JP6006799B2 - 最小二乗サポートベクターマシンを用いた貯留層特性予測 - Google Patents
最小二乗サポートベクターマシンを用いた貯留層特性予測 Download PDFInfo
- Publication number
- JP6006799B2 JP6006799B2 JP2014533595A JP2014533595A JP6006799B2 JP 6006799 B2 JP6006799 B2 JP 6006799B2 JP 2014533595 A JP2014533595 A JP 2014533595A JP 2014533595 A JP2014533595 A JP 2014533595A JP 6006799 B2 JP6006799 B2 JP 6006799B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- reservoir
- training
- attribute
- underground
- 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.)
- Expired - Fee Related
Links
- 238000012843 least square support vector machine Methods 0.000 title 1
- 238000012549 training Methods 0.000 claims description 93
- 238000012706 support-vector machine Methods 0.000 claims description 75
- 238000012545 processing Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 53
- 230000015572 biosynthetic process Effects 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 22
- 238000013500 data storage Methods 0.000 claims description 15
- 239000011435 rock Substances 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 11
- 238000000611 regression analysis Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 229930195733 hydrocarbon Natural products 0.000 description 6
- 150000002430 hydrocarbons Chemical class 0.000 description 6
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V99/00—Subject matter not provided for in other groups of this subclass
Description
であり、新しいデータ点xは、y(x)の記号に従って分類される。
であり、tn=−1を有する点に対して、y(xn)<0であり、全てのトレーニングデータ点に対してy(xn)tn>0になるようにする。y(x)の新しいデータ点xを予測するためのベクターマシンを表すために使用されるように、最適なWおよびbを探す。
本発明では、サポートベクターマシン方法は、回帰問題まで及ぶと同時に、スパースネスの特性を維持する。方程式(1)と同一の形態のSVM回帰モデリングの問題を考慮すると、トレーニングデータセットはさらに、N入力ベクトルx1,...xnを含み、対応するターゲット値は、t1,...tn,であり、ここで、tnは、任意のターゲット数列であり得る。サポートベクターマシンは、
になるように、ほとんどのターゲット点が∈チューブの内にあることを確実にするために、最適なパラメータを見つけることであり、一方で、スラック変数の導入は、スラック変数が非ゼロであるという条件で、点のうちのいくつかがフィッティングの柔軟性のためにチューブの外にあることを可能にする。
として表され得る。
および
である。ラグランジュ乗数およびカルーシュ・キューン・タッカー(KKT)条件として知られるものを使用して、方程式(5)は、バイアス項bを計算するためのトレーニングデータ点に使用され得る。非スパースネス最小二乗法に対して、方程式(5)は、
図面中、図1に示されるフローチャートFは、本発明に係る、最小二乗回帰サポートベクターマシンモデリング空隙率を用いて、対象となる地下貯留層の予測された貯留層特性のモデルを形成するために、本発明の基本的なコンピュータ処理シーケンスを示す。フローチャートFの処理シーケンスは、貯留層中の井戸から得られるデータ、および貯留層を覆う領域中の地震調査の処理から得られる地震属性データに基づく。予測された貯留層特性のモデルを取得するための図1に係るデータの処理は、同様に説明されるデータ処理システムD(図2)で実施される。
、および
)。
図2に示されるように、本発明に係るデータ処理システムDは、プロセッサ40と、その中に動作命令、制御情報、およびデータベース記録を記憶するための、プロセッサ40に連結されたメモリ42とを有する、コンピュータ30を含む。コンピュータ30は、望みであれば、ラップトップ型コンピュータ、ノート型コンピュータの形態のパーソナルコンピュータ等の携帯デジタルプロセッサ、またはデスクトップコンピュータ等の他の好適なプログラム化もしくはプログラム可能デジタルデータ処理装置であってもよい。また、コンピュータ30は、Intel CorporationもしくはAdvanced Micro Devices(AMD)等からのノードを有するマルチコアプロセッサ、HPC Linuxクラスタコンピュータ、もしくはArmonk,N.Y.のInternational Business Machines(IBM)から入手可能なもの等、任意の従来の種類の好適な処理能力のメインフレームコンピュータ、または他のソースであってもよいことを理解されたい。
