CN116911640A - 一种基于机器深度学习的页岩储层含气量预测方法 - Google Patents
一种基于机器深度学习的页岩储层含气量预测方法 Download PDFInfo
- Publication number
- CN116911640A CN116911640A CN202311161506.6A CN202311161506A CN116911640A CN 116911640 A CN116911640 A CN 116911640A CN 202311161506 A CN202311161506 A CN 202311161506A CN 116911640 A CN116911640 A CN 116911640A
- Authority
- CN
- China
- Prior art keywords
- hidden layer
- neural network
- shale
- gas content
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010276 construction Methods 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 36
- 238000004364 calculation method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于机器深度学习的页岩储层含气量预测方法,该方法构建的神经网络包括两层隐藏层,通过获取包含多个页岩矿场建产井的历史井测数据、地理信息数据以及建产井对应储层的含气量的神经网络的训练集,根据训练集对神经网络进行训练以得到网络参数,然后对待预测的目标区域页岩储层含气量进行计算;基于该神经网络模型获取页岩储层含气量的预测值和实际值之间的误差很小,可使含气量的评估结果真实可靠,准确性高。
Description
技术领域
本发明涉及页岩储层含气量预测技术领域,特别是涉及一种基于机器深度学习的页岩储层含气量预测方法。
背景技术
页岩气是一种储存在页岩中的非常规天然气,具有典型的原地成藏模式特征,页岩储层中的气体以吸附态、游离态、溶解态三种形式存在于储层有机质等固体表面、孔隙、及储层中流体内部。在开发时,页岩气储量计算结果对制定页岩气开发方案,确定页岩气产业投资规模以及对页岩气资源进行评估提供重要根据,目前计算页岩气储量的方法通常采用流动模型,该模型带有很多假设和经验公式,然而由于页岩孔隙情况十分复杂,存在气体的滑脱效应,吸附效应,以及非达西流动等,很难准确估算出储量。
人工神经网络具有自组织,自学习,非线性动态处理等特征。网络通过训练,可以实现网络输入与网络输出间的高度非线性映射,将人工神经网络引入页岩储层含气量预测,可以弥补传统方法的不足。
发明内容
本发明的目的在于提供一种机器深度学习的页岩储层含气量预测方法,通过建产井的历史数据训练构建的神经网络,基于训练好的模型对新探测的页岩储层含气量进行预测。 为了实现本发明的上述目的,采用以下技术方案:
一种基于机器深度学习的页岩储层含气量预测方法,所述方法包括:
构建神经网络,所述神经网络包括:输入层、隐藏层和输出层。
获取所述神经网络的训练集,所述训练集包含多个页岩矿场建产井的历史井测数据、地理信息数据以及所述建产井对应储层的含气量。
根据所述训练集对所述神经网络进行训练以得到网络参数。
根据所述网络参数,对待预测的目标区域页岩储层含气量进行计算。
进一步的,所述神经网络的输入层的神经元集合为:,/>为输入层神经元个数,其中/>,/>;所述神经元/>分别表示目标区域中的:储层区域面积、储层平均有效厚度、井测页岩质量密度、页岩有效孔隙度、页岩含气饱和度、页岩气体体积系数、地面标准压力、页岩储层压力、地面温度、和页岩储层温度。
进一步的,所述神经网络的隐藏层包含第一隐藏层和第二隐藏层。
进一步的,所述第一隐藏层的神经元集合表示为:为第一隐藏层神经元个数,/>,第一隐藏层神经元的阈值为:/>
进一步的,所述输入层和所述第一隐藏层之间的权值矩阵:
,所述第一隐藏层中,第/>个神经元/>的输入
,则第一隐藏层第/>个神经元/>为:/>,式中,为第一隐含层的传递函数。
进一步的,所述第二隐藏层的神经元集合表示为:,/>为第二隐藏层神经元个数,/>,第二隐藏层神经元的阈值为:/>。
进一步的,所述第一隐藏层和所述第二隐藏层之间的权值矩阵:
,所述第二隐藏层中,第/>个神经元/>的输入值
,则第二隐藏层第/>个神经元/>为:/>,式中,/>为第二隐含层的传递函数。
进一步的,所述输出层仅含1个神经元,输出值/>即为目标区域页岩储层含气量,所述第二隐藏层和所述输出层之间的权值矩阵/>,/>,…,/>,…,/>,输出值。
进一步的,根据所述训练集对所述神经网络进行训练以得到网络参数,包括:
