加速动态时间规整(fastDTW)算法在测井曲线相似性度量过程中存在异常点问题,且难以确定搜索边界。针对上述问题,本文首先将fastDTW算法与SDTW(summation dynamic time warping)算法结合,得到fastSDTW算法,通过重构测井曲线综合时间序列...加速动态时间规整(fastDTW)算法在测井曲线相似性度量过程中存在异常点问题,且难以确定搜索边界。针对上述问题,本文首先将fastDTW算法与SDTW(summation dynamic time warping)算法结合,得到fastSDTW算法,通过重构测井曲线综合时间序列梯度信息和数值信息解决异常点问题。然后,结合井轨迹资料提出自适应搜索边界,并基于该边界,应用fastSDTW算法进行斜井和水平井测井曲线相似性度量。结果表明,基于自适应搜索边界的fastSDTW算法的精度更高,时间复杂度为O(N),确保了算法的运行速度。最后,将该算法应用到水淹层识别工作中,通过邻井对比的方式识别水淹层,取得了预期的应用效果。展开更多
文摘加速动态时间规整(fastDTW)算法在测井曲线相似性度量过程中存在异常点问题,且难以确定搜索边界。针对上述问题,本文首先将fastDTW算法与SDTW(summation dynamic time warping)算法结合,得到fastSDTW算法,通过重构测井曲线综合时间序列梯度信息和数值信息解决异常点问题。然后,结合井轨迹资料提出自适应搜索边界,并基于该边界,应用fastSDTW算法进行斜井和水平井测井曲线相似性度量。结果表明,基于自适应搜索边界的fastSDTW算法的精度更高,时间复杂度为O(N),确保了算法的运行速度。最后,将该算法应用到水淹层识别工作中,通过邻井对比的方式识别水淹层,取得了预期的应用效果。