CN107783183A - 深度域地震波阻抗反演方法及系统 - Google Patents
深度域地震波阻抗反演方法及系统 Download PDFInfo
- Publication number
- CN107783183A CN107783183A CN201610797648.5A CN201610797648A CN107783183A CN 107783183 A CN107783183 A CN 107783183A CN 201610797648 A CN201610797648 A CN 201610797648A CN 107783183 A CN107783183 A CN 107783183A
- Authority
- CN
- China
- Prior art keywords
- data
- depth domain
- wave impedance
- domain seismic
- obtaining
- 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.)
- Granted
Links
- 238000012706 support-vector machine Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
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
-
- 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6226—Impedance
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (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
公开了一种深度域地震波阻抗反演方法及系统。该方法包括:基于测井数据,获得波阻抗数据和井旁深度域地震数据;基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型;以及基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体。本发明通过支持向量机建立测井数据中的波阻抗数据与井旁深度域地震数据之间的非线性关系,旨在在数据匮乏的情况下仍然可以获得比较准确的非线性关系,这种非线性关系可用来完成深度域的地震波阻抗反演,计算效率高。
Description
技术领域
本发明涉及地震勘探领域,更具体地,涉及一种深度域地震波阻抗反演方法及系统。
背景技术
在地震勘探领域,基于褶积模型的深度域地震反演方法在于难以建立进行时深转换所需要的精确三维速度场和提取深度域地震子波,即基于褶积模型的深度域地震反演方法在实现过程中存在深度域子波难以提取的问题。基于神经网络数据驱动的深度域地震反演方法只需要建立起测井曲线与目标岩性参数之间的关系即可完成反演,但是采用该方法需要的样本数据大,并且存在测井曲线时深转换过程中由于重采样造成的高频信息丢失的问题。
发明人发现,目前缺少高效精确的深度域地震反演方法。因此,有必要开发一种采集数据样本小且反演分辨率高的深度域地震反演方法及系统。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种深度域地震波阻抗反演方法及系统,其能够通过基于所述支持向量机学习模型,对三维深度域地震数据进行反演,实现求取与所述三维深度域地震数据对应的波阻抗体。
根据本发明的一方面,提出了一种深度域地震波阻抗反演方法。所述方法包括:基于测井数据,获得波阻抗数据和井旁深度域地震数据;基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型;以及基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体。
根据本发明的另一方面,提出了一种深度域地震波阻抗反演系统,所述系统包括:用于基于测井数据,获得波阻抗数据和井旁深度域地震数据的单元;用于基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型的单元;以及用于基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体的单元。
本发明通过支持向量机建立测井数据中的波阻抗数据与井旁深度域地震数据之间的非线性关系,旨在在数据匮乏的情况下仍然可以获得比较准确的非线性关系,这种非线性关系可用来完成深度域的地震波阻抗反演,计算效率高,预测结果可以用于深度域储层预测等热点领域。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的深度域地震波阻抗反演方法的步骤的流程图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
实施方式1
图1示出了根据本发明的深度域地震波阻抗反演方法的步骤的流程图。
在该实施方式中,根据本发明的深度域地震波阻抗反演方法包括:步骤101,基于测井数据,获得波阻抗数据和井旁深度域地震数据;步骤102,基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型;以及步骤103,基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体。
该实施方式通过基于所述支持向量机学习模型,对三维深度域地震数据进行反演,实现求取与所述三维深度域地震数据对应的波阻抗体。
下面详细说明根据本发明的深度域地震波阻抗反演方法的具体步骤。
获得波阻抗数据和井旁深度域地震数据
在一个示例中,基于测井数据,获得波阻抗数据和井旁深度域地震数据。
