CN117909915A - 一种岩性约束条件下的孔隙度预测方法 - Google Patents

一种岩性约束条件下的孔隙度预测方法 Download PDF

Info

Publication number
CN117909915A
CN117909915A CN202410017660.4A CN202410017660A CN117909915A CN 117909915 A CN117909915 A CN 117909915A CN 202410017660 A CN202410017660 A CN 202410017660A CN 117909915 A CN117909915 A CN 117909915A
Authority
CN
China
Prior art keywords
data
porosity
drilling
logging
logging data
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
CN202410017660.4A
Other languages
English (en)
Inventor
杨毅
汪芯
郝为
阴立松
倪朋勃
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.)
China France Bohai Geoservices Co Ltd
Original Assignee
China France Bohai Geoservices Co Ltd
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 China France Bohai Geoservices Co Ltd filed Critical China France Bohai Geoservices Co Ltd
Priority to CN202410017660.4A priority Critical patent/CN117909915A/zh
Publication of CN117909915A publication Critical patent/CN117909915A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Geophysics (AREA)
  • Medical Informatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种岩性约束条件下的孔隙度预测方法，包括：获取针对某一套砂岩，其不同深度的砂岩孔隙度分别对应的气测数据、钻井数据与测井数据；将不同深度的气测数据、钻井数据与测井数据进行预处理；将预处理后的气测异常倍数数据、钻井数据与测井数据进行相关性分析，选择出与砂岩孔隙度相关性较高的数据来构建孔隙度预测模型；将待测的气测数据、钻井数据与测井数据输入构建好的孔隙度预测模型，预测岩性约束条件下的孔隙度。本发明提供的方法，有效地解决孔隙度定量评价精度较低的问题。

Description

一种岩性约束条件下的孔隙度预测方法
技术领域
本发明涉及油气储层物性定量化预测技术领域，尤其涉及一种岩性约束条件下的孔隙度预测方法。
背景技术
在油气勘探过程中，孔隙度可以反映岩石中存储流体的能力，储层孔隙度的准确计算对估算石油、天然气等资源的储量十分重要。然而，随着勘探目标的复杂化，储层随钻评价过程中储层流体性质与物性的判断存在极大的不确定性，制约了探井的高效决策作业。
气测数据不受岩性的影响，能够反映储层的孔隙度，但气测录井资料对于复杂储层孔隙度的识别多是从定性的角度研究，在孔隙度的定量化评价方面精度较低。目前，主流的储层流体性质识别手段是测井资料人工解释，但其应用于复杂储层时存在识别效果差、判识效果各异等缺陷，不同类型的复杂储层中流体性质差异较大，传统方式评价孔隙度的精度大大下降。
传统流体数据处理技术只能得到含有一些C1～C5组分的相关资料，并且质量不高，不利于孔隙度定量分析，导致孔隙度定量评价精度较低。
发明内容
本发明提供一种岩性约束条件下的孔隙度预测方法，该方法利用集成学习算法，能够对地层孔隙度做出准确、稳定的预测，解决了现有技术中孔隙度定量评价精度较低的缺陷。
一种岩性约束条件下的孔隙度预测方法，包括：
获取针对某一套砂岩，其不同深度的砂岩孔隙度分别对应的气测数据、钻井数据与测井数据；
将所述不同深度的气测数据、钻井数据与测井数据进行预处理；
将预处理后的所述气测数据、钻井数据与测井数据进行相关性分析，选择出与砂岩孔隙度相关性高于某一预设值、显著性小于0.05的气测数据、钻井数据与测井数据；所述预处理后的所述气测数据为气测异常倍数数据；
利用选择出的气测异常倍数数据、钻井数据与测井数据来构建孔隙度预测模型；
将待测的气测数据、钻井数据与测井数据输入构建好的所述孔隙度预测模型，预测岩性约束条件下的孔隙度。
进一步地，如上所述的岩性约束条件下的孔隙度预测方法，所述将所述不同深度的气测数据、钻井数据与测井数据进行预处理包括：
S1：结合测井解释结果以及测井岩性剖面，取异常显示层的上覆岩层泥岩基值，计算其泥岩基值的平均值；
S2：在储层深度范围内，按梯度选取该深度内C1组分的最大值所在的一行数据，即为储层代表值，则气测异常倍数为储层代表值与泥岩基值的平均值之比；
S3：将气测异常倍数大于200、钻时最小值为0.0001清除，并根据数据分布情况，将扭矩最大值过小的数据异常点也进行清除；
S4：分析各类参数数据分布情况，如分布不均匀，对其进行对数化或归一化处理。
进一步地，如上所述的岩性约束条件下的孔隙度预测方法，所述相关性分析包括：皮尔逊、斯皮尔曼、肯德尔相关性分析。
进一步地，如上所述的岩性约束条件下的孔隙度预测方法，利用选择出的气测异常倍数数据、钻井数据与测井数据来构建孔隙度预测模型包括：
利用相关性分析后的气测异常倍数数据、钻井数据与测井数据构建支持向量机孔隙度预测模型、决策树回归孔隙度预测模型、多元线性回归孔隙度预测模型；
然后以构建的支持向量机孔隙度预测模型、决策树回归孔隙度预测模型、多元线性回归孔隙度预测模型的输出作为训练样本，以岩性约束条件下的孔隙度的作为训练结果，训练Stacking集成学习模型，以训练好的Stacking集成学习模型作为构建好的所述孔隙度预测模型。
进一步地，如上所述的岩性约束条件下的孔隙度预测方法，选取均方误差MSE、平均绝对误差MAE、平均绝对百分误差MAPE三个评价指标对模型进行评价，其中MSE计算公式如下：
MAE计算公式如下：
MAPE计算公式如下：
其中，N为样本个数；yi为孔隙度实际值；为模型预测值。
进一步地，如上所述的岩性约束条件下的孔隙度预测方法，所述气测数据包括：nC6、nC7、nC8、C6H6、C7H8、C7H14。
进一步地，如上所述的岩性约束条件下的孔隙度预测方法，所述钻井数据包括：钻压最大值、钻速最大值、扭矩最大值、钻时最小值。
进一步地，如上所述的岩性约束条件下的孔隙度预测方法，所述测井数据包括：自然伽马、中子、密度、深电阻率、浅电阻率。
本发明提供的方法，本发明将多组分气测数据、钻井参数、测井数据相结合，利用Stacking集成学习方法建立多参数孔隙度智能定量化预测模型，有效地解决孔隙度定量评价精度较低的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术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是本发明提供的一种岩性约束条件下的孔隙度预测方法的流程图；
图2是本发明提供模型构建流程图；
图3是本发明提供的岩性约束条件下的孔隙度预测方法的验证集模型效果图；
图4是本发明提供的岩性约束条件下的孔隙度预测方法的测试集模型效果图。
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。
图1为本发明提供的岩性约束条件下的孔隙度预测方法流程图，如图1所示，该方法包括如下步骤：
步骤101：获取针对某一套砂岩，其不同深度的砂岩孔隙度分别对应的气测数据、钻井数据与测井数据。
具体地，提取某一套砂岩中的多组分气测数据、钻井参数与测井数据作为地层孔隙度的预测样本数据，将多组分气测数据、钻井参数、测井数据的深度与地层信息进行匹配，按照多组分气测数据、钻井参数、测井数据共有的深度进行整理，获取砂岩孔隙度以及与孔隙度有关的数据组成预测数据集。
步骤102：将所述不同深度的气测数据、钻井数据与测井数据进行预处理。
具体地，预处理的具体步骤为：
S1：结合测井解释结果以及测井岩性剖面，取异常显示层的上覆岩层泥岩基值(上覆岩层厚需要选取大于5米的地层厚度)，计算其泥岩基值的平均值；
S2：在储层深度范围内，按梯度选取该深度内C1组分的最大值所在的一行数据，即为储层代表值，则气测异常倍数为储层代表值与泥岩基值的平均值之比；
S3：将气测异常倍数大于200、钻时最小值为0.0001清除，并根据数据分布情况，将扭矩最大值过小的数据异常点也进行清除；
S4：分析各类参数数据分布情况，如分布不均匀，对其进行对数化或归一化处理，以提高模型预测的准确性。
本发明采用以上预处理方法计算气测异常倍数，运用多元化数据，能够更准确的进行孔隙度预测。
步骤103：将预处理后的所述气测数据、钻井数据与测井数据进行相关性分析，选择出与砂岩孔隙度相关性高于某一预设值、显著性小于0.05的气测数据、钻井数据与测井数据。所述预处理后的所述气测数据为气测异常倍数数据；
所谓气测异常倍数数据，为在预测孔隙度所处地层位置的上方选取一段泥岩地层，然后用孔隙度所处地层的最大气测数据除以泥岩段的平均气测数据，得到的值为气测异常倍数。在有石油和天然气的地层，它的气测数据与其他地层气测数据有差别，然后计算两者气测数据的差别(也就是气测异常倍数)能够体现出孔隙度的大小，从而对储层的流体性质和物性进行评价。
本发明将孔隙度数据与多组分气测数据、钻井数据、测井数据进行相关性分析，从组分气测参数、钻井参数、测井参数中挑选与孔隙度相关性高的几个参数作为特征参数。(如气测异常倍数选了nC6、nC7、nC8、C6H6、C7H8、C7H14。钻井参数选了：钻压最大值、钻速最大值、扭矩最大值、钻时最小值。测井数据选了：自然伽马、中子、密度、深电阻率、浅电阻率。
提取某地区多组分气测数据、钻井参数、测井数据，经过数据预处理后，将孔隙度与钻井参数、测井数据、气测异常倍数逐个进行皮尔逊、斯皮尔曼、肯德尔相关性分析，通过对比特征参数之间的相关性系数，最后选取相关性系数较高，显著性小于0.05的特征参数。
相关性分析中，皮尔逊相关系数计算公式如下：
其中cov(X,Y)为协方差；为标准差。肯德尔相关系数计算公式如下：
其中Nc、Nd表示一致对数；n为样本个数。斯皮尔曼相关系数计算公式如下：
其中di表示顺序的差值；n为样本个数。
最终选取的钻井参数包括钻速最大值、扭矩最大值、钻时最小值；选取的测井数据包括中子、密度、深电阻率、浅电阻率；选取的气测异常倍数包括nC7、C6H6、C7H8的异常倍数。将这10个特征参数整理得到孔隙度预测样本数据集。
步骤104：利用选择出的气测异常倍数数据、钻井数据与测井数据来构建孔隙度预测模型。
具体地，构建模型的方法为：
(1)将训练集样本输入到孔隙度预测模型中，通过机器学习算法分析输入特征与孔隙度之间的非线性关系；
(2)根据训练好的模型对验证集数据进行学习，并通过验证集得到的结果对模型进行调参，得到一个最优模型；
(3)将测试集数据输入到构建好的孔隙度预测模型中，通过评价指标查看孔隙度预测结果。
步骤105：将待测的气测数据、钻井数据与测井数据输入构建好的所述孔隙度预测模型，预测岩性约束条件下的孔隙度。
本发明通过选择气测数据、钻井参数与测井数据三者共同作为预测岩性约束条件下的孔隙度的样本数据，能够提高孔隙度的预测精度和效率。其中，气测数据能够很好的反映地层孔隙度的大小，并且在钻进过程中，钻井参数与测井参数同时能表征地层孔隙度的情况。
其中，多组分气测录井可以检测到nC6、nC7、nC8、C6H6、C7H8、C7H14等组分，更加全面地反应了储集层内油气水分布特征，实现井场随钻快速准确识别油气层。
进一步地，下面对如何利用相关性分析后的气测数据、钻井数据与测井数据来构建孔隙度预测模型进行介绍：
首先，分别以预处理后的气测数据、钻井参数与测井数据作为构建支持向量机孔隙度预测模型、决策树回归孔隙度预测模型、多元线性回归孔隙度预测模型的输入样本，从而得到3个构建好的模型；
然后以构建的所述支持向量机孔隙度预测模型、决策树回归孔隙度预测模型、多元线性回归孔隙度预测模型的输出作为训练样本，以岩性约束条件下的孔隙度的作为训练结果，训练Stacking集成学习模型，以训练好的Stacking集成学习模型作为构建好的所述孔隙度预测模型。
为了能够更好的优化孔隙度预测模型，需要利用评价指标对模型的准确率进行评价。由于该模型为回归模型，因此选取均方误差MSE、平均绝对误差MAE、平均绝对百分误差MAPE三个评价指标对模型进行评价。
本发明通过将支持向量机、决策树回归、多元线性回归三个模型学习后的结果进行集成再度学习，得到孔隙度预测模型，能够使得孔隙度的预测结果更为精确，其原因在于：集成学习具有较高的准确率与稳定性，并且集成学习不易过拟合，能够充分的利用数据进行预测。
将通过处理得到的样本数据分为训练集、验证集、测试集。将训练集数据分别输入到支持向量机、决策树回归、多元线性回归三个模型中，同时三个模型都对验证集数据进行结果输出，将三个输出结果进行堆叠形成新的数据，将新数据输入到第二层模型中得到预测结果，并通过预测结果对模型进行参数优化。最后将测试集数据输入到优化好的模型中，通过评价指标MSE、MAE、MAPE评估孔隙度模型的泛化能力，如图2所述。
将训练集输入到模型中，用于模型对特征参数与孔隙度之间非线性关系的分析学习。训练好的模型对验证集特征数据进行预测，根据预测结果对模型进行调参，图3为调参后验证集模型结果，其中模型误差MSE为1.666，MAE为1.015，MAPE为0.078。最后利用训练好的孔隙度预测模型对测试集数据进行测试，图4为测试集模型结果，测试集误差MSE为1.798，MAE为0.988，MAPE为0.077。
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 (8)

1.一种岩性约束条件下的孔隙度预测方法，其特征在于，包括：
获取针对某一套砂岩，其不同深度的砂岩孔隙度分别对应的气测数据、钻井数据与测井数据；
将所述不同深度的气测数据、钻井数据与测井数据进行预处理；
将预处理后的所述气测数据、钻井数据与测井数据进行相关性分析，选择出与砂岩孔隙度相关性高于某一预设值、显著性小于0.05的气测数据、钻井数据与测井数据；所述预处理后的所述气测数据为气测异常倍数数据；
利用选择出的气测异常倍数数据、钻井数据与测井数据来构建孔隙度预测模型；
将待测的气测数据、钻井数据与测井数据输入构建好的所述孔隙度预测模型，预测岩性约束条件下的孔隙度。
2.根据权利要求1所述的岩性约束条件下的孔隙度预测方法，其特征在于，所述将所述不同深度的气测数据、钻井数据与测井数据进行预处理包括：
S1：结合测井解释结果以及测井岩性剖面，取异常显示层的上覆岩层泥岩基值，计算其泥岩基值的平均值；
S2：在储层深度范围内，按梯度选取该深度内C1组分的最大值所在的一行数据，即为储层代表值，则气测异常倍数为储层代表值与泥岩基值的平均值之比；
S3：将气测异常倍数大于200、钻时最小值为0.0001清除，并根据数据分布情况，将扭矩最大值过小的数据异常点也进行清除；
S4：分析各类参数数据分布情况，如分布不均匀，对其进行对数化或归一化处理。
3.根据权利要求1所述的岩性约束条件下的孔隙度预测方法，其特征在于，所述相关性分析包括：皮尔逊、斯皮尔曼、肯德尔相关性分析。
4.根据权利要求1所述的岩性约束条件下的孔隙度预测方法，其特征在于，利用选择出的气测异常倍数数据、钻井数据与测井数据来构建孔隙度预测模型包括：
利用相关性分析后的气测异常倍数数据、钻井数据与测井数据构建支持向量机孔隙度预测模型、决策树回归孔隙度预测模型、多元线性回归孔隙度预测模型；
然后以构建的支持向量机孔隙度预测模型、决策树回归孔隙度预测模型、多元线性回归孔隙度预测模型的输出作为训练样本，以岩性约束条件下的孔隙度的作为训练结果，训练Stacking集成学习模型，以训练好的Stacking集成学习模型作为构建好的所述孔隙度预测模型。
5.根据权利要求4所述的岩性约束条件下的孔隙度预测方法，其特征在于，选取均方误差MSE、平均绝对误差MAE、平均绝对百分误差MAPE三个评价指标对模型进行评价，其中MSE计算公式如下：
MAE计算公式如下：
MAPE计算公式如下：
其中，N为样本个数；yi为孔隙度实际值；为模型预测值。
6.根据权利要求1所述的岩性约束条件下的孔隙度预测方法，其特征在于，所述气测数据包括：nC6、nC7、nC8、C6H6、C7H8、C7H14。
7.根据权利要求1所述的岩性约束条件下的孔隙度预测方法，其特征在于，所述钻井数据包括：钻压最大值、钻速最大值、扭矩最大值、钻时最小值。
8.根据权利要求1所述的岩性约束条件下的孔隙度预测方法，其特征在于，所述测井数据包括：自然伽马、中子、密度、深电阻率、浅电阻率。
CN202410017660.4A 2024-01-05 2024-01-05 一种岩性约束条件下的孔隙度预测方法 Pending CN117909915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410017660.4A CN117909915A (zh) 2024-01-05 2024-01-05 一种岩性约束条件下的孔隙度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410017660.4A CN117909915A (zh) 2024-01-05 2024-01-05 一种岩性约束条件下的孔隙度预测方法

Publications (1)

Publication Number Publication Date
CN117909915A true CN117909915A (zh) 2024-04-19

Family

ID=90683398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410017660.4A Pending CN117909915A (zh) 2024-01-05 2024-01-05 一种岩性约束条件下的孔隙度预测方法

Country Status (1)

Country Link
CN (1) CN117909915A (zh)

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
CN104514552B (zh) 一种煤层气储层识别与丰度预测的方法
MX2014005443A (es) Sistemas y metodos de prediccion de permeabilidad utilizando analisis discriminante cuadratico.
EP3789580A1 (en) Determining hydrocarbon resource characteristics via mud logging
CN114066084B (zh) 一种基于机器学习的相渗曲线预测方法及系统
CN112576238B (zh) 一种低渗透油藏剩余油位置与含量测定系统、方法及应用
CN114529110A (zh) 一种基于深度神经网络模型的岩相反演方法及系统
CN114358434A (zh) 基于lstm循环神经网络模型的钻井机械钻速预测方法
CN116427915A (zh) 基于随机森林的常规测井曲线裂缝密度预测方法及系统
CN116305850A (zh) 一种基于随机森林模型的地层热导率预测方法
CN115049173A (zh) 深度学习和Eaton法耦合驱动地层孔隙压力预测方法
Ye et al. Drilling formation perception by supervised learning: Model evaluation and parameter analysis
CN114114414A (zh) 一种页岩储层“甜点”信息人工智能预测方法
CN104880737A (zh) 测井资料识别地下流体类型的多元Logistic方法
CN116415489A (zh) 一种基于机器学习的页岩含油量预测方法
CN112746835A (zh) 一种优化的深层页岩气地质甜点测井综合评价方法
CN117909915A (zh) 一种岩性约束条件下的孔隙度预测方法
Wang et al. Combined application of unsupervised and deep learning in absolute open flow potential prediction: a case study of the Weiyuan Shale gas reservoir
CN112505154B (zh) 泥页岩储层矿物成分含量解析与岩相识别表征方法
CN114075973B (zh) 地层元素测井曲线重构方法及装置
CN111594156B (zh) 一种天然气水合物饱和度计算方法及系统
Nath et al. Prediction and analysis of geomechanical properties using deep learning: A Permian Basin case study
CN114624774A (zh) 精确认识油藏开发效果的方法
CN111706323A (zh) 一种综合gwo-lssvm算法的水淹层精细解释评价方法
CN117390970B (zh) 一种兼顾多元驱动预测的油气储存量化方法

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