CN107526106B - 基于半监督算法的快速地震波形分类方法 - Google Patents
基于半监督算法的快速地震波形分类方法 Download PDFInfo
- Publication number
- CN107526106B CN107526106B CN201710748330.2A CN201710748330A CN107526106B CN 107526106 B CN107526106 B CN 107526106B CN 201710748330 A CN201710748330 A CN 201710748330A CN 107526106 B CN107526106 B CN 107526106B
- Authority
- CN
- China
- Prior art keywords
- data
- seismic waveform
- waveform data
- classification
- seismic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000010587 phase diagram Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 abstract description 4
- 208000035126 Facies Diseases 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 5
- 238000005553 drilling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于半监督算法的快速地震波形分类方法,包括以下步骤:S1、沿层位获得地震波形数据,并采用基于线性变换的SSDR算法为地震波形数据降维;S2、利用地震波形数据中的标签数据训练一个距离衡量矩阵;S3、采用半监督Kmeans分类算法对地震波形数据进行分类,生成地震相图。本发明利用半监督的降维方法处理原始地震波形数据,消除了冗余数据的同时增加了同类波形数据的相似性,并增强了不同类的差异性,使得分类结果更加准确;利用已有的测井数据训练出一种合适的距离衡量矩阵,并将该距离衡量方法引入后来的分类方法中,然后提出了一种带权重的半监督Kmeans分类方法,充分地利用了测井数据,提高了分类的准确性,并且加快了分类速率。
Description
技术领域
本发明属于地震数据分析技术领域,特别涉及一种基于半监督算法的快速地震波形分类方法。
背景技术
能源是经济发展和社会进步不可或缺的物质基础和重要保障。近些年,经济对能源的依赖程度越来越高,对能源的需求不断增长,为了保持能源的稳定供给,油气工业界需要不断提高油气藏勘探的技术。在隐蔽油气藏勘探过程中,利用地震数据中包含的丰富信息对沉积相带识别,对隐蔽油气藏预测至关重要。石油工业界将利用地震数据进行沉积相识别采用的手段称为地震相识别。传统地震相识别方法是通过对地震剖面上反射特征的观察和描述来进行,不仅十分耗时和费力,还具有非常强的解释人员主观性。地震相的特征可用地震相参数来表达,所谓地震相参数是指地震相内部那些对地震剖面的面貌有重要影响,并且具有重要沉积相意义的地震反射参数。在传统地震相分析中地震相参数有三种类型,即物理参数、地震反射构型和地震相单元边界反射结构,着眼于定性描述。随着地震资料采集技术的不断进步和提高,使得地震剖面上包含的反应地质、沉积、油藏等信息更加丰富。现有的地震属性分析方法采用数学变换处理后,原有信息的保真度降低,难以有效揭示地震信号中包含与沉积、地质、油藏等密切相关的信息。地震波形包含反射模式、相位、频率、振幅等丰富信息,能够真实、充分地反映地层结构、岩性信息,间接地揭示沉积物的生成环境、生成条件和其特征,近年来利用地震波形特征在地震相、沉积相研究和储层预测中效果明显。
地震波形分类是地质学家对地震波形特征进行有效分析的一种手段。波形分类方法主要是根据一系列地震反射参数,按照一定的流程和算法对地震波形进行分类划分,划分的结果是属于同一个簇中的波形相似度较高,而不同簇之间的波形相似度较小,不同簇对应不同的波形类别,最终达到区分不同波形的目的。根据划分结果可以识别地震相单元,分析和解释得到地震相图,然后结合测井、地质、钻井、前人的研究成果等先验知识,识别区域沉积相和沉积体系,并进行储层预测和描述。
现今三维地震勘探,尤其是高密度地震勘探,采集获得的地震波形数据不仅数据量庞大,并有许多冗余信息和噪声干扰。在进行地震波形分类时,数据量大和冗余信息严重影响分类速度,包含的非地质信息会增加分类结果的不准确性。为了加快地震波形分类的运算速率,往往会对数据进行降维处理,降低地震波形数据中的冗余信息,同时压制包含的噪声。常用的降维算法PCA和LLE都是无监督的降维,降低冗余地震波形数据的同时,也能压制地震波形中的一些噪声,但是通常也会使得不同地震相的地震波形也变得十分相似,最终在分类过程中被划分到同一类,导致分类结果的不准确。
现有的地震波形分类方法中均是采用的无监督分类方法,这些方法都是基于数据本身驱动的,未虑及钻井、测井、地质等先验知识,不能和实际的测井结果相结合。
发明内容
本发明的目的在于克服现有技术的不足,提供一种利用半监督的降维方法处理原始地震波形数据,然后提出了一种带权重的半监督Kmeans分类方法,消除了冗余数据的同时增加了同类波形数据的相似性,充分地利用了测井数据,提高了分类的准确性的基于半监督算法的快速地震波形分类方法。
本发明的目的是通过以下技术方案来实现的:基于半监督算法的快速地震波形分类方法,包括以下步骤:
S1、沿层位获得地震波形数据,并采用基于线性变换的SSDR算法为地震波形数据降维;
S2、利用地震波形数据中的标签数据训练一个距离衡量矩阵;
S3、采用半监督Kmeans分类算法对地震波形数据进行分类,生成地震相图。
进一步地,所述步骤S1具体实现方法为:将地震波形数据记为集合X={x1,...,xN},集合X中的数据包括标签数据和未标签数据两类;若数据xi与xj均为标签数据,且xi与xj属于同一类,则记为(xi,xj)∈M;数据xi与xj均为标签数据,且xi与xj不属于同一类,则记为(xi,xj)∈C;其中,1≤i≤N,1≤j≤N,i≠j;
采用SSDR半监督算法为地震波形数据降维的具体操作方法是寻找一个线性变换矩阵W=[w1,w2,...,wd],将原始地震波形数据xi降维为yi=WTxi,并且能够保持原始数据的结构以及M和C的约束;同时加入大量未标签数据;具体包括以下子步骤:
S11、定义目标函数J(w):
其中,
式中,n表示总的数据数目;α、β分别表示数据不是同一类和数据是同一类在目标函数中的权重;nc、nM分别表示数据不是同一类和数据是同一类的样本数;公式(1)中第一项即为加入的未标签数据;
将公式(1)简化为:J(w)=wTXLXTw,L=D-S,D为对角矩阵,D中元素Dii=∑jSij;
S12、求满足以下条件的矩阵w:
进一步地,所述步骤S2具体实现方法为:记标签数据m表示标签数据的个数;Rd表示标签数据是d维数据;若xi与xj属于同一类,则(xi,xj)∈M,若xi与xj不属于同一类,则(xi,xj)∈C;寻找一个矩阵A,满足下列条件:
为了简化问题,将A为设为对角矩阵,得到新的等价目标函数为:
采用梯度下降和迭代的方法对公式(4)进行,得到距离衡量矩阵A。
S31、利用标签数据初始化分类中心:
S32、令H=1,oi=ci,i=1,2,...,k;
S33、对于每一个数据xj,计算数据xj和分类中心的ci的权重Wij:
参数ti的计算过程如下:
其中,q表示距离ci最近的数据点个数;
S34、对于数据xj,用如下公式计算矩阵Eij:
S35、更新每一个分类中心ci:
α是标签数据在类心更新时所占的权重因子;
S37、如果H<D,则令H=H+1,oi=ci,i=1,2,...,k,返回步骤S33;否则结束操作;其中,D表示算法运行的最大次数。
本发明的有益效果是:
1、本发明针对地震数据处理方法不能合理利用已有的测井数据进行研究,利用半监督的降维方法处理原始地震波形数据,消除了冗余数据的同时增加了同类波形数据的相似性,并增强了不同类的差异性,这将使得分类结果更加准确;
2、本发明针对地震波形分类方法如何利用测井先验信息进行了研究,先利用已有的测井数据训练出一种合适的距离衡量矩阵,该衡量方法比单纯的欧式距离衡量方法更加符合已有的先验信息,并将该距离衡量方法引入后来的分类方法中,然后提出了一种带权重的半监督Kmeans分类方法,充分地利用了测井数据,提高了分类的准确性,并且加快了分类速率,能够有效指导地震相分析或储层预测。
附图说明
图1为本发明的快速地震波形分类方法流程图;
图2为本实施例原始地震波形数据以及经过SSDR降维后的波形图;
图3为传统Kmeans算法与本发明提出的分类方法计算时间对比图;
图4为传统Kmeans算法与本发明提出的分类方法对本实施例地震波形分类结果对比图。
具体实施方式
本发明提出了一种基于半监督算法的快速地震波形分类方法。能够充分利用测井、钻井、地质先验信息作为分类的约束条件,我们先采用基于线性变换的SSDR(Semi-supervised dimensionality reduction)算法降低样本的维数,使其降维数据能够保持原始数据的结构,满足测井约束信息,增强相同类别中样本的相似性,同时突出不同类别样本的差异特征。然后利用测井信息训练一种距离衡量标准,使其同类相似性大,不同类相似性小。最后利用基于该距离衡量矩阵的Sei-Kmeans算法对降维后的数据进行分类处理,达到了提高分类结果准确性的目的,有效指导地震相分析或储层预测。下面结合附图进一步说明本发明的技术方案。
如图1所示,一种基于半监督算法的快速地震波形分类方法,包括以下步骤:
