基于粒子群算法的测井岩心深度自动归位研究

doi:10.3778/j.issn.1002-8331.2008.30.073

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (30): 239-242.DOI: 10.3778/j.issn.1002-8331.2008.30.073

基于粒子群算法的测井岩心深度自动归位研究

马建海¹,李莉²,谢绍龙³

1.青海油田勘探事业部，青海敦煌 736202
2.中国石油大学计算机科学与技术系，北京 102249
3.中国石油大学资源信息学院，北京 102249

收稿日期:2007-11-26 修回日期:2008-04-15 出版日期:2008-10-21 发布日期:2008-10-21
通讯作者: 马建海

Well logging core automatic location based on particle swarm optimization

MA Jian-hai¹,LI Li²,XIE Shao-long³

1.Petroleum Exploration Company of Qinghai，Dunhuang，Qinghai 736202，China
2.Department of Computer Science and Technology，China University of Petroleum，Beijing 102249，China
3.School of Resource and Information，China University of Petroleum，Beijing 102249，China

Received:2007-11-26 Revised:2008-04-15 Online:2008-10-21 Published:2008-10-21
Contact: MA Jian-hai

摘要/Abstract

摘要： 为解决传统岩心深度手动归位不准确、主观性强等缺点，提出了一种利用粒子群算法实现岩石物理实验数据深度自动归位的方法。基于同一深度的测井参数与岩心的物理试验数据具有相关性这一事实，以测井曲线深度为基准，寻找岩心深度全局位移最小、数值变化趋势对应性最好的优化算法。实验表明：用粒子群算法可以快速有效地实现以测井曲线深度为标准的岩心深度自动归位。

关键词: 粒子群优化算法, 岩心归位, 测井

Abstract: There are shortcomings of inaccuracy and subjective error in traditional manual core location.In order to overcome those disadvantages a new method of realizing automatic core location based on particle swarm optimization is proposed in this paper.There are relativities between the well logging curve and physical data at the same deepth.According this theory the core location can be summed up the optimization questions that the global displacement is the smallest while the trend of numerical value is the best fitted.The simulation results show that the automatic core location can be achieved through the particle swarm optimization algorithm.

Key words: particle swarm optimization, core location, well logging

马建海¹,李莉²,谢绍龙³. 基于粒子群算法的测井岩心深度自动归位研究[J]. 计算机工程与应用, 2008, 44(30): 239-242.

MA Jian-hai¹,LI Li²,XIE Shao-long³. Well logging core automatic location based on particle swarm optimization[J]. Computer Engineering and Applications, 2008, 44(30): 239-242.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[5]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[6]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[7]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[8]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[9]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[10]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[11]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[12]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[13]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[14]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[15]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.

基于粒子群算法的测井岩心深度自动归位研究

Well logging core automatic location based on particle swarm optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics