排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
通过对西南某坝区压水试验数据的计算分析,提出了基于中值理论和几何均值的埋深域渗透系数取值区间法。首先将压水试验资料采用巴布什金经验公式和达西公式把吕荣值转换成渗透系数,并分析各分类项的数据分布类型。在分析研究区层状裂隙岩体岩性特征及其组合关系的基础上,运用均值和中值理论从宏观上分析研究区垂向和平面渗透特征,得出均值和中值分析的侧重点;再用渗透系数与埋深散点图绘制小值和大值取值趋势线,继而进行曲线拟合,并完成数理可靠性和物理含义的检验;运用通过检验的方程计算每米埋深的渗透系数,而后在划分的各埋深域内,依据小值和大值取值数量的差别,分别求取其几何平均值,最终得到各埋深域渗透系数取值区间。 相似文献
2.
系统地收集了国内已公开发表的东北地区热流数据81个,并对其进行了初步统计分析。这些数据的地理分布还很不均匀,热流值变化范围为30-94mW/m^2,多种统计平均方法得到的结果表明,东北大陆地区平均热流值变化范围为60-63mW/m62。然后,根据上述统计结果初步讨论了我国东北地区地热场分布的基本特征和概况,并阐述了这项研究的地质和地球物理意义。 相似文献
3.
4.
桂林市混合土层有其特殊性,目前对它的判定划分标准尚未统一。文章运用概率分布和假设检验的统计分析方法,通过对混合土层中重型动力触探试验数据的研究,得出了在自然地貌条件完好性不同的情形下,其不同的数据分布特征。为进一步划分及正确评价该土层提供了依据。 相似文献
5.
渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声,渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性);同时,当测试数据与训练数据存在差异时,机器学习模型在预测渗透率时可能出现模型参数的不确定性(即认知不确定性).为实现渗透率的准确预测并量化两种不确定性对结果的影响,本文提出基于数据分布域变换和贝叶斯神经网络同时实现渗透率预测及其不确定性的估计.提出方法主要包括两个部分:一部分是不同域数据分布的相互转换,另一部分是基于贝叶斯理论的神经网络渗透率建模预测和不确定性估计.由于贝叶斯神经网络存在数据分布的假设,当标签的概率分布与网络的分布保持一致时,贝叶斯神经网络可以更好的学习到数据之间的关系.因此通过寻找一个函数将一个原始域的渗透率标签转换为目标域的与渗透率有关的变量(我们称为目标域渗透率),使得该变量符合贝叶斯神经网络的分布假设.我们使用贝叶斯神经网络预测目标域渗透率以及任意不确定性和认知不确定性.随后,通过分布域的逆变换,我们将目标域渗透率还原回原始域渗透率.应用本文方法到某油田的18口井的测井... 相似文献
6.
1