CN118133698A - 岩石孔隙结构预测模型训练、应用方法、装置以及设备 - Google Patents
岩石孔隙结构预测模型训练、应用方法、装置以及设备 Download PDFInfo
- Publication number
- CN118133698A CN118133698A CN202211544942.7A CN202211544942A CN118133698A CN 118133698 A CN118133698 A CN 118133698A CN 202211544942 A CN202211544942 A CN 202211544942A CN 118133698 A CN118133698 A CN 118133698A
- Authority
- CN
- China
- Prior art keywords
- pore structure
- prediction model
- rock
- parameters
- structure prediction
- 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
Links
- 239000011148 porous material Substances 0.000 title claims abstract description 332
- 239000011435 rock Substances 0.000 title claims abstract description 235
- 238000012549 training Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000006185 dispersion Substances 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 23
- 239000012530 fluid Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 230000035699 permeability Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种岩石孔隙结构预测模型训练、应用方法、装置以及设备。该方法包括:确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,目标训练样本包括不同频域的弹性参数以及引起弹性参数变化对应的预标注孔隙结构参数,弹性参数的频散、衰减与孔隙结构存在关联性;对目标训练样本中不同频域的弹性参数以及引起弹性参数变化对应的预标注孔隙结构参数进行归一化处理;依据目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型。本方法,通过建立数据充足、类型均衡的目标训练样本对岩石孔隙结构预测模型训练,得到收敛的岩石孔隙结构预测模型,可以提高利用地震数据对岩石孔隙结构参数的预测精度。
Description
技术领域
本发明涉及地球物理技术领域,尤其涉及一种岩石孔隙结构预测模型训练、应用方法、装置以及设备。
背景技术
储层微观孔隙结构信息对油气藏勘探开发十分重要,有助于储层评价和产能预测。孔隙结构预测是定量化储层解释的重要内容。
相关方案中,获取孔隙结构的方法主要包括实验测量方法和利用弹性参数进行岩石物理反演的方法。实验测量方法的响应机理之间存在较大差异,在表征方法、有效分辨率、响应范围方面各不相同。而利用弹性参数的岩石物理反演强烈依赖于岩石物理模型的可靠性和对当前问题的适用性,而不同的岩石物理模型都是对特定情况地简化,并具有特定、有限的适用范围。同时,孔隙结构参数众多,不同情况下对弹性参数影响程度又有所变化、相互耦合,具有非线性性。
发明内容
本发明提供了一种岩石孔隙结构预测模型训练、应用方法、装置、设备及介质,以解决岩石孔隙结构预测模型的训练样本不充足以及模型预测结果精确度不高的问题。
根据本发明的一方面,提供了一种岩石孔隙结构预测模型训练,该方法包括:
确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,所述目标训练样本包括不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数,所述弹性参数的频散、衰减与孔隙结构存在关联性;
对所述目标训练样本中不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数进行归一化处理;
依据所述目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型。
根据本发明的一方面,提供了一种岩石孔隙结构预测模型的应用方法,该方法包括:
