数据模型与物理模拟驱动的人工智能测井

从测井技术的发展历程看,模拟电子通讯、数字电子通讯、电子计算机以及阵列探头和CPU性能的提升,促进测井技术实现跨越式发展,即从模拟测井、数字测井、数控测井发展到成像测井。以大数据、算法以及算力为核心技术的人工智能正在极大地改变石油工业,促使测井技术向智能化方向发展。从人工智能引起油气学会的关注,到人工智能在国内外测井技术上的应用现状,以及测井技术发展所面临的挑战等方面,提出人工智能测井概念,分析测井大数据的形成基础、人工智能测井的技术组成。从技术可行性角度,分析人工智能测井的三大核心:数据模型、物理模拟算法、测井人工智能生态的组成和算力支撑条件;研发出测井大数据私有云,实现人工智能算法在大数据私有云上的加载运行处理。从人工智能在测井技术上的应用场景及勘探开发市场需求,总结分析数据模型和物理模拟驱动的人工智能测井技术发展必须经历的3个阶段。

一种基于声纹识别的智能测井解释系统知识库保护方法

随着人工智能技术的广泛应用,智能化成为目前测井解释系统主流发展趋势之一。针对目前知识库缺乏有效保护手段的问题,提出一种基于声纹识别的用户权限划分机制,实现了系统知识库的保护;声纹识别方法在传统的MFCC声纹特征提取前,设计了浊音段提取等预处理步骤,并实现了帧间距离最优匹配方法,进行声纹特征参数识别。通过在20人的语音信号集上实验,所提声纹识别方法准确率较传统GMM方法提升了25.6%,拒识率提升了18.5%。结果表明,所提方法特征获取简单、算法复杂度低,可准确识别过慢或过快速语音,具有极强的算法鲁棒性,为智能测井解释系统的实际应用消除了安全隐患,使其更好地服务于油田的勘探开发。

JGS-1B智能测井系统中数据采集的实现

本文介绍了JGS-1B智能测井系统中数据采集与传输的实现方法和原理,该系统采用主从式CPU结构,大规模集成接口芯片组成单元线路。实现了各种不同测井参数的自动采集和传输的高可靠性、低故障率及测井装备的智能化。

JGS-1B智能测井仪应用中遇到的问题及解决方法

JGS-1B智能测井仪广泛应用于煤田、水文、金属矿、非金属矿及工程地质勘探。本文对该仪器在测井过程产生的深度误差、测井曲线出现跳点、测井曲线异常等问题提出了解决方法,具有示范意义。

测井生产智能支持系统开发及应用

应用大数据和人工智能等信息化、数字化技术,统筹生产运行和协调决策,提高测井业务全流程的质量、效率和安全,已成为全球测井行业科技发展主要趋势之一。测井生产智能支持系统(EISS)采用采集传输、数据存储、信息服务、综合应用4层架构,主要由车载数据中心、市场生产协同管理、设备管理、物资(库房)管理、人力资源管理、远程作业支持、QHSE管理、统计分析8个子系统构成。通过系统开发,加强市场生产协同、设备物资管理、远程作业支持等应用,以用促建,打通信息孤岛,形成全过程、全方位、全天候管控生产经营各类资源状态的智能系统,可实现对井、人、物资、装备等要素的优化组合,为生产经营决策提供最优方案。已累计应用13万井次,有效提高了生产经营管理效率,为油气勘探开发提质增效提供了技术支撑。

智能套管测井系统研究

以改善碳氧比测井、中子寿命测井以及过套管电阻率测井的局限性为目的,设计出智能套管,本文将详细地介绍智能套管的设计、测井原理、整体测井仪器的设计方案。

测井曲线智能合成技术发展现状与趋势

人工智能技术能有效降低作业成本、提高作业效率、保证作业安全性,是测井技术未来的重要发展方向。随着配套技术的快速发展,人工智能目前已达到发展的"黄金期"。各领域都在探索切实可行的人工智能应用方案,测井行业也不例外。2016年Quantico Energy Solutions公司推出QLog测井曲线智能合成技术,利用钻井数据和自然伽马数据预测随钻测井结果,节省作业成本80%以上。2018年TGS公司推出ARLAS技术,根据邻井数据和目标井的部分测井数据自动填补测井数据的漏洞和盲点,生成目标井的自然伽马、声波、密度、中子、电阻率等测井曲线,准确率达90%以上。未来此类技术将随着大数据、人工智能等技术的发展,逐步覆盖更多领域,成为智能油田的重要组成部分。

智能工程测井系统在水利工程中的应用

该文介绍了智能工程测井系统的构成及工作原理,阐述了其工作方法及资料整理流程。该系统可通过对钻孔的波速、井温及自然伽玛值测试,准确了解中、深部岩体物性特征,获取物性参数,为水利工程设计、施工提供良好的定量参数。

JGS-1B智能工程测井系统在地浸工艺中的应用

通过对引入的JGS-1B智能工程测井系统的组装、调试和使用,证明本套仪器适合于本地区作业,其性能稳定、故障率低、操作方便。文中重点分析了各种测量方法的影响因素和测量时的注意事项,同时也对各种曲线的分层位置点做了说明。

JGS—1A智能工程测井系统的应用

本文主要介绍了JGS—1A智能工程测井系统的组成部分及其应用。

多源数据驱动下委员会机器测井解释研究进展

非常规油气储层矿物成分复杂,流体赋存形式多样,孔隙度、渗透率和饱和度等储层参数与测井响应呈非线性关系,难以构建理论模型或经验公式。近年发展迅速的机器学习为测井解释提供了新思路。综述了机器学习在测井解释中的应用现状,概述了集成机器学习的概念、框架和工作机制,指出机器学习包括同质集成与异质集成(委员会机器)两种,简述了两者的差异。重点介绍了委员会机器的基本原理和工作机制。委员会机器是一种结合神经网络和决策树等多种智能算法构建的集成机器学习系统,采用特定的组合策略实现多专家共同决策,对改善训练模型和预测结果具有显著优势。在测井解释中,针对分类、回归问题分别发展了分类委员会机器和回归委员会机器。测井流体识别和储层参数预测的应用表明,委员会机器预测结果比单个智能算法具有更好的精度和鲁棒性,尤其适用于测井解释中的小样本问题。针对有机页岩生烃能力测井评价问题,引入门网络预学习技术构建动态委员会机器,实现了总有机碳含量的智能预测,其预测精度高于传统委员会机器。此外,为了进一步提升预测结果的准确性和可靠性,在委员会机器训练中又引入了地球物理模型约束项,提出了物理模型与委员会机器联合驱动的思路,使致密砂岩孔隙度、渗透率和饱和度的预测精度得到进一步提高。可以看出,基于多元测井数据及其它多源的录井、测试和岩石物理实验数据,利用委员会机器学习算法可以有效地实现储层特征定性判别和定量评价,是测井解释发展的必然趋势。

基于机器学习与大数据技术的地球物理测井系统

地球物理测井数据通常来自数值模拟、岩石物理实验、仪器测试、生产实践、测井数据采集、地层综合评价等,但来源不同的数据之间缺乏共享,难以实时获取和应用。为了实现源于测井研究不同领域的各类海量数据互联互通,高效、优质、低成本地解决现场测井技术问题,指导测井仪器设计、测井资料处理与实时评价,以测井大数据和机器学习技术为基础,采用针对不同模型条件下的快速优化算法,建立一个弥补时空差异、知识差异、能实时高效模拟的智能测井系统,通过实例分析了这种智能一体化测井系统的优势和发展趋势。

基于JGS-1与EasyMap的测井数据转换

测井数据作为综合柱状图必不可少的一部分,在煤矿地质勘探部门有着重要的地位和作用。针对当前广泛使用的JGS-1智能测井系统与EasyMap成图软件之间的测井数据转换,开发了相应的专业软件,并探讨了纸质测井曲线的矢量化转换过程,对数字测井和数字地质具有重要的实用意义。

新型测井仪绞车的工作原理及结构特点

为满足复杂油气油田的开发及测井技术发展的需要,介绍了一种新型智能化测井仪绞车的工作原理和结构特点。

测井车测速平稳性控制

本文通过对测井车普通线性控制技术和智能控制技术的优缺点总结分析,阐述了一种优于这两种控制的新型控制方法。此方法有控制精度高并安全可靠的优势。