CN116843034A - 基于井数据预处理的机器学习样本制作方法 - Google Patents
基于井数据预处理的机器学习样本制作方法 Download PDFInfo
- Publication number
- CN116843034A CN116843034A CN202210287258.9A CN202210287258A CN116843034A CN 116843034 A CN116843034 A CN 116843034A CN 202210287258 A CN202210287258 A CN 202210287258A CN 116843034 A CN116843034 A CN 116843034A
- Authority
- CN
- China
- Prior art keywords
- curve
- logging
- machine learning
- well
- learning sample
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 57
- 238000007781 pre-processing Methods 0.000 title claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000009499 grossing Methods 0.000 claims abstract description 20
- 238000005464 sample preparation method Methods 0.000 claims abstract description 11
- 238000005553 drilling Methods 0.000 claims abstract description 9
- 239000011435 rock Substances 0.000 claims abstract description 7
- 238000011282 treatment Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于井数据预处理的机器学习样本制作方法,包括:步骤1、根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理;步骤2、利用原始的井曲线减去滤波平滑后的基线曲线,获得幅值差△t;步骤3、基于钻井取芯和测井解释结果,对△t设置调整阈值,从而获得基线调整后的测井曲线;步骤4、基于岩石物理特征,对调整后的曲线依然存在不合理的点,进行处理,获得最终修正的测井曲线,并应用于机器学习样本。该基于井数据预处理的机器学习样本制作方法可以用于测井解释、数据处理或者机器学习的样本曲线,该方法可以满足机器学习样本需求。
Description
技术领域
本发明涉及油田开发技术领域,特别是涉及到一种基于井数据预处理的机器学习样本制作方法。
背景技术
随着油气田勘探技术的发展,测井数据越来越得到广泛的应用,无论是地震、地质层位标定,地层对比,岩性解释,油藏描述,还是约束反演等特殊处理都要充分利用现有的测井数据,以保证结果更接近于实际地质情况,这就对测井数据的正确性要求越来越高。测井资料的准确性往往决定着整个工作的成败,而其正确性需要在工作前期通过精细处理和解释来保证,为此需要研制相关的软件对测井散点数据进行处理。针对测井曲线校正的方法前人已开展了大量的研究,为测井曲线校正方法的发展和完善提供了有益的思维启发和奠定了坚实的基础。针对现有曲线制作中存在的问题结合机器学习对井数据预处理的特殊要求等相关问题,研制一个基于井曲线预处理的计算方法和流程。
由于不可避免地受到各种测量环境的影响,造成测井系统误差。特别是基线偏移造成测井曲线的异常,不能进行周期性解释与油气识别,因此在进行区域储层参数研究或机器学习样本制作时,为了克服样本中对敏感数据差异性不明显或者剔除部分与钻心成果不满足的错误值需要对井数据进行预处理和重构。
在申请号:CN201910078669.5的中国专利申请中,涉及到一种基于测井数据的多井复杂岩性智能识别方法及系统,该方法首先确定目标测井数据文件并进行格式转换以及归一化预处理,然后根据全区关键取芯井在取芯井段的已知岩性对测井曲线数据进行特征筛选和/或特征组合扩展获得对岩性敏感的测井曲线数据,再给对岩性响应敏感的测井曲线数据进行打标签标定组成样本数据库同时将全区未打标签的测井曲线数据组成待测数据库,进而利用样本数据库的数据并结合若干机器学习算法进行机器学习训练后自动建立若干岩性识别模型,通过分类性能评价法则选出最优的模型,并利用最优的模型对待测数据库中的数据进行岩性预测以实现全区多井复杂岩性智能识别,高效方便、全区适用且自动智能预测结果非常精准。