选取样本集,随机选取样本集中的80%作为训练集,用于训练神经网络,将样本集中剩余的20%作为验证集,来验证训练后的神经网络。
输入训练集中的建产井的历史井测数据和地理信息数据参数,得到历次输出结果,则神经网络的误差值/>,其中,/>为训练集中样本的个数,/>为第/>个样本集的输出值,/>为第/>个样本集含气量的实际值。
当所述误差值大于预设阈值时,基于深度学习策略调整神经网络各层的权值和阈值,重新进行训练。
进一步的,所述深度学习策略中,第一隐含层和第二隐含层的学习步长相同,均设置为,输出层的学习步长设置为/>。
进一步的,所述输入层和所述第一隐含层之间的权值调整公式为:
,
式中,为第/>次调整后权重矩阵中第/>行第/>列的权重值,/>为第/>次调整后第一隐含层权重矩阵中第/>行第/>列的权重值,/>为误差/>对权值/>的偏导数。
进一步的,所述第一隐含层和所述第二隐含层之间的权值调整公式为:
,
式中,为第/>次调整后权重矩阵中第/>行第/>列的权重值,/>为误差/>对权值/>的偏导数。
进一步的,所述第二隐含层和所述输出层之间的权值调整公式为:
,
为第/>次调整后权重矩阵中第/>个权重值,/>为误差e对权值的偏导数。
进一步的,当所述误差值在所述预设阈值范围内时,停止训练神经网络,利用验证集验证神经网络的输入结果准确率,若准确率大于90%,则将训练好的神经网络用于待预测的目标区域页岩储层含气量进行计算,否则,调整深度学习策略中的学习步长,重新进行训练。
进一步的,所述第一隐含层的神经元个数,所述第二隐含层的神经元个数。
进一步的,所述神经网络为BP神经网络。
进一步的,所述神经元的输入数据中,所述历史井测数据包括:井测页岩质量密度、页岩有效孔隙度、页岩含气饱和度、以及页岩气体体积系数;所述地理信息数据包括:地面标准压力、页岩储层压力、地面温度、以及页岩储层温度数据。
本发明与现有技术相比,其有益效果是:
本发明建立的神经网络模型,通过不断地组合优化,能够使页岩储层含气量预测准确率维持在85%以上,该方法无需依赖任何的经验公式,也不用假设计算前提,获得的预测结果更加接近实际值,在页岩开采中可以起到很好的指导作用。
附图说明
图1为本发明的一种基于机器深度学习的页岩储层含气量预测方法流程图。
图2为本发明的BP神经网络结构图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
如图1所示,为本发明的一种基于机器深度学习的页岩储层含气量预测方法流程图,所示的方法包括四个基本步骤:构建神经网络;获取训练集;训练得到网络参数;对待预测的目标区域页岩储层含气量进行计算。
需要说明的是,构建的神经网络包括:输入层、隐藏层和输出层;获取神经网络的训练集,训练集包含多个页岩矿场建产井的历史井测数据、地理信息数据以及建产井对应储层的含气量,在构建样本时,选用了158组历史井测数据,其中126组构成训练集,32组构成验证集;根据训练集对神经网络进行训练以得到网络参数;根据网络参数,对待预测的目标区域页岩储层含气量进行计算。
本发明的神经网络的输入层的神经元集合为:,/>为输入层神经元个数,其中/>,/>。
需要说明的指,神经元分别表示目标区域中的:储层区域面积、储层平均有效厚度、井测页岩质量密度、页岩有效孔隙度、页岩含气饱和度、页岩气体体积系数、地面标准压力、页岩储层压力、地面温度、和页岩储层温度。
本发明采用BP神经网络,BP神经网络的隐藏层包含第一隐藏层和第二隐藏层,第一隐藏层的神经元集合表示为:,其中,/>为第一隐藏层神经元个数,/>。
第一隐藏层神经元的阈值为:。
输入层和第一隐藏层之间的权值矩阵:
,第一隐藏层中,第/>个神经元/>的输入
,则第一隐藏层第/>个神经元/>为:/>,式中,为第一隐含层的传递函数。
第二隐藏层的神经元集合表示为:,/>为第二隐藏层神经元个数,/>,第二隐藏层神经元的阈值为:/>。
第一隐藏层和第二隐藏层之间的权值矩阵:
。
第二隐藏层中,第个神经元/>的输入值/>,则第二隐藏层第/>个神经元/>为:/>,式中,/>为第二隐含层的传递函数。
输出层仅含1个神经元,输出值/>即为目标区域页岩储层含气量,第二隐藏层和输出层之间的权值矩阵/>,/>,…,/>,…,/>,输出值/>。
通过构建包含两层隐含层的BP神经网络模型,根据训练集对神经网络进行训练以得到网络参数。
需要说明的是,在对模型进行训练时,选取样本集,随机选取样本集中的80%作为训练集,用于训练神经网络,将样本集中剩余的20%作为验证集,来验证训练后的神经网络。
输入训练集中的建产井的历史井测数据和地理信息数据参数,得到历次输出结果,则神经网络的误差值/>,其中,/>为训练集中样本的个数,/>为第/>个样本集的输出值,/>为第/>个样本集含气量的实际值。
当误差值大于预设阈值时,基于深度学习策略调整神经网络各层的权值和阈值,重新进行训练。
深度学习策略中,第一隐含层和第二隐含层的学习步长相同,均设置为,输出层的学习步长设置为/>。
