CN117386350A - 一种油气井射孔智能监测的方法 - Google Patents

一种油气井射孔智能监测的方法 Download PDF

Info

Publication number
CN117386350A
CN117386350A CN202311589542.2A CN202311589542A CN117386350A CN 117386350 A CN117386350 A CN 117386350A CN 202311589542 A CN202311589542 A CN 202311589542A CN 117386350 A CN117386350 A CN 117386350A
Authority
CN
China
Prior art keywords
perforation
data
abnormal
oil
gas well
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
CN202311589542.2A
Other languages
English (en)
Inventor
邓桥
杨冬
杨焕强
严梁柱
尚宇奇
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.)
Yangtze University
Original Assignee
Yangtze 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 Yangtze University filed Critical Yangtze University
Priority to CN202311589542.2A priority Critical patent/CN117386350A/zh
Publication of CN117386350A publication Critical patent/CN117386350A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • E21B47/00—Survey of boreholes 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
    • E21B47/00—Survey of boreholes or wells
    • E21B47/06—Measuring temperature or pressure
    • 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
    • E21B47/00—Survey of boreholes or wells
    • E21B47/06—Measuring temperature or pressure
    • E21B47/07—Temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Geophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种油气井射孔智能监测的方法，涉及人工智能技术领域，在油气井内部部署传感器网络，收集与射孔相关的物理参数，通过震动传感器记录地震波在井孔附近的振动信号并进行分析，判断油气井射孔是否异常，通过数据划分和模型训练，构建循环神经网络模型，计算得出对射孔过程关键参数的预测结果，将多源数据进行融合，对大量射孔数据进行分析，寻找射孔质量与产能之间的关联模式，提高射孔效果和产能，将提取到的频谱特征输入到聚类算法中进行训练，确定聚类中心和样本与聚类中心的距离来进行异常判断，通过在散点图上使用不同颜色表示异常样本，直观地展示异常数据的分布和趋势，对于监测到的异常情况，触发异常报警机制。

