CN116305850B - 一种基于随机森林模型的地层热导率预测方法 - Google Patents
一种基于随机森林模型的地层热导率预测方法 Download PDFInfo
- Publication number
- CN116305850B CN116305850B CN202310156272.XA CN202310156272A CN116305850B CN 116305850 B CN116305850 B CN 116305850B CN 202310156272 A CN202310156272 A CN 202310156272A CN 116305850 B CN116305850 B CN 116305850B
- Authority
- CN
- China
- Prior art keywords
- thermal conductivity
- model
- logging
- random forest
- parameters
- 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
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015572 biosynthetic process Effects 0.000 title claims description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 34
- 239000011435 rock Substances 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 238000013138 pruning Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000265 homogenisation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract 1
- 238000005755 formation reaction Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于随机森林模型的地层热导率预测方法，包括获取研究区域测井数据及岩心数据，对测井数据进行预处理，利用随机森林模型，以优选的测井参数和实测热导率数据为输入条件，采用机器学习的方法训练模型构建热导率预测模型，最后将待预测的连续且完整的测井数据输入训练完成的热导率预测模型进行预测，将所有决策树的预测结果取均值则为最终预测的地层岩石热导率；本方案方法有效的解决传统的热导率垂向模型建立需要依赖实物岩心、实测值不连续及成本高等一系列缺点，该方法在各类地层热导率预测方面具有很强的适应性，有较高的推广应用前景和实用价值。
Description
技术领域
本发明属于地层热导率预测领域，具体涉及一种基于随机森林模型的地层热导率预测方法。
背景技术
岩石热导率与矿物组成、孔隙度、储层流体和岩石结构密切相关，这些特征可以通过不同的地球物理测井参数来揭示和反映。地球物理测井是利用岩层的电化学特性、导电特性、声学特性、放射性等特性测量地球物理参数的方法，各类型钻井在达到设计井深后普遍开展系统的测井作业，以获得详细的测井各类测井数据，测井数据具有垂向连续性好、分辨率高及宜获取等优点，不同测井系列参数或组合能够直接反映岩层的岩石学特征、密度、孔隙度及孔隙流体性质等岩石特征，而这些岩石特征又决定了其热导率。
岩石热导率(TC)是地热学、石油地质学和盆地研究等领域的一个基础参数。尽管热导率测试技术和设备的快速发展使得从各种地质样品中获取该数据成为可能，但在大多数情况下，确定热导率的实验分析并不总是可行的，传统的获取地层岩石热导率参数的方法是在实验室通过岩心实物样品的测试，因为大多数地质钻孔要么缺乏岩心控制，要么仅具备有限的岩心，很难获取较为完整的地层岩心样品，且钻取岩心的成本较高，而基于有限的实际测量值或经验公式估算的地层热导率模型通常与实际值相差甚远，用于研究地热场、构造热历史和石油系统的地质模型中使用不准确的热导率模型将产生很大的不确定性。因此利用有限且离散的实测热导率数据，采用数据平均或者差值等方法难以建立可靠地层热导率剖面，需要寻找新的技术方法来解决这一问题。
发明内容
本发明为解决传统热导率数据的获取需要依赖实物岩心、实测值不连续及成本高等缺点，提出一种基于随机森林模型的地层热导率预测方法，应用随机森林机器学习模型，将地球物理测井数据应用于地层岩石热导率预测，为建立高分辨率热导率地质模型提供可行方案。
本发明是采用以下的技术方案实现的：一种基于随机森林模型的地层热导率预测方法，包括以下步骤：
步骤A：获取测井数据及岩心数据；
所述测井数据包括浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差，以及垂直地震剖面测井中的纵波速度参数；所述岩心数据为实测岩石热导率数据；
步骤B：对测井数据进行预处理，以消除测井曲线中短周期、随机的锯齿干扰异常，并对测井数据进行均一化处理；
步骤C、构建随机森林模型，并基于岩心数据和处理后的测井数据对随机森林模型进行训练和测试，构建热导率预测模型；
步骤D、将待预测的连续且完整的测井数据输入热导率预测模型进行预测，将所有决策树的预测结果取均值作为最终的地层岩石热导率。
进一步的，所述步骤C中，所述随机森林模型以决策树为基础，从原始训练数据集中有放回的随机抽取K个新的数据集，生成K棵决策树，形成随机森林，最终预测结果为所有决策树预测结果的均值，其训练过程如下：
(1)将浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及垂直地震剖面测井中的纵波速度参数作为输入参数，以及实测岩石热导率作为输出参数，输入随机森林模型中；
(2)调整随机森林模型的超参数范围，包括：每棵决策树的深度、决策树个数，每棵决策树使用的变量占比以及叶子的最小拆分样本量；
(3)开始训练模型，将浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及垂直地震剖面测井中的纵波速度参数以及岩石热导率作为原始训练集S，在原始数据集S中应用bootstrap法有放回的随机抽取数据集，随机产生N个训练子集DN，并建立对应的N棵决策树；
将输入变量中的浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及VSP测井中的P波速度参数作为原始特征，从原始特征中随机抽取M个特征,作为节点的分裂特征集；
(4)依据均方误差选取最优特征，使得决策树根据最优特征进行判断，使决策树不断生长，靠近最优的结果，中间过程不进行剪枝；
(5)采用随机森林回归模型进行训练，将调优的不同种类的超参数组成网格，网格中的每组产参数进行多次的交叉验证，寻找最优参数，获取最佳模型，即完成热导率预测模型构建。
进一步的，所述步骤B中，采用滑动滤波方法消除测井曲线中短周期、随机的锯齿干扰异常，所述均一化原理如下：
其中，xi是样本值，xmin是所有样本的最小值，xmax是所有样本的最大值，xi，scaled是第i个样本的标准化值。
进一步的，决策树采用CART决策树，每次生长分支时，从M个特征属性中随机选取m个特征，m≤M，衡量分支质量的指标为均方误差：
式中，N为样本数量；i是一个数据样本；fi是模型预测值；yi是样本i的实际值，依据均方误差选取最优特征最大限度分支生长，中间过程不进行剪枝。
与现有技术相比，本发明的优点和积极效果在于：
本发明将随机森林机器学习算法应用于热导率预测，利用随机森林模型，以优选的测井参数和实测热导率数据为输入条件，采用机器学习的方法训练模型，并用来进行热导率的预测，以克服传统热导率实验对岩心样品的依赖，建立高分辨率的热导率剖面模型，并降低地层热导率参数获取的成本；有助于地层热导率垂向模型的建立，有效的解决传统的热导率垂向模型建立需要依赖实物岩心、实测值不连续及成本高等一系列缺点，该方法在各类地层热导率预测方面具有很强的适应性，有较高的推广应用前景和实用价值。
附图说明
图1为本发明实施例基于随机森林模型的地层热导率预测方法流程示意图；
图2为本发明实施例随机森林模型结构示意图；
图3为本发明实施例所述实例预测结果示意图；
图4为本发明实施例用于随机森林预测TC值和TC实测值的比较示意图，其中，(a)为小提琴图，(b)为泰勒图。
具体实施方式
为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。
考虑到大多数地质钻孔缺乏岩心或仅有部分岩心控制，通过实验来获得目标地层的热导率(TC)并不总是可行的，使用有限实测值的假设或估计热导率剖面通常具有很大的不确定性。本发明创造性的提出利用随机森林算法，通过筛选反映岩石热导率的地球物理参数来训练预测模型，利用随机森林机器学习算法，用于沉积地层的岩石热导率预测，其中沉积地层岩性包括但不限于松散未固结沉积物和不同地质时代的各类沉积岩，以有效克服传统热导率实验对岩心样品的依赖，显著降低沉积地层热导率参数获取的成本，并提高地层热导率模型的精度。
如图1所示，本实施例提出一种基于随机森林模型的地层热导率预测方法，以合理地利用与岩石热导率相关的岩石特性的地球物理测井参数，用于地层岩石热导率的预测，包括以下步骤：
步骤A：获取测井数据及岩心数据；
所述测井数据包括浅侧向电阻率(LLS)、补偿中子(CNL)、密度(DEN)、自然伽马(GR)、自然电位(SP)和声波时差(AC)测井参数，以及垂直地震剖面测井中的纵波(P波)速度参数(PWV)；所述岩心数据为实测岩石热导率数据，包括以上的地球物理数据以及热导率。
步骤B：采用滑动窗口滤波方法对测井数据进行处理；
测井数据曲线显示普遍存在的短周期和随机锯齿干扰异常，本实施例采用滑动滤波方法消除测井曲线中短周期、随机的锯齿干扰异常，并对测井数据进行均一化处理，均一化方法如下：
其中，xi是样本值，xmin是所有样本的最小值，xmax是所有样本的最大值，xi，scaled是第i个样本的标准化值。
步骤C：基于岩心数据和处理后的测井数据训练随机森林模型；
随机森林算法以决策树为基础，从原始训练数据集中有放回的随机抽取K个新的数据集，生成K棵决策树，形成随机森林，最终预测结果为所有决策树预测结果的均值。模型的基本流程如图2所示，基本步骤如下：
(1)从原始训练集S中应用bootstrap法有放回的随机抽取N个数据集，产生N棵决策树:
{h(x，θn),n＝1，2，…N}(θn为独立分布随机变量)
(2)决策树采用CART决策树，每次生长分支时，从M个特征属性中随机选取m个特征(m≤M)，衡量分支质量的指标为均方误差(mean squared error，MSE)，公式如下：
式中，N为样本数量；i是一个数据样本；fi是模型预测值；yi是样本i的实际值。
(3)依据均方误差选取最优特征最大限度分支生长，中间过程不进行剪枝。
(4)将所有决策树的预测结果取均值则为最终预测结果，即：
本实施例中，基于上述原理对随机森林模型进行训练和验证，以确定最终的地层热导率预测模型，具体过程如下：
(1)将岩心数据中的浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及VSP测井中的P波速度参数作为输入参数，以及岩石热导率作为输出参数，输入随机森林模型中进行模型训练；
训练时，将岩心数据分为两部分，一部分用于训练随机森林模型，一步分用于验证模型的精度；
(2)调整模型的超参数范围，包括：深度(这里是森林中每棵决策树的深度)，决策树个数，每棵决策树使用的变量占比，叶子的最小拆分样本量；
(3)开始训练模型，将岩心数据的浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及VSP测井中的P波速度参数以及岩石热导率作为原始训练集S，在原始数据集S中应用bootstrap法有放回的随机抽取数据集，随机产生N个训练子集DN，并建立对应的N棵决策树；
将输入变量中的浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及VSP测井中的P波速度参数作为原始特征，从原始特征中随机抽取M个特征,作为节点的分裂特征集；
(4)依据均方误差选取最优特征，使得决策树根据最优特征进行判断，使决策树不断生长，靠近最优的结果，中间过程不进行剪枝；
(5)采用随机森林回归模型进行训练，将调优的不同种类的超参数组成网格，网格中的每组产参数进行多次的交叉验证(比如5次以上)，即利用网格搜索和5折交叉验证去优化模型，寻找最优参数，获取最佳模型，即构建热导率预测模型。
步骤D、将待预测的连续且完整的测井数据输入训练完成的热导率预测模型进行预测，将所有决策树的预测结果取均值则为最终预测的地层岩石热导率(TC)结果。
实例预测分析：
本实施例以南黄海CSDP-2井全井取芯为例，如图3所示，预测结果表明利用RF模型在松散沉积物沉积层段和固结成岩层段均有很好的应用效果。其中，在松散沉积物沉积层段的岩石热导率的均值/最小值/最大值分别为1.775/1.190/2.750，利用RF模型预测的岩石热导率的均值/最小值/最大值分别为1.839/1.466/2.349。固结成岩层段的岩石热导率的均值/最小值/最大值分别为3.379/1.890/6.820，利用PSO_SVR模型预测的岩石热导率的均值/最小值/最大值分别为3.411/2.360/6.380。
实例预测结果的误差分析：
模型采用均方根误差(RMSE)、相关系数(R2)、标准偏差(σ)作为指标进行预测结果评价：
其中n为样本总数，ypi为利用预测模型得到的第i个样本的预测TC值，yti为检验值。
均方根误差和标准偏差可以衡量预测值与实际值的差异，均方根误差越接近0，标准偏差越小，模型的预测能力越好。相关系数R2用于检验回归模型对实际值的拟合程度，取值在0到1之间，R2越接近1，表明拟合效果越好。用R2评价模型对训练数据集的拟合效果，用均方根误差和标准偏差检测模型的预测能力。
为了直观地比较本发明中使用的随机森林模型的性能，如图4所示，本实施例使用了小提琴图和泰勒图进行展示。小提琴图是类似于箱线图的图，在每一侧都添加了转换的核密度。泰勒图是一个极坐标图，用于在单个图中总结模型性能的多个方面。它使用三个统计量来评估估计值和测量值之间的对应程度：相关系数(R2)、均方根误差(RMSE)和标准偏差(σ)。此外，泰勒图可以直观展示相关系数(R2)、均方根误差(RMSE)和标准偏差(σ)的评价结果，并广泛应用于模型的输出结果与实测值的比较。
图4显示了随机森林模型的预测TC和TC实测值的比较。图4(a)小提琴图显示了TC实测值和随机森林模型预测值的数据分布，表明预测值和实测值具有较好的相似性，在(b)泰勒图中展示了随机森林预测值的特征(RMSE＝8％，R2>0.86，σ＝0.86)表示模型的预测结果较好，随机森林预测模型是能够代表实测TC值的现实模型。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (2)
1.一种基于随机森林模型的地层热导率预测方法，其特征在于，包括以下步骤：
步骤A：获取测井数据及岩心数据；
所述测井数据包括浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差，以及垂直地震剖面测井中的纵波速度参数；所述岩心数据为实测岩石热导率数据；
步骤B：对测井数据进行预处理，以消除测井曲线中短周期、随机的锯齿干扰异常，并对测井数据进行均一化处理；
步骤C、构建随机森林模型，并基于岩心数据和处理后的测井数据对随机森林模型进行训练和测试，构建热导率预测模型；