在申请号:CN202110747549.7的中国专利申请中,涉及到一种复杂储层岩性识别方法、装置、设备及存储介质,该方法包括:建立适用于实际工区的岩石物理模型;通过岩石物理模型生成岩性标签和多元属性参数;根据生成的岩性标签和多元属性参数,利用随机森林算法和交会分析方法筛选出对岩性敏感的敏感性特征;将筛选出的敏感性特征和岩性标签作为训练样本,利用随机森林算法训练生成岩性识别器;运用岩性识别器进行岩性识别。这样通过岩石物理模型将多元属性纳入到岩性识别的问题中,利用岩石物理模型制作的岩性标签和随机森林算法,训练生成岩性识别器,既能提高实际生产中岩性识别的准确率,也能增强机器学习算法的泛化性。
在申请号:CN202111172616.3的中国专利申请中,涉及到基于测井大数据的地层评价方法及系统,所述方法基于物理模拟和机器学习实现,属于测井技术领域。所述方法包括:获取测井数据,并根据所述测井数据进行机器学习模型训练,获得机器学习模型;采集测井测量值,并根据预设规则进行所述测量值预处理,获得训练样本数据;基于所述机器学习模型进行所述训练样本数据训练,输出计算结果;根据所述计算结果进行对应地层评价。利用了完整的测井数据进行机器学习模型构建,并基于该机器学习模型进行测井数据解释,使得机器学习模型的关联参数更为全面,模型训练结果更加贴合实际情况。
以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,为此我们发明了一种新的基于井数据预处理的机器学习样本制作方法。
发明内容
本发明的目的是提供一种不仅能有效的处理测井曲线的目标段特征不突出的问题,同时也能有效的作为机器学习的样本制作算法体系的基于井数据预处理的机器学习样本制作方法。
本发明的目的可通过如下技术措施来实现:基于井数据预处理的机器学习样本制作方法,该基于井数据预处理的机器学习样本制作方法包括:
步骤1、根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理;
步骤2、利用原始的井曲线减去滤波平滑后的基线曲线,获得幅值差△t;
步骤3、基于钻井取芯和测井解释结果,对△t设置调整阈值,从而获得基线调整后的测井曲线;
步骤4、基于岩石物理特征,对调整后的曲线依然存在不合理的点,进行处理,获得最终修正的测井曲线,并应用于机器学习样本。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理,滤波的强度与所需的基线平整度相关。
步骤1包括:
S 11、选择对岩性特征敏感的测井曲线,输入原始测井曲线;
S 12、判断测井曲线基线异常特征;
S 13、采用多点平滑算法进行校正,采用连续跳点算法判定平滑强度,即每次根据滤波强度选择跳过多少个点,并不断平滑处理,获得曲线基线。
在步骤2中,在基线建立完成后,把原始测井曲线对基线求差处理,获得每一测点的△t值。
在步骤3中,基于钻井取芯和测井解释结果,对△t设置调整阈值,将低于或者高于阈值的△t进行增益或规范化处理,从而获得基线调整后的测井曲线。
步骤3包括:
S31、采用上述的测井曲线计算完成后,生成一条获得一条基线修正后的测井曲线;
S32、基于钻井取芯和测井解释结果,对△t设置调整阈值,将低于或者高于阈值的△t进行增益或规范化处理,从而获得基线调整后的测井曲线。
步骤S32包括:
S321、对由于机器学习的样本需求不同,采用不同的调整算法;
S322、根据机器学习样本需求,将测井曲线进行二值化处理。
在步骤S321,当要突出砂岩的测井曲线特性时,将GR曲线的泥岩和砂岩分界线制定出,将大于分界线值的曲线即代表泥岩赋值为固定值,小于分界线的值进行增益或锐化。
在步骤S322,将曲线采用阈值调整的方式,低于某阈值的值设置为0代表砂岩,高于阈值的值设置为1代表泥岩,并进行规范化处理,从而获得基线调整后的测井曲线。
步骤4包括:
S41、对基线调整后曲线仍然存在一定与地质资料不匹配的点,选择任意点手动拖动进行平滑,获得工作区域内的适应地质解释的点;
S42、在部分井段整体曲线计算错误的点,基于岩石物理特征,采用整体幅值调整的方法,以适应实际地质资料;
S43、校正后的曲线应用于储层反演,保证了工区内平面上曲线变化的可信度,反演的测井曲线变化趋势稳定,没有突变点;修正后的曲线作为更好的机器学习样本或者地震资料解释的修正曲线。
本发明中的基于井数据预处理的机器学习样本制作方法,首先滤波平滑处理,获得曲线的基线,通过原始曲线与基线做差,获得每点的幅值差△t。在保证原始数据质量的基础上,剔除部分异常点,同时设置阀值,对△t进行增益调整或规范化处理,获得基线一致的测井曲线,从而达到准确的机器学习样本。测井数据标准化处理的实质是利用同一油田或地区的同一层段一般具有相似的地质-地球物理特性,规定了测井数据具有自身的相似分布规律。因此,一旦建立各类测井数据的油田标准分布模式,就可以对油田各井的测井数据进行整体的综合分析,校正刻度的不精确性,达到全油田范围内测井数据的标准化。目前该计算方法不仅能有效的处理测井曲线的目标段特征不突出的问题,同时也能有效的作为机器学习的样本制作算法体系。
附图说明
图1为本发明的基于井数据预处理的机器学习样本制作方法的一具体实施例的流程图;
图2本发明的一具体实施例中导入的SP测井曲线图;
图3为本发明的一具体实施例中基线调整算法选择图;
图4为本发明的一具体实施例中基线阀值输入图;
图5为本发明的一具体实施例中曲线修正前后对比图;
图6为本发明的一具体实施例中采用基线偏移归位算法为机器学习提供砂岩样本曲线;
图7本发明的一具体实施例中导入的GR测井曲线图;
图8为本发明的一具体实施例中生成的基线图;
图9为本发明的一具体实施例中曲线修正前后对比图;
图10为本发明的一具体实施例中采用基线偏移归位算法为机器学习提供砂岩样本曲线图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
由于地层、井径及井孔扩大、泥浆渗入地层和对泥岩的蚀变,从而使得部分井的井段或全井的声波曲线有不同程度的失真。另外,人为读数的误差也会影响到声波测井曲线的读数。减小或消除这些因素同时放大有利信号,已经成为地震资料解释和储层反演中的一个很重要的问题,这就要求对井数据有一套依据反演要求而改变的井资料处理技术体系。
以下为应用本发明的几个具体实施例
实施例1
在应用本发明的一具体实施例1中,如图1所示,图1为本发明的基于井数据预处理的机器学习样本制作方法的流程图。该基于井数据预处理的机器学习样本制作方法包括:
步骤1、根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理,获得平滑基线;
步骤2、利用原始的井曲线减去滤波平滑后的基线曲线,获得幅值差△t;
步骤3、基于钻井取芯和测井解释结果,对△t设置调整阈值,将低于或者高于阈值的△t进行增益或规范化处理,从而获得基线调整后的测井曲线;
步骤4、基于岩石物理特征,对调整后的曲线依然存在不合理的点,进行选择性平滑将异常值去除,获得最终修正的测井曲线,并应用于机器学习样本。该基于井数据预处理的机器学习样本制作方法可以用于测井解释、数据处理或者机器学习的样本曲线,该方法可以满足机器学习样本需求。
实施例2
在应用本发明的一具体实施例2中,该基于井数据预处理的机器学习样本制作方法包括了以下步骤:
步骤1包括:
S 11、如图2,选择对岩性特征敏感的SP测井曲线,输入原始SP测井曲线;
S 12、判断SP测井曲线基线异常特征;
S 13、采用多种平滑算法进行校正,见图3,采用连续跳点算法判定平滑强度,即每次可以根据滤波强度选择跳过多少个点,并不断平滑处理。获得曲线基线。
步骤2包括:
S21、在基线建立完成后,把原始测井曲线对基线求差处理,获得每一测点的△t值;
步骤3包括:
S31、采用上述的测井曲线计算完成后,可以生成一条获得一条基线修正后的测井曲线;
S32、见图4,基于钻井取芯和测井解释结果,对△t设置调整阈值,将低于或者高于阈值的△t进行增益或规范化处理,从而获得基线调整后的测井曲线,见图5;
S321、对由于机器学习的样本需求不同,可以采用不同的调整算法,例如要突出砂岩的测井曲线特性,可以将GR曲线的泥岩和砂岩分界线制定出,将大于分界线值的曲线(即代表泥岩)赋值为固定值,小于分界线的值进行增益或锐化;
S322、可以根据机器学习样本需求,将测井曲线进行二值化处理,即将曲线采用阈值调整的方式,低于某阈值的值设置为0代表砂岩,高于阈值的值设置为1代表泥岩,并进行规范化处理,从而获得基线调整后的测井曲线,见图6;
步骤4包括:
S41、对基线调整后曲线仍然存在一定与地质资料不匹配的点,选择任意点手动拖动进行平滑,可以获得工作区域内的适应地质解释的点;
S42、在部分井段整体曲线计算错误的点,基于岩石物理特征,可以采用整体幅值调整的方法,以适应实际地质资料,见图6;
S43、校正后的曲线应用于储层反演,保证了工区内平面上曲线变化的可信度,反演的测井曲线变化趋势稳定,没有突变点;同时修正后的曲线可以作为更好的机器学习样本或者地震资料解释的修正曲线,见图6。
实施例3
在应用本发明的一具体实施例3中,该基于井数据预处理的机器学习样本制作方法包括了以下步骤:
步骤1包括:
S 11、如图7,选择对岩性特征敏感的GR测井曲线,输入原始GR测井曲线;
S 12、判断GR测井曲线基线异常特征;
S 13、采用多种平滑算法进行校正,采用连续跳点算法判定平滑强度,即每次可以根据滤波强度选择跳过多少个点,并不断平滑处理。获得曲线基线,见图8。
步骤2包括:
S21、在基线建立完成后,把原始测井曲线对基线求差处理,获得每一测点的△t值;
步骤3包括:
S31、采用上述的测井曲线计算完成后,可以生成一条获得一条基线修正后的测井曲线;
S32、见图3,基于钻井取芯和测井解释结果,对△t设置调整阈值,将低于或者高于阈值的△t进行增益或规范化处理,从而获得基线调整后的测井曲线,见图9;
S321、对由于机器学习的样本需求不同,可以采用不同的调整算法,例如要突出砂岩的测井曲线特性,可以将GR曲线的泥岩和砂岩分界线制定出,将大于分界线值的曲线(即代表泥岩)赋值为固定值,小于分界线的值进行增益或锐化;
S322、可以根据机器学习样本需求,将测井曲线进行二值化处理,即将曲线采用阈值调整的方式,低于某阈值的值设置为0代表砂岩,高于阈值的值设置为1代表泥岩,并进行规范化处理,从而获得基线调整后的测井曲线;
步骤4包括:
S41、对基线调整后曲线仍然存在一定与地质资料不匹配的点,选择任意点手动拖动进行平滑,可以获得工作区域内的适应地质解释的点;
S42、在部分井段整体曲线计算错误的点,基于岩石物理特征,可以采用整体幅值调整的方法,以适应实际地质资料;
S43、校正后的曲线应用于储层反演,保证了工区内平面上曲线变化的可信度,反演的测井曲线变化趋势稳定,没有突变点;同时修正后的曲线可以作为更好的机器学习样本或者地震资料解释的修正曲线,见图10。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (10)
1.基于井数据预处理的机器学习样本制作方法,其特征在于,该基于井数据预处理的机器学习样本制作方法包括:
步骤1、根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理;
步骤2、利用原始的井曲线减去滤波平滑后的基线曲线,获得幅值差△t;
步骤3、基于钻井取芯和测井解释结果,对△t设置调整阈值,从而获得基线调整后的测井曲线;
步骤4、基于岩石物理特征,对调整后的曲线依然存在不合理的点,进行处理,获得最终修正的测井曲线,并应用于机器学习样本。
2.根据权利要求1所述的基于井数据预处理的机器学习样本制作方法,其特征在于,在步骤1中,根据所选择的井数据进行曲线轮廓扫描和不同强度的平滑处理处理,滤波的强度与所需的基线平整度相关。
3.根据权利要求2所述的基于井数据预处理的机器学习样本制作方法,其特征在于,步骤1包括:
S11、选择对岩性特征敏感的测井曲线,输入原始测井曲线;
S12、判断测井曲线基线异常特征;
S13、采用多点平滑算法进行校正,采用连续跳点算法判定平滑强度,即每次根据滤波强度选择跳过多少个点,并不断平滑处理,获得曲线基线。
4.根据权利要求1所述的基于井数据预处理的机器学习样本制作方法,其特征在于,在步骤2中,在基线建立完成后,把原始测井曲线对基线求差处理,获得每一测点的△t值。
5.根据权利要求1所述的基于井数据预处理的机器学习样本制作方法,其特征在于,在步骤3中,基于钻井取芯和测井解释结果,对△t设置调整阈值,将低于或者高于阈值的△t进行增益或规范化处理,从而获得基线调整后的测井曲线。
6.根据权利要求5所述的基于井数据预处理的机器学习样本制作方法,其特征在于,步骤3包括:
S31、采用上述的测井曲线计算完成后,生成一条获得一条基线修正后的测井曲线;
S32、基于钻井取芯和测井解释结果,对△t设置调整阈值,将低于或者高于阈值的△t进行增益或规范化处理,从而获得基线调整后的测井曲线。
7.根据权利要求6所述的基于井数据预处理的机器学习样本制作方法,其特征在于,步骤S32包括:
S321、对由于机器学习的样本需求不同,采用不同的调整算法;
S322、根据机器学习样本需求,将测井曲线进行二值化处理。
8.根据权利要求7所述的基于井数据预处理的机器学习样本制作方法,其特征在于,在步骤S321,当要突出砂岩的测井曲线特性时,将GR曲线的泥岩和砂岩分界线制定出,将大于分界线值的曲线即代表泥岩赋值为固定值,小于分界线的值进行增益或锐化。
9.根据权利要求7所述的基于井数据预处理的机器学习样本制作方法,其特征在于,在步骤S322,将曲线采用阈值调整的方式,低于某阈值的值设置为0代表砂岩,高于阈值的值设置为1代表泥岩,并进行规范化处理,从而获得基线调整后的测井曲线。
10.根据权利要求1所述的基于井数据预处理的机器学习样本制作方法,其特征在于,步骤4包括:
S41、对基线调整后曲线仍然存在一定与地质资料不匹配的点,选择任意点手动拖动进行平滑,获得工作区域内的适应地质解释的点;
S42、在部分井段整体曲线计算错误的点,基于岩石物理特征,采用整体幅值调整的方法,以适应实际地质资料;
S43、校正后的曲线应用于储层反演,保证了工区内平面上曲线变化的可信度,反演的测井曲线变化趋势稳定,没有突变点;修正后的曲线作为更好的机器学习样本或者地震资料解释的修正曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210287258.9A CN116843034A (zh) | 2022-03-23 | 2022-03-23 | 基于井数据预处理的机器学习样本制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210287258.9A CN116843034A (zh) | 2022-03-23 | 2022-03-23 | 基于井数据预处理的机器学习样本制作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843034A true CN116843034A (zh) | 2023-10-03 |
Family
ID=88160361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210287258.9A Pending CN116843034A (zh) | 2022-03-23 | 2022-03-23 | 基于井数据预处理的机器学习样本制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843034A (zh) |
-
2022
- 2022-03-23 CN CN202210287258.9A patent/CN116843034A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9262713B2 (en) | Wellbore completion and hydraulic fracturing optimization methods and associated systems | |
US7983885B2 (en) | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity | |
US10669846B2 (en) | Apparatus, computer readable medium, and program code for evaluating rock properties while drilling using downhole acoustic sensors and a downhole broadband transmitting system | |
US9097821B2 (en) | Integrated workflow or method for petrophysical rock typing in carbonates | |
CN111425193B (zh) | 一种基于聚类分析测井岩石物理相划分的储层可压性评价方法 | |
CN112526107B (zh) | 裂缝型致密砂岩储层甜点识别与定量表征的方法 | |
CN108661630B (zh) | 一种基于参数优选的地质甜点定量评价方法 | |
CN110344824B (zh) | 一种基于随机森林回归的声波曲线生成方法 | |
CN116641702B (zh) | 一种页岩气藏甜点区识别方法 | |
CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
CN113379256A (zh) | 一种Kmeans-随机森林的储层评价预测方法 | |
WO2014039036A1 (en) | Wellbore completion and hydraulic fracturing optimization methods and associated systems | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
CN111046328A (zh) | 基于测井曲线小波Mallet算法的岩石类型识别方法 | |
CN104632206B (zh) | 一种石油测井标准层确定方法及装置 | |
CN110118994B (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN116843034A (zh) | 基于井数据预处理的机器学习样本制作方法 | |
CN111626377A (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN115905917A (zh) | 综合静动态数据构建海域低渗气层分类曲线的方法 | |
CN111488666A (zh) | 一种气藏水平井产能预测模型建立、预测方法及装置 | |
CN116542345A (zh) | 用于测井岩性预测的机器学习模型训练方法 | |
CN116658148A (zh) | 岩性识别方法 | |
CN116930023A (zh) | 致密砂岩相控分类孔隙度测井精细解释方法和装置 | |
CN113673771A (zh) | 一种页岩气水平井压裂分段方法 | |
CN113294150B (zh) | 一种元素分类的方法及系统 |
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 |