CN116562132A - 一种确定混源油的烃源岩贡献率的方法 - Google Patents
一种确定混源油的烃源岩贡献率的方法 Download PDFInfo
- Publication number
- CN116562132A CN116562132A CN202310459898.8A CN202310459898A CN116562132A CN 116562132 A CN116562132 A CN 116562132A CN 202310459898 A CN202310459898 A CN 202310459898A CN 116562132 A CN116562132 A CN 116562132A
- Authority
- CN
- China
- Prior art keywords
- hydrocarbon
- source
- source rock
- input
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 69
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 47
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 46
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000003921 oil Substances 0.000 claims abstract description 32
- 239000000284 extract Substances 0.000 claims abstract description 27
- 239000000090 biomarker Substances 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 150000001875 compounds Chemical class 0.000 claims abstract description 17
- 239000010779 crude oil Substances 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims abstract description 6
- 229930195734 saturated hydrocarbon Natural products 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 8
- 150000003505 terpenes Chemical class 0.000 claims description 7
- 235000007586 terpenes Nutrition 0.000 claims description 7
- ZRLNBWWGLOPJIC-PYQRSULMSA-N A'-neogammacerane Chemical compound C([C@]1(C)[C@H]2CC[C@H]34)CCC(C)(C)[C@@H]1CC[C@@]2(C)[C@]4(C)CC[C@@H]1[C@]3(C)CC[C@@H]1C(C)C ZRLNBWWGLOPJIC-PYQRSULMSA-N 0.000 claims description 6
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000008021 deposition Effects 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 150000001335 aliphatic alkanes Chemical class 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008707 rearrangement Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000010426 asphalt Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 17
- 239000004576 sand Substances 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 3
- 102200071927 rs667782 Human genes 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006065 biodegradation reaction Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种确定混源油的烃源岩贡献率的方法。对选取的烃源岩样品进行抽提得抽提物，并将每口取样井的单一层位的烃源岩样品的抽提物进行混合，得若干组混合抽提物，进行族组分分离得到饱和烃和芳烃，经色质分析得生物标志化合物参数，以该参数为特征变量，以混合抽提物的配比为标签变量，进行人工神经网络模型训练，确定优质人工神经网络模型，并确定对输出结果影响最大的特征变量；绘制上述确定的特征变量与烃源岩贡献率之间的相关性曲线，得到相关性方程，并选取相关系数大于0.9的特征变量作为判定烃源岩混源比例的最终变量；将未知贡献比例的原油特征变量带确定的相关性方程即得。本发明由繁入简，大大提高了不同层位烃源岩的混源贡献比例的准确性。
Description
技术领域
本发明涉及一种确定混源油的烃源岩贡献率的方法，属于油气资源评价技术领域。
背景技术
为进一步推动我国油气工业可持续发展，积极勘探开发国内油气资源势在必行。近年来的勘探实践表明，我国大多数盆地发育多套烃源岩，原油多数属于混源油，其为一套烃源岩在不同时期生成或者不同烃源岩在同时期生成的原油经过运移聚集成藏。原油地球化学特征反应多套烃源岩特征，这给油源判识带来很大阻碍。同时，不同层位烃源岩对油藏的贡献比例更是难以确定。而定量不同层位烃源岩对油藏的贡献比例对含油气盆地资源量价和有利含油区带预测意义重大。
受烃源岩非均质和原油运移成藏过程中的蚀变作用影响，现有技术在确定不同层位烃源岩对混源油贡献比例上存在以下几点不足：
(1)现有方法基本采用单井原油作为端元油进行配比实验，单井原油本身是否是混源油难以确定。
(2)对比参数选择较少，生物降解和成熟度可能导致对比参数失效。
(3)烃源岩的非均质性可能导致同一层位烃源岩地化指标差异较大，造成计算结果出现偏差。
发明内容
本发明的目的是提供一种确定混源油的烃源岩贡献率的方法，具体通过开展目标研究区潜在烃源岩抽提物配比实验，获取潜在烃源岩全面完整的生物标志化合物参数，利用人工神经网络算法对上述参数进行机器学习，获取混源油贡献率计算模型，实现了不同烃源岩层位的生油贡献率的判断。
本发明所提供的确定混源油的烃源岩贡献率的方法，包括如下步骤：
S1、从目标研究区选取烃源岩样品；
S2、对所述烃源岩样品进行抽提得到抽提物，并将每口取样井的单一层位的所述烃源岩样品的抽提物进行混合，得到若干组混合抽提物；
S3、对所述混合抽提物进行族组分分离得到饱和烃和芳烃，经色质分析得到生物标志化合物参数；
S4、以所述生物标志化合物参数为特征变量，以所述混合抽提物的配比为标签变量，进行人工神经网络模型训练，确定优质人工神经网络模型，并确定对输出结果影响最大的特征变量；
S5、绘制步骤S4确定的所述特征变量与烃源岩贡献率之间的相关性曲线，得到相关性方程，并选取相关系数大于0.9的特征变量作为判定烃源岩混源比例的最终变量；
S6、将未知贡献比例的原油特征变量带入步骤S5确定的相关性方程，即得到烃源岩贡献比例。
上述的方法中，步骤S1中，基于网格化的方式选取所述烃源岩样品。
上述的方法中，步骤S1中，以3～5km的等间距确定取样井位；
对不同层位的烃源岩进行等间距取样，间距视烃源岩层位总体厚度而定，如100m后的烃源岩可设置间距为10m，每个层位取10块烃源岩样品为宜；以两套潜在烃源岩为例，每口取样井将取得烃源岩样品20块，每个研究区取样井数量以大于20口为宜。
上述的方法中，步骤S2中，采用氯仿沥青进行所述抽提；
按照下述配比混合两种所述抽提物：0:100、10:90、20:80、30:70、40:60、50:50、60:40、70:30、80:20、90:10、100:0。
上述的方法中，步骤S3中，所述生物标志化合物参数包括母质来源与沉积环境参数和成熟度参数；
所述母质来源与沉积环境参数包含如下参数：正构烷烃系列的Pr/Ph、Pr/nC17、Ph/nC18、ETR，甾烷系列的C27/C27-29、C28/C27-29、C29/C27-29、C2920S/(20R+20S)、Ga(伽马蜡烷)/C31R、4-甲基甾烷/C29规则甾烷、重排甾烷/甾烷，萜烷系列的C30*/C30αβ、C30*/C29Ts、ΣC19- 26TT/C30αβ、C24TET/C30αβ、Ga/C30αβ、C24TET/C23TT、C24TET/C26TT、Ts/C30αβ。
所述成熟度参数包含如下参数：正构烷烃系列的CPI、OEP，甾烷系列的C29ββ/(αα+ββ)、C2920S/(20R+20S)、重排甾烷C2720S/(20S+20R)、重排甾烷C2920S/(20S+20R)，萜烷系列的C29βα/C29αβ、C30βα/C30αβ、Ts/(Ts+Tm)、Ts/C30αβ、C29Ts/(C29Ts+C29αβ)、C31αβ22S/(22S+22R)、C32αβ22S/(22S+22R)，重排藿烷参数C30*/C30αβ。
上述的方法中，步骤S4中，所述人工神经网络模型包含输入层、多个隐藏层和输出层；
所述输入层用于承接输入的生物标志化合物参数，其节点数量等于所输入的生物标志物参数的数量，正向传播时，输入层至隐藏层的计算公式如下：
其中，wi表示输入层第i个节点与该隐藏层节点之间连接的权重，xi表示输入层第i个节点的输入数据，b为偏置；
所述隐藏层的输入值经过激活函数的计算后，作为所述隐藏层的所述输出层向下一层传递，激活函数的表达式如下述公式所示：
正向传播完成后，通过Categorical Crossentropy损失函数评价计算结果与样本标签之间的误差(Loss)，其表达式如下述公式所示：
其中，n是模型输出值的维数，即油源的数量，是模型预测样本在相应油源i上是正例的概率，yi是样本在相应油源i上的标签，如果样本属于正例，取值为1，否则取值为0。
上述的方法中，采用自适应矩估计优化算法训练所述人工神经网络模型，其中权重更新规则为：
其中，vt是一阶梯度矩阵，st是二阶梯度矩阵，和/>分别是对原始值的偏差修正；α是学习率，其值设定为0.001；∈为10-8；
所述优质人工神经网络模型指的是预测精度大于85％的模型。
上述的方法中，采用连接权的敏感性分析方法确定对输出结果影响最大的特征变量，通过如下公式得到敏感性系数：
Q’ik为敏感性系数，其中，N为输入神经元个数，L为隐含神经元个数，M为输出神经元个数，w为输入神经元与输出神经元之间的连接权值，v为隐含神经元与输出神经元之间的连接权值。
本发明以烃源岩抽提物作为端元组分，有效避免了以往方法端元油是否是混源油的疑问。同时，充分考虑到研究区平面和剖面上烃源岩的非均质性，运用神经网络算法通过机器学习先建立最优模型，再基于最优模型确定敏感性最强特征变量，基于该特征变量与混源抽提物贡献比例的相关性确定混元比例。本发明由繁入简，大大提高了不同层位烃源岩的混源贡献比例的准确性。
附图说明
图1为本发明具体实施方式所构建的全连接神经网络训练数据模型的结构示意图。
图2为本发明具体实施方式中特征变量重要度评价结果。
图3为本发明具体实施方式中Ga(伽马蜡烷)/C31R与烃源岩贡献率相关性。
图4为本发明具体实施方式中4-甲基甾烷/C29规则甾烷与烃源岩贡献率相关性。
具体实施方式
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
采用本发明的方法确定辽东湾盆地区原油的沙一段和沙三段的烃源岩贡献比例，具体步骤如下：
在辽东湾盆地以等间距5km确定20口取样井。对每口取样井的沙一段和沙三段烃源岩进行取样。取样间隔为10m，每口井沙一段取样10-15块，沙三段共取样10-15块。最终取得沙一段烃源岩样品220块，沙三段烃源岩样品200块。
对取得的烃源岩样品进行氯仿沥青A抽提。获取每口取样井的不同层位烃源岩的抽提物。将每口取样井的单一层位烃源岩所有样品抽提物进行混合，对于两套潜在烃源岩的研究区，每口取样井将获取2个混合抽提物。将每口取样井的烃源岩样品的混合抽提物按照0:100、10:90、20:80、30:70、40:60、50:50、60:40、70:30、80:20、90:10、100:0的比例获取11组混合抽提物。
对每组混合抽提物进行族组分分离获得混合抽提物的饱和烃和芳烃。对上述饱和烃和芳烃开展色质分析，获取大量的生物标志化合物参数。
选取能够表征烃源岩母质来源、沉积环境、成熟度的生物标志化合物参数。具体的可包括以下参数：
成熟度分组中的参数包含：正构烷烃系列的CPI、OEP，甾烷系列的C29ββ/(αα+ββ)、C2920S/(20R+20S)、重排甾烷C2720S/(20S+20R)、重排甾烷C2920S/(20S+20R)，萜烷系列的C29βα/C29αβ、C30βα/C30αβ、Ts/(Ts+Tm)、Ts/C30αβ、C29Ts/(C29Ts+C29αβ)、C31αβ22S/(22S+22R)、C32αβ22S/(22S+22R)，重排藿烷参数C30*/C30αβ。
母质来源与沉积环境参数包含：正构烷烃系列的Pr/Ph、Pr/nC17、Ph/nC18、ETR，甾烷系列的C27/C27-29、C28/C27-29、C29/C27-29、重排甾烷/甾烷，萜烷系列的C30*/C30αβ、C30*/C29Ts、ΣC19-26TT/C30αβ、C24TET/C30αβ、Ga/C30αβ、C24TET/C23TT、C24TET/C26TT，此外还加入了具有成熟度意义萜烷Ts/C30αβ、甾烷C2920S/(20R+20S)、Ga(伽马蜡烷)/C31R、4-甲基甾烷/C29规则甾烷。
上述参数获取后，即完成了全连接神经网络训练数据集的构建。
上述生标参数为特征变量，混合抽提物配比结果为标签变量，进行人工神经网络模型训练，具体的标签变量格式如下表1所示：
表1实验样本与标签变量格式对应表
该模型包含输入层、多个隐藏层、输出层三个部分。输入层用于承接输入的生物标志物数据，其节点数量等于所输入的生物标志物参数的数量。正向传播时，输入层至隐藏层的计算公式如下：
其中，wi表示输入层第i个节点与该隐藏层节点之间连接的权重，xi表示输入层第i个节点的输入数据，b为偏置。
隐藏层的输入值经过激活函数的计算后，作为隐藏层的输出层向下一层传递。激活函数采用适合于多分类问题的Softmax函数，其表达式为：
正向传播完成后，通过Categorical Crossentropy损失函数评价计算结果与样本标签之间的误差(Loss)，其表达式为公式：
其中，n是模型输出值的维数(即油源的数量)，是模型预测样本在相应油源i上是正例的概率，yi是样本在相应油源i上的标签，如果样本属于正例，取值为1，否则取值为0。
所构建的深度神经网络使用自适应矩估计优化算法进行训练，其权重更新规则为：
其中，vt是一阶梯度矩阵，st是二阶梯度矩阵，和/>分别是对原始值的偏差修正；α是学习率，其值设定为0.001；∈是一个很小的常数，其值为10-8，以避免除数为零。
本实施例构建的全连接神经网络训练数据模型的示意图如图1所示。选取参数数据集的75％进行训练，25％作为测试集进行模型精度验证。以最终预测精度大于85％作为优质模型。
最优模型确定后，基于连接权的敏感性分析方法确定对输出结果最敏感的参数，具体通过以下公式得到敏感性系数；
Q’ik为敏感性系数，其中，N为输入神经元个数，L为隐含神经元个数，M为输出神经元个数，w为输入神经元与输出神经元之间的连接权值，v为隐含神经元与输出神经元之间的连接权值。
基于上述结果，本实施例优选出Ga(伽马蜡烷)/C31R、4-甲基甾烷/C29规则甾烷2个对结果影响最大的特征变量(如图2所示，特征参数重要度反映敏感性系数值)。
绘制上述特征变量与烃源岩贡献率的相关性曲线，获取相关性方程，最终选取相关系数大于0.9的特征变量作为判定烃源岩混源比例的最终变量(图3-图4)。
将未知贡献比例的原油特征变量带入上述方程，即可快速得到烃源岩贡献比例。本实施例中选取的原油样品的Ga(伽马蜡烷)/C31R值为0.62，带入图3方程得到沙一段烃源岩贡献比例为40.21％，沙三段烃源岩贡献比例为59.79％。原油样品的4-甲基甾烷/C29规则甾烷值为0.54，带入图4方程得到沙一段烃源岩贡献比例为39.35％，沙三段烃源岩贡献比例为60.64％。上述两个方程获得的沙一段烃源岩贡献比例误差仅为0.86％，表明本发明具有很高的准确性。
Claims (10)
1.一种确定混源油的烃源岩贡献率的方法，包括如下步骤：
S1、从目标研究区选取烃源岩样品；
S2、对所述烃源岩样品进行抽提得到抽提物，并将每口取样井的单一层位的所述烃源岩样品的抽提物进行混合，得到若干组混合抽提物；
S3、对所述混合抽提物进行族组分分离得到饱和烃和芳烃，经色质分析得到生物标志化合物参数；
S4、以所述生物标志化合物参数为特征变量，以所述混合抽提物的配比为标签变量，进行人工神经网络模型训练，确定优质人工神经网络模型，并确定对输出结果影响最大的特征变量；
S5、绘制步骤S4确定的所述特征变量与烃源岩贡献率之间的相关性曲线，得到相关性方程，并选取相关系数大于0.9的特征变量作为判定烃源岩混源比例的最终变量；
S6、将未知贡献比例的原油特征变量带入步骤S5确定的相关性方程，即得到烃源岩贡献比例。
2.根据权利要求1所述的方法，其特征在于：步骤S1中，基于网格化的方式选取所述烃源岩样品。
3.根据权利要求2所述的方法，其特征在于：步骤S1中，以3～5km的等间距确定取样井位；
对不同层位的烃源岩进行等间距取样。
4.根据权利要求1-3中任一项所述的方法，其特征在于：步骤S2中，采用氯仿沥青进行所述抽提；
按照下述配比混合两种所述抽提物：0:100、10:90、20:80、30:70、40:60、50:50、60:40、70:30、80:20、90:10、100:0。
5.根据权利要求1-4中任一项所述的方法，其特征在于：步骤S3中，所述生物标志化合物参数包括母质来源与沉积环境参数和成熟度参数。
6.根据权利要求5所述的方法，其特征在于：步骤S3中，所述母质来源与沉积环境参数包含如下参数：正构烷烃系列的Pr/Ph、Pr/nC17、Ph/nC18、ETR，甾烷系列的C27/C27-29、C28/C27-29、C29/C27-29、C2920S/(20R+20S)、Ga/C31R、4-甲基甾烷/C29规则甾烷、重排甾烷/甾烷，萜烷系列的C30*/C30αβ、C30*/C29Ts、ΣC19-26TT/C30αβ、C24TET/C30αβ、Ga/C30αβ、C24TET/C23TT、C24TET/C26TT、Ts/C30αβ。
7.根据权利要求5或6所述的方法，其特征在于：步骤S3中，所述成熟度参数包含如下参数：正构烷烃系列的CPI、OEP，甾烷系列的C29ββ/(αα+ββ)、C2920S/(20R+20S)、重排甾烷C2720S/(20S+20R)、重排甾烷C2920S/(20S+20R)，萜烷系列的C29βα/C29αβ、C30βα/C30αβ、Ts/(Ts+Tm)、Ts/C30αβ、C29Ts/(C29Ts+C29αβ)、C31αβ22S/(22S+22R)、C32αβ22S/(22S+22R)，重排藿烷参数C30*/C30αβ。
8.根据权利要求1-7中任一项所述的方法，其特征在于：步骤S4中，所述人工神经网络模型包含输入层、多个隐藏层和输出层；
所述输入层用于承接输入的生物标志化合物参数，其节点数量等于所输入的生物标志物参数的数量，正向传播时，输入层至隐藏层的计算公式如下：
其中，wi表示输入层第i个节点与该隐藏层节点之间连接的权重，xi表示输入层第i个节点的输入数据，b为偏置；
所述隐藏层的输入值经过激活函数的计算后，作为所述隐藏层的所述输出层向下一层传递，激活函数的表达式如下公式所示：
正向传播完成后，通过Categorical Crossentropy损失函数评价计算结果与样本标签之间的误差，其表达式如下公式所示：
其中，n是模型输出值的维数，即油源的数量，是模型预测样本在相应油源i上是正例的概率，yi是样本在相应油源i上的标签。
9.根据权利要求1-8中任一项所述的方法，其特征在于：采用自适应矩估计优化算法训练所述人工神经网络模型，其中权重更新规则为：
其中，vt是一阶梯度矩阵，st是二阶梯度矩阵，和/>分别是对原始值的偏差修正；α是学习率，其值设定为0.001；∈为10-8；
所述优质人工神经网络模型指的是预测精度大于85％的模型。
10.根据权利要求1-9中任一项所述的方法，其特征在于：采用连接权的敏感性分析方法确定对输出结果影响最大的特征变量，通过如下公式得到敏感性系数：
Q’ik为敏感性系数，其中，N为输入神经元个数，L为隐含神经元个数，M为输出神经元个数，w为输入神经元与输出神经元之间的连接权值，v为隐含神经元与输出神经元之间的连接权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310459898.8A CN116562132A (zh) | 2023-04-26 | 2023-04-26 | 一种确定混源油的烃源岩贡献率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310459898.8A CN116562132A (zh) | 2023-04-26 | 2023-04-26 | 一种确定混源油的烃源岩贡献率的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116562132A true CN116562132A (zh) | 2023-08-08 |
Family
ID=87492474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310459898.8A Pending CN116562132A (zh) | 2023-04-26 | 2023-04-26 | 一种确定混源油的烃源岩贡献率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562132A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872505A (zh) * | 2024-03-11 | 2024-04-12 | 中海石油（中国）有限公司天津分公司 | 一种含油气盆地有效烃源岩发育规模的确定方法 |
-
2023
- 2023-04-26 CN CN202310459898.8A patent/CN116562132A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872505A (zh) * | 2024-03-11 | 2024-04-12 | 中海石油（中国）有限公司天津分公司 | 一种含油气盆地有效烃源岩发育规模的确定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| CN116562132A (zh) | 一种确定混源油的烃源岩贡献率的方法 | |
| CN113419284B (zh) | 一种基于聚类分析测井岩石物理相双甜点识别方法 | |
| WO2020101128A1 (ko) | 딥러닝을 이용한 셰일가스 생산량 예측방법 | |
| CN110990718A (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| CN105626057A (zh) | 一种确定陆相页岩气有机碳含量的测井优化方法 | |
| CN107870368A (zh) | 一种基于地震属性的总有机碳含量空间分布预测方法 | |
| 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 | |
| CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
| Jamshidian et al. | Estimation of minimum horizontal stress, geomechanical modeling and hybrid neural network based on conventional well logging data–a case study | |
| CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
| Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
| CN113608258B (zh) | 一种构建高分辨率波阻抗反演标签的自洽深度学习方法 | |
| Fang et al. | Brittleness index prediction method of tight reservoir based on grey correlation and analytic hierarchical process | |
| CN115749761A (zh) | 一种基于页岩油气储层三参数评价图版的评价方法 | |
| Liu et al. | Universal decomposition model: An efficient technique for palaeoenvironmental reconstruction from grain‐size distributions | |
| CN110568149B (zh) | 沉积盆地烃源岩生排烃史精细快速定量模拟方法 | |
| CN111967677A (zh) | 一种非常规资源甜点分布的预测方法及装置 | |
| CN111706323A (zh) | 一种综合gwo-lssvm算法的水淹层精细解释评价方法 | |
| CN111274736A (zh) | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 | |
| CN116070148A (zh) | 一种基于深度神经网络模型的油源分类方法及系统 | |
| Vrijlandt et al. | Petrophysics Machine Learning for ThermoGIS | |
| Carlton et al. | Statistical correlations for shear wave velocity of soils using limited site data | |
| Posdyshev et al. | Using DNA-Logging to Determine Inflow Profile in Horizontal Wells |
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 |