所述随机森林模型以决策树为基础，从原始训练集S中有放回的随机抽取N个新的数据集，生成N棵决策树，形成随机森林，最终预测结果为所有决策树预测结果的均值，其训练过程如下：
（1）将浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及垂直地震剖面测井中的纵波速度参数作为输入参数，以及实测岩石热导率作为输出参数，输入随机森林模型中；
（2）调整随机森林模型的超参数范围，包括：每棵决策树的深度、决策树个数，每棵决策树使用的变量占比以及叶子的最小拆分样本量；
（3）开始训练模型，将浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及垂直地震剖面测井中的纵波速度参数以及岩石热导率作为原始训练集S，在原始训练集S中应用bootstrap法有放回的随机抽取数据集，随机产生N个训练子集DN，并建立对应的N棵决策树；
将输入变量中的浅侧向电阻率、补偿中子、密度、自然伽马、自然电位和声波时差测井参数，以及VSP测井中的P波速度参数作为原始特征，从原始特征中随机抽取M个特征，作为节点的分裂特征集；
（4）依据均方误差选取最优特征，使得决策树根据最优特征进行判断，使决策树不断生长，靠近最优的结果，中间过程不进行剪枝；
（5）采用随机森林回归模型进行训练，将调优的不同种类的超参数组成网格，网格中的每组产参数进行多次的交叉验证，寻找最优参数，获取最佳模型，即完成热导率预测模型构建；
步骤D、将待预测的连续且完整的测井数据输入热导率预测模型进行预测，将所有决策树的预测结果取均值作为最终的地层岩石热导率。
2.根据权利要求1所述的基于随机森林模型的地层热导率预测方法，其特征在于：所述步骤C中，决策树采用CART决策树，每次生长分支时，从M个特征属性中随机选取m个特征，，衡量分支质量的指标为均方误差：/>，式中，N为样本数量；i是一个数据样本；f i是模型预测值；y i是样本i的实际值，依据均方误差选取最优特征最大限度分支生长，中间过程不进行剪枝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310156272.XA CN116305850B (zh) | 2023-02-23 | 2023-02-23 | 一种基于随机森林模型的地层热导率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310156272.XA CN116305850B (zh) | 2023-02-23 | 2023-02-23 | 一种基于随机森林模型的地层热导率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116305850A CN116305850A (zh) | 2023-06-23 |
| CN116305850B true CN116305850B (zh) | 2024-06-18 |
Family
ID=86784475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310156272.XA Active CN116305850B (zh) | 2023-02-23 | 2023-02-23 | 一种基于随机森林模型的地层热导率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116305850B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117005846B (zh) * | 2023-07-25 | 2024-02-23 | 成都理工大学 | 致密砂岩油气藏条件下电阻率测井侵入校正方法及系统 |
| CN117452518B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 基于多学科数据融合聚类算法的储层岩性预测方法 |
| CN118747486B (zh) * | 2024-07-05 | 2025-02-11 | 中国海洋大学 | 一种基于随机森林算法的深海表层沉积物强度预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110344824B (zh) * | 2019-06-25 | 2023-02-10 | 中国矿业大学(北京) | 一种基于随机森林回归的声波曲线生成方法 |
| CN111191361A (zh) * | 2019-12-27 | 2020-05-22 | 湖南大学 | 一种基于随机森林的螺旋电感建模方法 |
| CN114943186A (zh) * | 2022-07-19 | 2022-08-26 | 数皮科技(湖北)有限公司 | 基于全岩化学数据的花岗岩热导率极限提升梯度预测方法 |
-
2023
- 2023-02-23 CN CN202310156272.XA patent/CN116305850B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| Robust well-log based determination of rock thermal conductivity through machine learning;Yury Meshalkin，等;《Geophycical Journal International》;20201231;第978-988页 * |
| 基于BP神经网络的测井资料预测岩石热导率;蒋海燕，等;测井技术;20120620(第03期);第304-307页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116305850A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116305850B (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
| Hui et al. | An integrated machine learning-based approach to identifying controlling factors of unconventional shale productivity | |
| CN105334536B (zh) | 致密砂岩储层网状裂缝系统有效性评价方法 | |
| CN107133670A (zh) | 一种基于决策树数据挖掘算法的复杂岩性识别方法及系统 | |
| Xueqing et al. | Bi-LSTM deep neural network reservoir classification model based on the innovative input of logging curve response sequences | |
| Yang et al. | High-fidelity permeability and porosity prediction using deep learning with the self-attention mechanism | |
| Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
| CN109085663A (zh) | 一种致密砂岩储层层理缝识别方法 | |
| CN104750884A (zh) | 基于多因素非线性回归的页岩油气富集指数定量评价方法 | |
| Huo et al. | Prediction of reservoir key parameters in ‘sweet spot’on the basis of particle swarm optimization to TCN-LSTM network | |
| CN118037979B (zh) | 天地融合多维巨型古滑坡地质构造-属性一体化三维模型构建及形变监测方法 | |
| CN108288092A (zh) | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 | |
| CN103628816B (zh) | 地震属性指导水平井导向的方法及其装置 | |
| Wang et al. | Prediction of organic carbon content in oil shale based on logging: a case study in the Songliao Basin, Northeast China | |
| CN110989034B (zh) | 一种回归-分形插值法反演测井横波时差方法 | |
| Naseer et al. | Lithofacies and sandstone reservoir characterization for geothermal assessment through artificial intelligence | |
| CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
| Mondal et al. | Application of artificial neural network to evaluate coalbed methane exploration potential: A case study from Permian Longtan Formation, Shuicheng, Guizhou | |
| CN112198551A (zh) | 一种通用的定量化评价储层裂缝强度的新方法 | |
| CN111706323A (zh) | 一种综合gwo-lssvm算法的水淹层精细解释评价方法 | |
| CN117558364A (zh) | 基于人工智能预测受岩性影响的页岩油储层中有机质含量的方法 | |
| CN115079256B (zh) | 深水浊积水道气藏高分辨率反演方法、装置、介质及设备 | |
| CN116104470A (zh) | 地质导向地层识别预测方法、系统、设备和存储介质 | |
| CN112649880B (zh) | 砾岩下伏构造变速成图方法及装置 | |
| CN119441895B (zh) | 一种砂岩型铀矿含矿层岩石岩性的智能识别方法 |
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 |