WO2019174366A1 - 面向地震油气储层分布的卷积神经网络学习与预测方法 - Google Patents

面向地震油气储层分布的卷积神经网络学习与预测方法 Download PDF

Info

Publication number
WO2019174366A1
WO2019174366A1 PCT/CN2018/125974 CN2018125974W WO2019174366A1 WO 2019174366 A1 WO2019174366 A1 WO 2019174366A1 CN 2018125974 W CN2018125974 W CN 2018125974W WO 2019174366 A1 WO2019174366 A1 WO 2019174366A1
Authority
WO
WIPO (PCT)
Prior art keywords
seismic
neural network
convolutional neural
oil
well
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2018/125974
Other languages
English (en)
French (fr)
Inventor
林年添
张栋
张凯
付超
王守进
张建彬
丁仁伟
张冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Publication of WO2019174366A1 publication Critical patent/WO2019174366A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters
    • G01V2210/6244—Porosity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters
    • G01V2210/6246—Permeability
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Definitions

  • the present invention relates to a convolutional neural network learning and prediction method for seismic oil and gas reservoir distribution.
  • the object of the present invention is to propose a convolutional neural network learning and prediction method for seismic oil and gas reservoir distribution, which directly performs deep learning of convolutional neural networks on oil and gas sensitive attribute bodies, and can realize the same block. Even lateral predictions of seismic information characteristics of unknown seismic reservoirs across regions.
  • a convolutional neural network learning and prediction method for seismic oil and gas reservoir distribution includes the following steps:
  • the present invention has the following advantages:
  • the method of the invention directly performs deep learning of convolutional neural networks on the attribute body sensitive to oil and gas, and can realize seismic information of unknown seismic reservoirs in the same block and even across regions.
  • the lateral prediction of features provides a scientific basis for further seismic reservoirs in the study area, and even the prediction of oil and gas reservoirs, and reduces exploration risks.
  • FIG. 1 is a flow chart of a method for learning and predicting a convolutional neural network for seismic oil and gas reservoir distribution according to the present invention.
  • a method for learning and predicting a convolutional neural network for seismic oil and gas reservoir distribution includes the following steps:
  • the convolution kernel, the weight W and the offset b in the network structure are set to a random value of [0, 1], and the parameters and the learning rate are initialized, and the seismic attributes at the input well location and a learnable kernel are obtained.
  • the offset is output for the convolutional layers Cl, C2, C3, and C4 that characterize the seismic reservoir characteristics.
  • the convolution calculation is as follows:
  • Fell shows a convolution kernel, Indicates the acquired seismic attributes, Indicates the offset.
  • the convolution layer is activated, and then the Sigmoid function is selected for activation [0033]
  • W represents the learning rate of the neural network.
  • [0047] is a partial differential calculation of the output layer transfer function.
  • equation (9) can be written as:

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种面向地震油气储层分布的卷积神经网络学习与预测方法。该方法首先以原始地震数据为基础，提取能够表征油气特征的地震属性；然后设计卷积神经网络模型，将优选的几种地震属性作为网络的输入层，提取井位处的地震属性值，以井位处的孔隙度、渗透率、含油性作为训练样本，通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b等参数，直到模型训练完成。随后对无井区的数据进行测试，实现由有井区到无井区储层的横向预测。该方法直接在对油气敏感的属性体上进行卷积神经网络深度学习，能够实现同区块，甚至跨区域的未知地震储集体地震信息特征的横向预测。

Description

面向地震油气储层分布的卷积神经网络学习与预测方法 技术领域
[0001] 本发明涉及一种面向地震油气储层分布的卷积神经网络学习与预测方法。
背景技术
[0002] 自 Hinton等人于 2006年提出的深度学习概念以来， 深度学习越来越受到人们的 关注。 其中以卷积神经网络为代表的深度学习算法在语音识别、 图像处理等领 域均取得了良好的应用效果。 在过去的几十年间人工神经网络、 支持向量机等 算法在地震储层预测方面进行了大量研究， 然而神经网络的感受野与权值共享 机制不理想， 训练样本维度没有得到改善， 使得训练效率变低。 由此可见， 现 有技术需要进一步改进。
发明概述
技术问题
问题的解决方案
技术解决方案
[0003] 本发明的目的在于提出一种面向地震油气储层分布的卷积神经网络学习与预测 方法， 该方法直接在油气敏感的属性体上进行卷积神经网络深度学习， 能够实 现同区块， 甚至跨区域的未知地震储集体地震信息特征的横向预测。
[0004] 本发明为了实现上述目的， 采用如下技术方案：
[0005] 面向地震油气储层分布的卷积神经网络学习与预测方法， 包括如下步骤：
[0006] si.首先以原始地震数据为基础， 提取能够表征油气特征的地震属性；
[0007] s2.设计卷积神经网络模型， 将优选的振幅、 频率、 相位地震属性作为网络的 输入层， 提取井位处的振幅、 频率、 相位地震属性值；
[0008] 以井位处的孔隙度、 渗透率、 含油性作为训练样本， 通过 BP神经网络反向传播 不断修改网络结构中的卷积核、 权值 W和偏置 b参数， 直到模型训练完成；
[0009] s3.随后输入无井区的振幅、 频率、 相位地震属性的数据进行测试， 利用训练 完成的模型实现由有井区到无井区储层的横向预测； [0010] 在获取多种储层参数后， 结合研究区的地质条件， 对油气储层做出综合预测。 发明的有益效果
有益效果
[0011] 本发明具有如下优点：
[0012] 本发明方法与传统的地震储层预测方法相比， 直接在对油气敏感的属性体上进 行卷积神经网络深度学习， 能够实现同区块， 甚至跨区域的未知地震储集体地 震信息特征的横向预测， 为研究区进一步的地震储层， 甚至油气储层的分布预 测提供科学依据， 降低勘探风险。
对附图的简要说明
附图说明
[0013] 图 1为本发明中面向地震油气储层分布的卷积神经网络学习与预测方法的流程 图。
发明实施例
本发明的实施方式
[0014] 下面结合附图以及具体实施方式对本发明作进一步详细说明：
[0015] 结合图 1所示， 面向地震油气储层分布的卷积神经网络学习与预测方法， 包括 如下步骤：
[0016] si.首先以原始地震数据为基础， 提取能够表征油气特征的地震属性。
[0017] 在此， 以提取瞬时振幅、 瞬时相位、 瞬时频率为例进行说明：
[0018] 首先将地震道
/_
看成是解析信号， 也可作为复地震信号
Fffl
的实部， 即：
Figure imgf000004_0001
[0019] 瞬时振幅公式:
[0020]
Figure imgf000005_0001
[0021] 瞬时相位公式如下：
[0022]
Figure imgf000005_0002
[0023] 瞬时频率公式如下：
[0024]
Figure imgf000005_0003
[0025] s2.设计卷积神经网络模型， 将优选的振幅、 频率、 相位地震属性作为网络的 输入层， 提取振幅、 频率、 相位井位处的地震属性值。
[0026] 以井位处的孔隙度、 渗透率、 含油性作为训练样本， 通过 BP神经网络反向传播 不断修改网络结构中的卷积核、 权值 W和偏置 b参数， 直到模型训练完成。
[0027] 本发明中卷积神经网络模型的设计过程如下：
[0028] 将网络结构中的卷积核、 权值 W和偏置 b置成 [0， 1]的随机值， 并初始化参数 与学习率， 对输入井位处地震属性与一个可学习的核进行卷积后加偏置进行输 出， 从而获的能够表征地震油气储层特征的卷积层 Cl、 C2、 C3 , C4, 卷积计算 如下式所示：
[0029]
Figure imgf000005_0004
[0030] 其中，
Figure imgf000006_0001
为
层选择集合区域的卷积和，
为层数；
[0031] fell示卷积核，
Figure imgf000006_0002
表示所获取的地震属性，
Figure imgf000006_0003
表示偏置。
[0032] 通过卷积计算后， 将卷积层进行激活处理， 再此选择 Sigmoid函数进行激活 [0033]
5i.gmoid(K)
Figure imgf000006_0004
(6)
[0034] 通过 Sigmoid函数激活后， 能够凸显表征地震油气储层特征， 压制异常干扰。
[0035] 卷积后预测结果与输入样本之间计算全局误差
Figure imgf000007_0001
[0036] 在通过 BP神经网络进行反向传播， 不断修改卷积核、 权值 W和偏置 b等参数
[0037] 为了获得最小的全局误差 £， 选用累计误差的 BP全局算法来对
进行调整。
[0038] 调整的具体方法见下式:
[0039]
Figure imgf000007_0002
[0040] 其中， 符号
W 表示的是神经网络的学习率。
[0041] 此外， 将过程中的误差信号进行以下定义:
[0042]
Figure imgf000007_0003
[0043] 上式中: [0044]
Figure imgf000008_0001
do)
[0045] 以及
[0046]
Figure imgf000008_0002
[0047] 是对输出层传递函数进行的偏微分计算。
[0048] 这样， 式 (9) 就可以写成：
[0049]
Figure imgf000008_0003
[0050] 然后， 依据链定理， 上式就变成:
[0051]
Figure imgf000008_0004
[0052] 最终， 将隐层的各个神经元的权重改进公式为：
[0053]
Figure imgf000008_0005
(14^ [0054] 通过多次迭代， 在满足所设计误差允许的范围内， 停止运算， 训练结束。
[0055] s3.随后输入无井区的振幅、 频率、 相位地震属性的数据进行测试， 利用训练 完成的模型实现由有井区到无井区储层的横向预测；
[0056] 在获取多种储层参数后， 结合研究区的地质条件， 对油气储层做出综合预测。
[0057] 当然， 以上说明仅仅为本发明的较佳实施例， 本发明并不限于列举上述实施例 ， 应当说明的是， 任何熟悉本领域的技术人员在本说明书的教导下， 所做出的 所有等同替代、 明显变形形式， 均落在本说明书的实质范围之内， 理应受到本 发明的保护。

