CN116677367A - 一种基于随钻参数特征的智能实时岩层反演识别方法 - Google Patents

一种基于随钻参数特征的智能实时岩层反演识别方法 Download PDF

Info

Publication number
CN116677367A
CN116677367A CN202310538323.5A CN202310538323A CN116677367A CN 116677367 A CN116677367 A CN 116677367A CN 202310538323 A CN202310538323 A CN 202310538323A CN 116677367 A CN116677367 A CN 116677367A
Authority
CN
China
Prior art keywords
drilling
data
rock
frame
drill rod
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
CN202310538323.5A
Other languages
English (en)
Inventor
陈结
李铮
张明天
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.)
Chongqing City Construction Investment Group Co ltd
Chongqing University
Original Assignee
Chongqing City Construction Investment Group Co ltd
Chongqing University
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 Chongqing City Construction Investment Group Co ltd, Chongqing University filed Critical Chongqing City Construction Investment Group Co ltd
Priority to CN202310538323.5A priority Critical patent/CN116677367A/zh
Publication of CN116677367A publication Critical patent/CN116677367A/zh
Pending legal-status Critical Current

Links

Classifications

    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00Survey of boreholes or wells
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B44/00Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • E21B44/02Automatic control of the tool feed
    • E21B44/04Automatic control of the tool feed in response to the torque of the drive ; Measuring drilling torque
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B45/00Measuring the drilling time or rate of penetration
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00Survey of boreholes or wells
    • E21B47/06Measuring temperature or pressure
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00Testing 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
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics (AREA)
  • Earth Drilling (AREA)

Abstract

本发明公开了一种基于随钻参数特征的智能实时岩层反演识别方法,包括在室内钻机试验平台上对不同种类的岩石样品开展模拟钻进试验,并通过在钻机上安装传感器的方式,采集岩块钻进过程中的随钻参数,对采集到的钻杆轴向振动信号进行时频分析处理并训练,以用于识别岩层的人工神经网络模型;在钻探作业现场将采集的随钻数据输入训练好的人工神经网络模型,人工神经网络模型实时输出钻遇岩层的界面及岩性种类等识别结果,以对地层地质及岩土体分级,并且在钻进过程中工作人员可以根据随钻岩层识别结果及时调整钻进参数及路径,有利于保证钻孔质量、提高钻探效率、节省大量的人力物力。

Description

一种基于随钻参数特征的智能实时岩层反演识别方法
技术领域
本发明涉及地质勘测技术领域,特别涉及一种基于随钻参数特征的智能实时岩层反演识别方法。
背景技术
在不同的工程领域,相关的地质勘探与分析是其中最复杂、最艰巨的一项任务。在工程地质勘察勘探的各个阶段,可以从野外获得各种地质信息,包括地表地形、地层界面、断层、地下水位、风化层厚度分布以及各种物探化探资料等。但这些信息都是离散不连续的数据,地质工作者很难直接利用它们分析其在地质体中的分布规律,必然会面临如何利用这些实测资料来推断地质信息在研究区域内的分布规律及其复杂关系的问题。其中,钻探、物探方法是目前工程地质勘探中最为常见的勘探手段。钻探方法通过撷取实体样本,能精确、直接地揭露异常地质体,但是撷取实体进行岩层识别耗时长、成本高,而若能在钻探过程中实时的识别出岩层的种类,则可及时根据情况调整钻进路径、钻进参数,对保证工程地质勘探钻孔质量,保障工程顺利实施具有以下重要意义。
发明内容
有鉴于此,本发明的目的是提供一种基于随钻参数特征的智能实时岩层反演识别方法,以解决在钻探过程中实时反映钻进岩层的种类的技术问题。
本发明基于随钻参数特征的智能实时岩层反演识别方法包括以下步骤:
1)在钻进试验台上对不同种类的岩石样品开展模拟钻进试验,并在钻机上设置传感器采集随钻参数,所述随钻参数包括钻进过程中的钻杆扭矩、钻进压力、钻进速度、钻杆转速和钻杆轴向振动信号;
①采用钻进比功来反映钻进过程中岩石破碎的综合特征,公式表示为:
式中,Pf为钻进过程中单位时间内钻头破碎岩石所做的功,是孔深(或地层深度)h的函数;Db为钻头外直径;Di为钻头内直径,当为破坏钻进时,Di=0;V为穿孔速率。
2)对采集到的钻杆轴向振动信号进行处理:
①对采集的钻杆轴向振动信号采用阈值截取法进行处理,将振幅小于设定阈值的数据全部删除,将大于设定阈值的数据全部保留;
②对保留下来的钻杆轴向振动信号进行分帧处理,将每个单位采样时间段t视为一个观测单位,每个观测单位内包含N个时间采样点,一个观测单位内的N个时间采样点构成一帧数据x(n),其中0≤n<N;
③对每帧数据提取特征参数,所述特征参数包括:方差、均方根值、波峰因素和峭度,信号特征参数的表达式分别如下:
方差:
均方根值:
波峰因素:
峭度:
以上算式中N表示时间采样点的数量,xi表示一帧振动数据中第i个采样点的幅值,x表示一帧振动数据的N个采样点的振动幅值平均值,|xi|max表示一帧振动数据的N个采样点中的最大振幅,xrms一帧振动数据的波形有效值;
提取得到的方差和均方根表示振动信号的平均能量,用于定量反映岩层界面的变化;提取得到的波峰因素表示硬岩和软岩的差异程度,峭度指数反映硬岩和软岩的变化率,波峰因素和峭度用于定性划分岩石性质;
④对每帧数据进行时域特征分析,得到用于区分岩层岩体结构特征的对数能量,其包括步骤:
a)对钻杆轴向振动信号进行分帧处理,N个时间采样点集合成一个观测单位x(n),0≤n<N,称为一帧;相邻两帧之间重叠W个样点,W值为
b)对每一帧数据进行快速傅里叶变换,计算频谱:
c)计算每一帧数据的对数能量:
d)将对数能量的振幅谱通过一组滤波器组,计算通过滤波器组后的对数能量,滤波器组采用三角滤波器,选定一组中心频率fm,m=1,2,...,M,三角滤波器频率响应为:
其中,/>
滤波后的对数能量
3)对通过采集随钻参数得到的钻进比功与钻杆轴向振动信号相同的分帧处理,并通过方差、均方根值、波峰因素和峭度分析振动信号的时域特征指数;
4)将同一个时间单位内的钻进比功和钻杆轴向振动信号的方差、均方根值、波峰因素和峭度以及同一个时间单位内的钻杆轴向振动信号的对数能量E和滤波后的对数能量S(m)作为一个数组,将全部的数据构成训练人工神经网络的训练集;
5)构建人工神经网络模型,所述人工神经网络模型由输入层、隐藏层、输出层构成,采用步骤4)中所述的训练集内的数据训练人工神经网络模型,训练算法采用KFCM算法,得到用于识别钻遇岩层类别的人工神经网络模型;KFCM算法的聚类目标函数为:
