CN116976705A - 深地油气精准导航砂泥岩地层物性评价方法与系统 - Google Patents
深地油气精准导航砂泥岩地层物性评价方法与系统 Download PDFInfo
- Publication number
- CN116976705A CN116976705A CN202311205151.6A CN202311205151A CN116976705A CN 116976705 A CN116976705 A CN 116976705A CN 202311205151 A CN202311205151 A CN 202311205151A CN 116976705 A CN116976705 A CN 116976705A
- Authority
- CN
- China
- Prior art keywords
- data
- drilling
- group
- resistivity
- parameters
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 230000000704 physical effect Effects 0.000 title claims abstract description 19
- 239000004576 sand Substances 0.000 title claims abstract description 19
- 238000005553 drilling Methods 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 239000011148 porous material Substances 0.000 claims description 35
- 230000015572 biosynthetic process Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000013517 stratification Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005755 formation reaction Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- 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
- 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
- E21B49/003—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 by analysing drilling variables or conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
-
- 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
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geology (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Remote Sensing (AREA)
- General Business, Economics & Management (AREA)
- Geophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明属于地质勘探领域,具体涉及了一种深地油气精准导航砂泥岩地层物性评价方法与系统,旨在解决现有技术无法实时准确获取随钻电阻率曲线以致对高油气性区域定位精度不足的问题。本发明包括:获取目标井位的基础数据、邻井的基础数据和邻井的随钻电阻率并分组,分别保留每组数据中与随钻电阻率相关度值最高的数据,并剔除异常值和并准化,将相关度值与标准化后的数据作为权重构建二维输入特征图,基于二维输入特征图获取随钻电阻率预测曲线,进而通过随钻电阻率预测曲线,计算窗口内的油气参数,依据各处的油气参数获得高油气性区域。本发明提高了随钻电阻率曲线的预测精度,相较于直接对高油气性区域的分析,提高了分析精度。
Description
技术领域
本发明属于地质勘探领域,具体涉及了一种深地油气精准导航砂泥岩地层物性评价方法与系统。
背景技术
随钻电阻率(Rt)曲线与地层物性密切相关,但由于仪器缺失或者故障导致随钻电阻率曲线缺失,如Formation Resistivity Prediction Using Decision Tree andRandomForestAhmed Farid Ibrahim · Ahmed Abdelaal1 ·Salaheldin Elkatatny所反映的情形,导致在深地油气导航的过程中,对油气参数的获取精度不足,无法精确分析出高油气性区域的具体位置。
随钻电阻率测井测量地层的电阻率特性,指岩石或地层对电流通过的阻力,它受到地层中含水量、盐度、孔隙度、孔隙结构、岩石类型等因素的影响。电阻率测井的特殊性在于受地层干扰较为严重,需要进行与最相关的测井曲线的特征比例进行构建特征参数。地层中的孔隙度和饱和度对电阻率有着直接影响。孔隙度越高,地层中可含有更多的水或流体,导致电阻率较低。相反,孔隙度较低的地层可能包含较少的流体,导致电阻率较高。通过测量电阻率,可以估计地层的孔隙度和饱和度,这对于油气勘探和储层评价至关重要。高盐度和高含水量地层通常具有较低的电阻率,而低盐度或干燥的地层通常具有较高的电阻率。因此无法通过与声波曲线缺失时的预测方法和随钻光电系数缺失时的预测方法进行准确估计,因而提出本发明的计算方法,评价地层物性。
发明内容
为了解决现有技术中的上述问题,即现有技术无法实时准确获取随钻电阻率曲线以致对高油气性区域定位精度不足的问题,本发明提供了一种深地油气精准导航砂泥岩地层物性评价方法,所述方法包括:
步骤S100,获取目标井位的基础数据,邻井的基础数据和邻井的随钻电阻率,将所述目标井位的基础数据和邻井的基础数据划分为岩性组数据、孔隙组数据、钻井组数据和录井组数据;所述岩性组数据为:NEU、PEF和GR,所述孔隙组数据为:AC、CNL和DEN,所述钻井组数据为:钻速、转速和钻压,所述录井组数据为:C1C2、MDIA和FPPG;