确定待处理岩石的不同频域的弹性参数;
将待处理岩石的不同频域的弹性参数输入到岩石孔隙结构预测模型,得到待处理岩石的孔隙结构参数。
根据本发明的另一方面,提供了一种岩石孔隙结构预测模型训练装置,该装置包括:
训练样本确定模块,用于确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,所述目标训练样本包括不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数,所述弹性参数的频散、衰减与孔隙结构存在关联性;
数据归一化模块,用于对所述目标训练样本中不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数进行归一化处理;
预测模型获取模块,用于依据所述目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型。
根据本发明的另一方面,提供了一种岩石孔隙结构预测模型的应用装置,该装置包括:
输入模块,用于确定待处理岩石的不同频域的弹性参数;
输出模块,用于将待处理岩石的不同频域的弹性参数输入到岩石孔隙结构预测模型,得到待预测岩石的孔隙结构参数。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的岩石孔隙结构预测模型训练方法或本发明任一实施例所述的岩石孔隙结构预测模型的应用方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的岩石孔隙结构预测模型训练、应用方法。
本发明实施例的技术方案,通过孔隙结构参数得到频散、衰减相关的弹性参数,以及与该弹性参数对应的预标注孔隙结构参数,确定用于训练岩石孔隙结构预测模型的目标训练样本,通过归一化处理方法对目标训练样本中不同频域的弹性参数,以及引起该弹性参数变化对应的预标注孔隙结构参数进行归一化,根据目标训练样本对岩石孔隙结构预测模型训练得到收敛的岩石孔隙结构预测模型。本技术方案,通过确定目标训练样本,完成目标训练样本的归一化处理,根据归一化处理后的目标训练样本对岩石孔隙结构预测模型训练,得到结果收敛的岩石孔隙结构预测模型,通过建立数据充足、类型均衡的目标训练样本,可以提高岩石孔隙结构预测模型的泛化能力和预测精度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是根据本发明实施例一提供的一种岩石孔隙结构预测模型训练方法的流程图;
图2是根据本发明实施例提供的用于训练岩石孔隙结构预测模型的基于岩石物理模型正演得到的弹性参数;
图3是根据本发明实施例提供的用于训练岩石孔隙结构预测模型的基于爬虫技术获取的训练数据;
图4是根据本发明实施例二提供的一种岩石孔隙结构预测模型训练方法的流程图;
图5是根据本发明实施例提供的一种岩石孔隙结构预测模型的结构示意图;
图6是根据本发明实施例提供的一种岩石孔隙结构预测模型训练、应用方法的学习率曲线图;
图7是根据本发明实施例二提供的岩石孔隙结构预测模型的预测结果示意图;
图8是根据本发明实施例三提供的岩石孔隙结构预测模型的应用方法的流程图;
图9是根据本发明实施例三提供的岩石孔隙结构预测模型的预测结果示意图;
图10是根据本发明实施例四提供的一种岩石孔隙结构预测模型训练装置的结构示意图;
图11是根据本发明实施例五提供的一种岩石孔隙结构预测模型的应用装置的结构示意图;
图12是实现本发明实施例的岩石孔隙结构预测模型训练、应用方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种岩石孔隙结构预测模型训练方法的流程图,本实施例可适用于岩石孔隙结构预测的情况,该方法可以由岩石孔隙结构预测模型训练装置来执行,该岩石孔隙结构预测模型训练装置可以采用硬件和/或软件的形式实现,该岩石孔隙结构预测模型训练装置可配置于任何具有网络通信功能的电子设备中。如图1所示,该方法包括:
S110、确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,所述目标训练样本包括不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数,所述弹性参数的频散、衰减与孔隙结构存在关联性。
其中,岩石孔隙结构预测模型可以是根据卷积神经网络等方法建立的用于预测孔隙结构参数的模型。目标训练样本可以是不同频域的频散相关弹性参数和不同频域的衰减相关弹性参数都与预标注孔隙结构参数有着对应关系的数据样本。弹性参数可以是应用岩石物理模型对不同的孔隙结构参数、流体参数进行正演所得到的数据,也可以是基于爬虫等数据提取技术从实验测量文献中获取的数据。岩石物理模型可以是用于建立不同的孔隙结构参数、流体参数和弹性参数对应关系的模型。
作为一种可选的但不限定的实现方式,确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,具体包括步骤A1-A2:
步骤A1、通过岩石物理模型对弹性参数进行正演,得到与频散、衰减存在关联性的弹性参数和引起所述弹性参数变化对应的预标注孔隙结构参数,所述岩石物理模型表征了孔隙结构、流体引起频散、衰减特征;
其中,岩石物理模型可以建立孔隙结构参数、流体参数和弹性参数的对应关系,其中弹性参数具有频散衰减特征。
具体的,根据流体参数和孔隙结构参数通过岩石物理模型正演获取弹性参数,其中,流体参数包括流体的密度、粘度、绝热指数、体积压缩系数以及雷诺数、流速比等,孔隙结构参数包括孔隙度、渗透率、孔径参数等,将不同的弹性参数与不同的孔隙结构参数一一对应。
作为一种可选的但不限定的实现方式,通过岩石物理模型对弹性参数进行正演处理,得到与频散衰减存在关联性的弹性参数和引起所述弹性参数对应的预标注孔隙结构参数,具体包括步骤A11-A12:
步骤A11、依据岩石物理模型对弹性参数进行正演,在符合预设地质意义的前提下,正演过程中按固定步长依次改变孔隙结构参数、流体参数得到不同频域的弹性参数;
具体的,按照地质意义的合理范围,以固定的步长改变孔隙结构参数和流体参数,输入至岩石物理模型进行正演,得到不同频域的频散和衰减特征的弹性参数,其中,岩石物理模型是建立不同的孔隙结构参数、流体参数和弹性参数对应关系的主流方法,包括B iot,Wh i te等模型。
步骤A12、确定引起所述弹性参数采用的孔隙结构参数,作为预标注孔隙结构参数。
具体的,依据孔隙结构参数和流体参数引起不同频散、衰减特征的弹性参数,将孔隙结构参数作为不同频散、衰减特征的弹性参数的标签。
步骤A2、通过对预设岩石资料就进行解析与提取,得到与频散衰减存在关联性的弹性参数和引起所述弹性参数变化对应的预标注孔隙结构参数,所述预设岩石资料包括已有的与岩石的频散、衰减存在关联性的实验测量文章的表格数据与曲线数据,所述实验测量文章的表格数据与曲线数据标注了实验测量的频率。
具体的,基于解析和提取方法,获取岩石资料内具有频散、衰减特征的弹性参数和引起这种弹性参数变化对应的孔隙结构参数,岩石资料通过表格数据和曲线数据的形式记录不同频率对应的弹性参数,则从岩石资料数据中获取了不同频率对应的弹性参数,其中,岩石资料包括实验测量文献。
示例性的,可以通过爬虫技术在实验测量文献中爬取不同频散、衰减特征的弹性参数数据,构建一个通过爬虫技术爬取的弹性参数的数据集,该数据集的标签为引起这种弹性参数频散、衰减特征的孔隙结构参数,该数据集的数据量与通过岩石模型正演获取的数据量相近。
示例性的,在符合地质意义的合理范围内,按照固定的步长改变孔隙结构参数、流体参数,并将不同的孔隙结构参数和流体参数输入至岩石物理模型进行正演,如图2所示,得到不同的孔隙结构参数和流体参数导致的频散和衰减特征的弹性参数,如图3所示,还需要通过爬虫技术在实验测量文献中爬取频散和衰减相关的弹性参数数据,岩石模型正演获取的数据与爬虫技术获取的数据的比例尽可能的接近,建立一个标签为孔隙结构参数的数据集,数据集中不同孔隙结构参数对应着岩石模型正演获取的弹性参数和爬虫技术获取的弹性参数,再通过数据集的划分,获取目标训练样本。
S120、对所述目标训练样本中不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数进行归一化处理。
具体的,目标训练样本中,不同频域的弹性参数对应引起这种弹性参数变化的孔隙结构参数,不同弹性参数和孔隙结构参数的幅值范围变化很大,为了得到精确的预测模型,消除因幅值变化对岩石孔隙结构预测模型训练造成的影响,需要将目标训练样本的弹性参数和引起这种弹性参数变化的孔隙结构参数进行归一化处理。
示例性的,防止因参数幅值的范围变化大导致数据集的数据规格不统一,进而对预测结果造成影响,需要目标训练样本进行数据归一化,目标训练样本涉及的孔隙结构参数、流体参数和孔隙度采用数据归一化方法的极差标准化法,频率、渗透率、孔径使用l og标准化法,波速采用极大化法。其中,极差标准化法的原理是:找到这类数据的最大值Max和最小值M i n,通过最大值与最小值之差计算极差R(R=Max-M i n),把这类数据的所有数据依次与最小值作差,再除以极差获取标准化处理结果,经过极差标准化法处理所得的数据,其取值范围是[0,1]。l og标准化法处理的数值一般变化范围较大,其处理方法是获取这类数据的指数,用指数代替原有数据。
S130、依据所述目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型。
具体的,将归一化的目标训练样本输入至岩石孔隙结构预测模型中,经过岩石孔隙结构预测模型的特征提取和回归预测,通过损失函数获取孔隙结构参数与目标训练样本中预标注孔隙结构参数之间的损失值,基于随机梯度下降算法对岩石孔隙结构预测模型的损失函数进行优化,得到训练结果收敛的岩石孔隙结构预测模型。
本发明实施例的技术方案,通过孔隙结构参数得到频散、衰减相关的弹性参数,以及与该弹性参数变化对应的预标注孔隙结构参数,确定用于训练岩石孔隙结构预测模型的目标训练样本,通过归一化处理方法对目标训练样本中不同频域的弹性参数,以及引起该弹性参数对应的预标注孔隙结构参数进行归一化,根据目标训练样本对岩石孔隙结构预测模型训练得到收敛的岩石孔隙结构预测模型。本技术方案,通过确定目标训练样本,完成目标训练样本的归一化处理,根据归一化处理后的目标训练样本对岩石孔隙结构预测模型训练,得到结果收敛的岩石孔隙结构预测模型,通过建立数据充足、类型均衡的目标训练样本,可以提高岩石孔隙结构预测模型的泛化能力和预测精度。
实施例二
图4为本发明实施例二提供的一种岩石孔隙结构预测模型训练方法的流程图,本实施例在上述实施例的基础上细化了岩石孔隙结构预测模型训练方法。如图4所示,该方法包括:
S210、确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,所述目标训练样本包括不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数,所述弹性参数的频散、衰减与孔隙结构存在关联性。
具体的,通过岩石物理模型将不同的孔隙结构参数和流体参数进行正演获取具有频散衰减特征的弹性参数,通过爬虫技术获取岩石资料中与频散衰减有关的弹性参数,其中,岩石资料包括实验测量文献,建立一个标签为孔隙结构参数的数据集,数据集包括岩石模型正演获取的弹性参数和爬虫技术获取的弹性参数和引起这种弹性参数变化对应的孔隙结构参数,再通过数据集的划分,获取目标训练样本。
S220、对所述目标训练样本中不同频域的弹性参数以及引起所述弹性参数对应的预标注孔隙结构参数进行归一化处理。
具体的,目标训练样本中,不同频域的弹性参数对应引起这种弹性参数变化的孔隙结构参数,为消除因弹性参数幅值范围不同导致岩石孔隙结构预测模型的预测不准确,需要将目标训练样本的参数进行归一化处理。
S230、将所述目标训练样本中不同频域的弹性参数输入到岩石孔隙结构预测模型进行孔隙结构参数预测任务,得到预测的孔隙结构参数。
作为一种可选的但不限定的实现方式,将所述目标训练样本中不同频域的弹性参数输入到岩石孔隙结构预测模型进行孔隙结构参数预测任务,得到预测的孔隙结构参数,具体包括步骤A1-A2:
步骤A1、利用所述岩石孔隙结构预测模型中卷积神经网络提取所述目标训练样本中不同频域的弹性参数的数据幅值和相对变化的特征;
具体的,岩石孔隙结构预测模型是基于卷积神经网络构建的模型,该模型通过的卷积层和池化层组成特征提取层,根据特征提取层对目标训练样本进行特征的提取,获取弹性参数的频散、衰减特征信息,其中,卷积层可以是通过卷积核与输入数据进行点积和累加运算得到特征信息的操作,池化层可以是针对卷积层提取的特征信息进行降维的操作。
步骤A2、经过所述岩石孔隙结构预测模型中多层卷积、池化最终连接的全连接层,得到预测的孔隙结构参数。
具体的,如图5所示,岩石孔隙结构预测模型可以由多层卷积层和池化层最终连接全连接层组成,其中,全连接层可以是基于神经网络原理构建的用于回归预测的网络结构,目标训练样本经过岩石孔隙结构预测模型的特征提取层获取特征信息,将特征信息进行展平操作输入至全连接层得到回归预测结果,即预测的孔隙结构参数。
可选的,所述岩石孔隙结构预测模型的全连接层会设置有输入端口,所述输入端口用于输入能够提高预测准确性的先验信息,所述先验信息包括流体密度与黏度。
具体的,目标训练样本经过岩石孔隙结构预测模型的特征提取层获取特征信息,将特征信息进行展平操作输入至全连接层,除了将岩石孔隙结构预测模型提取的特征信息输入至全连接层外,全连接层包括预设输入端口,全连接层的输入还包括流体类型和粘度等先验信息,相比没有预设输入端口的全连接层,能够减少预测的多解性、提高预测结果的准确性。
S240、依据预测的孔隙结构参数与所述目标训练样本中引起所述弹性参数变化对应的预标注孔隙结构参数,确定岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数。
具体的,岩石孔隙结构预测模型提取目标训练样本的特征信息,全连接层根据特征信息、流体密度和粘度等信息对频散、衰减特征的弹性参数进行回归预测,获取预测孔隙结构参数,将预测孔隙结构参数与目标训练样本中预标注孔隙结构参数输入至损失函数中,基于随机梯度下降算法对岩石孔隙结构预测模型的损失函数进行优化。
S250、依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整,得到收敛的岩石孔隙结构预测模型。
作为一种可选的但不限定的实现方式,依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整,具体包括步骤B1-B2:
步骤B1、按照模型学习率曲线对岩石孔隙结构预测模型进行训练,所述模型学习率曲线为学习率随时间进行周期性衰减的曲线;
其中,学习率可以是使得岩石孔隙结构预测模型的预测结果不断趋近于预标注孔隙结构参数的超参数。
具体的,根据在训练岩石孔隙结构预测模型之前预设的模型学习率曲线,自主的按照模型学习率曲线信息对当前阶段的岩石孔隙结构预测模型训练。
步骤B2、基于当前阶段使用的模型学习率,依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整。
具体的,岩石孔隙结构预测模型基于目标训练样本进行孔隙结构参数预测,形成损失信息,按照预设的模型学习率曲线信息,基于损失函数结合当前阶段的学习率对孔隙结构预测模型的参数进行优化。
示例性的,预设当前训练阶段内,岩石孔隙结构预测模型的训练周期、每个周期内训练岩石孔隙结构预测模型的批次数,将目标训练样本按照批次数划分成几个批次,应用每一批目标训练样本训练岩石孔隙结构预测模型,获取岩石孔隙结构预测模型进行孔隙结构参数预测的损失信息,如图6所示,按照预设的模型学习率曲线信息,优化损失函数,例如,随机梯度下降算法结合对应的学习率对岩石孔隙结构预测模型的参数进行优化,直到岩石孔隙结构预测模型的预测结果收敛,即可得到收敛的岩石孔隙结构预测模型。
S260、将目标测试样本拆分为至少两个子目标测试样本,将各个子目标测试样本交叉输入到岩石孔隙结构预测模型进行模型测试。
具体的,将目标测试样本至少分成两份,把每个子目标测试样本输入至岩石孔隙结构预测模型,进行模型测试,获取测试结果。
示例性的,根据K折交叉验证的方法,将目标测试样本的数据平均分成K份,将每份目标测试样本的数据输入岩石孔隙结构预测模型内,获取岩石孔隙结构预测模型的测试结果。如图7所示,根据不同频域的弹性参数的目标测试样本对岩石孔隙结构预测模型进行测试,获取预测孔隙结构参数,包括岩石孔隙结构的孔隙度、渗透率和孔径参数。
本发明实施例的技术方案,通过孔隙结构参数得到频散、衰减相关的弹性参数,以及与该弹性参数变化对应的预标注孔隙结构参数,确定用于训练岩石孔隙结构预测模型的目标训练样本,通过归一化处理方法对目标训练样本中不同频域的弹性参数,以及引起该弹性参数变化对应的预标注孔隙结构参数进行归一化,根据目标训练样本对岩石孔隙结构预测模型训练得到收敛的岩石孔隙结构预测模型。本技术方案,通过确定目标训练样本,完成目标训练样本的归一化处理,根据归一化处理后的目标训练样本以及预先设定随着周期变化的学习率曲线对岩石孔隙结构预测模型训练,得到训练结果收敛的岩石孔隙结构预测模型,并根据交叉验证方法和目标测试样本对岩石孔隙结构预测模型测试获取测试结果。通过建立数据充足、类型均衡的目标训练样本,可以提高岩石孔隙结构预测模型的泛化能力,预先设定随着周期变化的学习率曲线,提高岩石孔隙结构预测模型的训练速度,加快岩石孔隙结构预测模型预测结果的收敛速度,同时优化过程中可使损失函数具备更有效地跳出局部极小值或鞍点的能力,可以提高岩石孔隙结构预测模型的预测精度。
实施例三
图8为本发明实施例三提供的一种岩石孔隙结构预测模型的应用方法流程图,本实施例可适用于应用岩石孔隙结构预测模型进行预测的情况,该方法可以由岩石孔隙结构预测模型的应用装置来执行,该岩石孔隙结构预测模型的应用装置可以采用硬件和/或软件的形式实现,该岩石孔隙结构预测模型的应用装置可配置于任何具有网络通信功能的电子设备中。如图8所示,该方法包括:
S310、确定待处理岩石的不同频域的弹性参数;
具体的,确定待预测孔隙结构参数的岩石缺失了一部分频域的弹性参数,形成待预测样本。
S320、将待处理岩石的不同频域的弹性参数输入到岩石孔隙结构预测模型,得到待处理岩石的孔隙结构参数。
具体的,将待处理岩石缺失一部分频域的弹性参数输入至岩石孔隙结构预测模型中,得到待预测岩石的孔隙结构参数。
示例性的,如图9所示,模拟缺失一定频域的弹性参数,输入至岩石孔隙结构预测模型中,生成岩石的孔隙结构参数,包括:孔隙度、渗透率和孔径参数。
本发明实施例的技术方案,通过确定不同频域的弹性参数,将不同频域的弹性参数输入至岩石孔隙结构预测模型中,完成岩石的孔隙结构参数预测,本技术方案,通过输入缺失一定频域的弹性参数至岩石孔隙结构预测模型,完成对该岩石的孔隙结构参数预测,模拟在缺失一定频域信息的情况下,验证了岩石孔隙结构预测模型的鲁棒性。
实施例四
图10为本发明实施例四提供的一种岩石孔隙结构预测模型训练装置的结构示意图。如图10所示,该装置包括:
训练样本确定模块410,用于确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,所述目标训练样本包括不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数,所述弹性参数的频散、衰减与孔隙结构存在关联性;
数据归一化模块420,用于对所述目标训练样本中不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数进行归一化处理;
预测模型获取模块430,用于依据所述目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型。
在本申请实施例中,训练样本确定模块410包括:
弹性参数正演单元,用于通过岩石物理模型对弹性参数进行正演,得到与频散、衰减存在关联性的弹性参数和引起所述弹性参数变化对应的预标注孔隙结构参数,所述岩石物理模型表征了孔隙结构、流体引起频散、衰减特征;
解析与提取单元,用于通过对预设岩石资料就进行解析与提取,得到与频散衰减存在关联性的弹性参数和引起所述弹性参数变化对应的预标注孔隙结构参数,所述预设岩石资料包括已有的与岩石的频散、衰减存在关联性的实验测量文章的表格数据与曲线数据,所述实验测量文章的表格数据与曲线数据标注了实验测量的频率。
在本申请实施例中,弹性参数正演单元具体用于:
依据岩石物理模型对弹性参数进行正演,在符合预设地质意义的前提下,正演过程中按固定步长依次改变孔隙结构参数、流体参数得到不同频域的弹性参数;
确定引起所述弹性参数采用的孔隙结构参数,作为预标注孔隙结构参数。
在本申请实施例中,预测模型获取模块430包括:
孔隙结构参数预测单元,用于将所述目标训练样本中不同频域的弹性参数输入到岩石孔隙结构预测模型进行孔隙结构参数预测任务,得到预测的孔隙结构参数;
损失函数确定单元,用于依据预测的孔隙结构参数与所述目标训练样本中引起所述弹性参数对应的预标注孔隙结构参数,确定岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数;
预测模型收敛单元,依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整,得到收敛的岩石孔隙结构预测模型。
在本申请实施例中,孔隙结构参数预测单元具体用于:
利用所述岩石孔隙结构预测模型中卷积神经网络提取所述目标训练样本中不同频域的弹性参数的数据幅值和相对变化的特征;
经过所述岩石孔隙结构预测模型中多层卷积、池化最终连接的全连接层,得到预测的孔隙结构参数。
在本申请实施例中,预测模型收敛单元具体用于:
按照模型学习率曲线对岩石孔隙结构预测模型进行训练,所述模型学习率曲线为学习率随时间进行周期性衰减的曲线;
基于当前阶段使用的模型学习率,依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整。
在本申请实施例中,孔隙结构参数预测单元还用于:
所述岩石孔隙结构预测模型的全连接层会设置有输入端口,所述输入端口用于输入能够提高预测准确性的先验信息,所述先验信息包括流体密度与黏度。
在本申请实施例中,还包括:
模型测试模块,用于将目标测试样本拆分为至少两个子目标测试样本,将各个子目标测试样本交叉输入到岩石孔隙结构预测模型进行模型测试。
本发明实施例中所提供的岩石孔隙结构预测模型训练装置可执行上述本发明任意实施例中所提供的岩石孔隙结构预测模型训练方法,具备执行该岩石孔隙结构预测模型训练方法相应的功能和有益效果,详细过程参见前述实施例中岩石孔隙结构预测模型训练方法的相关操作。
实施例五
图11是本发明实施例五提供的一种岩石孔隙结构预测模型的应用装置的结构示意图。如图11所示,该装置包括:
输入模块510,用于确定待处理岩石的不同频域的弹性参数;
输出模块520,用于将待处理岩石的不同频域的弹性参数输入到岩石孔隙结构预测模型,得到待预测岩石的孔隙结构参数。
本发明实施例中所提供的岩石孔隙结构预测模型的应用装置可执行上述本发明任意实施例中所提供的岩石孔隙结构预测模型的应用方法,具备执行该岩石孔隙结构预测模型的应用方法相应的功能和有益效果,详细过程参见前述实施例中岩石孔隙结构预测模型的应用方法的相关操作。
实施例六
图12示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图12所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如岩石孔隙结构预测模型训练、应用方法。
在一些实施例中,岩石孔隙结构预测模型训练、应用方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的岩石孔隙结构预测模型训练、应用方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行岩石孔隙结构预测模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(AS I C)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种岩石孔隙结构预测模型训练方法,其特征在于,所述方法包括:
确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,所述目标训练样本包括不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数,所述弹性参数的频散、衰减与孔隙结构存在关联性;
对所述目标训练样本中不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数进行归一化处理;
依据所述目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型。
2.根据权利要求1所述的方法,其特征在于,确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,包括:
通过岩石物理模型对弹性参数进行正演,得到与频散、衰减存在关联性的弹性参数和引起所述弹性参数变化对应的预标注孔隙结构参数,所述岩石物理模型表征了孔隙结构、流体引起频散、衰减特征;
通过对预设岩石资料就进行解析与提取,得到与频散衰减存在关联性的弹性参数和引起所述弹性参数变化对应的预标注孔隙结构参数,所述预设岩石资料包括已有的与岩石的频散、衰减存在关联性的实验测量文章的表格数据与曲线数据,所述实验测量文章的表格数据与曲线数据标注了实验测量的频率。
3.根据权利要求2所述的方法,其特征在于,通过岩石物理模型对弹性参数进行正演,得到与频散衰减存在关联性的弹性参数和引起所述弹性参数变化对应的预标注孔隙结构参数,包括:
依据岩石物理模型对弹性参数进行正演,在符合预设地质意义的前提下,正演过程中按固定步长依次改变孔隙结构参数、流体参数得到不同频域的弹性参数;
确定引起所述弹性参数采用的孔隙结构参数,作为预标注孔隙结构参数。
4.根据权利要求1所述的方法,其特征在于,依据所述目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型,包括:
将所述目标训练样本中不同频域的弹性参数输入到岩石孔隙结构预测模型进行孔隙结构参数预测任务,得到预测的孔隙结构参数;
依据预测的孔隙结构参数与所述目标训练样本中引起所述弹性参数变化对应的预标注孔隙结构参数,确定岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数;
依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整,得到收敛的岩石孔隙结构预测模型。
5.根据权利要求4所述的方法,其特征在于,将所述目标训练样本中不同频域的弹性参数输入到岩石孔隙结构预测模型进行孔隙结构参数预测任务,得到预测的孔隙结构参数,包括:
利用所述岩石孔隙结构预测模型中卷积神经网络提取所述目标训练样本中不同频域的弹性参数的数据幅值和相对变化的特征;
经过所述岩石孔隙结构预测模型中多层卷积、池化最终连接的全连接层,得到预测的孔隙结构参数。
6.根据权利要求4所述的方法,其特征在于,依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整,包括:
按照模型学习率曲线对岩石孔隙结构预测模型进行训练,所述模型学习率曲线为学习率随时间进行周期性衰减的曲线;
基于当前阶段使用的模型学习率,依据岩石孔隙结构预测模型进行孔隙结构参数预测任务时的损失函数对岩石孔隙结构预测模型的参数进行调整。
7.根据权利要求4所述的方法,其特征在于,所述岩石孔隙结构预测模型的全连接层会设置有输入端口,所述输入端口用于输入能够提高预测准确性的先验信息,所述先验信息包括流体密度与黏度。
8.根据权利要求1所述的方法,其特征在于,在得到收敛的岩石孔隙结构预测模型之后,还包括:
将目标测试样本拆分为至少两个子目标测试样本,将各个子目标测试样本交叉输入到岩石孔隙结构预测模型进行模型测试。
9.一种岩石孔隙结构预测模型的应用方法,其特征在于,采用权利要求1至8中任一所述的岩石孔隙结构预测模型,所述方法包括:
确定待处理岩石的不同频域的弹性参数;
将待处理岩石的不同频域的弹性参数输入到岩石孔隙结构预测模型,得到待处理岩石的孔隙结构参数。
10.一种岩石孔隙结构预测模型训练装置,其特征在于,包括:
训练样本确定模块,用于确定岩石孔隙结构预测模型进行训练所要使用的目标训练样本,所述目标训练样本包括不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数,所述弹性参数的频散、衰减与孔隙结构存在关联性;
数据归一化模块,用于对所述目标训练样本中不同频域的弹性参数以及引起所述弹性参数变化对应的预标注孔隙结构参数进行归一化处理;
预测模型获取模块,用于依据所述目标训练样本对岩石孔隙结构预测模型进行训练,得到收敛的岩石孔隙结构预测模型。
11.一种岩石孔隙结构预测模型的应用装置,其特征在于,采用权利要求1至8中任一所述的岩石孔隙结构预测模型,所述装置包括:
输入模块,用于确定待处理岩石的不同频域的弹性参数;
输出模块,用于将待处理岩石的不同频域的弹性参数输入到岩石孔隙结构预测模型,得到待预测岩石的孔隙结构参数。
12.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的岩石孔隙结构预测模型训练方法或权利要求9所述的岩石孔隙结构预测模型的应用方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211544942.7A CN118133698A (zh) | 2022-12-02 | 2022-12-02 | 岩石孔隙结构预测模型训练、应用方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211544942.7A CN118133698A (zh) | 2022-12-02 | 2022-12-02 | 岩石孔隙结构预测模型训练、应用方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118133698A true CN118133698A (zh) | 2024-06-04 |
Family
ID=91241156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211544942.7A Pending CN118133698A (zh) | 2022-12-02 | 2022-12-02 | 岩石孔隙结构预测模型训练、应用方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118133698A (zh) |
-
2022
- 2022-12-02 CN CN202211544942.7A patent/CN118133698A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112098449B (zh) | 一种储层毛管压力曲线的获取方法和装置 | |
CN113236228A (zh) | 一种单井产量快速预测方法及系统 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN118133698A (zh) | 岩石孔隙结构预测模型训练、应用方法、装置以及设备 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN117112445B (zh) | 一种机器学习模型稳定性检测方法、装置、设备及介质 | |
CN117874559A (zh) | 一种岩相分类数量的确定方法、装置、设备及存储介质 | |
CN118036510B (zh) | 一种无线通信关键策略的确定方法、装置及电子设备 | |
CN117829580A (zh) | 压裂套变风险评估方法、装置、电子设备及存储介质 | |
CN116757096B (zh) | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 | |
CN116468927A (zh) | 一种叠层石储层识别方法、装置、设备及存储介质 | |
CN118295021A (zh) | 地震敏感参数确定方法、装置、电子设备及存储介质 | |
CN116931083A (zh) | 一种方位角道集划分方案的确定方法 | |
CN117474634A (zh) | 一种产品推荐方法、装置、设备和存储介质 | |
CN115455019A (zh) | 一种基于用户行为分析的搜索意图识别方法、装置及设备 | |
CN116201524A (zh) | 断块型圈闭体积校正系数确定方法、装置、设备及介质 | |
CN117972469A (zh) | 一种火成岩分类识别方法、装置、设备及存储介质 | |
CN117670519A (zh) | 一种数据预测方法、装置、设备及介质 | |
CN117471553A (zh) | 基于改进泥岩阻抗差的压力预测方法、装置、设备及介质 | |
CN117908109A (zh) | 一种盐岩地层速度的确定方法、装置、设备及介质 | |
CN118351989A (zh) | 气藏有效砂体结构模型构建方法、装置、设备及介质 | |
CN116432511A (zh) | 白云岩储层分形维数的建模方法、装置、设备和介质 | |
CN118294337A (zh) | 一种孔喉分布确定方法、装置、电子设备及存储介质 | |
CN116299677A (zh) | 岩性圈闭边界的确定方法、装置、电子设备及存储介质 | |
CN118346265A (zh) | 纵向多层气藏储层产能识别方法、装置、设备及介质 |
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 |