式中,k为聚类别数;N为原始特征空间样本数量;xj为原始特征空间中第j个样本,j=1,2...,N;μij为第j个样本xj对第i类的隶属度μij∈[0,1];m为模糊度;vi为高维特征空间中第i类的聚类中心,i=1,2...,k;d(φ(xj),vi)为高维特征空间中第j个样本xj与第i类的聚类中心vi之间的距离;则KFCM算法的聚类中心vi
最小化目标函数可通过令其对隶属度矩阵U的偏导数为0进行求导,则隶属度μrs为:
式中,r=1,2,...,N;s=1,2,...,k;
通过式(3)和(4)可以不断循环优化计算出聚类中心vi和隶属度μrs,从而得到聚类结果;
6)采用模糊C均值聚类算法进行地层界面的分类识别。算法定义如下:假设X={x1,x2,...,xN}为待聚类的钻进过程中随钻参数钻进比功、采集到的钻杆特征参数数据集,FCM算法将每个对象xj(1≤j≤N)分配给C个地层类别,使用C×N的隶属矩阵U={uij}表示对象与类别之间的隶属关系,其中uij表示第j个对象属于第i个类的隶属程度。针对X的模糊划分空间定义为:
7)在钻探现场的钻机上安装传感器实时采集钻杆扭矩、给进压力、钻进速度、钻机转速等参数通过计算得到实时的钻进比功,并将采集的钻杆轴向振动信号数据做分帧处理,然后对每帧数据提取特征参数:方差、均方根值、波峰因素和峭度,以及提取每帧数据中轴向振动信号的对数能量E和滤波后的对数能量S(m),将数据实时输入训练好的人工神经网络模型,人工神经网络模型输出实时钻遇岩层的聚类分析结果。
本发明的有益效果:
本发明基于随钻参数特征的智能实时岩层反演识别方法,通过对不同种类的岩石进行钻进试验,并采集得到对应的随钻参数,特别是对采集得到的钻杆振动数据进行一系列处理后,得到了能反映岩石特性的振动信号特征,并用这些信号特征建成训练人工神经网络模型的数据集,通过训练成功的人工神经网络模型对现场实际钻探过程中实时采集的随钻参数进行处理,实现了对钻遇岩层的种类识别,能实时精确获取钻孔不同深度岩层情况,以对地层地质及岩土体分级,并且在钻进过程中工作人员可以根据随随钻岩层识别结果及时调整钻进参数及路径,有利于在钻进过程中指导钻进作业,是钻进作业能根据岩层种类及时调整钻进参数及路径,有利于保证钻孔质量、提高钻探效率、节省大量的人力物力,同时也是钻探工程的智能化发展的重要方向。
具体实施方式
下面结合实施例对本发明作进一步描述。
本实施例中基于随钻参数特征的智能实时岩层反演识别方法,其特征在于:包括以下步骤:
1)在钻进试验台上对不同种类的岩石样品开展模拟钻进试验,并在钻机上设置传感器采集随钻参数,所述随钻参数包括钻进过程中的钻杆扭矩、钻进压力、钻进速度、钻杆转速和钻杆轴向振动信号;
①采用钻进比功来反映钻进过程中岩石破碎的综合特征,公式表示为:
式中,Pf为钻进过程中单位时间内钻头破碎岩石所做的功,是孔深(或地层深度)h的函数;Db为钻头外直径;Di为钻头内直径,当为破坏钻进时,Di=0;V为穿孔速率。
2)对采集到的钻杆轴向振动信号进行处理:
①对采集的钻杆轴向振动信号采用阈值截取法进行处理,将振幅小于设定阈值的数据全部删除,将大于设定阈值的数据全部保留;
②对保留下来的钻杆轴向振动信号进行分帧处理,将每个单位采样时间段t视为一个观测单位,每个观测单位内包含N个时间采样点,一个观测单位内的N个时间采样点构成一帧数据x(n),其中0≤n<N;
③对每帧数据提取特征参数,所述特征参数包括:方差、均方根值、波峰因素和峭度,信号特征参数的表达式分别如下:
方差:
均方根值:
波峰因素:
峭度:
以上算式中N表示时间采样点的数量,xi表示一帧振动数据中第i个采样点的幅值,表示一帧振动数据的N个采样点的振动幅值平均值,|xi|max表示一帧振动数据的N个采样点中的最大振幅,xrms一帧振动数据的波形有效值;
提取得到的方差和均方根表示振动信号的平均能量,用于定量反映岩层界面的变化;提取得到的波峰因素表示硬岩和软岩的差异程度,峭度指数反映硬岩和软岩的变化率,波峰因素和峭度用于定性划分岩石性质;
④对每帧数据进行时域特征分析,得到用于区分岩层岩体结构特征的对数能量,其包括步骤:
a)对钻杆轴向振动信号进行分帧处理,N个时间采样点集合成一个观测单位x(n),0≤n<N,称为一帧;相邻两帧之间重叠W个样点,W值为
b)对每一帧数据进行快速傅里叶变换,计算频谱:
c)计算每一帧数据的对数能量:
d)将对数能量的振幅谱通过一组滤波器组,计算通过滤波器组后的对数能量,滤波器组采用三角滤波器,选定一组中心频率fm,m=1,2,...,M,三角滤波器频率响应为:
其中,/>
滤波后的对数能量
3)对通过采集随钻参数得到的钻进比功与钻杆轴向振动信号相同的分帧处理,并通过方差、均方根值、波峰因素和峭度分析振动信号的时域特征指数;
4)将同一个时间单位内的钻进比功和钻杆轴向振动信号的方差、均方根值、波峰因素和峭度以及同一个时间单位内的钻杆轴向振动信号的对数能量E和滤波后的对数能量S(m)作为一个数组,将全部的数据构成训练人工神经网络的训练集;
5)构建人工神经网络模型,所述人工神经网络模型由输入层、隐藏层、输出层构成,采用步骤4)中所述的训练集内的数据训练人工神经网络模型,训练算法采用KFCM算法,得到用于识别钻遇岩层类别的人工神经网络模型;KFCM算法的聚类目标函数为:
式中,k为聚类别数;N为原始特征空间样本数量;xj为原始特征空间中第j个样本,j=1,2...,N;μij为第j个样本xj对第i类的隶属度μij∈[0,1];m为模糊度;vi为高维特征空间中第i类的聚类中心,i=1,2...,k;d(φ(xj),vi)为高维特征空间中第j个样本xj与第i类的聚类中心vi之间的距离;则KFCM算法的聚类中心vi
最小化目标函数可通过令其对隶属度矩阵U的偏导数为0进行求导,则隶属度μrs为:
式中,r=1,2,...,N;s=1,2,...,k;
通过式(3)和(4)可以不断循环优化计算出聚类中心vi和隶属度μrs,从而得到聚类结果;
6)采用模糊C均值聚类算法进行地层界面的分类识别。算法定义如下:假设X={x1,x2,...,xN}为待聚类的钻进过程中随钻参数钻进比功、采集到的钻杆特征参数数据集,FCM算法将每个对象xj(1≤j≤N)分配给C个地层类别,使用C×N的隶属矩阵U={uij}表示对象与类别之间的隶属关系,其中uij表示第j个对象属于第i个类的隶属程度。针对X的模糊划分空间定义为:
7)在钻探现场的钻机上安装传感器实时采集钻杆扭矩、给进压力、钻进速度、钻机转速等参数通过计算得到实时的钻进比功,并将采集的钻杆轴向振动信号数据做分帧处理,然后对每帧数据提取特征参数:方差、均方根值、波峰因素和峭度,以及提取每帧数据中轴向振动信号的对数能量E和滤波后的对数能量S(m),将数据实时输入训练好的人工神经网络模型,人工神经网络模型输出实时钻遇岩层的聚类分析结果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于随钻参数特征的智能实时岩层反演识别方法,其特征在于:包括以下步骤:
1)在钻进试验台上对不同种类的岩石样品开展模拟钻进试验,并在钻机上安装传感器采集随钻参数,所述随钻参数包括钻进过程中的钻杆扭矩、钻进压力、钻进速度、钻杆转速和钻杆轴向振动信号;
①采用钻进比功来反映钻进过程中岩石破碎的综合特征,得到在钻进地层中,钻进比功随钻头位移的变化,公式表示为:
式中,Pf为钻进过程中单位时间内钻头破碎岩石所做的功;Db为钻头外直径;Di为钻头内直径,当为破坏钻进时,Di=0;V为穿孔速率;
2)对采集到的钻杆轴向振动信号进行处理:
①对采集的钻杆轴向振动信号采用阈值截取法进行处理,将振幅小于设定阈值的数据全部删除,将大于设定阈值的数据全部保留;
②对保留下来的钻杆轴向振动信号进行分帧处理,将每个单位采样时间段t视为一个观测单位,每个观测单位内包含N个时间采样点,一个观测单位内的N个时间采样点构成一帧数据x(n),其中0≤n<N;
③对每帧数据提取特征参数,所述特征参数包括:方差、均方根值、波峰因素和峭度,信号特征参数的表达式分别如下:
方差:
均方根值:
波峰因素:
峭度:
