RU2009129130A - Способ и устройство для многомерного анализа данных для идентификации неоднородности породы - Google Patents
Способ и устройство для многомерного анализа данных для идентификации неоднородности породы Download PDFInfo
- Publication number
- RU2009129130A RU2009129130A RU2009129130/28A RU2009129130A RU2009129130A RU 2009129130 A RU2009129130 A RU 2009129130A RU 2009129130/28 A RU2009129130/28 A RU 2009129130/28A RU 2009129130 A RU2009129130 A RU 2009129130A RU 2009129130 A RU2009129130 A RU 2009129130A
- Authority
- RU
- Russia
- Prior art keywords
- data
- cluster
- well site
- computer
- program code
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract 24
- 238000007405 data analysis Methods 0.000 title claims 2
- 238000007621 cluster analysis Methods 0.000 claims abstract 24
- 239000011435 rock Substances 0.000 claims abstract 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract 2
- 238000004590 computer program Methods 0.000 claims 12
- 238000004422 calculation algorithm Methods 0.000 claims 4
- 238000000638 solvent extraction Methods 0.000 claims 3
- 238000004364 calculation method Methods 0.000 claims 2
- 238000005553 drilling Methods 0.000 claims 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 claims 1
- 238000004458 analytical method Methods 0.000 claims 1
- 229910052796 boron Inorganic materials 0.000 claims 1
- 238000009434 installation Methods 0.000 claims 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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Mining & Mineral Resources (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Acoustics & Sound (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
1. Компьютерно-реализуемый способ для идентификации регионов в толще пород на площадке скважины, причем компьютерно-реализуемый способ содержит этапы, на которых: ! принимают непрерывно данные с площадки скважины; ! уменьшают избыточность непрерывных данных, принимаемых с площадки скважины для формирования обработанных данных; ! выполняют кластерный анализ с использованием обработанных данных для образования набора кластерных элементов, причем набор кластерных элементов включает в себя разные типы кластерных элементов, которые идентифицируют различия между регионами в толще пород на площадке скважины; и ! идентифицируют свойства для каждого типа кластерного элемента в наборе кластерных элементов для формирования модели для площадки скважины, причем этап выполнения содержит этапы, на которых: выбирают несколько кластерных групп обработанных данных; группируют обработанные данные в несколько кластерных групп для формирования сгруппированных данных; выбирают набор местоположений центроида для сгруппированных данных в нескольких кластерных группах; вычисляют расстояния между набором местоположений центроида и сгруппированными данными; и в ответ на вычисление расстояния избирательно изменяют набор местоположений центроида для минимизации расстояния между набором местоположений центроида и сгруппированными данными, причем этап выполнения содержит этапы, на которых: идентифицируют свойства для каждого кластерного элемента в наборе кластерных элементов в модели с использованием многомерных данных с площадки скважины, причем многомерные данные содержат, по меньшей мере, одни из непрерывных д�
Claims (10)
1. Компьютерно-реализуемый способ для идентификации регионов в толще пород на площадке скважины, причем компьютерно-реализуемый способ содержит этапы, на которых:
принимают непрерывно данные с площадки скважины;
уменьшают избыточность непрерывных данных, принимаемых с площадки скважины для формирования обработанных данных;
выполняют кластерный анализ с использованием обработанных данных для образования набора кластерных элементов, причем набор кластерных элементов включает в себя разные типы кластерных элементов, которые идентифицируют различия между регионами в толще пород на площадке скважины; и
идентифицируют свойства для каждого типа кластерного элемента в наборе кластерных элементов для формирования модели для площадки скважины, причем этап выполнения содержит этапы, на которых: выбирают несколько кластерных групп обработанных данных; группируют обработанные данные в несколько кластерных групп для формирования сгруппированных данных; выбирают набор местоположений центроида для сгруппированных данных в нескольких кластерных группах; вычисляют расстояния между набором местоположений центроида и сгруппированными данными; и в ответ на вычисление расстояния избирательно изменяют набор местоположений центроида для минимизации расстояния между набором местоположений центроида и сгруппированными данными, причем этап выполнения содержит этапы, на которых: идентифицируют свойства для каждого кластерного элемента в наборе кластерных элементов в модели с использованием многомерных данных с площадки скважины, причем многомерные данные содержат, по меньшей мере, одни из непрерывных данных с площадки скважины, непрерывных лабораторных данных, дискретных данных с площадки скважины, и дискретных лабораторных данных, причем способ дополнительно содержит этапы, на которых: получают дополнительные многомерные данные из целевой скважины; и выполняют разбиение на кластеры для создания второй модели для целевой скважины с использованием дополнительных многомерных данных, модели с идентифицированными свойствами, и многомерных данных для площадки скважины, причем способ дополнительно содержит этап, на котором: генерируют одну или более рекомендаций касательно работы площадки скважины с использованием свойств, идентифицированных для каждого кластерного элемента в наборе кластерных элементов, причем способ дополнительно содержит этап, на котором: реализуют, по меньшей мере, одну из сгенерированных рекомендаций.
