买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中海石油(中国)有限公司深圳分公司申请的专利基于启发式卷积神经网络渗透率预测的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119782734B 。

龙图腾网通过国家知识产权局官网在2025-11-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411832252.0，技术领域涉及：G06F18/20；该发明授权基于启发式卷积神经网络渗透率预测的方法是由徐长贵;高阳东;刘杰;徐乐意;朱焱辉;肖张波;李振升;敖威设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本基于启发式卷积神经网络渗透率预测的方法在说明书摘要公布了：本发明提出一种基于启发式卷积神经网络的渗透率预测方法，该方法通过对地质勘探数据进行岩性解释分析，以获取包括第一岩石物理弹性参数和孔隙度参数的砂岩样本集；并将砂岩样本集的参数进行相关性分析，以获取包括第二岩石物理弹性参数和渗透率参数的高孔砂岩样本集；将第二岩石物理弹性参数和渗透率进行相关性分析，以获得包括第三岩石物理弹性参数、剪切Lee因子参数和渗透率的敏感参数组合集；将敏感参数组合集的剪切Lee因子参数和渗透率参数进行交汇分析，根据剪切Lee因子参数与渗透率参数的关系，得到分类标准；将分类后的样本输入预测渗透率模型，得到最终的预测渗透率数据。本发明通过引入剪切Lee因子参数，便于渗透率的预测。

本发明授权基于启发式卷积神经网络渗透率预测的方法在权利要求书中公布了：1.一种基于启发式卷积神经网络渗透率预测的方法，其特征在于，所述方法包括： 步骤S1:通过对地质勘探数据进行岩性解释分析，以获取包括第一岩石物理弹性参数和孔隙度参数的砂岩样本集; 步骤S2:将所述第一岩石物理弹性参数和所述孔隙度进行相关性分析，以获取包括第二岩石物理弹性参数和渗透率参数的高孔砂岩样本集； 步骤S3:基于岩石物理分析，将所述第二岩石物理弹性参数和所述渗透率进行相关性分析，以获得包括第三岩石物理弹性参数、剪切Lee因子参数和所述渗透率的敏感参数组合集； 步骤S4:将所述敏感参数组合集的剪切Lee因子参数和所述渗透率参数进行交汇分析，根据所述剪切Lee因子参数与所述渗透率参数的关系，得到分类标准，包括： 根据预设高渗低渗界限将所述高孔砂岩样本分为高孔高渗样本和高孔低渗样本； 所述将所述敏感参数组合集的剪切Lee因子和所述渗透率进行交汇分析，根据所述剪切Lee因子与所述渗透率的关系，得到分类标准包括： 基于预设阈值，将所述高孔砂岩样本集分为高孔高渗样本和高孔低渗样本； 将第二敏感参数组合集中的所述第三岩石物理弹性参数和所述剪切Lee因子与所述渗透率参数进行交汇处理，确定第一分类阈值和第二分类阈值； 利用粒子群算法在预设的浮动范围内，对所述高孔高渗样本和所述高孔低渗样本的分界线进行动态寻优，以最小化渗透率预测误差为目标,得到第一浮动阈值和第二浮动阈值； 根据所述第一分类阈值和所述第一浮动阈值得到第一分类标准； 根据所述第二分类阈值和所述第二浮动阈值得到第二分类标准； 其中，所述利用粒子群算法在预设的浮动范围内对所述高孔高渗样本和所述高孔低渗样本的分界线进行动态寻优，以获得第一浮动阈值和第二浮动阈值包括： 第一步：根据所述剪切Lee因子，将所述第二敏感参数组合集中的参数进行分类交汇分析； 第二步：调整交汇原点与旋转角度，使得所述分界线将所述高孔高渗样本和所述高孔低渗样本进行区分,以确定第一分界线和第二分界线； 第三步：将所述第一分界线与所述第二分界线调整为垂直状态，以获取第一参数和第二参数； 第四步：将所述第一参数或所述第二参数进与所述渗透率进行线性拟合得到第一渗透率预测误差，其中，所述第一渗透率预测误差是基于坐标轴旋转方法得到的渗透率预测误差； 第五步：通过粒子群算法在预设的浮动范围内对所述分界线进行动态寻优，根据渗透率预测误差的最小化原则，以得到所述第一浮动阈值和所述第二浮动阈值； 步骤S5:基于所述分类标准，将所述高孔砂岩样本集根据所述分类标准进行分类，将分类后的样本输入预测渗透率模型，得到最终的预测渗透率数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中海石油(中国)有限公司深圳分公司，其通讯地址为：518000 广东省深圳市南山区后海滨路(深圳湾段)3168号中海油大厦A座；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。