输入层和第一隐含层之间的权值调整公式为:
,
式中,为第/>次调整后权重矩阵中第/>行第/>列的权重值,/>为第/>次调整后第一隐含层权重矩阵中第/>行第/>列的权重值,/>为误差/>对权值/>的偏导数。
第一隐含层和第二隐含层之间的权值调整公式为:
,
式中,为第/>次调整后权重矩阵中第/>行第/>列的权重值,/>为误差/>对权值/>的偏导数。
第二隐含层和输出层之间的权值调整公式为:
,
为第/>次调整后权重矩阵中第/>个权重值,/>为误差e对权值的偏导数。
当误差值在预设阈值范围内时,停止训练神经网络,利用验证集验证神经网络的输入结果准确率,若准确率大于90%,则将训练好的神经网络用于待预测的目标区域页岩储层含气量进行计算,否则,调整深度学习策略中的学习步长,重新进行训练。
如图2所示,为本发明的BP神经网络结构图,基于对神经网络的不断优化和调整,最终选定的第一隐含层的神经元个数,第二隐含层的神经元个数/>,采用的神经网络为BP神经网络。
需要说明的是,BP神经网络隐含层可以为一层或者多层,BP神经网络层与层之间是全连接的形式,对于同一层神经元之间不连接。BP 神经网络采用的是误差反向传播算法,在学习的过程中,计算过程是从输入层向输出正向进行。为了修正权值,使得输出层与期望输出之间的误差降到一定大小,再开始从输出层逐层反向计算。通过多次迭代计算,最终误差会逐次降低,直到满足精度要求,便得到输入和期望输出之间的关系。
BP神经网络的隐含层不是越多越好,在双隐含层模型中,我们对126组样本进行训练,两个隐含层的神经元个数分别为6和4时,优化得到的最高准确率在93%,准确率维持在85%以上,而采用三层隐含层模型时,选取隐含层神经元个数为8、6、3时,优化得到的最高准确率仅为76%。
在进一步地实验中,还设计了一个5层隐含层的神经网络,每层给定 6 个神经元。样本数据的 80%用来训练,10%用来验证,10%用来测试整个网络,改变种子数,随机模拟四次,检验正确率最高为 75%,最低为63.3%。
设计一个具有十个隐含层的网络结构,每层给定 5 个神经元。样本数据的 80%用来训练10%用来验证,10%用来测试整个网络,改变种子数,随机模拟四次,检验正确率最高为 76.7%,最低为 60%。多次试验的结果表明,多隐含层网络结构并没有显著提高模拟正确率,而且检验正确率并不稳定。
需要说明的是,在样本数据的采集中,对于输入数据的处理和选择上,神经元的输入数据中,井测页岩质量密度、页岩有效孔隙度、页岩含气饱和度、以及页岩气体体积系数是通过建产井在建成过程中的岩芯分析来获取,地面标准压力、页岩储层压力、地面温度、以及页岩储层温度数据采用建产井投产且产量稳定后的平均数据。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于机器深度学习的页岩储层含气量预测方法,其特征在于,所述方法包括:
构建神经网络,所述神经网络包括:输入层、隐藏层和输出层;
获取所述神经网络的训练集,所述训练集包含多个页岩矿场建产井的历史井测数据、地理信息数据以及所述建产井对应储层的含气量;
根据所述训练集对所述神经网络进行训练以得到网络参数;
根据所述网络参数,对待预测的目标区域页岩储层含气量进行计算。
2.根据权利要求1所述的基于机器深度学习的页岩储层含气量预测方法,其特征在于,所述神经网络的输入层的神经元集合为:,/> 为输入层神经元个数,其中/>,/>;所述神经元/>分别表示目标区域中的:储层区域面积、储层平均有效厚度、井测页岩质量密度、页岩有效孔隙度、页岩含气饱和度、页岩气体体积系数、地面标准压力、页岩储层压力、地面温度、和页岩储层温度。
3.根据权利要求2所述的基于机器深度学习的页岩储层含气量预测方法,其特征在于,所述神经网络的隐藏层包含第一隐藏层和第二隐藏层;
所述第一隐藏层的神经元集合表示为:,/> 为第一隐藏层神经元个数,/>,第一隐藏层神经元的阈值为:/>;
所述输入层和所述第一隐藏层之间的权值矩阵 :
,所述第一隐藏层中,第/>个神经元/>的输入
,则第一隐藏层第/>个神经元/>为:/>,式中,为第一隐含层的传递函数;
所述第二隐藏层的神经元集合表示为:,/>为第二隐藏层神经元个数,/>,第二隐藏层神经元的阈值为:/>;
所述第一隐藏层和所述第二隐藏层之间的权值矩阵:
,所述第二隐藏层中,第/>个神经元/>的输入值
,则第二隐藏层第/>个神经元/>为:/>,式中,/>为第二隐含层的传递函数;
所述输出层仅含1个神经元,输出值/>即为目标区域页岩储层含气量,所述第二隐藏层和所述输出层之间的权值矩阵/>, />,…, />,…, />,输出值/>。
4.根据权利要求1-3任一项所述的基于机器深度学习的页岩储层含气量预测方法,其特征在于,根据所述训练集对所述神经网络进行训练以得到网络参数,包括:
选取样本集,随机选取样本集中的80%作为训练集,用于训练神经网络,将样本集中剩余的20%作为验证集,来验证训练后的神经网络;