Description

一种油气井射孔智能监测的方法
技术领域
本发明涉及人工智能技术领域，更具体地说，本发明涉及一种油气井射孔智能监测的方法。
背景技术
近年来，在社会经济稳健发展的背景下，我国油气田开发事业得到有效发展。在油气田开发工作当中，射孔技术的应用非常重要，能够为油气田开发工作的优化及完善提供必要的技术支撑。
在油气井开发工作逐步推进的背景下，在一些非常规油气井中的作业也得到开展，比如：页岩气、煤层气以及致密油气等，此外还延伸到边地水区块的开发工作当中。当射孔方向错误时，射孔方向与地层裂缝、倾角或渗透性等特征不匹配，导致射孔效果不佳，无法实现预期的产能。在这样的背景下，为了使油气井实际生产需求得到有效满足，便需要注重射孔技术的优化及完善。
发明内容
本发明针对现有技术中存在的技术问题，提供一种油气井射孔智能监测的方法，通过震动传感器记录地震波在井孔附近的振动信号并进行分析，判断油气井射孔是否异常，以解决上述背景技术中提出的问题。
本发明解决上述技术问题的技术方案如下：一种油气井射孔智能监测的方法，具体包括以下步骤：
步骤101、在油气井内部部署传感器网络，收集与射孔相关的物理参数和地质情况；
步骤102、通过震动传感器记录地震波在井孔附近的振动信号并进行分析，判断油气井射孔是否异常；
步骤103、将实时采集到的数据输入监测模型，通过实时计算和分析，得出对射孔过程关键参数的预测结果；
步骤104、将采集到的多源数据进行融合，建立射孔质量与产能之间的关联模式；
步骤105、根据频谱特征相似性将样本划分为不同的簇，确定聚类中心和样本与聚类中心的距离来进行异常判断；
步骤106、根据监测数据的特征和预设的异常判定规则，对发生的异常情况进行标记和报警。
在一个优选地实施方式中，所述步骤101中，在油气井内部部署传感器网络，包括压力传感器、温度传感器，以及震动传感器，收集与射孔相关的物理参数和地质情况，具体包括以下内容：
S1、压力传感器：通过在井内安装压力传感器，实时监测井筒内的压力变化，确定井口压力、油气产量以及井下压裂操作的效果；
S2、温度传感器：使用温度传感器测量井内的温度变化，监测井筒内的温度分布情况，帮助评估地层温度梯度以及流体性质变化情况，具体包括：
步骤1、地层温度梯度：描述地层温度随着深度的变化情况，具体计算公式如下：
其中，T1和T2分别表示两个不同深度处的温度，D1和D2分别为对应的深度；
步骤2、流体性质变化：温度的变化会导致流体的密度、黏度发生变化，具体计算公式如下：
ρ2＝ρ1×(1+β×(T2-T1))
其中，ρ1和ρ2分别表示两个温度下的流体密度，β为热膨胀系数，T1和T2分别为两个温度；
μ2＝μ1×exp(α×(T2-T1))
其中，μ1和μ2分别表示两个温度下的流体黏度，α为黏度温度系数，T1和T2分别为两个温度；
S3、震动传感器：在钻井过程中，在井口位置安装震动传感器，通过测量地层振动信号来监测井孔附近的地质情况，使用震源器产生地震波，向地下传播。
在一个优选地实施方式中，所述步骤102中，通过震动传感器记录和监测地震波在井孔附近的振动信号，对记录的震动信号进行分析，包括振幅、频率以及相位参数，判断地下地层的特性和构造情况，判断油气井射孔是否异常，具体内容包括：
S1、振幅分析：通过测量振动信号的幅度，获得地下地层的反射系数信息，计算地下地层的反射系数，得到地下介质的界面性质和厚度，具体计算公式如下：
其中，A1表示地震波在地下地层界面之前的振幅，A2表示地震波在地下地层界面之后的振幅，R表示反射系数，取值范围是-1到1之间；
反射系数正值：表示振动信号在地层界面处产生反射；
反射系数负值：表示振动信号在地层界面处经历相位反转；
S2、频率分析：通过将时域信号转换为频域信号，获得信号在不同频率下的能量分布和频率响应，在地震勘探中，通过分析地震记录的频谱，推断地下地层的速度和密度差异，对于一个振动信号x(t)，将其表示为复数形式的频谱X(f)，具体计算公式如下：
X(f)＝∫[x(t)×e-2πift]dt
其中，∫表示积分符号，f表示频率，X(f)表示信号在频率f处的幅度，x(t)表示时域信号，e是自然对数的底，i是虚数单位；
S3、相位参数分析：根据地震波在地下传播过程中的时间延迟信息，确定地下地层的界面位置和倾角情况，在地震勘探中，使用两个接收信号的传感器A和B，传感器A位于地表面，传感器B位于井孔附近，通过测量相位差，获得地震波到达传感器B相对于传感器A的时间延迟，具体计算公式如下：
Δφ＝2πf(tB-tA)
其中，Δφ表示相位差，f表示地震波的频率，tB-tA表示地震波到达A和B的时间差；
S4、地震波传播模拟：利用地震波传播模拟软件，基于已知震动信号数据，模拟地震波在地下的传播路径和传播速度，通过比对模拟结果与实测数据的吻合程度，进一步确认地下地层的特性和构造情况，判断油气井射孔是否异常。
在一个优选地实施方式中，所述步骤103中，使用滑动窗口方法将油气井射孔监测数据切分为多个序列，并将这些序列输入至循环神经网络模型中，通过数据划分和模型训练，构建循环神经网络模型，将实时采集到的数据输入监测模型，通过实时计算和分析，得出对射孔过程关键参数的预测结果，具体包括以下内容：
S1、序列数据准备：使用滑动窗口方法将油气井射孔监测数据划分为多个固定长度的序列，用于训练和预测模型，具体步骤如下：
步骤1、确定窗口大小：根据应用的需求和数据的特点，确定每个序列包含的时间步数；
步骤2、定义滑动窗口：将滑动窗口在时间序列数据上进行移动，生成多个序列数据，初始时，将窗口置于数据的起始位置，按照固定的步长进行滑动，直到覆盖整个数据集。
步骤3、切分序列数据：根据滑动窗口的位置，将数据划分为多个序列，每个序列包含窗口中连续的数据点，且每个序列的长度都是固定的；
步骤4、处理标签数据：使用窗口中最后一个数据点的标签作为该序列的标签，将每个切分得到的序列保存起来；
