网络)，该第三最优网络可直接用于径向复合模型流度比M，储容比 F的解释，即第三类训练样本用于生成解释第三类参数的第三类训练网络。表1显示了最终误差。
表1测试集数据的平均绝对误差
Figure BDA0003355856190000071
通过表1可以看出，通过该方法进行解释的误差很小，说明解释精度高。
进一步地，本公开方法进行了具体应用，用已经训练好的三个最优网格对实测资料进行拟合：将实测数据的双对数曲线分别输入到三个最优网络中，得到三组参数。图5-7展示了实测数据的解释效果。将获得的三组参数输入到试井软件中，可以得到模拟的双对数曲线，将模拟的双对数曲线与实测数据的双对数曲线进行对比，若曲线形态基本保持一致则说明解释效果好，若差距较大，说明解释效果差，从图5-7中可以看出双对数曲线基本保持一致，说明本方法解释效果良好。
利用本公开方法，已经在6个油藏模型的参数解释中进行了应用，6种油藏模型分别为变井储均质无限大油藏、变井储径向复合油藏、变井储均质角形油藏、变井储均质半无限大油藏、变井储均质圆形油藏、变井储复合角形油藏。
基于多网络的试井解释方法的执行主体可以是基于多网络的试井解释装置，例如，基于多网络的试井解释方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备 (User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该基于多网络的试井解释方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述基于多网络的试井解释方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提供了一种基于多网络的试井解释装置，该装置包括：截取单元，用于按照油藏参数类别分别截取模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本；生成单元，用于利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于解释对应类别的参数。
优选该装置还包括：获取单元，用于获取油藏的所述模拟数据。
本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文基于多网络的试井解释方法实施例描述的方法，其具体实现可以参照上文基于多网络的试井解释方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述基于多网络的试井解释方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述基于多网络的试井解释方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802 可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800 的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806 可以包括电源管理系统，一个或多个电源，及其他与为电子设备800 生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器 (LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备 800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备 800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信 (NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB) 技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备 (DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900 包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922 被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/ 动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种基于多网络的试井解释方法，其特征在于，包括：
获取油藏的模拟数据并划分所述油藏的参数类别；
按照所述参数类别分别截取所述模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本；
利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于解释对应类别的参数。
2.根据权利要求1所述的基于多网络的试井解释方法，其特征在于：
所述参数类别分为三类，分别为反映井筒和表皮特征的第一类参数、反映油藏类型的第二类参数及反映外边界类型的第三类参数。
3.根据权利要求2所述的基于多网络的试井解释方法，其特征在于：
与所述模拟数据对应的双对数曲线，其早期特征反映所述井筒和表皮特征、中期特征反映所述油藏类型、晚期特征反映所述外边界类型。
4.根据权利要求3所述的基于多网络的试井解释方法，其特征在于：
截取所述双对数曲线的早期数据以生成与所述第一类参数对应的第一类训练样本；
截取所述双对数曲线的中期数据以生成与所述第二类参数对应的第二类训练样本；
截取所述双对数曲线的晚期数据以生成与所述第三类参数对应的第三类训练样本。
5.根据权利要求3所述的基于多网络的试井解释方法，其特征在于：
所述第一类训练样本用于生成解释第一类参数的第一类训练网络；
所述第二类训练样本用于生成解释第二类参数的第二类训练网络；
所述第三类训练样本用于生成解释第三类参数的第三类训练网络。
6.一种基于多网络的试井解释装置，其特征在于，包括：
截取单元，用于按照油藏参数类别分别截取模拟数据以分别获得只包含同类别参数特征的截取数据；所述截取数据，用于生成与其类别对应的训练样本；
生成单元，用于利用所述训练样本对网络进行训练以生成对应的训练网络；所述训练网络，用于解释对应类别的参数。
7.根据权利要求6所述的基于多网络的试井解释装置，其特征在于，还包括：
获取单元，用于获取油藏的所述模拟数据。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1-5任一项所述的基于多网络的试井解释方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于：
所述计算机程序指令被处理器执行时实现权利要求1-5任一项所述的基于多网络的试井解释方法。
CN202111351214.XA 2021-11-16 2021-11-16 基于多网络的试井解释方法及装置、电子设备、存储介质 Pending CN116150597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111351214.XA CN116150597A (zh) 2021-11-16 2021-11-16 基于多网络的试井解释方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111351214.XA CN116150597A (zh) 2021-11-16 2021-11-16 基于多网络的试井解释方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN116150597A true CN116150597A (zh) 2023-05-23

Family

ID=86354830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111351214.XA Pending CN116150597A (zh) 2021-11-16 2021-11-16 基于多网络的试井解释方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN116150597A (zh)

Similar Documents

Publication Publication Date Title
CN111274426B (zh) 类别标注方法及装置、电子设备和存储介质
EP3901827A1 (en) Image processing method and apparatus based on super network, intelligent device and computer storage medium
CN109359056A (zh) 一种应用程序测试方法及装置
CN114240882A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN111200503B (zh) 聊天信息的处理方法、装置及电子设备
CN113065591B (zh) 目标检测方法及装置、电子设备和存储介质
CN112668707B (zh) 运算方法、装置及相关产品
CN112001364A (zh) 图像识别方法及装置、电子设备和存储介质
CN110569329A (zh) 数据处理方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN108270661B (zh) 一种信息回复的方法、装置和设备
CN112559673A (zh) 语言处理模型的训练方法及装置、电子设备及存储介质
CN116069575B (zh) 适配器的测试方法、装置、电子设备及存储介质
CN109189822B (zh) 数据处理方法及装置
CN117112553A (zh) 基于可配置表结构公式计算的碳统计方法、系统和设备
CN111650554A (zh) 定位方法及装置、电子设备和存储介质
CN110188879B (zh) 运算方法、装置及相关产品
CN111582265A (zh) 一种文本检测方法及装置、电子设备和存储介质
CN110659625A (zh) 物体识别网络的训练方法及装置、电子设备和存储介质
CN113378893B (zh) 数据管理方法及装置、电子设备和存储介质
CN116150597A (zh) 基于多网络的试井解释方法及装置、电子设备、存储介质
CN112651880B (zh) 视频数据处理方法及装置、电子设备和存储介质
CN114065108A (zh) 一种基于元素录井的变质岩潜山储层优势岩相评价方法
CN108345590B (zh) 一种翻译方法、装置、电子设备以及存储介质
CN116150596A (zh) 油藏模型识别训练样本生成方法及装置、电子设备

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