使用机器学习方法对复杂油藏进行早期地质勘探中的海陆数据进行专家独立的解释

Apr, 2023

使用机器学习方法对复杂油藏进行早期地质勘探中的海陆数据进行专家独立的解释

Expert-Independent Generalization of Well and Seismic Data Using Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage Geological Exploration

PDF

Dmitry Ivlev

TL;DR该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

Abstract

The aim of this study is to develop and apply an autonomous approach for predicting the probability of hydrocarbon reservoirs spreading in the studied area. Autonomy means that after preparing and inputting geolo

autonomous approach hydrocarbon reservoirs 3d seismic survey data geological models probabilistic representation

发现论文，激发创造

利用机器学习从 3D 地震和试井数据预测气体封闭

利用 3D 地震数据和气井测试预测气藏的研究具有高效性，并获得了气藏预测质量度量 f1 分数为 0.893846。

Jan, 2024

利用机器学习增强岩石物理研究：异质储层渗透率预测现场案例研究

使用人工神经网络、随机森林分类器和支持向量机等三种模型，以预测渗透率为主要目标，比较了三种机器学习算法的有效性，并利用 FZI 岩性分类技术对影响油藏质量的因素进行了分析，表明 FZI 模型和机器学习算法在预测渗透率和提高油藏性能方面具有一定的实际应用价值。

May, 2023

大规模地质碳和能源储存的高效机器学习代理

通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

Oct, 2023

基于数据驱动的地震强度分布预测及混合分类 - 回归模型研究

通过开发基于地震参数（位置、深度和震级）的线性回归模型，本研究旨在准确预测地震强度分布，而无需地理信息。该模型基于 1997 年至 2020 年间在日本附近发生的大于 5.0 级的 1,857 次地震的地震强度数据，通过训练回归和分类模型以及结合二者，提出了一种混合模型，相对于常用的地面运动预测方程（GMPEs），该模型在相关系数、F1 分数和 MCC 方面表现更好，甚至可以预测异常地震强度分布。

Feb, 2024

自动盐堆分割：一种深度学习方法

本文介绍了一个基于深度学习的神经网络，利用 U-Net 结合 Spatial-Channel Squeeze & Excitation、Lovasz loss、CoordConv 和 Hypercolumn 等方法，对地震图像数据进行盐度沉积物区分。该方法在 TGS-NOPEC Geophysical Company 主办的竞赛中获得了第 27 名的好成绩，可以在链接中获取源代码。

Nov, 2018

基于机器学习的井效优化井完井顺序

开发机器学习模型以准确预测多维预测变量对 12 个月累积产量的影响，然后用于改进采油井开发参数和优化完成顺序的研究。

Feb, 2024

基于几何分离的不确定性估计

本文提出了一种基于几何的方法来改善机器学习模型中的不确定性（或置信度）估计，结果表明相比于最近提出的方法更准确，并且可优化其实现以适用于需实时响应的大数据集应用的关键词是 “机器学习”、“不确定性估计”、“风险管理”、“基于几何的方法” 和 “事后技术”。

Jan, 2023

基于蓄水池计算的概率负荷预测

应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键，本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。

Aug, 2023

数据驱动的环境研究与实践中的地理空间建模挑战

电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

Nov, 2023

基于钻井数据的岩体无监督机器学习分类：数据驱动系统如何处理现有岩体分类系统的局限性？

基于钻探数据开发的数据驱动系统在岩体分类中能够形成明确的岩体簇群，为未来的分类系统提供了潜力。

May, 2024