S2、数据划分：将序列数据集划分为训练集、验证集和测试集，保持数据的时序关系，确保在时间上不发生混淆，训练集用于训练模型，验证集用于选择最佳模型和调整超参数，测试集用于评估模型的性能；
S3、模型训练：使用训练集数据进行模型的训练，通过将输入序列数据输入到RNN模型中，经过前向传播和反向传播来更新网络的权重和偏差，以最小化预测值与真实值之间的误差，具体步骤如下：
步骤1、前向传播：设置一个时间步数为T的输入序列X＝(x1,x2,...,xT)，其中xt表示第t个时间步的输入，在每个时间步t，RNN模型计算隐藏状态ht和yt，具体计算公式如下：
ht＝activation(Whhht-1+Wxhxt+bh)
yt＝activation(Whyht+by)
其中，ht-1表示上一个时间步的隐藏状态，Whh、Wxh、Why表示权重矩阵，bh、by表示偏置向量，activation表示激活函数。
步骤2、反向传播：使用梯度下降法来更新网络的参数，设置一个时间步数为T的目标序列Y＝(y1,y2,...,yT)，使用损失函数计算输出误差Et，具体计算公式如下：
Et＝loss(yt,Yt)
其中，yt表示第t个时间步的目标输入，loss是损失函数；
步骤3、更新模型参数：从最后一层开始，使用链式法则将梯度从输出层向前传递到每一层，并根据参数的权重和激活函数的导数，计算每一层的梯度，通过计算权重矩阵Why的梯度来更新模型参数，梯度计算公式如下：
其中，表示激活函数对输入的导数，表示第t个时间步的目标输入导数，表示传递过来的梯度。
使用随机梯度下降算法，根据计算得到的梯度来更新网络的参数：
其中，η表示学习率，控制参数更新的步长；
通过反复迭代前向传播和反向传播过程，更新网络的权重和偏置，提高模型在处理序列数据时的性能；
S4、模型预测：对于新的射孔数据，将序列数据输入已训练的循环神经网络模型，通过模型的预测输出获取射孔质量和产能指标关键参数，通过均方根误差验证集数据评估模型的性能，将预测结果与真实标签进行比较，具体计算公式如下：
其中，RMSE表示均方误差，∑表示对所有样本进行求和，N表示样本数量，yi表示第i个样本的真实值，表示模型的预测值。
在一个优选地实施方式中，所述步骤104中，将多源数据进行融合，包括井底数据、地质数据、工程参数，通过对大量射孔数据进行分析，寻找射孔质量与产能之间的关联模式，优化射孔设计和操作策略，提高射孔效果和产能，具体内容如下：
S1、特征缩放：将数据集划分为训练集和测试集，使用训练集的均值和标准差来进行缩放，对测试集输入数据使用相同的训练集的均值和标准差进行缩放，保持数据的一致性，具体计算公式如下：
其中，X表示缩放后的特征值，x表示原始特征值，表示特征的均值，s表示特征的标准差。
S2、基于机器学习和人工智能技术，将地震数据与射孔质量数据结合，估计射孔孔隙度和产能指标，使用线性回归模型来建立射孔质量与产能之间的关联模式，通过训练数据集，使用最小二乘法方法估计出模型的系数，用于预测新样本的产能，具体计算公式如下：
Y＝β0+β1x1+β2x2+β3x3+ε
其中，表示x1射孔深度，x2表示射孔密度，x3表示射孔孔径，Y表示产能，β0,β1,β2,β3是模型的系数，表示特征对产能的影响程度，ε是误差项，表示模型无法解释的部分。
在一个优选地实施方式中，所述步骤105中，使用傅里叶变换计算射孔参数的频谱分析，将提取到的频谱特征输入到聚类算法中进行训练，根据特征相似性将样本划分为不同的簇，异常样本被分配到独立的簇中成为离群点，通过对数据集进行划分，确定聚类中心和样本与聚类中心的距离来进行异常判断，具体包括以下内容：
S1、频谱分析：使用傅里叶变换计算射孔参数的频谱分析，将射孔参数从时域转换到频域，并得到频域上的幅度谱和相位谱，具体步骤如下：
步骤1、设置射孔参数在时间上的离散采样值为x[n]，对时域信号x[n]进行DFT变换得到频域表示X[k]，具体计算公式如下：
其中，X[k]表示频域，n和k都是整数，j是虚数单位，n表示采样点的索引，N表示采样点数。
步骤2：从DFT的结果中提取幅度谱和相位谱：
幅度谱A[k]＝|X[k]|，表示信号在频率k处的振幅；
相位谱φ[k]＝arg(X[k])，表示信号在频率k处的相位信息；
步骤3、频率表示：将频率表示为具体的数值，具体计算公式如下：
其中，fs表示采样率，N表示采样点数，k表示频率索引；
S2、异常检测：将提取到的频谱特征输入到聚类算法中进行训练，将样本根据特征相似性划分为不同的簇，异常样本被分配到独立的簇中成为离群点，通过对数据集进行划分，确定聚类中心和样本与聚类中心的距离来进行异常判断，具体步骤如下：
步骤1、对于每个数据点，计算其ε-邻域内的点的数量，并判断是否为核心对象，对于给定数据点A和某数据点B，在距离度量上设置一个阈值半径ε，计算A的ε-邻域内的数据点数量，具体计算公式为：
N(A)＝{B∈DataSet|distance(A,B)≤ε}
其中，N(A)表示A的ε-邻域内的点的集合，DataSet表示整个数据集，distance(A,B)表示计算A和B之间的距离，具体计算公式如下：
其中，distance(A,B)表示点A与点B之间的欧氏距离。
步骤2、根据核心对象之间的密度可达关系，构建密度相连的簇，具体包括：
(1)密度可达：对于给定的核心对象A和B，存在一系列的核心对象P1,P2,...,Pn，其中P1＝A，Pn＝B，并且对于任意Pi(1≤i≤n-1)，Pi+1在Pi的ε-邻域内，B在ε-邻域内密度可达A；
(2)密度相连：对于给定的核心对象A和B，存在一个核心对象C，使得A和B都在C的ε-邻域内密度可达，A和B在ε-邻域内密度相连；
步骤3、持续扫描所有数据点，将未被归为任何簇的噪声点标记出来，具体包括：
(1)初始化一个空簇集合C，一个空噪声点集合Noise，以及一个空的已访问点集合Visited；
(2)对于每个数据点A，检查它是否已被访问过，被访问过，跳过当前循环继续下一个数据点；
