CN116796237A - 一种基于改进图神经网络的油水井连通关系识别方法 - Google Patents
一种基于改进图神经网络的油水井连通关系识别方法 Download PDFInfo
- Publication number
- CN116796237A CN116796237A CN202310856602.6A CN202310856602A CN116796237A CN 116796237 A CN116796237 A CN 116796237A CN 202310856602 A CN202310856602 A CN 202310856602A CN 116796237 A CN116796237 A CN 116796237A
- Authority
- CN
- China
- Prior art keywords
- oil
- neural network
- water well
- graph
- node
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004891 communication Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000000547 structure data Methods 0.000 claims abstract description 8
- 239000003129 oil well Substances 0.000 claims description 29
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及的是一种基于改进图神经网络的油水井连通关系识别方法，它包括如下步骤：一、构建训练和测试改进图神经网络的油水井连通关系识别模型所需要的图结构数据；二、构建基于改进图神经网络的油水井连通关系识别模型；三、将划分好的训练集和测试集输入到基于改进图神经网络的油水井连通关系识别模型中，进行学习训练，找到使模型性能最佳的参数组合；四、利用学习好的基于改进图神经网络的油水井连通关系识别模型，对油水井的连通性强弱进行判断。本发明在基础图神经网络上融入了自注意力机制和门控循环单元，改善了基础图神经网络的缺点，提高模型的精度和效率，解决了以往油水井连通识别中存在耗时长、成本高等问题。
Description
技术领域：
本发明涉及水驱油田开发过程中识别油水井的井间连通性技术，具体涉及的是一种基于改进图神经网络的油水井连通关系识别方法。
背景技术：
在水驱油田开发过程中，准确识别油水井之间的连通关系，可以有助于优化油田生产策略，合理调整注水和采油操作，最大限度提高产油量和采收率。传统的油水井连通关系识别主要是依靠压力分析、流体示踪试剂、数值模拟和地震勘探等方法。这些方法不仅存在着耗时长、成本高等缺点，还受各种环境因素影响，准确率有限。随着机器学习的不断发展，在油水井连通关系识别的应用也在不断增加，例如使用支持向量机、随机森林等方法搭建识别预测模型；但是这些方法缺乏考虑井网结构和井距等静态特征信息对油田生产的影响。图神经网络对比其他机器学习网络，可以处理图数据，挖掘出数据中节点与节点之间的隐藏关系。将其应用在识别井间连通性上，可以充分挖掘出油井和水井之间的连通关系，为解决油田生产问题提供一种崭新、科学的方法。
发明内容：
本发明的目的是提供一种基于改进图神经网络的油水井连通关系识别方法，这种基于改进图神经网络的油水井连通关系识别方法用于解决现有方法识别油水井连通关系耗时长、成本高，不能充分挖掘出油水井之间的隐藏关系以及图神经网络处理噪声和时序数据能力偏弱等问题。
本发明解决其技术问题所采用的技术方案是：这种基于改进图神经网络的油水井连通关系识别方法包括如下步骤：
步骤一、构建训练和测试改进图神经网络的油水井连通关系识别模型所需要的图结构数据，将油田生产过程中的月数据转换为图结构数据，其中油井和水井分别视为图的节点，油井和水井存在有向边；将井距信息作为边的属性，将油井和水井的特征信息作为图节点的特征；图结构数据划分为训练集和测试集；
步骤二、构建基于改进图神经网络的油水井连通关系识别模型；
(1)为现有的图神经网络融入自注意力机制，通过自注意力机制学习输入数据每个特征的权重，关注重要的特征，减少噪声数据带来的影响；
(2)、在图神经网络中加入门控循环单元，使基于改进图神经网络的油水井连通关系识别模型在训练过程更好挖掘出节点之间的时序依赖关系；
(3)、在基于改进图神经网络的油水井连通关系识别模型的训练过程中，计算节点度中心性并将它与图神经网络的输出结果进行融合；节点度中心性表现出该节点在整个图神经网络中的重要程度；
步骤三、将步骤一中划分好的训练集和测试集输入到基于改进图神经网络的油水井连通关系识别模型中，进行学习训练，找到使模型性能最佳的参数组合；
