NO334483B1 - Fremgangsmåte for å forenkle gjenkjenning av geologiske objekter og facies med en diskriminant analyseteknikk - Google Patents
Fremgangsmåte for å forenkle gjenkjenning av geologiske objekter og facies med en diskriminant analyseteknikk Download PDFInfo
- Publication number
- NO334483B1 NO334483B1 NO20014390A NO20014390A NO334483B1 NO 334483 B1 NO334483 B1 NO 334483B1 NO 20014390 A NO20014390 A NO 20014390A NO 20014390 A NO20014390 A NO 20014390A NO 334483 B1 NO334483 B1 NO 334483B1
- Authority
- NO
- Norway
- Prior art keywords
- objects
- categories
- intervals
- reservoir
- parameters
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 208000035126 Facies Diseases 0.000 title description 4
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000005553 drilling Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 5
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 abstract 1
- 238000005755 formation reaction Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 239000011435 rock Substances 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 239000004927 clay Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 3
- 241000819038 Chichester Species 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
Det er beskrevet en fremgangsmåte for å lette gjenkjennelse av objekter ved bruk av en diskriminant analyseteknikk for å klassifisere dem i forutbestemte kategorier. En lærebase omfattende objekter som allerede er blitt gjenkjent og klassifisert i forutbestemte kategorier, blir dannet, idet hver kategori blir definert av variable for kjente statistiske egenskaper. En klassifikasjonsfunksjon som benytter en diskriminant analyseteknikk som gjør det mulig å fordele blant kategoriene de forskjellige objekter som skal klassifiseres, fra målinger som er tilgjengelige for et visst antall parametere, blir konstruert under henvisning til lærebasen. Denne funksjonen blir dannet ved å bestemme sannsynlighetene for objektenes tilhørighet til de forskjellige kategorier ved å ta hensyn til usikkerheter om parameterne i form av intervaller av variabel bredde. Hvert objekt blir så tildelt, om mulig, en eller flere forutbestemte kategorier i henhold til sannsynlighetsintervallenes relative verdi. Anvendelser: Gjenkjennelse av geologiske objekter i en undergrunns formasjon, bildebehandling, signalbehandling (f.eks. fjernavføling, medisinsk avbildning, osv.).
Description
Foreliggende oppfinnelse vedrører en fremgangsmåte for å lette gjenkjennelse av objekter ved hjelp av en diskriminantanalyseteknikk.
Fremgangsmåten ifølge oppfinnelsen kan anvendes på mange områder. Den kan f.eks. benyttes til å gjenkjenne geologiske objekter som utgjør en under-grunnsformasjon, som kan skjelnes på grunn av sin beskaffenhet eller form. Den letter f.eks. gjenkjennelse av petroleumsreservoarer ved analyse av de seismiske trasenes facies, ved karakterisering av bergartstyper, av elektrofacies, ved logganalyse, osv. Selv om den etterfølgende beskrivelse ligger innenfor dette geologiske område, kan fremgangsmåten også benyttes på andre områder, slik som bildebehandling, signalbehandling (fjernavføling, medisinsk avbildning, osv.).
De fleste letebrønner som bores i undergrunnsformasjoner, blir ikke systematisk undersøkt ved hjelp av kjerneprøver, idet kostnadene ved en kjerneprøve-operasjon er meget høy i likhet med de begrensninger som er fastsatt for bore-operasjonen. I det spesielle tilfelle med logganalyse er f.eks. formålet med fremgangsmåten ifølge oppfinnelsen å gjøre det mulig å gjenkjenne bergarten ved de nivåer det ikke er tatt kjerneprøver fra. Dette er et viktig teknisk problem fordi liten direkte informasjon om beskaffenheten av bergartene vanligvis er tilgjengelig. På den annen side blir loggemålinger systematisk registrert fra det øyeblikk et hull blir boret. En rikelig kilde for indirekte data om beskaffenheten av de geologiske formasjoner er således tilgjengelig, noe som det er avgjørende å bruke for å utlede de geologiske egenskapene til de formasjoner man møter under boring. Loggemålinger inneholder feil forbundet med nøyaktigheten av målesystemet og med re-gistreringskvaliteten. Hvis borehullsveggen blir skadet, vil således målesystemets kopling til formasjonene være defekt, og målingene vil være mindre pålitelige. Det er viktig å ta med målekvaliteten ved bestemmelse av bergartenes beskaffenhet for bedre å evaluere påliteligheten av den database som vil bli opprettet etter tolk-ning av loggene.
Et annet eksempel er gjenkjennelse av seismiske facies i et reservoar ved analyse av de forskjellige registrerte seismiske attributter. Dette er også et meget viktig problem fordi seismiske målinger er den eneste tilgjengelige informa-sjonskilde som dekker hele reservoaret, i motsetning til brønnmålinger som er få og lokaliserte.
Bakgrunnsteknikk
Forskjellige aspekter ved teknikkens stand på det nevnte område, er f.eks. beskrevet i følgende referansedokumenter: - Alefeld G. Og Herzberger J., 1983, Introduction to Interval Computations; Computer Science and Applied Mathematics No. 42, Academic Press, New York; - Dequires P.-Y., Fournier F., Feuchtwanger T., Torriero D., 1995, Integrated Stratigraphic and Lithologic Interpretation of the East- Senlac Heavy Oil Pool; SEG, 65th Annual International Society of Exploration Geophysicists Meeting, Houston, okt. 8-13 1995, Expanded Abstracts, CHI.4, sidene 104-107; - Epanechnikov V. A., 1969, Nonparametric Estimate of a Multivariate Probability Density; Theor. Probab. Appl., vol 14, sidene 179-188; - Hand D.J., 1981, Discrimination and Classification; Wiley Series in Probabilities and Mathemetical Statistics, John Wiley & Sons, Chichester; - Jaulin L, 2000, Le Calcul Ensembliste par Analyse par Intervalles et Ses Appli-cations; Mémoire d'Habilitation å Diriger des Recherches; - Kolmogorov A.N., 1950, Foundation of the Theory of Probability; Chelsea Publ. Co., New York; - Luenberger D.G., 1969, Optimization by Vector Space Methods; Series in Deci-sion and Control, John Wiley & Sons, Chichester; - Moore R.E., 1969, Interval Analysis; Prentice-Hall, Englewood Cliffs; - Pavec R., 1995, Some Algorithms Providing Rigourous Bounds for the Eigen-values of a Matrix; Journal of Universal Computer Science, vol. 1 nr. 7, sidene 548-559; - Walley P., 1991, Statistical Reasoning with Imprecise Probabilities; Monographs on Statistics and Applied Probabilities nr. 42, Chapman and Hall, London.