2. Способ анализа многомерных данных для площадки скважины, способ, содержащий этапы, на которых: получают многомерные данные с площадки скважины; и в ответ на получение многомерных данных, выполняют кластерный анализ с использованием многомерных данных для формирования набора кластерных элементов, в которых различные типы кластерных элементов внутри набора кластерных элементов идентифицируют разницы между регионами в толще пород на площадке скважины, причем способ дополнительно содержит этап, на котором: идентифицируют каждый кластерный элемент в наборе кластерных элементов с использованием многомерных данных с площадки скважины, причем способ дополнительно содержит этап, на котором: представляют набор кластерных элементов на дисплее с цветовым кодированием, в котором многомерные данные содержат непрерывные данные с площадки скважины, непрерывные лабораторные данные, дискретные данные с площадки скважины, и дискретные лабораторные данные, причем способ дополнительно содержит этап, на котором: улучшают многомерные данные, полученные с площадки скважины, до выполнения этапа выполнения, причем способ дополнительно содержит этап, на котором: идентифицируют минимальное количество наборов данных в многомерных данных, при этом минимальное количество наборов данных снижает избыточность в многомерных данных, используемых при выполнении кластерного анализа, причем этап выполнения содержит этапы, на которых: выбирают несколько кластерных групп для многомерных данных; группируют многомерные данные в несколько кластерных групп для формирования сгруппированных данных; выбирают набор местоположений центроида для сгруппированных данных в нескольких кластерных группах; вычисляют расстояния между наборами местоположений центроида и сгруппированными данными; и после вычисления расстояния избирательно изменяют набор местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными, причем способ дополнительно содержит этап, на котором: повторяют этапы вычисления и избирательного изменения до тех пор, пока не будет достигнут порог адекватного представления вариабельности входных переменных в сгруппированных данных, причем кластерный анализ выполняется с использованием алгоритма К-средних, причем этап выполнения содержит этап, на котором: идентифицируют свойства для каждого кластерного элемента в наборе кластерных элементов, причем этап идентификации свойств для каждого кластерного элемента в наборе кластерных элементов дополнительно содержит этап, на котором: идентифицируют свойства для каждого кластерного элемента в наборе кластерных элементов с использованием многомерных данных с площадки скважины, причем этап идентификации свойств для каждого кластерного элемента в наборе кластерных элементов дополнительно содержит этап, на котором: получают дискретные данные с площадки скважины для каждого типа кластерного элемента в наборе кластерных элементов; и идентифицируют свойства каждого кластерного элемента в наборе кластерных элементов с использованием дискретных данных с площадки скважины, причем многомерные данные являются непрерывными данными, и в котором этап идентификации свойств для набора кластерных элементов содержит этап, на котором: идентифицируют свойства для каждого кластерного элемента в наборе кластерных элементов с использованием непрерывных данных, причем способ дополнительно содержит этап, на котором: сравнивают многомерные данные с различными типами кластерных элементов в наборе кластерных элементов, причем площадка скважины является эталонной площадкой скважины, и дополнительно содержит этап, на котором: коррелируют многомерные данные, сравненные с различными типами кластерных элементов в наборе кластерных элементов для эталонной площадки скважины с дополнительными многомерными данными для целевой площадки скважины, и где создается вторая модель, содержащая кластерные элементы для целевой площадки скважины, причем способ дополнительно содержит этап, на котором: соотносят все многомерные данные с эталонным масштабом глубины, причем многомерные данные являются непрерывными данными, причем способ является компьютерно-реализуемым способом, причем способ содержит этап, на котором: генерируют решения относительно работы площадки скважины с использованием свойств, идентифицированных для каждого кластерного элемента в наборе кластерных элементов, причем многомерные данные включают в себя боковые пробы, и этапы включают в себя этапы, на которых получают первый керн из боковые пробы с первой ориентацией относительно оси боковые пробы, и получают второй керн из боковые пробы со второй ориентации относительно оси боковые пробы, причем способ дополнительно содержит этап, на котором: получают третий керн боковые пробы с третьей ориентацией относительно оси боковые пробы.
3. Способ для анализа площадки скважины, содержащий этапы, на которых: получают запрос от клиента для выполнения анализа площадки скважины, при этом запрос включает в себя многомерные данные, полученные с площадки скважины; в ответ на получение запроса выполняют кластерный анализ с использованием многомерных данных для формирования набора кластерных элементов, в котором набор кластерных элементов идентифицирует разницы между регионами в толще пород на площадке скважины; и отправляют клиенту результаты, полученные на основании кластерного анализа, при этом клиент использует результаты для выполнения действий на площадке скважины, причем результаты являются графической моделью толщи пород на площадке скважины, и в котором модель включает в себя набор кластеров, причем результаты являются инструкциями, идентифицирующими действия.
4. Способ для получения образцов из боковых проб, способ, содержащий этапы, на которых: идентифицируют множество разных ориентаций относительно оси боковой пробы; и получают множество кернов из боковой пробы на всем множестве разных ориентаций, причем множество разных ориентаций и множество кернов равно трем.
