JP2020534456A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2020534456A5 JP2020534456A5 JP2020515731A JP2020515731A JP2020534456A5 JP 2020534456 A5 JP2020534456 A5 JP 2020534456A5 JP 2020515731 A JP2020515731 A JP 2020515731A JP 2020515731 A JP2020515731 A JP 2020515731A JP 2020534456 A5 JP2020534456 A5 JP 2020534456A5
- Authority
- JP
- Japan
- Prior art keywords
- data
- image data
- neural network
- image
- post
- 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
- 230000001537 neural Effects 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 21
- 238000010200 validation analysis Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 12
- 239000003208 petroleum Substances 0.000 claims description 11
- 230000000704 physical effect Effects 0.000 claims description 9
- 230000001427 coherent Effects 0.000 claims description 6
- 230000000306 recurrent Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims 5
- 230000004044 response Effects 0.000 claims 3
Description
さらにまた、請求された実施が、少なくとも以下のものに適用可能であると見なされる:コンピュータにより実施される方法;コンピュータにより読み出し可能な命令を、コンピュータにより実施される該方法を実行するために格納するコンピュータにより読み出し可能な非一時的媒体;及び、コンピュータにより読み出し可能な非一時的な媒体に格納された該命令及びコンピュータにより実施される該方法を実行するように構成されたハードウェアプロセッサに相互に動作可能に結合されたコンピュータメモリを備えるコンピュータシステム。
形態1
アーティファクトを除去すると共に所望の目標出力に関連付けられた情報を回復するために、受信した画像データを改善して、画像処理を用いて、改善された画像データを生成するステップと;
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行するステップと;
前処理されたデータとしてニューラルネットワークへの入力のために、補助データ及び使用可能なセグメント化された画像データを前処理するステップと;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割するステップと;
前記前処理されたデータを処理するためにニューラルネットワークアーキテクチャを特定するステップと;
前記前処理されたデータを用いて、該特定されたニューラルネットワークアーキテクチャを実行するステップと;
後処理されたデータとして前記特定されたニューラルネットワークの出力を後処理するステップと;
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較するステップと;を備える
コンピュータにより実施される方法。
形態2
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変わり、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態1に記載の方法。
形態3
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するステップを更に備える、
形態1に記載の方法。
形態4
前記受信した使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、学習、検証、及びテストの前記データサブセットに、クラス分けのために分割される、
形態1に記載の方法。
形態5
学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するステップを更に備える、
形態1に記載の方法。
形態6
前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態1に記載の方法。
形態7
他の石油物理的特性を導出するために、又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するステップを更に備える、
形態1に記載の方法。
形態8
コンピュータにより読み出し可能な非一時的な媒体であって、該媒体は、以下の動作を実行するコンピュータシステムによって実行可能な1又は複数の命令を格納しており、前記動作は:
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、受けた画像データを改善して改善された画像データを生成する;
特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行して、セグメント化された画像データを生成する;
前処理されたデータとしてニューラルネットワーク内への入力のために補助データ及び使用可能なセグメント化された画像データを前処理する;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する;
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する;
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する;
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する;及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する;ことを含む
媒体。
形態9
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態8に記載の媒体。
形態10
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために1又は複数の命令を更に含む、
形態8に記載の媒体。
形態11
前記受けた使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づきパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記サブセットに分割される、
形態8に記載の媒体。
形態12
学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが連続又は離散データ源からのものである否かを特定するために1又は複数の命令を更に備える、
形態8に記載の媒体。
形態13
前記ニューラルネットワークアーキテクチャが教師有り又は教師無しであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、ここで、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態8に記載の媒体。
形態14
他の石油物理的特性を導出するために又は新しいデータ関係を生成するために前記後処理されたデータに対して追加の処理を実行するための1又は複数の命令を更に備える、
形態8に記載の媒体。
形態15
コンピュータにより実施されるシステムであって:
1又は複数のコンピュータと;
1又は複数のコンピュータメモリデバイスと;を備え、
f前記コンピュータメモリデバイスは、1又は複数のコンピュータと相互利用可能に結合され、また機械により読み出し可能であり有形の非一時的な媒体を有し、該媒体は、一又は複数の命令を格納しており、該命令は、前記1又は複数のコンピュータによって実行されるとき、以下の動作を実行し、前記動作は:
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、受けた画像データを改善して改善された画像データを生成する;
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行する;
前処理されたデータとしてニューラルネットワーク内への入力のための補助データ及び使用可能なセグメント化された画像データを前処理する;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する;
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する;
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する;
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する;及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する;ことを含む、
システム。
形態16
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態15に記載のシステム。
形態17
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために1又は複数の命令を更に備える、
形態15に記載のシステム。
形態18
前記受けた使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づきパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記データサブセットに分割される、
形態15に記載のシステム。
形態19
学習、検証、及び、テストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するための1又は複数の命令を更に備える、
形態15に記載のシステム。
形態20
前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態15に記載のシステム。
形態21
他の石油物理的特性を導出するために又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するための1又は複数の命令を更に備える、
形態15に記載のシステム。
形態1
アーティファクトを除去すると共に所望の目標出力に関連付けられた情報を回復するために、受信した画像データを改善して、画像処理を用いて、改善された画像データを生成するステップと;
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行するステップと;
前処理されたデータとしてニューラルネットワークへの入力のために、補助データ及び使用可能なセグメント化された画像データを前処理するステップと;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割するステップと;
前記前処理されたデータを処理するためにニューラルネットワークアーキテクチャを特定するステップと;
前記前処理されたデータを用いて、該特定されたニューラルネットワークアーキテクチャを実行するステップと;
後処理されたデータとして前記特定されたニューラルネットワークの出力を後処理するステップと;
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較するステップと;を備える
コンピュータにより実施される方法。
形態2
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変わり、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態1に記載の方法。
形態3
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するステップを更に備える、
形態1に記載の方法。
形態4
前記受信した使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、学習、検証、及びテストの前記データサブセットに、クラス分けのために分割される、
形態1に記載の方法。
形態5
学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するステップを更に備える、
形態1に記載の方法。
形態6
前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態1に記載の方法。
形態7
他の石油物理的特性を導出するために、又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するステップを更に備える、
形態1に記載の方法。
形態8
コンピュータにより読み出し可能な非一時的な媒体であって、該媒体は、以下の動作を実行するコンピュータシステムによって実行可能な1又は複数の命令を格納しており、前記動作は:
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、受けた画像データを改善して改善された画像データを生成する;
特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行して、セグメント化された画像データを生成する;
前処理されたデータとしてニューラルネットワーク内への入力のために補助データ及び使用可能なセグメント化された画像データを前処理する;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する;
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する;
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する;
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する;及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する;ことを含む
媒体。
形態9
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態8に記載の媒体。
形態10
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために1又は複数の命令を更に含む、
形態8に記載の媒体。
形態11
前記受けた使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づきパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記サブセットに分割される、
形態8に記載の媒体。
形態12
学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが連続又は離散データ源からのものである否かを特定するために1又は複数の命令を更に備える、
形態8に記載の媒体。
形態13
前記ニューラルネットワークアーキテクチャが教師有り又は教師無しであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、ここで、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態8に記載の媒体。
形態14
他の石油物理的特性を導出するために又は新しいデータ関係を生成するために前記後処理されたデータに対して追加の処理を実行するための1又は複数の命令を更に備える、
形態8に記載の媒体。
形態15
コンピュータにより実施されるシステムであって:
1又は複数のコンピュータと;
1又は複数のコンピュータメモリデバイスと;を備え、
f前記コンピュータメモリデバイスは、1又は複数のコンピュータと相互利用可能に結合され、また機械により読み出し可能であり有形の非一時的な媒体を有し、該媒体は、一又は複数の命令を格納しており、該命令は、前記1又は複数のコンピュータによって実行されるとき、以下の動作を実行し、前記動作は:
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、受けた画像データを改善して改善された画像データを生成する;
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行する;
前処理されたデータとしてニューラルネットワーク内への入力のための補助データ及び使用可能なセグメント化された画像データを前処理する;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する;
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する;
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する;
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する;及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する;ことを含む、
システム。
形態16
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態15に記載のシステム。
形態17