Diskriminantanalyse er en kjent teknikk for gjenkjennelse av geologiske objekter i undergrunnsformasjoner, hvor disse objekter er definert av et datasett: et visst antall p med variable eller karakteristika. Fra et sett med logger kan det f.eks. være ønskelig å forutsi bergartstypen eller de litofacies man vil støte på for hvert dybdepunkt i en brønn, under referanse til en kunnskapsbase. Denne type base blir dannet ved å lære fra konfigurasjoner som er kjente gjennom observasjoner eller tidligere målinger utført f.eks. på kjerneprøver tatt ved forskjellige dybdenivå-er i en brønn gjennom formasjonen, som derved gjør det mulig å forbinde typiske dybdepunkter med litofacies eller bergartstyper som eksisterer i brønnen. En ana-lysemetode av denne type er beskrevet i patent FR-2,768,818
(US-6,052,651) inngitt av foreliggende søker.
Et annet eksempel er gitt av den kontrollerte seismiske faciesanalysemeto-dologi som f.eks. er beskrevet av Dequirez m.fl. 1995, som nevnt ovenfor. Deler av seismiske traser eller seismiske prøver blirkarakterisert vedhjelp av et sett med parametere referert til som seismiske attributter, og disse attributtene blir brukt til å klassifisere traser i kategorier som har en geologisk betydning. Et lære-trinn vil bli utført på forhånd på typiske seismiske traser fremskaffet i nærheten av brønner som er representative for de geologiske kategorier som skal gjenkjennes, fra f.eks. brønnundersøkelser, brønner som produserer gass i forbindelse med brønner som produserer olje, eller brønner hvor reservoaret er porøst i relasjon til brønner hvor reservoaret er kompakt, eller brønner hvor reservoaret er sandet, i relasjon til brønner hvor reservoaret hovedsakelig er tilslammet, osv.
Beslektet teknikk finnes også omtalt i:
HAKIL KIM ET AL.: Evidential reasoning approach to multisource-data classification in remote sensing. IEEE Transactions on Systems, Man and Cybernetics. Vol. 25, nr. 8. August 1995. Side 1257 - 1265.
Diskriminantanalyseteknikken har imidlertid visse begrensninger. Spesielt gjør den det ikke mulig å ta hensyn til usikkerheter om verdiene av de p variable
som benyttes til å klassifisere objektene. Dette er et smutthull siden usikkerhetene er reelle. Målingene, uansett om det er loggemålinger eller seismiske målinger, er unøyaktig. Én av årsakene til denne unøyaktigheten er forbundet med de verktøy som benyttes til å fremskaffe og behandle målingene; en annen er forbundet med forsøksbetingelsene. Store måledifferanser kan observeres hvis f.eks. loggeson-den befinner seg foran en skadet brønnvegg eller en invadert formasjon, osv.
Sammendrag for oppfinnelsen
Formålet med fremgangsmåten ifølge oppfinnelsen er å gjenkjenne et oljereservoar ved gjenkjennelse av geologiske objekter innenfor reservoaret der objektene er beskrevet ved en gruppe av p-parametere, ved å bruke en diskriminantanalyseteknikk til å klassifisere objektene i forutbestemte kategorier. Den omfatter: å definere nevnte kategorier ved anvendelse av variablene for kjente statistiske karakteristikker fra data fremskaffet fra målinger innenfor nevnte reservoar,
å danne en lærebase som inkluderer objekter der kategorien er kjent fra de nevnte data,
å konstruere, med utgangspunkt fra objektene og kategoriene definert i lærebasen, en funksjon som gjør det mulig å klassifisere objektene i kategoriene ved hjelp av en diskriminantanalyseteknikk der, sannsynlighetsintervaller for objektene som tilhører de forskjellige kategorier blir bestemt ved å ta hensyn til usikkerheter om parameterne, i form av intervaller med variabel bredde,
å evaluere nevnte sannsynlighetsintervaller for nevnte objekter og
å tildele hvert objekt til minst én av kategoriene avhengig av viktigheten av sannsynlighetsintervallene og disses overlapping.
Ifølge en første utførelsesform blir klassifiseringsfunksjonen konstruert ved hjelp av en parametrisk diskriminantanalyseteknikk hvor parameterne følger en multigaussisk intervall-sannsynlighetslov.
Ifølge en annen utførelsesform blir klassifiseringsfunksjonen konstruert ved hjelp av en ikke-parametrisk diskriminantanalyseteknikk hvor parameterne følger en estimert eksperimentell intervallov.
I en første geologisk anvendelse hvor geologiske objekter blir betraktet i en undergrunnssone, blir lærebasen dannet fra geologiske kjerneprøver tatt fra minst én brønn som er boret gjennom formasjonen, ved derfra å definere læreklasser svarende til forskjellige bergartsbeskaffenheter, idet de forskjellige geologiske objekter som skal klassifiseres, blir assosiert med logger fremskaffet i forskjellige brønner gjennom formasjonen, og for forskjellige dybdepunkter, idet sannsynligheten for at de påtrufne objekter ved hvert dybdepunkt hører til hver forutbestemt læreklasse, blir evaluert, i form av et intervall hvis grenser avhenger av målingene ved det betraktede dybdepunkt og av usikkerheten om disse målingene, og det geologiske objekt som påtreffes ved dette dybdepunkt blir om mulig tildelt minst én av læreklassene i henhold til den relative utstrekning av de forskjellige sannsynlighetsintervaller og deres overlapping.
I tilfeller hvor et sett med seismiske traser relatert til undergrunnsformasjo-nen, fremskaffet ved hjelp av seismiske undersøkelser, er tilgjengelige, blir lærebasen dannet fra et første sett med seismiske traser fremskaffet i nærheten av minst én brønn som er boret gjennom den formasjon som karakteriseres ved hjelp av målingene, og som vanligvis svarer til forskjellige beskaffenheter av reservoarer, og sannsynligheten for å tilhøre hver forutbestemt læreklasse for seismiske traser i et annet sett fremskaffet på andre steder enn i nærheten av brønnen eller hver brønn blir evaluert i form av et intervall hvis grenser avhenger av karakteri-stikkene til målingene i de seismiske traser for de to sett og av usikkerhetene om disse målingene, og det påtrufne geologiske objekt blir tildelt minst én av læreklassene i henhold til den relative utstrekning av det tilknyttede intervall i relasjon til alle intervallene.
Fremgangsmåten kan selvsagt anvendes på andre områder, slik som mønstergjenkjennelse i bildebehandling, signalbehandling (medisinsk avbildning, fjernavføling, osv).
Fremgangsmåten ifølge oppfinnelsen fører, ved å ta hensyn til kvaliteten av de tilgjengelige målinger, til en bedre evaluering av påliteligheten av gjenkjennel-sen av objektene fra disse målingene, og til en mer realistisk klassifisering siden måleusikkerhetene inngår i prosessen.
Ytterligere trekk ved oppfinnelsen fremkommer av de tilhørende uselvsten-dige patentkravene.
Kort beskrivelse av figurene
Andre trekk og fordeler ved fremgangsmåten ifølge oppfinnelsen vil fremgå av den etterfølgende beskrivelse av et ikke begrensende eksempel, under henvisning til de vedføyde tegninger, hvor: fig. 1 viser eksempler på logger som er tilgjengelige for den undersøkte brønn, fremskaffet ved hjelp av spektral gammastrålelogging, en densitetsmålesonde og en nøytronsonde (porøsitetssonde), og de usikkerheter som er forbundet med disse målingene, samt læredybdepunktene,
fig. 2 viser et eksempel på krysset "densitet/nøytronporøsitet-diagram" som viser læresettet og de punkter som skal klassifiseres,
fig. 3 viser eksempler på sannsynlighetsintervaller for tilhørighet til hver kategori, og
fig. 4a, 4b viser mulig tildelinger av punkter langs en brønn til de forskjellige geologiske klasser (fig. 4a) og de mest sannsynlige tildelinger (fig. 4b).
I) Detaljert beskrivelse
Bredt skissert omfatter fremgangsmåten ifølge oppfinnelsen å konstruere en funksjon som gjør det mulig å klassifisere objekter i forutbestemte kategorier. Denne funksjonen er dannet fra de statistiske egenskapene til de variable som beskriver objekter som allerede er blitt gjenkjent (dvs. hvis tilhørighetskategori er kjent), som utgjør et læresett. Klassifiseringsfunksjonen som er konstruert på denne måten, er basert på beregning av sannsynlighetene for at objektene tilhører de forskjellige klasser i betraktning av målingene av p variable som er tilgjengelige for disse objektene. Objektet kan f.eks. være tildelt den kategori for hvilken dets tilhø-righetssannsynlighet er den mest sannsynlige. I den foreslåtte fremgangsmåte blir usikkerheter om parameterne tatt i betraktning i form av et intervall for mulig varia-sjon av målingen av hver variabel for et visst objekt. Fremgangsmåten ifølge oppfinnelsen gjør det mulig å utbre disse sannsynlighetsintervallene for verdiene av de forskjellige målinger, i beregningen av klassifiseringssannsynligheten. Det som oppnås for hver betraktet kategori, er således ikke en sannsynlighet for klassifisering av objektet i denne kategorien, men et sannsynlighetsintervall. Objektet kan så tildeles fra det øyeblikk hvor ett av disse sannsynlighetsintervallene er utenfor de andre. Analyse av disse sannsynlighetsintervallene gjør det også mulig å evaluere kvaliteten av forutsigelsen av lærekategoriene, samt disse kategoriers grad av atskillelse tilveiebrakt ved hjelp av de p variable, under hensyntagen til usikkerheten om disse eksperimentelle målingene av disse variable.
Fremgangsmåten ifølge oppfinnelsen er basert på en spesiell anvendelse av begrepet intervallaritmetikk som vil blir forklart nedenfor.
Intervallaritmetikk som beskrevet detaljert i det forannevnte dokument: Moore R.E., 1969, gjør det mulig å utvide de vanlige matematiske operatorer til intervallberegninger. Formålet er å tilveiebringe en garantert ramme for resul-tatene i betraktning av de innmatede intervaller. Reglene (1) i det etterfølgende definerer derfor utvidelsen av aritmetiske operasjoner til to intervaller x = [x";x<+>] og y<=>[y"<;>y<+>]<->
For en funksjon f, definerer ligning (2) dens utvidelse til intervallene, kalt inklusjonsfunksjonen f[j.
Generell frembringelse av disse inklusjonsfunksjonene oppviser ingen problemer. Blant disse funksjonene blir den naturlige inklusjonsfunksjon konstruert ved å bruke bare beregningsreglene (1) og visse komplementære definisjoner vedrørende elementærfunksjonene. For eksempel definerer ligning (3) utvidelsen av eksponensialfunksjonen:
Naturlige inklusjonsfunksjoner er imidlertid vanligvis ikke optimale i den betydning at inklusjonen (2) ikke er en likhet. Formålet med intervallaritmetikk er derfor å generere en inklusjonsfunksjon hvis grenser er begrenset mest mulig.
For å fullføre disse grunnleggende definisjoner defineres en utvidelse av sammenligningsoperatorene til intervallene [ligning (4)].
Det skal bemerkes at sistnevnte definisjon gjør det mulig å sammenligne intervaller som ikke er forbundet med hverandre. Overlappingsintervaller blir referert til som uatskillelige.
Alle begrepene ved intervallaritmetikk er anvendt i fremgangsmåten ifølge oppfinnelsen for å utsortere probalistiske objekter. Sannsynlighetsintervallene kan nå ikke strengt etablere sannheten av aksiomer kalt Kolmogorovs aksiomer, som definerer en sannsynlighet, og som er publisert i forannevnte referanse, Kolmogorov, 1950. Det er derfor nødvendig å generalisere sannsynlighetsteorien til intervallene. Denne generaliseringen er beskrevet av Walley i forannevnte publikasjon, under teorinavnet upresise sannsynligheter. De to hovedaksiomer hvis sannhet skal etableres ved hjelp av en unøyaktig sannsynlighet pt]blir repetert nedenfor.
- P[] er en positiv-definit måling; dvs. for enhver hendelse A,
-P[]fastslår sannheten av et koherensaksiom; dvs. at for hvert sett med uavhengige hendelser Ai er det en funksjon p definert for dette settet med hendelser som fastslår sannheten av Kolmogorovs aksiomer, og slik at for alle A
Fremgangsmåten for gjenkjennelse av objekter som beskrevet nedenfor, er bredt skissert lik en diskriminantanalyse-algoritme.
I den etterfølgende beskrivelse blir én av de N forutbestemte kategorier betegnet med Ci. Det j. læreintervall av klasse Ci, bestående av en vektor med p måleintervaller, blir betegnet med xy = (xj/1); ... ; Xi/k); ... ;Xi/<P>)). Det aktuelle intervall for attributtrommet er betegnet med x = (x(1); ... ; x(k); ... ; x(<p>)). x<c>betegner midten av et intervall x.
Trinnene i algoritmen for objektgjenkjennelse er som følger:
1 - Beregning av de betingede sannsynlighetstetthetsfunksjoner
Sannsynlighetstetthetsfunksjonen kan anslås ved å bruke enten en ikke-parametrisk fremgangsmåte eller en parametrisk fremgangsmåte. I det første tilfelle er fremgangsmåtens fordel at den muliggjør bedre identifikasjon av strukturen til hver læreklasse Ci. Bruken av denne medfører imidlertid at størrelsen av læreklassen Cier tilstrekkelig til å muliggjøre pålitelig identifikasjon av denne strukturen. I det motsatte tilfelle må det lages en hypotese om strukturen til læreklassen Ci, som medfører en antakelse om at denne klassen følger en forutbestemt forde-lingslov, f.eks. en gaussisk lov [ligning (7)]:
hvor u. representerer massesenteret til læreklassen Ci, og S er dets vari-ans/kovarians-matrisekarakteristikk for spredningen.
Vi beskriver suksessivt utvidelsene av den ikke-parametriske fremgangsmåte for å estimere sannsynlighetstetthets-funksjonen, så den gaussiske parametriske fremgangsmåte [ligning (7)].
1-a Ikke- parametrisk fremgangsmåte
I den ikke-parametriske fremgangsmåte anslår vi den betingede densitet eller tetthet, f.eks. ved hjelp av kjernemetoden. Den består i å anvende formelen for beregning av den betingede sannsynlighetstetthetsfunksjon på intervallene, ved hjelp av Epanechnikovs kjernemodell, beskrevet i den ovennevnte referanse:
hvor h representerer bredden av kjernens passbånd og ni representerer størrelsen av læreklassen Q. Kjernen blir skrevet på følgende måte: Hvert kvadratuttrykk i summen er uavhengig av de andre. Vi gir her uttryk-ket for de nedre og øvre grenser for disse uttrykkene Q = (x(k)-x(k)y) / h<2>
En ekvivalent beregning vil bli foretatt hvis en annen ikke-parametrisk estimator for den betingede densitet ble brukt som estimator for de k nærmeste naboer.
1-b Parametrisk fremgangsmåte
Utvidelsen av ligning (7) kan teoretisk gjøres ved hjelp av beregningsreglene (1), men deres direkte bruk fører til overestimering av variasjonsintervallene for sannsynlighetsdensitetene eller sannsynlighetstetthetene ifølge ligning (11).
Den her foreslåtte beregningsalgoritme forbedrer den ramme som kan oppnås ved å anvende beregningsreglene (1). De forskjellige trinn i denne er: Beregning av variasjonsintervallene for parameterne po<g>£etter den gaussiske regel ( 11).
Denne beregningen består i å finne minimumsverdien og maksimums-verdien for hvert uttrykk i matrisen £ når punktene xy i læreklassen Civarierer innenfor sine intervaller for mulige verdier xy. Den blir utført ved å bruke en begrenset optimaliseringsmetode, slik som den projiserte gradientmetode.
- Diagonalisering av intervallmatrisen Zu
Dette trinnet består i å finne en intervallmatrise En ved hjelp av en matrise Z<*>[]maken til denne, men diagonal. E*u må med andre ord oppfylle ligning (13):
hvor Re er en rotasjonsmatrise.