5. Компьютерный программный продукт, содержащий: компьютерно-используемый носитель, имеющий компьютерно-используемый программный код для идентификации регионов в толще пород на площадке скважины, носитель компьютерной программы, содержащий: компьютерно-используемый программный код для приема непрерывных данных с площадки скважины; компьютерно-используемый программный код для уменьшения избыточности в непрерывных данных, полученных с площадки скважины для формирования обработанных данных; компьютерно-используемый программный код для выполнения кластерного анализа с использованием обработанных данных для формирования набора кластерных элементов, где набор кластерных элементов включает в себя различные типы кластерных элементов, которые идентифицируют разницы между регионами в толще пород на площадке скважины; и компьютерно-используемый программный код для идентификации свойств для каждого типа кластерного элемента в наборе кластерных элементов для формирования модели для площадки скважины, причем компьютерно-используемый программный код для выполнения кластерного анализа с использованием обработанных данных для формирования набора кластерных элементов, где набор кластерных элементов включает в себя различные типы кластерных элементов, которые идентифицируют разницы между регионами в толще пород на площадке скважины, содержит: компьютерно-используемый программный код для выбора нескольких кластерных групп для обработанных данных; компьютерно-используемый программный код для группировки обработанных данных в несколько кластерных групп для формирования сгруппированных данных; компьютерно-используемый программный код для выбора набора местоположений центроида для сгруппированных данных в нескольких кластерных группах; компьютерно-используемый программный код для вычисления расстояний между набором местоположений центроида и сгруппированных данных; и компьютерно-используемый программный код для избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными после вычисления расстояний, причем компьютерно-используемый программный код для идентификации свойств для каждого типа кластерного элемента в наборе кластерных элементов для формирования модели для площадки скважины содержит: компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов в модели с использованием многомерных данных с буровой установки, причем многомерные данные содержат, по меньшей мере, одни из непрерывных данных с площадки скважины, непрерывных лабораторных данных, дискретных данных с площадки скважины, и дискретных лабораторных данных, причем продукт дополнительно содержит: компьютерно-используемый программный код для получения дополнительных многомерных данных из целевой скважины; и компьютерно-используемый программный код для выполнения разбиения кластеров для создания второй модели для целевой скважины с использованием дополнительных многомерных данных, модели с идентифицированными свойствами, и многомерных данных для площадки скважины.
6. Система обработки данных для идентификации регионов в толще пород на площадке скважины, система обработки данных, содержащая: принимающее средство для приема непрерывных данных с площадки скважины; сокращающее средство для уменьшения избыточности непрерывных данных, принятых с площадки скважины, для формирования обработанных данных; средство выполнения для выполнения кластерного анализа с использованием обработанных данных для формирования набора кластерных элементов, где набор кластерных элементов включает в себя различные типы кластерных элементов, которые идентифицируют разницы между регионами в толще пород на площадке скважины; и идентифицирующее средство для идентификации свойств для каждого типа кластерных элементов в наборе кластерных элементов для формирования модели для площадки скважины, причем выполняющее средство содержит: первое средство выбора для выбора нескольких кластерных групп для обработанных данных; группирующее средство для группировки обработанных данных в несколько кластерных групп для формирования сгруппированных данных; второе средство выбора для выбора набора местоположений центроида для сгруппированных данных в нескольких кластерных группах; вычисляющее средство для вычисления расстояний между набором местоположений центроида и сгруппированных данных; и изменяющее средство для избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными после вычисления расстояний, причем идентифицирующее средство содержит: идентифицирующее средство для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов в модели с использованием многомерных данных с буровой установки, причем многомерные данные содержат, по меньшей мере, одни из непрерывных данных с площадки скважины, непрерывных лабораторных данных, дискретных данных с площадки скважины и дискретных лабораторных данных, причем система дополнительно содержит: получающее средство для получения дополнительных многомерных данных из целевой скважины; и выполняющее средство для выполнения разбиения кластеров для создания второй модели для целевой скважины с использованием дополнительных многомерных данных, модели с идентифицированными свойствами и многомерных данных для площадки скважины.
7. Система обработки данных, содержащая: шину; блок связи, подсоединенный к шине; устройство хранения, подсоединенное к шине, при этом устройство хранения включает в себя компьютерно-используемый программный код; и процессор, подсоединенный к шине, где процессор исполняет компьютерно-используемый программный код для приема непрерывных данных с площадки скважины; уменьшения избыточности в непрерывных данных, принятых с площадки скважины для формирования обработанных данных; выполнения кластерного анализа с использованием обработанных данных для формирования набора кластерных элементов, где набор кластерных элементов включает в себя различные типы кластерных элементов, которые идентифицируют разницы между регионами в толще пород на площадке скважины; и идентификации свойств для каждого типа кластерных элементов в наборе кластерных элементов для формирования модели для площадки скважины, причем при выполнении компьютерно-используемого программного кода для выполнения кластерного анализа с использованием обработанных данных для формирования набора кластерных элементов, процессор исполняет компьютерно-используемый программный код для выбора нескольких кластерных групп для обработанных данных; группировки обработанных данных в несколько кластерных групп для формирования сгруппированных данных; выбора набора местоположений центроида для сгруппированных данных в нескольких кластерных группах; вычисления расстояний между набором местоположений центроида и сгруппированных данных; и избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными после вычисления расстояний, причем при выполнении компьютерно-используемого программного кода для идентификации свойств для каждого типа кластерного элемента в наборе кластерных элементов для формирования модели для площадки скважины, процессор исполняет компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов в модели с использованием многомерных данных с буровой установки, причем многомерные данные содержат, по меньшей мере, одни из непрерывных данных с площадки скважины, непрерывных лабораторных данных, дискретных данных с площадки скважины и дискретных лабораторных данных, причем процессор может дополнительно исполнять компьютерно-используемый программный код для получения дополнительных многомерных данных из целевой скважины; и выполнения разбиения кластеров для создания второй модели для целевой скважины с использованием дополнительных многомерных данных, модели с идентифицированными свойствами и многомерных данных для площадки скважины.
