CN117633658A - 岩石储层岩性识别方法及系统 - Google Patents
岩石储层岩性识别方法及系统 Download PDFInfo
- Publication number
- CN117633658A CN117633658A CN202410104451.3A CN202410104451A CN117633658A CN 117633658 A CN117633658 A CN 117633658A CN 202410104451 A CN202410104451 A CN 202410104451A CN 117633658 A CN117633658 A CN 117633658A
- Authority
- CN
- China
- Prior art keywords
- depth
- nodes
- data
- lithology
- lithology recognition
- 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 115
- 239000011435 rock Substances 0.000 title claims abstract description 82
- 238000000547 structure data Methods 0.000 claims abstract description 84
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例提供一种岩石储层岩性识别方法及系统，涉及机器学习技术领域，该方法包括：获取常规测井数据，其中，包括预设的多条测井曲线的深度数据及其对应的测井曲线值；根据深度数据构建深度节点，并将多条测井曲线值对应深度数据的测井曲线值作为节点特征赋予深度节点；获取深度节点间的关联关系，根据深度节点间的关联关系在深度节点间创建边，得到至少一个图结构数据；将至少一个图结构数据分别输入到岩性识别模型，输出深度节点对应的岩性识别结果；其中，岩性识别模型是基于图卷积神经网络训练获取的。本发明实施例提供的岩石储层岩性识别方法及系统，提高了岩性识别的准确性、稳定性、鲁棒性，并提高了泛化能力。
Description
技术领域
本发明实施例涉及机器学习技术领域，具体涉及岩石储层岩性识别方法及系统。
背景技术
陆相页岩通常具有复杂的地质多样性，其沉积环境和物源供给有较强的非均质性，构造和成岩演化复杂，导致储层岩性多样性强、纵向上和平面上变化快。岩心观察和描述以及成像测井解释通常提供了高度准确的岩性信息，然而由于岩心取样和成像测井经济成本高、数据样本有限，因此无法满足区域研究和预测。常规测井数据具有高垂直分辨率、连续性好以及易于采集的特点，尤其是对不同岩性有明显的响应特征，然而，其识别也受到多种地质和钻井因素的复杂影响，例如地层中的裂缝分布、流体类型及其饱和度、地层深度和测井工具的性能等，使得常规测井数据具有较强的多解性，进而影响储层岩性的准确识别。
发明内容
针对现有技术存在的缺陷，本发明实施例提供一种岩石储层岩性识别方法及系统。
本发明实施例提供一种岩石储层岩性识别方法，包括：获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值；根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述方法还包括：根据岩心描述数据及成像测井数据获取岩性标注数据。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述方法还包括：根据所述深度节点对应的所述深度数据将所述深度节点对应的所述岩性识别结果可视化展示。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据，包括：将所述深度节点进行聚类，得到聚类到一个簇内的深度节点间的关联关系；在保持所述簇内的所述深度节点间的关联关系的基础上，通过对所述深度节点间进行相似度计算，得到不同簇中所述深度节点间的关联关系；根据簇内的所述深度节点间的关联关系及不同簇中所述深度节点间的关联关系连接所述深度节点形成边，得到所述至少一个图结构数据。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述将所述深度节点进行聚类，包括：利用高斯混合算法对所述深度节点进行聚类。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述对所述深度节点间进行相似度计算，包括：使用欧几里得距离方法进行相似度计算。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述岩性识别模型包括多层图卷积神经网络；所述将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果，包括：将所述至少一个图结构数据分别输入到所述岩性识别模型，通过每层所述图卷积神经网络对所述深度节点的节点特征进行更新；其中，每层所述图卷积神经网络通过对所述深度节点的邻居节点进行节点特征聚合，得到聚合后的信息向量，将所述信息向量和所述深度节点的特征向量相结合，更新所述深度节点的节点特征；最后一层所述图卷积神经网络的输出经过激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率，概率最高即为各个深度节点对应的所述岩性识别结果。
根据本发明实施例提供的一种岩石储层岩性识别方法，在根据所述深度数据构建深度节点之前，所述方法还包括：对所述常规测井数据进行预设数据预处理。
本发明实施例还提供一种岩石储层岩性识别系统，包括：常规测井数据获取模块，用于：获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值；深度节点构建模块，用于：根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；图结构数据获取模块，用于：获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；岩性识别模块，用于：将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述岩石储层岩性识别方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述岩石储层岩性识别方法的步骤。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述岩石储层岩性识别方法的步骤。
本发明实施例提供的岩石储层岩性识别方法及系统，通过获取常规测井数据，根据深度数据构建深度节点，并将多条测井曲线对应深度数据的测井曲线值作为节点特征赋予深度节点，获取深度节点间的关联关系，根据关联关系在深度节点间创建边，得到图结构数据，将图结构数据输入到岩性识别模型，输出深度节点对应的岩性识别结果，提高了岩性识别的准确性、稳定性、鲁棒性，并提高了泛化能力。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的岩石储层岩性识别方法的流程示意图之一；
图2是本发明实施例提供的岩石储层岩性识别方法中图结构数据的获取过程示意图；
图3是本发明实施例提供的岩石储层岩性识别方法的流程示意图之二；
图4是本发明实施例提供的岩石储层岩性识别方法的流程示意图之三；
图5是本发明实施例提供的岩石储层岩性识别方法的岩性识别结果的示意图；
图6是本发明实施例提供的岩石储层岩性识别系统的结构示意图；
图7是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例将机器学习方法引入岩性的识别研究中，自动从数据中学习模式和关联性，有效提高了岩性识别的效率和准确性。
机器学习方法一般包括全监督，半监督和无监督的三种方法。无监督学习测井岩性识别用于自动从测井数据中识别地层中的不同岩性类型，而不需要岩心及成像测井标注，通过模型发现数据中的模式并分组相似性质的地层样本。虽然无监督学习可以节约大量的预实验标注过程，但是对于测井数据质量和数据数量要求较高，无法提供具体的岩性标签。基于全监督学习识别岩性，使用的是已知的地质标签进行训练，能够提供高准确性的岩性识别，因此每个样本都有一个明确定义的岩性标签，结果更容易理解与解释。并且，全监督学习能够判定不同类型测井曲线对于特定岩性识别的关键作用，更适用于多类别岩性识别问题。然而，全监督学习模型标记数据需求高，通常只能识别训练数据中限定的岩性，对于新的、未知的岩性类别的泛化能力有限。半监督学习结合了全监督学习和无监督学习的优势，在岩性识别任务中提供了一种平衡的方法，允许使用有标签和无标签的数据，比纯无监督学习具有更高的准确性，比全监督学习需要更少的标签数据，并且能提供相当高的准确性和泛化性。因此，在少量岩心数据以及成像数据时，本发明实施例使用半监督学习进行岩性智能识别。
通过尝试一些半监督方法进行岩性识别发现：（1）陆相页岩岩性数据集往往存在不平衡的类别分布，而这些方法对不平衡数据的处理效果有限；（2）岩性数据中的特征和岩性类型之间的关系通常是非线性的，传统的半监督线性模型无法充分捕获其相关的关系。
针对以上问题，本发明实施例将图卷积神经网络（Graph ConvolutionalNetwork，GCN）引入岩性识别过程中，通过有效的信息传播和图结构建模，GCN可以更好地捕获不同类别之间的特征，尤其是在数据较少时，提高了岩性识别准确性。训练过程中，GCN是一种非线性模型，能够更全面地捕获非线性关系，包括地质层次结构、岩性界面等地质联系，以更少的数据达到其它模型同样的效果，泛化能力更强。同时，将实际地层空间分布规律抽象化为图结构，具有很强自适应性，在不同地质区域或井的岩性识别中更具鲁棒性。
图1是本发明实施例提供的岩石储层岩性识别方法的流程示意图之一。如图1所示，该方法包括：
步骤S1、获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值。
常规测井数据是通过常规测井方法得到的数据。所谓常规测井方法主要是指在油气勘探开发中，探井测井，评价井测井、开发井测井工程中都要测量的测井方法。常规测井数据包括多条测井曲线，测井曲线包括深度数据及对应的测井曲线值。其中，不同测井曲线的测井曲线值的含义不同。
通过基于测井曲线与岩性相关性分析，本发明实施例中选取声波时差（AC）、密度测井（DEN）、中子孔隙度（CNL）、自然电位（SP）、自然伽马（GR）、原状地层电阻率（RT）、侵入带电阻率（RI）、冲洗带电阻率（RXO）以及井径（CAL）共9条测井曲线。
步骤S2、根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点。
深度节点是图结构数据中的节点，其含有深度数据的信息，也即每个深度节点是对应一个深度数据的，这个深度数据表示岩层的深度。并且，将多条测井曲线对应深度数据的测井曲线值作为节点特征赋予深度节点。也即，对于一个深度节点，不仅对应一个深度数据，其节点特征包括选取的多条测井曲线在其深度的测井曲线值。
步骤S3、获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据。
要得到图结构数据，不仅要有节点，还要有边。图结构数据中的节点是通过上述方法构建的深度节点，在深度节点间创建边时，通过获取深度节点间的关联关系，根据关联关系在深度节点间创建边。
其中，深度节点间的关联关系可以根据深度节点间的节点特征之间的相似性确定。根据预设的相似性判断规则，深度节点间的节点特征之间的相似性足够大时，认为两个深度节点存在关联关系，否则不存在关联关系。
可以理解的，通过关联关系分析在深度节点间创建边后，得到的图结构数据可能是离散的多个图结构数据。
步骤S4、将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
岩性识别模型的训练过程包括：
基于常规测井数据构建训练样本；其中，常规测井数据包括预设的多条测井曲线的深度数据及测井曲线值；
根据深度数据构建深度节点，并将多条测井曲线对应深度数据的测井曲线值作为节点特征赋予深度节点；
获取深度节点间的关联关系，根据关联关系在深度节点间创建边，得到图结构数据；
将图结构数据输入到由多层图卷积神经网络及输出层构建的神经网络模型，以部分深度节点对应的岩性标注数据作为标签，对神经网络模型进行训练，训练结束得到岩性识别模型。
其中，可以采用RandomizedSearchCV对象来执行超参数搜索，以随机方式从超参数搜索空间中抽样不同的超参数组合，进行交叉验证。经过多次参数调优后，获取最优特征举证Ln，经输出层的softmax函数得到深度节点的岩性分类结果。
在进行岩性识别时，将得到的至少一个图结构数据分别输入到训练得到的岩性识别模型，即可输出深度节点对应的岩性识别结果。
针对陆相页岩储层岩性非均质性强，测井响应特征复杂，过渡岩性测井曲线存在大量重叠的问题，本发明实施例采用GCN方法进行识别。GCN方法相较于其他的机器学习方法具有以下优点：（1）GCN是一种图结构数据的机器学习方法，通过图结构连接不同的层，可以有效地捕获不同深度测井曲线之间的复杂的关系，如邻近层之间的依赖关系，从而更准确地识别岩性。（2）GCN具有一定的鲁棒性，可以通过测井曲线之间的信息传递来减轻数据噪声的影响，从而提高了岩性识别的稳定性。（3）GCN 具有处理多尺度信息的能力，可以对不同深度的地层进行层次上的特征捕获。
本发明实施例提供的岩石储层岩性识别方法，通过获取常规测井数据，根据深度数据构建深度节点，并将多条测井曲线对应深度数据的测井曲线值作为节点特征赋予深度节点，获取深度节点间的关联关系，根据关联关系在深度节点间创建边，得到图结构数据，将图结构数据输入到岩性识别模型，输出深度节点对应的岩性识别结果，提高了岩性识别的准确性、稳定性、鲁棒性，并提高了泛化能力。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述方法还包括：根据岩心描述数据及成像测井数据获取岩性标注数据。
可以通过对岩心描述数据及成像测井数据进行岩性解释，标定岩性，得到部分深度节点对应的岩性标注数据。
本发明实施例通过根据岩心描述数据及成像测井数据获取岩性标注数据，提高了标注数据的准确性。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述方法还包括：根据所述深度节点对应的所述深度数据将所述深度节点对应的所述岩性识别结果可视化展示。
在得到深度节点对应的岩性识别结果后，根据深度节点对应的深度数据将深度节点对应的岩性识别结果可视化展示。
本发明实施例提供的岩石储层岩性识别方法，通过根据深度节点对应的深度数据将深度节点对应的岩性识别结果可视化展示，实现了岩性识别结果的直观化展示。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据，包括：将所述深度节点进行聚类，得到聚类到一个簇内的深度节点间的关联关系；在保持所述簇内的所述深度节点间的关联关系的基础上，通过对所述深度节点间进行相似度计算，得到不同簇中所述深度节点间的关联关系；根据簇内的所述深度节点间的关联关系及不同簇中所述深度节点间的关联关系连接所述深度节点形成边，得到所述至少一个图结构数据。
在获取深度节点间的关联关系，根据关联关系在深度节点间创建边，得到图结构数据时，由于不同岩性的测井曲线值因其特定的物理性质而存在差异，通过对深度节点进行聚类，其可以自动识别具有相似特征的深度节点，并将它们分为一个簇，并且自动建立簇内深度节点间的关联关系，从而反映出地层的物理结构。
在保持簇内的深度节点间的关联关系的基础上，通过对深度节点间进行相似度计算，产生一个相似度矩阵，得到不同簇中深度节点间的关联关系，从而将不同簇中相似的深度节点进行聚拢，建立关联。
根据簇内的深度节点间的关联关系及不同簇中深度节点间的关联关系连接深度节点形成边，得到一个或多个图结构数据。
本发明实施例提供的岩石储层岩性识别方法，通过将深度节点进行聚类，得到聚类到一个簇内的深度节点间的关联关系，在保持簇内的深度节点间的关联关系的基础上，通过对深度节点间进行相似度计算，得到不同簇中深度节点间的关联关系，根据簇内的深度节点间的关联关系及不同簇中深度节点间的关联关系连接深度节点形成边，得到图结构数据，提高了图结构数据的准确性。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述将所述深度节点进行聚类，包括：利用高斯混合算法对所述深度节点进行聚类。
在将深度节点进行聚类时，可以利用高斯混合算法对深度节点进行聚类。
本发明实施例提供的岩石储层岩性识别方法，通过利用高斯混合算法对深度节点进行聚类，提高了深度节点聚类结果的准确性，从而提高了图结构数据中边确定的准确性。
根据本发明实施例提供的一种岩石储层岩性识别方法，所述对所述深度节点间进行相似度计算，包括：使用欧几里得距离方法进行相似度计算。
在对深度节点间进行相似度计算时，通过计算深度节点间的欧几里得距离，对深度节点间进行相似度计算。
聚类和欧几里得距离在GCN中的作用是通过节点的划分和特征表示，以及节点之间的相似度计算，从而构建相似度矩阵，以用来确定深度节点之间的连接，形成图的边。
图2是本发明实施例提供的岩石储层岩性识别方法中图结构数据的获取过程示意图。如图2所示，在获取深度节点间的关联关系，根据关联关系在深度节点间创建边，得到至少一个图结构数据时，由于不同岩性的测井曲线值因其特定的物理性质而存在差异，通过利用高斯混合算法对深度节点进行聚类，其可以自动识别具有相似特征的深度节点，并将它们分为一个簇，并且自动建立簇内深度节点间的关联关系，从而反映出地层的物理结构。
在保持簇内的深度节点间的关联关系的基础上，使用欧几里得距离方法对深度节点间进行相似度计算，产生一个相似度矩阵，得到不同簇中深度节点间的关联关系，从而将不同簇中相似的深度节点进行聚拢，建立关联。
根据簇内的深度节点间的关联关系及不同簇中深度节点间的关联关系连接深度节点形成边，得到至少一个图结构数据。
图2示出的图结构数据为用于训练岩性识别模型的图结构数据，其中包含有部分深度节点的岩性标注数据，因此，通过图卷积神经网络训练岩性识别模型属于半监督的训练。
本发明实施例提供的岩石储层岩性识别方法，通过计算深度节点间的欧几里得距离，对深度节点间进行相似度计算，提高了深度节点相似度判断的准确性，从而提高了图结构数据中边确定的准确性。
根据本发明实施例提供的岩石储层岩性识别方法，所述岩性识别模型包括多层图卷积神经网络；所述将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果，包括：将所述至少一个图结构数据分别输入到所述岩性识别模型，通过每层所述图卷积神经网络对所述深度节点的节点特征进行更新；其中，每层所述图卷积神经网络通过对所述深度节点的邻居节点进行节点特征聚合，得到聚合后的信息向量，将所述信息向量和所述深度节点的特征向量相结合，更新所述深度节点的节点特征；最后一层所述图卷积神经网络的输出经过激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率，概率最高的即为各个深度节点对应的所述岩性识别结果。
岩性识别模型的结构包括多层图卷积神经网络。其中，对于每层图卷积神经网络，通过对深度节点的邻居节点进行节点特征聚合，得到聚合后的信息向量，将信息向量和深度节点的特征向量相结合，更新深度节点的节点特征。其中，可以使用聚合函数对深度节点的邻居节点进行节点特征聚合，通过非线性激活函数更新深度节点的节点特征。
因此，在将至少一个图结构数据分别输入到岩性识别模型，输出深度节点对应的岩性识别结果时，将至少一个图结构数据分别输入到岩性识别模型，通过每层图卷积神经网络对深度节点的节点特征进行更新，最后一层图卷积神经网络的输出经过激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率，将概率最高的岩性作为各个深度节点对应的岩性识别结果。
若对于判定岩性，设置有概率的阈值，即获取到概率最高的岩性后，在概率值大于预设阈值时，才能确定对应的岩性。则若某个深度节点对应的预设多种岩性的概率均没有大于预设阈值，则该深度节点对应的岩性可能是新的未知岩性。
深度节点的节点特征包括相应深度数据的测量曲线值，图结构数据中的深度节点的节点特征可以表示为一个特征矩阵。在各层图卷积神经网络更新节点特征时，是根据深度节点之间的邻居关系（即图结构数据中的图结构）对深度节点的节点特征进行更新，也即实现的是特征矩阵和图结构的信息融合。
图3是本发明实施例提供的岩石储层岩性识别方法的流程示意图之二。如图3所示，将待识别井对应的多个图数据结构分别输入到基于图卷积神经网络构建的岩性识别模型，岩性识别模型中的每层图卷积神经网络用于嵌入矩阵的计算，可以称为嵌入矩阵层，在每一层图卷积神经网络，将图结构和特征矩阵进行信息整合，即嵌入过程，得到嵌入矩阵，嵌入矩阵经Leky ReLU函数激活后又作为下一GCN层的输入数据。在每一层的GCN中，信息传递过程包括节点特征的聚合和节点特征的更新。首先，节点特征的聚合涉及将节点的邻居节点特征进行聚合，通常使用聚合函数（如element-wise mean）来将邻居节点的特征组合在一起，以得到一个信息向量。然后，节点特征的更新涉及将聚合后的信息向量与节点的初始特征向量相结合，通常通过非线性激活函数（如Leaky ReLU）来更新节点的特征。这个过程反映了节点特征的进化，包括了一跳或多跳邻居节点的信息。在典型的GCN模型中，通常会使用多层GCN来多次执行信息传递过程。每一层都会进一步聚合和更新节点的信息，从而获得更丰富和高级的信息数据。最后一层图卷积神经网络的输出经过激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率，将概率最高的岩性作为各个深度节点对应的岩性识别结果。
本发明实施例提供的岩石储层岩性识别方法，通过将图结构数据输入到岩性识别模型，通过每层图卷积神经网络对深度节点的节点特征进行更新；其中，每层图卷积神经网络通过对深度节点的邻居节点进行节点特征聚合，得到聚合后的信息向量，将信息向量和深度节点的特征向量相结合，更新深度节点的节点特征，最后一层图卷积神经网络的输出经过激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率得到各个深度节点对应的岩性识别结果，提高了深度节点间节点特征关联性的获取能力，从而进一步提高了岩性识别结果的准确性。
根据本发明实施例提供的一种岩石储层岩性识别方法，在根据所述深度数据构建深度节点之前，所述方法还包括：对所述常规测井数据进行预设数据预处理。
由于不同常规测井曲线数值范围差异明显，在根据深度数据构建深度节点之前，对常规测井数据进行数据清理、单位标准化、深度校正、数据对齐与插值、去趋势化、异常值处理、标准化与归一化、以及数据保存与备份等前期处理，保证测井数据质量。
在训练岩性识别模型时，对于训练样本可以执行相同的数据预处理过程。
本发明实施例提供的岩石储层岩性识别方法，通过对所述常规测井数据进行预设数据预处理，提高了常规测井数据的质量，从而提高了岩性识别的准确性。
图4是本发明实施例提供的岩石储层岩性识别方法的流程示意图之三。下面结合图4，给出一具体实施例。
本实施例以准噶尔盆地玛湖凹陷的陆相页岩储层为案例，旨在实现岩性的准确高效识别。在该地区的风城组页岩油储层中，存在六种岩性，分别是玄武岩、凝灰岩、白云岩、泥岩、粉砂岩和硅质岩。为了进行岩性识别，采用了两口典型井，将GR、CAL、SP、AC、CNL、DEN、RXO、RT和RI这九条常规测井曲线作为特征向量，以岩心以及成像测井解释岩性进行标定。随后对测井数据进行数据标准化等预处理；通过聚类和计算欧几里得距离构建图结构数据，对于GCN神经网络层，通过节点聚合（表示为嵌入矩阵）及更新学习拓扑关系和特征表示，通过softmax函数处理后输出对每个深度节点的岩性识别结果，通过不断迭代调整超参数，最后得到岩性识别模型。
在应用时，基于和训练时相同的方法，基于常规测井数据获取图结构数据，将图结构数据输入到岩性识别模型，最后获得岩性识别结果。
图5是本发明实施例提供的岩石储层岩性识别方法的岩性识别结果的示意图。如图5所示，“岩心”所在列表示岩心描述数据（即部分深度节点的岩性真实数据），“GCN”所在列为通过岩性识别模型输出的岩性识别结果（即岩性预测数据）。结果显示，本发明实施例提供的岩石储层岩性识别方法，对于岩性具有较高的识别精度，识别精确率和召回率在85%以上，说明采用GCN模型的方法能够较为准确地识别陆相页岩储层中的岩性。该方法结合了常规测井数据和深度关系，提高了岩性识别的精度和性能，对于石油勘探和地质研究具有潜在的应用前景。
本发明实施例关注图卷积神经网络（GCN）的陆相页岩储层岩性识别方法。首先，收集岩心观测、常规测井和成像测井数据，对数据进行清洗和预处理，包括缺失值处理、异常值处理、数据标准化等，使用高斯混合聚类（Gaussian Mixture Model，GMM）和欧几里得距离方法，将岩心观察记录以及成像测井识别的岩性信息与常规测井数据关联，构建图数据集。应用GCN方法，通过在图结构上进行卷积操作，学习节点之间的关系和特征传递，通过学习到的节点特征和关系，进行岩性的分类和预测，实现准确的岩性识别。该方法的应用有望促进地质科学领域的研究，特别是关于陆相页岩储层相关的深入研究，帮助地质学家更加准确快速地了解地层岩性分布和规律，从而为新的地质理论和模型的建立提供支持。
需要说明的是，本实施例所给出的多个优选实施方式，在逻辑或结构相互不冲突的前提下，可以自由组合，本发明对此不做限定。
下面对本发明实施例提供的岩石储层岩性识别系统进行描述，下文描述的岩石储层岩性识别系统与上文描述的岩石储层岩性识别方法可相互对应参照。
图6是本发明实施例提供的岩石储层岩性识别系统的结构示意图。如图6所示，该系统包括常规测井数据获取模块10、深度节点构建模块20、图结构数据获取模块30及岩性识别模块40，其中：常规测井数据获取模块10用于：获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值；深度节点构建模块20用于：根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；图结构数据获取模块30用于：获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；岩性识别模块40用于：将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
本发明实施例提供的岩石储层岩性识别系统，通过获取常规测井数据，根据深度数据构建深度节点，并将多条测井曲线对应深度数据的测井曲线值作为节点特征赋予深度节点，获取深度节点间的关联关系，根据关联关系在深度节点间创建边，得到图结构数据，将图结构数据输入到岩性识别模型，输出深度节点对应的岩性识别结果，提高了岩性识别的准确性、稳定性、鲁棒性，并提高了泛化能力。
根据本发明实施例提供的一种岩石储层岩性识别系统，所述系统还包括标注数据获取模块，用于：根据岩心描述数据及成像测井数据获取岩性标注数据。
本发明实施例通过根据岩心描述数据及成像测井数据获取岩性标注数据，提高了标注数据的准确性。
根据本发明实施例提供的一种岩石储层岩性识别系统，所述系统还包括可视化展示模块，用于：根据所述深度节点对应的所述深度数据将所述深度节点对应的所述岩性识别结果可视化展示。
本发明实施例提供的岩石储层岩性识别系统，通过根据深度节点对应的深度数据将深度节点对应的岩性识别结果可视化展示，实现了岩性识别结果的直观化展示。
根据本发明实施例提供的一种岩石储层岩性识别系统，图结构数据获取模块30在用于获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据时，具体用于：将所述深度节点进行聚类，得到聚类到一个簇内的深度节点间的关联关系；在保持所述簇内的所述深度节点间的关联关系的基础上，通过对所述深度节点间进行相似度计算，得到不同簇中所述深度节点间的关联关系；根据簇内的所述深度节点间的关联关系及不同簇中所述深度节点间的关联关系连接所述深度节点形成边，得到所述至少一个图结构数据。
本发明实施例提供的岩石储层岩性识别系统，通过将深度节点进行聚类，得到聚类到一个簇内的深度节点间的关联关系，在保持簇内的深度节点间的关联关系的基础上，通过对深度节点间进行相似度计算，得到不同簇中深度节点间的关联关系，根据簇内的深度节点间的关联关系及不同簇中深度节点间的关联关系连接深度节点形成边，得到图结构数据，提高了图结构数据的准确性。
根据本发明实施例提供的一种岩石储层岩性识别系统，图结构数据获取模块30在用于将所述深度节点进行聚类时，具体用于：利用高斯混合算法对所述深度节点进行聚类。
本发明实施例提供的岩石储层岩性识别系统，通过利用高斯混合算法对深度节点进行聚类，提高了深度节点聚类结果的准确性，从而提高了图结构数据中边确定的准确性。
根据本发明实施例提供的一种岩石储层岩性识别系统，图结构数据获取模块30在用于对所述深度节点间进行相似度计算时，具体用于：使用欧几里得距离方法进行相似度计算。
本发明实施例提供的岩石储层岩性识别系统，通过计算深度节点间的欧几里得距离，对深度节点间进行相似度计算，提高了深度节点相似度判断的准确性，从而提高了图结构数据中边确定的准确性。
根据本发明实施例提供的一种岩石储层岩性识别系统，所述岩性识别模型包括多层图卷积神经网络；岩性识别模块40在用于将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果时，具体用于：将所述至少一个图结构数据分别输入到所述岩性识别模型，通过每层所述图卷积神经网络对所述深度节点的节点特征进行更新；其中，每层所述图卷积神经网络通过对所述深度节点的邻居节点进行节点特征聚合，得到聚合后的信息向量，将所述信息向量和所述深度节点的特征向量相结合，更新所述深度节点的节点特征；最后一层所述图卷积神经网络的输出经过所述激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率，概率最高的即为各个深度节点对应的所述岩性识别结果。
本发明实施例提供的岩石储层岩性识别系统，通过将图结构数据输入到岩性识别模型，通过每层图卷积神经网络对深度节点的节点特征进行更新；其中，每层图卷积神经网络通过对深度节点的邻居节点进行节点特征聚合，得到聚合后的信息向量，将信息向量和深度节点的特征向量相结合，更新深度节点的节点特征，最后一层图卷积神经网络的输出经过激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率得到各个深度节点对应的岩性识别结果，提高了深度节点间节点特征关联性的获取能力，从而进一步提高了岩性识别结果的准确性。
根据本发明实施例提供的一种岩石储层岩性识别系统，所述系统还包括预处理模块，在深度节点构建模块20根据所述深度数据构建深度节点之前，所述预处理模块用于对所述常规测井数据进行预设数据预处理。
本发明实施例提供的岩石储层岩性识别系统，通过对所述常规测井数据进行预设数据预处理，提高了常规测井数据的质量，从而提高了岩性识别的准确性。
图7是本发明实施例提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行岩石储层岩性识别方法，该方法包括：获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值；根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的岩石储层岩性识别方法，该方法包括：获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值；根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的岩石储层岩性识别方法，该方法包括：获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值；根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种岩石储层岩性识别方法，其特征在于，包括：
获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据及对应的测井曲线值；
根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；
获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；
将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
2.根据权利要求1所述的岩石储层岩性识别方法，其特征在于，所述方法还包括：
根据岩心描述数据及成像测井数据获取岩性标注数据。
3.根据权利要求1所述的岩石储层岩性识别方法，其特征在于，所述方法还包括：
根据所述深度节点对应的所述深度数据将所述深度节点对应的所述岩性识别结果可视化展示。
4.根据权利要求1所述的岩石储层岩性识别方法，其特征在于，所述获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据，包括：
将所述深度节点进行聚类，得到聚类到一个簇内的深度节点间的关联关系；
在保持所述簇内的所述深度节点间的关联关系的基础上，通过对所述深度节点间进行相似度计算，得到不同簇中所述深度节点间的关联关系；
根据簇内的所述深度节点间的关联关系及不同簇中所述深度节点间的关联关系连接所述深度节点形成边，得到所述至少一个图结构数据。
5.根据权利要求4所述的岩石储层岩性识别方法，其特征在于，所述将所述深度节点进行聚类，包括：
利用高斯混合算法对所述深度节点进行聚类。
6.根据权利要求4所述的岩石储层岩性识别方法，其特征在于，所述对所述深度节点间进行相似度计算，包括：
使用欧几里得距离方法进行相似度计算。
7.根据权利要求1所述的岩石储层岩性识别方法，其特征在于，所述岩性识别模型包括多层图卷积神经网络；
所述将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果，包括：
将所述至少一个图结构数据分别输入到所述岩性识别模型，通过每层所述图卷积神经网络对所述深度节点的节点特征进行更新；其中，每层所述图卷积神经网络通过对所述深度节点的邻居节点进行节点特征聚合，得到聚合后的信息向量，将所述信息向量和所述深度节点的特征向量相结合，更新所述深度节点的节点特征；
最后一层所述图卷积神经网络的输出经过激励函数处理后输出各个深度节点为预设多种岩性的概率，根据各个深度节点为预设多种岩性的概率，概率最高的即为各个深度节点对应的所述岩性识别结果。
8.根据权利要求1所述的岩石储层岩性识别方法，其特征在于，在根据所述深度数据构建深度节点之前，所述方法还包括：
对所述常规测井数据进行预设数据预处理。
9.一种岩石储层岩性识别系统，其特征在于，包括：
常规测井数据获取模块，用于：获取常规测井数据；其中，所述常规测井数据包括预设的多条测井曲线的深度数据对应的测井曲线值；
深度节点构建模块，用于：根据所述深度数据构建深度节点，并将所述多条测井曲线对应的所述测井曲线值作为节点特征赋予所述深度节点；
图结构数据获取模块，用于：获取所述深度节点间的关联关系，根据所述关联关系在所述深度节点间创建边，得到至少一个图结构数据；
岩性识别模块，用于：将所述至少一个图结构数据分别输入到岩性识别模型，输出所述深度节点对应的岩性识别结果；其中，所述岩性识别模型是基于图卷积神经网络训练获取的。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述岩石储层岩性识别方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述岩石储层岩性识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410104451.3A CN117633658B (zh) | 2024-01-25 | 2024-01-25 | 岩石储层岩性识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410104451.3A CN117633658B (zh) | 2024-01-25 | 2024-01-25 | 岩石储层岩性识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633658A true CN117633658A (zh) | 2024-03-01 |
| CN117633658B CN117633658B (zh) | 2024-04-19 |
Family
ID=90032449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410104451.3A Active CN117633658B (zh) | 2024-01-25 | 2024-01-25 | 岩石储层岩性识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633658B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074825A1 (en) * | 2003-01-24 | 2006-04-06 | Piotr Mirowski | System and method for inferring geological classes |
| US20180238148A1 (en) * | 2015-11-11 | 2018-08-23 | Halliburton Energy Services, Inc | Method For Computing Lithofacies Probability Using Lithology Proximity Models |
| CN111104819A (zh) * | 2018-10-25 | 2020-05-05 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
| CN113837501A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于图神经网络的页岩总有机碳预测方法、系统和设备 |
| CN114927162A (zh) * | 2022-05-19 | 2022-08-19 | 大连理工大学 | 基于超图表征与狄利克雷分布的多组学关联表型预测方法 |
| CN115859094A (zh) * | 2022-11-02 | 2023-03-28 | 中国地质大学（武汉） | 耦合卷积和熵重要性图神经网络的同震滑坡自动识别方法 |
| US20230161061A1 (en) * | 2020-05-06 | 2023-05-25 | Exxonmobil Upstream Research Company | Structured representations of subsurface features for hydrocarbon system and geological reasoning |
-
2024
- 2024-01-25 CN CN202410104451.3A patent/CN117633658B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074825A1 (en) * | 2003-01-24 | 2006-04-06 | Piotr Mirowski | System and method for inferring geological classes |
| US20180238148A1 (en) * | 2015-11-11 | 2018-08-23 | Halliburton Energy Services, Inc | Method For Computing Lithofacies Probability Using Lithology Proximity Models |
| CN111104819A (zh) * | 2018-10-25 | 2020-05-05 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
| US20230161061A1 (en) * | 2020-05-06 | 2023-05-25 | Exxonmobil Upstream Research Company | Structured representations of subsurface features for hydrocarbon system and geological reasoning |
| CN113837501A (zh) * | 2021-11-25 | 2021-12-24 | 中国科学院地质与地球物理研究所 | 基于图神经网络的页岩总有机碳预测方法、系统和设备 |
| CN114927162A (zh) * | 2022-05-19 | 2022-08-19 | 大连理工大学 | 基于超图表征与狄利克雷分布的多组学关联表型预测方法 |
| CN115859094A (zh) * | 2022-11-02 | 2023-03-28 | 中国地质大学（武汉） | 耦合卷积和熵重要性图神经网络的同震滑坡自动识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁丽梅;喻高明;黎明;杨欢;: "神经网络模拟交会图在低阻油层流体识别中的应用", 石油工业计算机应用, no. 04, 20 December 2010 (2010-12-20), pages 26 - 28 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633658B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11143789B2 (en) | Static engine and neural network for a cognitive reservoir system | |
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| Nikravesh | Soft computing-based computational intelligent for reservoir characterization | |
| Tadeusiewicz | Neural networks in mining sciences–general overview and some representative examples | |
| CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
| CN110619353B (zh) | 一种基于深度学习的多尺度测井曲线自动识别方法 | |
| CN110320557B (zh) | 基于深度学习和进化学习的多尺度地质特征检测融合方法 | |
| CN117236390A (zh) | 一种基于交叉注意力扩散模型的储层预测方法 | |
| Brown et al. | Machine learning on Crays to optimize petrophysical workflows in oil and gas exploration | |
| Zhu et al. | An automatic identification method of imbalanced lithology based on Deep Forest and K-means SMOTE | |
| CN117593653B (zh) | 基于遥感监测的地质灾害预警方法 | |
| Alameedy et al. | Evaluating machine learning techniques for carbonate formation permeability prediction using well log data | |
| CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
| CN117633658B (zh) | 岩石储层岩性识别方法及系统 | |
| CN117574269B (zh) | 陆相页岩储层天然裂缝智能识别方法及系统 | |
| CN114021700A (zh) | 基于岩石物理约束神经网络的渗透率计算方法及装置 | |
| Wang et al. | Uncertainty and explainable analysis of machine learning model for reconstruction of sonic slowness logs | |
| CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
| CN115828072B (zh) | 不可通约测井曲线缺失段重构方法及存储介质 | |
| CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
| CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
| CN117250662A (zh) | 一种基于在线深度学习的致密砂岩储层识别方法 | |
| CN114428313A (zh) | 岩石物理弹性参数正演方法、正演装置及电子设备 |
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 |