[發明專利]使用全局和局部機器學習模型的井關聯

在審

• 申請號: 202180056473.1
• 申請日: 2021-07-26
• 公開（公告）號: CN116034208A
• 公開（公告）日: 2023-04-28
• 發明（設計）人: M·S·庫爾卡尼;P·R·曼格蘇利;H·馬尼亞;A·阿布巴卡
• 申請（專利權）人: 吉奧奎斯特系統公司
• 主分類號: E21B47/09
• 分類號: E21B47/09
• 代理公司: 北京世峰知識產權代理有限公司 11713
• 代理人: 卓霖;張春媛

1.一種用于關聯測井曲線的方法，其包括：

接收測井曲線作為第一機器學習模型的輸入，所述第一機器學習模型被配置為至少部分地基于所述測井曲線的全局因素來預測所述測井曲線中的第一標記；

接收所述測井曲線作為第二機器學習模型的輸入，所述第二機器學習模型被配置為至少部分地基于所述測井曲線的局部因素來預測所述測井曲線中的第二標記；

通過合并所述第一標記中的至少一些和所述第二標記中的至少一些來生成一組預測的井標記；以及

至少部分地基于所述一組預測的井標記相對于一個或多個其他測井曲線對齊所述測井曲線。

2.如權利要求1所述的方法，其中所述第一機器學習模型包括編碼器-解碼器架構。

3.如權利要求1所述的方法，其中所述第二機器學習模型包括卷積神經網絡。

4.如權利要求1所述的方法，其還包括：

接收一個或多個測井曲線的訓練集，所述一個或多個測井曲線具有與其相關聯的一個或多個標記，以及

使用所述訓練集訓練所述第一機器學習模型和所述第二機器學習模型。

5.如權利要求4所述的方法，其還包括在訓練所述第一機器學習模型之前和在訓練所述第二機器學習模型之前平滑所述訓練集中的一個或多個標記。

6.如權利要求5所述的方法，其中平滑包括用高斯核對所述一個或多個標記進行卷積。

7.如權利要求1所述的方法，其中所述全局因素表示所述測井曲線作為整體的特性，并且其中所述局部因素表示所述測井曲線中表示的多個層中的單個層的特性。

8.如權利要求1所述的方法，其中所述第一機器學習模型包括編碼器、解碼器以及所述編碼器和所述解碼器之間的一個或多個跳躍連接，并且其中所述第二機器學習模型包括堆疊在一起的多個一維卷積層。

9.如權利要求1所述的方法，其還包括至少部分地基于與所述其他測井曲線關聯的所述測井曲線生成所述測井曲線延伸穿過的地下體積的數字模型。

10.一種存儲指令的非暫時性計算機可讀介質，所述指令在由計算系統的一個或多個處理器執行時致使所述計算系統執行操作，所述操作包括：

接收測井曲線作為第一機器學習模型的輸入，所述第一機器學習模型被配置為至少部分地基于所述測井曲線的全局因素來預測所述測井曲線中的第一標記；

接收所述測井曲線作為第二機器學習模型的輸入，所述第二機器學習模型被配置為至少部分地基于所述測井曲線的局部因素來預測所述測井曲線中的第二標記；

通過合并所述第一標記中的至少一些和所述第二標記中的至少一些來生成一組預測的井標記；以及

至少部分地基于所述一組預測的井標記相對于一個或多個其他測井曲線對齊所述測井曲線。

11.如權利要求10所述的介質，其中所述第一機器學習模型包括編碼器-解碼器架構。

12.如權利要求10所述的介質，其中所述第二機器學習模型包括卷積神經網絡。

13.如權利要求10所述的介質，其中所述操作還包括：

接收一個或多個測井曲線的訓練集，所述一個或多個測井曲線具有與其相關聯的一個或多個標記，以及

使用所述訓練集訓練所述第一機器學習模型和所述第二機器學習模型。

14.如權利要求13所述的介質，其中所述操作還包括在訓練所述第一機器學習模型之前和在訓練所述第二機器學習模型之前平滑所述訓練集中的一個或多個標記。

15.如權利要求14所述的介質，其中平滑包括用高斯核對所述一個或多個標記進行卷積。