8. Компьютерный программный продукт, содержащий: компьютерно-используемый носитель, имеющий компьютерно-используемый программный код для анализа многомерных данных для буровой установки, носитель компьютерной программы, содержащий: компьютерный программный продукт включает в себя компьютерно-используемый программный код для приема многомерных данных с буровой установки и компьютерно-используемый программный код для выполнения кластерного анализа с использованием многомерных данных для формирования набора кластерных элементов, в которых различные типы кластерных элементов внутри набора кластерных элементов идентифицируют разницы между регионами в толще пород на площадке скважины, причем продукт дополнительно содержит: компьютерно-используемый программный код для идентификации каждого кластерного элемента в наборе кластерных элементов с использованием многомерных данных с площадки скважины, причем продукт дополнительно содержит: компьютерно-используемый программный код для представления набора кластерных элементов на дисплее с цветовым кодированием, причем многомерные данные содержат непрерывные данные с площадки скважины, непрерывные лабораторные данные, дискретные данные с площадки скважины, и дискретные лабораторные данные, причем продукт дополнительно содержит: компьютерно-используемый программный код для улучшения многомерных данных, полученных с площадки скважины, до выполнения компьютерно-используемого программного кода для выполнения кластерного анализа с использованием многомерных данных для формирования наборов кластерных элементов, в которых различные типы кластерных элементов внутри набора кластерных элементов идентифицируют разницы между регионами в толще пород на площадке скважины, причем продукт дополнительно содержит: компьютерно-используемый программный код для идентификации минимального количества наборов данных в многомерных данных, где минимальное количество наборов данных снижает избыточность в многомерных данных, используемых при выполнении кластерного анализа в котором компьютерно-используемый программный код, в ответ на прием многомерных данных, для выполнения кластерного анализа с использованием многомерных данных для формирования набора кластерных элементов на основе принятых многомерных данных, и в котором различные типы кластерных элементов внутри набора кластерных элементов идентифицируют разницы между регионами в толще пород на площадке скважины, содержит: компьютерно-используемый программный код для выбора нескольких кластерных групп для многомерных данных; компьютерно-используемый программный код для группировки многомерных данных в несколько кластерных групп для формирования сгруппированных данных; компьютерно-используемый программный код для выбора набора местоположений центроида для сгруппированных данных в нескольких кластерных группах; компьютерно-используемый программный код для вычисления расстояний между набором местоположений центроида и сгруппированных данных; и компьютерно-используемый программный код для избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными на основании вычисленных расстояний, причем продукт дополнительно содержит: компьютерно-используемый программный код для повторения исполнения компьютерно-используемого программного кода для вычисления расстояний между набором местоположений центроида и сгруппированных данных; и компьютерно-используемый программный код для избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными на основании вычисленных расстояний, пока не будет достигнут порог адекватного представления вариабельности входных переменных в сгруппированных данных, причем кластерный анализ выполняется с использованием алгоритма К-средних, причем продукт дополнительно содержит: компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов, причем компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов содержит: компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием многомерных данных площадки скважины, причем компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов содержит: компьютерно-используемый программный код для получения дискретных данных площадки скважины для каждого типа кластерного элемента в наборе кластерных элементов и компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием дискретных данных площадки скважины, причем многомерные данные являются непрерывными данными, и в котором компьютерно-используемый программный код для идентификации свойств для каждого кластера в наборе кластерных элементов содержит: компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием непрерывных данных, причем продукт дополнительно содержит: компьютерно-используемый программный код для сравнения многомерных данных с разными типами кластерных элементов в наборе кластерных элементов, причем площадка скважины является эталонной площадкой скважины, и дополнительно содержащий: компьютерно-используемый программный код для коррелирования многомерных данных, сравненных с различными типами кластерных элементов в наборе кластерных элементов для эталонной площадки скважины с дополнительными многомерными данными для целевой площадки скважины, причем продукт дополнительно содержит: компьютерно-используемый программный код для соотнесения всех многомерных данных с эталонным масштабом глубины, причем многомерные данные являются непрерывными данными, причем продукт дополнительно содержит: компьютерно-используемый программный код для генерации решения относительно работы площадки скважины с использованием свойств, идентифицированных для каждого кластерного элемента в наборе кластерных элементов.