步骤S200,分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值;分别保留岩性组数据、孔隙组数据、钻井组数据和录井组数据中第一相关度值最高的数据,获得岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数;
步骤S300,通过孤立森林算法剔除岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数中的异常值,获得标准化显著参数;
步骤S400,基于所述标准化显著参数,选取岩性组显著参数,进行地质分层,获取地层突变位置之间的深度单元的个数,并根据所述深度单元的个数、标准化显著参数和第一相关度值获取二维输入特征图;
步骤S500,基于所述二维输入特征图,通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线;
步骤S600,通过基于所述深度单元构建滑动单元,将滑动单元遍历初始地层格架模型并基于所述随钻电阻率预测曲线,计算窗口内的油气参数,依据各处的油气参数获得高油气性区域,获得地层物性评价结果。
在一些优选的实施方式中,所述标准化显著参数,其获得方式具体包括:
步骤A10,将岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数记为待处理数据,从待处理数据/>中随机抽取/>个数据点构成待处理数据子集/>存入根节点;
步骤A20,从待处理数据集中随机选定一个维度q,在维度q中随机产生一个切割点p;其中切割点p满足/>,j表示数据点的序号,/>表示第i类第j个数据点的值;
步骤A30,根据切割点p生成将维度q中数据划分为两个子空间的超平面,指定数值小于p的维度q的数据点放入第一叶子节点,数值大于或等于p的数据点放入第二叶子节点;
步骤A40,递归步骤A20至步骤A30所述的方法,直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度;
步骤A50,重复步骤A20至步骤A40所述的方法,直至生成T个孤立树;其中,T个孤立树表示:孤立树没有叶子节点的外部节点,或有两个叶子节点和一个内部节点test;在T个孤立树的内部节点test由维度q和一个分割点p组成,q<p的点属于/>,反之属于/>;
步骤A60,所述T个孤立树即为孤立树森林,令每个数据点遍历每一个孤立树,计算数据点/>在每一个孤立树的高度/>即数据点/>从所在孤立树的根节点到叶子节点经过的边的数量;从而计算数据点/>在孤立树森林中的平均高度,对所有数据点的平均高度做归一化处理,获得归一化的数据点平均高度/>;
步骤A70,基于所述归一化的数据点平均高度,计算异常值分数/>:
;
其中,表示/>个数据点所构建的二叉树路径长度的平均值,E(*)表示期望;
;
其中,表示调和数,通过/>估算,/>为欧拉常数;
当所述异常值分数小于预设的异常值阈值s时,将对应的数据点剔除,获得标准化显著参数/>,/>,/>,/>表示有标准化显著参数的数据点数。
在一些优选的实施方式中,所述分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值,具体包括:
计算每种数据与邻井的随钻电阻率曲线的spearman相关系数,作为第一相关度值:
;
其中,表示随钻电阻率值的秩,datai表示序号,/>表示任一基础数据中参数数据点值的秩。
在一些优选的实施方式中,所述深度单元,其获得方法包括:
基于目标井位的基础数据的岩性组数据,设10个数据点为1个深度单元;
计算每个深度单元中的岩性组数据的平均值:
;
g表示组号;
计算相邻深度单元的岩性组数据的平均值之间的差值:
;
当时,设定对应的相邻深度单元中的下层的深度单元为岩性突变位置,计算两个突变位置之间的深度单元的个数/>以表示地层厚度,/>表示深度单元的序号;
将所述标准化显著参数和第一相关度值的乘积作为权重参数,cate表示组别;
以所述深度单元的个数为步长,构建二维输入特征图/>。
在一些优选的实施方式中,所述通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线,具体包括:
随钻电阻率预测模型包括t通道图像识别网络,包括2t个卷积层和2t个平均池化层,每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层,各卷积层的尺度互不相同,第f个通道的第一卷积层为(4*f-1)*(4*f-1),第二卷积层为(4*f+4)*(4*f+4),各池化层尺寸相同,为2*2,所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器;
C1、C3、C5层分别为第一通道的第一卷积层、第二通道的第一卷积层和第三通道的第一卷积层,C1层由8个×/>的卷积核与输入图像进行卷积,C3层由8个/>×/>的卷积核与输入图像进行卷积,C5层由8个/>×/>的卷积核与输入图像进行卷积:
;
其中,表示/>位置的卷积结果,/>表示当前的层数,/>表示被卷积核覆盖的矩阵,/>和W表示卷积核覆盖矩阵的长和宽,m1和m2分别表示卷积核长度的序号和卷积核宽度的序号,范围1-L,ker表示核函数,b表示对应的偏置项;
对所述卷积结果通过ReLU函数进行拟合,获得拟合的卷积结果;
对所述拟合的卷积结果进行上采样池化处理:
;
为池化后的卷积结果的二维矩阵表示,m3、m4表示(m3,m4)位置的卷积结果;
通过平铺层将所述池化后的卷积结果转化为平铺一维特征向量;
通过全连接层整合所述平铺一维特征向量:
;
其中,表示全连接层整合后特征的一维矩阵表达,l表示当前的层数,key表示一维矩阵的索引值,R表示l-1层特征向量长度,w表示权重矩阵,b表示偏置项,r表示特征向量数据点的序号;
在全连接层中采用朴素贝叶斯作为决策器;
整合获得的平铺一维特征向量即为所述随钻电阻率预测曲线。
在一些优选的实施方式中,所述步骤S700,具体包括:
以所述地层突变位置之间的深度单元的个数,构建滑动单元;
实时计算滑动单元内的随钻电阻率预测曲线的平均值、DEN的平均值和GR的平均值:
;
;
;
进而计算当前滑动单元砂岩油气参数:
;
将砂岩油气参数P大于设定的砂岩油气参数阈值P1的滑动窗口的位置判定为含油气性较高的砂岩段。
本发明的另一方面,提出了一种深地油气精准导航砂泥岩地层物性评价系统,所述系统包括:
数据获取模块,配置为获取目标井位的基础数据,邻井的基础数据和邻井的随钻电阻率,将所述目标井位的基础数据和邻井的基础数据划分为岩性组数据、孔隙组数据、钻井组数据和录井组数据;所述岩性组数据为:NEU、PEF和GR,所述孔隙组数据为:AC、CNL和DEN,所述钻井组数据为:钻速、转速和钻压,所述录井组数据为:C1C2、MDIA和FPPG;
显著参数获取模块,配置为分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值;分别保留岩性组数据、孔隙组数据、钻井组数据和录井组数据中第一相关度值最高的数据,获得岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数;
异常值剔除模块,配置为通过孤立森林算法剔除岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数中的异常值,获得标准化显著参数;
二维输入特征图获取模块,配置为基于所述标准化显著参数,选取岩性组显著参数,进行地质分层,获取地层突变位置之间的深度单元的个数,并根据所述深度单元的个数、标准化显著参数和第一相关度值获取二维输入特征图;
随钻电阻率预测模块,配置为基于所述二维输入特征图,通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线;
高油气性区域导航模块,配置为通过基于所述深度单元构建滑动单元,将滑动单元遍历初始地层格架模型并基于所述随钻电阻率预测曲线,计算窗口内的油气参数,依据各处的油气参数获得高油气性区域,获得地层物性评价结果。
本发明的有益效果:
(1)本发明通过将标准化显著参数和第一相关度值的乘积作为权重参数以深度单元的个数为步长构建的二维输入特征图用于预测缺失的随钻电阻率曲线,提高了随钻电阻率曲线的预测精度,相较于直接对高油气性区域的分析,提高了分析精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明实施例中深地油气精准导航砂泥岩地层物性评价方法的流程示意图;
图2是本发明实施例中随钻电阻率曲线预测模型的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了更清晰地对本发明深地油气精准导航砂泥岩地层物性评价方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的深地油气精准导航砂泥岩地层物性评价方法,包括步骤S100-步骤S600,各步骤详细描述如下:
随钻电阻率测井测量地层的电阻率特性,指岩石或地层对电流通过的阻力,它受到地层中含水量、盐度、孔隙度、孔隙结构、岩石类型等因素的影响。电阻率测井的特殊性在于受地层干扰较为严重,需要进行与最相关的测井曲线的特征比例进行构建特征参数。地层中的孔隙度和饱和度对电阻率有着直接影响。孔隙度越高,地层中可含有更多的水或流体,导致电阻率较低。相反,孔隙度较低的地层可能包含较少的流体,导致电阻率较高。通过测量电阻率,可以估计地层的孔隙度和饱和度,这对于油气勘探和储层评价至关重要。高盐度和高含水量地层通常具有较低的电阻率,而低盐度或干燥的地层通常具有较高的电阻率。因此无法通过与声波曲线缺失时的预测方法和随钻光电系数缺失时的预测方法进行准确估计,因而提出本发明的计算方法,评价地层物性。
本实施例以数据点间隔0.1m采集目标井位的基础数据;
由于基础数据中包含大量的冗余信息,不利于进一步的特征提取,因此需要进行基于数据类型的分组和信息融合;
步骤S100,获取目标井位的基础数据,邻井的基础数据和邻井的随钻电阻率,将所述目标井位的基础数据和邻井的基础数据划分为岩性组数据、孔隙组数据、钻井组数据和录井组数据;所述岩性组数据为:NEU、PEF和GR,所述孔隙组数据为:AC、CNL和DEN,所述钻井组数据为:钻速、转速和钻压,所述录井组数据为:C1C2、MDIA和FPPG;
步骤S200,分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值;分别保留岩性组数据、孔隙组数据、钻井组数据和录井组数据中第一相关度值最高的数据,获得岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数;本步骤旨在保留与随钻电阻率曲线的强相关参数,最终每组保留了1种参数总共保留4种参数;
在本实施例中,所述分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值,具体包括:
计算每种数据与邻井的随钻电阻率曲线的spearman相关系数,作为第一相关度值:
;
其中,表示随钻电阻率值的秩,datai表示序号,/>表示任一基础数据中参数数据点值的秩。
步骤S300,通过孤立森林算法剔除岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数中的异常值,获得标准化显著参数;
在本实施例中,所述标准化显著参数,其获得方式具体包括:
步骤A10,将岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数记为待处理数据,从待处理数据/>中随机抽取/>个数据点构成待处理数据子集/>存入根节点;
步骤A20,从待处理数据集中随机选定一个维度q,在维度q中随机产生一个切割点p;其中切割点p满足/>,j表示数据点的序号,/>表示第i类第j个数据点的值;
步骤A30,根据切割点p生成将维度q中数据划分为两个子空间的超平面,指定数值小于p的维度q的数据点放入第一叶子节点,数值大于或等于p的数据点放入第二叶子节点;
步骤A40,递归步骤A20至步骤A30所述的方法,直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度;
步骤A50,重复步骤A20至步骤A40所述的方法,直至生成T个孤立树;其中,T个孤立树表示:孤立树没有叶子节点的外部节点,或有两个叶子节点和一个内部节点test;在T个孤立树的内部节点test由维度q和一个分割点p组成,q<p的点属于/>,反之属于/>;
步骤A60,所述T个孤立树即为孤立树森林,令每个数据点遍历每一个孤立树,计算数据点/>在每一个孤立树的高度/>即数据点/>从所在孤立树的根节点到叶子节点经过的边的数量;从而计算数据点/>在孤立树森林中的平均高度,对所有数据点的平均高度做归一化处理,获得归一化的数据点平均高度/>;
步骤A70,基于所述归一化的数据点平均高度,计算异常值分数/>:
;
其中,表示/>个数据点所构建的二叉树路径长度的平均值,E(*)表示期望;
;
其中,表示调和数,通过/>估算,/>为欧拉常数;
当所述异常值分数小于预设的异常值阈值s时,将对应的数据点剔除,获得标准化显著参数/>,/>,/>,/>表示有标准化显著参数的数据点数。在本实施例中,当/>时,将/>剔除,/>值选择使剔除后的剩余数据点个数约等于之前数据点个数的95%,得到剔除异常值后的标准化显著参数。
步骤S400,基于所述标准化显著参数,选取岩性组显著参数,进行地质分层,获取地层突变位置之间的深度单元的个数,并根据所述深度单元的个数、标准化显著参数和第一相关度值获取二维输入特征图。
在不同岩性的地层中,随钻电阻率的影响存在很大差异,如果对所有地层都采用完全相同的碎钻电阻率预测方法,难以得到准确的结果,因此对于不同的地层均需要特定的随钻电阻率预测算法,在砂泥岩地层中,岩性参数对岩性变化及其敏感,因此可以通过岩性参数判断岩性并计算地层厚度。
在本实施例中,所述深度单元,其获得方法包括:
基于目标井位的基础数据的岩性组数据,设10个数据点为1个深度单元;
计算每个深度单元中的岩性组数据的平均值:
;
g表示组号;
计算相邻深度单元的岩性组数据的平均值之间的差值:
;
当时,设定对应的相邻深度单元中的下层的深度单元为岩性突变位置,计算两个突变位置之间的深度单元的个数/>以表示地层厚度,/>表示深度单元的序号;
将所述标准化显著参数和第一相关度值的乘积作为权重参数,cate表示组别;
以深度单元的个数为步长,构建二维输入特征图/>。
步骤S500,基于所述二维输入特征图,通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线;
在本实施例中,所述通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线,具体包括:
随钻电阻率预测模型包括t通道图像识别网络,包括2t个卷积层和2t个平均池化层,每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层,各卷积层的尺度互不相同,第f个通道的第一卷积层为(4*f-1)*(4*f-1),第二卷积层为(4*f+4)*(4*f+4),各池化层尺寸相同,为2*2,所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器;
本实施例采用的随钻电阻率预测模型如图2所示,C1层由8个3*3的卷积核与输入图像进行卷积,得到8个特征图,大小为190*190,后由池化层P1对卷积层C1以2*2的单元进行池化操作,P1层由8个95*95的特征图构成。再以16个8*8的卷积核对P1进行卷积,得到卷积层C2,其由16个88*88大小的特征图组成,再以2*2的单元对C2进行池化操作,得到池化层P2,其由16个44*44大小的特征图组成。
C3层由8个7*7的卷积核与输入图像进行卷积,得到8个特征图,大小为186*186,后由池化层P3对卷积层C3以2*2的单元进行池化操作,P3层由8个93*93的特征图构成。再以16个12*12的卷积核对P3进行卷积,得到卷积层C4,其由16个82*82大小的特征图组成,再以2*2的单元对C4进行池化操作,得到池化层P4,其由16个41*41大小的特征图组成。
C5层由8个11*11的卷积核与输入图像进行卷积,得到8个特征图,大小为182*182,后由池化层P5对卷积层C5以2*2的单元进行池化操作,P5层由8个91*91的特征图构成。再以16个16*16的卷积核对P5进行卷积,得到卷积层C5,其由16个76*76大小的特征图组成,再以2*2的单元对C6进行池化操作,得到池化层P6,其由16个38*38大小的特征图组成。
C1、C3、C5层分别为第一通道的第一卷积层、第二通道的第一卷积层和第三通道的第一卷积层,C1层由8个×/>的卷积核与输入图像进行卷积,C3层由8个/>×/>的卷积核与输入图像进行卷积,C5层由8个/>×/>的卷积核与输入图像进行卷积:
;
其中,表示/>位置的卷积结果,/>表示当前的层数,/>表示被卷积核覆盖的矩阵,/>和W表示卷积核覆盖矩阵的长和宽,m1和m2分别表示卷积核长度的序号和卷积核宽度的序号,范围1-L,ker表示核函数,b表示对应的偏置项;
对所述卷积结果通过ReLU函数进行拟合,获得拟合的卷积结果;
对所述拟合的卷积结果进行上采样池化处理:
;
为池化后的卷积结果的二维矩阵表示,m3、m4表示(m3,m4)位置的卷积结果;
通过平铺层将所述池化后的卷积结果转化为平铺一维特征向量;
通过全连接层整合所述平铺一维特征向量:
;
其中,表示全连接层整合后特征的一维矩阵表达,l表示当前的层数,key表示一维矩阵的索引值,R表示l-1层特征向量长度,w表示权重矩阵,b表示偏置项,r表示特征向量数据点的序号;
在全连接层中采用朴素贝叶斯作为决策器;
整合获得的平铺一维特征向量即为所述随钻电阻率预测曲线。
在本实施例中,还包括通过采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)两个统计性能指标对随钻电阻率预测模型进行评价。平均误差(MAPE)和均方根误差(RMSE)的目的是通过比较模型输出和预测之间的误差来评估模型的性能,值越小表明性能越好。MAPE和RMSE的计算如下:
;
;
N为观测次数,ym 测量数据,yp 为预测数据,和,分别为实测数据和预测数据的平均值。
步骤S600,通过基于所述深度单元构建滑动单元,将滑动单元遍历初始地层格架模型并基于所述随钻电阻率预测曲线,计算窗口内的油气参数,依据各处的油气参数获得高油气性区域,获得地层物性评价结果。
在本实施例中,所述步骤S600,具体包括:
以所述地层突变位置之间的深度单元的个数,构建滑动单元;
实时计算滑动单元内的随钻电阻率预测曲线的平均值、DEN的平均值和GR的平均值:
;
;
;
进而计算当前滑动单元砂岩油气参数:
;
将砂岩油气参数P大于设定的砂岩油气参数阈值P1的滑动窗口的位置判定为含油气性较高的砂岩段。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的深地油气精准导航砂泥岩地层物性评价系统,所述系统包括:
数据获取模块,配置为获取目标井位的基础数据,邻井的基础数据和邻井的随钻电阻率,将所述目标井位的基础数据和邻井的基础数据划分为岩性组数据、孔隙组数据、钻井组数据和录井组数据;所述岩性组数据为:NEU、PEF和GR,所述孔隙组数据为:AC、CNL和DEN,所述钻井组数据为:钻速、转速和钻压,所述录井组数据为:C1C2、MDIA和FPPG;
显著参数获取模块,配置为分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值;分别保留岩性组数据、孔隙组数据、钻井组数据和录井组数据中第一相关度值最高的数据,获得岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数;
异常值剔除模块,配置为通过孤立森林算法剔除岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数中的异常值,获得标准化显著参数;
二维输入特征图获取模块,配置为基于所述标准化显著参数,选取岩性组显著参数,进行地质分层,获取地层突变位置之间的深度单元的个数,并根据所述深度单元的个数、标准化显著参数和第一相关度值获取二维输入特征图;
随钻电阻率预测模块,配置为基于所述二维输入特征图,通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线;
高油气性区域导航模块,配置为通过基于所述深度单元构建滑动单元,将滑动单元遍历初始地层格架模型并基于所述随钻电阻率预测曲线,计算窗口内的油气参数,依据各处的油气参数获得高油气性区域,获得地层物性评价结果。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的深地油气精准导航砂泥岩地层物性评价系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种深地油气精准导航砂泥岩地层物性评价方法,其特征在于,所述方法包括:
步骤S100,获取目标井位的基础数据、邻井的基础数据和邻井的随钻电阻率,将所述目标井位的基础数据和邻井的基础数据划分为岩性组数据、孔隙组数据、钻井组数据和录井组数据;所述岩性组数据为:NEU、PEF和GR,所述孔隙组数据为:AC、CNL和DEN,所述钻井组数据为:钻速、转速和钻压,所述录井组数据为:C1C2、MDIA和FPPG;
步骤S200,分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值;分别保留岩性组数据、孔隙组数据、钻井组数据和录井组数据中第一相关度值最高的数据,获得岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数;
步骤S300,通过孤立森林算法剔除岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数中的异常值,获得标准化显著参数;
步骤S400,基于所述标准化显著参数,选取岩性组显著参数,进行地质分层,获取地层突变位置之间的深度单元的个数,并根据所述深度单元的个数、标准化显著参数和第一相关度值获取二维输入特征图;
步骤S500,基于所述二维输入特征图,通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线;
步骤S600,通过基于所述深度单元构建滑动单元,将滑动单元遍历初始地层格架模型并基于所述随钻电阻率预测曲线,计算窗口内的油气参数,依据各处的油气参数获得高油气性区域,获得地层物性评价结果。
2.根据权利要求1所述的深地油气精准导航砂泥岩地层物性评价方法,其特征在于,所述标准化显著参数,其获得方式具体包括:
步骤A10,将岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数记为待处理数据 ,从待处理数据/>中随机抽取/>个数据点构成待处理数据子集/>存入根节点;
步骤A20,从待处理数据集中随机选定一个维度q,在维度q中随机产生一个切割点p;其中切割点p满足
,j表示数据点的序号,/>表示第i类第j个数据点的值;
步骤A30,根据切割点p生成将维度q中数据划分为两个子空间的超平面,指定数值小于p的维度q的数据点放入第一叶子节点,数值大于或等于p的数据点放入第二叶子节点;
步骤A40,递归步骤A20至步骤A30所述的方法,直至所有的叶子节点都只有一个数据点或孤立树已经达到预设的高度;
步骤A50,重复步骤A20至步骤A40所述的方法,直至生成T个孤立树;其中,T个孤立树表示:孤立树没有叶子节点的外部节点,或有两个叶子节点和一个内部节点test;在T个孤立树的内部节点test由维度q和一个分割点p组成,q<p的点属于/>,反之属于/>;
步骤A60,所述T个孤立树即为孤立树森林,令每个数据点遍历每一个孤立树,计算数据点/>在每一个孤立树的高度/>即数据点/>从所在孤立树的根节点到叶子节点经过的边的数量;从而计算数据点/>在孤立树森林中的平均高度,对所有数据点的平均高度做归一化处理,获得归一化的数据点平均高度/>;
步骤A70,基于所述归一化的数据点平均高度,计算异常值分数/>:
;
其中,表示/>个数据点所构建的二叉树路径长度的平均值,E(*)表示期望;
;
其中,表示调和数,通过/>估算,/>为欧拉常数;
当所述异常值分数小于预设的异常值阈值s时,将对应的数据点剔除,获得标准化显著参数/>,/>,/>,/>表示有标准化显著参数的数据点数。
3.根据权利要求1所述的深地油气精准导航砂泥岩地层物性评价方法,其特征在于,所述分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值,具体包括:
计算每种数据与邻井的随钻电阻率曲线的spearman相关系数,作为第一相关度值:
;
其中,表示随钻电阻率值的秩,datai表示序号,/>表示任一基础数据中参数数据点值的秩。
4.根据权利要求3所述的深地油气精准导航砂泥岩地层物性评价方法,其特征在于,所述深度单元,其获得方法包括:
基于目标井位的基础数据的岩性组数据,设10个数据点为1个深度单元;
计算每个深度单元中的岩性组数据的平均值:
;
g表示组号;
计算相邻深度单元的岩性组数据的平均值之间的差值:
;
当时,设定对应的相邻深度单元中的下层的深度单元为岩性突变位置,计算两个突变位置之间的深度单元的个数/>以表示地层厚度,/>表示深度单元的序号;
将所述标准化显著参数和第一相关度值的乘积作为权重参数,cate表示组别;
以所述深度单元的个数为步长,构建二维输入特征图/>。
5.根据权利要求1所述的深地油气精准导航砂泥岩地层物性评价方法,其特征在于,所述通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线,具体包括:
随钻电阻率预测模型包括t通道图像识别网络,包括2t个卷积层和2t个平均池化层,每个通道为依次连接的第一卷积层、第一平均池化层、第二卷积层和第二平均池化层,各卷积层的尺度互不相同,第f个通道的第一卷积层为(4*f-1)*(4*f-1),第二卷积层为(4*f+4)*(4*f+4),各池化层尺寸相同,为2*2,所有通道后共同连接1个全连接层和1个朴素贝叶斯决策器;
C1、C3、C5层分别为第一通道的第一卷积层、第二通道的第一卷积层和第三通道的第一卷积层,C1层由8个×/>的卷积核与输入图像进行卷积,C3层由8个/>×/>的卷积核与输入图像进行卷积,C5层由8个/>×/>的卷积核与输入图像进行卷积:
;
其中,表示/>位置的卷积结果,/>表示当前的层数,/>表示被卷积核覆盖的矩阵,/>和W表示卷积核覆盖矩阵的长和宽,m1和m2分别表示卷积核长度的序号和卷积核宽度的序号,范围1-L,ker表示核函数,b表示对应的偏置项;
对所述卷积结果通过ReLU函数进行拟合,获得拟合的卷积结果;
对所述拟合的卷积结果进行上采样池化处理:
;
为池化后的卷积结果的二维矩阵表示,m3、m4表示(m3,m4)位置的卷积结果;
通过平铺层将所述池化后的卷积结果转化为平铺一维特征向量;
通过全连接层整合所述平铺一维特征向量:
;
其中, 表示全连接层整合后特征的一维矩阵表达,l表示当前的层数,key表示一维矩阵的索引值,R表示l-1层特征向量长度,w表示权重矩阵,b表示偏置项,r表示特征向量数据点的序号;
在全连接层中采用朴素贝叶斯作为决策器;
整合获得的平铺一维特征向量即为所述随钻电阻率预测曲线。
6.根据权利要求1所述的深地油气精准导航砂泥岩地层物性评价方法,其特征在于,所述步骤S600,具体包括:
以所述地层突变位置之间的深度单元的个数,构建滑动单元;
实时计算滑动单元内的随钻电阻率预测曲线的平均值、DEN的平均值和GR的平均值:
;
;
;
进而计算当前滑动单元砂岩油气参数:
;
将砂岩油气参数P大于设定的砂岩油气参数阈值P1的滑动窗口的位置判定为含油气性较高的砂岩段。
7.一种深地油气精准导航砂泥岩地层物性评价系统,其特征在于,所述系统包括:
数据获取模块,配置为获取目标井位的基础数据,邻井的基础数据和邻井的随钻电阻率,将所述目标井位的基础数据和邻井的基础数据划分为岩性组数据、孔隙组数据、钻井组数据和录井组数据;所述岩性组数据为:NEU、PEF和GR,所述孔隙组数据为:AC、CNL和DEN,所述钻井组数据为:钻速、转速和钻压,所述录井组数据为:C1C2、MDIA和FPPG;
显著参数获取模块,配置为分别计算邻井的基础数据中每种数据与邻井的随钻电阻率曲线的第一相关度值;分别保留岩性组数据、孔隙组数据、钻井组数据和录井组数据中第一相关度值最高的数据,获得岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数;
异常值剔除模块,配置为通过孤立森林算法剔除岩性组显著参数、孔隙组显著参数、钻井组显著参数和录井组显著参数中的异常值,获得标准化显著参数;
二维输入特征图获取模块,配置为基于所述标准化显著参数,选取岩性组显著参数,进行地质分层,获取地层突变位置之间的深度单元的个数,并根据所述深度单元的个数、标准化显著参数和第一相关度值获取二维输入特征图;
随钻电阻率预测模块,配置为基于所述二维输入特征图,通过训练好的随钻电阻率预测模型获取随钻电阻率预测曲线;
高油气性区域导航模块,配置为通过基于所述深度单元构建滑动单元,将滑动单元遍历初始地层格架模型并基于所述随钻电阻率预测曲线,计算窗口内的油气参数,依据各处的油气参数获得高油气性区域,获得地层物性评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205151.6A CN116976705B (zh) | 2023-09-19 | 2023-09-19 | 深地油气精准导航砂泥岩地层物性评价方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205151.6A CN116976705B (zh) | 2023-09-19 | 2023-09-19 | 深地油气精准导航砂泥岩地层物性评价方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976705A true CN116976705A (zh) | 2023-10-31 |
CN116976705B CN116976705B (zh) | 2023-12-22 |
Family
ID=88476958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311205151.6A Active CN116976705B (zh) | 2023-09-19 | 2023-09-19 | 深地油气精准导航砂泥岩地层物性评价方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590889A (zh) * | 2012-02-17 | 2012-07-18 | 中国石油化工股份有限公司 | 基于雷达图与云模型的录井多参数油气解释方法 |
US20150073712A1 (en) * | 2011-01-28 | 2015-03-12 | Schlumberger Technology Corporation | Method for Estimating a Logging Tool Response in a Layered Formation |
CN104564041A (zh) * | 2014-07-24 | 2015-04-29 | 中国石油大学(华东) | 基于开发渗透率下限的低渗透碎屑岩储层有效性评价方法 |
CN105401939A (zh) * | 2015-11-30 | 2016-03-16 | 中国石油大学(北京) | 一种多因素耦合作用下的煤层井壁稳定性分析方法 |
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN106324689A (zh) * | 2016-06-24 | 2017-01-11 | 杭州迅美科技有限公司 | 一种水平井地层环境下电阻率各向异性识别方法 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
RU2745137C1 (ru) * | 2020-09-08 | 2021-03-22 | Федеральное государственное бюджетное учреждение науки Институт проблем нефти и газа Российской академии наук | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин |
US20210373106A1 (en) * | 2020-05-29 | 2021-12-02 | Halliburton Energy Services, Inc. | Pore contribution corrected quantifying of surface roughness |
CN113759425A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 井震联合评价深层古岩溶储层充填特征的方法与系统 |
CN113803060A (zh) * | 2020-06-01 | 2021-12-17 | 中石化石油工程技术服务有限公司 | 用于随钻电磁波电阻率转换曲线刻度的修正方法及装置 |
US20220170366A1 (en) * | 2020-12-01 | 2022-06-02 | Southwest Petroleum University | 3d in-situ characterization method for heterogeneity in generating and reserving performances of shale |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
US20230074074A1 (en) * | 2021-09-02 | 2023-03-09 | Southwest Petroleum University | Intelligent recognition method for while-drilling safety risk based on convolutional neural network |
US20230083651A1 (en) * | 2021-09-13 | 2023-03-16 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for analyzing filling for karst reservoir based on spectrum decomposition and machine learning |
-
2023
- 2023-09-19 CN CN202311205151.6A patent/CN116976705B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150073712A1 (en) * | 2011-01-28 | 2015-03-12 | Schlumberger Technology Corporation | Method for Estimating a Logging Tool Response in a Layered Formation |
CN102590889A (zh) * | 2012-02-17 | 2012-07-18 | 中国石油化工股份有限公司 | 基于雷达图与云模型的录井多参数油气解释方法 |
CN104564041A (zh) * | 2014-07-24 | 2015-04-29 | 中国石油大学(华东) | 基于开发渗透率下限的低渗透碎屑岩储层有效性评价方法 |
WO2016041189A1 (zh) * | 2014-09-19 | 2016-03-24 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
CN105401939A (zh) * | 2015-11-30 | 2016-03-16 | 中国石油大学(北京) | 一种多因素耦合作用下的煤层井壁稳定性分析方法 |
CN106324689A (zh) * | 2016-06-24 | 2017-01-11 | 杭州迅美科技有限公司 | 一种水平井地层环境下电阻率各向异性识别方法 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
US20210373106A1 (en) * | 2020-05-29 | 2021-12-02 | Halliburton Energy Services, Inc. | Pore contribution corrected quantifying of surface roughness |
CN113803060A (zh) * | 2020-06-01 | 2021-12-17 | 中石化石油工程技术服务有限公司 | 用于随钻电磁波电阻率转换曲线刻度的修正方法及装置 |
RU2745137C1 (ru) * | 2020-09-08 | 2021-03-22 | Федеральное государственное бюджетное учреждение науки Институт проблем нефти и газа Российской академии наук | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин |
US20220170366A1 (en) * | 2020-12-01 | 2022-06-02 | Southwest Petroleum University | 3d in-situ characterization method for heterogeneity in generating and reserving performances of shale |
US20230074074A1 (en) * | 2021-09-02 | 2023-03-09 | Southwest Petroleum University | Intelligent recognition method for while-drilling safety risk based on convolutional neural network |
CN113759425A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 井震联合评价深层古岩溶储层充填特征的方法与系统 |
US11500117B1 (en) * | 2021-09-13 | 2022-11-15 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for evaluating filling characteristics of deep paleokarst reservoir through well-to-seismic integration |
US20230083651A1 (en) * | 2021-09-13 | 2023-03-16 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for analyzing filling for karst reservoir based on spectrum decomposition and machine learning |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
CN117211758B (zh) * | 2023-11-07 | 2024-04-02 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116976705B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sauquet et al. | Comparison of catchment grouping methods for flow duration curve estimation at ungauged sites in France | |
Rangel et al. | Towards an integrated computational tool for spatial analysis in macroecology and biogeography | |
Klinkenberg | Fractals and morphometric measures: is there a relationship? | |
Olalotiti-Lawal et al. | A multiobjective Markov chain Monte Carlo approach for history matching and uncertainty quantification | |
EP2761340B1 (fr) | Procédé d'extraction de vignette d'une image d'entraînement pour contraindre la modélisation géostatistique multipoint du sous-sol | |
Habib | Evaluation of DEM interpolation techniques for characterizing terrain roughness | |
CN116976705B (zh) | 深地油气精准导航砂泥岩地层物性评价方法与系统 | |
CN103282908B (zh) | 用于表征储藏层评估不确定性的系统和方法 | |
Gyasi‐Agyei | Copula‐based daily rainfall disaggregation model | |
EP2680045A1 (fr) | Procédé d'exploitation d'un reservoir geologique à partir d'un modèle de réservoir calé au moyen d'un parametrage multi-echelles | |
CN116957364B (zh) | 深地油气精准导航砂泥岩地层岩性评价的方法与系统 | |
CN109763814B (zh) | 基于多维测井数据的地层匹配可视分析方法 | |
Carvalho et al. | Soil classification system from cone penetration test data applying distance-based machine learning algorithms | |
Prabhakaran et al. | Investigating spatial heterogeneity within fracture networks using hierarchical clustering and graph distance metrics | |
Dumke et al. | Prediction of seismic P-wave velocity using machine learning | |
CN114402233A (zh) | 正演沉积模型的自动校准 | |
Verga et al. | Improved application of assisted history matching techniques | |
Da Silva et al. | A new approach to soil classification mapping based on the spatial distribution of soil properties | |
Tsonis et al. | Searching for determinism in observed data: a review of the issues involved | |
Tse et al. | Unsupervised learning on scientific ocean drilling datasets from the South China Sea | |
Wang et al. | Designed simulation for a detailed 3D turbidite reservoir model | |
CN114707597A (zh) | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 | |
CN116957363B (zh) | 深地油气精准导航砂泥岩地层构造评价方法与系统 | |
Kovalev et al. | Interwell Saturation Prediction by Artificial Intelligence Analysis of Well Logs | |
CN111594156A (zh) | 一种天然气水合物饱和度计算方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |