SA04250006B1 - اختيار بيانات توجيه شبكة خطوط عصبية باستخدام التحليل التجميعي المختزل للذاكرة لتطوير نموذج حقلي - Google Patents
اختيار بيانات توجيه شبكة خطوط عصبية باستخدام التحليل التجميعي المختزل للذاكرة لتطوير نموذج حقلي Download PDFInfo
- Publication number
- SA04250006B1 SA04250006B1 SA4250006A SA04250006A SA04250006B1 SA 04250006 B1 SA04250006 B1 SA 04250006B1 SA 4250006 A SA4250006 A SA 4250006A SA 04250006 A SA04250006 A SA 04250006A SA 04250006 B1 SA04250006 B1 SA 04250006B1
- Authority
- SA
- Saudi Arabia
- Prior art keywords
- data
- geophysical
- measurements
- hole
- cased
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 title claims abstract description 11
- 230000002829 reductive effect Effects 0.000 title abstract description 6
- 238000011161 development Methods 0.000 title description 7
- 238000007621 cluster analysis Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 61
- 239000000523 sample Substances 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 15
- 239000002131 composite material Substances 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000005253 cladding Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- CSJDCSCTVDEHRN-UHFFFAOYSA-N methane;molecular oxygen Chemical compound C.O=O CSJDCSCTVDEHRN-UHFFFAOYSA-N 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims 1
- 241001580017 Jana Species 0.000 claims 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims 1
- 229910052799 carbon Inorganic materials 0.000 claims 1
- 229910052760 oxygen Inorganic materials 0.000 claims 1
- 239000001301 oxygen Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 22
- 238000005553 drilling Methods 0.000 description 19
- 230000002776 aggregation Effects 0.000 description 12
- 238000004220 aggregation Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 239000007789 gas Substances 0.000 description 11
- 238000005755 formation reaction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010197 meta-analysis Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 6
- 238000000576 coating method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 206010037844 rash Diseases 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 206010037888 Rash pustular Diseases 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 125000001183 hydrocarbyl group Chemical group 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004922 lacquer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 208000029561 pustule Diseases 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
الملخص: يتعلق الاختراع الحالي بنظام وطريقة للتنبؤ ببيانات مطلوبة عن طريق اختيار مجموعة بيانات توجيه training من عينات لبيانات مدخلة جيوفيزيائية geophysical متعددة الأبعاد. البيانات المدخلة عبارة عن مجموعة بيانات ناتجة عن أداة سبر logging tool النيوترون النابض في نقاط متعددة الأعماق في بئر معالج بالتكسية cased . ويمكن تكون البيانات المطلوبة استجابة لأداة سبر logging tool بئر مفتوح . وتقسم البيانات المدخلة إلى مجموعات (٢٤، ١٦) ٠ وترتبط البيانات المطلوبة الفعلية للبئر الموجه training well بالمجموعات ٠ ويتم تحليل المجموعات المترابطة لإيجاد الاختلافات ، الخ ٠ وتستخدم النتائج الغير واضحة 34)fuzzy inference) لاختيار جزء من لكلمجموعة (٣٦) لضمها لمجموعة توجيه training . تستخدم المجموعة المختزلة لتوجيه نموذج ، على سبيل المثال شبكة خطوط عصبية اصطناعية artificialneural network . ويمكن استخدام النموذج الموجه لإنتاج قياسات سبرافتراضية synthetic logs لفتحة بئر مكشوف كاستجابة لمدخلات بيانات سبر فتحة بئر معالج بالتكسية cased .
Description
Y
اختيار بيانات توجيه شبكة خطوط عصبية باستخدام التحليل التجميعي المختزل للذاكرة لتطوير نموذج حقلي
Neural network training data selection using memory reduced cluster analysis for field model development الوصف الكامل خلفية الاختراع يتعلق الاختراع الحالي بطريقة للتوقع بقياسات سبر (قياس و تسجيل الإجهادات الكهربائية ) فتحة open borehole logging ليس بها قيسون أو بطانة قبالة الطبقة المنتجة للنفقط) Sa) مكشوفة Jb measurements من قياسات سبر فعلية معالجة بالتكسية ccased borehole logging وبشمولية أكبر م إلى جهاز وطريقة لإنتاج السجلات أو القيم المركبة للبارامترات الجيوفيزيائية (الجيولوجية الطبيعية) المعتمدة على بارامترات(معاملات مشتقة ) مقاسة فعليا . في صناعة النفط والغاز اليوم ؛ هناك حالات عديدة تدفع للحاجة إلى طرق غير تقليدية للحصول على بيانات سبر فتحة بثر مكشوفة (غير معالجة بالتكسية). كنتيجة لذلك + فإن شركات النفط و الغاز تميل أكثر لاستكشاف تلك الطرق الغير تقليدية للحصول على بيانات سبر فتحة بكر مكشوفة 8 للمساعدة في عمليات اتخاذ قراراتها . إن استعمال بيانات سبر فتحة بثر معالجة بالتكسية ؛ وبخاصة بيانات النيوترون النابض pulsed neutron لتوليد معلومات ذائفة pseudo أو صناعية artificial من سجل ثلاثية triple combo log information لفتحة iy مكشوفة تمثل طريقة يتم محاولة تجريبها . أحد الحالات (الظروف) عبارة عن علوم الإقتصاد البسيطة . يتم إجراء كل عملي تشغيل في فتحة all وتأخذ وقتا ما ؛ مما يترجم مباشرة إلى تكلفة متزايدة عند حفر البئر . لذلك Latico يتمكن من تجنب عملية السبر في البثر ؛ مثلا ؛ سجل سبر فتحة Hh مكشوفة (غير معالجة بالتكسية) ؛ YYVe
.
فإنها تقلل من تكلفة حفر البئثر . وعندما يتمكن من الحصول على نفس البيانات من عملية تشغيل أخرى ؛ مثلا ؛ سجل قياس إجهاد النيوترون النابض في فتحة بئر معالجة بالتكسية ؛ ومن ثم فإنه يمكن تجاوز سجل قياس الإجهاد الفعلي لفتحة بثر مكشوفة؛ مما يمكن من توفير الوقت و المال . ظروف الحفر المعاكسة غالبا تجعل سبر فتحة البئر المكشوفة مكلفا ؛ خطرا أو مستحيل فعليا . تلك الظروف تتضمن اجترافات التربة الشديدة extreme wash outs ؛ الجسور الطفلية shale bridges ¢ تكون التجاويف «caving الخ .. تلك الظروف يمكن أن تجعل من المستحيل طبيعيا تشغيل أداة سبر فتحة بئثر مكشوفة في فتحة البئر . وعندما يتمكن من تشغيل الأداة ؛ فإن الظروف
يمكنها منع تجميع البيانات المفيدة في أجزاء من a على الأقل . . إن تقنيات الحفر الحديثة modern drilling techniques يمكنها جعل سبر فتحة بئثر مكشوفة خطرا
٠ و مستحيلا . مثلا ؛ فإن الآبار عالية الإنحراف (الميل) ربما تتضمن معدلات عالية من الانعطاف tum أو زوايا كبيرة high angles) التي تجعل من تشغيل أداة حفر فتحة il) المكشوفة صعبا و غير ممكنا . بعض الشركات تستخدم فتحات صغيرة ؛ Sha آبار ذات قطر vio بوصة ؛ والتي تكون صغيرة جدا بالنسبة لأدوات سبر فتحة Jy مكشوفة متوفرة . وعلى أية حال ؛ فإن أدوات السبر بالنيوترون النابض تتوفر للتشغيل في تلك الآبار بعد معالجتها بالتكسية الأسمنتية .
dams ١ لتلك الظروف ؛ فقد تم بذل المساعي لإنتاج سجلات صناعية أو مركبة (محاكية) محضرة بنوع فتحة A المكشوفة من البيانات الفعلية المأخوذة عن طريق أدوات السبر بالنيوترون النابض . وعلى أية حال ؛ فقد تم مجابهة العديد من الصعوبات عند تطوير أدوات التنبؤ أو نماذج التنبؤ التي تستخدم لإنشاء تلك السجلات المركبة . لجعل هذه الدراسة ناجحة ؛ فإن النماذج يجب أن تنتج سجلات مركبة دقيقة والتي يمكن الوثوق بها .
٠ لقد تم استعمال العديد من أدوات التنبؤ عند معالجة بيانات السبر الجيولوجية لعدة سنوات . نموذج التنبؤ المعتمد على البيانات الحقلية عادة تأخذ قياسات مختارة من أدوات السبر المحددة كمدخلات
YYVe
: وتتتج od gill المتوقعة باستعمال أي alla حتمية deterministic function أو Ala تجريبية empirical function متولدة من عملية مدربة . كإطار توقع نموذجي ؛ فإن الشبكة العصبية Jello! 207 )_تستقبل اهتماما خاصا و تبرهن باستعمالا متزايدا في التطبيقات البتروفيزيائية(الصخرية الطبيعية) . ولكي يتم بناء نموذج ANN فإنه يتم إختيار البيانات من oA) Daw ٠ المرتبة مع اللوغاريتمات المثالية 0 و تختبر في آبار مختلفة بالنسبة للمتاحية validation .في أثناء هذه العملية ¢ فإن البيانات المختارة ليست فقط تنتج التأثير الأكبر على المقصد من و إمكانية تطبيق النموذج + ولكن Lad تؤثر على دقة و شمولية الأداء . هذا يعتبر Lada بنحو ald عندما يرغب في نموذج مفرد لكل Jia / مستودع (خزان) ؛ و البيانات لكل آبار التوجيه و آبار الاختبار يتطلب أن تطبع على 'مدرج إحصائي حقلي " field histogram .
٠ نظرا للشك المستحث عن طريق العوامل البيئية المختلفة و/أو الأخطاء المنهجية حيث يمكن أنها يمكن أن تتلف الدمج و المعالجة المسبقة للبيانات الحقلية بعض الشيء ؛ لذلك فإنه يجب أخذ
الحيطة الخاصة و المعالجة لاختيار بيانات الالتوجيه . إن اختيار بيانات التوجيه يعتبر أكثر إرشادا عن المنهجية في معظم تطبيقات الشبكة العصبية . أحد الدراسات الإرشادية الشائعة عبارة عن استخدام النسبة المئوية للبيانات المقدرة سلفا لكي يتم ve اختيار عشوائي لمجموعات البيانات الموجهة ؛ المتاحة و المختبرة ؛ التي يمكنها جعل نتائج التوجيه حساسة لفصل بيانات محددة ؛ وبخاصة عندما تتوفر بيانات بئثر واحد فقط . وبالنسبة لاختيار بيانات توجيه متعددة للبثر ؛ غالبا هذه هي الحالة لتحديد استراتيجية إعادة أخذ عينات لكي يتم فصل كمية معينة من البيانات في كل Ji مستقل ؛ و جعل مجموعة البيانات المشتركة تقع ضمن حد بحجم معين . هذه الطريقة تسمح باستخدام لوغاريتمات توجيه قوية بعض الشيء و
٠ الكنها محددة SIAN 3 ( لوغاريتمات(خوارزميات)معتمدة على لفنبيرج-ماركواردت ءمثلا Levenberg-Marquardt-based algorithms . وبطريقة أخرى « la بعض لوغاريتمات التوجيه المثالية الفرعية ( اللوغاريتمات المعتمدة على ممال-هابط (تنازلي) يجب أن تستخدم مع التضحية
YYVe
>
بدقة التوجيه . وعلى أية حال ؛ وكما نوقش من قبل ؛ فإن اتخاذ القرارات يصعب عند تحديد
استراتيجية إعادة أخذ عينات resampling بدون الفهم العميق لطبيعة البيانات المتعددة للبئثر . كما أن أخذ عينات متفرقة الفاصل بإنتظام ( أخذ منتظم للعينات مع العمق ) بكثافة منخفضة يمكنه
فصل بعض البيانات الزائدة redundant data ¢ ولكن أيضا يمكن فصل بعض المعلومات المفيدة ٠ في ذات الوقت على سبيل المثال بيانات الطبقة الرقيقة thin bed data .
هناك ميل اليوم لدمج تقنية ANN مع البيانات الأخرى للتعدين mining و تقنيات المعلومات
الإصطناعية ell artificial intelligence technologies نموذج التنبؤ. المميزات لاستخدام
تقنيات الدمج تتضمن قابلية التوقع المحسنة للبيانات + قابلية التفسير المحسن للنتائج ؛ و امكانية
التطبيق الممتدة للنموذج . وبأية Ja يجب الأخذ في الاعتبار مبادلتها مع تعقيد المعالجة أيضا . 6 من الممكن الرغبة في الحصول على الطرق )١( إزالة البيانات المغلوطة ؛ والزائدة ؛
dae الأهمية ؛ (7) تكشف عن البيانات غير المتطابقة ؛ (©) لديها القدرة على "الإضافة" ؛ أي
؛ مضاعفة العينات في المناطق الرئيسية المستهدفة.
الوصف العام للاختراع
يقدم الاختراع الحالي جهازاً وطرقاً محسنة للتنبؤ بالمعايير أو القياسات كما هو موصوف
de .في عناصر الحماية ١ء و١٠ osc بالاضافة إلى الجهاز المختص كما وصف في عنصر
الحماية رقم (TY)
بيانات الإدخال يمكن أن تمثل بيانات جيوفيزيائية geophysical متعددة الأبعاد .
ويتم تقسيم بيانات الإدخال إلى مجموعات فرعية ؛ ويتم استخدام طرق التجميع
clustering methods لتقسيم كل مجموعة فرعية إلى عدد من المجموعات . ويتم إنتاج © نموذج أو طراز أولي لكل مجموعة . ويتم تطبيق طرق التجمع على الطرازات الأولية
لإنتاج مجموعة ثانية من المجموعات . وبعد ذلك يتم تخصيص كل البيانات الأمسلية
YYVe
: تجاه المجموعات الثانية . وبعد ذلك يتم تحليل المجموعات لاختيار البيانات المستخدمة في تنظيم هرمي لنموذج ما. على نحو مفضل ؛ يتم تخصيص البيانات المستهدفة ؛ أو ربطها مع ؛ بيانات التوجيه المناظرة في كل تجمع . وبعد ذلك يتم تحليل المجموعات البيانية المدمجة لاختيار البيانات ٠ المستخدمة في التنظيم المتسلسل لنموذج ما . في تجسيد ما ؛ يتم تحليل المجموعات الثانية أو المجموعات المدمجة بالنسبة لعوامل Lay فيها حجم التجمع واختلاف أو انتشار البيانات . وبعد ذلك ؛ يتم استخدام الاستنتاج الموجه fuzzy inference لاختيار جزء من البيانات من كل تجمع لتضمينها في 4 مجموعة بيانات ٠ في تجسيد ما ؛ يتم توجيه شبكة عصبية مركبة للتنبؤ + أو إنتاج بيانات سبر مركبة كبيانات مستهدفة ؛ كاستجابة لإدخال بيانات السبر الفعلية. يمكن استخدام الطرق وققاً للاختراع في تشغيل Jia يتم فيه تشغيل سجلات فتحة A المكشوفة ( الغير معالجة بالتكسية) في عدد قليل من الآبار فقط ؛ ويتم تشغيل سجلات فتحة البئر المعالجة بالتكسية الأسمنتية في كل الآبار ؛ ويتم توجيه نموذج ما عن طريق de البيانات المجمعة في السجلات ؛ ويتم استخدام النموذج الموجه لإنتاج سجلات مركبة لفتحة بئر مكشوفة بالنسبة للآبار التي فيها لم يتم تشغيل سجلات فعلية لفتحة بئر مكشوفة .open hole شرح مختصر للرسومات شكل )١( عبارة عن رسم بياني يعرض طريقة إنشاء مجموعات بيانية مدخلة وفقاً ٠ ا للاختراع الحالي. الأشكال (TY) و (7ب) عبارة استعراضات لمجموعات للبيانات المدخلة الناتجة من العملية وفقا للشكل .)١( . YYVe
Vv و(“ب) ؛ و )27( )3%( عبارة عن استعراضات لأربعة مجموعات « (IF) الأشكال | للبيانات شاملة البيانات المستهدفة المتصلة مع المجموعات البيانية المدخلة. شكل () عبارة عن رسم بياني يوضح خطوات التحليل للمجموعات والتمييز وأي جهاز استتتاج محاكي لإختيار أجزاء من البيانات من المجموعات. شكل )0( عبارة عن مخطط لانحرافات متوسط مسافة مجموعة البيانات الداخلة لأي بثر 0 التوجيه و بثر اختباري. التنبؤ للتجمعات ad شكل )1( عبارة عن مخطط ضمني لنسبة المسافة للمجموعة مقابل في بئر اختبار. إحصائية ؛ ANN مكشوفة ji و9 تقدم ثلاث مقارنات لسجلات فتحة A و oY الأشكال ثلاثية فعلية. (Combo) قياسات إجمالية cd Ase أي ٠ الوصف التفصيلي من أجل التنبؤ بمشكلة الانحدار الغير خطي ؛ تكون طريقة استخدام التحليل التجبمي هي بوضع أنماط ونماذج للبيانات المتشابهة في المتغيرات المدخلة ؛ وربطها مع المتغيرات يتضمن ٠ الأخرى لكي تستخدم كقيم مخرجة ( منتجة) مطلوبة في عملية التوجيه . جوهرياً ذلك نماذج تعريفية في دالة التوزيع المشتركة. ويتيح هذا الإجبراء إزالة البيانات السيئة ١ والبيانات الزائدة ؛ والكشف عن البيانات غير المطابقة ؛ وتقييم عدم خطية القيم المدخلة/ القيم الفعلية . ويمكن أن geological الناتجة للتجمعات المختلفة المصحابة مع التكوينات الجيولوجية تقدم أيضاً وصلة نوعية بين المجموعات والأوجه النطاقية. أنظر براءة ٠. المجمعة للاستخدام algorithms من للوغاريتمات HES تتوفر سبتمبر لعام Yo ؛ في Ye et al الاختراع الأمريكية رقم 6295504 ؛ الصادرة بواسطة _ ٠ التي دمجت هنا بالإسناد بالنسبة لكل الأغراض ؛ مثلاً باستخدام طريقة التجميع (Yo) تحليل old للتعرف على قياست السبر المعتمدة على التكوينات الجيولوجية + ومن أجل
YYVe
A
)١( المجموعات على المتغيرات المدخلة المتعددة الصفات ؛ فإن أحد الطرق عبارة عن إيجاد التشابه بين كل زوج من العينات بواسطة حساب المسافة ؛ و باستخدام معلومات المسافة الناتجة hierarchical تجميع العينات في شجرة زوجية ¢ وهرمية )7( ؛ و )١( في خطوة ٠ (©) تحديد أينما يتم تقسيم الشجرة الهرمية إلى تجمعات وفقاً لأي إعداد غير مطابق . وعلى A حال ؛ تعمل معظم لوغاريتمات التجميع جيداً على مجوعات البيانات الصغيرة التي تحتوي فقط على مئات قليلة من العينات . في تطوير لنموذج متعدد ll ؛ فإن مجموعة البيانات يمكن أن تحتوي على عدة عشرات من الآلاف من العينات عالية الأبعاد ؛ بما يجعل الطرق التقليدية مستحيلة من أجل الاستخدام المباشر وذلك نتيجة للحاجة إلى ذاكرة كبيرة جداً. ١ شكل )١( عبارة عن رسم بياني يعرض كيفية إنشاء المجموعات من البيانات وفقاً للاختراع الحالي . ويمكن أولاً خفض المجموعة الكاملة من البيانات )٠١( في بئر (آبار) الالتوجيه إلى مجموعة عينة (VY) ؛ والتي يمكن - على سبيل المثال - أن تحتوي فقط على عمق محدد في J محدد أو يمكن أن تحتوي على بيانات من جزء فقط من الآبار التي قد تم سبرها . وبعد ذلك ؛ يتم تقسيم مجموعة العينات (VY) إلى عدة مجموعات فرعية (VE) eo ؛ ويتم استخدام التجميع الهرمي على كل مجموعة فرعية على الترتيب لخفض متطلبات الذاكرة . وفي حين أن شكل )١( يعرض مجموعتين فرعيتين )£ 1( ؛ فمن المفهوم أنه يمكن تقسيم مجموعة العينة ١١ إلى أكثر من مجموعتين فرعيتين. وحيث أن البيانات يتم تقسيمها إلى مجموعات فرعية أصغر و متطلبة ذاكرة أقل ؛ فإنه يتم استخدام طرق تجميع أكثر كفاءة وقوة . وهذا التجميع الأولي أو من المستوى الأول يؤلفان نماذج البيانات ذات عدم © التطابق سابق التحديد إلى تجمعات مقسمة كما هو متوقع )07( بالنسبة لكل تجمع (V1) فإنه يتم حساب طراز أولي ( النموذج البدئي id prototype( التجمع الفردية ؛ أو التمثيل الحسابي في الخطوة (VA) . وحيث أن بعض النماذج الأولية ١م
المأخوذة من مجموعات فرعية مختلفة يمكن أن تكون متشابهة ؛ فإنه يمكن تنفيذ أي تجميع
من المستوى الثاني ؛ عبر النماذج الأولية للمجوعات البيانية الفرعية المختلفة ؛ ويمكن أن تتم
لدمج تلك النماذج الأولية بواسطة dae) أقل في عدم التطابق ؛ متبوعاً بواسطة تحديد نموذج
Jf للتجمع الجديد في الخطوة )٠١( . وبملاحظة أنه حيث يتم تطبيق التجميع ذي المستوى ٠ الثاني )٠١( على النماذج الأولية سابقة التحديد dah لذلك فإنه يتم تحديد متطلبات الذاكرة
» حتى لو يتم تضمين تغطية للمعلومات لكل البيانات من كل بئر (أبار) التوجيه :
وبالاعتماد على إجمالي حجم البيانات المتوفرة ؛ فهناك حاجة لتجميع وسيط لجعل التجمع
النهائي قابل للسيطرة .
الرسم البياني ( المخطط) المناقش فيشكل رقم ١ يعتبر مناسبلطريقة التجمع الهرمي ؛ والتي فيها ٠ يتم إعداد معامل التنافر(التناقض) إلى كل القيم بين التجمع الأولي التجمع من المستوى الثاني .
النموذج الأولي لكل تجمع عينة يمكن أن يمثل المتجه الوسيط الذي يتوسط لكل صفة من مكونات
التجمع . وأيضا يمكن أن تمثل Aud الفعلية الأقرب للمتجه الوسيط في المسافة الإقليدية
Lad . Euclidean distance يمكن استخدام طرق التجميع الأخرى ٠ على سبيل المثال الطرق
المعتمدة على الكثافة density-based methods ؛ الطرق المعتمدة على النموذج model-based methods ٠٠ و الخريطة ذاتية التنظيم self-organizing map اعتمادا على طبيعة ll)
بعد تحديد كل النماذج الأولية من due التجميع في الخطوة Yo ؛ فإن كل متجه للمدخلات
متعددة الصفات ؛ التي a كل من عينات البيانات متعددة الأبعاد في مجموعة البيانات الأصلية
٠ > ومن ثم تنسجم مع التجميع الأقرب المعتمد على المسافة مع النموذج الأولي للتجميع في
الخطوة رقم YY . هذا ينتج مجموعة ثانية من المجموعات YE التي تحتوي على كل البيانات © الأصلية ٠١ . ومن ثم فإن النماذج الأولية المجمعة تضبط بالنسبة لكل مجموعة بيانات ؛ التي
تمثل النماذج الأولية الجديدة المتولدة لكل من المجموعات LYE Al)
١م
Yo» الأشكال رقم "أ و "ب يوفران أمثلة لتجمعين ذي عينات ملائمة مختارة من مدخلات الخطوط الثقيلة (الكثيفة) المرتكزة Jus النيوترون النابض والنماذج الأولية . النماذج الأولية مجموعة البيانات المستقلة . بروفيلات التجمع عالية الأبعاد تلك قد بينت في JB ضمن (الأشعة GR بالنسبة ل ١ : حيث أن س ل تمثل الإحداثي المتغير XY المستوى س-ص
RIN جوهري) ؛ ¥ بالنسبة ل sigma (تكوين سيجما SGIN ؛ ؟ بالنسبة ل (gamma ray السينية © gamma (نسبة معدل عد جاما RTMD لأجل ٠+ نسبة معدل عد جاما غير مرن بين الكواشف) ) المعدل الكلي لعد جاما محتجزة للكاشف ( NTMD بالنسبة إلى ٠” محتجزة بين الكواشف) ؛ (معدل عد جاما المحتجزة الكلية للكاشف البعيد) ؛ و 7 بالنسبة FTMD بالنسبة إلى Tc ) القريب ١+ حتى ١- القيمة المعتادة من BS (فتحة بئر سيجما في الكاشف القريب) . ص SGBN إلى خلال المعدل الكلي من البيانات . وعلى نحو موجه ؛ هناك تشابه في البيانات ضمن المجموعات ٠ الموضحة ؛ واختلاف في البيانات بين المجموعات. الهدف من القيام بتحليل التجمع - كما هو موضح أعلاه - هو لدعم الشبكة العصبية ؛ و اختيار بيانات الالتوجيه(التنظيم) . وبعد أن يتم تصنيف متغيرات ANN الأصطناعية ؛ الإدخال إلى أقرب تجمعات (4 1) ؛ يتم ربط كل تجمع بنظيره المطابق ؛ ويتم استخدام القياسات كأهداف في عملية الالتوجيه . ولا يمكن أن تعرض أكثر الدالات التخطيطية المستخدمة حالياً ve ويتم تحديد ٠ علاقات المدخلات المتعددة/ النواتج المتعددة الشاملة للبيانات بفعالية التخطيط الضمني- على سبيل المثال- بواسطة عرض قيمة مدخل واحدة فقط مقابل قيمة والنتاكج shod) ناتج واحدة . وتعرض مخططات الانحدار اللاحقة المضاهاة بين النتائج المرغوبة ؛ لكن المدخلات المصاحبة يصعب إظهارها في نفس الوقت . مخطط السبرالتقليدي يوفر منحني منفصل لكل قياس مستقل بطول عمق البئر ؛ لكنه لا يشمل مجموعة الأنماط Yo المتماثلة ذات القياسات المتعددة . ومع هذا ؛ يقدم الربط التجميعي على نحو مناسب دعماً بيانياً : أكثر تكاملاً لتسهيل التحليل الشامل.
YYVe
١ في الأشكال من (©) إلى (©د) ؛ يتم تقديم أربعة مخططات ؛ التجمع أ إلى التجمع د ؛ لربط مدخلات التجميع AY أداة نيوترونية نابضة pulsed neutron لفتحة بئر معالجة بالتكسية مع القياسات المطابقة الفعلية الثلاثية triple-combo لفتحة بئثر مكشوفة . ويتم بسط ne المتغيرات إلى عشرة ؛ Cus أن أول سبعة منها عبارة عن نفس متغيرات الإدخال كما هو © موضح في الأشكال (Y) و (QF) ؛ وتكون آخر ثلاثة منها عبارة قياسات ثلاثية triple- 0 (مؤشر A بالنسبة للمقاومة العميقة ؛ و4 بالنسبة لمسامية النيوترونات neutron ؛ و ٠١ بالنسبة للكثافة الكتلية) . وتتم معايرة المدى لكل صفة لفتحة بئثر مكشوفة أيضاً Lad بين (-1) و )١( . وبملاحظة أنه في كل مخطط ؛ يتم فقط تطبيق التحليل التجميعي على أول سبعة متغيرات إدخال . وبناءاً عليه ؛ فقد تم ربط البيانات المستهدفة مع مؤشر عينات الإدخال ٠ المسجلة أثناء العملية . وتقدم تلك الطريقة شبكة عمل شائعة لتقييم علاقات المدخلات/ النواتج التجميعية ؛ وبالنسبة لتطبيق pal مهم ؛ كشف الجدة ؛ حيث تكون القياسات المستهدفة غير متوفرة. من الأشكال SIF “د ¢ يمكن رؤية أن علاقة المدخلات/ المستهدفات في التجمع () تكون خطية تماماً . وفي التجمع ب ؛ يكون انتشار العينات في قياسات فتحة yi - مكشوفة أكبر Ve بكثير من تلك الخاصة بمتغيرات الإدخال ؛ مما يشير إلى نظام غير خطي بنحو بير أو Sle التناقض (التنافر) . والتجمع ب عبارة عن تمثيل مثالي لأدوات تستجيب لطبقات الفحم التي تسبب مشكلة إما للطرق الروتينية للنسبة البسيطة للنيوترونات النابضة أو للكثافة . وهناك قائم بعيد (خارجة ) outlier عن التجمع ج . ويحتوي التجمع د على عينات المنطقة الغازية gas ذات التغير الضئيل في كل من مسامية النيوترونات neutron porosity ٠ والكثافة الكتلية bulk density . وتقدم تلك المخططات أداة مفيدة لتشخيص المشكلات والتقييم المسبق للنموذج قبل أن يتم تنظيم الشبكة العصبية . ويمكن Lad أن تكون النماذج
YYve
التجميعية المختلفة تلك ذات أهمية في منطقة التطوير أو النماذج المتعددة المرتكزة على الأوجه لتحسين دقة التتبؤ. في الخطوات السابقة ؛ فقد تم تجميع مدخلات البيانات )٠١( إلى تقارب وثيق (خطوة YE ؛ شكل )١ وتربط مع القياسات المستهدفة في الأشكال “#أ- «AF ويمكن أن يكون oo هناك حتى عدة مئات من المجموعات بالنسبة لبئر (آبار) التوجيه بالاعتماد على خصائص المستودع (الخزان) وأنواع التكوينات الجيولوجية geological formation . وفي الجزء التالي من العملية ؛ يتم دمج التحليل التجميعي والكشف البياني لتمييز كل تجمع . ويمكن إتباع عملية التمييز تلك بواسطة منظومة صسنع القرار لتحديد كيفية الاحتياج لاختيار عينات عديدة من كل تجمع من أجل التطوير للنموذج. ٠ يعرض شكل )£( رسم بياني مبسط لعملية اختيار وتمييز التجمع . ويتم تحليل كل تجمع بيانات (YE) من أجل التغير ( التباين )التجميعي والقياسات الأخرى في خطوة (776) ويتم تميزها بناءاً عليه . وعلى سبيل المثال ؛ يكون أحد القياسات المفيدة عبارة عن حجم التجمع ؛ بمعنى ؛ كيفية إدخال العديد من عينات البيانات متعددة الأبعاد في كل تجمع ١ (TE) ويمكن قياسها في الخطوة (YA) وبالنسبة لتحليل التغير التجميعي ؛ فإن متوسط المسافة - معرف على ١ شكل متوسط مسافة العينة داخل التجمع إلى النموذج الأولي للتجمع ٠ من المحتمل أن يكون المعيار الأكثر أهمية . ويمكن التعبير عن ذلك المعيار على شكل نسبة ؛ التي تسمي نسبة الانتشار ( التفرق) في خطوة (Vr) ؛ وتستخدم على شكل مؤشر للانعدام الخطي للتجمع . وتكون نسبة الانتشار عبارة عن متوسط المسافة المستهدفة مقسومة على متوسط المسافة المدخلة . ويحسب المؤشر المنطقي في خطوة (YY) على أساس وزن المناطق الرئيسية key zones ؛ la يسمح بمضاعفة العينات الرئيسية في مجموعة الالتوجيه . ويمكن استخدام كل تلك القياسات ؛ إضافة إلى القياسات الأخرى إذا كان ضرورياء على شكل مدخلات لنظام صنع القرار من أجل اختيار بيانات التوجيه . . YYVe
ض لا الاستنتاج الموجه هو عبارة عن عملية صوغ الخرائط من أي مدخل مقدم إلى أي مخرج (ناتج ) باستخدام منطق حسابي محاكي logic fuzzy ؛ وقد اكتشف في العديد من تطبيقات صنع القرار. وفي تجسيد مفضل ؛ يتم استخدام نظام استتاج موجه لاستقبال المدخلات من عملية تمييز التجمع ءولإنتاج ناتج مساوي للنسبة المئوية للبيانات المراد استخدامها ٠ .من أجل التوجيه في كل تجمع . ويمكن أن تكون المدخلات عبارة عن حجم تجمع نسبي (YA) ؛» أو نسبة انتشار تجمع (Th) أو مؤشر المنطقة الرئيسية (FY) و/أو المتغيرات الأخرى المشتقة من العملية السابقة SU . ويمكن وصف وظيفة نظام الاستنتاج الموجه (VE) عدة خطوات . في خطوة الاستنتاج الموجه ( عملية إنشاء القيمة المشتركة لمتغير محاكي باستعمال دالات العضوية) ؛ يستقبل الجهاز المدخل الضئيل لكل متغير ويحوله إلى ٠ مدخل موجه ؛ الذي يكون عبارة عن درجة من الإرتياح المحددة بواسطة دالة العضوية المهيئة . وفي خطوة العملية المنطقية ؛ تم القيام بعمليات AND و OR المنطقية لتجسيد الأسبقية لكل قاعدة المحاكاة fuzzy rule ؛ ويتم الحصول على نتيجتها في خطوة الاستنتاج . وبعد ذلك يتم جمع نتائج القواعد المتعددة في خطوة الجمع لتكوين Af مجموعة موجه . وفي النهاية؛ بالنسبة لأي تجمع محدد ؛ يتم حساب عدد فردي في الخطوة (771) من خطوة فصل Vo الموجه defuzzification للإشارة إلى النسبة المئوية للعينات المراد استخدامها في مجموعة التوجيه . في هذا التجسيد ؛ تشكل قواعد التوجه إستراتيجية صن القرار الرئيسية . ويكون تتفيذ الخطوات الأخرى مستقيماً . على سبيل المثال ؛ يمكن أن تمثل الخاصة أ حجم التجمع النسبي ؛ ويمكن أن تمثل ب نسبة انتشار التجمع ؛ ويمكن أن Ji ج مؤشر المنطقة الرئيسية © المتراوح من صفر إلى ١ ؛ ويمكن أن تمثل د النسبة المئوية للبيانات المراد اختيارها . المثال لقواعد التوجيه يمكن أن يكون: إذا كانت أ كبيرة ؛ و ب منخفضة و ج منخفضة ؛ وبعد ذلك د منخفضة؛ YYVe
Y¢ إذا كانت أ صغيرة ؛ و ب متوسطة و ج مرتفعة ¢ وبعد ذلك د مرتفعة؛ الخ.. يجب تحديد دالة عضوية كبيرة ¢ صغيرة ؛ منخفضة ؛ متوسطة ؛ مرتفعة لكل متغير متضمن . ومن أجل جعل نظام الاستتاج الموجه أداة مفيدة ؛ فإنه يتطلب عدد مناسب من القواعد © الموجه . وبالمثل لتحضير البيانات بالنسبة لأدوات التنبؤ الأخرى ؛ تتواجد المرونة دائماً بالنسبة لاختيار بيانات التوجيه ANN بسبب Aan الكمبيوتر ؛ وخبرة المصمم ؛ ومصدر المعلومات المحدود . ويمكن دمج بعض الدراسات الهرمية مع معلومات التجميع للحصول على التسوية المثالية بين بساطة المعالجة والقدرة على pal بالنموذج. النسب المئوية المحددة في الخطوة (31) تستخدم لاختيار جزء من البيانات من كل ٠ تجمع (YE) . ويتم دمج البيانات المختارة من كل تجمع (TE) مجموعة بيانات التوجيه of yall استعمالها لتنظيم نموذج للتنبؤ بالبيانات الممستهدفة من البيانات الفعلية المدخلة . Ly هو مشار إليه أعلاه ؛ فإن التجسيد المفضل يستخدم شبكة عصبية إصطناعية ؛ ANN ؛ على شكل نموذج تنبو . ويتم استخدام طرق التوجيه العادية لتنظيم ANN . وعلى سبيل المثال ؛ ويمكن على نحو محدد فصل مجموعة بيانات التوجيه إلى مجموعات فرعية من التوجيه والصلاحية . وعلى أية حال ؛ فإن عملية اختيار cil dy التوجيه فقاً للإختراع الحالي تنتج مجموعة توجيه منخفضة والتي تسمح باستخدام لوغاريتمات التوجيه المفضلة من أجل تنظيم ANN . وبعد التوجيه والصلاحية ؛ يمكن اختبار ANN بواسطة بيانات الإدخال من الآبار الأخرى لتحديد إذا كان النموذج am بشسكل كافي . وعندما يتم عرض نموذج ما من أجل التنبؤ بدقة ؛ أو لإنشاء سجلات مركبة ؛ مثلاً ؛ سجلات فتحة yi مكشوفة ؛ من xe بيانات الإدخال الفعلية ؛ على سبيل المثقال بيانات قياسات إجهادات فتحة بئر معالجة بالتكسية الأسمنتية ¢ ومن ثم يمكن استخدامها ZU تلك السجلات المركبة(قياسات إجهادات الآبار) بالنسبة للآبار الأخرى. . YYVe
Yo في العملية الموصوفة أعلاه ؛ تم افتراض أن البيانات المتعددة للبئثر كانت متوفرة وأن كل البيانات المتوفرة تم تحليلها ومعالجتها في ذات الوقت . وغالباً ما تكون الحالة حيث ٠ واختبارها على ٠ أصلي بواسطة البيانات المحددة للبئر (الآبار) أولا ANN يتم تنظيم نموذج بئثر مختلف بعد ذلك لتحديد ما إذا كان النموذج جيداً بشكل كافي . إذا لم يكن كذلك ؛ فإن يرغب في إضافة بعض البيانات الجديدة المختارة من بئر إختباري إلى مجموعة la) المصمم 0 التوجيه السابقة والإبقاء على شبكة العمل بدون إعادة معالجة مجموعة البيانات الكلية في لتسهيل Sel المتعددة . ولقد تم وصف بأسفل مثال لكيفية إستخدام العملية الموصوفة SLY . الاحتفاظ بالبيانات الإضافية قبل تقرير إضافة أو عدم إضافة البيانات من بثر AT إلى مجموعة التوجيه ؛ ينبغي Vol ٠ القيام باختبار الجدة novelty testing ؛ باستخدام النماذج الأولية التجميعية المنشأة سابقاً من بثر (LL) الالتوجيه لتصنيف البيانات الجديدة من البئر الاختباري . ويميز التحليل البيانات الجديدة ويشير إلى كيفية مشابهة EDL daa الاختبارية مع مدخلات التوجيه ¢ وكيفية اتصال هذا التشابه مع tad التنبؤ في بيانات الاختبار . ويمكن استخدام التحليل لإنشاء معيار للمساعدة في إضافة فقط "الجدة " للالتوجيه الجديد ؛ ويمكن أن يحسن من القدرة على تطبيق ١ النموذج الحقلي . ويخفض ذلك من المقدار الإجمالي للبيانات المضافة لمجموعة التوجيه بحيث يمكن استخدام لوغاريتمات التوجيه الأكثر فعالية على نحو مستمر. الأشكال )0( ٠ 5 )1( تلخص بعض تتائج هذا المثال . وكما هو مناقش ساقاً ؛ يأخذ النموذج ANN سبعة قياسات من سجلات النيوترون النابض في فتحة البئر المعالجة بالتكسية الأسمنثية على شكل مدخلات للتنبؤؤ بنتائج ثلاثية الكومبو triple-combo لفتحة بثر مكشوفة ( غير Ye معالجة بالتكسية ) . شكل )0( عبارة عن مخطط لمتوسطات مسافة تجمع المدخلات في بئر التوجيه ؛ والمنحني السفلي ؛ و بثر تجريبي ؛ والمنحني العلوي . وتم على نحو إحصائي إنشاء المجموعات 1896 كعدد. إجمالي لبئر الالتوجيه ؛ باستخدام حوالي 0080 قدم في بيانات
YYVe
Jad . كان ill الاختباري ؛ الذي يلغ حوالي ثلاثة أميال بعيداً عن بثر الالتوجيه ؛ بياناته (حوالي ٠٠0٠0١ قدم من بيانات السجل ) الموفقة مع (VAY) من تجمعات البتّر التوجيهية ؛ تاركة فراغات في المخطط من أجل المجموعات الغير معبأة . ويمكن المشاهدة من شكل )©( أنه بالنسبة لكل تجمع ؛ يكون متوسط المسافة في البثر التجريبي أكبر على نحو ثابت ٠ .من ذلك في بئر التوجيه. وتشير قيم المتوسط عالية الانحراف بين الآبار غالبا إلى وجود مدخلات
تجمع ذات نطاق زائد في all الاختباري. يوضح )١( JSS نسبة مسافة التجمع ؛ التي تكون عبارة عن نسبة مسافة تجمع المدخلات في البئر الاختباري على نفس مسافة التجمع في A التوجيه ؛ على شكل مؤشر تشابه المدخلات ؛ وتخطيط تلك النسبة مقابل خطأً التنبو بالتجمع في البثر الاختباري . ويتم تقسيم ٠ القياسات في شكل )1( إلى أربعة أرباع بطول النقطة المجمعة )٠.7( لخطاً التنبؤ (جذر متوسط مربع الخطأ) النقطة المجمعة لنسبة المسافة )7( مع افتراض أن تلك القيم يمكن استخدامها على شكل مقدمات (قيم أولية) بسيطة . وفي الربع )١( ؛ تعرض البيانات خارج الحدود أن المدخلات المختلفة بشكل مميز تؤدي إلى خطأ أكبر في التنبؤ. وفي المقابل للمربع )١( ؛ تكون المجموعات (VFA) من جملة (VAY) في المربع ]11 ؛ Allg تكون عبارة ١ .عن الجزء المسيطر في المجوعة البيانية الكلية ؛ واقعة إحصائياً في النطاق حيث تكون مدخلات التجمع مشابهة للأًجزاء المقابلة في idl التوجيهية ؛ ويكون lad التنبؤ منخفض . وعلى نحو محتمل يكون المربع الأكثر استفهاما هو المربع ]1 ؛ وهو الذي يحتوي على تجمعات ذات معدل شكوك أعلى (خطأ أعلى في (sel . ويمكن أن تكون أسباب التواجد المشترك في عمم التمائل المنخفض للمدخلات والنسبة الأعلى في خط التنبؤ هي أن مدخلات عدم Bilal Ye يتم تصنيفها في نفس التجمع ويرجع ذلك لاستخدام قياس مسافة فردي ؛ أو أن الانعدام الخطي المتضمن يكون مرتفع جداً بحيث لا يمكن أن يتمايز التباين الملاحظ في الناتج عن طريق المدخلات (المعطيات) . Lad سوف توثر Af بيانات ضارة في سجلاتٍ الحفر
YYVe ض
لف
المكشوفة و/ أو سجلات الحفر المعالجة بالتكسية الأسمنتية ٠ وأي معالجة سابقة غير مناسبة للمدخلات والنواتج أيضاً على دقة التنبؤ . وبالتضاد مع المربع (I) ؛ يحتوي المربع AV) على تجميعات التي فيها المدخلات النيوترونية النابضة للحفر المعالجة بالتكسية الأسمنتية تضاهى خطياً مع النواتج المتناظرة ثلاثية العد (كومبو) في الحفر المكشوفة . ولذلك ؛ ٠ يكون التنبؤ دقيقاً على نحو ملائم حتى لو بدت المدخلات الاختبارية خارج النطاق مقارنة
بالمدخلات اللاتوجيهية. بالاعتماد على التحليل المذكور في الفقرة السالفة ؛ تكون التجميعات البيانية في الربع (I) جديدة بوضوح ؛ وينبغي انتقائها كمرشحات معادة الالتوجيه . ويمكن استبعاد الجزء الرئيسي من البيانات في الربع (IT) من الأخذ في الاعتبار لإعادة الالتوجيه عموماً بسبب تماثله الأعلى
٠ في المدخلات وانخفاض معدل الخطأً في التنبؤ . وتحتاج البيانات في الربع (I) لإعادة الفحص مع أخذ الحذر في تحديد سبب التناقض . ويمكن أن يساعد الفحص lll لنتائج تحليل المجموعات البيانية في التعرف على المشكلات في هذا الربع . والبيانات في الربع (IV) ليست حاسمة بسبب خطيتها مع الناتج . وعلى نحو نهائي ؛ تم فقط دمج حوالي 77٠0 من البيانات في al الثاني (على نحو أساسي من 460 تجمع بياني) مع بيانات بئر الالتوجيه الأولى لإنشاء
١ النموذج المتعدد للبئر.
تقدم الأشكال ١7 ؛ و8 ؛ و9 ثلاث Ald من سجلات الحفر المكشوفة المحسوبة بواسطة ANN ؛ بمعنى ؛ المركبة المخططة مع القياسات الفعلية ثلاثية العد (الكومبى) triple combo . وتم إنشاء الشبكات العصيبة المستخدمة في تلك الأمثلة بطبقتين (طبقة واحدة مستترة) ؛ وسبع مداخل ؛ وثلاثة مخارج( نواتج) .
أ يظهر شكل (V) تنبؤات ANN لبيانات سجل الحفر المفتوح بعمق 7*0 قدم (شاملة فواصل بينية متعددة حاملة للغاز gas ؛ مثل 40-١٠١١ قدم) مقابل بيانات التسجيل الفعلية لبئر أول ؛ باستخدام النموذج الموجه من نفس بيانات Sa الفردي .
YYVe
YA
من البيانات في البئر الأول في الالتوجيه . ويمكن أن تكون 75٠ وتم استخدام حوالي والقياسات الفعلية للتسجيلات بعمق ANN المعاملات اللاحقة لما بعد التراجع بين تنبؤات بالنسبة للمقاومة العميقة ؛ و97. بالنسبة لمسامية النيوترون + AT ققدم حتى 06 ial) و96. بالنسبة لكثافة التكوين . وتتم ملاحظة التوافق الممتاز بين سجلات . المكشوفة الفعلية وتلك المحسوبة من بيانات النيوترونات النابض © من lh تم اختبار نفس النموذج على بر ثاني . ولم يتم استخدام (A) في شكل على مناطق الغاز Load المطورة سابقاً . ويحتوي هذا البئر ANN الثاني لتنظيم قياسات il ليس بنفس AS) ٠ قدم . ويكون التوافق بين التسجيلات جيداً 70-١١7١ شاملة الفاصل البيني ٠ (V) الجودة كما في شكل ٠ الاختبار في شكل (4) يمثل نفس المجموعة الفرعية للسجل في البئر الثاني كما هو موضح في شكل (A) ؛ لكن تم تنظيم النموذج بواسطة مجموعة بيانات مشتركة منخفضة على نحو كبير للبثرين باستخدام الطرق الموضحة أعلاه . ومع استخدام فقط حوالي 775 من البيانات من كل بئر ؛ 38 تم تحسين معاملات الإرتباط Wd correlation coefficients بعد التراجع (شاملة البيانات الضارة) للنموذج البثري المتعدد على البئر الثاني من ١.27 إلى CYA ٠.85 بالنسبة لمسامية النيوترونات ؛ ومن ٠.97 إلى ٠.88 بالنسبة للمقاومة العميقة ؛ ومن ١ بالنسبة لكثافة الكتلة . مع هذا ؛ تمت التضحية بدقة تنبؤ البثر الأول على نحو طفيف ٠.9١ إلى (9) لمعادلة الخطأ الإجمالي بسبب التناقض في البيانات بين البثرين . ومن البارز من شكل فإنه من الممكن في أي وسط متعدد البثر استخدام شبكات عصبية ومفاهيم التجميع من من بيانات (Triple-Combo) أجل المحاكاة الدقيقة لسجلات الحفر المكشوفة ثلاثية العد -سجل النيوترونات المنبضة . وأيضاً نذكر أنه في الأشكال Ay Ay oF فقد تم تشكيل مناطق (نطاقات ) الغاز بدقة على سجلات الكثافة المحسوبة . وذلك يستحق الذكر على نحو خاص لأن أدوات النيوترون النابض لا تحتوي على مصادر لأشضعة جاما Ji) تلك YYve
19ص الموجسودة في كل أدوات سبر الكثافة) ٠ ومن ثم فإن مناطق الغاز تمثيل بيئة صعبة جدا بالنسبة لنموذج ANN يوضح الوصف و الرسومات السابقة كيفية إمكان دمج التحليل التجميعي للبيانات مع الرؤية البيانية ووضع القرار الاستنتاجي لدعم اختيار العينة عند تطوير النموذج الحقلي ٠ باستخدام شبكة عمل عصبية على شكل شبكة عمل تنبؤية . ويمكن أيضاً استخدام الطرق المناقشة لدعم تفسير البيانات الأخرى المعتمدة على المحلل وتشخيص المشكلات بواسطة أدوات تتبؤية مختلفة ؛ أي ؛ نماذج أخرى . وتحسن تلك الطريقة على نحو كبير من شفافية شبكة العمل العصبية "الصندوق الأسود" التقليدية للمصمم ؛ وتبسط استخدام النموذج من المصدر أحادي ul إلى المصادر متعددة SLY) بطريقة منخفضة التكلفة ؛ وتقدم وسائل ٠ قوية لتقييم معالجة البيانات ؛ وانتقاء المدخلات/ المخرجات وقصر الأدوات على التتقيب على SUL المتصلة بالهدف . وفي تطبيقات السبر وعلوم البتروفيزياء تكون تلك الطريقة أكثر مناسبة لدعم التطوير النموذجي الحقلي المتعدد للبثر من أجل تفسير البيانات المتوسطة - إلى - كبيرة الحجم وعالية الأبعاد . وباستخدام تلك الطريقة ؛ يمكن رؤية أنه من الممكن في أي وسط متعدد_البئر LEY سجلات ثلاثية العد ممتازة للحفر المكشوفة من بيانات ١٠ النيوترونات المنبضة للحفر المغطاة ( المعالجة بالتكسية الأسمنتية) . تعرض الخطوات التالية تجسيداً لنظام الاستنتاج الواضح بالاعتماد على التحليل التجميعي من أجل انتقاء عينات التوجيه في شبكة العمل العصبية وفقاً للاختراع الحالي. .١ معايرة البيانات متعددة الأبعاد سابقة المعالجة. x تجزئة البيانات البئرية إلى مجموعات فرعية متعددة. LY Ys أخذ العينات من كل مجموعة فرعية بالتساوي بطول إحداثي عمق البثر. ؛. إيجاد عينة المدخلات المجمعة مع معامل التناقض سابق التحديد. .٠ وضع النموذج IY لكل تجمع من العينات.
Ye التجميع مع عامل التناقض المنخفض. sale) دمج النموذج الأولى بواسطة .+ إعادة وضع النموذج الأولى لكل تجمع من العينات. LY توفيق كل البيانات داخل أقرب تجمع للبيانات. A ربط كل البيانات المستهدفة والمدخلة في التجميع البياني المراد استخدامها في .4 نموذج التراجع. ٠ إجراء إحصائيات التجميع البياني. .٠ . ) تحديد نطاق دالة عضوية لنظام الاستنتاج الواضح ( الموجه ١ تمييز المدخلات الموجهة لكل تجميع بياني. NY حساب ناتج النظام الموجه للحصول على نسبة مئوية للبيانات المراد اختيارها من AY كل تجميع بياني. 0٠ أخذ عينات من كل تجمع بياني لتكوين مجموعة التوجيه لشبكة العمل 64 العصبية. تطبيقات بديلة يتصل باستخدام بيانات Lad قد تم وصف الاختراع الحالي على نحو أساسي المنبضة متعددة الأبعاد من الآبار المغطاةاة للتنبؤ بالقيم neutron التسجيل النيوترونية ١ الجيولوجية المقاسة عيارياً بواسطة سبر فتحات بئرية مكشوفة (غير معالجة بالكسية ) . مع ومن الممكن تطبيقه على نحو عام لالتوجيه واستخدام نماذج ٠ هذا ؛ توجد تطبيقات أخرى وتنتج geophysical و/ أو جيوفيزيائية geological تنبؤية ذات مداخل بيانية متعددة جيولوجية . واحد أو أكثر من القيم الجيولوجية و/ أو الجيوفيزيائية على شكل ناتج (نواتج) الاختراع الحالي مفيداً في الكشف عن التغيرات في التكوينات التي تحدث مع الوقت vs والغاز هع . الأسطح البينية بين الماء ؛ البترول و الغاز تتغير oil بسبب إنتاج البترول متى تنتج تلك المواد . وفي الأبار التي تم سبرها في الحفر المكشوفة قبل الإنتاج ؛ يمكن أن
YYVe
AR
تكون سجلات الحفر المكشوفة مختلفة إذا تم أخذها بعد الإنتاج . ويتيح الاختراع الحالي من سجلات الحفر المغطاة المأخوذة بعد الإنتاج Lan للسجلات المركبة للحفر المكشوفة المراد أن بحيث يتم عقد مقارنة لتحديد التغيرات الناتجة عن الإنتاج. تقدم أداة السبر بالنيوترون النابض المستخدمة في التجسيدات المفضلة على الأقل سبعة مداخل منفصلة للبيانات . وفي أي حقل كبير ؛ يمكن أن يرغب في تشغيل أداة السبر _ ٠ تلك فقط في بعض الآبار واستخدام أداة أبسط وأقل تكلفة في الآبار المتبقية . الأداة الأبسط يمكنها قياس بعض ؛ ولكن ليس كل المعايير المقاسة بواسطة الأداة الأكبر . ويمكن إلى قيم و مدخلات مستهدفة . ويمكن أن ALE كسر المجموعة الكاملة للقياسات المأخوذة في آبار تكون قيم الإدخال فقط عبارة عن القيم التي سوف تقيسها الأداة الأبسط في الآبار المتبقية في الحقل . ويمكن توجيه نموذج تنبؤي كما هو موضح في الاختراع الحالي لإنشاء سجلات موجه ٠ للقيم المستهدفة للتبار التي فيها يتم تشغيل أداة السبر الأبسط فقط. يقدم تطبيق مشابه إعادة إنشاء لسجلات الحفر المكشوفة أو المغطاة بالتكسية التي لديها ض بيانات مفقودة أو معيبة . وعلى سبيل المثال ؛ تبعاً لظروف البئر السيئة ؛ يمكن أن يكون بدون البيانات أو بواسطة بيانات معيبة (Beall لسجلات الحفر المكشوفة فواصل بينية محددة وبعد تجميع بيانات الحفر المغطاة في تلك الآبار ؛ يمكن استخدام عملية توجه تلك . 0 ٠ الموضحة بالإشارة إلى شكل (7) لإعادة إنشاء سجل الحفر المكشوفة أو تملا البيانات المفقودة أو المشوهة . ويمكن القيام بذلك بواسطة استخدام بيانات جيدة للحفر المكشوفة ؛ أي ؛ من الفواصل البينية للعمق ما عدا عديمة البيانات أو ذات البيانات المفقودة(الناقصة) ؛ سويا مع بيانات فتحة البئر المعالجة بالتكسية من نفس الفواصل البينية لكي توجه نموذج متوافق مع الاختراع الحالي . وبعد ذلك ؛ يمكن إدخال بيانات الحفر المغطاة من الفواصل البينية التي بدون بيانات © أو ذات بيانات مشوهة في النموذج لإنتاج الحفر المكشوفة المفقودة.
YYVe
YY
في حالات أخرى ؛٠ يمكن استخدام بيانات الحفر المكشوفة ؛ المدمجة على نحو محتمل مع . المفقودة أو المشوهة UL بيانات الحفر المغطاة ؛ لإعادة إنشاء سجلات الحفر المكشوفة ذات وفي بعض الحالات ؛ يمكن ٠. وتنتج سجلات الحفر المكشوفة اعتياديا مجموعة من المعايير ويمكن أن ٠. أن تؤثر ظطروف الآبار السيئة فقط على واحدة أو اثنتين من القراءات العيارية يشمل السجل بيانات جيدة للمعايير الأخرى . وفي تلك الحالة ؛ يمكن استخدام المعايير ٠ استخدام المعيار( (Sas ذات البيانات الجيدة على شكل مدخلات لتوجيه و تنظيم النموذج مستهدفة من أجل الالتوجيه . وبعد ذلك؛ CLS المعايير) التي تكون مفقودة أو مشوهة جزئياً يمكن إدخال المعايير الجيدة في النطاقات ذات البيانات المشوهة في النموذج الموجه لتقديم قيماً مركبة و محاكية للمعايير المفقودة في النطاقات المشوهة . وفي هذا السياق ؛ يمكن أيضاً دمج sale] مغطاة على شكل مدخلات أثناء الالتوجيه وأثناء i المعايير المقاسة بواسطة سبر فتحة ٠ . إنشاء البيانات عندما يرغب في ذلك إنشاء البيانات لإعادة إنشاء أو ملا بيانات مفقودة أو sale) يمكن أيضاً استخدام عملية مشوهة لسجل فتحة بئر مغطاة بالتكسية . ويمكن أن تكون العملية مثل أي من تلك الموضحة في الفقرتين السابقتين . ويمكن أن يكون الفرق هو أن سجل فتحة البثر المغطاة يمكن . أن يكون بيانات مفقودة بالنسبة لواحد أو أكثر من المعايير في بعض الفواصل البينية للعمق ١٠ ويمكن استخدام المعايير التي تم قياسها بدقة في تلك الفواصل البينية ؛ المدمجة على نحو مكشوفة في تلك الفواصل البينية ؛ إن وجدت ؛ على شكل iy مع معايير فتحة dine ( مدخلات من أجل توجيه و تنظيم نموذج . ويمكن أن تكون الأجزاء الجيدة من المعيار المعايير) التي تكون مفقودة جزئياً عبارة عن البيانات المستهدفة من أجل التوجيه . ويمكن بعد ذلك إدخال البيانات الجيدة للحفر المغطاة ؛ والبيانات المناظرة للحفر المكشوفة ؛ في Ye النموذج الموجه لإنتاج البيانات المفقودة.
YYve
في بعض الحالات ؛ يمكن أن يكون قد تم تشغيل سجلات الحفر المكشوفة في عدد كبير من الآبار في أي حقل . وفي وقت بعد ذلك يمكن الرغبة في تشغيل أدوات السبر الحالية في LY) التي تتم تغطيتها ومعالجتها بالتكسية) الآن . ويمكن على نحو جوهري عكس عملية التجسيد المفضلة لاستخدام قياسات الحفر المكشوفة في التنبؤ ببعض أو كل قياسات التسجيل الجديدة المرغوبة ؛ على سبيل المثال ؛ مجموعة بيانات التسجيل النيوتروني النابض . ويمكن القيام بذلك بواسطة تشغيل أداة نيوترونية منبضة في بعض الآبار في الحقل وباستخدام البيانات المجمعة على شكل البيانات المستهدفة من أجل توجيه و تنظيم نموذج تنبؤ ٠. ويمكن أن تكون بيانات الإدخال عبارة عن السجلات الأمسلية للحفر المكشوفة من نفس تلك الآبار . وبعد ذلك ؛ يمكن استخدام سجلات الحفر المكشوفة من الآبار المتبقية مع النموذج للتنبؤ ببيانات أداة ٠ النيوترونات المنبضة بدون التشغيل الفعلي للأّداة في كل الآبار المتبقية ٠. وعلى نحو بديل ؛ يمكن تشغيل أية أداة نيوترونية نابضة pulsed neutron أبسط كما هو مناقش أعلاه في الآبار المتبقية ويمكن استخدام قياساتها مع القياسات الأصلية للحفر المكشوفة كمدخلات لنموذج sad بالبيانات المتبقية. : لا تحتاج بيانات الإدخال متعددة الأبعاد أن تكون عبارة عن مجموعة من القياسيات vo المأخوذة عن طريق أداة فردية أو مجموعة من الأدوات التي تعمل في فتحة بتر ما في نفس الوقت . ويمكن أن تتصل أو تدمج القياسات من أداتين أو أكثر في نفس البئر بالعمق المتصل من أجل تكوين مجموعة من معايير بيانات الإدخال . ويمكن أن تشمل تلك القياسات > ضمن أخريات: الرنين النووي المغناطيسي (NMR) Y. الصوتيات ثنائية القطبية .Dipole Sonic سجل التصوير المجهري الكهربي Electric Micro Imaging Log النيوثرون النابض Pulsed neutron YYVe
النيوترون النابض Pulsed Neutron & أكسجين الكربون .Carbon Oxygen سجلات الحفر المكشوفة( الغير معالجة بالتكسية الأسمنتية) .Open Hole Logs العد الثلدثي للحفر المكشوفة Open Hole Triple Combo (المقاومة Resistivity ¢ © الكثافة Density ؛ النيوترون Neutron ¢ الصوت .(Sonic سجلات إنتاج الحفر المعالج بالتكسية الأسمنتية .Cased Hole Production Logs بيانات اللب (القالب ) تحت السطح .Subsurface Core Data بيانات ضغط التكوين .Formation Pressure Data التشكيل الزلزالي ( السيزمي) الرأسي .Vertical Seismic Profiling Ve يمكن أيضاً استخدام أنواع أخرى من البيانات مثل قياسات عينات التكوين ؛ على سبيل المثال ؛ قطع الحفر أو حشوات الجدار الجانبي . ويمكن Lal أن تشمل بيانات الإدخال قياسات مأخوذة من سطح الأرض ؛» على سبيل المثال ؛ بيانات الزلازل ( البيانات السيزمية) ؛ التي يمكن أن تمثل العمق المتصل بواسطة بيانات سجل الحفر . وبطريقة مشابهة ؛ يمكن أن تكون البيانات المستهدفة الفعلية المستخدمة في الالتوجيه عبارة عن ض ve بيانات من أكثر من أداة سبر واحدة و/ أو يمكن أن تشمل بيانات غير حفرية Jie البيانات الزلازلية (السيزمية) . ويمكن dually أن تكون القياسات المستهدفة المتنباً بها عبارة عن أنواع من القياسات المقاسة عيارياً بواسطة أية أداة سبر أو بيانات مقاسه عيارياً بواسطة وسائل أخرى ؛ مثل مقياس الزلازل. يمكن تطبيق بديل آخر من أجل تقنيات التجميع (شاملة التخطيط ذاتي التتظيم) كما #٠ هو مطبق على القياسات المسطحية و/ أو تحت السطحية عبارة عن تحديد هوية السحنة facies identification . ويمكن أن يكون تحديد هوية السحنة من بيانات السبر عبارة عن ناتج شديد الأهمية من تلك التقنيات فيما يتصل بطباعة النموذج الصخري الموجه للكسور
Yo « petrophysical analysis التحليل البتروفيزيائي » rock typing for fracture stimulation design permeability determination for fluid flow قياس النفانية لخصائص تدفق المائع subsurface reservoir و فهم الخصائص التحت سطحية للخزان ) المستودع) « characteristic وسوف يتم جمع/ تنظيم تجميع قياسات بيانات الإدخال متعددة الأبعاد لتلك . properties معرفة المشغل Lad القياسات بطريقة ما للحصول على الأهمية الجيولوجية وبهذا ٠ بمخزونات الإنتاج. الحقول الحاملة للهيدروكربونات Baal يقدم الاختراع الحالي مرونة جديدة في تطوير و وعلى سبيل المثال ؛ يمكن أن تدعو إلى خطة . gas والغاز oil ؛ مثلاً ؛ البترول hydrocarbon لحفر مجموعة من الآبار ؛ مثلاً ؛ خمسين بئر داخل تكوينات الإنتاج في Jin لتطوير أي الحقل . ولأسباب متنوعة ؛ فإن مثل تلك المناقشفة في قسم الخلفية أعلاه ؛ يمكن أن ٠ يكون مرغوباً جداً قصر سبر بيانات الحفر المكشوفة على فقط جزء من الخمسين بثر ؛ على سبيل المثال يمكن أن تكون فقط عشرة أو عدد أقل من عشرة آبار . وبعد حفر وتكسية الآبار يمكن تشغيل سجلات الحفر المغطاة ؛ على سبيل المثال ؛ السجلات النيوترونية النابضة ٠ في كل آبار الحقل . ويمكن بعد ذلك استخدام بضعة سجلات حفر مكشوفة مع سجلات ٠ من نفس الآبار على شسكل بيانات الالتوجيه وفقاً للاختراع Aan) الحفر المغطاة بالتكسية ٠ شبكة عمل عصبية مركبة ؛ التي تمثل تمثيل للحقل Af الحالي لتطوير نموذج ما ؛ مثلاً ؛ كاملاً . ويمكن بعد ذلك استخدام النموذج لإنتاج سجلات حفر مكشوفة مركبة موجه لكل الآبار في الحقل ؛ أو على الأقل تلك التي ليس لديها سجلات فعلية للحفر المكشوفة ؛ بواسطة إدخال بيانات سجل الحفر المغطاة في النموذج. الاختراع Use Ye يطبق الاختراع الحالي هدف يختص بطريقة التجميع . وفي تلك الطريقة الجديدة ؛ لم يكن الهدف هو تطوير طريقة تجميع نظرية جديدة . وبدلاً من ذلك ؛ فقد تم اختيار ودمج ١١١ه
طرق التجميع لتحقيق هدفاً محدداً . ويقدم هذا الاختراع لوغاريتم يعتمد على التحليل التجميعي من أجل وضع النماذج البيانية المتشابهة على نحو ذي كفاءة ؛ وتقدم نتائج قابلة للتفسير ؛ وشاملة ؛ وقابلة للاستخدام من أجل اختيار عينات التوجيه في شبكة العمل العصبية. الاختراع الحالي يوفر متطلبات منخفضة الذاكرة . ومن أجل جعل لوغاريتم algorithm ٠ التجمع البياني مناسباً للمجموعات Ald الكبيرة ؛ فإنه يتم إدخال طرق تجزئة البيانات وطرق دمج الطراز الأولي في هذا اختراع وينتج عنها متطلبات منخفضة الذاكرة . ويمكن بعد ذلك تحديد إستراتيجية اختيار عينات توجيه NN على نحو حاسم من نماذج توزيع الكثافة وأهمية نماذج البيانات . ويسهل ذلك من التخلص من البيانات الزائدة والبيانات غير الهامة ؛ ويتيح استخدام بعض اللوغاريتمات القوية للتوجيه ولكن التي تكون محددة الذاكرة على ٠ مجموعة البيانات المختارة id من أجل تطوير النموذج الحقلي. يقدم الاختراع قدرة تشخيص محسنة . تشخيص المشكلة يمثل التحدي عند التتقيب على البيانات . وفي هذا الاختراع ؛ يتم عرض البيانات عالية الأبعاد في مستوى س - ص 72-7 لعرض علاقة تخطيط المدخلات / النواتج في التجمع المشابه . ويجعل ذلك التقييم المسبق للنموذجي LD قبل توجيه و تنظيم شبكة العمل العصبية ؛ ويسهل على المستخدم وضع ve الخطة التمهيدية ؛ لإعادة اختيار معايير الإدخال ؛ وإعادة إستقصاء طريقة المعالجة السابقة . وبالإضافة لذلك ؛ فهي تجعل الاختيار المبتكر للبيانات الجديدة عمليا بواسطة استخدام نفس إطار العمل للتحليل التجميعي. يشمل الاختراع الحالي صنع القرار الموفق بالتوجيه المباشر . وبخلاف الممارسة الشائعة لوضع النسبة المئوية الثابتة لأجمالي البيانات في مجموعة التوجيه ؛ فإن الطريقة الجديدة ٠ تتضمن نظام توجيه مباشر للمساعدة في صنع القرار عند اختيار عينات التوجيه . ويتم Ao yaad العضوية للمدخلات والمخرجات الموجهة (ald) بالاعتماد على النتائج YYve
لو الإحصائية للتحليل التجميعي + والتي تمثل المشكلة المتصلة ويمكن أن تهياً ديناميكياً dynamically عندما يتم تغير الإحصائيات التجميعية. من الواضح أنه يمكن إجراء التغيرات المتنوعة في الجهاز والطرق المناقشة سلفا ؛ بدو الخروج عن المقصد من الاختراع كما حدد بواسطة عناصر الحماية الملحقة. YYVe
Claims (1)
- YA عناصر_الحماية-١ ١ طريقة للتنبؤ بقياسات سبر logging فتحة بئثر مكشوف open bore hole عن طريق قياسات Jogging yam فعلية لفتحة بئر معالجة بالتكسية 8860؛تشمل على:Y - جمع قياسات سبر Jogging فتحة yi مكشوفة open hole لفتحة البتئر bore hole ؛ و¢ - جمع قياسات سبر Jogging فتحة بثر معالج بالتكسية cased لفتحة ull ؛ و° - تقسيم قياسات سبر logging فتحة البئر المعالجة بالتكسية cased لعدة مجموعات ؛1 - ربط كل قياس سبر logging فتحة بئر المعالجة بالتكسية cased وقياسات السبر logging v المناظرة لفتحة al المكشوفة ؛ ض8 - القيام بتحليل قياسات سبر Jogging فتحة بئر المعالجة بالتكسية cased وقياسات السبر q ع:عع: 1 المناظطرة لفتحة البئر المكشوفة لكل مجموعة cluster ¢٠ - اختيار النسبة المئوية لقياسات سبر logging فتحة بئر المعالجة بالتكسية cased وقياسات VY السبر Jogging المناظرة لفتحة Ad) المكشوفة لكل مجموعة cluster بالاعتماد على نتائج ٠" التحاليل؛ VY - توجيه training نموذج تنبؤ بالقياسات المختارة ؛ واستخدام نموذج التنبؤ الموجه للقيام " بالتنيؤ بقياسات سبر logging فتحة بئر مكشوفة open hole logging استجابة لقياسات سبر Jogging Vo فتحة بثر معالج بالتكسية cased .١ ؟- طريقة وفقاً لعنصر الحماية رقم ١ ؛ Cum تشتمل خطوة القيام بالتحليل على:Y تخطيط قياسات سبر Jogging فتحة ll المعالجة بالتكسية cased وقياسات مناظرة لسبر ¥ فتحة logging yu مكشوفة open hole لكل مجموعة cluster ¢¢ -الكشف النظري على كل مخطط ؛ وYYVeYqo -اختيار البيانات من JS مجموعة cluster بالاعتماد على الكشف النظري. ١ “- طريقة وفقاً لعنصر الحماية رقم ١ ؛ حيث تشتمل خطوة القيام بالتحليل على أداء تحليل v إحصائي لقياسات logging yaw فتحة بئر معالج بالتكسية cased وقياسات السبر logging v المناظرة لفتحة البثر المكشوفة open hole لكل مجموعة clusterisly . ١ ؟- طريقة وفقاً لعنصر الحماية رقم 7 ؛ حيث تشتمل إضافياً على معالجة نتائج التحليل v المجموعات البيانية clusters الثانوية. ١ 0 طريقة وفقاً لعنصر الحماية رقم ١ ؛ حيث تشتمل خطوة تقسيم قياسات سبر v 8 فتحة Ad) المعالجة بالتكسية cased إلى مجموعة من المجموعات clusters البيانية v على: ¢ - تقسيم قياسات سبر Jogging فتحة البثر المعالج بالتكسية cased في تعدد من المجموعات ° الفرعية الأولى ‘ + - تقسيم كل من المجموعات الفرعية الأولى إلى تعدد من مجموعة Ul cluster الأولى ٠ 0 -إنتاج مجموعة cluster أولى من الطرز الأولية وكل Jia lie واحد من ic gana atl clusters A الأولى + و 1 - تقسيم المجموعة الأولى من الطرز الأولية إلى عدد من مجموعة البيانات clusters 0 الثانوية.YYVeYo ١ - طريقة وفقاً لعنصر الحماية رقم © ؛ حيث تشتمل إضافيا على تحديد لكل من قياسسات Y سبر فتحة logging بئر معالج بالتكسية cased إلى واحد من مجموعة البياناتوديد1ه 7 الثانوية. ١ "- طريقة وفقاً لعنصر الحماية رقم ١ ؛ حيث يكون نموذج التنبؤ عبارة عن شبكة خطوط.artificial neural network عصبية اصطناعية Y ١ - طريقة وفقا لعنصر الحماية رقم ١ ؛ حيث تكون قياسات سبر Jogging فتحة yi معالجة pulsed النيوترونات النابضة logging tool سبر Bly عبارة عن نتائج cased بالتكسية Y.neutron 7 ll فتحة logging طريقة وفقاً لعنصر الحماية رقم 0 خيث تشتمل قياسات سبر -9 ١ 060000 على قياسات تمتل واحداً 0 أكثر من مسامية النيوترون open borehole المكشوفة Y 1 وكثافة التكوين ؛ ومقاومة الأعماق. -٠ ١ طريقة لإنتاج سجل صناعي (مركب) لواحد على الأقل من المعايير الجيوفيزيائية geophysical لبئر ما ءو تشتمل على: 1 - جمع سجل أول لعدد_ من المعايير الجيوفيزيائية geophysical ؛ من بينهما معيار جيوفيزيائي geophysical ¢ واحد على الأقل ؛ في بثر أول ٠ ويشتمل السجل على عدد من عينات البيانات ° متعددة الأبعاد ؛ و a 1 تقسيم عينة البيانات إلى مجموعة من التجمعات البيانية بالاعتماد على معايير جيوفيزيائتية geophysical 13 كان معيار جيوفيزيائي geophysical واحد على الأقل ؛ و YYVe١ و « cluster ic jana -اختيار البيانات من كل A نموذج 500 بواسطة البيانات المختارة ؛ و training توجيه - 9 و «geophysical -جمع سجل ثاني لمجموعة من المعايير الجيوفيزيائية ٠ في بثر ثاني ؛ و ٠ واحد على الأقل geophysical -استبعاد معيار جيوفيزيائي ١١ -إدخال السجل الثاني في نموذج التنبؤ لإنتاج سجل صناعي (مركب) لعلي الأقل معيار yy واحد بالنسبة للبئر الثاني. geophysical لل جيوفيزيائي ؛ حيث تشتمل إضافيا على تحليل البيانات في ٠١ طريقة وفقاً لعنصر الحماية رقم -١١ ١ cluster كل مجموعة بيانية Y ؛ حيث تشتمل إضافيا على أداء تحليل البيانات ١١ طريقة وفقاً لعنصر الحماية رقم -١ ١ cluster في كل مجموعة بيانية تشتمل إضافيا على: Cum ؛ ٠١ طريقة وفقاً لعنصرالحماية رقم -١" ١ و «cluster -تخطيط البيانات في كل مجموعة Y -الكشف النظري عن المخططات للبيانات. y ؛ حيث تشتمل إضافيا على التعرف على نوعية ١١ طريقة وفقاً لعنصر الحماية رقم 1 ١ cluster التكوين الممثلة بواسطة المجموعة Y ¢ واحد على الأقل لبثر geophysical طريقة إنتاج قيمة مركبة لمعيار جيوفيزيائي V0 ١ : : تشتما 1 على iy YYYVeYY ؛ تحتوي على geophysical معاير جيوفيزيائية clustersie same -جمع عينة بيانات أولى من - ' واحد على الأقل ؛ تتعلق ببئر أول ؛ و geophysical معيار جيوفيزيائي : اعتمادا على المعايير clusters -تقسيم عينة البيانات الأولى إلى مجموعات ° إلا إذا كان معيار جيوفيزيائي واحد على الأقل .و -اختيار geophysical الجيوفيزيائية 1 ؛ و clusters البيانات من كل مجموعة v نموذج تتبؤٌ بواسطة البيانات المختارة ؛ و training توجيه - A مع استبعاد + geophysical -جمع عينة البيانات الثانية من مجموعة المعاير الجيوفيزيائية 1 ثاني ؛ و Si يتصل Led الواحد على الأقل؛ geophysical المعيار الجيوفيزيائي - '' synthetic -إدخال عينة البيانات الثانية في النموذج التنبؤي لإنتاج قيمة افتراضية 1 الثاني. al الواحد على الأقل geophysical لمعيار جيوفيزيائي ٠ طريقة وفقاً لعنصر الحماية رقم 15 ؛ حيث تشتمل مجموعة عينات البيانات - ١ logging مقاسه اعتياديا بواسطة سبر geophysical الأولى على معايير جيوفيزيائية cased فتحة بثر معالج بالتكرية Jogging فتحة البثر المكشوفة وبواسطة سبر ¥ في البثر. ¢ طريقة وفقاً لعنصر الحماية رقم 10 ؛ حيث تشتمل مجموعة عينات البيانات الأولى على -١١ ! seismic data بيانات عن الهزات الأرضية (الموجات السيزمية) Y طريقة وفقاً لعنصر الحماية رقم 10 حيث تشتمل مجموعة البيانات الأولى على - ١ sidewall core data (كور) للجدار الجانبي ald بيانات YYYVeYY طريقة وفقاً لعنصر الحماية رقم 15 ؛ حيث تشتمل مجموعة البيانات الأولى على —) 4 ١ .carbon oxygen logging البيانات المجمعة بواسطة سبر الكربون والأكسجين Y طريقة وفقاً لعنصرالحماية رقم 15 ؛ حيث تشتمل على: —Y ١ و + geophysical استخدام المجموعات البيانية للتعرف على أنواع الأوجه الجيولوجية v نماذج تنبو منتفصلة لكل نوع من الأوجه. training <توجيه v واحد على الأقل geophysical لمعيار جيوفيزيائي synthetic جهاز لإنتاج قيم افتراضية -7١ ١ بواسطة: trained يشتمل على نموذج تنبؤٌ موجه ¢ il 7 ؛ تحتوي على geophysical -جمع عينة بيانات أولى من مجموعة من معايير جيوفيزيائية 3 أول ؛ و iw واحد على الأقل ؛ تتعلق geophysical معيار جيوفيزيائي 1 geophysical -تقسيم عينة البيانات الأولى إلى مجموعات اعتمادا على المعايير الجيوفيزيائيية واحد على الأقل ؛ و geophysical إلا إذا كان معيار جيوفيزيائي 1 و «cluster de gana JS -اختيار البيانات من 7 للمعيار الجيوفيزيائي synthetic نموذج التنبؤ لإنتاج قيمة افتراضية training -توجيه A « geophysical الواحد على الأقل استجابة لجميع مدخلات المعايير الجيوفيزيقية geophysical 9 . الواحد على الأقل geophysical عدا المعيار الجيوفيزيائي 0 حيث يشتمل نموذج التتبؤ على شبكة خطوط YY لعنصر الحماية رقم lay جهاز -7" \ .artificial neural network عصبية اصطناعية Y YYVeY¢YY ١ ~ جهاز وفقاً لعنصر الحماية رقم 7١ ؛ حيث يشتمل نموذج التتبؤ على كود 7 كمبيوتر .computer code١ 4- جهاز تخزين برنامج قابل للقراءة بواسطة آله ما ؛ يجسد برنامجاً من الإرشادات Y القابلة للتنفيذ بواسطة الآلة لاستقبال مجموعة من المعايير الجيوفيزيائيه iid) geophysical Y في أي بئر وإنتاج معيار جيوفيزيائي geophysical واحد على الأقل لبثر ماء؛ ويشتمل ¢ البرنامج على نموذج تنبؤٌ موجه trained بواسطة:0 - جمع عينة بيانات أولى من مجموعة معايير جيوفيزيائية geophysical ؛ تحتوي على معيار 1 جيوفيزيائي geophysical واحد على الأقل ؛ تتعلق iw أول + ول -تقسيم عينة البيانات الأولى إلى مجوعات اعتمادا على المعايير الجيوفيزيائية geophysical إلا A إذا كان معيار جيوفيزيائي geophysical واحد على الأقل ؛ و«cluster مجموعة JS -اختيار البيانات من qVa -توجيه «training #35 التنبؤ لإنتاج قيمة افتراضية . synthetic للمعيار الجيوفيزياقي geophysical ١ الواحد على الأقل استجابة لجميع مدخلات مجموعة المعايير الجيوفيزيائتية ا geophysical عدا المعيار الجيوفيزيائي geophysical الواحد على الأقل ٠١ 5- جهاز وفقاً لعنصرالحماية رقم 6 ؛ حيث يشتمل نموذج التنبؤ على شبكة خطوط عصبية Y اصطناعية .artificial neural network YYVe
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US43825903P | 2003-01-06 | 2003-01-06 | |
| US10/393,641 US8374974B2 (en) | 2003-01-06 | 2003-03-21 | Neural network training data selection using memory reduced cluster analysis for field model development |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| SA04250006A SA04250006A (ar) | 2005-12-03 |
| SA04250006B1 true SA04250006B1 (ar) | 2009-09-02 |
Family
ID=32684775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| SA4250006A SA04250006B1 (ar) | 2003-01-06 | 2004-02-24 | اختيار بيانات توجيه شبكة خطوط عصبية باستخدام التحليل التجميعي المختزل للذاكرة لتطوير نموذج حقلي |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US8374974B2 (ar) |
| AU (1) | AU2003299896A1 (ar) |
| BR (1) | BR0317938A (ar) |
| CA (1) | CA2512640C (ar) |
| GB (1) | GB2411503B (ar) |
| MX (1) | MXPA05007294A (ar) |
| SA (1) | SA04250006B1 (ar) |
| WO (1) | WO2004063769A2 (ar) |
Families Citing this family (127)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6574565B1 (en) * | 1998-09-15 | 2003-06-03 | Ronald R. Bush | System and method for enhanced hydrocarbon recovery |
| US6736089B1 (en) * | 2003-06-05 | 2004-05-18 | Neuco, Inc. | Method and system for sootblowing optimization |
| US7194320B2 (en) * | 2003-06-05 | 2007-03-20 | Neuco, Inc. | Method for implementing indirect controller |
| AU2003236594A1 (en) | 2003-07-09 | 2005-01-28 | Raptor International Holdings Pty Ltd | Method and system of data analysis using neural networks |
| US20050135568A1 (en) * | 2003-12-23 | 2005-06-23 | Sigang Qiu | Efficient and reduced-complexity training algorithms |
| US8214271B2 (en) | 2004-02-04 | 2012-07-03 | Neuco, Inc. | System and method for assigning credit to process inputs |
| GB2413403B (en) * | 2004-04-19 | 2008-01-09 | Halliburton Energy Serv Inc | Field synthesis system and method for optimizing drilling operations |
| US20070214133A1 (en) * | 2004-06-23 | 2007-09-13 | Edo Liberty | Methods for filtering data and filling in missing data using nonlinear inference |
| WO2006026479A2 (en) * | 2004-08-27 | 2006-03-09 | Neuco, Inc. | Method and system for sncr optimization |
| US7130770B2 (en) * | 2004-09-09 | 2006-10-31 | International Business Machines Corporation | Monitoring method and system with corrective actions having dynamic intensities |
| WO2006047623A2 (en) * | 2004-10-25 | 2006-05-04 | Neuco, Inc. | Method and system for calculating marginal cost curves using plant control models |
| US7359845B2 (en) * | 2004-11-12 | 2008-04-15 | Baker Hughes Incorporated | Method and system for predictive stratigraphy images |
| US7778811B2 (en) * | 2004-11-12 | 2010-08-17 | Baker Hughes Incorporated | Method and system for predictive stratigraphy images |
| US7403928B2 (en) * | 2005-02-03 | 2008-07-22 | Siemens Power Transmission & Distribution, Inc. | Identify data sources for neural network |
| US10127130B2 (en) | 2005-03-18 | 2018-11-13 | Salesforce.Com | Identifying contributors that explain differences between a data set and a subset of the data set |
| US8782087B2 (en) | 2005-03-18 | 2014-07-15 | Beyondcore, Inc. | Analyzing large data sets to find deviation patterns |
| US7613665B2 (en) * | 2005-06-24 | 2009-11-03 | Halliburton Energy Services, Inc. | Ensembles of neural networks with different input sets |
| US7587373B2 (en) * | 2005-06-24 | 2009-09-08 | Halliburton Energy Services, Inc. | Neural network based well log synthesis with reduced usage of radioisotopic sources |
| US20070022142A1 (en) * | 2005-07-20 | 2007-01-25 | International Business Machines Corporation | System and method to generate domain knowledge for automated system management by combining designer specifications with data mining activity |
| US8436219B2 (en) * | 2006-03-15 | 2013-05-07 | Exxonmobil Upstream Research Company | Method of generating a non-plugging hydrate slurry |
| US7725411B2 (en) * | 2006-04-03 | 2010-05-25 | Nokia Corporation | Method, apparatus, mobile terminal and computer program product for providing data clustering and mode selection |
| US7817084B2 (en) | 2006-08-23 | 2010-10-19 | Qualcomm Incorporated | System and/or method for reducing ambiguities in received SPS signals |
| US7983885B2 (en) | 2006-12-29 | 2011-07-19 | Terratek, Inc. | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity |
| US8065244B2 (en) | 2007-03-14 | 2011-11-22 | Halliburton Energy Services, Inc. | Neural-network based surrogate model construction methods and applications thereof |
| WO2009015252A2 (en) * | 2007-07-26 | 2009-01-29 | Schlumberger Canada Limited | System and method for estimating formation characteristics in a well |
| CN101802347B (zh) | 2007-09-25 | 2013-07-03 | 埃克森美孚上游研究公司 | 管理水下出油管中的水合物的方法 |
| US8340824B2 (en) | 2007-10-05 | 2012-12-25 | Neuco, Inc. | Sootblowing optimization for improved boiler performance |
| US20090112533A1 (en) * | 2007-10-31 | 2009-04-30 | Caterpillar Inc. | Method for simplifying a mathematical model by clustering data |
| US20090182693A1 (en) * | 2008-01-14 | 2009-07-16 | Halliburton Energy Services, Inc. | Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm |
| US8200465B2 (en) * | 2008-06-18 | 2012-06-12 | Terratek Inc. | Heterogeneous earth models for a reservoir field |
| US9514388B2 (en) * | 2008-08-12 | 2016-12-06 | Halliburton Energy Services, Inc. | Systems and methods employing cooperative optimization-based dimensionality reduction |
| US20100076740A1 (en) * | 2008-09-08 | 2010-03-25 | Schlumberger Technology Corporation | System and method for well test design and interpretation |
| AU2009353039B2 (en) * | 2009-09-28 | 2012-07-05 | Halliburton Energy Services. Inc. | Systems and methods for downhole fluid typing with pulsed neutron logging |
| US8949173B2 (en) * | 2009-10-28 | 2015-02-03 | Schlumberger Technology Corporation | Pay zone prediction |
| EP2564309A4 (en) | 2010-04-30 | 2017-12-20 | Exxonmobil Upstream Research Company | Method and system for finite volume simulation of flow |
| EP2599029A4 (en) | 2010-07-29 | 2014-01-08 | Exxonmobil Upstream Res Co | METHODS AND SYSTEMS FOR AUTOMATIC LEARNING FLOW SIMULATION |
| EP2599032A4 (en) | 2010-07-29 | 2018-01-17 | Exxonmobil Upstream Research Company | Method and system for reservoir modeling |
| AU2011283193B2 (en) | 2010-07-29 | 2014-07-17 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
| US9058446B2 (en) | 2010-09-20 | 2015-06-16 | Exxonmobil Upstream Research Company | Flexible and adaptive formulations for complex reservoir simulations |
| US8717023B2 (en) * | 2011-04-21 | 2014-05-06 | Mark Griswold | Relaxometry quantification self-justification fitting |
| US9576252B2 (en) * | 2011-04-29 | 2017-02-21 | Accenture Global Services Limited | Test operation and reporting system |
| US8626791B1 (en) * | 2011-06-14 | 2014-01-07 | Google Inc. | Predictive model caching |
| US9519865B2 (en) * | 2011-06-24 | 2016-12-13 | Halliburton Energy Services, Inc. | Apparatus and methods of analysis of pipe and annulus in a wellbore |
| GB2507897B (en) * | 2011-07-20 | 2017-06-07 | Halliburton Energy Services Inc | Method and system of determining a value indicative of gas saturation of a formation |
| CA2843929C (en) | 2011-09-15 | 2018-03-27 | Exxonmobil Upstream Research Company | Optimized matrix and vector operations in instruction limited algorithms that perform eos calculations |
| US8918288B2 (en) * | 2011-10-14 | 2014-12-23 | Precision Energy Services, Inc. | Clustering process for analyzing pressure gradient data |
| US10796232B2 (en) | 2011-12-04 | 2020-10-06 | Salesforce.Com, Inc. | Explaining differences between predicted outcomes and actual outcomes of a process |
| US10802687B2 (en) | 2011-12-04 | 2020-10-13 | Salesforce.Com, Inc. | Displaying differences between different data sets of a process |
| WO2013085521A1 (en) | 2011-12-08 | 2013-06-13 | Halliburton Energy Services, Inc. | Permeability prediction systems and methods using quadratic discriminant analysis |
| WO2013137886A1 (en) * | 2012-03-15 | 2013-09-19 | Hewlett-Packard Development Company, L.P. | Two-level chunking for data analytics |
| US9043255B2 (en) | 2012-05-09 | 2015-05-26 | International Business Machines Corporation | Optimally configuring an information landscape |
| EP2856387B1 (en) | 2012-05-30 | 2023-03-08 | Landmark Graphics Corporation | System and method for reservoir simulation optimization |
| US20140025301A1 (en) * | 2012-07-20 | 2014-01-23 | Bruce H. Storm, Jr. | Determination of subsurface properties of a well |
| AU2013324162B2 (en) | 2012-09-28 | 2018-08-09 | Exxonmobil Upstream Research Company | Fault removal in geological models |
| US20160035238A1 (en) * | 2013-03-14 | 2016-02-04 | Educloud Co. Ltd. | Neural adaptive learning device using questions types and relevant concepts and neural adaptive learning method |
| DK177915B1 (en) * | 2013-05-28 | 2015-01-05 | Core As | Process control method |
| CA2909170C (en) | 2013-06-10 | 2020-02-18 | Exxonmobil Upstream Research Company | Determining well parameters for optimization of well performance |
| US10689965B2 (en) * | 2013-08-26 | 2020-06-23 | Repsol, S.A. | Field development plan selection system, method and program product |
| US11068796B2 (en) * | 2013-11-01 | 2021-07-20 | International Business Machines Corporation | Pruning process execution logs |
| US11023820B2 (en) | 2014-02-06 | 2021-06-01 | University Of Massachusetts | System and methods for trajectory pattern recognition |
| US9939548B2 (en) | 2014-02-24 | 2018-04-10 | Saudi Arabian Oil Company | Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells |
| AU2014384715B2 (en) * | 2014-02-28 | 2017-11-23 | Landmark Graphics Corporation | Facies definition using unsupervised classification procedures |
| WO2015138048A1 (en) | 2014-03-12 | 2015-09-17 | Exxonmobil Upstream Research Company | System and method for inhibiting hydrate film growth on tubular walls |
| US9852373B2 (en) * | 2014-06-02 | 2017-12-26 | Westerngeco L.L.C. | Properties link for simultaneous joint inversion |
| US9501740B2 (en) | 2014-06-03 | 2016-11-22 | Saudi Arabian Oil Company | Predicting well markers from artificial neural-network-predicted lithostratigraphic facies |
| US10242312B2 (en) | 2014-06-06 | 2019-03-26 | Quantico Energy Solutions, Llc. | Synthetic logging for reservoir stimulation |
| JP2017529590A (ja) * | 2014-07-30 | 2017-10-05 | サイオス テクノロジー コーポレーションＳｉｏｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｒｐｏｒａｔｉｏｎ | グラフ理論を用いたアプリケーション、仮想化およびクラウド・インフラストラクチャ・リソースの集中型分析 |
| US20160115775A1 (en) | 2014-10-22 | 2016-04-28 | Michael W. Eaton | Entraining Hydrate Particles in a Gas Stream |
| AU2015339883B2 (en) | 2014-10-31 | 2018-03-29 | Exxonmobil Upstream Research Company | Methods to handle discontinuity in constructing design space for faulted subsurface model using moving least squares |
| AU2015339884B2 (en) | 2014-10-31 | 2018-03-15 | Exxonmobil Upstream Research Company | Handling domain discontinuity in a subsurface grid model with the help of grid optimization techniques |
| CN104376420A (zh) * | 2014-11-20 | 2015-02-25 | 中国石油天然气股份有限公司 | 有水气藏气井见水风险评价方法及评价装置 |
| BR112017010684B1 (pt) | 2014-12-29 | 2022-01-25 | Halliburton Energy Services, Inc | Métodos de linearização de sensor cruzado |
| US9619753B2 (en) | 2014-12-30 | 2017-04-11 | Winbond Electronics Corp. | Data analysis system and method |
| CN105894087A (zh) * | 2015-01-26 | 2016-08-24 | 华为技术有限公司 | 用于神经网络中训练参数集的系统和方法 |
| US10415362B1 (en) | 2015-06-08 | 2019-09-17 | DataInfoCom USA Inc. | Systems and methods for analyzing resource production |
| CA2961466A1 (en) * | 2016-04-01 | 2017-10-01 | Wal-Mart Stores, Inc. | Systems and methods of controlling quantities of denominations of currency at a retail shopping facility |
| US11687603B2 (en) | 2016-04-29 | 2023-06-27 | Microsoft Technology Licensing, Llc | Ensemble predictor |
| US10409789B2 (en) | 2016-09-16 | 2019-09-10 | Oracle International Corporation | Method and system for adaptively imputing sparse and missing data for predictive models |
| US11320565B2 (en) * | 2016-10-13 | 2022-05-03 | Schlumberger Technology Corporation | Petrophysical field evaluation using self-organized map |
| US10891311B2 (en) | 2016-10-14 | 2021-01-12 | Red Hat, Inc. | Method for generating synthetic data sets at scale with non-redundant partitioning |
| WO2018084852A1 (en) | 2016-11-04 | 2018-05-11 | Halliburton Energy Services, Inc. | Automated downhole fluid classification using principal spectroscopy component data |
| CN106529042B (zh) * | 2016-11-14 | 2019-12-31 | 重庆科技学院 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
| EP3552048A1 (en) * | 2016-12-12 | 2019-10-16 | Services Petroliers Schlumberger | Augmented geological service characterzation |
| CN108228674B (zh) * | 2016-12-22 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 一种基于dkt的信息处理方法及装置 |
| US10997492B2 (en) | 2017-01-20 | 2021-05-04 | Nvidia Corporation | Automated methods for conversions to a lower precision data format |
| US10769193B2 (en) | 2017-06-20 | 2020-09-08 | International Business Machines Corporation | Predictive model clustering |
| CN107247259B (zh) * | 2017-07-10 | 2020-04-14 | 西安电子科技大学 | 基于神经网络的k分布海杂波形状参数估计方法 |
| WO2019075250A1 (en) | 2017-10-11 | 2019-04-18 | Beyond Limits, Inc. | ENGINE OF RECOMMENDATIONS FOR A COGNITIVE TANK SYSTEM |
| US20210181370A1 (en) * | 2017-10-30 | 2021-06-17 | Schlumberger Technology Corporation | System and method for automatic well log depth matching |
| US11562243B2 (en) | 2017-11-17 | 2023-01-24 | Meta Platforms, Inc. | Machine-learning models based on non-local neural networks |
| US11810340B2 (en) | 2017-11-29 | 2023-11-07 | International Business Machines Corporation | System and method for consensus-based representation and error checking for neural networks |
| CN108133272A (zh) * | 2018-01-15 | 2018-06-08 | 大连民族大学 | 一种复杂网络社区检测的方法 |
| US20190220737A1 (en) * | 2018-01-17 | 2019-07-18 | Hengshuai Yao | Method of generating training data for training a neural network, method of training a neural network and using neural network for autonomous operations |
| US11688160B2 (en) | 2018-01-17 | 2023-06-27 | Huawei Technologies Co., Ltd. | Method of generating training data for training a neural network, method of training a neural network and using neural network for autonomous operations |
| KR102176335B1 (ko) | 2018-02-07 | 2020-11-10 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템 |
| CN110321911B (zh) * | 2018-03-30 | 2021-08-24 | 中国石油化工股份有限公司 | 一种油品质量群落分析系统 |
| CN110334721B (zh) * | 2018-03-30 | 2021-08-24 | 中国石油化工股份有限公司 | 一种基于大数据的油品质量分析系统 |
| CN112020738B (zh) * | 2018-04-23 | 2022-09-27 | 陈浩能 | 产品监测的方法和装置 |
| US11023722B2 (en) | 2018-07-11 | 2021-06-01 | International Business Machines Corporation | Data classification bandwidth reduction |
| CN108952699B (zh) * | 2018-07-30 | 2021-07-13 | 中国地质大学（武汉） | 一种复杂地质钻进过程地层岩性智能识别方法 |
| US11341034B2 (en) | 2018-08-06 | 2022-05-24 | International Business Machines Corporation | Analysis of verification parameters for training reduction |
| WO2020065365A1 (en) * | 2018-09-25 | 2020-04-02 | Cgg Services Sas | Automatically detecting and correcting anomalies in log data |
| US10626817B1 (en) * | 2018-09-27 | 2020-04-21 | General Electric Company | Control and tuning of gas turbine combustion |
| CN109325470B (zh) * | 2018-10-24 | 2021-09-03 | 山西潞安环保能源开发股份有限公司 | 基于瓦斯浓度参数的井下工作面作业类型智能识别方法 |
| CN109426813B (zh) * | 2018-11-02 | 2022-06-24 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
| US10922584B2 (en) | 2019-01-30 | 2021-02-16 | Walmart Apollo, Llc | Systems, methods, and techniques for training neural networks and utilizing the neural networks to detect non-compliant content |
| US10810726B2 (en) | 2019-01-30 | 2020-10-20 | Walmart Apollo, Llc | Systems and methods for detecting content in images using neural network architectures |
| US20220172139A1 (en) * | 2019-03-15 | 2022-06-02 | 3M Innovative Properties Company | Operating a supply chain using causal models |
| CN110084277B (zh) * | 2019-03-29 | 2021-03-05 | 广州思德医疗科技有限公司 | 一种训练集的拆分方法及装置 |
| CN110132598B (zh) * | 2019-05-13 | 2020-10-09 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
| US11531875B2 (en) | 2019-05-14 | 2022-12-20 | Nasdaq, Inc. | Systems and methods for generating datasets for model retraining |
| CN110147614B (zh) * | 2019-05-21 | 2022-02-08 | 华能澜沧江水电股份有限公司 | 一种基于评分差异Stacking多模型集成学习的工程安全评价方法 |
| US20220244419A1 (en) * | 2019-06-14 | 2022-08-04 | Schlumberger Technology Corporation | Machine learning enhanced borehole sonic data interpretation |
| US11537880B2 (en) | 2019-08-12 | 2022-12-27 | Bank Of America Corporation | System and methods for generation of synthetic data cluster vectors and refinement of machine learning models |
| US11531883B2 (en) | 2019-08-12 | 2022-12-20 | Bank Of America Corporation | System and methods for iterative synthetic data generation and refinement of machine learning models |
| US20220327324A1 (en) * | 2019-09-06 | 2022-10-13 | Schlumberger Technology Corporation | Unsupervised well log reconstruction and outlier detection |
| CN112861890B (zh) * | 2019-11-26 | 2024-01-12 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
| US11846748B2 (en) * | 2019-12-16 | 2023-12-19 | Landmark Graphics Corporation, Inc. | Deep learning seismic attribute fault predictions |
| US11758069B2 (en) | 2020-01-27 | 2023-09-12 | Walmart Apollo, Llc | Systems and methods for identifying non-compliant images using neural network architectures |
| US11847559B2 (en) * | 2020-03-04 | 2023-12-19 | HCL America, Inc. | Modifying data cleansing techniques for training and validating an artificial neural network model |
| US11952868B2 (en) | 2020-04-07 | 2024-04-09 | Saudi Arabian Oil Company | Methods for generating synthetic production logs for perforated intervals of a plurality of wells |
| GB2597649B (en) * | 2020-07-06 | 2022-10-19 | Equinor Energy As | Reservoir fluid property estimation using mud-gas data |
| US11593680B2 (en) | 2020-07-14 | 2023-02-28 | International Business Machines Corporation | Predictive models having decomposable hierarchical layers configured to generate interpretable results |
| CN112784480B (zh) * | 2021-01-13 | 2023-08-08 | 西安交通大学 | 一种油液状态自学习量化表征方法、存储介质及设备 |
| CN113431557A (zh) * | 2021-06-09 | 2021-09-24 | 东北石油大学 | 一种基于人工智能的井下井眼轨迹跟踪方法 |
| WO2023191885A1 (en) * | 2022-03-29 | 2023-10-05 | Halliburton Energy Services, Inc. | Automated cluster selection for downhole geosteering applications |
| CN115348198B (zh) * | 2022-10-19 | 2023-03-21 | 中国电子科技集团公司第三十研究所 | 基于特征检索的未知加密协议识别分类方法、设备及介质 |
Family Cites Families (69)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US147695A (en) * | 1874-02-17 | Improvement in railway-switches | ||
| US4293933A (en) * | 1975-03-17 | 1981-10-06 | Schlumberger Technology Corporation | Well logging apparatus and method: synthetic logs and synthetic seismograms with extrapolated reflector dip from log measurements |
| US3975157A (en) * | 1975-07-21 | 1976-08-17 | Phillips Petroleum Company | Geochemical exploration using isoprenoids |
| FR2520882A1 (fr) * | 1982-02-02 | 1983-08-05 | Schlumberger Prospection | Procede pour la production d'un enregistrement caracteristique notamment du facies des formations geologiques traversees par un sondage |
| US4926488A (en) * | 1987-07-09 | 1990-05-15 | International Business Machines Corporation | Normalization of speech by adaptive labelling |
| US5067164A (en) * | 1989-11-30 | 1991-11-19 | At&T Bell Laboratories | Hierarchical constrained automatic learning neural network for character recognition |
| EP0471857B1 (en) * | 1990-03-12 | 2000-02-02 | Fujitsu Limited | Neuro-fuzzy integrated data processing system; network structure conversion system ; fuzzy model extracting system |
| US5112126A (en) * | 1990-07-27 | 1992-05-12 | Chevron Research & Technology Company | Apparatuses and methods for making geophysical measurements useful in determining the deflection of the vertical |
| US5245696A (en) * | 1990-11-21 | 1993-09-14 | Ricoh Co. Ltd. | Evolution and learning in neural networks: the number and distribution of learning trials affect the rate of evolution |
| US5153155A (en) * | 1990-12-06 | 1992-10-06 | H. C. Spinks Clay Company Inc. | Clay slurry |
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| US5353637A (en) * | 1992-06-09 | 1994-10-11 | Plumb Richard A | Methods and apparatus for borehole measurement of formation stress |
| US5469404A (en) * | 1992-11-12 | 1995-11-21 | Barber; Harold P. | Method and apparatus for seismic exploration |
| JP3335240B2 (ja) * | 1993-02-02 | 2002-10-15 | 富士写真フイルム株式会社 | 画像処理条件設定方法および装置 |
| US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
| US5751915A (en) * | 1993-07-13 | 1998-05-12 | Werbos; Paul J. | Elastic fuzzy logic system |
| US20020177954A1 (en) * | 1994-03-17 | 2002-11-28 | Vail William Banning | Processing formation resistivity measurements obtained from within a cased well used to quantitatively determine the amount of oil and gas present |
| CA2165017C (en) * | 1994-12-12 | 2006-07-11 | Macmillan M. Wisler | Drilling system with downhole apparatus for transforming multiple dowhole sensor measurements into parameters of interest and for causing the drilling direction to change in response thereto |
| US5659667A (en) * | 1995-01-17 | 1997-08-19 | The Regents Of The University Of California Office Of Technology Transfer | Adaptive model predictive process control using neural networks |
| FR2738920B1 (fr) * | 1995-09-19 | 1997-11-14 | Elf Aquitaine | Methode de reconnaissance automatique de facies sismiques |
| WO1997044743A1 (de) * | 1996-05-23 | 1997-11-27 | Siemens Aktiengesellschaft | Verfahren zur optimierung eines fuzzy-regelsatzes durch einen rechner |
| DE19703965C1 (de) * | 1997-02-03 | 1999-05-12 | Siemens Ag | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz |
| DE19703964C1 (de) * | 1997-02-03 | 1998-10-15 | Siemens Ag | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz |
| US5870690A (en) * | 1997-02-05 | 1999-02-09 | Western Atlas International, Inc. | Joint inversion processing method for resistivity and acoustic well log data |
| WO1999001550A1 (en) * | 1997-07-03 | 1999-01-14 | Dana-Farber Cancer Institute | A method for detection of alterations in msh5 |
| US5848379A (en) * | 1997-07-11 | 1998-12-08 | Exxon Production Research Company | Method for characterizing subsurface petrophysical properties using linear shape attributes |
| JPH1185719A (ja) * | 1997-09-03 | 1999-03-30 | Matsushita Electric Ind Co Ltd | パラメータ推定装置 |
| US6466893B1 (en) * | 1997-09-29 | 2002-10-15 | Fisher Controls International, Inc. | Statistical determination of estimates of process control loop parameters |
| US6140816A (en) * | 1997-12-12 | 2000-10-31 | Schlumberger Technology Corporation | Method of determining the permeability of sedimentary strata |
| US6192352B1 (en) * | 1998-02-20 | 2001-02-20 | Tennessee Valley Authority | Artificial neural network and fuzzy logic based boiler tube leak detection systems |
| US6207953B1 (en) * | 1998-04-24 | 2001-03-27 | Robert D. Wilson | Apparatus and methods for determining gas saturation and porosity of a formation penetrated by a gas filled or liquid filled borehole |
| GB9904101D0 (en) | 1998-06-09 | 1999-04-14 | Geco As | Subsurface structure identification method |
| US6236942B1 (en) * | 1998-09-15 | 2001-05-22 | Scientific Prediction Incorporated | System and method for delineating spatially dependent objects, such as hydrocarbon accumulations from seismic data |
| US6476609B1 (en) * | 1999-01-28 | 2002-11-05 | Dresser Industries, Inc. | Electromagnetic wave resistivity tool having a tilted antenna for geosteering within a desired payzone |
| US6163155A (en) | 1999-01-28 | 2000-12-19 | Dresser Industries, Inc. | Electromagnetic wave resistivity tool having a tilted antenna for determining the horizontal and vertical resistivities and relative dip angle in anisotropic earth formations |
| US6748369B2 (en) * | 1999-06-21 | 2004-06-08 | General Electric Company | Method and system for automated property valuation |
| US6295504B1 (en) * | 1999-10-25 | 2001-09-25 | Halliburton Energy Services, Inc. | Multi-resolution graph-based clustering |
| US6976012B1 (en) * | 2000-01-24 | 2005-12-13 | Sony Corporation | Method and apparatus of using a neural network to train a neural network |
| US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
| AU2001247627A1 (en) * | 2000-03-22 | 2001-10-03 | 3-Dimensional Pharmaceuticals, Inc. | System, method, and computer program product for representing object relationships in a multidimensional space |
| US7034701B1 (en) * | 2000-06-16 | 2006-04-25 | The United States Of America As Represented By The Secretary Of The Navy | Identification of fire signatures for shipboard multi-criteria fire detection systems |
| US6560540B2 (en) * | 2000-09-29 | 2003-05-06 | Exxonmobil Upstream Research Company | Method for mapping seismic attributes using neural networks |
| EP1205863A1 (en) * | 2000-11-14 | 2002-05-15 | Honda R&D Europe (Deutschland) GmbH | Multi-objective optimization |
| US6789620B2 (en) * | 2001-02-16 | 2004-09-14 | Halliburton Energy Services, Inc. | Downhole sensing and flow control utilizing neural networks |
| EP1235180A1 (en) * | 2001-02-26 | 2002-08-28 | Honda R&D Europe (Deutschland) GmbH | Parameter adaptation in evolution strategies |
| US20030030637A1 (en) * | 2001-04-20 | 2003-02-13 | Grinstein Georges G. | Method and system for data analysis |
| US6711522B2 (en) * | 2001-04-25 | 2004-03-23 | Fujitsu Limited | Data analysis apparatus, data analysis method, and computer products |
| US7058763B2 (en) * | 2001-05-04 | 2006-06-06 | Lucent Technologies Inc. | File system for caching web proxies |
| US20020178150A1 (en) * | 2001-05-12 | 2002-11-28 | X-Mine | Analysis mechanism for genetic data |
| DE60130742T2 (de) * | 2001-05-28 | 2008-07-17 | Honda Research Institute Europe Gmbh | Mustererkennung mit hierarchischen Netzen |
| US7301338B2 (en) * | 2001-08-13 | 2007-11-27 | Baker Hughes Incorporated | Automatic adjustment of NMR pulse sequence to optimize SNR based on real time analysis |
| US7053787B2 (en) * | 2002-07-02 | 2006-05-30 | Halliburton Energy Services, Inc. | Slickline signal filtering apparatus and methods |
| US20040019427A1 (en) * | 2002-07-29 | 2004-01-29 | Halliburton Energy Services, Inc. | Method for determining parameters of earth formations surrounding a well bore using neural network inversion |
| WO2004090692A2 (en) * | 2003-04-04 | 2004-10-21 | Icosystem Corporation | Methods and systems for interactive evolutionary computing (iec) |
| US6823711B1 (en) | 2003-05-07 | 2004-11-30 | Halliburton Energy Services, Inc. | Static and dynamic calibration of quartz pressure transducers |
| US7814036B2 (en) * | 2003-06-19 | 2010-10-12 | Haliburton Energy Services, Inc. | Processing well logging data with neural network |
| EP1638463A4 (en) * | 2003-07-01 | 2007-11-21 | Cardiomag Imaging Inc | USE OF MACHINE LEARNING FOR CLASSIFICATION OF MAGNETOCARDIOGRAMS |
| EP1557788B1 (en) * | 2004-01-26 | 2008-04-16 | Honda Research Institute Europe GmbH | Reduction of fitness evaluations using clustering technique and neural network ensembles |
| US7280987B2 (en) * | 2004-03-26 | 2007-10-09 | Halliburton Energy Services, Inc. | Genetic algorithm based selection of neural network ensemble for processing well logging data |
| US7672911B2 (en) * | 2004-08-14 | 2010-03-02 | Hrl Laboratories, Llc | Graph-based cognitive swarms for object group recognition in a 3N or greater-dimensional solution space |
| US7599894B2 (en) * | 2005-03-04 | 2009-10-06 | Hrl Laboratories, Llc | Object recognition using a cognitive swarm vision framework with attention mechanisms |
| US7529152B2 (en) * | 2005-05-10 | 2009-05-05 | Schlumberger Technology Corporation | Use of an effective tool model in sonic logging data processing |
| US7613665B2 (en) * | 2005-06-24 | 2009-11-03 | Halliburton Energy Services, Inc. | Ensembles of neural networks with different input sets |
| US7587373B2 (en) * | 2005-06-24 | 2009-09-08 | Halliburton Energy Services, Inc. | Neural network based well log synthesis with reduced usage of radioisotopic sources |
| US7610251B2 (en) * | 2006-01-17 | 2009-10-27 | Halliburton Energy Services, Inc. | Well control systems and associated methods |
| US7823711B2 (en) * | 2006-02-22 | 2010-11-02 | Luk Lamellen Und Kupplungsbau Beteiligungs Kg | Dual clutch pack dual operating clutch and method for adjusting same |
| US7328107B2 (en) * | 2006-04-28 | 2008-02-05 | Kjt Enterprises, Inc. | Integrated earth formation evaluation method using controlled source electromagnetic survey data and seismic data |
| US20080154809A1 (en) * | 2006-10-20 | 2008-06-26 | Genalytics, Inc. | Use and construction of categorical interactions using a rule gene in a predictive model |
| US8065244B2 (en) * | 2007-03-14 | 2011-11-22 | Halliburton Energy Services, Inc. | Neural-network based surrogate model construction methods and applications thereof |
-
2003
- 2003-03-21 US US10/393,641 patent/US8374974B2/en not_active Expired - Fee Related
- 2003-12-23 BR BR0317938-9A patent/BR0317938A/pt not_active Application Discontinuation
- 2003-12-23 GB GB0513280A patent/GB2411503B/en not_active Expired - Fee Related
- 2003-12-23 AU AU2003299896A patent/AU2003299896A1/en not_active Abandoned
- 2003-12-23 CA CA2512640A patent/CA2512640C/en not_active Expired - Fee Related
- 2003-12-23 WO PCT/US2003/041239 patent/WO2004063769A2/en not_active Application Discontinuation
- 2003-12-23 MX MXPA05007294A patent/MXPA05007294A/es active IP Right Grant
-
2004
- 2004-02-24 SA SA4250006A patent/SA04250006B1/ar unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CA2512640C (en) | 2013-12-31 |
| US8374974B2 (en) | 2013-02-12 |
| WO2004063769A3 (en) | 2005-02-17 |
| US20040133531A1 (en) | 2004-07-08 |
| MXPA05007294A (es) | 2005-09-30 |
| BR0317938A (pt) | 2005-11-29 |
| CA2512640A1 (en) | 2004-07-29 |
| AU2003299896A8 (en) | 2004-08-10 |
| GB2411503A (en) | 2005-08-31 |
| AU2003299896A1 (en) | 2004-08-10 |
| WO2004063769A2 (en) | 2004-07-29 |
| SA04250006A (ar) | 2005-12-03 |
| GB2411503B (en) | 2006-12-13 |
| GB0513280D0 (en) | 2005-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| SA04250006B1 (ar) | اختيار بيانات توجيه شبكة خطوط عصبية باستخدام التحليل التجميعي المختزل للذاكرة لتطوير نموذج حقلي | |
| AU2011283109B2 (en) | Systems and methods for predicting well performance | |
| Syed et al. | Application of ML & AI to model petrophysical and geomechanical properties of shale reservoirs–A systematic literature review | |
| US8316934B2 (en) | Isotopic identification of production by individual formations in commingled gas wells | |
| US20190266501A1 (en) | System and method for predicting mineralogical, textural, petrophysical and elastic properties at locations without rock samples | |
| US9519865B2 (en) | Apparatus and methods of analysis of pipe and annulus in a wellbore | |
| BR112015009197B1 (pt) | Método e sistema para realizar uma operação de perfuração | |
| NO334483B1 (no) | Fremgangsmåte for å forenkle gjenkjenning av geologiske objekter og facies med en diskriminant analyseteknikk | |
| BRPI0720674A2 (pt) | Método implementado em computador para identificação de regiões em um solo em uma instalação de poço, método para análise de dados multidimensionais para uma instalação de poço, método para obtenção de amostras de um tampão de parede lateral, produto de programa de computador, sistema de processamento de dados para identificação de regiões em um solo em uma instalação de poço, sistema de processamento de dados, produto de programa de computador, sistema de processamento de dados para análise de dados multidimensionais para uma instalação de poço | |
| MX2014005443A (es) | Sistemas y metodos de prediccion de permeabilidad utilizando analisis discriminante cuadratico. | |
| BRPI0901747B1 (pt) | método para caracterização de fluidos numa formação, ferramenta de interior de poço, e meio legível por computador compreendendo instruções executáveis por um processador para realizar um método | |
| CN111738371B (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
| Hatampour et al. | Hydraulic flow units' estimation from seismic data using artificial intelligence systems, an example from a gas reservoir in the Persian Gulf | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| EP3387469B1 (en) | Electrofacies determination | |
| CN108647417B (zh) | 一种确定页岩气储层含气饱和度的简易方法 | |
| Carrasquilla et al. | Using facies, data mining and artificial intelligence concepts in the evaluation of a carbonate reservoir in Campos basin, Southeastern Brazil | |
| Ashayeri et al. | Using the Adaptive Variable Structure Regression Approach in Data Selection and Data Preparation for Improving Machine Learning-Based Performance Prediction in Unconventional Plays | |
| US11953647B2 (en) | System and method for radioactivity prediction to evaluate formation productivity | |
| Lim et al. | Artificial intelligence approach for well-to-well log correlation | |
| Ballinas et al. | Supervised machine learning for discriminating fluid saturation and presence in subsurface reservoirs | |
| Jo et al. | Sensitivity analysis of geological rule-based subsurface model parameters on fluid flow | |
| WO2023184214A1 (en) | Parameterization of nuclear magnetic resonance transverse relaxation time distribution | |
| Ajibola et al. | Evaluating Reservoir Pressure Gradient Trend for the Delaware Basin’s Potash Area Using Machine Learning & Geophysical Log Cross-Sections Approach |