以上算式中N表示时间采样点的数量,xi表示一帧振动数据中第i个采样点的幅值,表示一帧振动数据的N个采样点的振动幅值平均值,|xi|max表示一帧振动数据的N个采样点中的最大振幅,xrms一帧振动数据的波形有效值;
提取得到的方差和均方根表示振动信号的平均能量,用于定量反映岩层界面的变化;提取得到的波峰因素表示硬岩和软岩的差异程度,峭度指数反映硬岩和软岩的变化率,波峰因素和峭度用于定性划分岩石性质;
④对每帧数据进行时域特征分析,得到用于区分岩层岩体结构特征的对数能量,其包括步骤:
a)对钻杆轴向振动信号进行分帧处理,N个时间采样点集合成一个观测单位x(n),0≤n<N,称为一帧;相邻两帧之间重叠W个样点,W值为
b)对每一帧数据进行快速傅里叶变换,计算频谱:
c)计算每一帧数据的对数能量:
d)将对数能量的振幅谱通过一组滤波器组,计算通过滤波器组后的对数能量,滤波器组采用三角滤波器,选定一组中心频率fm,m=1,2,...,M,三角滤波器频率响应为:
滤波后的对数能量
3)对通过采集随钻参数得到的钻进比功与钻杆轴向振动信号相同的分帧处理,并通过方差、均方根值、波峰因素和峭度分析振动信号的时域特征指数;
4)将同一个时间单位内的钻进比功和钻杆轴向振动信号的方差、均方根值、波峰因素和峭度以及同一个时间单位内的钻杆轴向振动信号的对数能量E和滤波后的对数能量S(m)作为一个数组,将全部的数据构成训练人工神经网络的训练集;
5)构建人工神经网络模型,所述人工神经网络模型由输入层、隐藏层、输出层构成,采用步骤4)中所述的训练集内的数据训练人工神经网络模型,训练算法采用KFCM算法,得到用于识别钻遇岩层类别的人工神经网络模型;KFCM算法的聚类目标函数为:
式中,k为聚类别数;N为原始特征空间样本数量;xj为原始特征空间中第j个样本,j=1,2…,N;μij为第j个样本xj对第i类的隶属度μij∈[0,1];m为模糊度;vi为高维特征空间中第i类的聚类中心,i=1,2...,k;d(φ(xj),vi)为高维特征空间中第j个样本xj与第i类的聚类中心vi之间的距离;则KFCM算法的聚类中心vi
最小化目标函数可通过令其对隶属度矩阵U的偏导数为0进行求导,则隶属度μrs为:
式中,r=1,2,...,N;s=1,2,...,k;
通过式(3)和(4)可以不断循环优化计算出聚类中心vi和隶属度μrs,从而得到聚类结果;
6)采用模糊C均值聚类算法进行地层界面的分类识别;算法定义如下:假设X={x1,x2,...,xN}为待聚类的钻进过程中随钻参数钻进比功、采集到的钻杆特征参数数据集,FCM算法将每个对象xj(1≤j≤N)分配给C个地层类别,使用C×N的隶属矩阵U={uij}表示对象与类别之间的隶属关系,其中uij表示第j个对象属于第i个类的隶属程度;针对X的模糊划分空间定义为:
7)在钻探现场的钻机上安装传感器实时采集钻杆扭矩、给进压力、钻进速度、钻机转速等参数通过计算得到实时的钻进比功,并将采集的钻杆轴向振动信号数据做分帧处理,然后对每帧数据提取特征参数:方差、均方根值、波峰因素和峭度,以及提取每帧数据中轴向振动信号的对数能量E和滤波后的对数能量S(m),将数据实时输入训练好的人工神经网络模型,人工神经网络模型输出实时钻遇岩层的聚类分析结果。
CN202310538323.5A 2023-05-12 2023-05-12 一种基于随钻参数特征的智能实时岩层反演识别方法 Pending CN116677367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310538323.5A CN116677367A (zh) 2023-05-12 2023-05-12 一种基于随钻参数特征的智能实时岩层反演识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310538323.5A CN116677367A (zh) 2023-05-12 2023-05-12 一种基于随钻参数特征的智能实时岩层反演识别方法