Xが0.1の間隔でサンプルされる理論関数
既知の油田における8つの地震属性の3次元ボリュームをトレーニングデータ入力として提供した。トレーニング井戸ターゲット入力のソースとして使用した、掘削された井戸は3つであった。各井戸は、異なる深度で貯留層空隙率特性を記録した。9つの属性から、適切に十分な数の地震属性を選択し、次いで、SVMモデルを本発明に従ってトレーニングし、次いで、井戸が存在しない場所でさえ、貯留層の全体積にわたって、本発明に従って、予測された貯留層特性(空隙率)を決定した。
本発明では、SVMモデリングは、貯留層特性予測の目的で回帰を含むように修正されている。記載されたように、本発明に係るコンピュータ処理は、相互相関による属性選択、データ再スケーリングおよび単一化、RBFカーネルに対するグリッド検索および相互検証の方法によるパラメータ最適化、ならびにSVMモデリングおよび予測を含む。
Claims (27)
- 地下貯留層構造の貯留層特性を、前記貯留層から利用可能な入力データのコンピュータにおけるサポートベクターマシン処理によってモデリングし、前記利用可能な入力データの回帰分析によって、前記地下貯留層中の対象となる領域での前記貯留層特性の尺度を形成するための、コンピュータ実施方法であって、
(a)前記貯留層の地震調査から得られる地震調査データから、地下属性に関するトレーニング入力データを受信するステップと、
(b)前記貯留層中の井戸から得られるデータから、形成岩特徴に関するトレーニングターゲットデータを受信するステップと、
(c)地下属性トレーニングデータ及び形成岩特徴トレーニングターゲットデータを複数のサブセットに区分するステップと、
(d)サポートベクターマシンモデリングに対する形成属性パラメータを選択するステップであり、
(1)カーネルパラメーター値とペナルティーパラメータ値の対を有する動径基底カーネル関数対に対して、地下属性トレーニングデータの各サブセットを、前記複数のサブセットの他のサブセットと相互検証するステップと、
(2)相互検証した各サブセットの誤差関数を形成するステップと、
(3)前記地下属性トレーニングデータのサブセットを前記相互検証するステップを繰り返し、複数の異なる動径基底カーネル関数対に対して誤差関数を形成するステップと、
を実行することによって、選択するステップと、
(e)前記複数の異なる動径基底カーネル関数対に対して前記形成された誤差関数の最小誤差関数を決定することによって、前記選択された形成属性パラメータを最適化するステップと、
(f)前記トレーニングターゲットデータ、前記選択された形成属性パラメータ、地下属性トレーニングデータの前記相互検証されたサブセット、および前記複数の動径基底カーネル関数対に対する前記誤差関数を、サポートベクターマシンモデリングに対するトレーニング入力として提供するステップと、
(g)前記提供されたトレーニング入力の前記誤差関数の最小誤差関数を決定するための回帰分析により、サポートベクターマシンモデリングを実行するステップと、
(h)前記トレーニング入力の前記サポートベクターモデリングに基づいて前記貯留層特性を予測するステップと、
(i)前記予測された貯留層特性の出力表示を形成するステップと、
の前記コンピュータ処理ステップを含む、方法。 - 前記コンピュータは、グラフ表示デバイスを含み、さらに、
前記予測された貯留層特性の記録の記憶
を含む、請求項1に記載のコンピュータ実施方法。 - 前記貯留層特性は、前記貯留層中の対象となる領域の空隙率を含む、請求項1に記載のコンピュータ実施方法。
- 前記貯留層特性は、前記貯留層中の対象となる領域の音響インピーダンスを含む、請求項1に記載のコンピュータ実施方法。
- 前記トレーニング入力データの前記地下属性は、振幅、周波数、第1のエンベロープデータ、第2のエンベロープデータ、位相、コヒーレンス、帯域幅、および音響インピーダンスを含む群から選択される、請求項1に記載のコンピュータ実施方法。
- 前記トレーニングターゲットデータの前記形成岩特徴は、空隙率および音響インピーダンスを含む群から選択される、請求項1に記載のコンピュータ実施方法。
- 前記予測された貯留層特性は、空隙率を含む、請求項1に記載のコンピュータ実施方法。
- 地下貯留層構造の貯留層特性を、前記貯留層から利用可能な入力データのコンピュータにおけるサポートベクターマシン処理によってモデリングし、前記利用可能な入力データの回帰分析によって、前記地下貯留層中の対象となる領域での前記貯留層特性の尺度を形成するための、データ処理システムであって、
(a)
(1)前記貯留層の地震調査から得られる地震調査データから、地下属性に関するトレーニング入力データを受信するステップと、
(2)前記貯留層中の井戸から得られるデータから、形成岩特徴に関するトレーニングターゲットデータを受信するステップと、
(3)地下属性トレーニングデータ及び形成岩特徴トレーニングターゲットデータを複数のサブセットに区分するステップと、
(4)前記トレーニング入力データの前記トレーニングターゲットデータとの相互相関によってサポートベクターマシンモデリングに対する形成属性パラメータを選択するステップであり、
(i)カーネルパラメーター値とペナルティーパラメータ値の対を有する動径基底カーネル関数対に対して、前記地下属性トレーニングデータの各サブセットを、前記複数のサブセットの他のサブセットと相互検証することと、
(ii)前記相互検証した各サブセットの誤差関数を形成することと、
(iii)前記地下属性トレーニングデータのサブセットを前記相互検証するステップを繰り返し、複数の異なる動径基底カーネル関数対に対する誤差関数を形成することと、
によって、選択するステップと、
(5)前記複数の異なる動径基底カーネル関数対に対する前記形成された誤差関数の最小誤差関数を決定することにより、前記選択された形成属性パラメータを最適化するステップと、
(6)前記トレーニングターゲットデータ、前記選択された形成属性パラメータ、地下属性トレーニングデータの前記相互検証されたサブセット、および複数の動径基底カーネル関数対に対する前記誤差関数を、サポートベクターマシンモデリングに対するトレーニング入力として提供するステップと、
(7)前記提供されたトレーニング入力の前記誤差関数の最小誤差関数を決定するための回帰分析により、サポートベクターマシンモデリングを実行するステップと、
(8)前記トレーニング入力の前記サポートベクターマシンモデリングに基づき、前記貯留層特性を予測するステップと、
を実行するためのプロセッサと、
(b)
前記予測された貯留層特性の出力表示を形成するステップ
を実行するための表示部と、
を備える、データ処理システム。 - さらに、
前記予測された貯留層特性の記録を記憶する、データメモリ
を含む、請求項8に記載のデータ処理システム。 - 前記貯留層特性は、前記貯留層中の対象となる領域の空隙率を含む、請求項8に記載のデータ処理システム。
- 前記貯留層特性は、前記貯留層中の対象となる領域の音響インピーダンスを含む、請求項8に記載のデータ処理システム。
- 前記トレーニング入力データの前記地下属性は、振幅、周波数、第1のエンベロープデータ、第2のエンベロープデータ、位相、コヒーレンス、帯域幅、および音響インピーダンスを含む群から選択される、請求項8に記載のデータ処理システム。
- 前記トレーニングターゲットデータの前記形成岩特徴は、空隙率および音響インピーダンスを含む群から選択される、請求項8に記載のデータ処理システム。
- 前記予測された貯留層特性は、空隙率を含む、請求項8に記載のデータ処理システム。
- データ処理システムに、地下貯留層構造の貯留層特性を、前記貯留層から利用可能な入力データのコンピュータにおけるサポートベクターマシン処理によってモデリングさせ、前記利用可能な入力データの回帰分析によって、前記地下貯留層中の対象となる領域での前記貯留層特性の尺度を形成させるための、動作可能な命令を、コンピュータ可読媒体コンピュータ中に記憶している、データ記憶デバイスであって、前記データ記憶デバイス中に記憶された前記命令は、前記データ処理システムに以下の:
(a)前記貯留層の地震調査から得られる地震調査データから、地下属性に関するトレーニング入力データを受信するステップと、
(b)前記貯留層中の井戸から得られるデータから、形成岩特徴に関するトレーニングターゲットデータを受信するステップと、
(c)地下属性トレーニングデータ及び形成岩特徴トレーニングターゲットデータを複数のサブセットに区分するステップと、
(d)サポートベクターマシンモデリングに対する形成属性パラメータを選択するステップであり、
(1)カーネルパラメーター値とペナルティーパラメーター値の対を有する動径基底カーネル関数対に対して、前記地下属性トレーニングデータの各サブセットを、前記複数のサブセットの他のサブセットと相互検証するステップと、
(2)前記相互検証した各サブセットの誤差関数を形成するステップと、
(3)前記地下属性トレーニングデータのサブセットを前記相互検証するステップを繰り返し、複数の異なる動径基底カーネル関数対に対する誤差関数を形成するステップと、
を実行することによって、選択するステップと、
(e)前記複数の異なる動径基底カーネル関数対に対する前記形成された誤差関数の最小誤差関数を決定することによって、前記選択された形成属性パラメータを最適化するステップと、
(f)前記トレーニングターゲットデータ、前記選択された形成属性パラメータ、地下属性トレーニングデータの前記相互検証されたサブセット、および前記複数の動径基底カーネル関数対に対する前記誤差関数を、サポートベクターマシンモデリングに対するトレーニング入力として提供するステップと、
(g)前記提供されたトレーニング入力の前記誤差関数の最小誤差関数を決定するための回帰分析により、サポートベクターマシンモデリングを実行するステップと、
(h)前記トレーニング入力の前記サポートベクターマシンモデリングに基づき、前記貯留層特性を予測するステップと、
(i)前記予測された貯留層特性の出力表示を形成するステップと、
を実行させる、データ記憶デバイス。 - 前記データ処理システムは、データメモリを含み、前記命令はさらに、前記データ処理システムに、
前記予測された貯留層特性の記録を記憶するステップ
を実行させる命令を含む、請求項15に記載のデータ記憶デバイス。 - 前記貯留層特性は、前記貯留層中の対象となる領域の空隙率を含む、請求項15に記載のデータ記憶デバイス。
- 前記貯留層特性は、前記貯留層中の対象となる領域の音響インピーダンスを含む、請求項15に記載のデータ記憶デバイス。
- 前記トレーニング入力データの前記地下属性は、振幅、周波数、第1のエンベロープデータ、第2のエンベロープデータ、位相、コヒーレンス、帯域幅、および音響インピーダンスを含む群から選択される、請求項15に記載のデータ記憶デバイス。
- 前記トレーニングターゲットデータの前記形成岩特徴は、空隙率および音響インピーダンスを含む群から選択される、請求項15に記載のデータ記憶デバイス。
- 前記予測された貯留層特性は、空隙率を含む、請求項15に記載のデータ記憶デバイス。
- 前記カーネル対を、前記地下属性トレーニングデータのサブセットに適用するステップを更に含む請求項1に記載のコンピュータ実施方法。
- 前記選択された形成属性パラメータを最適化するステップが、
各属性に対する前記トレーニングデータセット及び試験データセットを、同一のスケールで定義された範囲の値にスケーリングするステップを含む請求項1に記載のコンピュータ実施方法。 - 前記プロセッサは、前記カーネル対を、前記地下属性トレーニングデータのサブセットに適用するステップを更に実行する請求項8に記載のデータ処理システム。
- 前記選択された形成属性パラメータを最適化する前記プロセッサは、
各属性に対する前記トレーニングデータセット及び試験データセットを、同一のスケールで定義された範囲の値にスケーリングするステップを実行する請求項8に記載のデータ処理システム。 - 前記命令は、前記カーネル対を、前記地下属性トレーニングデータのサブセットに適用するステップを実行するための命令を更に含む請求項15に記載のデータ記憶デバイス。
- 前記選択された形成属性パラメータを最適化する命令が、
各属性に対する前記トレーニングデータセット及び試験データセットを、同一のスケールで定義された範囲の値にスケーリングするステップを実行するための命令を更に含む請求項15に記載のデータ記憶デバイス。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161540263P | 2011-09-28 | 2011-09-28 | |
US61/540,263 | 2011-09-28 | ||
PCT/US2012/055711 WO2013048798A2 (en) | 2011-09-28 | 2012-09-17 | Reservoir properties prediction with least square support vector machine |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2014535044A JP2014535044A (ja) | 2014-12-25 |
JP2014535044A5 JP2014535044A5 (ja) | 2015-10-15 |
JP6006799B2 true JP6006799B2 (ja) | 2016-10-12 |
Family
ID=47073493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014533595A Expired - Fee Related JP6006799B2 (ja) | 2011-09-28 | 2012-09-17 | 最小二乗サポートベクターマシンを用いた貯留層特性予測 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9128203B2 (ja) |
EP (1) | EP2761331B1 (ja) |
JP (1) | JP6006799B2 (ja) |
CA (1) | CA2847864C (ja) |
WO (1) | WO2013048798A2 (ja) |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011149609A1 (en) | 2010-05-28 | 2011-12-01 | Exxonmobil Upstream Research Company | Method for seismic hydrocarbon system analysis |
US9529115B2 (en) | 2012-12-20 | 2016-12-27 | Exxonmobil Upstream Research Company | Geophysical modeling of subsurface volumes based on horizon extraction |
US9915742B2 (en) | 2012-12-20 | 2018-03-13 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes based on label propagation |
WO2014099200A1 (en) | 2012-12-20 | 2014-06-26 | Exxonmobil Upstream Research Company | Vector based geophysical modeling of subsurface volumes |
WO2014099204A1 (en) | 2012-12-20 | 2014-06-26 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes based on computed vectors |
WO2014189523A1 (en) * | 2013-05-24 | 2014-11-27 | Halliburton Energy Services, Inc. | Methods and systems for reservoir history matching for improved estimation of reservoir performance |
CN103595568B (zh) * | 2013-11-17 | 2016-08-17 | 吉林大学 | 一种基于ls-svm的互联网实时信号传输方法 |
CN105467449B (zh) * | 2014-09-04 | 2018-01-05 | 中国石油化工股份有限公司 | 基于地震分级敏感属性融合的深层薄互储层定量表征方法 |
US10082588B2 (en) | 2015-01-22 | 2018-09-25 | Exxonmobil Upstream Research Company | Adaptive structure-oriented operator |
JP6460523B2 (ja) * | 2015-01-22 | 2019-01-30 | 株式会社セオコンプ | 地下構造探査システム及び地下構造探査方法 |
WO2016171778A1 (en) | 2015-04-24 | 2016-10-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
US10781686B2 (en) | 2016-06-27 | 2020-09-22 | Schlumberger Technology Corporation | Prediction of fluid composition and/or phase behavior |
CN107783183B (zh) * | 2016-08-31 | 2019-10-29 | 中国石油化工股份有限公司 | 深度域地震波阻抗反演方法及系统 |
CA3040439A1 (en) * | 2016-10-13 | 2018-04-19 | Schlumberger Canada Limited | Petrophysical field evaluation using self-organized map |
US11694095B2 (en) | 2017-05-08 | 2023-07-04 | Schlumberger Technology Corporation | Integrating geoscience data to predict formation properties |
CN107526117B (zh) * | 2017-07-06 | 2019-08-13 | 天津科技大学 | 基于自动编码和超限学习联合网络的声波速度预测方法 |
US11599790B2 (en) | 2017-07-21 | 2023-03-07 | Landmark Graphics Corporation | Deep learning based reservoir modeling |
US10990882B2 (en) * | 2017-07-28 | 2021-04-27 | International Business Machines Corporation | Stratigraphic layer identification from seismic and well data with stratigraphic knowledge base |
JP6945917B2 (ja) * | 2017-12-22 | 2021-10-06 | 株式会社奥村組 | トンネル切羽前方探査方法 |
GB2570330B (en) * | 2018-01-22 | 2020-02-26 | Equinor Energy As | Regularization of non-linear inversions of geophysical data |
WO2019216891A1 (en) * | 2018-05-09 | 2019-11-14 | Landmark Graphics Corporation | Learning based bayesian optimization for optimizing controllable drilling parameters |
CN109345007B (zh) * | 2018-09-13 | 2021-06-04 | 中国石油大学(华东) | 一种基于XGBoost特征选择的有利储层发育区预测方法 |
CN109164491A (zh) * | 2018-10-15 | 2019-01-08 | 中国石油大学(北京) | 一种基于分类支持向量机的地震岩相识别方法及系统 |
CN109492812A (zh) * | 2018-11-12 | 2019-03-19 | 北京航天智造科技发展有限公司 | 基于支持向量机、属性约简和遗传算法的物流货运需求预测方法 |
RU2692100C1 (ru) * | 2018-12-03 | 2019-06-21 | Компания "Сахалин Энерджи Инвестмент Компани Лтд." | Способ определения коллекторских свойств тонкослоистых пластов |
CN109611087B (zh) * | 2018-12-11 | 2021-10-08 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
CN109902390B (zh) * | 2018-12-13 | 2023-10-24 | 中国石油大学(华东) | 一种基于小样本扩充的有利储层发育区预测方法 |
WO2020163447A1 (en) * | 2019-02-05 | 2020-08-13 | Schlumberger Technology Corporation | Differential multi model training for multiple interpretation options |
JP7354268B2 (ja) | 2019-02-20 | 2023-10-02 | サウジ アラビアン オイル カンパニー | 人工知能を使った地震属性の高速算出のための方法 |
US10908308B1 (en) * | 2019-07-25 | 2021-02-02 | Chevron U.S.A. Inc. | System and method for building reservoir property models |
CN112346118A (zh) * | 2019-08-09 | 2021-02-09 | 中国石油天然气集团有限公司 | 基于地震属性优选的储层特征预测方法及装置 |
CN112346116A (zh) * | 2019-08-09 | 2021-02-09 | 中国石油天然气集团有限公司 | 储层预测方法及装置 |
CN112444860A (zh) * | 2019-08-27 | 2021-03-05 | 中国石油化工股份有限公司 | 一种基于支持矢量机算法的地震相分析方法 |
CN112580673B (zh) * | 2019-09-27 | 2024-04-12 | 中国石油化工股份有限公司 | 基于空间概率分布的地震储层样本扩展方法和装置 |
CN112649869A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 基于ga-wnn的储层特征参数预测方法及系统 |
CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
CN110806444B (zh) * | 2019-11-14 | 2022-06-07 | 山东科技大学 | 基于浅地层剖面仪与svm的海底底质识别与分类方法 |
US11285673B2 (en) * | 2019-12-17 | 2022-03-29 | Northrop Grumman Systems Corporation | Machine-learning-based additive manufacturing using manufacturing data |
CN111444963B (zh) * | 2020-03-27 | 2023-08-25 | 中南大学 | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 |
US11248455B2 (en) | 2020-04-02 | 2022-02-15 | Saudi Arabian Oil Company | Acoustic geosteering in directional drilling |
CN113589376A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 基于多种地震属性的地层厚度预测方法 |
US11781419B2 (en) | 2020-05-26 | 2023-10-10 | Saudi Arabian Oil Company | Instrumented mandrel for coiled tubing drilling |
CN111723526A (zh) * | 2020-06-24 | 2020-09-29 | 中国地质大学(北京) | 动态回归委员会机器测井储层参数预测方法及系统 |
CN112099087A (zh) * | 2020-09-27 | 2020-12-18 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理智能预测方法、装置及介质 |
CN112213797A (zh) * | 2020-10-28 | 2021-01-12 | 中国石油大学(华东) | 一种利用测井相联合叠后地震属性预测储层产能的方法 |
US20220260746A1 (en) * | 2021-02-12 | 2022-08-18 | Saudi Arabian Oil Company | Method and system for determining permeability and lost circulation |
CN113033074A (zh) * | 2021-02-25 | 2021-06-25 | 中国石油天然气集团有限公司 | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 |
CN113064216A (zh) * | 2021-02-25 | 2021-07-02 | 中国石油天然气集团有限公司 | 一种储层孔隙度预测方法、系统、设备及可读存储介质 |
WO2023191897A1 (en) * | 2022-03-28 | 2023-10-05 | Halliburton Energy Services, Inc. | Data driven development of petrophysical interpretation models for complex reservoirs |
CN115421181B (zh) * | 2022-07-27 | 2023-10-20 | 北京超维创想信息技术有限公司 | 一种基于深度学习的三维地质模型相控属性建模方法 |
CN116307706B (zh) * | 2023-03-08 | 2023-11-03 | 东北石油大学 | 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法 |
CN117452518B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 基于多学科数据融合聚类算法的储层岩性预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2416845B (en) | 2003-05-22 | 2006-12-20 | Schlumberger Holdings | Method for prospect identification in asset evaluation |
-
2012
- 2012-09-14 US US13/618,327 patent/US9128203B2/en active Active
- 2012-09-17 EP EP12777960.1A patent/EP2761331B1/en not_active Not-in-force
- 2012-09-17 JP JP2014533595A patent/JP6006799B2/ja not_active Expired - Fee Related
- 2012-09-17 WO PCT/US2012/055711 patent/WO2013048798A2/en active Application Filing
- 2012-09-17 CA CA2847864A patent/CA2847864C/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
EP2761331A2 (en) | 2014-08-06 |
EP2761331B1 (en) | 2018-10-24 |
US9128203B2 (en) | 2015-09-08 |
WO2013048798A3 (en) | 2013-10-10 |
US20130080066A1 (en) | 2013-03-28 |
CA2847864C (en) | 2016-11-01 |
CA2847864A1 (en) | 2013-04-04 |
WO2013048798A2 (en) | 2013-04-04 |
JP2014535044A (ja) | 2014-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6006799B2 (ja) | 最小二乗サポートベクターマシンを用いた貯留層特性予測 | |
US20220381948A1 (en) | System for improved reservoir exploration and production | |
US11704579B2 (en) | Earth modeling methods using machine learning | |
AU2011283109B2 (en) | Systems and methods for predicting well performance | |
Feng et al. | Uncertainty quantification in fault detection using convolutional neural networks | |
EP4010740A1 (en) | Petrophysical inversion with machine learning-based geologic priors | |
Lee et al. | Electrofacies characterization and permeability predictions in complex reservoirs | |
Wang et al. | A hybrid framework for reservoir characterization using fuzzy ranking and an artificial neural network | |
Li et al. | Data-driven in-situ geomechanical characterization in shale reservoirs | |
EP3987478B1 (en) | Field development planning based on deep reinforcement learning | |
Jo et al. | Machine learning assisted history matching for a deepwater lobe system | |
Liu et al. | Mixture of relevance vector regression experts for reservoir properties prediction | |
Asghar et al. | Spatial pseudo-labeling for semi-supervised facies classification | |
Karmakar et al. | Mapping of rock types using a joint approach by combining the multivariate statistics, self-organizing map and Bayesian neural networks: an example from IODP 323 site | |
Behl et al. | Data-Driven Reduced-Order Models for Volve Field Using Reservoir Simulation and Physics-Informed Machine Learning Techniques | |
Melnikova et al. | History matching through a smooth formulation of multiple-point statistics | |
Nustes Andrade et al. | Real-time analysis and forecasting of the microseismic cloud size: Physics-based models versus machine learning | |
US20200308934A1 (en) | Automatic calibration of forward depositional models | |
Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
Akinyemi et al. | Machine learning application for prediction of sonic wave transit time-A case of Niger Delta basin | |
Klie et al. | Data Connectivity Inference and Physics-AI Models for Field Optimization | |
Alquraini et al. | Utilization of ML to Validate Pressure and Temperature Measurements | |
Liu et al. | A Machine Learning-based Hybrid Model for Fracture Parameterization and Distribution Prediction in Unconventional Reservoirs | |
Chaki et al. | A Proxy Flow Modelling Workflow to Estimate Gridded Dynamic Properties and Well Production Rates by Deep Learning Algorithms | |
Sharma et al. | Improved Workflow for Production Modeling in Unconventionals Using Gaussian Mixtures and Principal Components |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150825 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150825 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160816 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160909 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6006799 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |