CN116432534A - 一种数据驱动的toc样本预测方法 - Google Patents
一种数据驱动的toc样本预测方法 Download PDFInfo
- Publication number
- CN116432534A CN116432534A CN202310415591.8A CN202310415591A CN116432534A CN 116432534 A CN116432534 A CN 116432534A CN 202310415591 A CN202310415591 A CN 202310415591A CN 116432534 A CN116432534 A CN 116432534A
- Authority
- CN
- China
- Prior art keywords
- toc
- sample
- network
- samples
- prediction method
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011435 rock Substances 0.000 abstract description 13
- 230000008485 antagonism Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004215 Carbon black (E152) Substances 0.000 description 4
- 229930195733 hydrocarbon Natural products 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 description 1
- 208000001456 Jet Lag Syndrome Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数据驱动的TOC样本预测方法,所述方法包括:构建具有生成网络和鉴别网络的条件生成对抗网络模型;向所述生成网络输入噪声变量和标签,输出TOC样本;将所述TOC样本输入鉴别网络,并判断所述TOC样本属于真实TOC样本或属于生成TOC样本;对所述生成网络和鉴别网络进行训练,使用训练后的条件生成对抗网络模型对TOC样本进行扩展。所述TOC样本预测方法为具有条件生成对抗网络的半监督数据驱动方法,使用相对较少数量的原始样本执行可靠的样本增强,同时使用物理信息控制样本扩展过程。解决了TOC低样本问题,TOC样本分布均匀,TOC样本与岩石弹性参数相关性强,最终提高了TOC数据驱动预测技术的准确性。
Description
技术领域
本发明属于石油勘探领域,涉及一种TOC样本预测方法,尤其涉及一种数据驱动的TOC样本预测方法。
背景技术
泥岩是一种重要且丰富的沉积岩,在石油系统中可作为烃源岩、盖层和页岩气储层。通常,泥岩致密性好、孔隙度低、含70%以上的泥。泥岩中存在有机质时,其烃源岩潜力增大。因此,有必要区分富含有机质的泥岩和非富含有机质的泥岩。干酪根是沉积岩中存在的固体和不溶性有机质。总有机碳(TOC,Total Organic Carbon)含量约为干酪根含量的80%,根据干酪根的成熟度而变化。因此,TOC是用于评价泥岩烃源岩地球化学特征及其生烃潜力的关键参数之一。
TOC样品是使用Rock-Eval热解分析对实验室中的岩心切割或侧壁样品进行测量的。虽然热解分析是最可靠的TOC计算方法,但由于岩芯样品数量和成本昂贵,连续测量TOC是不可能的。传统的间接TOC预测方法使用在钻孔中测量的特定岩石物理特性,例如体积密度、深电阻率、声波时差、岩石基质孔隙度和干酪根成熟度水平。然而,由于线性或恒定假设,经验公式方法具有一定的局限性,导致对于复杂和非均质页岩储层的准确性降低。TOC样本的分布在空间分布和深度分布方面通常较差。钻井TOC分布具有较强的区域性,无法控制整个工作区的TOC预测。此外,由于钻井经济的限制,深度较大的TOC样品严重缺乏。
基于数据驱动的机器学习模型可以克服传统TOC预测方法的局限性,预测精度高,可以建立起岩石弹性参数和TOC之间的复杂非线性关系。然而,数据驱动的机器学习方法需要大量高质量的训练数据来保证模型的鲁棒性和准确性。而小数据样本和样本分布均导致难以建立起TOC和岩石弹性参数之间的强非线性关系,降低了机器学习模型预测TOC的准确性。
发明内容
为解决现有技术中存在的技术问题,本发明提供一种数据驱动的TOC样本预测方法,所述TOC样本预测方法为具有条件生成对抗网络的半监督数据驱动方法,使用相对较少数量的原始样本执行可靠的样本增强,同时使用物理信息控制样本扩展过程。
为达到上述技术效果,本发明采用以下技术方案:
本发明提供一种数据驱动的TOC样本预测方法,所述方法包括:
构建具有生成网络和鉴别网络的条件生成对抗网络模型;
向所述生成网络输入噪声变量和标签,输出TOC样本;
将所述TOC样本输入鉴别网络,并判断所述TOC样本属于真实TOC样本或属于生成TOC样本;
对所述生成网络和鉴别网络进行训练,使用训练后的条件生成对抗网络模型对TOC样本进行扩展。
本发明中,条件生成对抗网络(CGAN,Conditional Generative AdversarialNetworks)模型包括两个网络,分别称为生成网络和鉴别网络。生成网络创建真实样本,而鉴别网络确定样本是可信的TOC样本(即真实)还是不可靠的TOC样本(即假)。为了监督TOC样本的生成,两个网络中都包含一个条件,以将样本的生成限制在特定的类别(标签)。目的是生成并非完全随机和无监督的结果。因此,样本生成受限于原始样本分布和监督条件。鉴别网络将真实的TOC样本与生成的TOC样本区分开来,并将正确的标签分配给每个真实的TOC样本。网络训练好后,可以扩展样本并对其分布进行正则化,并且可以在弹性参数和TOC值之间建立更好的相关性和更有意义的关系。此外,通过确定最佳弹性参数,数据驱动模型可以实现更高的TOC预测精度。
作为本发明优选的技术方案,所述生成网络具有从先验分布到TOC样本空间的映射。
作为本发明优选的技术方案,所述噪声变量具有高斯分布。
作为本发明优选的技术方案,所述标签包括高TOC值和低TOC值。
本发明中,高TOC值和低TOC值的标签方式仅为具体举例,标签可以采用其他形式,并不仅限于上述形式。
本发明中,根据使用有机地球化学评估烃源岩层段丰度的指标,TOC值在1.0%至2.0%之间的页岩烃源岩被认为具有良好的生烃潜力,故标签的高TOC值可以是大于等于1.5%,低TOC值可以是小于1.5%。
作为本发明优选的技术方案,所述鉴别网络输出所述TOC样本属于所述真实TOC样本的概率。
作为本发明优选的技术方案,所述生成网络和鉴别网络的训练同时进行。
作为本发明优选的技术方案,所述生成网络训练时冻结所述鉴别网络,所述鉴别网络训练时冻结所述生成网络。
作为本发明优选的技术方案,所述生成网络训练包括输出的TOC样本符合原始TOC样本及其标签的概率分布,使所述TOC样本在所述鉴别网络中的输出为高概率。
本发明中,鉴别器可以使用Sigmoid函数来执行二进制分类[0,1](即,真实或模拟);则如果概率小于等于0.5(低概率),则TOC样本被分类为生成的TOC样本;如果概率大于0.5(高概率),则TOC样本被分类为实测TOC样本。
作为本发明优选的技术方案,所述鉴别网络训练包括接受标签正确的真实TOC样本对,拒绝生成TOC样本对以及标签错误的样本对。
作为本发明优选的技术方案,所述TOC样本进行扩展后,对异常值进行删除。
与现有技术相比,本发明至少具有以下有益效果:
本发明提供一种数据驱动的TOC样本预测方法,所述TOC样本预测方法中使用条件生成对抗网络映射原始少数TOC样本的概率分布和岩石弹性参数。然后,添加物理标签来对TOC样本进行分类。这些条件控制了样本的生成并提高了模型的稳定性和准确性。然后模型以原始TOC样本概率分布为阈值,生成可靠的新TOC样本。TOC样本扩展和异常值消除后,解决了低样本问题,TOC样本分布均匀,TOC样本与岩石弹性参数相关性强,最终提高了TOC数据驱动预测技术的准确性。
附图说明
图1为本发明具体实施方式中构建的CGAN的生成网络的结构示意图;
图2为本发明具体实施方式中构建的CGAN的鉴别网络的结构示意图;
图3为本发明具体实施方式中构建的CGAN的结构示意图;
图4为本发明具体实施方式中构建的CGAN训练生成的样本分布示意图;
图5为本发明具体实施方式中使用训练后的CGAN进行扩展后的TOC样本和弹性参数(P波阻抗)的相关性示意图;(a)样本扩展前(b)样本扩展后(c)异常值删除后;
图6为本发明具体实施方式中使用训练后的CGAN进行TOC样品扩展工艺分布示意图;(a)样品扩展前(b)样品扩展后;
图7为本发明具体实施方式中使用训练后的CGAN进行六个弹性参数(泊松比、纵横波速度比、横波速度、纵波阻抗、纵波速度以及密度)的TOC样本扩展过程的敏感性分析图;(a)样品扩展前(b)样品扩展后;
图8为本发明具体实施方式中使用训练后的CGAN进行扩展后的TOC样本与六个弹性参数(泊松比、纵横波速度比、横波速度、纵波阻抗、纵波速度以及密度)的相关性示意图;(a)样品扩展前(b)样品扩展后。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
具体实施方式
为更好地说明本发明,便于理解本发明的技术方案,本发明的典型但非限制性的实施例如下:
在本发明一个具体实例中,数据驱动的TOC样本预测方法包括:
(1)两人零和博弈是CGAN背后的基本理论。面临两个模型:生成模型(G)和判别模型(D)。G用于捕获样本的分布,D估计样本是真实样本而不是生成样本的概率。G和D是非线性映射函数。G是一个多层感知器,参数为θg.。D是具有参数θd的多层感知器。G和D同时训练。CGAN内部的条件改进是提高生成的TOC样本的质量和可靠性的有效方法。为了欺骗鉴别器,生成器必须创建真实数据并生成与标签匹配的样本。在训练过程中,一个模型被冻结,另一个模型更新参数,交替迭代以最大化另一个模型的误差。最后,G可以估计原始TOC样本的分布。
(2)G的输入是具有高斯分布和标签y的噪声变量z。为了G学习原始TOC样本(x|y)及其标签的概率分布Pg。G构造一个映射函数G((z|y);θg)从先验分布pz(z)到TOC样本空间,并为训练数据集中的每个标签输出一个真实的TOC样本。
(3)D的输入是真实的TOC样本或带有标签y的生成的TOC样本,D(x|y;θd)。然后,输出是一个缩放器,表示输入-标签对来自训练样本而不是生成样本的概率(从0到1的概率值)。G应该尽可能地说服或“欺骗”D以获得高概率(即误判为真实样本及其标签)。另一方面,D应该输出创建对抗的低概率。鉴别器不学习识别哪个TOC样本与哪个类匹配。只学习接受与正确标签匹配的真实TOC样本对,并拒绝不匹配的生成样本对。
(4)G和D应该同时训练。当D被冻结时,参数G被更新以最小化log1-D(G(z|y))的期望。然后,当G被冻结时,更新D的参数以最大化logD(x|y)+log1-D(G(z|y))的期望。因此,优化过程可以简化为“极小极大二人游戏”问题。
在本发明一个具体实例中,定义最优化问题的方法由两部分组成。首先-定义一个判别器D以判别样本是不是从pdata(x)分布中取出来的,因此有:
D(x)-1,whenx~pdata(x)
另外一项是企图欺骗判别器的生成器G。该项根据“负类”的对数损失函数而构建,即:
定义目标函数为,
对于D而言要尽量使公式最大化(识别能力强),而对于G又想使之最小(生成的数据接近实际数据)。整个训练是一个迭代过程。极小极大化博弈可以分开理解,即在给定G的情况下先最大化V(D,G)而取D,然后固定D,并最小化V(D,G)而得到G。其中,给定G,最大化V(D,G)评估了pg和pdata之间的差异或距离。
在本发明一个具体实例中,数据驱动的TOC样本预测方法包括:
(1)如图1所示,CGAN的生成器输入噪声z和标签y合成一个为样本(x*|y);
(2)如图2所示,CGAN的判别器输入标签的真实TOC样本(x,y),以及带有标签的伪TOC样本(x*|y,y),在真实TOC样本-标签对上,鉴别器学习如何识别真实数据以及如何识别匹配对;在生成器生成的TOC样本中,鉴别器学习识别伪样本-标签对,以将其与真实TOC样本-标签对极性区分;
(3)如图3所示,鉴别器输出表明输入是真实的匹配对的概率,鉴别器的目标是学会接受所有的真实TOC样本-标签对,并拒绝所有伪TOC样本和所有与标签不匹配的样本;
(4)如图4所示,在CGAN训练过程中,目标是减少“损失”,即真实TOC分布与生成的TOC分布之间的差异;减少损失后,两个概率分布非常相似;网络完全训练后,可以生成从学习分布中提取的新TOC样本;
(5)如图5所示,对于具有弹性属性(即p波阻抗)的TOC样本扩展,图5(a)是CGAN网络的输入,图5(b)是CGAN网络的输出,图5(c)为删除异常值后的最终结果;
(6)如图6所示,TOC样本分布在TOC样本和高值TOC样本中都非常平衡,TOC样本趋势得到高度保留;
(7)如图7所示,对泊松比、纵横波速度比、横波速度、纵波阻抗、纵波速度以及密度这6个弹性参数的TOC样本扩展过程的敏感性进行分析,以确定TOC样本预测的最稳健关系,从图7(b)与图7(a)的比较可以看出,TOC样本扩展后相关系数增加,建立的关系更为可靠;
(8)如图8所示,从图8(b)与图8(a)的比较可以看出,高TOC值的分布增加并与低TOC样本的比例平衡;TOC样品和泊松比、纵横波速度比以及纵波阻抗这三个弹性参数相关系数增加,可以建立更有意义的关系来选择最佳弹性特性来预测TOC样本。
申请人声明,本发明通过上述实施例来说明本发明的详细结构特征,但本发明并不局限于上述详细结构特征,即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种数据驱动的TOC样本预测方法,其特征在于,所述方法包括:
构建具有生成网络和鉴别网络的条件生成对抗网络模型;
向所述生成网络输入噪声变量和标签,输出TOC样本;
将所述TOC样本输入鉴别网络,并判断所述TOC样本属于真实TOC样本或属于生成TOC样本;
对所述生成网络和鉴别网络进行训练,使用训练后的条件生成对抗网络模型对TOC样本进行扩展。
2.根据权利要求1所述的TOC样本预测方法,其特征在于,所述生成网络具有从先验分布到TOC样本空间的映射。
3.根据权利要求1所述的TOC样本预测方法,其特征在于,所述噪声变量具有高斯分布。
4.根据权利要求1所述的TOC样本预测方法,其特征在于,所述标签包括高TOC值和低TOC值。