S1、沿层位获得地震波形数据,并采用基于线性变换的SSDR算法为地震波形数据降维;具体实现方法为:将地震波形数据记为集合X={x1,...,xN},集合X中的数据包括标签数据和未标签数据两类;若数据xi与xj均为标签数据,且xi与xj属于同一类,则记为(xi,xj)∈M;数据xi与xj均为标签数据,且xi与xj不属于同一类,则记为(xi,xj)∈C;其中,1≤i≤N,1≤j≤N,i≠j;
采用SSDR半监督算法为地震波形数据降维的具体操作方法是寻找一个线性变换矩阵W=[w1,w2,...,wd],将原始地震波形数据xi降维为yi=WTxi,并且能够保持原始数据的结构以及M和C的约束;同时加入大量未标签数据;具体包括以下子步骤:
S11、定义目标函数J(w):
其中,
式中,n表示总的数据数目;α、β分别表示数据不是同一类和数据是同一类在目标函数中的权重;nc、nM分别表示数据不是同一类和数据是同一类的样本数;公式(1)中第一项即为加入的未标签数据;
将公式(1)简化为:J(w)=wTXLXTw,L=D-S,D为对角矩阵,D中元素Dii=∑jSij;
S12、求满足以下条件的矩阵w:
实际地震波形数据如图2(a)所示,1~4道为无砂岩储层对应的地震道波形,5~7为砂岩厚度小于调谐厚度对应的地震道波形,8~9为砂岩厚度大于调谐厚度对应的地震道波形。从原始的波形数据中无法正确区分这三类,相同类中存在差异。如图2(b)经过半监督SSDR降维后,1~4道的波形几乎相同,5~6道的波形具有良好的相似性,并且这三类之间的特征差异性明显增强,有助于后续的分类处理。
S2、利用地震波形数据中的标签数据训练一个距离衡量矩阵;传统的K-means算法采用的是欧式距离,这是一种常规的距离度量方式。在实际中如何选取一个合适的度量方式是非常困难的,没有合适所有问题的距离度量标准。然而通过先验的测井信息,可以预先训练出相似性度量以满足类别或限制信息,然后使用基于距离度量的分类算法进行分类。本发明训练距离衡量矩阵的具体实现方法为:
地震波形数据中具有标签数据和未标签数据两种,其中标签数据包括属于同一类和不属于同一类两种情况;未标签信息即不知道其分类情况的数据;
为了简化问题,将A为设为对角矩阵,得到新的等价目标函数为:
采用梯度下降和迭代的方法对公式(4)进行,得到距离衡量矩阵A。
S3、采用半监督Kmeans分类算法对地震波形数据进行分类,生成地震相图;总的来说就是标签数据一共有k类,每一类有一些已知的样本,通过已知的标签信息将未知的样本分成k类;具体实现方法为:已知地震波形数据集为xi∈Rd;标签数据集为Lh表示第h类标签;利用半监督Kmeans分类算法将地震波形数据分为k类;包括以下子步骤:
S31、利用标签数据初始化分类中心:
S32、令H=1,oi=ci,i=1,2,...,k;
S33、对于每一个数据xj,计算数据xj和分类中心的ci的权重Wij:
参数ti的计算过程如下:
其中,q表示距离ci最近的数据点个数;
S34、对于数据xj,用如下公式计算矩阵Eij:
S35、更新每一个分类中心ci:
α是标签数据在类心更新时所占的权重因子;
S37、如果H<D,则令H=H+1,oi=ci,i=1,2,...,k,返回步骤S33;否则结束操作;其中,D表示算法运行的最大次数。
下面结合具体实施例进一步说明本发明算法的有效性。
选择一块实际的三维地震数据块进行波形分类处理。实际地震数据采集于中国塔里木盆地,采集面元为10m*10m,工区面积约120Km2,地震数据主频约为40Hz,目的层地层的平均速度约3000m/s。已知的测井信息如图2(a)所示,经过降维处理后的波形如图2(b)所示。波形标号和井标号对应关系如表1所示。传统Kmeans算法和本发明提出的方法运行时间如图3所示,从图中可以看到本发明的算法通过降维处理后可以有效减少计算时间。传统Kmeans算法的分类效果如图4(a)所示,此时井YM24为无沙岩,但是误分到了砂岩厚度小于调谐厚度的类别中;井YM16钻井显示目的层中包含厚度小于调谐厚度的砂体,但将其误分到了无沙岩储层的类别中,更重要的是,对于砂体厚度大于调谐厚度的YM93和YM90均未分到同一类别中。采用本发明提出的新方法获得的分类结果图如图4(b)所示。从图4(b)中可以观察到,分类结果准确无误,解决了传统算法分类不准确的难题,并且目标地层中砂体的边界更加清晰,有利于为新井部署提供依据。
表1地震波形标号和井标签对应关系
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.基于半监督算法的快速地震波形分类方法,其特征在于,包括以下步骤:
S1、沿层位获得地震波形数据,并采用基于线性变换的SSDR半监督算法为地震波形数据降维;具体实现方法为:将原始地震波形数据记为集合X={x1,...,xN},集合X中的数据包括标签数据和未标签数据两类;若原始地震波形数据xi与xj均为标签数据,且xi与xj属于同一类,则记为(xi,xj)∈M;原始地震波形数据xi与xj均为标签数据,且xi与xj不属于同一类,则记为(xi,xj)∈C;其中,1≤i≤N,1≤j≤N,i≠j;
采用SSDR半监督算法为地震波形数据降维的具体操作方法是寻找一个线性变换矩阵W=[w1,w2,...,wd],将原始地震波形数据xi降维为yi=WTxi,并且能够保持原始数据的结构以及M和C的约束;同时加入大量未标签数据;具体包括以下子步骤:
S11、定义目标函数J(w):
其中,
式中,n表示总的数据数目;α、β分别表示数据不是同一类和数据是同一类在目标函数中的权重;nc、nM分别表示数据不是同一类和数据是同一类的样本数;公式(1)中第一项即为加入的未标签数据;
S12、求满足以下条件的矩阵w:
S2、利用地震波形数据中的标签数据训练一个距离衡量矩阵;具体实现方法为:记标签数据xi'∈Rd,Rd表示标签数据是d维数据;若xi与xj属于同一类,则(xi,xj)∈M,若xi与xj不属于同一类,则(xi,xj)∈C;寻找一个矩阵A,满足下列条件:
为了简化问题,将A为设为对角矩阵,得到新的等价目标函数为:
采用梯度下降和迭代的方法对公式(4)进行处理,得到距离衡量矩阵A;
S3、采用半监督Kmeans分类算法对地震波形数据进行分类,生成地震相图;具体实现方法为:已知地震波形数据集为xi∈Rd;标签集为Lh表示第h类标签;利用半监督Kmeans分类算法将地震波形数据分为k类;包括以下子步骤:
S31、利用标签数据初始化分类中心:
S32、令H=1,og=cg,g=1,2,...,k;
S33、对于每一个原始地震波形数据xj,计算原始地震波形数据xj和分类中心的cg的权重Wgj:
参数tg的计算过程如下:
其中,q表示距离cg最近的数据点个数;
S34、对于原始地震波形数据xj,用如下公式计算矩阵Egj:
S35、更新每一个分类中心cg:
γ是标签数据在类心更新时所占的权重因子;
S37、如果H<C',则令H=H+1,og=cg,g=1,2,...,k,返回步骤S33;否则结束操作;其中,C'表示算法运行的最大次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710748330.2A CN107526106B (zh) | 2017-08-28 | 2017-08-28 | 基于半监督算法的快速地震波形分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710748330.2A CN107526106B (zh) | 2017-08-28 | 2017-08-28 | 基于半监督算法的快速地震波形分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107526106A CN107526106A (zh) | 2017-12-29 |
CN107526106B true CN107526106B (zh) | 2021-03-30 |
Family
ID=60682542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710748330.2A Active CN107526106B (zh) | 2017-08-28 | 2017-08-28 | 基于半监督算法的快速地震波形分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526106B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320556B (zh) * | 2018-03-29 | 2020-11-13 | 中国石油化工股份有限公司 | 一种基于无监督分类三维隐空间的地震相分析方法 |
CN109272029B (zh) * | 2018-08-31 | 2022-02-22 | 电子科技大学 | 井控稀疏表征大规模谱聚类地震相划分方法 |
CN109885818B (zh) * | 2019-01-31 | 2020-11-27 | 中国地质大学(武汉) | 一种PowerPoint演示文稿向Beamer演示文稿转换方法及系统 |
CN112114360B (zh) * | 2019-06-21 | 2024-06-28 | 中国石油天然气集团有限公司 | 一种地震波形分析方法及装置 |
CN110609320B (zh) * | 2019-08-28 | 2021-03-16 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
CN112684497B (zh) * | 2019-10-17 | 2023-10-31 | 中国石油天然气集团有限公司 | 地震波形聚类方法和装置 |
CN114114410B (zh) * | 2020-08-28 | 2022-09-09 | 中国科学技术大学 | 一种识别异常地震信号的方法 |
CN112379442B (zh) * | 2020-11-02 | 2024-07-26 | 中国石油天然气集团有限公司 | 地震波形分类方法及装置 |
CN113128623B (zh) * | 2021-05-13 | 2022-04-15 | 重庆理工大学 | 一种用于地震相分析的鲁棒K-means算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819688A (zh) * | 2012-08-29 | 2012-12-12 | 电子科技大学 | 基于半监督分类的二维地震数据全层位追踪方法 |
CN104280771A (zh) * | 2014-10-27 | 2015-01-14 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于em算法的三维地震数据波形的半监督聚类方法 |
US10139507B2 (en) * | 2015-04-24 | 2018-11-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
-
2017
- 2017-08-28 CN CN201710748330.2A patent/CN107526106B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107526106A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107526106B (zh) | 基于半监督算法的快速地震波形分类方法 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN106842307B (zh) | 一种基于正演约束下波形分类再检索的储层精细预测方法 | |
CN111783825A (zh) | 一种基于卷积神经网络学习的测井岩性识别方法 | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
CN112684497B (zh) | 地震波形聚类方法和装置 | |
CN109407173A (zh) | 基于常规测井曲线的岩性精细化和自动化识别方法 | |
CN109345007B (zh) | 一种基于XGBoost特征选择的有利储层发育区预测方法 | |
CN108333629B (zh) | 一种利用经验模态分解和支持向量机定量预测煤厚的方法 | |
Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
CN109633743A (zh) | 一种基于波形分类地震相技术预测煤层厚度的方法 | |
CN110554427B (zh) | 一种基于地震波形正演的岩性组合预测方法 | |
CN115598697A (zh) | 薄层结构高分辨率地震反演方法、装置、介质和设备 | |
Yuan et al. | Lithology identification by adaptive feature aggregation under scarce labels | |
Cheng et al. | Petroleum lithology discrimination based on PSO-LSSVM classification model | |
CN117452518A (zh) | 基于多学科数据融合聚类算法的储层岩性预测方法 | |
Song et al. | Reservoir lithology identification based on improved adversarial learning | |
Kubichek et al. | Statistical modeling and feature selection for seismic pattern recognition | |
Braun et al. | Lithology determination in a coal exploration drillhole using Steiner weighted cluster analysis | |
Xu et al. | Subsurface lithofacies identification with meta learning | |
CN112444868B (zh) | 一种基于改进的k均值算法的地震相分析方法 | |
CN114200543B (zh) | 一种基于沉积速率估算的三角洲沉积微相定量划分方法 | |
Rifal et al. | Predicting Missing Values of Well Logs and Classifying Lithology using Machine Learning Algorithms | |
CN117555017A (zh) | 基于层次联合聚类的储层岩性预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |