基于随机森林结合地球物理测井资料的煤体结构识别方法及应用

在更加复杂的地质因素影响下,常规测井方法识别煤体结构准确度低,为精确识别煤体结构,研究了煤体结构测井曲线响应机理以及随机森林决策树个数的优选,从而建立煤体结构与测井曲线的随机森林分类模型进行煤体结构识别。结果表明:决策树个数为500时,随机森林分类模型效果最佳;通过袋外误差和模型对测试集样本的预测结果可知,随机森林分类模型的结果稳定且泛化性强,并且适合处理非均衡数据,预测精度较高。可见随机森林算法能有效识别煤体结构,为煤层气开发提供帮助。     

基于神经网络模型的水平井破裂压力预测方法

破裂压力是井身结构设计的基础依据,也是水力压裂设备选型和方案设计的基础参数,通常采用测井解释获取破裂压力剖面,但其存在参数准确获取难、计算过程繁琐、普适性较差、计算精度低等问题,机器学习提供了一种解决这些问题的新方法。为此,以测井数据作为输入参数,采用4种不同的神经网络模型,建立水平井测井数据与破裂压力间的非线性关系,通过测试集预测结果的对比分析,优选出最佳的神经网络模型,并优化模型网络结构和超参数,实现水平井破裂压力的直接预测。研究结果表明：1)破裂压力与井斜角、横波时差和纵波时差表现为极强相关性,与井深、岩性密度和补偿中子表现为强相关性,与井径和自然伽马表现为弱相关性;2)不同组合的测井参数对模型预测结果具有显著影响,最优输入参数为井斜角、横波时差、纵波时差、井深、岩性密度和补偿中子;3)对比多层感知机、深度神经网络、循环神经网络和长短期记忆神经网络(LSTM)模型,发现LSTM模型的预测效果最佳;4)优化了LSTM模型的网络结构及超参数,优化后破裂压力预测的平均绝对百分比误差为0.106%、决定系数为0.996。LSTM模型能够有效构建水平井测井参数与破裂压力之间的非线性关系,可...     

核磁共振T2谱法估算毛管压力曲线综述

用油藏实测NMRT2谱换算毛管压力曲线,首先需正确确定T2截止值,将T2谱划分为束缚流体T2谱和可动流体T2谱,然后对可动流体T2谱进行烃影响的校正,校正后的可动流体T2谱加上束缚水T2谱获得SW为1条件下的T2谱,然后用换算系数κ将T2谱直接转换成毛管压力曲线。经大量岩心分析和实际NMR测井数据试验表明,碎屑砂岩油藏NMR测井T2分布数据估算毛管压力曲线方法可靠,与岩心压汞毛管压力曲线吻合,其精度相当于常规测井解释。应用这一方法换算的毛管压力曲线可用于确定含油(气)深度范围的饱和度—高度关系,确定油藏自由水面位置。     

核磁共振T2谱优化反演方法

将核磁共振T2谱反演问题转化为求目标函数极小值的优化问题,建立新的易于实现T2谱非负约束的优化反演模型,然后利用共轭梯度算法解决上述反演问题。将该方法应用于无噪声理论回波数据、信噪比SNR=25的理论回波数据以及岩心NMR实验数据反演并与构造谱及实验室国外软件反演结果对比表明,无噪声理论回波数据反演的T2谱与构造谱几乎完全符合;信噪比SNR=25时反演的T2谱和构造谱符合得很好;岩心反演的T2谱与实验室国外软件反演的T2谱符合得很好,利用反演结果计算的孔隙度与实验室氦孔隙度绝对误差为0.65%。因此,该方法是一种有效和实用的核磁共振T2谱反演方法,具有较强的抗噪能力,能够应用于生产和科研。     

基于LSTM神经网络深度序列机械钻速实时预测

机械钻速是钻井优化、缩短钻井周期的关键因素,传统的机械钻速预测大多是在钻井后进行钻井分析,预测效率和精度低、地层适用性不广。为了以更高效的方法预测得到高精度机械钻速,提出基于长短期记忆(LSTM)神经网络的深度序列机械钻速预测方法。采集实时钻井数据集,使用皮尔逊相关系数衡量各特征之间的相关性,筛选出井深、伽玛射线、地层密度、孔隙压力、井径、钻时、排量、钻井液密度等8个参数。构建LSTM神经网络模型,训练LSTM模型并预测ROP,对预测结果进行分析,并用决定系数(R²)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等指标对LSTM模型、BP模型和SVM模型性能进行对比分析。结果表明：LSTM模型其R²、RMSE和MAPE的值分别为0.948、1.151和17.075,相较于BP模型和SVM模型,其R²更大,RMSE和MAPE较小,说明LSTM模型预测性能更好。该方法有助于钻井工程师和决策者提前获得钻井信息,从而更好地规划钻井作业,缩短钻井周期,同时为钻井参数预测提供新的途径,能改善以往预测方法在处理复杂地层问题时...     

基于动态时间规整和长短期记忆的空中交通流量短期预测

空中交通短期流量预测的准确性对于精准实施空中交通流量管理具有重要意义。为提高空中交通短期流量预测准确性,充分利用历史运行数据,本文提出了一种基于DTW-LSTM的空中交通流量短期预测方法。首先,分析了空中交通流的时空相关性特征,基于此特征采用DTW算法衡量扇区之间的空间相关性;然后,由空间相关性度量结果选取不同扇区的数据进行组合,构建输入时间序列长度不同的数据集,将历史时间数据输入LSTM模型中训练;最后,对不同时空参数组合模型的预测结果进行分析,与不考虑时空相关性LSTM模型、考虑时空特性的SVR模型的预测结果进行对比。实验结果表明,相比于传统方法,本文提出的空中交通流量短期预测方法通过考虑交通流的时空相关性,提高了预测结果的准确性,相比LSTM模型,MAE降低24.5%,RMSE降低31.4%,相比时空相关SVR模型,MAE降低36.4%,RMSE降低30.6%。     

基于S-Catboost算法的短时公交客流预测及影响因子分析

针对城市公交实时客流数据多样化和特征复杂的状况,提出一种基于S-Catboost模型的客流特征提取及短时客流预测方法和影响因子分析流程。首先,通过爬虫技术获取公交客流数据的环境和时变特征,扩充客流数据的特征维度。其次,通过对客流数据进行时间和精度加权并采用LSTM和随机森林2种基模型对客流数据进行堆叠(Stacking),提取强特征并加入第二层子模型的特征矩阵。最后,利用Catboost算法对类别特征进行数值化处理,得到预测结果。实验结果表明该模型比传统LSTM、随机森林、GBDT以及SVM在预测准确度和计算时间上都有明显的优势,并给出了不同影响因子对客流量的相对贡献度和各自的偏效应,该模型对于公交系统进行实时线网优化调度和线路拥挤度信息发布具有比较高的实用价值。     

基于储层类别构建核磁伪毛管压力曲线及产能预测技术

综合成本高昂是海上油气勘探的显著特点.因此,有效的利用核磁共振测井及常规测井系列进行储层评价及产能预测,为油公司决策层测试作业提供及时有效的决策依据,具有十分重要的现实意义.首先根据岩心毛管压力的类别进行储层分类,然后对每类储层采用分段非线性刻度转换方法由核磁共振测井T2谱构建伪毛管压力曲线.在此基础上结合常规测井、电...     

碳酸盐岩储层岩心T2谱分形特征探究——以安岳气田为例

碳酸盐岩储层发育裂缝、溶蚀孔洞等孔隙结构,非均质性极强。核磁共振T2谱曲线可较为全面、准确地表征碳酸盐岩储层不同类型的孔隙结构。研究T2谱曲线分形特征实现不同孔隙结构的定量区分是碳酸盐岩储层表征的有效方法。此次研究选取了四川安岳气田龙王庙组气藏和灯影组碳酸盐岩气藏共计30块岩心,在饱和盐溶液条件下核磁共振测试结果,编制基于计盒维数法的自动化处理程序计算其T2谱曲线分段分维值。结果表明:碳酸盐岩储层岩心T2谱曲线具有自相似性;不同弛豫时间段信号强度差异较明显,而分维值差异很小,分布规律相近;分维值Ds是T2谱曲线的固有特征,与信号强度相关性较差。     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题，提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数，并对原始气象数据进行特征选择。将特征选择后的结果作为输入，对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测，结果表明：该方法能充分利用预测时刻之前的气象时间序列，有效提高光伏功率预测精度，与RF-LSTM方法、单一LSTM方法相比具有更高的准确性，预测误差更小。     

测井曲线融合方法研究及其在分层中的应用

地质分层时单采用一条测井曲线存在着局限性和多解性,为此,将多条测井曲线融合成一条无量纲曲线,突出多条测井曲线的公共信息,更好地反映地层的真实性,然后对融合曲线进行活度分析,分层的效果更加明显.曲线融合的实质是在信号检测和估计理论的基础上建立多条测井曲线数据融合的数学模型.在进行融合之前,要对测井资料进行异常点剔除和归一化处理,以消除或减弱测井信号中的随机信息干扰.应用这种方法得到的融合曲线减少了单一观测资料中的偶然误差,提高了融合测井资料在地质分层应用中的可信度.     

深度残差网络和LSTM结合的图像序列表情识别

为了改善图像表情和图像序列表情识别效果,针对传统表情识别特征提取复杂和效果不理想问题,提出了一种深度残差网络和局部二值模式(local binary patterns,LBP)相结合的特征提取方法,利用深度残差网络提取数据集的空域特征,长短期记忆网络(long short-term memory,LSTM)处理时域特征,实现空域与时域特征的结合。研究了不同层数的残差网络、不同形式的LBP算子以及其他网络结构对人脸表情识别的影响,对比了支持向量机和随机森林实现的序列表情识别算法。在Cohn-Kanade数据集和AFEW6.0数据集上进行了验证,实验结果表明,算法在验证集上的准确率分别为73.1%和58.4%,相比其他算法有一定程度的提升。     

薄互层页岩油核磁共振测井响应特征——以准噶尔盆地二叠系风城组为例

为明确核磁共振(nuclear magnetic resonance, NMR)测井仪纵向分辨率对薄互层陆相页岩响应特征的影响,以准噶尔盆地二叠系风城组3组薄互层接触面全直径岩心为研究对象,通过设计不同岩心取样方式,模拟核磁共振仪器不同纵向分辨对薄互层的核磁共振测量。研究核磁共振仪器纵向分辨率在不同薄互层厚度情况下横向弛豫时间T₂谱的响应特征的差异,明确核磁共振仪器纵向分辨率对T₂谱形态、核磁孔隙度、核磁T₂特征截止值及几何平均值的影响。结果表明：当薄互层物性差别较大且仪器纵向分辨率较低时,T₂谱形态不能准确反映真实储层特征,进行核磁测井资料解释需要考虑分辨率的影响;核磁孔隙度受仪器纵向分辨率影响较小,是薄互层探测区域的线性平均值;T₂特征截止值和几何均值会受到较大影响,会造成核磁有效孔隙度、可动流体饱和度和核磁渗透率偏小。研究结果对薄互层型页岩储层核磁共振测井评价具有重要指导意义,为核磁共振测井在页岩薄互层储层性质评价提供了参考依据。     

油田测井曲线数据管理系统需求性分析

油田测井曲线数据管理系统以油田测井曲线数据为基础,运用计算机技术和相关算法,将这些数据信息以最有效、最直观的方式进行查询与展示,做到曲线与数据的统一。通过对油田测井曲线数据管理系统的实际需求进行分析,在此基础上得出油田测井曲线数据管理系统的功能模块。     

基于智能算法的油气田地应力三维预测

为了解决复杂沉积构造环境导致未钻区域的地应力定量预测难度大的问题，根据层速度、地应力、叠后地震信息之间的定量关系，运用BP神经网络、模拟退火等智能算法提出了用于不同工况条件的两种油气田地应力三维预测方法。在完钻井数量较多、实测信息较丰富的工区使用BP神经网络算法，利用地震数据空间速度信息与岩石力学方法建立地应力三维数据体；在实测数据较少的工区，运用模拟退火算法直接搜寻合成与实际地震记录达最优匹配下的地应力解向量。该技术在东部某油田的主要工区进行了现场应用，得到了具有较高精度和分辨率的地应力预测结果，验证了基于智能算法的油气田地应力三维预测方法的可行性。     

利用图论多分辨率聚类方法构建核磁可变T2截止值预测模型

准确求取T2截止值对核磁共振资料在储层评价中的应用至关重要,传统T2截止值获取方法受到区域性、储层非均质性等影响明显,实际使用中往往误差较大。本文基于岩心核磁实验,分析物性参数、核磁共振T2谱几何均值等参数与T2截止值之间的关系。考虑到储层非均质的影响,提出采用图论多分辨率聚类方法,利用邻近指数和核心代表指数划分测井相,结合铸体薄片等资料建立测井相与岩相的对应关系,建立基于测井相约束的可变T2截止值预测模型。在渤海盆地X油田实际应用中表明,本文提出的模型计算的T2截止值与岩心核磁实验T2截止值测量值误差较小,较传统方法优势明显,进一步提高了利用核磁共振资料计算储层参数的准确性与适用性。     

基于DE-SVM的岩层可钻性预测研究

鉴于试验确定深部岩层可钻性指标成本很高,而且测井信息神经网络模型往往存在过学习问题,利用遵循结构风险最小化的统计学习理论工具——支持向量机(SVM)建立可钻性预测模型,通过支持向量机对样本的学习,建立岩层可钻性与诸多测井信息的复杂非线性映射.为解决支持向量机参数选取问题,引入全局优化算法——差异进化算法(DE),建立DE-SVM的进化模型,进一步提高模型预测精度.算例表明,差异进化算法收敛快速,该方法预测精度高于传统方法,对新井钻头选型和钻速确定有重要意义.     

基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测

降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory,LSTM)能较好地处理多要素变量与降水量之间的非线性关系.利用扬州市区1960—2019年8种气象基本要素数据,采用传统季节性自回归积分滑动平均(seasonal autoreg...     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。