(3)将A标记为已访问，并将其加入Visited集合；
(4)计算A的ε-邻域内的点的数量|N(A)|；
(5)A是核心对象(|N(A)|≥MinPts)，创建一个新簇current_cluster，并将A添加到current_cluster中，递归调用步骤5.1～5.3，具体包括：
步骤5.1、扫描A的ε-邻域内的点B；
步骤5.2、B未被访问过，将B标记为已访问，并将其加入Visited集合；
步骤5.3、B是核心对象(|N(B)|≥MinPts)，将B及其ε-邻域内尚未被访问的点添加到current_cluster中；
(6)A不是核心对象且未被归为任何簇，将A加入到Noise集合中，标记为噪声点；
(7)重复步骤(2)～(6)，直到所有数据点都被访问过，返回簇集合C和噪声点集合Noise；
通过以上步骤，将未被归为任何簇的噪声点标记出来，并将其收集到Noise集合中，得到簇集合C和噪声点集合Noise作为算法的输出结果。
在一个优选地实施方式中，所述步骤106中，根据监测数据的特征和预设的异常判定规则，对发生的异常情况进行标记，通过在散点图上使用不同颜色表示异常样本，直观地展示异常数据的分布和趋势，对于监测到的异常情况，触发异常报警机制，具体包括以下内容：
S1、异常标记：根据监测数据的特征和预设的异常判定规则，基于孤立森林算法对异常数据进行标记，具体步骤如下：
步骤1、数据分割：将采集到的数据汇聚成一个数据集，随机选择一个特征和一个切分点，将数据集分割成两个子集，继续对每个子集进行随机的特征选择和分割，直到树的深度达到阈值；
步骤2、构建树：重复上述步骤，递归地构建多棵二叉搜索树，形成孤立森林，每个样本在树中的高度被看作一个异常分数，越短越是异常点；
步骤3、异常得分：对于新的样本数据，通过计算其在每棵树中的平均路径长度作为异常得分，路径长度越短，说明样本容易被孤立，异常得分越低，孤立森林将异常得分映射到(0,1]的范围内，异常得分越接近0，表示样本越异常，具体计算公式如下：
其中，x表示样本在每棵树中到达叶子节点的平均路径长度，n表示训练数据的样本数量，c(n)是一个常数，H(n-1)是n-1的调和数；
步骤4、异常标记：根据预先设定的阈值，将异常得分与阈值进行比较，得分低于阈值的样本将被判定为异常，将异常样本标记出来；
S2、异常记录可视化：将监测到的异常情况记录下来，通过在散点图上使用不同颜色表示异常样本，直观地展示异常数据的分布和趋势，方便监测人员进行查看和分析，具体步骤如下：
步骤1、根据得分比较标记异常样本：使用循环遍历所有样本的得分，将低于阈值的样本记录下来，并将所有样本的x轴、y轴坐标和对应的得分分别存储到三个列表中；
步骤2、绘制散点图并标记异常样本：使用Matplotlib库中的scatter()函数绘制散点图，并将异常样本用红色圆圈标记出来，绘制完成后，散点图将以正常样本为蓝色点，以异常样本为红色圆圈进行标记；
S3、异常报警与通知：对于监测到的异常情况，触发异常报警机制，通过声音警报、手机短信、邮件方式向工作人员发送报警通知，确保及时响应和处理。
本发明的有益效果是：在油气井内部部署传感器网络，收集与射孔相关的物理参数，通过震动传感器记录地震波在井孔附近的振动信号并进行分析，判断油气井射孔是否异常，通过数据划分和模型训练，构建循环神经网络模型，计算得出对射孔过程关键参数的预测结果，将多源数据进行融合，对大量射孔数据进行分析，寻找射孔质量与产能之间的关联模式，提高射孔效果和产能，将提取到的频谱特征输入到聚类算法中进行训练，确定聚类中心和样本与聚类中心的距离来进行异常判断，通过在散点图上使用不同颜色表示异常样本，直观地展示异常数据的分布和趋势，对于监测到的异常情况，触发异常报警机制。
附图说明
图1为本发明的系统流程图；
图2为本发明的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
实施例1
本实施例提供了如图1所示一种油气井射孔智能监测的方法，具体包括以下步骤：
步骤101、在油气井内部部署传感器网络，收集与射孔相关的物理参数和地质情况；
进一步的，在油气井内部部署传感器网络，包括压力传感器、温度传感器，以及震动传感器，收集与射孔相关的物理参数和地质情况，具体包括以下内容：
S1、压力传感器：通过在井内安装压力传感器，实时监测井筒内的压力变化，确定井口压力、油气产量以及井下压裂操作的效果；
S2、温度传感器：使用温度传感器测量井内的温度变化，监测井筒内的温度分布情况，帮助评估地层温度梯度以及流体性质变化情况，具体包括：
步骤1、地层温度梯度：描述地层温度随着深度的变化情况，具体计算公式如下：
其中，T1和T2分别表示两个不同深度处的温度，D1和D2分别为对应的深度。
步骤2、流体性质变化：温度的变化会导致流体的密度、黏度发生变化，具体计算公式如下：
ρ2＝ρ1×(1+β×(T2-T1))
其中，ρ1和ρ2分别表示两个温度下的流体密度，β为热膨胀系数，T1和T2分别为两个温度；
μ2＝μ1×exp(α×(T2-T1))
其中，μ1和μ2分别表示两个温度下的流体黏度，α为黏度温度系数，T1和T2分别为两个温度；
S3、震动传感器：在钻井过程中，在井口位置安装震动传感器，通过测量地层振动信号来监测井孔附近的地质情况，使用震源器产生地震波，向地下传播。
步骤102、通过震动传感器记录地震波在井孔附近的振动信号并进行分析，判断油气井射孔是否异常；
进一步的，通过震动传感器记录和监测地震波在井孔附近的振动信号，对记录的震动信号进行分析，包括振幅、频率以及相位参数，判断地下地层的特性和构造情况，判断油气井射孔是否异常，具体内容包括：
S1、振幅分析：通过测量振动信号的幅度，获得地下地层的反射系数信息，计算地下地层的反射系数，得到地下介质的界面性质和厚度，具体计算公式如下：
其中，A1表示地震波在地下地层界面之前的振幅，A2表示地震波在地下地层界面之后的振幅，R表示反射系数，取值范围是-1到1之间；
反射系数正值：表示振动信号在地层界面处产生反射；
反射系数负值：表示振动信号在地层界面处经历相位反转；
S2、频率分析：通过将时域信号转换为频域信号，获得信号在不同频率下的能量分布和频率响应，在地震勘探中，通过分析地震记录的频谱，推断地下地层的速度和密度差异，对于一个振动信号x(t)，将其表示为复数形式的频谱X(f)，具体计算公式如下：
X(f)＝∫[x(t)×e-2πift]dt
其中，∫表示积分符号，f表示频率，X(f)表示信号在频率f处的幅度，x(t)表示时域信号，e是自然对数的底，i是虚数单位；
S3、相位参数分析：根据地震波在地下传播过程中的时间延迟信息，确定地下地层的界面位置和倾角情况，在地震勘探中，使用两个接收信号的传感器A和B，传感器A位于地表面，传感器B位于井孔附近，通过测量相位差，获得地震波到达传感器B相对于传感器A的时间延迟，具体计算公式如下：
Δφ＝2πf(tB-tA)
其中，Δφ表示相位差，f表示地震波的频率，tB-tA表示地震波到达A和B的时间差；
S4、地震波传播模拟：利用地震波传播模拟软件，基于已知震动信号数据，模拟地震波在地下的传播路径和传播速度，通过比对模拟结果与实测数据的吻合程度，进一步确认地下地层的特性和构造情况，判断油气井射孔是否异常。
步骤103、将实时采集到的数据输入监测模型，通过实时计算和分析，得出对射孔过程关键参数的预测结果；
进一步的，使用滑动窗口方法将油气井射孔监测数据切分为多个序列，并将这些序列输入至循环神经网络模型中，通过数据划分和模型训练，构建循环神经网络模型，将实时采集到的数据输入监测模型，通过实时计算和分析，得出对射孔过程关键参数的预测结果，具体包括以下内容：
S1、序列数据准备：使用滑动窗口方法将油气井射孔监测数据划分为多个固定长度的序列，用于训练和预测模型，具体步骤如下：
步骤1、确定窗口大小：根据应用的需求和数据的特点，确定每个序列包含的时间步数；
步骤2、定义滑动窗口：将滑动窗口在时间序列数据上进行移动，生成多个序列数据，初始时，将窗口置于数据的起始位置，按照固定的步长进行滑动，直到覆盖整个数据集。
步骤3、切分序列数据：根据滑动窗口的位置，将数据划分为多个序列，每个序列包含窗口中连续的数据点，且每个序列的长度都是固定的；
步骤4、处理标签数据：使用窗口中最后一个数据点的标签作为该序列的标签，将每个切分得到的序列保存起来；
S2、数据划分：将序列数据集划分为训练集、验证集和测试集，保持数据的时序关系，确保在时间上不发生混淆，训练集用于训练模型，验证集用于选择最佳模型和调整超参数，测试集用于评估模型的性能；
S3、模型训练：使用训练集数据进行模型的训练，通过将输入序列数据输入到RNN模型中，经过前向传播和反向传播来更新网络的权重和偏差，以最小化预测值与真实值之间的误差，具体步骤如下：
步骤1、前向传播：设置一个时间步数为T的输入序列X＝(x1,x2,...,xT)，其中xt表示第t个时间步的输入，在每个时间步t，RNN模型计算隐藏状态ht和yt，具体计算公式如下：
ht＝activation(Whhht-1+Wxhxt+bh)
yt＝activation(Whyht+by)
其中，ht-1表示上一个时间步的隐藏状态，Whh、Wxh、Why表示权重矩阵，bh、by表示偏置向量，activation表示激活函数。
步骤2、反向传播：使用梯度下降法来更新网络的参数，设置一个时间步数为T的目标序列Y＝(y1,y2,...,yT)，使用损失函数计算输出误差Et，具体计算公式如下：
Et＝loss(yt,Yt)
其中，yt表示第t个时间步的目标输入，loss是损失函数；
步骤3、更新模型参数：从最后一层开始，使用链式法则将梯度从输出层向前传递到每一层，并根据参数的权重和激活函数的导数，计算每一层的梯度，通过计算权重矩阵Why的梯度来更新模型参数，梯度计算公式如下：
其中，表示激活函数对输入的导数，表示第t个时间步的目标输入导数，表示传递过来的梯度。
使用随机梯度下降算法，根据计算得到的梯度来更新网络的参数：
其中，η表示学习率，控制参数更新的步长；
通过反复迭代前向传播和反向传播过程，更新网络的权重和偏置，提高模型在处理序列数据时的性能；
S4、模型预测：对于新的射孔数据，将序列数据输入已训练的循环神经网络模型，通过模型的预测输出获取射孔质量和产能指标关键参数，通过均方根误差验证集数据评估模型的性能，将预测结果与真实标签进行比较，具体计算公式如下：
其中，RMSE表示均方误差，∑表示对所有样本进行求和，N表示样本数量，yi表示第i个样本的真实值，表示模型的预测值。
步骤104、将采集到的多源数据进行融合，建立射孔质量与产能之间的关联模式；
进一步的，将多源数据进行融合，包括井底数据、地质数据、工程参数，通过对大量射孔数据进行分析，寻找射孔质量与产能之间的关联模式，优化射孔设计和操作策略，提高射孔效果和产能，具体内容如下：
S1、特征缩放：将数据集划分为训练集和测试集，使用训练集的均值和标准差来进行缩放，对测试集输入数据使用相同的训练集的均值和标准差进行缩放，保持数据的一致性，具体计算公式如下：
其中，X表示缩放后的特征值，x表示原始特征值，表示特征的均值，s表示特征的标准差。
S2、基于机器学习和人工智能技术，将地震数据与射孔质量数据结合，估计射孔孔隙度和产能指标，使用线性回归模型来建立射孔质量与产能之间的关联模式，通过训练数据集，使用最小二乘法方法估计出模型的系数，用于预测新样本的产能，具体计算公式如下：
Y＝β0+β1x1+β2x2+β3x3+ε
其中，表示x1射孔深度，x2表示射孔密度，x3表示射孔孔径，Y表示产能，β0,β1,β2,β3是模型的系数，表示特征对产能的影响程度，ε是误差项，表示模型无法解释的部分。
步骤105、根据频谱特征相似性将样本划分为不同的簇，确定聚类中心和样本与聚类中心的距离来进行异常判断；
进一步的，使用傅里叶变换计算射孔参数的频谱分析，将提取到的频谱特征输入到聚类算法中进行训练，根据特征相似性将样本划分为不同的簇，异常样本被分配到独立的簇中成为离群点，通过对数据集进行划分，确定聚类中心和样本与聚类中心的距离来进行异常判断，具体包括以下内容：
S1、频谱分析：使用傅里叶变换计算射孔参数的频谱分析，将射孔参数从时域转换到频域，并得到频域上的幅度谱和相位谱，具体步骤如下：
步骤1、设置射孔参数在时间上的离散采样值为x[n]，对时域信号x[n]进行DFT变换得到频域表示X[k]，具体计算公式如下：
其中，X[k]表示频域，n和k都是整数，j是虚数单位，n表示采样点的索引，N表示采样点数。
步骤2：从DFT的结果中提取幅度谱和相位谱：
幅度谱A[k]＝|X[k]|，表示信号在频率k处的振幅；
相位谱φ[k]＝arg(X[k])，表示信号在频率k处的相位信息；
步骤3、频率表示：将频率表示为具体的数值，具体计算公式如下：
其中，fs表示采样率，N表示采样点数，k表示频率索引；
S2、异常检测：将提取到的频谱特征输入到聚类算法中进行训练，将样本根据特征相似性划分为不同的簇，异常样本被分配到独立的簇中成为离群点，通过对数据集进行划分，确定聚类中心和样本与聚类中心的距离来进行异常判断，具体步骤如下：
步骤1、对于每个数据点，计算其ε-邻域内的点的数量，并判断是否为核心对象，对于给定数据点A和某数据点B，在距离度量上设置一个阈值半径ε，计算A的ε-邻域内的数据点数量，具体计算公式为：
N(A)＝{B∈DataSet|distance(A,B)≤ε}
其中，N(A)表示A的ε-邻域内的点的集合，DataSet表示整个数据集，distance(A,B)表示计算A和B之间的距离，具体计算公式如下：
其中，distance(A,B)表示点A与点B之间的欧氏距离。
步骤2、根据核心对象之间的密度可达关系，构建密度相连的簇，具体包括：
(1)密度可达：对于给定的核心对象A和B，存在一系列的核心对象P1,P2,...,Pn，其中P1＝A，Pn＝B，并且对于任意Pi(1≤i≤n-1)，Pi+1在Pi的ε-邻域内，B在ε-邻域内密度可达A；
(2)密度相连：对于给定的核心对象A和B，存在一个核心对象C，使得A和B都在C的ε-邻域内密度可达，A和B在ε-邻域内密度相连；
步骤3、持续扫描所有数据点，将未被归为任何簇的噪声点标记出来，具体包括：
(1)初始化一个空簇集合C，一个空噪声点集合Noise，以及一个空的已访问点集合Visited；
(2)对于每个数据点A，检查它是否已被访问过，被访问过，跳过当前循环继续下一个数据点；
(3)将A标记为已访问，并将其加入Visited集合；
(4)计算A的ε-邻域内的点的数量|N(A)|；
(5)A是核心对象(|N(A)|≥MinPts)，创建一个新簇current_cluster，并将A添加到current_cluster中，递归调用步骤5.1～5.3，具体包括：
步骤5.1、扫描A的ε-邻域内的点B；
步骤5.2、B未被访问过，将B标记为已访问，并将其加入Visited集合；
步骤5.3、B是核心对象(|N(B)|≥MinPts)，将B及其ε-邻域内尚未被访问的点添加到current_cluster中；
(6)A不是核心对象且未被归为任何簇，将A加入到Noise集合中，标记为噪声点；
(7)重复步骤(2)～(6)，直到所有数据点都被访问过，返回簇集合C和噪声点集合Noise；
通过以上步骤，将未被归为任何簇的噪声点标记出来，并将其收集到Noise集合中，得到簇集合C和噪声点集合Noise作为算法的输出结果。
步骤106、根据监测数据的特征和预设的异常判定规则，对发生的异常情况进行标记和报警；
进一步的，根据监测数据的特征和预设的异常判定规则，对发生的异常情况进行标记，通过在散点图上使用不同颜色表示异常样本，直观地展示异常数据的分布和趋势，对于监测到的异常情况，触发异常报警机制，具体包括以下内容：
S1、异常标记：根据监测数据的特征和预设的异常判定规则，基于孤立森林算法对异常数据进行标记，具体步骤如下：
步骤1、数据分割：将采集到的数据汇聚成一个数据集，随机选择一个特征和一个切分点，将数据集分割成两个子集，继续对每个子集进行随机的特征选择和分割，直到树的深度达到阈值；
步骤2、构建树：重复上述步骤，递归地构建多棵二叉搜索树，形成孤立森林，每个样本在树中的高度被看作一个异常分数，越短越是异常点；
步骤3、异常得分：对于新的样本数据，通过计算其在每棵树中的平均路径长度作为异常得分，路径长度越短，说明样本容易被孤立，异常得分越低，孤立森林将异常得分映射到(0,1]的范围内，异常得分越接近0，表示样本越异常，具体计算公式如下：
其中，x表示样本在每棵树中到达叶子节点的平均路径长度，n表示训练数据的样本数量，c(n)是一个常数，H(n-1)是n-1的调和数；
步骤4、异常标记：根据预先设定的阈值，将异常得分与阈值进行比较，得分低于阈值的样本将被判定为异常，将异常样本标记出来；
S2、异常记录可视化：将监测到的异常情况记录下来，通过在散点图上使用不同颜色表示异常样本，直观地展示异常数据的分布和趋势，方便监测人员进行查看和分析，具体步骤如下：
步骤1、根据得分比较标记异常样本：使用循环遍历所有样本的得分，将低于阈值的样本记录下来，并将所有样本的x轴、y轴坐标和对应的得分分别存储到三个列表中；
步骤2、绘制散点图并标记异常样本：使用Matplotlib库中的scatter()函数绘制散点图，并将异常样本用红色圆圈标记出来，绘制完成后，散点图将以正常样本为蓝色点，以异常样本为红色圆圈进行标记；
S3、异常报警与通知：对于监测到的异常情况，触发异常报警机制，通过声音警报、手机短信、邮件方式向工作人员发送报警通知，确保及时响应和处理。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (8)

1.一种油气井射孔智能监测的方法，其特征在于，具体包括以下步骤：
步骤101、在油气井内部部署传感器网络，收集与射孔相关的物理参数和地质情况；
步骤102、通过震动传感器记录地震波在井孔附近的振动信号并进行分析，判断油气井射孔是否异常；
步骤103、将实时采集到的数据输入监测模型，通过实时计算和分析，得出对射孔过程关键参数的预测结果；
步骤104、将采集到的多源数据进行融合，建立射孔质量与产能之间的关联模式；
步骤105、根据频谱特征相似性将样本划分为不同的簇，确定聚类中心和样本与聚类中心的距离来进行异常判断；
步骤106、根据监测数据的特征和预设的异常判定规则，对发生的异常情况进行标记和报警。
2.根据权利要求1所述的一种油气井射孔智能监测的方法，其特征在于：所述步骤101中，在油气井内部部署传感器网络，包括压力传感器、温度传感器，以及震动传感器，收集与射孔相关的物理参数和地质情况，具体计算公式如下：
ρ2＝ρ1×(1+β×(T2-T1))
其中，ρ1和ρ2分别表示两个温度下的流体密度，β为热膨胀系数，T1和T2分别为两个温度。
3.根据权利要求1所述的一种油气井射孔智能监测的方法，其特征在于，所述步骤102中，通过震动传感器记录和监测地震波在井孔附近的振动信号，对记录的震动信号进行分析，包括振幅、频率以及相位参数，判断地下地层的特性和构造情况，判断油气井射孔是否异常，具体计算公式如下：
X(f)＝∫[x(t)×e-2πift]dt
其中，∫表示积分符号，f表示频率，X(f)表示信号在频率f处的幅度，x(t)表示时域信号，e是自然对数的底，i是虚数单位。
4.根据权利要求1所述的一种油气井射孔智能监测的方法，其特征在于，所述步骤103中，使用滑动窗口方法将油气井射孔监测数据切分为多个序列，并将这些序列输入至循环神经网络模型中，通过数据划分和模型训练，构建循环神经网络模型，将实时采集到的数据输入监测模型，进行模型预测，将预测结果与真实标签进行比较，通过实时计算和分析，更新模型参数，梯度计算公式如下：
其中，表示激活函数对输入的导数，表示第t个时间步的目标输入导数，表示传递过来的梯度。
5.根据权利要求4所述的一种油气井射孔智能监测的方法，其特征在于，所述模型预测，对于新的射孔数据，将序列数据输入已训练的循环神经网络模型，通过模型的预测输出获取射孔质量和产能指标关键参数，通过均方根误差验证集数据评估模型的性能，将预测结果与真实标签进行比较，具体计算公式如下：
其中，RMSE表示均方误差，∑表示对所有样本进行求和，N表示样本数量，yi表示第i个样本的真实值，表示模型的预测值。
6.根据权利要求1所述的一种油气井射孔智能监测的方法，其特征在于，所述步骤104中，将多源数据进行融合，包括井底数据、地质数据、工程参数，通过对大量射孔数据进行分析，寻找射孔质量与产能之间的关联模式，优化射孔设计和操作策略，提高射孔效果和产能，具体计算公式如下：
Y＝β0+β1x1+β2x2+β3x3+ε
其中，表示x1射孔深度，x2表示射孔密度，x3表示射孔孔径，Y表示产能，β0,β1,β2,β3是模型的系数，表示特征对产能的影响程度，ε是误差项，表示模型无法解释的部分。
7.根据权利要求1所述的一种油气井射孔智能监测的方法，其特征在于，所述步骤105中，使用傅里叶变换计算射孔参数的频谱分析，将提取到的频谱特征输入到聚类算法中进行训练，根据特征相似性将样本划分为不同的簇，异常样本被分配到独立的簇中成为离群点，通过对数据集进行划分，确定聚类中心和样本与聚类中心的距离来进行异常判断，具体计算公式如下：
其中，X[k]表示频域，n和k都是整数，j是虚数单位，n表示采样点的索引，N表示采样点数。
8.根据权利要求1所述的一种油气井射孔智能监测的方法，其特征在于，所述步骤106中，根据监测数据的特征和预设的异常判定规则，对发生的异常情况进行标记，通过在散点图上使用不同颜色表示异常样本，直观地展示异常数据的分布和趋势，对于监测到的异常情况，触发异常报警机制，具体计算公式如下：
其中，x表示样本在每棵树中到达叶子节点的平均路径长度，n表示训练数据的样本数量，c(n)是一个常数，H(n-1)是n-1的调和数。
CN202311589542.2A 2023-11-27 2023-11-27 一种油气井射孔智能监测的方法 Pending CN117386350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311589542.2A CN117386350A (zh) 2023-11-27 2023-11-27 一种油气井射孔智能监测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311589542.2A CN117386350A (zh) 2023-11-27 2023-11-27 一种油气井射孔智能监测的方法

Publications (1)

Publication Number Publication Date
CN117386350A true CN117386350A (zh) 2024-01-12

Family

ID=89463207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311589542.2A Pending CN117386350A (zh) 2023-11-27 2023-11-27 一种油气井射孔智能监测的方法

Country Status (1)

Country Link
CN (1) CN117386350A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117805932A (zh) * 2024-03-01 2024-04-02 肥城新查庄地质勘查有限公司 基于煤矿勘探数据的煤层确定方法
CN117909852A (zh) * 2024-03-19 2024-04-19 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) 一种用于水工环生态数据分析的监测数据状态划分方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117805932A (zh) * 2024-03-01 2024-04-02 肥城新查庄地质勘查有限公司 基于煤矿勘探数据的煤层确定方法
CN117805932B (zh) * 2024-03-01 2024-05-28 肥城新查庄地质勘查有限公司 基于煤矿勘探数据的煤层确定方法
CN117909852A (zh) * 2024-03-19 2024-04-19 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) 一种用于水工环生态数据分析的监测数据状态划分方法
CN117909852B (zh) * 2024-03-19 2024-05-24 山东省地矿工程勘察院(山东省地质矿产勘查开发局八〇一水文地质工程地质大队) 一种用于水工环生态数据分析的监测数据状态划分方法

Similar Documents

Publication Publication Date Title
US10621500B2 (en) Completion design optimization using machine learning and big data solutions
CN117386350A (zh) 一种油气井射孔智能监测的方法
EP1774136B1 (en) Well characterisation method
AU2011283109B2 (en) Systems and methods for predicting well performance
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
EP1984860A2 (en) Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators
WO2021040791A1 (en) Probability distribution assessment for classifying subterranean formations using machine learning
Hatampour et al. Hydraulic flow units' estimation from seismic data using artificial intelligence systems, an example from a gas reservoir in the Persian Gulf
Chaikine et al. A new machine learning procedure to generate highly accurate synthetic shear sonic logs in unconventional reservoirs
Fattahi et al. Hybrid ANFIS with ant colony optimization algorithm for prediction of shear wave velocity from a carbonate reservoir in Iran
CN114741944A (zh) 一种利用机器学习和深度学习算法预测测井曲线的方法
CN116911216B (zh) 一种储层油井产能因素评估与预测方法
CN117093922A (zh) 一种基于改进svm的不平衡样本油藏复杂流体识别方法
US20230141334A1 (en) Systems and methods of modeling geological facies for well development
CN115964667A (zh) 基于深度学习和重采样的河流-湖泊岩相测井识别方法
US20230068373A1 (en) Machine learning model selection based on feature merging for a spatial location across multiple time windows
CN114818493A (zh) 一种隧道岩体完整程度定量评价的方法
US20220372846A1 (en) Automated identification of well targets in reservoir simulation models
Luo et al. A Transient-Pressure-Based Numerical Approach for Interlayer Identification in Sand Reservoirs
EP4321905A1 (en) System and method for storage and retrieval of subsurface rock physical property prediction models using seismic interpretation
CN114063169B (zh) 一种波阻抗反演方法、系统、设备和存储介质
KR102645323B1 (ko) 예측 모델을 통한 예측 결과의 신뢰도를 평가하는 방법 및 장치
US20240361482A1 (en) Estimating material properties using proxy models
US20220291405A1 (en) System and method for storage and retrieval of subsurface rock physical property prediction models using seismic interpretation
Hakam et al. Sonic Log Prediction Based on Extreme Gradient Boosting (XGBoost) Machine Learning Algorithm by Using Well Log Data

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