Vi modifiserer først matrisen ved å forsøke å omforme den til en matrise Z'[]= R'eD[]Re hvis uttrykk som ligger utenfor diagonalen, varierer innenfor intervaller som er minst mulige. Jacobis intervallmetode blir benyttet til dette. Vi erstat-ter så intervallene E'u som ligger utenfor intervallene, med 0. Denne operasjonen fører nødvendigvis til en økning i størrelsen av variasjonsintervallene til diagonal-uttrykkene i Eu-
Ved slutten av dette annet trinn har vi kort sagt funnet en ramme for matrise Z[]i form av en matrise E*u, uten å bli påvirket av problemer med intervall-repetisjon. Direkte bruk av matrisen E*u i ligning (11) fører imidlertid fremdeles til overestimering av intervallvariasjonen til de betingede sannsynlighetsdensiteter.
- Optimaliserings av variasjonsintervallene til de betingede sannsynlighetsdensiteter
For bedre å bestemme variasjonsintervallene til de betingede sannsynlighetsdensitetene, inndeler vi variasjonsdomenet for u. jevnt i ns deldomener u.k[j. For hvert deldomene u.k[] som er dannet på denne måten, anvender vi de aritmetiske intervallreglene (1). Denne operasjonen fører til en intervallfunksjonPk[](x/Ci). Etter å ha dannet de ns intervallfunksjonene, beregner vi funksjonenP{[](x/Ci) som er unionen av alle intervallfunksjonenePk[](X[j/Ci) som er dannet tidligere:
FunksjonenP[](X[]/Ci) som beregnes på denne måten, er en garantert ramme for variasjonsintervallene til den betingede sannsynlighetstetthet, men hvis grenser er bedre enn uten de dannede deldomener.
Etter beregning av variasjonsintervallene for de betingede sannsynlighets-tettheter, beregnes de a posteriori sannsynligheter p[j(CiI x).
2 - Beregning av de a posteriori sannsynligheter Pn(Cj | x)
I dette trinnet påføres intervallene Bayes regel, som er velkjent i statistikk:
Ved transformasjon av den foregående ligning og ved å anvende reglene (1), oppnås heretter det optimale uttrykk for de a posteriori sannsynligheter:
Disse intervallsannsynlighetene etablerer sannheten av de unøyaktige sannsynlighetsaksiomer.
3 - Klassifikasjon av intervall x i den mest trolige klasse eller de meste
trolige klasser
Den klassifikasjonsmåten som brukes, er en utvidelse av den maksimale trolighetsregel (maximum likelihood rule). Den består i å sammenligne de forskjellige a posteriori sannsynlighetsintervaller p[](CiI x). De forskjellige intervaller blir derfor først arrangert i avtagende rekkefølge av p+(Q I x) eller, på ekvivalent måte, i avtagende rekkefølge av størrelsene p+(x|Q)p+ (Ci):
Ved så å anvende regelen for sammenligning av intervallene, hvis intervallene P[](Qi lx) ogP[](Ci2lx) ikke er forbundet med hverandre, (p"(Cm lx) > p<+>(Ci2lx)), blir intervallet x tildelt klasse Cm. I motsatt fall kan algoritmen ikke skjelne klassene Cm og Ci2i x. Den foregående sammenligningstest blir så gjen-tatt mellom klassene Cm og Q3 Cm inntil intervallene P[](x|Cm) •Pu(Cm) og P[](x|Qi) •P[](Qi) er uforbundet.
Algoritmen gjør det følgelig mulig å utbre måleusikkerhetene innenfor ram-men av diskriminantanalysen. Resultatet er en utflytende klassifikasjon av obser-vasjonene.
II) Validering av fremgangsmåten: case-studium
Fremgangsmåten ifølge oppfinnelsen ble anvendt på logger fremskaffet i brønner for å bestemme bergartstyper, slik som de som er vist på fig. 1 til 4.
Fig. 1 viser logger som er tilgjengelige for den referansebrønn hvorfra lære-prøvene ble bestemt fra justering av loggeresponsen til en beskrivelse av kjerne-prøver. Tre logger er tilgjengelige, som ble fremskaffet ved hjelp av en spektral gammastrålelogger, en densitetsmålesonde og en nøytron- eller porøsitetssonde. Hver kurve er vist med sin usikkerhet, idet denne usikkerheten på den ene side er forbundet med innsamlingsanordningens beskaffenhet og på den annen side med borehullsveggens kvalitet.
Fig. 2 viser, med forskjellige symboler, lærepunktene for de forskjellige lito-logiske kategorier som skal gjenkjennes fra loggene, i et krysset "densitet/nøytron-porøsitef-diagram. Sonene i dette diagrammet er definert uttrykt ved mineralogi og porøsitet. Det kan således observeres at læresettet består av tre sandstens-kategorier i henhold til deres porøsitet, av en glimmerholdig sandstenskategori og av to leirekategorier (marinleire og siltleire). De minste symbolene svarer til dybdepunkter som ikke hører til læresettet, dvs. dybdepunkter hvis tilhørighet til kategorien ikke er kjent, men som man vil like å forutsi fra loggene. Fig. 3 viser langs brønnen og for de seks betraktede kategorier, sannsyn-lighetsintervallet for å høre til hver kategori, beregnet ved hjelp av fremgangsmåten ifølge oppfinnelsen fra de tre tilgjengelige logger og fra deres usikkerheter. Fig. 4 viser langs brønnen, den mulige tildeling til de forskjellige geologiske klasser, fra de sannsynlighetsintervaller som er beregnet ved hjelp av fremgangsmåten ifølge oppfinnelsen, og som er vist på fig. 3. Den geologiske kolonne på høyre side er en syntese av disse mulige tildelinger hvor bare de mest pålitelige tildelinger er synlige.
Læretrinnet blir utført ved å bruke dybdepunkter for hvilke beskaffenheten av bergarten er kjent fra kjerneprøver. For det undersøkte reservoar er det omkring 20 brønner for hvilke gammastråle-, densitets- og nøytron/porøsitets-målinger ble utført. En enkelt brønn er undersøkt ved hjelp av kjerneprøver, som derfor vil bli brukt som kalibreringsbrønn eller referansebrønn, for utvelgelse av de læredybdepunkter som vil muliggjøre kalibrering av klassifikasjonsfunksjonen.