步骤四、利用学习好的基于改进图神经网络的油水井连通关系识别模型，对油水井的连通性强弱进行判断。
上述方案中步骤一的具体方法为：
将油井和水井的生产数据，以及油水井的连通性转换为图数据；其中油井和水井则视为图数据中的节点，依据油水井连通性为油井和水井划分有向边。油井和水井特征就是图数据节点特征；节点特征包括：生产天数、泵径、泵深、排量、冲程、冲次、动液面、流压、套压、砂岩厚度、有效厚度、渗透率；油井和水井之间的边属性有井距。
上述方案中步骤二的具体方法为：
步骤1、融入自注意力机制，关注输入数据的重要特征：
a、设定自注意力机制的输入维度为21，输出维度21，注意力的头数设置为3，对于注意力头hi按以下公式计算：
其中Qi为注意力头hi的查询矩阵、Ki为注意力头hi的键矩阵；Vi为注意力头hi的值矩阵；代表是缩放因子；
b、在每层自注意力机制加上残差连接；
步骤2、加入门控循环单元，挖掘输入数据序列之间的长期依赖关系；
a、设定门控循环单元的层数为3，输入维度为21，输出维度为21；利用门控循环单元提取输入数据的时序性，计算过程如下所示：
zt＝σ(Wz[ht-1,xt]) (2)
rt＝σ(Wr[ht-1,xt]) (3)
其中zt是门控循环单元的更新门，rt是门控循环单元的重置门，ht-1是t-1时刻的隐藏状态，xt是t时刻的输入；是当前时间步的临时隐藏状态，ht是当前时间步的隐藏状态；
b、为每一层的门控循环单元加入残差连接，缓解模型梯度消失的问题；
c、将步骤1的输出输入到门控循环单元中，提取数据的时序性；
步骤3、使用图注意力网络提取节点的特征，并将输出结果与节点度中心性拼接，获取节点的最终表示；
a、设定图注意力网络的层数为3，注意力头数为8，输入维度21；第一层的隐藏层维数为12，第二层隐藏层维数为6，最后一层输出的维数为3。计算过程如下所示：
a1、图注意力网络层的输入是N个节点特征集合h，经过学习之后的输出h′；
a2、计算出j节点对i节点的影响程度αij，
其中hi、hj分别对应图数据中i、j节点的特征集合：
a3、更新节点i的特征表示：
a4、计算出图数据中每个节点的度中心性：
a5、将每个节点的度中心性与经过图神经网络学习提取后的节点特征进行拼接，获取节点的最终表示；
b、将最终结果输入到全连接层数中输出2个值，一个代表的是模型预测的产油量，另一个代表的是图神经网络的连接权值，即油井和水井的连通性值。
上述方案中步骤三的具体方法为：
a、按7:3比例划分步骤一的数据集，将划分的训练集和测试集进行归一化处理后，输入到模型中训练，采用最小最大归一化：
其中，x、xmin和xmax分别对应数据集中某个特征的值、最小值和最大值；
b、使用Adam优化器，使用均方误差作为损失函数，设置学习率为0.003，周期数为800进行训练。
有益效果：
1.本发明所提出的基于改进图神经网络的油水井连通关系识别模型，在现有油水井生产数据的基础上，考虑了井网拓扑结构和井距等特征信息对油田生产影响；将油水井生产数据抽象表现为图数据，采用图神经网络进行处理，提高了模型在识别连通性上的准确率。
2.鉴于基础图神经网络存在处理噪声和时序数据上偏弱问题，本发明在基础图神经网络上融入了自注意力机制和门控循环单元，改善了基础图神经网络的缺点，提高模型的精度和效率，为识别油水井连通性提供了保障。
3.本发明解决了以往油水井连通识别中存在耗时长、成本高等问题，为油水井连通识别提供了一个崭新、科学和简单的方法。
4、本发明涉及的基于改进图神经网络的油水井连通关系识别模型是一种端到端模型，在连通性强弱识别和油田开发指标的预测上有着较高的准确率。
附图说明：
图1是本发明基于改进图神经网络的油水井连通关系识别模型框架图。。
具体实施方式：
下面结合附图对本发明做进一步说明：
这种基于改进图神经网络的油水井连通关系识别方法：首先构建模型需要的图结构数据集；其次搭建基于改进图神经网络的油水井连通关系识别模型；最后，将产生的图数据输入到基于改进图神经网络的油水井连通关系识别模型中进行训练，利用训练好的模型识别油水井连通关系。具体如下：
步骤一、构建模型训练所需要的图数据集。
将油井和水井的生产数据，以及油水井的连通性转换为图数据；其中油井和水井则视为图数据中的节点，依据油水井连通性为油井和水井划分有向边。油井和水井特征就是图数据节点特征。节点特征包括：生产天数、泵径、泵深、排量、冲程、冲次、动液面、流压、套压、砂岩厚度、有效厚度、渗透率。油井和水井之间的边属性有井距等。
步骤二、搭建基于改进图神经网络的油水井连通关系识别模型：
(1)、针对基础图神经网络处理噪声数据偏弱问题，为现有的图神经网络融入自注意力机制，改善模型的鲁棒性。通过自注意力机制学习输入数据每个特征的权重，使模型关注重要的特征，减少噪声数据带来的影响；
(2)、为提高图神经网络处理时序数据的能力，在图神经网络中加入了门控循环单元(Gated Recurrent Unit,GRU)，使模型能够在训练过程更好挖掘出节点之间的时序依赖关系；
(3)、为增强模型的表现能力，在模型的训练过程中，计算节点度中心性并将它与图神经网络的输出结果进行融合。节点的度中心性表现出该节点在整个网络中的重要程度，融入节点度中心性有助于提高模型的性能。
具体如下：
步骤1、使用自注意力机制，关注输入数据的重要特征，避免噪声带来的影响，改善模型的鲁棒性：
a、采用2层自注意力学习数据各个特征重要性，设定自注意力机制的输入维度为21，输出维度21，注意力的头数设置为3，对于注意力头hi按以下公式计算：
其中Qi、Ki和Vi分别是注意力头hi的查询矩阵、键矩阵和值矩阵。代表是缩放因子，有助于在高纬度情况下，注意力的权重更加稳定；
b、为自注意力机制加上残差连接，加速模型训练收敛。
步骤2、使用门控循环单元，挖掘输入数据序列之间的长期依赖关系，提高图神经网络提取时序性能力；
a、设定门控循环单元的层数为3，输入维度为21，输出维度为21。利用门控循环单元提取输入数据的时序性，主要计算过程如下所示：
zt＝σ(Wz[ht-1,xt]) (2)
rt＝σ(Wr[ht-1,xt]) (3)
其中zt、rt是分别是门控循环单元的更新门和重置门，ht-1是t-1时刻的隐藏状态，xt是t时刻的输入；是当前时间步的临时隐藏状态，ht则是当前时间步的隐藏状态；
b、为每一层的门控循环单元加入残差连接，缓解模型梯度消失的问题；
c、将自注意力机制的输出输入到门控循环单元层中，将步骤1的输出输入到门控循环单元中，提取数据的时序性。
步骤3、使用图注意力网络提取节点的特征，并将输出结果与节点度中心性拼接，从而获取节点的最终表示；即将图注意力网络提取的结果与节点的度中心结合，获取节点的最终表示；设定图注意力网络的层数为3，注意力头数为8，输入维度21；第一层的隐藏层维数为12，第二层隐藏层维数为6，最后一层输出的维数为3；将门控循环单元的输出输入到图注意力网络层中，提取图数据的节点特征；计算图数据中每个节点的度中心性，并将结果与b中图注意力网络的输出进行拼接；将c中的结果输入到一层全连接中，设定全连接的输出维度2；根据d中的输出获取图神经网络的链接权值，以此判断油水井的连通性。
更具体的如下：
a、设定图注意力网络的层数为3，注意力头数为8，输入维度21；第一层的隐藏层维数为12，第二层隐藏层维数为6，最后一层输出的维数为3。计算过程如下所示：
a1、图注意力网络层的输入是N个节点特征集合h，经过学习之后的输出h′；
a2、计算出j节点对i节点的影响程度αij，具体如下，其中hi、hj分别对应图数据中i、j节点的特征集合：
a 3、更新节点i的特征表示：
a 4、计算出图数据中每个节点的度中心性：
a5、将每个节点的度中心性与经过图神经网络学习提取后的节点特征进行拼接，获取节点的最终表示。
b、将最终结果输入到全连接层数中输出2个值，一个代表的是模型预测的产油量，另一个代表的是图神经网络的连接权值，即油井和水井的连通性值。
步骤三、将步骤一的数据进行处理后，输入到步骤二中学习训练，得到基于改进图神经网络油水井的连通关系识别模型的最佳参数组合；
a、按7:3比例划分步骤一的数据集，将划分的训练集和测试集进行归一化处理，这里采用最小最大归一化，计算过程如下所示：
其中，x、xmin和xmax分别对应数据集中某个特征的值、最小值和最大值，数据集归一化后，有助于模型挖掘出特征之间的隐藏关系。
b、模型整体使用Adam优化器，使用均方误差作为损失函数，设置初始学习率为0.003，周期数为800进行训练。
综上所述，本发明提出的方法依据实际油田的井网拓扑结构和生产数据搭建油水井连通关系识别模型。由于本发明充分考虑了井网拓扑结构和井距等静态特征信息对油井生产影响，所以本发明提供的方法在识别油水井连通性上有着较高的准确性。
Claims (4)
1.一种基于改进图神经网络的油水井连通关系识别方法，其特征在于包括如下步骤：
步骤一、构建训练和测试改进图神经网络的油水井连通关系识别模型所需要的图结构数据，将油田生产过程中的月数据转换为图结构数据，其中油井和水井分别视为图的节点，油井和水井存在有向边；将井距信息作为边的属性，将油井和水井的特征信息作为图节点的特征；图结构数据划分为训练集和测试集；
步骤二、构建基于改进图神经网络的油水井连通关系识别模型；
(1)为现有的图神经网络融入自注意力机制，通过自注意力机制学习输入数据每个特征的权重，关注重要的特征，减少噪声数据带来的影响；
(2)、在图神经网络中加入门控循环单元，使基于改进图神经网络的油水井连通关系识别模型在训练过程更好挖掘出节点之间的时序依赖关系；
(3)、在基于改进图神经网络的油水井连通关系识别模型的训练过程中，计算节点度中心性并将它与图神经网络的输出结果进行融合；节点度中心性表现出该节点在整个图神经网络中的重要程度；
步骤三、将步骤一中划分好的训练集和测试集输入到基于改进图神经网络的油水井连通关系识别模型中，进行学习训练，找到使模型性能最佳的参数组合；
步骤四、利用学习好的基于改进图神经网络的油水井连通关系识别模型，对油水井的连通性强弱进行判断。
2.根据权利要求1所述的基于改进图神经网络的油水井连通关系识别方法，其特征在于：所述步骤一的具体方法为：
将油井和水井的生产数据，以及油水井的连通性转换为图数据；其中油井和水井则视为图数据中的节点，依据油水井连通性为油井和水井划分有向边。油井和水井特征就是图数据节点特征；节点特征包括：生产天数、泵径、泵深、排量、冲程、冲次、动液面、流压、套压、砂岩厚度、有效厚度、渗透率；油井和水井之间的边属性有井距。
3.根据权利要求2所述的基于改进图神经网络的油水井连通关系识别方法，其特征在于：所述步骤二的具体方法为：
步骤1、融入自注意力机制，关注输入数据的重要特征：
a、设定自注意力机制的输入维度为21，输出维度21，注意力的头数设置为3，对于注意力头hi按以下公式计算：
其中Qi为注意力头hi的查询矩阵、Ki为注意力头hi的键矩阵；Vi为注意力头hi的值矩阵；代表是缩放因子；
b、在每层自注意力机制加上残差连接；
步骤2、加入门控循环单元，挖掘输入数据序列之间的长期依赖关系；
a、设定门控循环单元的层数为3，输入维度为21，输出维度为21；利用门控循环单元提取输入数据的时序性，计算过程如下所示：
zt＝σ(Wz[ht-1,xt]) (2)
rt＝σ(Wr[ht-1,xt]) (3)
其中zt是门控循环单元的更新门，rt是门控循环单元的重置门，ht-1是t-1时刻的隐藏状态，xt是t时刻的输入；是当前时间步的临时隐藏状态，ht是当前时间步的隐藏状态；
b、为每一层的门控循环单元加入残差连接，缓解模型梯度消失的问题；
c、将步骤1的输出输入到门控循环单元中，提取数据的时序性；
步骤3、使用图注意力网络提取节点的特征，并将输出结果与节点度中心性拼接，获取节点的最终表示；
a、设定图注意力网络的层数为3，注意力头数为8，输入维度21；第一层的隐藏层维数为12，第二层隐藏层维数为6，最后一层输出的维数为3。计算过程如下所示：
a1、图注意力网络层的输入是N个节点特征集合h，经过学习之后的输出h′；
a2、计算出j节点对i节点的影响程度αij，
其中hi、hj分别对应图数据中i、j节点的特征集合：
a3、更新节点i的特征表示：
a4、计算出图数据中每个节点的度中心性：
a5、将每个节点的度中心性与经过图神经网络学习提取后的节点特征进行拼接，获取节点的最终表示；
b、将最终结果输入到全连接层数中输出2个值，一个代表的是模型预测的产油量，另一个代表的是图神经网络的连接权值，即油井和水井的连通性值。
4.根据权利要求3所述的基于改进图神经网络的油水井连通关系识别方法，其特征在于：所述步骤三的具体方法为：
a、按7:3比例划分步骤一的数据集，将划分的训练集和测试集进行归一化处理后，输入到模型中训练，采用最小最大归一化：
其中，x、xmin和xmax分别对应数据集中某个特征的值、最小值和最大值；
b、使用Adam优化器，使用均方误差作为损失函数，设置学习率为0.003，周期数为800进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856602.6A CN116796237A (zh) | 2023-07-12 | 2023-07-12 | 一种基于改进图神经网络的油水井连通关系识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310856602.6A CN116796237A (zh) | 2023-07-12 | 2023-07-12 | 一种基于改进图神经网络的油水井连通关系识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796237A true CN116796237A (zh) | 2023-09-22 |
Family
ID=88039509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310856602.6A Withdrawn CN116796237A (zh) | 2023-07-12 | 2023-07-12 | 一种基于改进图神经网络的油水井连通关系识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796237A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556224A (zh) * | 2024-01-12 | 2024-02-13 | 国网四川省电力公司电力科学研究院 | 一种电网设施抗震风险评估系统、方法及存储介质 |
-
2023
- 2023-07-12 CN CN202310856602.6A patent/CN116796237A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556224A (zh) * | 2024-01-12 | 2024-02-13 | 国网四川省电力公司电力科学研究院 | 一种电网设施抗震风险评估系统、方法及存储介质 |
| CN117556224B (zh) * | 2024-01-12 | 2024-03-22 | 国网四川省电力公司电力科学研究院 | 一种电网设施抗震风险评估系统、方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guyaguler et al. | Optimization of well placement in a Gulf of Mexico waterflooding project | |
| CN107193055B (zh) | 一种复杂地质钻进过程双层智能钻速建模系统 | |
| CN109271898A (zh) | 基于优化卷积神经网络的溶洞体识别算法 | |
| CN116796237A (zh) | 一种基于改进图神经网络的油水井连通关系识别方法 | |
| CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
| CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
| CN113409463B (zh) | 一种包括尖灭处理的三维地质模型构建方法及装置 | |
| US20180306030A1 (en) | Method for improving reservoir performance by using data science | |
| CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
| CN116641688A (zh) | Co2提高气藏采收率及其封存的方法、系统、设备及存储介质 | |
| CN111027249B (zh) | 一种基于机器学习的井间连通性评价方法 | |
| CN118036477B (zh) | 一种基于时空图神经网络的井位及井控参数优化方法 | |
| Guoqiang et al. | Construction of well logging knowledge graph and intelligent identification method of hydrocarbon-bearing formation | |
| Tang et al. | Use of low-fidelity models with machine-learning error correction for well placement optimization | |
| CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
| CN112800590B (zh) | 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 | |
| CN110566196B (zh) | 一种储层连通性分析方法 | |
| CN116911216A (zh) | 一种储层油井产能因素评估与预测方法 | |
| WO2023146833A1 (en) | Detection and correction of false positive classifications from a product sand detection tool | |
| CN115618750A (zh) | 一种基于耦合神经网络的地下油水渗流代理模型 | |
| CN112907698A (zh) | 一种动态融合时序与非时序特征的测井曲线生成方法 | |
| CN116307670A (zh) | 一种基于双向长短期记忆网络的油气井溢漏风险监测方法及系统 | |
| CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 | |
| CN113761613A (zh) | 一种钻井液设计方法及系统 | |
| Schiozer et al. | Integration of history matching and uncertainty analysis |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230922 |