输入训练集中的建产井的历史井测数据和地理信息数据参数,得到历次输出结果,则神经网络的误差值/>,其中,/>为训练集中样本的个数,/>为第/>个样本集的输出值,/>为第/>个样本集含气量的实际值;
当所述误差值大于预设阈值时,基于深度学习策略调整神经网络各层的权值和阈值,重新进行训练;
所述深度学习策略中,第一隐含层和第二隐含层的学习步长相同,均设置为,输出层的学习步长设置为/>;
所述输入层和所述第一隐含层之间的权值调整公式为:
,
式中,为第/>次调整后权重矩阵中第/>行第/>列的权重值,/>为第/>次调整后第一隐含层权重矩阵中第/>行第/>列的权重值,/>为误差/>对权值/>的偏导数;
所述第一隐含层和所述第二隐含层之间的权值调整公式为:
,
式中,为第/>次调整后权重矩阵中第/>行第/>列的权重值,/>为误差/>对权值/>的偏导数;
所述第二隐含层和所述输出层之间的权值调整公式为:
,
为第/>次调整后权重矩阵中第/>个权重值,/>为误差e对权值的偏导数;
当所述误差值在所述预设阈值范围内时,停止训练神经网络,利用验证集验证神经网络的输入结果准确率,若准确率大于90%,则将训练好的神经网络用于待预测的目标区域页岩储层含气量进行计算,否则,调整深度学习策略中的学习步长,重新进行训练。
5.根据权利要求4所述的基于机器深度学习的页岩储层含气量预测方法,其特征在于,所述第一隐含层的神经元个数,所述第二隐含层的神经元个数/>。
6.根据权利要求5所述的基于机器深度学习的页岩储层含气量预测方法,其特征在于,所述神经网络为BP神经网络。
7.根据权利要求6所述的基于机器深度学习的页岩储层含气量预测方法,其特征在于,所述神经元的输入数据中,所述历史井测数据包括:井测页岩质量密度、页岩有效孔隙度、页岩含气饱和度、以及页岩气体体积系数;所述地理信息数据包括:地面标准压力、页岩储层压力、地面温度、以及页岩储层温度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161506.6A CN116911640B (zh) | 2023-09-11 | 2023-09-11 | 一种基于机器学习的页岩储层含气量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161506.6A CN116911640B (zh) | 2023-09-11 | 2023-09-11 | 一种基于机器学习的页岩储层含气量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911640A true CN116911640A (zh) | 2023-10-20 |
CN116911640B CN116911640B (zh) | 2023-12-26 |
Family
ID=88360564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311161506.6A Active CN116911640B (zh) | 2023-09-11 | 2023-09-11 | 一种基于机器学习的页岩储层含气量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911640B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077595A (zh) * | 2014-06-15 | 2014-10-01 | 北京工业大学 | 基于贝叶斯正则化的深度学习网络图像识别方法 |
CN107423745A (zh) * | 2017-03-27 | 2017-12-01 | 浙江工业大学 | 一种基于神经网络的鱼类活性分类方法 |
CN108573320A (zh) * | 2018-03-08 | 2018-09-25 | 中国石油大学(北京) | 页岩气藏最终可采储量的计算方法和系统 |
CN110287516A (zh) * | 2019-05-13 | 2019-09-27 | 西南石油大学 | 一种页岩气藏压裂水平井可压性综合评价方法 |
KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
KR20200084447A (ko) * | 2018-12-26 | 2020-07-13 | 전남대학교산학협력단 | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 |
CN116658155A (zh) * | 2023-06-02 | 2023-08-29 | 西南石油大学 | 一种页岩气井产量预测的方法 |
-
2023
- 2023-09-11 CN CN202311161506.6A patent/CN116911640B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077595A (zh) * | 2014-06-15 | 2014-10-01 | 北京工业大学 | 基于贝叶斯正则化的深度学习网络图像识别方法 |
CN107423745A (zh) * | 2017-03-27 | 2017-12-01 | 浙江工业大学 | 一种基于神经网络的鱼类活性分类方法 |
CN108573320A (zh) * | 2018-03-08 | 2018-09-25 | 中国石油大学(北京) | 页岩气藏最终可采储量的计算方法和系统 |
KR20200084447A (ko) * | 2018-12-26 | 2020-07-13 | 전남대학교산학협력단 | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 |
CN110287516A (zh) * | 2019-05-13 | 2019-09-27 | 西南石油大学 | 一种页岩气藏压裂水平井可压性综合评价方法 |
KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
CN116658155A (zh) * | 2023-06-02 | 2023-08-29 | 西南石油大学 | 一种页岩气井产量预测的方法 |
Non-Patent Citations (2)
Title |
---|
YUANQIANG SUN ET AL.: "Lithology Identification of Uranium-Bearing Sand Bodies Using Logging Data Based on a BP Neural Network", 《MINERALS》, pages 1 - 14 * |
陈娟 等: "基于GA-BP神经网络的长宁地区页岩气水平井产能预测技术", 《科学技术与工程》, vol. 20, no. 05, pages 1851 - 1857 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911640B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
CN108573320B (zh) | 页岩气藏最终可采储量的计算方法和系统 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN113553780B (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN113568055A (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN111338002A (zh) | 基于门控循环神经网络模型的孔隙度预测方法 | |
CN113792479A (zh) | 一种基于物理约束的煤层气藏压裂效果评价方法 | |
CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN107729988B (zh) | 基于动态深度置信网络的蓝藻水华预测方法 | |
CN114861519B (zh) | 复杂地质条件下初始地应力场加速优化反演方法 | |
CN115688578A (zh) | 一种基于粒子群优化lstm神经网络模型的机械钻速预测方法 | |
CN116911640B (zh) | 一种基于机器学习的页岩储层含气量预测方法 | |
WO2022032873A1 (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
CN106934075B (zh) | 钻井液密度确定方法及静态当量密度确定方法 | |
CN117195089A (zh) | 基于机器学习的低渗透油气藏储层损害评价及预测方法 | |
CN111914488A (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN111273349A (zh) | 一种用于海底浅部沉积层的横波速度提取方法及处理终端 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN115238860B (zh) | 一种漏失压力预测模型生成方法和装置 | |
CN106407513A (zh) | 一种水松纸透气度检测过程的优化方法 | |
CN112464483B (zh) | 一种基于遗传神经网络算法的测井曲线重构方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |