CN116629140A - 基于人工智能和实钻数据的地层四压力预测方法及装置 - Google Patents
基于人工智能和实钻数据的地层四压力预测方法及装置 Download PDFInfo
- Publication number
- CN116629140A CN116629140A CN202310813529.4A CN202310813529A CN116629140A CN 116629140 A CN116629140 A CN 116629140A CN 202310813529 A CN202310813529 A CN 202310813529A CN 116629140 A CN116629140 A CN 116629140A
- Authority
- CN
- China
- Prior art keywords
- pressure
- data
- real
- drilling
- 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.)
- Pending
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 43
- 239000011148 porous material Substances 0.000 claims abstract description 29
- 230000015572 biosynthetic process Effects 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 239000012530 fluid Substances 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 241001074085 Scophthalmus aquosus Species 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 11
- 239000011435 rock Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本说明书涉及油气资源勘探开发技术领域,提供了一种基于人工智能和实钻数据的地层四压力预测方法及装置,该方法包括:获取目标区域内目标钻井的实钻工程参数数据;将实钻工程参数数据按需输入孔隙压力预测模型、坍塌压力预测模型、漏失压力预测模型和破裂压力预测模型,以对应预测目标钻井中对应地层的孔隙压力、坍塌压力、漏失压力和破裂压力;每个压力预测模型预先以目标区域的相邻区域内已钻井的实钻工程参数数据为特征参数,对应的基于测井参数计算所得孔隙压力、坍塌压力、漏失压力及破裂压力数据经钻后校正作为标签,训练人工智能模型得到。通过本说明书实施例可以不依赖测井参数,实现基于钻井工程参数的地层四压力剖面实时预测。
Description
技术领域
本说明书涉及油气资源勘探开发技术领域,尤其是涉及一种基于人工智能和实钻数据的地层四压力预测方法及装置。
背景技术
地层四压力在钻井过程中对地层四压力进行准确和快速的预测,能够很好地指导地面钻井液密度配置,以确保井筒内压力维持在该区间内,在防止井下事故的同时尽量避免污染和伤害储层,达到最佳的钻井效果;同时地层四压力剖面对后期的进一步开发和提采作业(例如固井水泥配置、地层压裂开发、储层保护等)也有很大帮助。总之,在钻井过程中对地层四压力进行准确和快速的预测,对于提高钻探效率、缩短钻井周期、降低钻井成本、提高天然气勘探开发的经济效益等均具有非常重要的意义。
目前现有技术对于地层四压力进行预测,主要可以分为取心实验法、测井数据预测法、地震数据预测法和地质建模法等几类。
取心实验法顾名思义是直接通过实验获得四压力数据,取心实验法是使用取心钻头取得一定深度的岩样,模拟地下温度和压力环境进行实验,如岩心三轴压裂实验。地层漏失实验、地破实验是通过逐渐泵入特定密度的钻井液,根据压力变化特征直接测试出已钻井内的地层压力数据。此类方法得到的数据准确率最高,但需要专门的作业工具,耗时最长,程序最复杂。此外还有岩性分类法,先通过取心实验确定不同岩性在地层内的四压力,再根据地层岩性判别的结果和深度,综合绘制地层四压力剖面图。
以测井技术为主导的方法是通过测井工具探测井壁周围地层物理性质和地质结构,获得如声波时差、自然伽马、自然电位等等参数与深度的关系,并根据这些数据与地层四压力之间的关系进行压力计算。测井四压力预测一般基于压实理论,异常地层高压一般是由欠压实作用引起的。所谓欠压实指的是随着地层的不断沉积,上覆岩层压力逐渐增大,而如果孔隙内的流体无法外流或没有及时排出,就会承受部分上覆岩层重力。根据压实理论有以下方法,包括等效深度法,利用声波时差原理进行孔隙压力预测;岩石力学法,利用测井曲线中的弹性模量、泊松比等参数,根据岩石力学模型计算地层强度参数,并通过强度参数计算地层破裂压力、坍塌压力;岩石电性法,利用测井曲线中的电阻率、自然伽玛等参数,结合地层中的岩石类型、含水饱和度等因素,通过电性模型计算地层孔隙度和渗透率,从而推算地层四压力。以测井技术为主导的压力预测方法依赖井下测井工具,而测井工具是在钻井结束之后,再下入井内并获取地层数据的。其结果不是真正意义上的预测,此技术只能在钻井结束后应用,并且对井底以下的地层压力无法预测,一般只能将临井数据用作参考,对钻井工作提供的帮助有限。
以地震技术为主导的方法原理与测井方法中声波时差原理类似,地震波在给定介质中的传播速度主要是有效应力和孔隙度的函数,地震波通过不同岩性时会产生反射和折射等现象,根据接收器收到的反射波时间取得地震波的传播速度,进而推断出地层的孔隙度、渗透率等参数,建立地震剖面图,从而预测地层四压力剖面,如伊顿法。此外还有基于地震反演的地层四压力预测,包括AVO反演、波阻抗演等等。以地震技术为主导的四压力预测法受到地震资料本身的影响,包括地震资料的准确性,准确性等。由于地下环境非常复杂,传输距离长,地震资料受到的干扰极大,地震资料的处理涉及偏移、叠加处理、去噪等等,同时地震反演结果本身具有多解性,这些不确定因素都会对地震资料的处理结果产生影响,进而影响地层四压力的预测。
以岩石力学为基础进行数值模型建立,并模拟预测地层四压力方法,包括有限元法、边界元法、离散元法等。基于地下岩石和流体性质建立数学模型,利用多种边界条件计算出各层位四压力,模拟地下变形和破裂,从而预测地层四压力参数。数值模型建立法可直接在计算机上模拟,所需井下工序最少,但数值模拟的结果准确性高度依赖于原始数据的准确性,以及地下岩石和流体的性质如泊松比、弹性模量、粘度等参数的设定,准确性难以保证。不仅如此,建立的模型普遍针对具有特殊性质的油气藏,对其他类型储层适用性差,一般需要结合其他四压力预测方法进行综合预测。
综上所述,目前亟需一种成本低且预测准确性高的地层四压力剖面预测方案。
发明内容
本说明书实施例的目的在于提供一种基于人工智能和实钻数据的地层四压力预测方法及装置,以提高地层四压力剖面预测的预测准确性并降低预测成本。
为达到上述目的,一方面,本说明书实施例提供了一种基于人工智能和实钻数据的地层四压力预测方法,包括:
获取目标区域内目标钻井的实时实钻数据;
将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。
本说明书实施例的基于人工智能和实钻数据的地层四压力预测方法中,每个所述压力预测模型预先根据以下方式训练得到:
利用所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据构建训练集和测试集;
按照选择的实钻参数组合不同,将所述训练集拆分为多个训练子集,并将所述测试集对应拆分为多个测试子集;
将所述多个训练子集和所述多个测试子集组合为多个数据子集对;每个数据子集对包括一个训练子集和一个测试子集;
利用每个所述数据子集对分别训练人工智能模型集合中的每个人工智能模型,获得多个候选预测模型;
从所述多个候选预测模型中选择一个候选预测模型,以作为所述地层压力数据的预测模型。
本说明书实施例的基于人工智能和实钻数据的地层四压力预测方法中,在预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力之后,还包括:
根据所述目标钻井的实时实钻数据和预测出的地层压力数据更新对应的数据子集对;
根据更新后的数据子集更新对应的压力预测模型。
本说明书实施例的基于人工智能和实钻数据的地层四压力预测方法中,所述根据所述目标钻井的实时实钻数据和预测出的地层压力数据更新对应的数据子集对,包括:
定时将所述目标区域内的实时实钻数据和预测出的地层压力数据加入对应的数据子集对,并从对应的数据子集对中去除同等数量的所述相邻区域内已钻井的实钻数据及地层压力。
本说明书实施例的基于人工智能和实钻数据的地层四压力预测方法中,所述实时实钻数据包括井深、地层层位、钻时、大钩载荷、钻压、泵压、转速、排量和钻井液密度中的部分或全部。
本说明书实施例的基于人工智能和实钻数据的地层四压力预测方法中,所述人工智能模型集合中包括:随机森林模型、梯度提升模型、决策树模型、朴素贝叶斯模型、弹性网络模型、支持向量机模型和神经网络模型中的部分或全部。
另一方面,本说明书实施例还提供了一种基于人工智能和实钻数据的地层四压力预测装置,包括:
数据获取模块,用于获取目标区域内目标钻井的实时实钻数据;
压力预测模块,用于将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。
另一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
另一方面,本说明书实施例还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见,本说明书实施例中直接将目标区域内钻井的实钻数据输入地层四压力预测模型来预测地层四压力。与测井数据预测法、地震数据预测法和地质建模法相比,由于本说明书实施例中,每个压力预测模型预先以目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到,使得训练出的压力预测模型具有更高的预测准确性,而且与取心实验法相比,本说明书实施例亦不需要取岩心并并行实验,从而也降低了地层四压力预测的预测成本。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本说明书一些实施例中基于人工智能和实钻数据的地层四压力预测的应用场景示意图;
图2示出了本说明书一些实施例中基于人工智能和实钻数据的地层四压力预测方法的流程图;
图3示出了本说明书一些实施例中地层压力预测模型的训练流程示意图;
图4a示出了本说明书一示例性实施例中,采用6种实钻数据作为参数组合,训练随机森林模型得到的预测结果与实测结果的对示意图;
图4b示出了本说明书一示例性实施例中,采用9种实钻数据作为参数组合训练随机森林模型得到的预测结果与实测结果的对示意图;
图5a示出了本说明书一示例性实施例中,采用6种实钻数据作为参数组合训练LSTM模型得到的预测结果与实测结果的对示意图;
图5b示出了本说明书一示例性实施例中,采用9种实钻数据作为参数组合训练LSTM模型得到的预测结果与实测结果的对示意图;
图6示出了本说明书另一些实施例中基于人工智能和实钻数据的地层四压力预测方法的流程图;
图7a示出了本说明书一示例性实施例中使用相邻区域内已钻井的实钻数据,训练得到的压力预测模型的预测准确率;
图7b示出了本说明书一示例性实施例中使用相邻区域内已钻井的部分实钻数据以及目标区域内已钻井的部分实钻数据,训练得到的压力预测模型的预测准确率;
图7c示出了本说明书一示例性实施例中使用目标区域内已钻井的实钻数据,训练得到的压力预测模型的预测准确率;
图8示出了本说明书一些实施例中基于人工智能和实钻数据的地层四压力预测装置的结构框图;
图9示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
10、钻井数据采集系统;
20、地层四压力预测系统;
81、数据获取模块;
82、压力预测模块;
83、模型更新模块;
902、计算机设备;
904、处理器;
906、存储器;
908、驱动机构;
910、输入/输出接口;
912、输入设备;
914、输出设备;
916、呈现设备;
918、图形用户接口;
920、网络接口;
922、通信链路;
924、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
地层四压力包括地层漏失压力(以下简称漏失压力)、地层孔隙压力(以下简称孔隙压力)、地层坍塌压力(以下简称坍塌压力)和地层破裂压力(以下简称破裂压力)。其中:
坍塌压力指的是当井内液柱压力低于某一值时,井壁会不稳定而发生坍塌,这个最低压力就是坍塌压力。
孔隙压力是指在地下环境中,岩石孔隙内的流体(油、气、水)所具有的压力。一般情况下地层压力是大于坍塌压力的,常规过平衡钻井时,需确保井筒内液柱压力大于地层压力和坍塌压力,即井筒内压力梯度大于地层压力当量密度。同时还要考虑到抽吸压力系数、激动压力系数、安全系数等进行综合计算,减少井喷、溢流、井壁坍塌等钻井事故发生的可能性,保证钻井安全。对于较为特殊的欠平衡钻井,钻井液作用于井底的有效压力小于地层压力,即井筒内压力会略低于地层压力,在钻井过程中允许地层流体进入井内,循环出井,并在地面得到控制。欠平衡钻井能够减少油层损害、提高机械钻速、减少或避免压差卡钻和井漏事故,但要求更加准确的压力预测,也需要确保不会发生井壁坍塌。
漏失压力指的是当井内压力达到一定值,超过地层内渗流通道的阻力,导致钻井液流入地层,发生漏失。
地层破裂压力指的是当井内压力达到一定值时,井内流体会使地层破裂,即地层开裂所需要的最小应力,一般接近地层最小水平最小应力。一般漏失压力小于地层破裂压力,常规钻井要确保井内压力低于破裂压力和漏失压力,同时考虑到压裂安全系数,计算钻井液压力。实际钻井中可以允许出现井内压力略大于漏失压力的情况,即允许一定量的漏失,所以一般以地层破裂压力为井筒内压力上限。
图1示出了本说明书一些实施例中基于人工智能和实钻数据的地层四压力预测的应用场景示意图,该应用场景中包括钻井数据采集系统10和地层四压力预测系统20;其中,地层四压力预测系统20可以从钻井数据采集系统10获取目标区域内目标钻井的实时实钻数据;将所述实时实钻数据中的第一数据组输入漏失压力预测模型,以实时预测所述目标钻井中对应地层的漏失压力;将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;其中,每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。通过本说明书实施例可以提高地层四压力剖面预测的预测准确性并降低预测成本。
在本说明书一些实施例中,钻井数据采集系统10可以包括但不限于随钻测量(MeasuringWhileDrilling,MWD)系统等。地层四压力预测系统20可以为具有运算和网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理和网络交互提供业务逻辑的软件。
本说明书实施例提供了一种基于人工智能和实钻数据的地层四压力预测方法,可以应用于上述的地层四压力预测系统侧,参考图2所示,在本说明书一些实施例中,基于人工智能和实钻数据的地层四压力预测方法可以包括以下步骤:
步骤201、获取目标区域内目标钻井的实时实钻数据。
步骤202、将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。
本说明书实施例中直接将目标区域内钻井的实钻数据输入地层四压力预测模型来预测地层四压力。与测井数据预测法、地震数据预测法和地质建模法相比,由于本说明书实施例中,每个压力预测模型预先以目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到,使得训练出的压力预测模型具有更高的地层四压力预测准确性;而且与取心实验法相比,本说明书实施例亦不需要取岩心并并行实验,从而也降低了地层四压力预测的预测成本。
在本说明书的实施例中,目标钻井即为当前在钻且需要预测地层四压力的钻井,目标区域即为目标钻井所归属的施工区域。实时实钻数据是指实时获取的实钻数据,例如在本说明书一些实施例中,实时实钻数据可以包括但不限于井深、地层层位、钻时(即每钻进单位长度所需的时间)、大钩载荷、钻压、泵压、转速、排量和钻井液密度等中的部分或全部。
在本说明书的实施例中,地层四压力预测模型包括漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型共四个压力预测模型;每个压力预测模型对应的输入数据均可能不同。因此,在预测时需要从实时实钻数据中按需选一些实钻数据输入对应的压力预测模型中,以实现对应压力预测。例如,若实时实钻数据包括实钻参数1~实钻参数10,漏失压力预测模型需要输入实钻参数1~实钻参数6,则进行漏失压力预测时,可以从中选择实钻参数1~实钻参数6输入漏失压力预测模型。
参考图3所示,在本说明书一些实施例中,每个所述压力预测模型预先根据以下步骤训练得到:
步骤301、利用所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据构建训练集和测试集。
目标区域的相邻区域内已钻井的实钻数据及地层压力数据是真实历史数据,由于相邻区域与目标区域相邻,他们的地层构造具有较大的相同或相似的概率,因此,将目标区域的相邻区域内已钻井的实钻数据及地层压力数据用于模型训练,有利于获得预测准确性较高的地层四压力预测模型。
步骤302、按照选择的实钻参数组合不同,将所述训练集拆分为多个训练子集,并将所述测试集对应拆分为多个测试子集。
在本说明书一些实施例中,为了有利于进一步提高地层四压力预测模型的预测准确性,对于每个压力预测模型,均可以使用多个不同的实钻参数组合对人工智能模型进行训练,以从中选预测准确性最高的实钻参数组合。因此,可以按照选择的实钻参数组合不同,将所述训练集拆分为多个训练子集,并将所述测试集对应拆分为多个测试子集。
例如,以实钻数据包括实钻参数1~实钻参数10十种实钻参数为例,可以将实钻参数1~实钻参数10进行多种组合,例如实钻参数1~实钻参数5为一个组合,实钻参数6~实钻参数10为一个组合,实钻参数1~实钻参数6为一个组合,实钻参数2~实钻参数7为一个组合等等。对于每种实钻参数组合对应的实钻数据,可以按照设定比例选择一部分作为训练子集,并将另一部分作为测试子集。
步骤303、将所述多个训练子集和所述多个测试子集组合为多个数据子集对;每个数据子集对包括一个训练子集和一个测试子集。
每个数据子集对对应一个实钻参数组合,且每个数据子集对中的训练子集和测试子集,形成该实钻参数组合下训练及测试用的数据集。例如,在一示例性实施例中,以一个实钻参数组合为井深、地层层位、钻时、钻压、转速为例,则可以从相邻区域内已钻井的井深、地层层位、钻时、钻压、转速中选择一部分作为训练子集,并从选择另一部分作为测试子集。
步骤304、利用每个所述数据子集对分别训练人工智能模型集合中的每个人工智能模型,获得多个候选预测模型。
在本说明书一些实施例中,为了有利于进一步提高地层四压力预测模型的预测准确性,对于每个压力预测模型(例如漏失压力预测模型等),在使用多个不同的实钻参数组合进行训练的基础上,还可以使用多个不同的人工智能模型(即人工智能模型集合)进行训练,以从中选预测准确性最高的实钻参数组合及人工智能模型。其中,人工智能模型集合中包括:随机森林模型、梯度提升模型、决策树模型、朴素贝叶斯模型、弹性网络模型、支持向量机模型和神经网络模型等中的部分或全部。
对于每个压力预测模型,若有M个实钻参数组合参与训练,且参与训练的人工智能模型集合中包含N个人工智能模型,则该压力预测模型可以得到M×N个候选预测模型。例如,以漏失压力预测模型的训练为例,若有8个实钻参数组合参与漏失压力预测模型的模型训练,且有4人工智能模型参与漏失压力预测模型的模型训练,则可以得到8×4=32个候选预测模型,即可以从32个候选预测模型选择一个作为漏失压力预测模型。
步骤305、从所述多个候选预测模型中选择一个候选预测模型,以作为所述地层压力数据的预测模型。
在本说明书一些实施例中,从所述多个候选预测模型中选择一个候选预测模型,以作为所述地层压力数据的预测模型时,可以按照预设的一个或多个评价指标(例如预测准确性等)为依据进行选择。
例如,在一示例性实施例中,以顺北区块某油田为例,以目标区域内附近某断裂带内数据为邻近区域内实钻数据,初步选用取两个实钻参数组合:6(种)参数组合和9(种)参数组合;其中,6参数组合的实钻数据包括:井深、钻时、大钩载荷、钻压、泵压、转速;9参数组合的实钻数据包括:井深、地层层位、钻时、大钩载荷、钻压、泵压、转速、排量、钻井液密度。人工智能模型选择随机森林模型、梯度提升树模型、BP神经网络和LSTM神经网络四种。
结合图4a和图4b所示,在人工智能模型选择随机森林模型,实钻参数组合选择6参数组合时,训练出的模型的预测正确率为89.57%;在人工智能模型选择随机森林模型,实钻参数组合选择9参数组合时,训练出的模型的预测正确率为95.09%。结合图5a和图5b所示,在人工智能模型选择LSTM神经网络,实钻参数组合选择6参数组合时,训练出的模型的预测正确率为91.06%;在人工智能模型选择LSTM神经网络,实钻参数组合选择9参数组合时,训练出的模型的预测正确率为95.89%。其中,选择9参数组合为特征值的情况下不同人工智能模型的平均相对误差如下表1所示。
表1
通过综合对比发现,选择9参数组合的情况下,漏失压力、孔隙压力、坍塌压力、破裂压力均采用LSTM算法,平均相对误差最小,得到的模型效果最好。以上述特征值和算法建立4个压力预测模型。利用新井钻进过程中得到的实钻数据预测地层四压力,使用预测值指导辅助目标区域内进一步钻进。
参考图6所示,在本说明书另一些实施例中,基于人工智能和实钻数据的地层四压力预测方法可以包括以下步骤:
步骤601、获取目标区域内目标钻井的实时实钻数据。
步骤602、将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。
步骤603、根据所述目标钻井的实时实钻数据和预测出的地层压力数据更新对应的数据子集对。
在本说明书的实施例中,根据所述目标钻井的实时实钻数据和预测出的地层压力数据更新对应的数据子集对,可以包括:定时将所述目标区域内的实时实钻数据和预测出的地层压力数据加入对应的数据子集对,并从对应的数据子集对中去除同等数量的所述相邻区域内已钻井的实钻数据及地层压力。随着获取更多的目标工区的实时实钻数据和预测出的地层压力数据加入,并同步减少邻近区域的实钻数据和地层压力数据的使用,直到完全不使用的实钻数据和地层压力数据。
步骤604、根据更新后的数据子集更新对应的压力预测模型。
据更新后的数据子集更新对应的压力预测模型是指:利用更新后的数据子集继续训练对应的压力预测模型。
如此,通过根据目标钻井的实时实钻数据和预测出的地层压力数据,更新对应的压力预测模型,并利用更新后的压力预测模型继续进行预测,从而进一步提高了模型的预测正确率。
图7a~图7c分别示出了使用相邻区域内已钻井的实钻数据,使用相邻区域内已钻井的部分实钻数据以及目标区域内已钻井的部分实钻数据,以及使用目标区域内已钻井的实钻数据,训练得到的压力预测模型的预测准确率。对比图7a~图7c可以看出,使用目标区域内已钻井的实钻数据越多,更新出的压力预测模型的预测正确率越高。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
与上述的基于人工智能和实钻数据的地层四压力预测方法对应,本说明书实施例还提供了一种基于人工智能和实钻数据的地层四压力预测装置,其可以配置于上述的地层四压力预测系统上,参考图8所示,在本说明书一些实施例中,基于人工智能和实钻数据的地层四压力预测装置可以包括:
数据获取模块81,用于获取目标区域内目标钻井的实时实钻数据;
压力预测模块82,用于将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。
可选地,在本说明书另一些实施例中,基于人工智能和实钻数据的地层四压力预测装置还可以包括模型更新模块83,该模型更新模块83可以根据所述目标钻井的实时实钻数据和预测出的地层压力数据更新对应的数据子集对;根据更新后的数据子集更新对应的压力预测模型。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
需要说明的是,本说明书的实施例中,所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权同意且经过各方充分授权的信息和数据。
本说明书的实施例还提供一种计算机设备。如图9所示,在本说明书一些实施例中,所述计算机设备902可以包括一个或多个处理器904,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施例中,存储器906上并可在处理器904上运行的计算机程序,所述计算机程序被所述处理器904运行时,可以执行上述任一实施例所述的基于人工智能和实钻数据的地层四压力预测方法的指令。非限制性的,比如,存储器906可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下,当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备902还可以包括输入/输出接口910(I/O),其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(GUI)。在其他实施例中,还可以不包括输入/输出接口910(I/O)、输入设备912以及输出设备914,仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920,其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
通信链路922可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务端等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(系统)、计算机可读存储介质和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器,使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算机设备访问的信息。按照本说明书中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解,在本说明书实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于人工智能和实钻数据的地层四压力预测方法,其特征在于,包括:
获取目标区域内目标钻井的实时实钻数据;
将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。
2.如权利要求1所述的基于人工智能和实钻数据的地层四压力预测方法,其特征在于,每个所述压力预测模型预先根据以下方式训练得到:
利用所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据构建训练集和测试集;
按照选择的实钻参数组合不同,将所述训练集拆分为多个训练子集,并将所述测试集对应拆分为多个测试子集;
将所述多个训练子集和所述多个测试子集组合为多个数据子集对;每个数据子集对包括一个训练子集和一个测试子集;
利用每个所述数据子集对分别训练人工智能模型集合中的每个人工智能模型,获得多个候选预测模型;
从所述多个候选预测模型中选择一个候选预测模型,以作为所述地层压力数据的预测模型。
3.如权利要求2所述的基于人工智能和实钻数据的地层四压力预测方法,其特征在于,在预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力之后,还包括:
根据所述目标钻井的实时实钻数据和预测出的地层压力数据更新对应的数据子集对;
根据更新后的数据子集更新对应的压力预测模型。
4.如权利要求3所述的基于人工智能和实钻数据的地层四压力预测方法,其特征在于,所述根据所述目标钻井的实时实钻数据和预测出的地层压力数据更新对应的数据子集对,包括:
定时将所述目标区域内的实时实钻数据和预测出的地层压力数据加入对应的数据子集对,并从对应的数据子集对中去除同等数量的所述相邻区域内已钻井的实钻数据及地层压力。
5.如权利要求1所述的基于人工智能和实钻数据的地层四压力预测方法,其特征在于,所述实时实钻数据包括井深、地层层位、钻时、大钩载荷、钻压、泵压、转速、排量和钻井液密度中的部分或全部。
6.如权利要求2所述的基于人工智能和实钻数据的地层四压力预测方法,其特征在于,所述人工智能模型集合中包括:随机森林模型、梯度提升模型、决策树模型、朴素贝叶斯模型、弹性网络模型、支持向量机模型和神经网络模型中的部分或全部。
7.一种基于人工智能和实钻数据的地层四压力预测装置,其特征在于,包括:
数据获取模块,用于获取目标区域内目标钻井的实时实钻数据;
压力预测模块,用于将所述实时实钻数据按需输入漏失压力预测模型、孔隙压力预测模型、坍塌压力预测模型和破裂压力预测模型,以对应预测所述目标钻井中对应地层的漏失压力、孔隙压力、坍塌压力和破裂压力;每个所述压力预测模型预先以所述目标区域的相邻区域内已钻井的实钻数据及地层压力数据为数据集,训练人工智能模型得到。
8.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813529.4A CN116629140A (zh) | 2023-07-04 | 2023-07-04 | 基于人工智能和实钻数据的地层四压力预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813529.4A CN116629140A (zh) | 2023-07-04 | 2023-07-04 | 基于人工智能和实钻数据的地层四压力预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629140A true CN116629140A (zh) | 2023-08-22 |
Family
ID=87613678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310813529.4A Pending CN116629140A (zh) | 2023-07-04 | 2023-07-04 | 基于人工智能和实钻数据的地层四压力预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629140A (zh) |
-
2023
- 2023-07-04 CN CN202310813529.4A patent/CN116629140A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11782741B2 (en) | Modeling of fluid introduction and/or fluid extraction elements in simulation of coreflood experiment | |
RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
EP3559401B1 (en) | Method and system for stable and efficient reservoir simulation using stability proxies | |
US9910938B2 (en) | Shale gas production forecasting | |
US20180293789A1 (en) | Three-dimensional geomechanical modeling of casing deformation for hydraulic fracturing treatment design | |
US10895131B2 (en) | Probabilistic area of interest identification for well placement planning under uncertainty | |
CA2890817C (en) | System, method and computer program product for determining placement of perforation intervals using facies, fluid boundaries, geobodies and dynamic fluid properties | |
WO2018151707A1 (en) | Automated upscaling of relative permeability and capillary pressure in multi-porosity systems | |
US11401803B2 (en) | Determining fracture surface area in a well | |
CN113094924B (zh) | 一种水力喷射压裂施工参数的优化方法及系统 | |
EP3455458B1 (en) | Multi-step subsidence inversion for modeling lithospheric layer thickness through geological time | |
US20170096880A1 (en) | Reservoir permeability upscaling | |
CN113221347B (zh) | 一种井壁稳定性钻井优化方法、装置及设备 | |
CA2818464C (en) | Shale gas production forecasting | |
CN116629140A (zh) | 基于人工智能和实钻数据的地层四压力预测方法及装置 | |
US10460051B2 (en) | Computationally-efficient modeling of viscous fingering effect for enhanced oil recovery (EOR) agent injected at multiple injection concentrations | |
CN112394416A (zh) | 非均质断裂控制储层预测方法及装置 | |
CN113031056B (zh) | 构造约束下断层封闭性分析方法及装置 | |
CN117386356A (zh) | 基于录井数据的地质导向方法及装置 | |
Dubiel et al. | Decision system model for HC exploration on the basis of DST test results | |
CN115344821A (zh) | 断溶体油藏静态储量门槛值确定方法、电子设备及介质 | |
AU2012396845B2 (en) | System, method and computer program product for determining placement of perforation intervals using facies, fluid boundaries, geobodies and dynamic fluid properties |
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 |