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために1又は複数の命令を更に備える、
形態15に記載のシステム。
形態18
前記受けた使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づきパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記データサブセットに分割される、
形態15に記載のシステム。
形態19
学習、検証、及び、テストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するための1又は複数の命令を更に備える、
形態15に記載のシステム。
形態20
前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態15に記載のシステム。
形態21
他の石油物理的特性を導出するために又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するための1又は複数の命令を更に備える、
形態15に記載のシステム。
Claims (21)
- 坑井コアに関連付けられた画像データを受信するステップと;
アーティファクトを除去すると共に所望の目標出力に関連付けられた情報を回復するために、画像処理を用いて、前記受信した画像データを改善するステップと;
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行するステップと;
前記セグメント化された画像データが使用可能であることを、石油物理的値の範囲を含むユーザビリティ基準に基づき、特定するステップと;
前記セグメント化された画像データが使用可能であることを特定することに応答して、前処理されたデータとしてニューラルネットワークへの入力のために、補助データ及び前記使用可能なセグメント化された画像データを、算術又は幾何の関係の組の一又は複数である前処理技法を用いて、前処理するステップと;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割するステップと;
前記前処理されたデータを処理するためにニューラルネットワークアーキテクチャを特定するステップと;
前記前処理されたデータを用いて、該特定されたニューラルネットワークアーキテクチャを実行するステップと;
後処理されたデータとして前記特定されたニューラルネットワークの出力を後処理するステップと;
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較するステップと;を備える
コンピュータにより実施される方法。 - 画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、
前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変わり、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
請求項1に記載の方法。 - 前記改善された画像データの有用性を特定するステップを更に備える、
請求項1に記載の方法。 - 前記使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、学習、検証、及びテストの前記データサブセットに、クラス分けのために分割される、
請求項1に記載の方法。 - 学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するステップを更に備える、
請求項1に記載の方法。 - 前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
請求項1に記載の方法。 - 他の石油物理的特性を導出するために、又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するステップを更に備える、
請求項1に記載の方法。 - コンピュータにより読み出し可能な非一時的な媒体であって、該媒体は、以下の動作を実行するコンピュータシステムによって実行可能な1又は複数の命令を格納しており、前記動作は:
坑井コアに関連付けられた画像データを受信する;
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、前記受けた画像データを改善する;
特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行して、セグメント化された画像データを生成する;
前記セグメント化された画像データが使用可能であることを、石油物理的値の範囲を含むユーザビリティ基準に基づき、特定する;
前記セグメント化された画像データが使用可能であることを特定することに応答して、前処理されたデータとしてニューラルネットワーク内への入力のために補助データ及び前記使用可能なセグメント化された画像データを、算術又は幾何の関係の組の一又は複数である前処理技法を用いて、前処理する;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する;
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する;
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する;
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する;及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する;ことを含む
媒体。 - 画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、
前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
請求項8に記載の媒体。 - 前記改善された画像データを特定するために1又は複数の命令を更に含む、
請求項8に記載の媒体。 - 前記使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記サブセットに分割される、
請求項8に記載の媒体。 - 学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが連続又は離散データ源からのものであるかを特定するために1又は複数の命令を更に備える、
請求項8に記載の媒体。 - 前記ニューラルネットワークアーキテクチャが教師有り又は教師無しであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、ここで、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
請求項8に記載の媒体。 - 他の石油物理的特性を導出するために又は新しいデータ関係を生成するために前記後処理されたデータに対して追加の処理を実行するための1又は複数の命令を更に備える、
請求項8に記載の媒体。 - コンピュータにより実施されるシステムであって:
1又は複数のコンピュータと;
1又は複数のコンピュータメモリデバイスと;を備え、
前記コンピュータメモリデバイスは、前記1又は複数のコンピュータと相互利用可能に結合され、また機械により読み出し可能であり有形の非一時的な媒体を有し、該媒体は、一又は複数の命令を格納しており、該命令は、前記1又は複数のコンピュータによって実行されるとき、以下の動作を実行し、前記動作は:
坑井コアに関連付けられた画像データを受信する;
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、前記受けた画像データを改善する;
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行する;
前記セグメント化された画像データが使用可能であることを、石油物理的値の範囲を含むユーザビリティ基準に基づき、特定する;
前記セグメント化された画像データが使用可能であることを特定することに応答して、
前処理されたデータとしてニューラルネットワーク内への入力のための補助データ及び前記使用可能なセグメント化された画像データを、算術又は幾何の関係の組の一又は複数である前処理技法を用いて、前処理する;
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する;
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する;
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する;
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する;及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する;ことを含む、
システム。 - 画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び1又は複数の石油物理的特性に基づいており、
前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
請求項15に記載のシステム。 - 前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために1又は複数の命令を更に備える、
請求項15に記載のシステム。 - 前記使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記データサブセットに分割される、
請求項15に記載のシステム。 - 学習、検証、及び、テストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるかを特定するための1又は複数の命令を更に備える、
請求項15に記載のシステム。 - 前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、 前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
請求項15に記載のシステム。 - 他の石油物理的特性を導出するために又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するための1又は複数の命令を更に備える、
請求項15に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762559024P | 2017-09-15 | 2017-09-15 | |
US62/559,024 | 2017-09-15 | ||
PCT/US2018/051066 WO2019055774A1 (en) | 2017-09-15 | 2018-09-14 | DEDUCTION OF PETROPHYSICAL PROPERTIES OF HYDROCARBON RESERVOIRS USING A NEURONAL NETWORK |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020534456A JP2020534456A (ja) | 2020-11-26 |
JP2020534456A5 true JP2020534456A5 (ja) | 2021-10-28 |
JP7187099B2 JP7187099B2 (ja) | 2022-12-12 |
Family
ID=63714141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020515731A Active JP7187099B2 (ja) | 2017-09-15 | 2018-09-14 | ニューラルネットワークを用いて炭化水素貯留層の石油物理特性を推測すること |
Country Status (7)
Country | Link |
---|---|
US (1) | US10991078B2 (ja) |
EP (1) | EP3682376A1 (ja) |
JP (1) | JP7187099B2 (ja) |
CN (1) | CN111316294A (ja) |
CA (1) | CA3076181A1 (ja) |
SA (1) | SA520411503B1 (ja) |
WO (1) | WO2019055774A1 (ja) |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6885896B2 (ja) * | 2017-04-10 | 2021-06-16 | 富士フイルム株式会社 | 自動レイアウト装置および自動レイアウト方法並びに自動レイアウトプログラム |
CN108807821B (zh) | 2018-06-20 | 2021-03-19 | 宁德新能源科技有限公司 | 隔离膜和电化学装置 |
US11640525B2 (en) * | 2018-07-23 | 2023-05-02 | The Board Of Regents Of The University Of Oklahoma | Synthesis of sequential, spectral, and time-series data |
WO2020041755A1 (en) * | 2018-08-24 | 2020-02-27 | Well Data Labs, Inc. | Machine learning assisted events recognition on time series well data |
US11182890B2 (en) * | 2019-03-01 | 2021-11-23 | Husky Oil Operations Limited | Efficient system and method of determining a permeability ratio curve |
US11249065B2 (en) | 2019-04-24 | 2022-02-15 | Saudi Arabian Oil Company | Testing petro-physical properties using a tri-axial pressure centrifuge apparatus |
US11353385B2 (en) * | 2019-04-24 | 2022-06-07 | Saudi Arabian Oil Company | Testing petro-physical properties using a tri-axial pressure centrifuge apparatus |
US20220275719A1 (en) * | 2019-08-01 | 2022-09-01 | Khalifa University of Science and Technology | Method and system for a fast and accurate estimation of petrophysical properties of rock samples |
US11194074B2 (en) * | 2019-08-30 | 2021-12-07 | Baker Hughes Oilfield Operations Llc | Systems and methods for downhole imaging through a scattering medium |
WO2021067507A1 (en) * | 2019-09-30 | 2021-04-08 | Allen Institute | Building computational transfer functions on 3d light microscopy images using deep learning |
FR3104773B1 (fr) * | 2019-12-12 | 2021-12-10 | Ifp Energies Now | Procédé de catégorisation d’une roche à partir d’au moins une image |
CN111274689B (zh) * | 2020-01-16 | 2021-03-02 | 中国地质大学(北京) | 在历史拟合中寻求储层物性组合的非唯一解的方法及设备 |
US11906695B2 (en) | 2020-03-12 | 2024-02-20 | Saudi Arabian Oil Company | Method and system for generating sponge core data from dielectric logs using machine learning |
US11321835B2 (en) * | 2020-03-17 | 2022-05-03 | Applied Materials Israel Ltd. | Determining three dimensional information |
CN111749677A (zh) * | 2020-06-30 | 2020-10-09 | 宋立才 | 测井信息处理方法和装置、电子设备及存储介质 |
CN111899274B (zh) * | 2020-08-05 | 2024-03-29 | 大连交通大学 | 一种基于深度学习tem图像分割的粒径分析方法 |
US11457891B2 (en) * | 2020-08-17 | 2022-10-04 | Clarius Mobile Health Corp. | Method and system for defining cut lines to generate a 3D fetal representation |
US11670073B2 (en) | 2020-08-25 | 2023-06-06 | Saudi Arabian Oil Company | System and method for detection of carbonate core features from core images |