Publications (1)

Publication Number Publication Date
CN116677367A true CN116677367A (zh) 2023-09-01

Family

ID=87788148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310538323.5A Pending CN116677367A (zh) 2023-05-12 2023-05-12 一种基于随钻参数特征的智能实时岩层反演识别方法

Country Status (1)

Country Link
CN (1) CN116677367A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117780249A (zh) * 2023-12-27 2024-03-29 云启勘测设计有限公司 一种基于人工智能的勘察现场安全监测系统及方法
CN117927215A (zh) * 2023-12-20 2024-04-26 北京捷威思特科技有限公司 一种双传感器卡点指示器

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117927215A (zh) * 2023-12-20 2024-04-26 北京捷威思特科技有限公司 一种双传感器卡点指示器
CN117780249A (zh) * 2023-12-27 2024-03-29 云启勘测设计有限公司 一种基于人工智能的勘察现场安全监测系统及方法
CN117780249B (zh) * 2023-12-27 2024-07-05 云启勘测设计有限公司 一种基于人工智能的勘察现场安全监测系统及方法

Similar Documents

Publication Publication Date Title
CN116677367A (zh) 一种基于随钻参数特征的智能实时岩层反演识别方法
AU2011371570B2 (en) Apparatus and methods of analysis of pipe and annulus in a wellbore
CN105834834B (zh) 基于果蝇优化算法的铣刀磨损状态监测方法
CN104020509B (zh) 基于Bayes判别分析的砂质滩坝沉积微相测井识别方法
CN109085663A (zh) 一种致密砂岩储层层理缝识别方法
CN112100930B (zh) 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法
CN103675907A (zh) 一种基于岩相约束的avo反演油气检测方法
CN112835124B (zh) 基于成像测井和阵列声波测井资料的裂缝有效性评价方法
CN101221249A (zh) 地震资料品质分析技术
CN104153768A (zh) 一种评价花岗岩储层储集性能的方法
CN107678064A (zh) 一种声波时差实时提取方法
CN116291271A (zh) 一种基于随钻测试的岩土体参数反演方法及系统
CN113050168B (zh) 基于阵列声波测井和声波远探测测井资料的裂缝有效性评价方法
CN110988997A (zh) 一种基于机器学习的烃源岩三维空间展布定量预测技术
CN113216945B (zh) 一种致密砂岩储层渗透性定量评价方法
CN117590466A (zh) 一种微小断层检测方法及断层检测装置
CN116816340A (zh) 一种地层岩性及地质结构随钻智能识别方法及系统
CN117349693A (zh) 基于pso-dbn的车轴疲劳裂纹声发射信号识别方法
CN107679614B (zh) 一种基于粒子群优化的声波时差实时提取方法
CN112412390B (zh) 基于深度学习模型评价固井第二界面的方法及装置
CN116413831A (zh) 多井合成地震记录自动标定及构造解释和储层预测方法
CN108875109B (zh) 一种异常地层压力的预测方法及系统
CN113075748A (zh) 基于成像测井和声波远探测测井资料的裂缝有效性评价方法
CN118228117B (zh) 基于tbm掘进特征和振动特征参数的围岩等级感知方法
CN116047598B (zh) 一种基于人工智能的石油勘探方法及系统

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