在一个示例中,获得所述波阻抗数据可以包括:基于测井数据中密度与声波时差数据计算出波阻抗数据;对所获得的波阻抗数据进行重采样获得与井旁深度域地震数据采样间隔相同的测井数据中的波阻抗数据。
在一个示例中,获得所述井旁深度域地震数据可以包括:对三维深度域地震数据提取井旁道,进而获得所述井旁深度域地震数据。
获得支持向量机学习模型
在一个示例中,基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型。
在一个示例中,获得所述支持向量机学习模型可以包括:
通过非线性映射φ(·)将训练样本集中的样本数据映射到高维线性特征空间,获得线性回归估计函数,进而获得支持向量机学习模型:
其中,ai,ai *≥0,i=1,2…l,为拉格朗日乘子,K(xi,xj)为核函数,b为偏置量。
支持向量机(Support Vector Machine,SVM)是Vapnik等于1995年首先提出一种基于统计学习理论的模式识别方法,是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以求获得最好的推广能力。支持向量机回归算法就是通过核函数将数据映射至高维特征空间,并在这个空间内进行线性回归,得到的在高维特征空间的线性回归对应于低维输入空间的非线性回归。
(1)设训练样本集为{(xi,yi),i=1,2,…,l},其中xi∈RN为所述井旁深度域地震数据样本输入值,yi∈RNH为所述测井数据中的波阻抗数据样本输出值,l为样本数。对所述训练样本集,通过非线性映射φ(·)将训练集中的样本数据映射到一个高维线性特征空间,在这个维数可能无穷大的线性空间中构造线性回归估计函数。设估计函数的形式如下:
其中,w∈RNH,wT为w的转置,wT∈RNH,b∈R,φ(·):RN→RNH是非线性映射,将输入空间映射到高维特征空间;b为偏置量,求解目的是寻求参数wT。
偏置量b使得对样本以外的输入x,有
(1)式对应的最优化问题为
约束条件为:
引入松弛变量ζ,ζ*,目的为确保式(2)有解,则(2)转化为
约束条件为:
这里c>0为惩罚系数,C越大表示对超出误差ε的数据点的惩罚越大,ε为不敏感损失函数,其形式为:
显然(4)式为一个约束二次规划.下面采用拉格朗日乘子法求解这个具有线性不等式约束条件的二次规划,即得
其中,ai,ai *≥0,i=1,2…l,为拉格朗日乘子。
引入核函数K(xi,xj)代替非线性映射φ(·),核函数为满足摩斯(Mercer)条件的任意对称函数。由此可得到(6)式的对偶优化问题:
约束条件:
求解式(7),可得到最终的估计函数:
用支持向量机进行线性回归,当样本数很多时,学习速度比较慢,而当样本数比较缺乏时,泛化能力却非常的好,也就是说支持向量机具有很强的小样本学习能力。
获得与三维深度域地震数据对应的波阻抗体
在一个示例中,基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体。
深度域地震反演是根据叠前深度偏移得到的深度域的地震速度场资料,在深度域完成高分辨率的地震反演,这样克服了测井曲线时深转换过程中由于重采样造成的高频信息丢失,有效地保证了地震反演曲线的高分辨率特征。
应用示例
为便于理解本发明实施方式的方案及其效果,以下给出一个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
首先,基于测井数据,获得波阻抗数据和井旁深度域地震数据:基于测井数据中密度与声波时差数据计算出波阻抗数据,对所获得的波阻抗数据进行重采样获得与井旁深度域地震数据采样间隔相同的测井数据中的波阻抗数据;对三维深度域地震数据提取井旁道,进而获得所述井旁深度域地震数据。
然后,基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型:通过非线性映射φ(·)将训练样本集中的样本数据映射到高维线性特征空间,获得线性回归估计函数,进而获得支持向量机学习模型:其中,ai,ai *≥0,i=1,2…l,为拉格朗日乘子,K(xi,xj)为核函数,b为偏置量。
最后,基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体。
本发明通过支持向量机建立测井数据中的波阻抗数据与井旁深度域地震数据之间的非线性关系,旨在在数据匮乏的情况下仍然可以获得比较准确的非线性关系,这种非线性关系可用来完成深度域的地震波阻抗反演,计算效率高,预测结果可以用于深度域储层预测等热点领域。
本领域技术人员应理解,上面对本发明的实施方式的描述的目的仅为了示例性地说明本发明的实施方式的有益效果,并不意在将本发明的实施方式限制于所给出的任何示例。
实施方式2
根据本发明的实施方式,提供了一种深度域地震波阻抗反演系统,所述系统包括:用于基于测井数据,获得波阻抗数据和井旁深度域地震数据的单元;用于基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型的单元;以及用于基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体的单元。
该实施方式通过基于所述支持向量机学习模型,对三维深度域地震数据进行反演,实现求取与所述三维深度域地震数据对应的波阻抗体。
在一个示例中,获得所述波阻抗数据包括:基于测井数据中密度与声波时差数据计算出波阻抗数据;对所获得的波阻抗数据进行重采样获得与井旁深度域地震数据采样间隔相同的测井数据中的波阻抗数据。
在一个示例中,获得所述井旁深度域地震数据包括:对三维深度域地震数据提取井旁道,进而获得所述井旁深度域地震数据。
在一个示例中,获得所述支持向量机学习模型包括:通过非线性映射φ(·)将训练样本集中的样本数据映射到一个高维线性特征空间,获得线性回归估计函数,进而获得支持向量机学习模型:
其中,ai,ai *≥0,i=1,2…l,为拉格朗日乘子,K(xi,xj)为核函数,b为偏置量。
本领域技术人员应理解,上面对本发明的实施方式的描述的目的仅为了示例性地说明本发明的实施方式的有益效果,并不意在将本发明的实施方式限制于所给出的任何示例。
以上已经描述了本发明的各实施方式,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施方式。
Claims (8)
1.一种深度域地震波阻抗反演方法,包括:
基于测井数据,获得波阻抗数据和井旁深度域地震数据;
基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型;以及
基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体。
2.根据权利要求1所述的深度域地震波阻抗反演方法,其中,获得所述波阻抗数据包括:
基于测井数据中密度与声波时差数据计算出波阻抗数据;
对所获得的波阻抗数据进行重采样获得与井旁深度域地震数据采样间
隔相同的测井数据中的波阻抗数据。
3.根据权利要求1所述的深度域地震波阻抗反演方法,其中,获得所述井旁深度域地震数据包括:
对三维深度域地震数据提取井旁道,进而获得所述井旁深度域地震数据。
4.根据权利要求1所述的深度域地震波阻抗反演方法,其中,获得所述支持向量机学习模型包括:
通过非线性映射φ(·)将训练样本集中的样本数据映射到高维线性特征空间,获得线性回归估计函数,进而获得支持向量机学习模型:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,ai,ai *≥0,i=1,2…l,为拉格朗日乘子,K(xi,xj)为核函数,b为偏置量。
5.一种深度域地震波阻抗反演系统,包括:
用于基于测井数据,获得波阻抗数据和井旁深度域地震数据的单元;
用于基于所述波阻抗数据与所述井旁深度域地震数据,通过支持向量机获得支持向量机学习模型的单元;以及
用于基于所述支持向量机学习模型,对三维深度域地震数据进行反演,获得与所述三维深度域地震数据对应的波阻抗体的单元。
6.根据权利要求5所述的深度域地震波阻抗反演系统,其中,获得所述波阻抗数据包括:
基于测井数据中密度与声波时差数据计算出波阻抗数据;
对所获得的波阻抗数据进行重采样获得与井旁深度域地震数据采样间
隔相同的测井数据中的波阻抗数据。
7.根据权利要求5所述的深度域地震波阻抗反演系统,其中,获得所述井旁深度域地震数据包括:
对三维深度域地震数据提取井旁道,进而获得所述井旁深度域地震数据。
8.根据权利要求5所述的深度域地震波阻抗反演系统,其中,获得所述支持向量机学习模型包括:
通过非线性映射φ(·)将训练样本集中的样本数据映射到一个高维线性特征空间,获得线性回归估计函数,进而获得支持向量机学习模型:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,ai,ai *≥0,i=1,2…l,为拉格朗日乘子,K(xi,xj)为核函数,b为偏置量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610797648.5A CN107783183B (zh) | 2016-08-31 | 2016-08-31 | 深度域地震波阻抗反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610797648.5A CN107783183B (zh) | 2016-08-31 | 2016-08-31 | 深度域地震波阻抗反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107783183A true CN107783183A (zh) | 2018-03-09 |
CN107783183B CN107783183B (zh) | 2019-10-29 |
Family
ID=61451544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610797648.5A Active CN107783183B (zh) | 2016-08-31 | 2016-08-31 | 深度域地震波阻抗反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107783183B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761531A (zh) * | 2018-04-12 | 2018-11-06 | 中国矿业大学 | 一种基于svm理论的煤体结构智能预测方法 |
WO2020055592A1 (en) * | 2018-09-14 | 2020-03-19 | Exxonmobil Upstream Research Company | Reservoir characterization utilizing inversion of resampled seismic data |
CN111666721A (zh) * | 2020-06-19 | 2020-09-15 | 中国科学院地质与地球物理研究所 | 全波形反演方法、装置及电子设备 |
CN112083482A (zh) * | 2020-08-06 | 2020-12-15 | 西安交通大学 | 基于模型驱动深度学习的地震超分辨反演方法 |
CN112987105A (zh) * | 2019-12-02 | 2021-06-18 | 中国石油天然气股份有限公司 | 定量预测地下岩盐层分布的方法、装置、终端和存储介质 |
CN113009579A (zh) * | 2019-12-20 | 2021-06-22 | 中国石油天然气集团有限公司 | 地震数据反演方法及装置 |
US11668853B2 (en) | 2019-08-06 | 2023-06-06 | ExxonMobil Technology and Engineering Company | Petrophysical inversion with machine learning-based geologic priors |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206264A (zh) * | 2007-11-08 | 2008-06-25 | 符力耘 | 高分辨率非线性地震波阻抗反演方法 |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN103389513A (zh) * | 2013-08-02 | 2013-11-13 | 中国石油集团川庆钻探工程有限公司 | 应用声波测井资料约束反演提高地震资料分辨率的方法 |
-
2016
- 2016-08-31 CN CN201610797648.5A patent/CN107783183B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206264A (zh) * | 2007-11-08 | 2008-06-25 | 符力耘 | 高分辨率非线性地震波阻抗反演方法 |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN103389513A (zh) * | 2013-08-02 | 2013-11-13 | 中国石油集团川庆钻探工程有限公司 | 应用声波测井资料约束反演提高地震资料分辨率的方法 |
Non-Patent Citations (5)
Title |
---|
于建国等: "分频反演方法及应用", 《石油地球物理勘探》 * |
刘百红等: "测井和地震资料宽带约束反演的应用", 《石油物探》 * |
韩来聚: "《胜利钻井新技术研究创新与应用(2006)》", 31 March 2008, 东营:中国石油大学出版社 * |
高少武等: "地震和测井联合反演储层波阻抗技术", 《石油物探》 * |
魏茂安等: "基于支持向量机的虚拟测井声波速度重构技术研究", 《石油钻探技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761531A (zh) * | 2018-04-12 | 2018-11-06 | 中国矿业大学 | 一种基于svm理论的煤体结构智能预测方法 |
CN108761531B (zh) * | 2018-04-12 | 2019-06-21 | 中国矿业大学 | 一种基于svm理论的煤体结构智能预测方法 |
WO2020055592A1 (en) * | 2018-09-14 | 2020-03-19 | Exxonmobil Upstream Research Company | Reservoir characterization utilizing inversion of resampled seismic data |
US11181653B2 (en) | 2018-09-14 | 2021-11-23 | Exxonmobil Upstream Research Company | Reservoir characterization utilizing ReSampled seismic data |
US11668853B2 (en) | 2019-08-06 | 2023-06-06 | ExxonMobil Technology and Engineering Company | Petrophysical inversion with machine learning-based geologic priors |
CN112987105A (zh) * | 2019-12-02 | 2021-06-18 | 中国石油天然气股份有限公司 | 定量预测地下岩盐层分布的方法、装置、终端和存储介质 |
CN112987105B (zh) * | 2019-12-02 | 2023-09-26 | 中国石油天然气股份有限公司 | 定量预测地下岩盐层分布的方法、装置、终端和存储介质 |
CN113009579A (zh) * | 2019-12-20 | 2021-06-22 | 中国石油天然气集团有限公司 | 地震数据反演方法及装置 |
CN111666721B (zh) * | 2020-06-19 | 2021-05-25 | 中国科学院地质与地球物理研究所 | 全波形反演方法、装置及电子设备 |
CN111666721A (zh) * | 2020-06-19 | 2020-09-15 | 中国科学院地质与地球物理研究所 | 全波形反演方法、装置及电子设备 |
CN112083482B (zh) * | 2020-08-06 | 2021-11-19 | 西安交通大学 | 基于模型驱动深度学习的地震超分辨反演方法 |
CN112083482A (zh) * | 2020-08-06 | 2020-12-15 | 西安交通大学 | 基于模型驱动深度学习的地震超分辨反演方法 |
US11226423B1 (en) | 2020-08-06 | 2022-01-18 | Xi'an Jiaotong University | Model-driven deep learning-based seismic super-resolution inversion method |
Also Published As
Publication number | Publication date |
---|---|
CN107783183B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107783183A (zh) | 深度域地震波阻抗反演方法及系统 | |
Chen | Fast dictionary learning for noise attenuation of multidimensional seismic data | |
Xu et al. | DL-PDE: Deep-learning based data-driven discovery of partial differential equations from discrete and noisy data | |
Lorentzen et al. | History matching channelized reservoirs using the ensemble Kalman filter | |
Cardiff et al. | Bayesian inversion for facies detection: An extensible level set framework | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Wohlberg et al. | Subsurface characterization with support vector machines | |
Li et al. | A multivariate sign chart for monitoring process shape parameters | |
Köpke et al. | Accounting for model error in Bayesian solutions to hydrogeophysical inverse problems using a local basis approach | |
EP3555850B1 (en) | System and method for image segmentation using a joint deep learning model | |
Oh et al. | Cooperative deep learning inversion of controlled-source electromagnetic data for salt delineation | |
Zhang et al. | Multi-source information fused generative adversarial network model and data assimilation based history matching for reservoir with complex geologies | |
Li et al. | Magnetotelluric noise suppression via convolutional neural network | |
Razak et al. | Latent-space inversion (LSI): a deep learning framework for inverse mapping of subsurface flow data | |
Zhang et al. | Extraction of Multiple Electrical Parameters from IP-Affected Transient Electromagnetic Data Based on LSTM-ResNet | |
Li | A class of negatively fractal dimensional Gaussian random functions | |
Springer et al. | Robust parameter estimation of chaotic systems | |
CN113970787A (zh) | 物性参数反演方法、装置、计算机设备和存储介质 | |
CN115980854A (zh) | 一种具有抖动假象压制功能的三维反射系数反演方法 | |
Zhang et al. | Estimating the rate constant from biosensor data via an adaptive variational Bayesian approach | |
Razak et al. | Physics-guided deep learning for improved production forecasting in unconventional reservoirs | |
Zhang et al. | Accelerating hydraulic fracture imaging by deep transfer learning | |
CN115795994A (zh) | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 | |
An et al. | Inversion of Oceanic Parameters Represented by CTD Utilizing Seismic Multi-Attributes Based on Convolutional Neural Network | |
Gerber et al. | Fast covariance parameter estimation of spatial Gaussian process models using neural networks |
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 |