5.根据权利要求1所述的TOC样本预测方法,其特征在于,所述鉴别网络输出所述TOC样本属于所述真实TOC样本的概率。
6.根据权利要求1所述的TOC样本预测方法,其特征在于,所述生成网络和鉴别网络的训练同时进行。
7.根据权利要求6所述的TOC样本预测方法,其特征在于,所述生成网络训练时冻结所述鉴别网络,所述鉴别网络训练时冻结所述生成网络。
8.根据权利要求1所述的TOC样本预测方法,其特征在于,所述生成网络训练包括输出的TOC样本符合原始TOC样本及其标签的概率分布,使所述TOC样本在所述鉴别网络中的输出为高概率。
9.根据权利要求1所述的TOC样本预测方法,其特征在于,所述鉴别网络训练包括接受标签正确的真实TOC样本对,拒绝生成TOC样本对以及标签错误的样本对。
10.根据权利要求1所述的TOC样本预测方法,其特征在于,所述TOC样本进行扩展后,对异常值进行删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310415591.8A CN116432534A (zh) | 2023-04-18 | 2023-04-18 | 一种数据驱动的toc样本预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310415591.8A CN116432534A (zh) | 2023-04-18 | 2023-04-18 | 一种数据驱动的toc样本预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432534A true CN116432534A (zh) | 2023-07-14 |
Family
ID=87081203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310415591.8A Pending CN116432534A (zh) | 2023-04-18 | 2023-04-18 | 一种数据驱动的toc样本预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432534A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132369A (zh) * | 2019-06-24 | 2020-12-25 | 中国石油化工股份有限公司 | 石油地质评价指标赋值方法 |
CN114218988A (zh) * | 2021-12-13 | 2022-03-22 | 福建中试所电力调整试验有限责任公司 | 一种样本不均衡下的单向接地故障馈线识别方法 |
CN115375031A (zh) * | 2022-08-31 | 2022-11-22 | 中国石油化工股份有限公司石油工程技术研究院 | 一种产油量预测模型建立方法、产能预测方法及存储介质 |
CN115760589A (zh) * | 2022-09-30 | 2023-03-07 | 浙江大学 | 一种用于运动模糊图像的图像优化方法及装置 |
CN115908842A (zh) * | 2022-11-02 | 2023-04-04 | 淮南市潘阳光伏发电有限公司 | 变压器局部放电数据增强与识别方法 |
-
2023
- 2023-04-18 CN CN202310415591.8A patent/CN116432534A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132369A (zh) * | 2019-06-24 | 2020-12-25 | 中国石油化工股份有限公司 | 石油地质评价指标赋值方法 |
CN114218988A (zh) * | 2021-12-13 | 2022-03-22 | 福建中试所电力调整试验有限责任公司 | 一种样本不均衡下的单向接地故障馈线识别方法 |
CN115375031A (zh) * | 2022-08-31 | 2022-11-22 | 中国石油化工股份有限公司石油工程技术研究院 | 一种产油量预测模型建立方法、产能预测方法及存储介质 |
CN115760589A (zh) * | 2022-09-30 | 2023-03-07 | 浙江大学 | 一种用于运动模糊图像的图像优化方法及装置 |
CN115908842A (zh) * | 2022-11-02 | 2023-04-04 | 淮南市潘阳光伏发电有限公司 | 变压器局部放电数据增强与识别方法 |
Non-Patent Citations (2)
Title |
---|
王兴梅: "《基于深度学习的水下信息处理方法研究》", 30 April 2021, 北京:北京航空航天大学出版社, pages: 93 - 95 * |
蒋廷学等: "《页岩气压裂技术》", 31 December 2016, 上海:华东理工大学出版社, pages: 23 - 29 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814871B (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
Ren et al. | A novel hybrid method of lithology identification based on k-means++ algorithm and fuzzy decision tree | |
Yan et al. | A real-time intelligent lithology identification method based on a dynamic felling strategy weighted random forest algorithm | |
CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
CN112560596B (zh) | 一种雷达干扰类别识别方法及系统 | |
CN113779880B (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
da Silva et al. | Automatic classification of carbonate rocks permeability from 1H NMR relaxation data | |
CN109581339A (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN112633328A (zh) | 一种基于深度学习的致密油藏改造效果评价方法 | |
Eskandari et al. | Reservoir Modelling of Complex Geological Systems--A Multiple-Point Perspective | |
Brown et al. | Machine learning on Crays to optimize petrophysical workflows in oil and gas exploration | |
Zhu et al. | An automatic identification method of imbalanced lithology based on Deep Forest and K-means SMOTE | |
CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
CN116756679A (zh) | 一种基于多源信息融合的随钻潜山地质模式判识方法 | |
Ye et al. | Drilling formation perception by supervised learning: Model evaluation and parameter analysis | |
Yuan et al. | Lithology identification by adaptive feature aggregation under scarce labels | |
Cheng et al. | Petroleum lithology discrimination based on PSO-LSSVM classification model | |
CN116432534A (zh) | 一种数据驱动的toc样本预测方法 | |
Li et al. | Lithology classification based on set-valued identification method | |
Yuan et al. | Application of Active Learning in Carbonate Lithologic Identification | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
Dong et al. | Fracture identification in shale reservoir using a deep learning method: Chang 7 reservoirs, Triassic Yanchang formation | |
Xu et al. | Subsurface lithofacies identification with meta learning |
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 |