US11549358B2 (en) * | 2020-10-22 | 2023-01-10 | Halliburton Energy Services, Inc. | Deep learning methods for enhancing borehole images |
US11939858B2 (en) | 2020-12-09 | 2024-03-26 | Baker Hughes Oilfield Operations Llc | Identification of wellbore defects using machine learning systems |
US11668847B2 (en) | 2021-01-04 | 2023-06-06 | Saudi Arabian Oil Company | Generating synthetic geological formation images based on rock fragment images |
US11530972B2 (en) * | 2021-01-04 | 2022-12-20 | Saudi Arabian Oil Company | Analyzing fractured rock samples |
CN112561211B (zh) * | 2021-02-19 | 2021-11-16 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
CN113006774B (zh) * | 2021-03-16 | 2022-05-17 | 西南石油大学 | 一种压裂施工中油压峰值的在线图神经网络预测方法 |
CN113137226B (zh) * | 2021-04-29 | 2023-10-13 | 中国科学院武汉岩土力学研究所 | 便携式岩土体力学参数钻探测试系统及设备 |
CN112989481B (zh) * | 2021-05-17 | 2021-08-20 | 中国科学院武汉岩土力学研究所 | 复杂地质隧道施工围岩稳定可视化图像数据处理方法 |
CN113624764A (zh) * | 2021-06-18 | 2021-11-09 | 河海大学 | 一种岩体裂隙多相流驱替试验的可视化监测系统 |
CN113671287B (zh) * | 2021-08-16 | 2024-02-02 | 广东电力通信科技有限公司 | 电网自动化终端智能检测方法、系统和可读存储介质 |
CN113884361A (zh) * | 2021-10-29 | 2022-01-04 | 辽宁工程技术大学 | 一种复原煤岩标准试件原生宏观裂隙的3d打印建模方法 |
CN114035227B (zh) * | 2021-11-11 | 2023-07-07 | 中国海洋石油集团有限公司 | 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法 |
US20230175384A1 (en) * | 2021-12-03 | 2023-06-08 | Halliburton Energy Services, Inc. | Classification of pore or grain types in formation samples from a subterranean formation |
US20230245278A1 (en) * | 2022-01-31 | 2023-08-03 | Halliburton Energy Services, Inc. | Artifact Removal From Borehole Images Using Machine Learning |
CN115410084A (zh) * | 2022-08-26 | 2022-11-29 | 中国矿业大学(北京) | 基于大数据分析的岩石物性-力学参数研究方法及系统 |
US20240201079A1 (en) * | 2022-12-15 | 2024-06-20 | Saudi Arabian Oil Company | Contactless measurement of rock wettability by photonic techniques |
CN116630081B (zh) * | 2023-07-25 | 2023-09-29 | 新疆华屹能源发展有限公司 | 采油井氮气前置增能降粘增产方法 |
CN117333679A (zh) * | 2023-10-09 | 2024-01-02 | 中国地质环境监测院 | 一种基于图像识别的岩体结构识别系统 |
CN117557742B (zh) * | 2024-01-12 | 2024-03-22 | 武汉大学 | 基于数字图像与机器学习的3d岩石储层建模方法 |
CN117593299B (zh) * | 2024-01-18 | 2024-04-19 | 北京大学 | 纹层状页岩储集空间有效性评价方法、装置、设备及介质 |
CN117649529B (zh) * | 2024-01-30 | 2024-07-09 | 中国科学技术大学 | 一种基于多维信号分析神经网络的测井数据解释方法 |
Family Cites Families (80)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2978673A (en) | 1955-02-21 | 1961-04-04 | Jersey Prod Res Co | Seismic surveying method and system |
US3014551A (en) | 1958-04-03 | 1961-12-26 | Jersey Prod Res Co | Correlation of seismic signals |
US3196385A (en) | 1960-07-11 | 1965-07-20 | Continental Oil Co | Transferring seismic traces at synchronized firing times |
US3281774A (en) | 1962-08-06 | 1966-10-25 | Exxon Production Research Co | System for the audible detection of seismic events |
US3719924A (en) | 1971-09-03 | 1973-03-06 | Chevron Res | Anti-aliasing of spatial frequencies by geophone and source placement |
US4208732A (en) | 1972-05-11 | 1980-06-17 | Mobil Oil Corporation | Apparatus and method for enhancement of the signal-to-noise ratio in seismic data |
US4542648A (en) | 1983-12-29 | 1985-09-24 | Shell Oil Company | Method of correlating a core sample with its original position in a borehole |
US5191557A (en) | 1986-12-30 | 1993-03-02 | Gas Research Institute | Signal processing to enable utilization of a rig reference sensor with a drill bit seismic source |
US4969129A (en) | 1989-09-20 | 1990-11-06 | Texaco Inc. | Coding seismic sources |
JP2951382B2 (ja) * | 1990-09-14 | 1999-09-20 | 株式会社エヌ・ティ・ティ・データ | 特徴抽出方法及びその実施装置 |
US5181171A (en) | 1990-09-20 | 1993-01-19 | Atlantic Richfield Company | Adaptive network for automated first break picking of seismic refraction events and method of operating the same |
GB9214482D0 (en) | 1992-07-08 | 1992-08-19 | Armitage Kenneth | Sequence property interpretation & risk analysis link |
US6574565B1 (en) | 1998-09-15 | 2003-06-03 | Ronald R. Bush | System and method for enhanced hydrocarbon recovery |
US6088656A (en) | 1998-11-10 | 2000-07-11 | Schlumberger Technology Corporation | Method for interpreting carbonate reservoirs |
US6418378B1 (en) | 2000-06-26 | 2002-07-09 | Westerngeco, L.L.C. | Neural net prediction of seismic streamer shape |
US6801197B2 (en) | 2000-09-08 | 2004-10-05 | Landmark Graphics Corporation | System and method for attaching drilling information to three-dimensional visualizations of earth models |
US6438493B1 (en) | 2000-09-29 | 2002-08-20 | Exxonmobil Upstream Research Co. | Method for seismic facies interpretation using textural analysis and neural networks |
WO2003021533A1 (en) * | 2001-08-31 | 2003-03-13 | Massachusetts Institute Of Technology | Color image segmentation in an object recognition system |
JP2004110515A (ja) | 2002-09-19 | 2004-04-08 | Ocean Network Co Ltd | イメージ解析システム、及びイメージ解析プログラム |
AU2005285360B2 (en) | 2004-09-10 | 2011-02-03 | Exxonmobil Upstream Research Company | A method for constructing geologic models of subsurface sedimentary volumes |
US8234923B2 (en) | 2004-09-20 | 2012-08-07 | Innervision Medical Technologies Inc. | Systems and methods for ultrasound imaging |
CA2516872C (en) | 2005-08-23 | 2008-10-21 | H & H Consulting Inc. | Digital core workflow method using digital core images |
US7706211B2 (en) | 2006-02-06 | 2010-04-27 | Shell Oil Company | Method of determining a seismic velocity profile |
WO2007102129A2 (en) | 2006-03-07 | 2007-09-13 | John Lisle Orpen | Rock core logging |
US8187422B2 (en) | 2006-03-21 | 2012-05-29 | Georgia-Pacific Consumer Products Lp | Disposable cellulosic wiper |
US7363158B2 (en) | 2006-04-07 | 2008-04-22 | Chevron U.S.A. Inc. | Method for creating a stratigraphic model using pseudocores created from borehole images |
CN101689102B (zh) | 2007-02-16 | 2014-01-29 | 沙特阿拉伯石油公司 | 测定储集岩中有机物质体积的方法 |
US8510242B2 (en) * | 2007-08-31 | 2013-08-13 | Saudi Arabian Oil Company | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs |
WO2009070365A1 (en) | 2007-11-27 | 2009-06-04 | Exxonmobil Upstream Research Company | Method for determining the properties of hydrocarbon reservoirs from geophysical data |
WO2009108432A1 (en) | 2008-02-28 | 2009-09-03 | Exxonmobil Upstream Research Company | Rock physics model for simulating seismic response in layered fractured rocks |
US8473213B2 (en) | 2008-04-09 | 2013-06-25 | Exxonmobil Upstream Research Company | Method for generating anisotropic resistivity volumes from seismic and log data using a rock physics model |
US8725477B2 (en) | 2008-04-10 | 2014-05-13 | Schlumberger Technology Corporation | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
US9443141B2 (en) | 2008-06-02 | 2016-09-13 | New York University | Method, system, and computer-accessible medium for classification of at least one ICTAL state |
US8081796B2 (en) | 2008-11-24 | 2011-12-20 | Ingrain, Inc. | Method for determining properties of fractured rock formations using computer tomograpic images thereof |
US8170799B2 (en) | 2008-11-24 | 2012-05-01 | Ingrain, Inc. | Method for determining in-situ relationships between physical properties of a porous medium from a sample thereof |
US8380642B2 (en) | 2008-12-03 | 2013-02-19 | Schlumberger Technology Corporation | Methods and systems for self-improving reasoning tools |
GB0900687D0 (en) * | 2009-01-16 | 2009-02-25 | Rock Deformation Res Ltd | Fault analysis system |
US9134457B2 (en) | 2009-04-08 | 2015-09-15 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
US8325560B2 (en) | 2009-05-08 | 2012-12-04 | Schlumberger Technology Corporation | Technique and system for deriving a time lapse low frequency model using both seismic data and a flow simulation model |
US20100305927A1 (en) | 2009-05-27 | 2010-12-02 | Schlumberger Technology Corporation | Updating a reservoir model using oriented core measurements |
CN102804185B (zh) | 2009-06-30 | 2016-07-06 | 普拉德研究及开发股份有限公司 | 计算三维多孔固体的热量、质量、化学以及电输运的数值方法 |
EP2476103A4 (en) | 2009-09-10 | 2017-04-26 | Chevron U.S.A., Inc. | Method for converting a digital image into a multi-dimensional geo-referenced data structure |
CN101706445B (zh) * | 2009-11-10 | 2011-05-18 | 吉林大学 | 用于牛肉大理石花纹等级评分的图像处理方法 |
AU2011213261B2 (en) | 2010-02-02 | 2015-04-02 | Conocophillips Company | Multilevel percolation aggregation solver for petroleum reservoir simulations |
US20130013209A1 (en) | 2010-03-11 | 2013-01-10 | Yaping Zhu | Predicting anisotropic source rock properties from well data |
US8583410B2 (en) | 2010-05-28 | 2013-11-12 | Ingrain, Inc. | Method for obtaining consistent and integrated physical properties of porous media |
CA2805446C (en) * | 2010-07-29 | 2016-08-16 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
WO2012058626A1 (en) | 2010-10-29 | 2012-05-03 | Schlumberger Canada Limited | Model based inversion of seismic response for determining formation properties |
US20120277996A1 (en) | 2011-02-28 | 2012-11-01 | Hurley Neil F | Method to determine representative element areas and volumes in porous media |
RU2576501C2 (ru) | 2011-02-28 | 2016-03-10 | Шлюмбергер Текнолоджи Б.В. | Способы построения 3-мерных цифровых моделей пористой среды с использованием комбинации данных высокого и низкого разрешения и многоточечной статистики |
BR112013020555A2 (pt) | 2011-02-28 | 2020-07-28 | Prad Research And Development Limited | método para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluraridade de gargantas de poro, sistema para caracterizar uma amostra de meio poroso incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro, e método para caracterizar uma amostra de formação de rocha subterrânea porosa incluindo uma pluralidade de corpos de poro e uma pluralidade de gargantas de poro |
CN102129548B (zh) * | 2011-03-15 | 2013-01-09 | 中国石油大学(华东) | 多孔介质中流动泡沫结构图像实时采集与识别方法 |
EA026290B1 (ru) | 2011-07-28 | 2017-03-31 | Бп Корпорейшн Норт Америка Инк. | Способ сейсмического наблюдения над областью подповерхности земли |
CA2847693C (en) | 2011-09-15 | 2020-09-15 | Saudi Arabian Oil Company | Core-plug to giga-cells lithological modeling |
MX2014008345A (es) | 2012-01-13 | 2014-11-10 | Ingrain Inc | Metodo para la determinacion de propiedades y calidad de deposito con formacion de imagenes por rayos x de energia multiple. |
WO2013148632A1 (en) | 2012-03-29 | 2013-10-03 | Ingrain, Inc. | A method and system for estimating properties of porous media such as fine pore or tight rocks |
WO2013149126A1 (en) | 2012-03-29 | 2013-10-03 | Geco Technology B.V. | Seismic noise removal |
US9684084B2 (en) | 2012-05-01 | 2017-06-20 | Saudi Arabian Oil Company | Three-dimensional multi-modal core and geological modeling for optimal field development |
BR112014028783B1 (pt) | 2012-05-18 | 2021-11-03 | Ingrain, Inc | Método e sistema para estimar uma propriedade de rocha, método para caracterizar eficientemente rocha, e, meio legível por computador |
WO2014025970A1 (en) | 2012-08-10 | 2014-02-13 | Ingrain, Inc. | Method for improving the accuracy of rock property values derived from digital images |
BR112015004371A2 (pt) | 2012-08-28 | 2017-07-04 | Saudi Arabian Oil Co | método para estimar o teor de carbono orgânico total (toc) em uma amostra de rocha de reservatório e método para a reconstrução de teor de carbono orgânico total a partir de análise de modelagem composicional |
US9262713B2 (en) | 2012-09-05 | 2016-02-16 | Carbo Ceramics Inc. | Wellbore completion and hydraulic fracturing optimization methods and associated systems |
CN103226080A (zh) * | 2013-03-20 | 2013-07-31 | 辽宁工程技术大学 | 一种基于神经网络的岩石破坏强度确定方法 |
WO2015021182A1 (en) * | 2013-08-06 | 2015-02-12 | Bp Corporation North America Inc. | Image-based direct numerical simulation of petrophysical properties under simulated stress and strain conditions |
SG11201510224RA (en) | 2013-08-13 | 2016-01-28 | Landmark Graphics Corp | A simulation-to-seismic workflow construed from core based rock typing and enhanced by rock replacement modeling |
US9939548B2 (en) * | 2014-02-24 | 2018-04-10 | Saudi Arabian Oil Company | Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells |
US20170199290A1 (en) | 2014-07-21 | 2017-07-13 | Cgg Services Sas | Systems and methods for attenuating noise using interferometric estimation |
US20160109593A1 (en) | 2014-10-17 | 2016-04-21 | Vimal SAXENA | Methods and systems for generating percolated rock physics models for predicting permeability and petrophysical quantities |
GB2532734B (en) | 2014-11-25 | 2017-02-08 | Cognitive Geology Ltd | Apparatus and method for making geological predictions by processing geological parameter measurements |
US10198804B2 (en) * | 2015-04-15 | 2019-02-05 | Halliburton Energy Services, Inc. | Method for determining fabric and upscaled properties of geological sample |
US20160341707A1 (en) | 2015-05-20 | 2016-11-24 | Saudi Arabian Oil Company | Pyrolysis to determine hydrocarbon expulsion efficiency of hydrocarbon source rock |
JP6054005B1 (ja) | 2015-06-03 | 2016-12-27 | 三菱電機株式会社 | 推論装置及び推論方法 |
WO2017011658A2 (en) * | 2015-07-14 | 2017-01-19 | Conocophillips Company | Enhanced oil recovery response prediction |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
US10460231B2 (en) * | 2015-12-29 | 2019-10-29 | Samsung Electronics Co., Ltd. | Method and apparatus of neural network based image signal processor |
US11048013B2 (en) | 2017-01-05 | 2021-06-29 | Halliburton Energy Services, Inc. | Multi-dimensional dielectric logging |
CN106960224A (zh) * | 2017-03-31 | 2017-07-18 | 湖北民族学院 | 土家织锦组织类型判定方法、装置及电子设备 |
CN108463020B (zh) | 2018-05-11 | 2020-10-09 | 东北大学 | 一种工程岩体大功率微波孔内致裂装置 |
US11163080B2 (en) | 2018-05-18 | 2021-11-02 | Repsol Exploración, S.A | Computer implemented method for generating a subsurface rock and/or fluid model of a determined domain |
US11530598B2 (en) | 2018-08-21 | 2022-12-20 | Dassault Systemes Simulia Corp. | Determination of oil removed by gas via miscible displacement in reservoir rock |
-
2018
- 2018-09-14 EP EP18779980.4A patent/EP3682376A1/en active Pending
- 2018-09-14 CA CA3076181A patent/CA3076181A1/en active Pending
- 2018-09-14 US US16/131,341 patent/US10991078B2/en active Active
- 2018-09-14 CN CN201880072547.9A patent/CN111316294A/zh active Pending
- 2018-09-14 WO PCT/US2018/051066 patent/WO2019055774A1/en unknown
- 2018-09-14 JP JP2020515731A patent/JP7187099B2/ja active Active
-
2020
- 2020-03-10 SA SA520411503A patent/SA520411503B1/ar unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020534456A5 (ja) | ||
US20190244358A1 (en) | Method and system for scene parsing and storage medium | |
CN108345827B (zh) | 识别文档方向的方法、系统和神经网络 | |
US8494273B2 (en) | Adaptive optical character recognition on a document with distorted characters | |
JP2020517015A5 (ja) | ||
Rantzsch et al. | Signature embedding: Writer independent offline signature verification with deep metric learning | |
WO2016054778A1 (en) | Generic object detection in images | |
US10867169B2 (en) | Character recognition using hierarchical classification | |
US20140348420A1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
CN111652290B (zh) | 一种对抗样本的检测方法及装置 | |
KR102370910B1 (ko) | 딥러닝 기반 소수 샷 이미지 분류 장치 및 방법 | |
Jain et al. | An efficient image forgery detection using biorthogonal wavelet transform and improved relevance vector machine | |
Peng et al. | Resampling parameter estimation via dual-filtering based convolutional neural network | |
CN111275070A (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
Lu et al. | SAPA: Similarity-aware point affiliation for feature upsampling | |
KR102062708B1 (ko) | 얼굴 인식 시스템의 위조 공격 탐지 장치 및 방법 | |
Jenckel et al. | Training LSTM-RNN with imperfect transcription: limitations and outcomes | |
Boillet et al. | Confidence estimation for object detection in document images | |
Mehra et al. | Detection of digital manipulation in facial images (student abstract) | |
CN110321883A (zh) | 验证码识别方法及装置、可读存储介质 | |
Ugail et al. | Deep transfer learning for visual analysis and attribution of paintings by Raphael | |
Ansari et al. | Devanagari handwritten character recognition using hybrid features extraction and feed forward neural network classifier (FFNN) | |
KR101751871B1 (ko) | 이미지 데이터 특질 추출 방법 및 장치 | |
Mostofi et al. | Intelligent recognition of ancient Persian cuneiform characters | |
CN109583328B (zh) | 一种嵌入稀疏连接的深度卷积神经网络字符识别方法 |