Det seks læreklassene som svarer til forskjellige bergartsbeskaffenheter, både litologisk beskaffenhet og petrofysiske karakteristikker) er ganske godt dis-kriminert i rommet til de tre betraktede parametere, som delvis vist i densitets-, nøytron/porøsitets-planet. Det er nok lærepunkter pr. klasse (omkring 60) til å til-råde bruk av en ikke-parametrisk diskriminantanalyseteknikk til å konstruere klassifikasjonsfunksjonen. For i klassifikasjonen å ta hensyn til usikkerheten om loggene, blir den aritmetiske intervallalgoritme som er blitt utviklet, benyttet. For et gitt dybdepunkt, beskrevet ved hjelp av de utydelige loggene, blir sannsynligheten for tilhørighet til hver læreklasse evaluert. Denne sannsynligheten blir evaluert i form av et intervall definert ved hjelp av en nedre grense og en øvre grense. Sannsynligheten for tilhørighet til den betraktede klasse, beregnet ved hjelp av konven-sjonell diskriminantanalyse, er vist på fig. 3, så vel som den ramme som dannes av de to grenser utledet fra intervallaritmetikken. Disse grensene tar i betraktning, på den ene side, loggverdiene ved det betraktede dybdepunkt, og på den annen side, usikkerhetene om loggene ved dette dybdepunktet. Når ett av sannsynlighetsintervallene er helt utenfor de for de andre klassene, er det så mulig å tildele punktet til klassen med det høyeste sannsynlighetsintervall. I motsatt fall, når k sannsynlighetsintervaller overlapper hverandre, er det k mulige tildelinger for punktet. Mangfoldigheten av de mulige tildelinger skyldes usikkerhetene om de logger som er anvendt til å bestemme punktets geologiske klasse. De forskjellige mulige tildelinger av hvert dybdepunkt representeres langs brønnen på fig. 4. De mest pålitelige soner for forutsigelse er de hvor bare én, eventuelt to tildelinger er mulige. De soner hvor flere tildelinger finnes, er soner for hvilke loggene, i betraktning av de feil de inneholder, ikke gjør det mulig å bestemme den geologiske tilhørighetsklasse.
Den foreslåtte fremgangsmåte gjør det således mulig å forutsi tilhørigheten til forutbestemte kategorier, som ofte har en geologisk betydning, mer realistisk siden feilene eller usikkerhetene i forhold til diskriminantparameterne er tatt i betraktning i tildelingsprosessen. Denne fremgangsmåten fører således til en mer pålitelig tildeling av objekter til læreklasser, fulgt av en mer nøyaktig kvantifisering av de usikkerheter som er forbundet med denne forutsigelsen.
Claims (6)
1. Fremgangsmåte for å gjenkjenne et oljereservoar ved gjenkjennelse av geologiske objekter innenfor reservoaret der objektene er beskrevet ved en gruppe av p parametere, hvor en diskriminantanalyseteknikk blir brukt til å klassifisere objektene i forutbestemte kategorier,
karakterisert vedat fremgangsmåten omfatter trinnene av: å definere nevnte kategorier ved anvendelse av variablene for kjente statistiske karakteristikker fra data fremskaffet fra målinger innenfor nevnte reservoar, å danne en lærebase som inkluderer objekter der kategorien er kjent fra de nevnte data, å konstruere, med utgangspunkt fra objektene og kategoriene definert i nevnte lærebase, en funksjon som gjør det mulig å klassifisere objektene i kategoriene, ved hjelp av en diskriminantanalyseteknikk der sannsynlighetsintervaller for objektene som tilhører de forskjellige kategorier blir bestemt ved å ta hensyn til usikkerheter om parameterne, i form av intervaller med variabel bredde, å evaluere nevnte sannsynlighetsintervaller for nevnte objekter og å tildele hvert objekt til minst én av kategoriene avhengig av viktigheten av av sannsynlighetsintervallene og disses overlapping.
2. Fremgangsmåte ifølge krav 1,
karakterisert vedat klassifikasjonsfunksjonen blir konstruert ved hjelp av en parametrisk diskriminantanalyseteknikk hvor parameterne følger en multigaussisk intervall-sannsynlighetslov.
3. Fremgangsmåte ifølge krav 1,
karakterisert vedat klassifikasjonsfunksjonen blir konstruert ved hjelp av en ikke-parametrisk diskriminantanalyseteknikk hvor parameterne følger en estimert, eksperimentell intervallov.
4. Fremgangsmåte ifølge krav 3,
karakterisert vedat den eksperimentelle lov blir estimert ved hjelp av en kjerneteknikk.
5. Fremgangsmåte ifølge noen av kravene 1 til 4,
karakterisert vedat -gruppen av p parametre korresponderer til loggemålinger fremskaffet fra forskjellige brønner gjennom nevnte reservoar for forskjellige dybder, - nevnte data korresponderer med geologiske borekjerner tatt ut fra i det minste en boring gjennom nevnte reservoar, og - nevnte kategorier korresponderer med forskjellige typer berggrunn.
6. Fremgangsmåte ifølge et av kravene 1 til 4,
karakterisert vedat - nevnte gruppe av p parametre korresponderer til seismiske traser fremskaffet fra seismikkundersøkelser av nevnte reservoar, - nevnte data korresponderer til traser hentet ut i nærheten av i det minste en brønn boret gjennom nevnte reservoar, og - nevnte kategorier korresponderer med forskjellige typer reservoarer.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0011618A FR2813959B1 (fr) | 2000-09-11 | 2000-09-11 | Methode pour faciliter la reconnaissance d'objets, notamment geologiques, par une technique d'analyse discriminante |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| NO20014390D0 NO20014390D0 (no) | 2001-09-10 |
| NO20014390L NO20014390L (no) | 2002-03-12 |
| NO334483B1 true NO334483B1 (no) | 2014-03-17 |
Family
ID=8854215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| NO20014390A NO334483B1 (no) | 2000-09-11 | 2001-09-10 | Fremgangsmåte for å forenkle gjenkjenning av geologiske objekter og facies med en diskriminant analyseteknikk |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US6847895B2 (no) |
| EP (1) | EP1189167B1 (no) |
| CA (1) | CA2357117C (no) |
| DK (1) | DK1189167T3 (no) |
| FR (1) | FR2813959B1 (no) |
| NO (1) | NO334483B1 (no) |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2397664B (en) * | 2003-01-24 | 2005-04-20 | Schlumberger Holdings | System and method for inferring geological classes |
| US20060047429A1 (en) | 2004-08-24 | 2006-03-02 | Adams Steven L | Method of estimating geological formation depths by converting interpreted seismic horizons from the time domain to the depth domain |
| CA2602640A1 (en) * | 2005-04-01 | 2006-10-05 | British Telecommunications Public Limited Company | Adaptive classifier, and method of creation of classification parameters therefor |
| US7813581B1 (en) | 2005-05-06 | 2010-10-12 | Fitzpatrick Ben G | Bayesian methods for noise reduction in image processing |
| US7860344B1 (en) | 2005-05-06 | 2010-12-28 | Stochastech Corporation | Tracking apparatus and methods using image processing noise reduction |
| US8538702B2 (en) * | 2007-07-16 | 2013-09-17 | Exxonmobil Upstream Research Company | Geologic features from curvelet based seismic attributes |
| AU2009270759B2 (en) * | 2008-07-17 | 2015-10-01 | Luminex Corporation | Methods, storage mediums, and systems for configuring classification regions within a classification matrix of an analysis system and for classifying particles of an assay |
| US20100153126A1 (en) * | 2008-12-17 | 2010-06-17 | Gulfsafe Llc | Method and system for verifying an operation in a body of water |
| WO2011005353A1 (en) | 2009-07-06 | 2011-01-13 | Exxonmobil Upstream Research Company | Method for seismic interpretation using seismic texture attributes |
| WO2011056347A1 (en) | 2009-11-05 | 2011-05-12 | Exxonmobil Upstream Research Company | Method for creating a hierarchically layered earth model |
| RU2573166C2 (ru) | 2010-05-28 | 2016-01-20 | Эксонмобил Апстрим Рисерч Компани | Способ сейсмического анализа углеводородных систем |
| US8983141B2 (en) | 2011-03-17 | 2015-03-17 | Exxonmobile Upstream Research Company | Geophysical data texture segmentation using double-windowed clustering analysis |
| US9176247B2 (en) | 2011-10-06 | 2015-11-03 | Exxonmobil Upstream Research Company | Tensor-based method for representation, analysis, and reconstruction of seismic data |
| US9798027B2 (en) | 2011-11-29 | 2017-10-24 | Exxonmobil Upstream Research Company | Method for quantitative definition of direct hydrocarbon indicators |
| EP2815255B1 (en) | 2012-02-13 | 2017-03-01 | Exxonmobil Upstream Research Company | System and method for detection and classification of seismic terminations |
| FR2989990B1 (fr) * | 2012-04-26 | 2014-11-14 | IFP Energies Nouvelles | Procede de construction d'une diagraphie d'une propriete quantitative a partir de mesures sur echantillons et de mesures diagraphiques |
| US9014982B2 (en) | 2012-05-23 | 2015-04-21 | Exxonmobil Upstream Research Company | Method for analysis of relevance and interdependencies in geoscience data |
| US9261615B2 (en) | 2012-06-15 | 2016-02-16 | Exxonmobil Upstream Research Company | Seismic anomaly detection using double-windowed statistical analysis |
| BR112014031922B1 (pt) * | 2012-06-18 | 2022-03-15 | Technological Resources Pty. Limited | Sistemas e métodos para processar dados geofísicos |
| AU2013338553B2 (en) | 2012-11-02 | 2017-03-02 | Exxonmobil Upstream Research Company | Analyzing seismic data |
| US9529115B2 (en) | 2012-12-20 | 2016-12-27 | Exxonmobil Upstream Research Company | Geophysical modeling of subsurface volumes based on horizon extraction |
| US9348047B2 (en) | 2012-12-20 | 2016-05-24 | General Electric Company | Modeling of parallel seismic textures |
| 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 |
| US10073190B2 (en) | 2012-12-20 | 2018-09-11 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes based on computed vectors |
| WO2014099200A1 (en) | 2012-12-20 | 2014-06-26 | Exxonmobil Upstream Research Company | Vector based geophysical modeling of subsurface volumes |
| US9297918B2 (en) | 2012-12-28 | 2016-03-29 | General Electric Company | Seismic data analysis |
| US9229127B2 (en) | 2013-02-21 | 2016-01-05 | Saudi Arabian Oil Company | Methods program code, computer readable media, and apparatus for predicting matrix permeability by optimization and variance correction of K-nearest neighbors |
| US9733391B2 (en) | 2013-03-15 | 2017-08-15 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes |
| US9952340B2 (en) | 2013-03-15 | 2018-04-24 | General Electric Company | Context based geo-seismic object identification |
| WO2014150580A1 (en) | 2013-03-15 | 2014-09-25 | Exxonmobil Upstream Research Company | Method for geophysical modeling of subsurface volumes |
| US9824135B2 (en) | 2013-06-06 | 2017-11-21 | Exxonmobil Upstream Research Company | Method for decomposing complex objects into simpler components |
| US9804282B2 (en) | 2014-02-17 | 2017-10-31 | General Electric Company | Computer-assisted fault interpretation of seismic data |
| US10082588B2 (en) | 2015-01-22 | 2018-09-25 | Exxonmobil Upstream Research Company | Adaptive structure-oriented operator |
| US10139507B2 (en) | 2015-04-24 | 2018-11-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
| FR3113527B1 (fr) | 2020-08-24 | 2022-08-12 | Ifp Energies Now | Procédé pour déterminer une interprétation en électrofaciès de mesures réalisées dans un puits |
| CN113486869B (zh) * | 2021-09-07 | 2021-12-07 | 中国自然资源航空物探遥感中心 | 一种基于非监督特征提取的岩性识别方法、装置及介质 |
| CN117764402B (zh) * | 2024-02-22 | 2024-05-14 | 山东光合云谷大数据有限公司 | 一种地质灾害信息处理系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4937747A (en) * | 1988-02-16 | 1990-06-26 | Amoco Corporation | Iterative disjoint cluster and discriminant function processing of formation log responses and other data |
| FR2710418B1 (fr) * | 1993-09-21 | 1995-12-15 | Inst Francais Du Petrole | Méthode d'analyse des traces sismiques utilisant une technique de calibrage statistique pour en déduire des propriétés géologiques. |
| US5691958A (en) * | 1995-04-13 | 1997-11-25 | Exxon Production Research Company | Method for determining formation properties from seismic attributes |
| FR2738920B1 (fr) * | 1995-09-19 | 1997-11-14 | Elf Aquitaine | Methode de reconnaissance automatique de facies sismiques |
| US5835883A (en) * | 1997-01-31 | 1998-11-10 | Phillips Petroleum Company | Method for determining distribution of reservoir permeability, porosity and pseudo relative permeability |
| FR2768818B1 (fr) * | 1997-09-22 | 1999-12-03 | Inst Francais Du Petrole | Methode statistique de classement d'evenements lies au proprietes physiques d'un milieu complexe tel que le sous-sol |
-
2000
- 2000-09-11 FR FR0011618A patent/FR2813959B1/fr not_active Expired - Lifetime
-
2001
- 2001-07-25 EP EP01402007A patent/EP1189167B1/fr not_active Expired - Lifetime
- 2001-07-25 DK DK01402007T patent/DK1189167T3/da active
- 2001-09-06 CA CA2357117A patent/CA2357117C/fr not_active Expired - Lifetime
- 2001-09-10 NO NO20014390A patent/NO334483B1/no not_active IP Right Cessation
- 2001-09-12 US US09/949,930 patent/US6847895B2/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| CA2357117A1 (fr) | 2002-03-11 |
| US20020052690A1 (en) | 2002-05-02 |
| EP1189167B1 (fr) | 2009-01-14 |
| CA2357117C (fr) | 2012-11-20 |
| FR2813959B1 (fr) | 2002-12-13 |
| EP1189167A1 (fr) | 2002-03-20 |
| FR2813959A1 (fr) | 2002-03-15 |
| NO20014390L (no) | 2002-03-12 |
| US6847895B2 (en) | 2005-01-25 |
| NO20014390D0 (no) | 2001-09-10 |
| DK1189167T3 (da) | 2009-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| NO334483B1 (no) | Fremgangsmåte for å forenkle gjenkjenning av geologiske objekter og facies med en diskriminant analyseteknikk | |
| Bhattacharya et al. | Application of predictive data analytics to model daily hydrocarbon production using petrophysical, geomechanical, fiber-optic, completions, and surface data: A case study from the Marcellus Shale, North America | |
| Zhong et al. | Generating pseudo density log from drilling and logging-while-drilling data using extreme gradient boosting (XGBoost) | |
| CA2512640C (en) | Neural network training data selection using memory reduced cluster analysis for field model development | |
| US6801858B2 (en) | Method for facilitating monitoring, in the course of time, of the evolution of physical states in an underground formation | |
| CA2388963C (en) | Multi-resolution graph-based clustering | |
| US20190266501A1 (en) | System and method for predicting mineralogical, textural, petrophysical and elastic properties at locations without rock samples | |
| US20200095858A1 (en) | Modeling reservoir permeability through estimating natural fracture distribution and properties | |
| US20140114892A1 (en) | Apparatus and methods of analysis of pipe and annulus in a wellbore | |
| EP4042211B1 (en) | Modeling reservoir permeability through estimating natural fracture distribution and properties | |
| Soares et al. | Integration of uncertain data in geostatistical modelling | |
| Ali et al. | Classification of reservoir quality using unsupervised machine learning and cluster analysis: Example from Kadanwari gas field, SE Pakistan | |
| Zahmatkesh et al. | Integration of well log-derived facies and 3D seismic attributes for seismic facies mapping: A case study from mansuri oil field, SW Iran | |
| Ali et al. | A novel machine learning approach for detecting outliers, rebuilding well logs, and enhancing reservoir characterization | |
| GB2612694A (en) | System and method for probability-based determination of stratigraphic anomalies in a subsurface | |
| US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
| Ma et al. | Facies and lithofacies classifications from well logs | |
| Mondal et al. | Core-log integration and application of machine learning technique for better reservoir characterisation of Eocene carbonates, Indian offshore | |
| Alameedy et al. | Predicting dynamic shear wave slowness from well logs using machine learning methods in the Mishrif Reservoir, Iraq | |
| Alvarez et al. | Lithologic characterization of a reservoir using continuous-wavelet transforms | |
| US11719851B2 (en) | Method and system for predicting formation top depths | |
| Bhattacharya | Unsupervised time series clustering, class-based ensemble machine learning, and petrophysical modeling for predicting shear sonic wave slowness in heterogeneous rocks | |
| Anxionnaz et al. | Computer-generated corelike descriptions from open-hole logs (1) | |
| Nasseri et al. | Evaluating distribution pattern of petrophysical properties and their monitoring under a hybrid intelligent based method in southwest oil field of Iran | |
| Masoudi et al. | Clustering as an efficient tool for assessing fluid content and movability by resistivity logs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM1K | Lapsed by not paying the annual fees |