9. Система обработки данных для анализа многомерных данных для площадки скважины, система обработки данных, содержащая: принимающее средство для приема многомерных данных с площадки скважины; и выполняющее средство для выполнения кластерного анализа с использованием многомерных данных для формирования набора кластерных элементов на основе принятых многомерных данных, где различные типы кластерных элементов внутри набора кластерных элементов идентифицируют разницы между регионами в толще пород на площадке скважины, причем система дополнительно содержит: идентифицирующее средство для идентификации каждого кластерного элемента в наборе кластерных элементов с использованием многомерных данных с площадки скважины, причем система дополнительно содержит: средство для представления набора кластерных элементов на дисплее с цветовым кодированием, причем многомерные данные содержат непрерывные данные с площадки скважины, непрерывные лабораторные данные, дискретные данные с площадки скважины и дискретные лабораторные данные, причем система дополнительно содержит: улучшающее средство для улучшения многомерных данных, полученных с площадки скважины, до выполнения выполняющего средства, причем система дополнительно содержит: идентифицирующее средство для идентификации минимального количества наборов данных в многомерных данных, где минимальное количество наборов данных снижает избыточность в многомерных данных, используемых при выполнении кластерного анализа, причем выполняющее средство содержит: первое средство выбора для выбора нескольких кластерных групп для многомерных данных; группирующее средство для группировки многомерных данных в несколько кластерных групп для формирования сгруппированных данных; второе средство выбора для выбора набора местоположений центроида для сгруппированных данных в нескольких кластерных группах; вычисляющее средство для вычисления расстояний между набором местоположений центроида и сгруппированных данных; и избирательно изменяющее средство для избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными на основании вычисленных расстояний, причем система дополнительно содержит: повторяющее средство для повторения исполнения вычисляющего средства и избирательно изменяющего средства, пока не будет достигнут порог адекватного представления вариабельности входных переменных в сгруппированных данных, причем кластерный анализ выполняется с использованием алгоритма К-средних, причем система дополнительно содержит: идентифицирующее средство для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов, причем идентифицирующее средство содержит: средство для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием многомерных данных с площадки скважины, причем идентифицирующее средство содержит: средство для получения дискретных данных площадки скважины для каждого типа кластерного элемента в наборе кластерных элементов; и идентифицирующее средство для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием дискретных данных площадки скважины, причем многомерные данные могут быть непрерывными данными, и идентифицирующее средство содержит: средство для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием непрерывных данных, причем система дополнительно содержит: средство для сравнения многомерных данных с разными типами кластерных элементов в наборе кластерных элементов, причем площадка скважины является эталонной площадкой скважины, и дополнительно содержит: средство коррелирования многомерных данных, сравненных с различными типами кластерных элементов в наборе кластерных элементов для эталонной площадки скважины с дополнительными многомерными данными для целевой площадки скважины, и где создается вторая модель, содержащая кластерные элементы для целевой площадки скважины, причем система дополнительно содержит: средство для соотнесения всех многомерных данных с эталонным масштабом глубины, причем многомерные данные являются непрерывными данными, причем система дополнительно содержит: средство для генерации решения относительно работы площадки скважины с использованием свойств, идентифицированных для каждого кластерного элемента в наборе кластерных элементов.
10. Система обработки данных, содержащая: шину; блок связи, подсоединенный к шине; устройство хранения, подсоединенное к шине, при этом устройство хранения включает в себя компьютерно-используемый программный код; и процессор, подсоединенный к шине, где процессор исполняет компьютерно-используемый программный код для приема многомерных данных с площадки скважины; и выполнения кластерного анализа с использованием многомерных данных для формирования набора кластерных элементов после получения многомерных данных, где различные типы кластерных элементов в наборе кластерных элементов идентифицируют разницы между регионами в толще пород на площадке скважины, причем процессор дополнительно исполняет компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием непрерывных данных, причем процессор дополнительно исполняет компьютерно-используемый программный код для представления набора кластерных элементов на дисплее с цветовым кодированием, причем многомерные данные содержат непрерывные данные с площадки скважины, непрерывные лабораторные данные, дискретные данные с площадки скважины, и дискретные лабораторные данные, причем процессор дополнительно исполняет компьютерно-используемый программный код для улучшения многомерных данных, полученных с площадки скважины, до этапа выполнения, причем процессор дополнительно исполняет компьютерно-используемый программный код для идентификации минимальное количество наборов данных в многомерных данных, где минимальное количество наборов данных снижает избыточность в многомерных данных, используемых при выполнении кластерного анализа, причем при исполнении компьютерно-используемого программного кода для указания целевому процессору выполнять кластерный анализ с использованием многомерных данных для формирования набора кластерных элементов после получения многомерных данных, где различные типы кластерных элементов в наборе кластерных элементов идентифицируют разницы между регионами в толще пород на площадке скважины, процессор исполняет компьютерно-используемый программный код для выбора нескольких кластерных групп для многомерных данных; группировки многомерных данных в несколько кластерных групп для формирования сгруппированных данных; выбора набора местоположений центроида для сгруппированных данных в нескольких кластерных группах; вычисления расстояний между набором местоположений центроида и сгруппированных данных; и избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными на основании вычисленных расстояний, причем процессор дополнительно исполняет компьютерно-используемый программный код для повторения вычисления расстояний между набором местоположений центроида и сгруппированных данных; и избирательного изменения набора местоположений центроида для минимизации расстояний между набором местоположений центроида и сгруппированными данными на основании вычисленных расстояний, пока не будет достигнут порог адекватного представления вариабельности входных переменных в сгруппированных данных, причем кластерный анализ выполняется с использованием алгоритма К-средних, причем процессор дополнительно исполняет компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов, причем при исполнении компьютерно-используемого программного кода для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов, процессор исполняет компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием многомерных данных с площадки скважины, причем при исполнении программного кода для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов, процессор исполняет компьютерно-используемый программный код для получения дискретных данных площадки скважины для каждого типа кластерного элемента в наборе кластерных элементов; и идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием дискретных данных площадки скважины, причем многомерные данные являются непрерывными данными, и в котором при исполнении компьютерно-используемого программного кода для идентификации свойств для набора кластерных элементов, процессор исполняет компьютерно-используемый программный код для идентификации свойств для каждого кластерного элемента в наборе кластерных элементов с использованием непрерывных данных, причем процессор дополнительно исполняет компьютерно-используемый программный код для сравнения многомерных данных с разными типами кластерных элементов в наборе кластерных элементов, причем площадка скважины является эталонной площадкой скважины, и где процессор дополнительно исполняется компьютерно-используемый программный код для коррелирования многомерных данных, сравненных с различными типами кластерных элементов в наборе кластерных элементов для эталонной площадки скважины с дополнительными многомерными данными для целевой площадки скважины, и где создается вторая модель, содержащая кластерные элементы для целевой площадки скважины, причем процессор дополнительно исполняет компьютерно-используемый программный код для соотнесения всех многомерных данных с эталонным масштабом глубины, причем многомерные данные являются непрерывными данными, причем процессор дополнительно исполняет компьютерно-используемый программный код для генерации решения относительно работы площадки скважины с использованием свойств, идентифицированных для каждого кластерного элемента в наборе кластерных элементов.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/617,993 | 2006-12-29 | ||
US11/617,993 US7983885B2 (en) | 2006-12-29 | 2006-12-29 | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity |
PCT/US2007/026210 WO2008085424A2 (en) | 2006-12-29 | 2007-12-21 | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2009129130A true RU2009129130A (ru) | 2011-02-10 |
RU2474846C2 RU2474846C2 (ru) | 2013-02-10 |
Family
ID=39585177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2009129130/28A RU2474846C2 (ru) | 2006-12-29 | 2007-12-21 | Способ и устройство для многомерного анализа данных для идентификации неоднородности породы |
Country Status (5)
Country | Link |
---|---|
US (1) | US7983885B2 (ru) |
BR (1) | BRPI0720674A2 (ru) |
CA (1) | CA2673637C (ru) |
RU (1) | RU2474846C2 (ru) |
WO (1) | WO2008085424A2 (ru) |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8347959B2 (en) * | 2007-09-04 | 2013-01-08 | Terratek, Inc. | Method and system for increasing production of a reservoir |
US8646526B2 (en) * | 2007-09-04 | 2014-02-11 | Terratek, Inc. | Method and system for increasing production of a reservoir using lateral wells |
US9372943B2 (en) * | 2008-05-05 | 2016-06-21 | Exxonmobil Upstream Research Company | Modeling dynamic systems by visualizing and narrowing a parameter space |
US8200465B2 (en) * | 2008-06-18 | 2012-06-12 | Terratek Inc. | Heterogeneous earth models for a reservoir field |
WO2010083166A2 (en) | 2009-01-13 | 2010-07-22 | Schlumberger Canada Limited | In-situ stress measurements in hydrocarbon bearing shales |
WO2011070453A2 (en) * | 2009-12-09 | 2011-06-16 | Schlumberger Canada Limited | Method for increasing fracture area |
CA2797697C (en) * | 2010-04-27 | 2018-01-02 | National Oilwell Varco, L.P. | Systems and methods for using wireless tags with downhole equipment |
CN102539194B (zh) * | 2010-12-29 | 2013-07-31 | 中国石油天然气集团公司 | 梯度地球化学勘探方法 |
US20120197613A1 (en) * | 2011-01-31 | 2012-08-02 | Chevron U.S.A. Inc. | Exploitation of self-consistency and differences between volume images and interpreted spatial/volumetric context |
WO2012144922A1 (en) * | 2011-04-22 | 2012-10-26 | Baker Hughes Incorporated | Increasing the resolution of vsp ava analysis through using borehole gravity information |
US8571799B2 (en) * | 2011-06-10 | 2013-10-29 | Schlumberger Technology Corporation | Method for cost effective sampling and characterization of heterogeneous unconventional hydrocarbon regions |
WO2013085521A1 (en) * | 2011-12-08 | 2013-06-13 | Halliburton Energy Services, Inc. | Permeability prediction systems and methods using quadratic discriminant analysis |
AU2013274606B2 (en) * | 2012-06-11 | 2015-09-17 | Landmark Graphics Corporation | Methods and related systems of building models and predicting operational outcomes of a drilling operation |
US20140025301A1 (en) * | 2012-07-20 | 2014-01-23 | Bruce H. Storm, Jr. | Determination of subsurface properties of a well |
US9262713B2 (en) * | 2012-09-05 | 2016-02-16 | Carbo Ceramics Inc. | Wellbore completion and hydraulic fracturing optimization methods and associated systems |
CA2889382C (en) | 2012-11-05 | 2019-01-22 | Landmark Graphics Corporation | System, method and computer program product for wellbore event modeling using rimlier data |
US9659087B2 (en) * | 2012-11-19 | 2017-05-23 | Amplero, Inc. | Unsupervised prioritization and visualization of clusters |
EP2749908A1 (en) * | 2012-12-28 | 2014-07-02 | Services Pétroliers Schlumberger | Enhanced Visualization of Logging Information in Cased Wells Using Dynamic Normalization |
US10400595B2 (en) | 2013-03-14 | 2019-09-03 | Weatherford Technology Holdings, Llc | Real-time determination of formation fluid properties using density analysis |
WO2015021030A1 (en) * | 2013-08-08 | 2015-02-12 | Weatherford/Lamb, Inc. | Global calibration based reservoir quality prediction from real-time geochemical data measurements |
US9946959B2 (en) * | 2014-04-30 | 2018-04-17 | Entit Software Llc | Facilitating interpretation of high-dimensional data clusters |
EP2957934A1 (en) * | 2014-06-18 | 2015-12-23 | Services Petroliers Schlumberger | Systems and methods for determining annular fill material based on resistivity measurements |
US9816366B2 (en) | 2014-07-14 | 2017-11-14 | Saudi Arabian Oil Company | Methods, systems, and computer medium having computer programs stored thereon to optimize reservoir management decisions |
US11414975B2 (en) | 2014-07-14 | 2022-08-16 | Saudi Arabian Oil Company | Quantifying well productivity and near wellbore flow conditions in gas reservoirs |
US20160320527A1 (en) | 2014-12-29 | 2016-11-03 | Halliburton Energy Services, Inc. | System and methods for cross-sensor linearization |
US10502863B2 (en) | 2015-02-13 | 2019-12-10 | Schlumberger Technology Corporation | Diagenetic and depositional rock analysis |
US10310136B2 (en) | 2015-04-24 | 2019-06-04 | W.D. Von Gonten Laboratories Inc. | Lateral placement and completion design for improved well performance of unconventional reservoirs |
US10732312B2 (en) | 2015-05-20 | 2020-08-04 | Baker Hughes, A Ge Company, Llc | Prediction of formation and stratigraphic layers while drilling |
US20180106708A1 (en) * | 2015-05-20 | 2018-04-19 | Schlumberger Technology Corporation | Hydraulic fracturability index using high resolution core measurements |
USD790582S1 (en) * | 2015-07-24 | 2017-06-27 | Coretech System Co., Ltd. | Display screen with animated graphical user interface for a molding process |
US20190227087A1 (en) * | 2015-11-02 | 2019-07-25 | Schlumberger Technology Corporation | Cloud-based digital rock analysis and database services |
EP3387469B1 (en) | 2015-12-09 | 2023-11-22 | Services Pétroliers Schlumberger | Electrofacies determination |
CN106908854B (zh) * | 2017-02-08 | 2019-01-18 | 中国石油天然气股份有限公司 | 目标区域的甜点区的确定方法和装置 |
EP3622328A4 (en) * | 2017-05-08 | 2021-02-17 | Services Pétroliers Schlumberger | INTEGRATION OF GEO-SCIENTIFIC DATA TO PREDICT FORMATION PROPERTIES |
WO2018217679A1 (en) * | 2017-05-22 | 2018-11-29 | Schlumberger Technology Corporation | Well-log interpretation using clustering |
US11181656B2 (en) * | 2017-12-12 | 2021-11-23 | Schlumberger Technology Corporation | Systems and methods for acquiring orthogonal pairs of waveforms for acoustic well logging |
US10510167B2 (en) * | 2018-01-11 | 2019-12-17 | Hitachi, Ltd. | Geological formation and log visualization |
WO2020122746A1 (en) * | 2018-12-11 | 2020-06-18 | Schlumberger Canada Limited | Method and system of evaluating hydrocarbon in heterogeneous formation |
WO2020153960A1 (en) * | 2019-01-24 | 2020-07-30 | Halliburton Energy Services, Inc. | Operating wellbore equipment using data from mediator computing devices |
US10564109B1 (en) | 2019-08-19 | 2020-02-18 | Saudi Arabian Oil Company | Systems and methods for core data shifting |
US11586790B2 (en) | 2020-05-06 | 2023-02-21 | Saudi Arabian Oil Company | Determining hydrocarbon production sweet spots |
WO2023275890A1 (en) * | 2021-06-28 | 2023-01-05 | Salins Paul Christadas | Method and systems for extracting signature patterns from large datasets |
US20230185798A1 (en) * | 2021-12-09 | 2023-06-15 | DataChat.ai | Parameterized narrations for data analytics systems |
CN114186439B (zh) * | 2022-02-16 | 2022-04-29 | 西南石油大学 | 一种砾岩储层大规模水力压裂等效模拟方法 |
Family Cites Families (15)
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 |
WO1990009508A1 (de) * | 1989-02-11 | 1990-08-23 | Georg Fritzmeier Gmbh & Co. | Gerät zur entnahme von bodenproben |
US5105894A (en) * | 1991-01-30 | 1992-04-21 | Halliburton Logging Services, Inc. | Method and apparatus for orientating core sample and plug removed from sidewall of a borehole relative to a well and formations penetrated by the borehole |
US5444619A (en) * | 1993-09-27 | 1995-08-22 | Schlumberger Technology Corporation | System and method of predicting reservoir properties |
US5657223A (en) * | 1994-06-03 | 1997-08-12 | Exxon Production Research Company | Method for seismic data processing using depth slice decomposition |
US5766953A (en) * | 1995-10-25 | 1998-06-16 | The United States Of America As Represented By The Secretary Of The Agriculture | Determination of the source of a soil sample |
US6070125A (en) * | 1997-12-01 | 2000-05-30 | Schlumberger Technology Corporation | Apparatus for creating, testing, and modifying geological subsurface models |
US6067340A (en) * | 1998-07-06 | 2000-05-23 | Eppstein; Margaret J. | Three-dimensional stochastic tomography with upscaling |
US6295504B1 (en) * | 1999-10-25 | 2001-09-25 | Halliburton Energy Services, Inc. | Multi-resolution graph-based clustering |
US6618678B1 (en) | 2000-05-26 | 2003-09-09 | Jason Geosystems B.V. | Method of joint analysis and interpretation of the subsurface from multiple seismic derived layer property data sets |
US8374974B2 (en) | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
US6963803B2 (en) * | 2004-02-02 | 2005-11-08 | Schlumberger Technology Corporation | System and method for analyzing a thin bed formation |
US7277795B2 (en) * | 2004-04-07 | 2007-10-02 | New England Research, Inc. | Method for estimating pore structure of porous materials and its application to determining physical properties of the materials |
US20070213935A1 (en) * | 2005-12-29 | 2007-09-13 | Schlumberger Technology Corporation | Method and System to Display Well Properties Information |
US20070277115A1 (en) * | 2006-05-23 | 2007-11-29 | Bhp Billiton Innovation Pty Ltd. | Method and system for providing a graphical workbench environment with intelligent plug-ins for processing and/or analyzing sub-surface data |
-
2006
- 2006-12-29 US US11/617,993 patent/US7983885B2/en active Active
-
2007
- 2007-12-21 BR BRPI0720674-7A patent/BRPI0720674A2/pt not_active Application Discontinuation
- 2007-12-21 CA CA2673637A patent/CA2673637C/en not_active Expired - Fee Related
- 2007-12-21 WO PCT/US2007/026210 patent/WO2008085424A2/en active Application Filing
- 2007-12-21 RU RU2009129130/28A patent/RU2474846C2/ru not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
CA2673637A1 (en) | 2008-07-17 |
WO2008085424A3 (en) | 2010-01-14 |
BRPI0720674A2 (pt) | 2014-02-04 |
RU2474846C2 (ru) | 2013-02-10 |
WO2008085424A2 (en) | 2008-07-17 |
US20080162098A1 (en) | 2008-07-03 |
US7983885B2 (en) | 2011-07-19 |
CA2673637C (en) | 2013-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2009129130A (ru) | Способ и устройство для многомерного анализа данных для идентификации неоднородности породы | |
CA2886235C (en) | Managing microseismic data for fracture matching | |
EP2531694B1 (en) | Method for using dynamic target region for well path/drill center optimization | |
CN101105841B (zh) | 由大规模基因芯片表达谱数据构建基因调控亚网络的方法 | |
CN109635461A (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
WO2017198556A1 (en) | Computer implemented method for generating a field development plan (fdp) for the exploitation of oil and gas reservoirs | |
CN111222683B (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
CN111639497A (zh) | 一种基于大数据机器学习的异常行为发现方法 | |
Bhargava et al. | DNA barcoding in plants: evolution and applications of in silico approaches and resources | |
US20210381362A1 (en) | Method and apparatus for estimating lithofacies by learning well logs | |
CN102073882A (zh) | 高光谱遥感影像的dna计算光谱匹配分类方法 | |
CN101046861A (zh) | 业务流程分析设备 | |
US20240152796A1 (en) | Prediction apparatus and method for n value using artificial intelligence and data augmentation | |
CN102349075B (zh) | 发现曲线分析系统及其程序 | |
CN110262957B (zh) | 一种相似程序间测试用例的重用方法及其实现系统 | |
CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
US10954766B2 (en) | Methods, systems, and computer-readable media for evaluating service companies, identifying candidate wells and designing hydraulic refracturing | |
CN107516020B (zh) | 序列位点重要度的确定方法、装置、设备及存储介质 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
US9390163B2 (en) | Method, system and software arrangement for detecting or determining similarity regions between datasets | |
CN111539616A (zh) | 一种基于混合型特征选择的新钻井潜力评价方法 | |
CN110176276A (zh) | 生物信息分析流程化管理方法及系统 | |
CN106021998A (zh) | 单通多变体识别计算流水线 | |
CN115995262B (zh) | 基于随机森林及lasso回归解析玉米遗传机理的方法 | |
CN115118505B (zh) | 一种基于入侵数据溯源的行为基线靶向抓取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20171222 |