Claims

权利要求书
[权利要求 i] 面向地震油气储层分布的卷积神经网络学习与预测方法， 其特征在于
， 包括如下步骤：
si.首先以原始地震数据为基础， 提取能够表征油气特征的地震属性 s2.设计卷积神经网络模型， 将优选的振幅、 频率、 相位地震属性作 为网络的输入层， 提取井位处的振幅、 频率、 相位地震属性值； 以井位处的孔隙度、 渗透率、 含油性作为训练样本， 通过 BP神经网 络反向传播不断修改网络结构中的卷积核、 权值 W和偏置 b参数， 直到模型训练完成；
s3.随后输入无井区的振幅、 频率、 相位地震属性的数据进行测试， 利用训练完成的模型实现由有井区到无井区储层的横向预测； 在获取多种储层参数后， 结合研究区的地质条件， 对油气储层做出综 合预测。
PCT/CN2018/125974 2018-03-12 2018-12-30 面向地震油气储层分布的卷积神经网络学习与预测方法 Ceased WO2019174366A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810198302.2 2018-03-12
CN201810198302.2A CN108629072B (zh) 2018-03-12 2018-03-12 面向地震油气储层分布的卷积神经网络学习与预测方法

Publications (1)

Publication Number Publication Date
WO2019174366A1 true WO2019174366A1 (zh) 2019-09-19

Family

ID=63706155

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/125974 Ceased WO2019174366A1 (zh) 2018-03-12 2018-12-30 面向地震油气储层分布的卷积神经网络学习与预测方法

Country Status (2)

Country Link
CN (1) CN108629072B (zh)
WO (1) WO2019174366A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111538879A (zh) * 2020-04-21 2020-08-14 中国石油大学(华东) 一种基于半监督卷积神经网络的储层预测方法
CN111814347A (zh) * 2020-07-20 2020-10-23 中国石油大学(华东) 预测油藏内气窜通道的方法及系统
CN112396230A (zh) * 2020-11-16 2021-02-23 中国石油大学(华东) 基于近邻神经网络的油藏地质建模静态参数分布预测方法
CN113393335A (zh) * 2020-03-13 2021-09-14 中国石油天然气集团有限公司 基于多地震属性优化的储层油气预测方法及装置
CN113589363A (zh) * 2020-04-30 2021-11-02 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法
CN113945970A (zh) * 2020-07-15 2022-01-18 中国石油化工股份有限公司 一种致密砂岩储层预测方法
CN114547958A (zh) * 2020-11-24 2022-05-27 中国石油天然气股份有限公司 基于深度神经网络的井震结合裂缝预测方法及装置
CN114722852A (zh) * 2021-01-06 2022-07-08 中国石油化工股份有限公司 基于cnn的剥蚀点识别方法
CN114966859A (zh) * 2021-02-18 2022-08-30 中国石油化工股份有限公司 基于深度卷积神经网络的多次波自适应压制方法
CN115130529A (zh) * 2021-03-19 2022-09-30 中国石油天然气股份有限公司 一种叠前地震反演方法和装置
CN115527107A (zh) * 2021-06-25 2022-12-27 中国石油天然气股份有限公司 一种碳酸盐岩储层平面预测方法、系统、设备及存储介质
CN115685347A (zh) * 2022-11-04 2023-02-03 中海石油(中国)有限公司 求取地震相的计算方法
CN115808718A (zh) * 2021-09-13 2023-03-17 中国石油化工股份有限公司 一种基于测井数据的流体相预测方法与设备
WO2024103475A1 (zh) * 2022-11-14 2024-05-23 中国石油天然气股份有限公司 一种碳酸盐岩油气藏定量表征方法与系统

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629072B (zh) * 2018-03-12 2019-07-09 山东科技大学 面向地震油气储层分布的卷积神经网络学习与预测方法
CN109613623B (zh) * 2018-10-31 2020-05-01 中国石油大学(华东) 一种基于残差网络的岩性预测方法
CN110032975B (zh) * 2019-04-15 2021-09-07 禁核试北京国家数据中心 一种地震震相的拾取方法
CN110619382A (zh) * 2019-07-22 2019-12-27 中国石油化工股份有限公司 适用于地震勘探的褶积深度网络构建方法
CN110554433A (zh) * 2019-07-22 2019-12-10 中国石油化工股份有限公司 基于数字音频处理的储层预测方法
CN110609320B (zh) * 2019-08-28 2021-03-16 电子科技大学 一种基于多尺度特征融合的叠前地震反射模式识别方法
EP4038421A1 (en) * 2019-10-01 2022-08-10 Chevron U.S.A. Inc. Method and system for predicting permeability of hydrocarbon reservoirs using artificial intelligence
CN110988998A (zh) * 2019-12-24 2020-04-10 王颜 基于希尔伯特谱和bp神经网络的储层孔隙度预测方法
CN113537544B (zh) * 2020-04-18 2024-07-16 中国石油化工股份有限公司 一种基于卷积神经网络的圈闭有效性评价方法
CN111460739A (zh) * 2020-04-24 2020-07-28 成都捷科思石油天然气技术发展有限公司 一种不同类型储层预测的方法
CN111950193B (zh) * 2020-07-15 2023-03-14 中海油田服务股份有限公司 基于储层的孔隙网络模型的建模方法及装置
CN114109333B (zh) * 2020-08-10 2026-03-13 中国石油化工股份有限公司 一种致密油的评价方法
CN112083498B (zh) * 2020-10-16 2021-05-25 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN112906940A (zh) * 2021-01-19 2021-06-04 中国地质调查局发展研究中心 一种基于深度学习的嗅探智能找矿预测方法
CN112950016B (zh) * 2021-02-25 2022-02-01 北京大学 基于深度学习的多参数融合非常规油气资源甜点评价方法
CN113095352B (zh) * 2021-03-01 2024-08-13 中国石油化工股份有限公司 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法
CN114114414A (zh) * 2021-11-18 2022-03-01 电子科技大学长三角研究院(湖州) 一种页岩储层“甜点”信息人工智能预测方法
CN114298144A (zh) * 2021-11-22 2022-04-08 国网新源控股有限公司 一种基于深度卷积神经网络的水电站设备漏油识别方法
WO2025015544A1 (en) * 2023-07-19 2025-01-23 Saudi Arabian Oil Company Methods and systems for machine-learned seismic fault detection
CN119644406B (zh) * 2023-09-15 2025-09-26 中国石油天然气股份有限公司 一种火成岩侵入型断裂带结构地震表征方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105651966A (zh) * 2016-01-18 2016-06-08 山东科技大学 一种页岩油气优质储层评价方法及参数确定方法
CN105700016A (zh) * 2016-02-19 2016-06-22 中国石油集团川庆钻探工程有限公司地球物理勘探公司 生物滩储层地震预测的方法
CN106886043A (zh) * 2017-03-01 2017-06-23 成都理工大学 基于地震数据深度学习的储层检测方法
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN108629072A (zh) * 2018-03-12 2018-10-09 山东科技大学 面向地震油气储层分布的卷积神经网络学习与预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372402B (zh) * 2016-08-30 2019-04-30 中国石油大学(华东) 一种大数据环境下模糊区域卷积神经网络的并行化方法
CN106446514A (zh) * 2016-08-31 2017-02-22 中国石油大学(华东) 一种基于模糊理论和神经网络的测井相识别方法
CN106291701B (zh) * 2016-10-13 2019-03-15 成都理工大学 储层检测方法及装置
CN107678059B (zh) * 2017-09-05 2019-06-28 中国石油大学(北京) 一种储层含气识别的方法、装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105651966A (zh) * 2016-01-18 2016-06-08 山东科技大学 一种页岩油气优质储层评价方法及参数确定方法
CN105700016A (zh) * 2016-02-19 2016-06-22 中国石油集团川庆钻探工程有限公司地球物理勘探公司 生物滩储层地震预测的方法
CN106886043A (zh) * 2017-03-01 2017-06-23 成都理工大学 基于地震数据深度学习的储层检测方法
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN108629072A (zh) * 2018-03-12 2018-10-09 山东科技大学 面向地震油气储层分布的卷积神经网络学习与预测方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393335A (zh) * 2020-03-13 2021-09-14 中国石油天然气集团有限公司 基于多地震属性优化的储层油气预测方法及装置
CN111538879A (zh) * 2020-04-21 2020-08-14 中国石油大学(华东) 一种基于半监督卷积神经网络的储层预测方法
CN113589363B (zh) * 2020-04-30 2024-03-19 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法
CN113589363A (zh) * 2020-04-30 2021-11-02 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法
CN113945970A (zh) * 2020-07-15 2022-01-18 中国石油化工股份有限公司 一种致密砂岩储层预测方法
CN113945970B (zh) * 2020-07-15 2024-06-07 中国石油化工股份有限公司 一种致密砂岩储层预测方法
CN111814347A (zh) * 2020-07-20 2020-10-23 中国石油大学(华东) 预测油藏内气窜通道的方法及系统
CN111814347B (zh) * 2020-07-20 2024-06-11 中国石油大学(华东) 预测油藏内气窜通道的方法及系统
CN112396230A (zh) * 2020-11-16 2021-02-23 中国石油大学(华东) 基于近邻神经网络的油藏地质建模静态参数分布预测方法
CN112396230B (zh) * 2020-11-16 2022-03-29 中国石油大学(华东) 基于近邻神经网络的油藏地质建模静态参数分布预测方法
CN114547958A (zh) * 2020-11-24 2022-05-27 中国石油天然气股份有限公司 基于深度神经网络的井震结合裂缝预测方法及装置
CN114722852A (zh) * 2021-01-06 2022-07-08 中国石油化工股份有限公司 基于cnn的剥蚀点识别方法
CN114966859A (zh) * 2021-02-18 2022-08-30 中国石油化工股份有限公司 基于深度卷积神经网络的多次波自适应压制方法
CN115130529A (zh) * 2021-03-19 2022-09-30 中国石油天然气股份有限公司 一种叠前地震反演方法和装置
CN115130529B (zh) * 2021-03-19 2025-08-29 中国石油天然气股份有限公司 一种叠前地震反演方法和装置
CN115527107A (zh) * 2021-06-25 2022-12-27 中国石油天然气股份有限公司 一种碳酸盐岩储层平面预测方法、系统、设备及存储介质
CN115808718A (zh) * 2021-09-13 2023-03-17 中国石油化工股份有限公司 一种基于测井数据的流体相预测方法与设备
CN115685347A (zh) * 2022-11-04 2023-02-03 中海石油(中国)有限公司 求取地震相的计算方法
WO2024103475A1 (zh) * 2022-11-14 2024-05-23 中国石油天然气股份有限公司 一种碳酸盐岩油气藏定量表征方法与系统

Also Published As

Publication number Publication date
CN108629072B (zh) 2019-07-09
CN108629072A (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
WO2019174366A1 (zh) 面向地震油气储层分布的卷积神经网络学习与预测方法
Duan et al. Seismic facies analysis based on deep convolutional embedded clustering
CN105488466B (zh) 一种深层神经网络和水声目标声纹特征提取方法
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
CN115238748A (zh) 一种基于Transformer和决策融合的调制识别方法
CN108830421A (zh) 致密砂岩储层的含气性预测方法及装置
Du et al. The connectivity evaluation among wells in reservoir utilizing machine learning methods
CN108696331A (zh) 一种基于生成对抗网络的信号重构方法
CN108847223A (zh) 一种基于深度残差神经网络的语音识别方法
CN111489034A (zh) 一种油气储层渗透率预测模型的构建方法及其应用
Jo et al. Automatic semivariogram modeling by convolutional neural network
CN111766635A (zh) 砂体连通程度分析方法和系统
CN118501948A (zh) 一种基于卷积神经网络与图神经网络的多台站海洋地震参数估计方法
CN113112003A (zh) 基于自编码器的数据增广改善深度学习信道估计性能方法
CN116170874A (zh) 一种鲁棒性WiFi指纹室内定位方法及系统
CN120899268B (zh) 一种基于深度神经网络的脑电情绪识别方法及系统
CN111310331A (zh) 基于条件变分自编码的地壳模型构造方法
CN116504253A (zh) 一种基于频率动态卷积模型的鸟类声音识别方法和系统
CN112132096A (zh) 动态更新输出权值的随机配置网络的行为模态识别方法
Mohd Razak et al. Physics-guided deep learning for improved production forecasting in unconventional reservoirs
CN119290221A (zh) 一种基于irime-cnn-dd的硅压阻式压力传感器温度补偿方法及系统
CN113033074A (zh) 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备
CN115238766A (zh) 一种基于全序列卷积神经网络的井震联合油层预测方法
CN119251416A (zh) 基于条件谱归一化生成对抗网络的三维地质模型自动重建方法
CN106709566A (zh) 一种基于深度学习的数据缺失值回填方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18909571

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18909571

Country of ref document: EP

Kind code of ref document: A1