CN108897042A - 有机质含量地震预测方法及装置 - Google Patents
有机质含量地震预测方法及装置 Download PDFInfo
- Publication number
- CN108897042A CN108897042A CN201810986762.1A CN201810986762A CN108897042A CN 108897042 A CN108897042 A CN 108897042A CN 201810986762 A CN201810986762 A CN 201810986762A CN 108897042 A CN108897042 A CN 108897042A
- Authority
- CN
- China
- Prior art keywords
- network model
- organic matter
- content
- velocity
- log data
- 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
- 239000005416 organic matter Substances 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 89
- 210000005036 nerve Anatomy 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 4
- 239000011435 rock Substances 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000000465 moulding Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 241000212384 Bifora Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
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
本发明提供了一种有机质含量地震预测方法及装置，其中，该方法包括：从待预测的测井数据中获取地震弹性参数；将地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；所述混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系；所述混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型；所述人工神经网络模型的输出向量为所述高斯混合模型的输入向量。上述技术方案通过基于数据驱动的有机质含量预测，提高了有机质含量预测的精度和效率。
Description
技术领域
本发明涉及地震储层预测技术领域，特别涉及一种有机质含量地震预测方法及装置。
背景技术
随着地震勘探技术的发展，油气资源的寻找方向已发生了从构造型油气藏到复杂岩性油气藏的明显转变。对于复杂岩性油气藏来说，储层物性参数在储层预测与评价、油气储量估算及开发井位的确定中已成为非常重要的依据，因此，我们需要考虑更准确、更有效、更经济的方法对储层参数进行预测。
目前，从弹性参数中预测储层参数的岩石物理反演方法主要有基于岩石物理模型的模型驱动方法，该模型驱动反演通过各种线性迭代反演算法或者全局采样算法(如蒙特卡洛采样)来实现，但是这种反演方法受限于我们所构建的岩石物理模型，对于任意地质环境下的岩石物理关系往往是半经验的，需要我们利用当地的测井数据及实验室岩芯测量数据进行校正，而且校正后的岩石物理模型也只能用于一些类似于模型假设条件的地质情况下的反演，很难解决任意岩石物理关系中的储层参数预测问题。因此，现有基于岩石物理模型的模型驱动预测方法存在局限性，预测的精度和效率低。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种有机质含量地震预测方法，用以通过基于数据驱动的有机质含量预测，提高有机质含量预测的精度和效率，该方法包括：
从待预测的测井数据中获取地震弹性参数；
将所述地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；所述混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系；所述混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型；所述人工神经网络模型的输出向量为所述高斯混合模型的输入向量。
本发明实施例还提供了一种有机质含量地震预测装置，用以通过基于数据驱动的有机质含量预测，提高有机质含量预测的精度和效率，该装置包括：
获取单元，用于从待预测的测井数据中获取地震弹性参数；
预测单元，用于将所述地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；所述混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系；所述混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型；所述人工神经网络模型的输出向量为所述高斯混合模型的输入向量。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述有机质含量地震预测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行有机质含量地震预测方法的计算机程序。
与现有技术中基于岩石物理模型的驱动来预测有机质含量的方案相比较，本发明实施例提供的技术方案，首先，从待预测的测井数据中获取地震弹性参数，接着，将该地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；其中，该混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系，进而根据该非线性关系预测的有机质含量，不依赖于岩石物理模型，因此在复杂地质条件下有更广泛的适用性和实用性；又因该混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型，人工神经网络模型的输出向量为高斯混合模型的输入向量，不需要依赖蒙特卡洛算法求解反演解的贝叶斯后验概率分布，克服了蒙特卡洛法在计算效率上的局限性，能以任意精度求解模型参数的贝叶斯后验概率分布，因此，基于神经网络算法求解混合高斯模型的分布形式，并将其作为贝叶斯后验概率，这种方法明显节约了计算成本，提高了计算效率，从而提高了有机质含量预测的精度和效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是本发明实施例中混合高斯概率密度网络模型的结构示意图；
图2是本发明实施例中混合高斯概率密度网络模型中的人工神经网络模型的示意图；
图3是本发明实施例中混合高斯概率密度网络模型中的高斯混合模型的示意图；
图4是本发明实施例中有机质含量地震预测方法的流程示意图；
图5是本发明实施例中有机质含量TOC对密度、纵波速度和横波速度的敏感性分析示意图；
图6是本发明实施例中测井数据有机质含量的直方图统计分析及高斯分布拟合结果示意图；
图7是本发明实施例中利用训练得到的混合高斯概率密度网络模型，对测井数据进行反演得到的有机质含量示意图；
图8是本发明实施例中有机质含量地震预测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
发明人发现：从弹性参数中预测储层参数的岩石物理反演方法主要有基于岩石物理模型的模型驱动方法。模型驱动反演通过各种线性迭代反演算法或者全局采样算法(如蒙特卡洛采样)来实现，但是这种反演方法受限于我们所构建的岩石物理模型，对于任意地质环境下的岩石物理关系往往是半经验的，需要我们利用当地的测井数据及实验室岩芯测量数据进行校正，而且校正后的岩石物理模型也只能用于一些类似于模型假设条件的地质情况下的反演，很难解决任意岩石物理关系中的储层参数预测问题。因此，现有基于岩石物理模型的模型驱动预测方法存在局限性，预测的精度和效率低。
因此，由于发明人发现了上述技术问题，提出了一种基于实际地震数据与测井数据的数据驱动方法，数据驱动反演相对于模型驱动反演来说可以较好地解决这一问题，它从实际地震数据或测井数据中直接提取弹性参数空间到储层参数空间的映射关系，不依赖于岩石物理模型，因此在复杂地质条件下有更广泛的适用性。下面介绍发明人经过长期大量实验，发现基于数据驱动的有机质含量地震预测方法中所用模型的过程进行介绍。
人工神经网络是一种模仿动物神经网络行为特征构造的一种基于数据驱动的映射模型，它能够通过对数据的学习实现任何难以用数学模型描述的复杂非线性映射关系。有些学者应用神经网络反演合成记录的共炮点道集，得到了地震波速度模型。有些学者提出了结合神经网络与概率论的一维反问题的求解方法。有些学者提出了正则化的神经网络反演方法，能够稳健地从三维地震数据中预测孔隙度。有些学者应用自适应的反向传播算法训练神经网络，根据测井数据的密度、中子孔隙度和伽马测井结果定义了岩性界面。有些学者提出了一个更一般化的神经网络方法，能够求出离散随机变量的条件概率密度分布，他们将该方法应用于合成记录的岩相预测。混合概率密度网络(MDN)是一类多维的﹑特殊的神经网络，它的初始概念是由英国著名的计算机科学家Bishop教授于1994年提出的。作为一种新的概率反演方法，混合概率密度网络的基本思想是将多个高斯核函数的混合模型与BP前馈网络相结合，能以任意精度求解模型参数的贝叶斯后验概率分布，即关于输出变量t的不确定性估计可由其条件概率密度p(t|x)表示，其结构示意图如图1所示。在混合概率密度网络中，BP网络全称为基于误差反向传播算法的人工神经网络，其结构包含一个输入层、一个输出层以及至少一个隐含层，神经元模型如图2所示，图2中x为输入向量，w为网络连接的突触权值，b为神经网络节点的偏置，f为激励函数，y是神经元的输出值。
有些学者提出了对角混合概率密度网络，即协方差矩阵的非对角线元素为零，而对角线元素为各个模型参数的方差，且方差不一定相等，将对角混合概率密度网络(高斯混合模型)应用于测井数据的孔隙度和泥质含量的求解，结果表明对角混合概率密度网络在这两个参数的反演中能够取得较好的效果。对角混合概率密度网络的结构如图3所示，图3中，αi为第i个核函数的混合系数，表示第i个对角高斯核函数，表达形式为：
其中，c表示目标变量t＝(t1,...,tc)的维数，μik表示第i个核函数的均值矢量中第k个元素，σik表示第i个核的协方差矩阵中第k个对角元素。因此，第i个核函数的均值和方差可分别表示为μi＝(μi1,...,μic)和∑i＝diag(σi1,...σic)。为保证协方差矩阵的对角元素值有效，必须要求方差σik为非负数，因此需将相应BP网络的输出z做指数变换；同时，对于均值μik，可直接用相应BP网络的输出表示；此外，混合系数必须满足具体表现的参数形式如下：
从上述内容可以看出，利用岩石物理模型预测致密油气储层的有机质含量存在相当大的难度，相对来说，基于数据驱动的对角混合高斯概率密度网络是一个行之有效的反演方法。
基于以上所述，本发明旨在应用对角混合高斯概率密度网络，有效地从测井数据中获取弹性参数与有机质含量之间的高度非线性关系，进而可以从地震弹性参数中预测出储层的有机质含量。并达到如下目的：
1、岩石的弹性参数与有机质含量之间的关系是相当复杂的，目前并没有非常完善的理论公式来对其进行刻画，因此本发明实施例提供的方案具有从弹性参数和有机质含量的测井数据中获得两者之间关系的能力；
2、根据神经网络所存储的弹性参数与有机质含量之间的非线性关系，本发明实施例提供的方案具有从地震数据反演得到的弹性参数中预测有机质含量的能力。
即，本发明实施例涉及一种基于混合高斯概率密度网络的有机质含量地震预测方法，在地质环境较为复杂，岩石物理模型难以刻画弹性参数与有机质含量之间的关系时，提出的基于对角混合高斯概率密度网络的独创技术为，可以有效地从测井数据中获取弹性参数与有机质含量之间的高度非线性关系，进而可以从地震弹性参数中预测出储层的有机质含量。
本发明创造的难点是训练出泛化能力较好的混合高斯概率密度网络，从地震弹性参数中准确地预测出有机质含量，提高有机质含量预测的精度和效率。本发明的要点是设计合理的神经网络结构及对神经网络的输入数据进行有效的预处理。
本发明实施例的技术方案主要包括以下几个部分：
1、分析弹性参数与有机质含量的测井数据，以及有机质含量的统计分布特征。此项研究内容的作用为：(1)分析对有机质含量敏感的弹性参数，确定神经网络的输入参数；(2)分析有机质含量与弹性参数的对应关系，为后续解释有机质含量的预测结果做基础；(3)分析有机质含量的统计分布特征，初步确定混合高斯核函数的个数以及神经网络的结构。
2、对弹性参数和有机质含量的测井数据进行平滑处理，同时对混合高斯概率密度网络的输入数据进行归一化处理。此项研究内容的作用为：(1)平滑作用可以确保训练得到的神经网络能够匹配地震反演得到的弹性参数的尺度，这一步要求对测井数据的平滑要适当，在尽量保留测井数据的高频信息的前提下，对测井数据进行平滑使得由测井数据训练得到的神经网络可以反映地震弹性参数与有机质含量之间的关系；(2)对输入数据的归一化处理可以加速神经网络的收敛，归一化对神经网络最终的预测能力有很大的影响，因此需要进行多次试验慎重选择合适的归一化方式。
3、设计合理的神经网络结构，并由测井数据训练得到合理的混合高斯概率密度网络。此项研究内容的作用为：通过对弹性参数和有机质含量的测井数据进行训练获得两者之间的非线性关系，并将其保存在混合高斯概率密度网络中，这是整个专利中最核心的一步，这一步要求得到的神经网络不仅能够对测井数据进行反演，也要能够从地震弹性参数中反演出有机质含量，也就是说训练得到的神经网络应有较好的泛化能力。
4、根据训练得到的混合高斯概率密度网络从地震反演得到的弹性参数中预测有机质含量。此项研究内容的作用为：在对地震弹性参数进行归一化处理的基础上，将其作为神经网络的输入，通过之前得到的混合高斯概率密度网络进行反演，得到致密油气储层有机质含量的预测结果。
下面对该基于混合高斯概率密度网络的有机质含量地震预测方案进行详细介绍如下。
图4是本发明实施例中有机质含量地震预测方法的流程示意图，如图4所示，该方法包括如下步骤：
步骤101：从待预测的测井数据中获取地震弹性参数；
步骤102：将地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；混合高斯概率密度网络模型包括根据多个测井数据样本预先训练生成的地震弹性参数与有机质含量的非线性关系；混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型；人工神经网络模型的输出向量为高斯混合模型的输入向量。
与现有技术中基于岩石物理模型的驱动来预测有机质含量的方案相比较，本发明实施例提供的技术方案，首先，从待预测的测井数据中获取地震弹性参数，接着，将该地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；其中，该混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系，进而根据该非线性关系预测的有机质含量，不依赖于岩石物理模型，因此在复杂地质条件下有更广泛的适用性和实用性；又因该混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型，人工神经网络模型的输出向量为高斯混合模型的输入向量，不需要依赖蒙特卡洛算法求解反演解的贝叶斯后验概率分布，克服了蒙特卡洛法在计算效率上的局限性，能以任意精度求解模型参数的贝叶斯后验概率分布，因此，基于神经网络算法求解混合高斯模型的分布形式，并将其作为贝叶斯后验概率，这种方法明显节约了计算成本，提高了计算效率，从而提高了有机质含量预测的精度和效率。
下面对本发明实施例涉及的步骤进行详细介绍如下。
(一)首先介绍预先训练混合高斯概率密度网络模型的步骤。
在一个实施例中，可以按照如下方法预先训练生成所述混合高斯概率密度网络模型：
获得测井数据样本；所述测井数据样本包括密度、纵波速度和横波速度和有机质含量测井数据；
将所述测井数据样本划分为训练集和测试集；
利用所述训练集对所述人工神经网络模型进行训练，确定人工神经网络模型的初步结构，以及确定高斯混合模型的初步结构；
根据所述测试集对所述人工神经网络模型的初步结构和高斯混合模型的初步结构进行调整，确定所述预先训练生成的混合高斯概率密度网络模型。
1、首先介绍上述获取测井数据样本的过程：
首先，要在获取到测井数据样本后，对测井数据样本进行分析，得到对有机质含量敏感的弹性参数(例如：密度、纵波速度和横波速度，确定神经网络的输入参数)，另外，分析有机质含量与弹性参数的对应关系，为后续解释有机质含量的预测结果做基础。
在一个实施例中，上述有机质含量地震预测方法还可以包括：按照如下方法对训练集进行预处理：
对密度、纵波速度、横波速度和有机质含量的测井数据依照地震观测尺度进行平滑处理；
对平滑处理后的密度、纵波速度和横波速度的测井数据分别进行线性归一化处理，并将归一化处理后的密度、纵波速度和横波速度的测井数据作为人工神经网络模型的输入向量；进行平滑处理后的有机质含量作为人工神经网络模型的输出向量。
具体实施时，在获取到测井数据样本后，对测井数据样本进行预处理，对弹性参数和有机质含量的测井数据进行平滑处理，同时对混合高斯概率密度网络的输入数据进行归一化处理。此项研究内容的作用为：(1)平滑作用可以确保训练得到的神经网络能够匹配地震反演得到的弹性参数的尺度，这一步要求对测井数据的平滑要适当，在尽量保留测井数据的高频信息的前提下，对测井数据进行平滑使得由测井数据训练得到的神经网络可以反映地震弹性参数与有机质含量之间的关系；(2)对输入数据的归一化处理可以加速神经网络的收敛，归一化对神经网络最终的预测能力有很大的影响，因此需要进行多次试验慎重选择合适的归一化方式。
2、其次介绍根据预处理后的获取测井数据样本，训练混合高斯概率密度网络模型的过程：
具体实施时，混合高斯概率密度网络的设计和训练过程可以包括：
(1)根据技术方案中第一步的分析结果，将对有机质含量敏感的弹性参数作预处理后输入神经网络，而平滑后的有机质含量作为神经网络的输出。
(2)设计BP网络中隐含层神经元的激活函数可以为双曲正切型传递函数，输出层的神经元的激活函数可以为线性传递函数。
(3)对神经网络的权值进行初始化，确定网络的最大训练次数及优化参数。
(4)根据对有机质含量统计特征的分析，初步确定高斯核函数的个数，经验性地确定隐含层神经元的个数。
(5)输入数据正向传输得到输出数据，计算输出数据和期望的目标输出(即平滑后测井数据的有机质含量)之间的误差，若误差大于目标误差，则对误差反向传播计算隐含层神经元的权值修改量及阈值修改量。
(6)重复第(5)步，直到网络的误差平方和达到最小，网络的训练结束。
(7)重复第(4)-(5)步，经过多次训练与试验进一步确定合适的核函数个数以及隐含层神经元个数。
在一个实施例中，利用所述训练集对所述人工神经网络模型进行训练，确定人工神经网络模型的初步结构，以及确定高斯混合模型的初步结构，可以包括：
根据如下方法对人工神经网络模型的权值进行初始化：采用K平均算法给高斯混合模型赋初值，并将高斯混合模型的初值赋给人工神经网络模型的输出层阈值，将零值附近的随机数作为初始权值赋予人工神经网络模型的其他层；
根据有机质含量的统计分布特征，确定所述高斯混合模型的最优核函数的数目；
将人工神经网络模型权值的总数小于训练集样本数量的十分之一时，对应的人工神经网络模型的隐含层神经元个数为隐含层神经元的数量；
确定与训练集样本数量匹配的所述人工神可以络模型的最佳训练次数。
基于此，具体实施时对角混合高斯概率密度网络训练的技术要点可以包括：
(1)对于神经网络权值的初始化要合理。由于神经网络的计算结果依赖于初始权值，且其进入非线性区域特别快，因此过大的初始权值将会导致错误的结果，而太小的初始权值将需要更多的时间进行学习，从而使得神经网络适应非线性过程。因此，通常将零值附近的随机数作为权值的初始化，但考虑到目标变量的非条件分布，这里可以采用一种更优的权值初始化方式。假设目标变量呈高斯分布，主要采用K平均算法由给一个高斯混合模型赋初值，并将此模型参数赋给网络输出层阈值，其他层的权值参数仍初始化为零附近的随机数。试验表明此方法能大大减少网络的训练时间并避免陷入极小值。
(2)核函数的个数取决于所模拟的后验概率密度分布的形态，通过增加核函数的个数，混合高斯概率密度的表现形式与后验概率的匹配程度会提高。然而，过多的核函数会导致更大的计算量及更长的训练时间。因此，核函数个数的适当选择往往需要通过不断的试验来确定，以此保证在合理的训练时间内，通过高斯概率密度核函数的混合加权能最好地刻画模型参数的后验概率分布。
(3)隐含层神经元个数的确定通常是经验性的或多次试验的结果，试验方法为由少到多地增加隐含层神经元数量直至神经网络的性能不再提高为止。对于隐含层神经元数量的选择，通过优化网络的泛化能力(是指机器学习算法对新样本的适应能力)，从训练样本数量推测隐含层神经元的数量，当神经网络权值的总数小于训练样本数量的十分之一时，网络具有较好的泛化能力。
(4)神经网络的泛化能力是衡量神经网络性能好坏的重要标志。并非网络训练次数越多，其结果就越能正确反映了输入输出间的映射关系。这是由于所收集到的样本数据往往包含了噪音，当训练次数过多，将导致网络更多地学习含噪音数据，使其更多地存贮了各个训练样本的“个性”，而掩盖了全体样本所呈现的整体特征，影响网络的泛化能力，从而出现过拟合问题，即网络能够准确映射已知样本间的关系，却不能正确表现未知数据的映射结果。同时，训练样本不充足也会引起欠拟合问题。通常情况下，如何选择最佳的训练次数也是需要在多次试验中总结经验，在实际应用中，我们应该尽量保证有足够多的训练样本，并结合某种机制(比如训练提前终止)确认与样本数量匹配的训练次数，提高网络的泛化能力。
(二)其次介绍利用预先训练生成的混合高斯概率密度网络模型进行预测的步骤。
在一个实施例中，从待预测的测井数据中获取地震弹性参数，可以包括：
分析待预测的测井数据中对有机质含量敏感的地震弹性参数；所述地震弹性参数包括：密度、纵波速度和横波速度；
对密度、纵波速度和横波速度进行归一化预处理；
将所述地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量，可以包括：
将进行归一化预处理的密度、纵波速度和横波速度输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量。
具体实施时，分析待预测的测井数据中对有机质含量敏感的地震弹性参数，并对地震弹性参数：密度、纵波速度和横波速度进行归一化预处理，可以提高有机质含量预测的效率和精度。
下面再结合附图5至图7举一实例，以说明书本发明如何实施。
本发明实施例的具体步骤可以包括如下：
1.对密度、纵波速度、横波速度和有机质含量的测井数据依照地震观测尺度进行适当的平滑；
2.对密度、纵波速度和横波速度的测井数据分别进行线性归一化处理，并将处理后的数据作为人工神经网络模型的输入，上一步处理后的有机质含量作为人工神经网络模型的输出；
3.试验确定合理的人工神经网络模型结构，包括选择合理的隐含层节点数、高斯核函数、人工神经网络模型权值优化过程中的训练次数及迭代次数，根据预处理后的弹性参数及有机质含量数据对人工神经网络模型进行训练，得到能够合理反演测井有机质含量的混合高斯概率密度网络模型；
4.从地震数据中反演得到密度、纵波速度和横波速度，并根据对测井数据进行归一化的因子分别对三个地震弹性参数进行归一化处理；
5.将归一化处理后的地震弹性参数输入到训练所得的混合高斯概率密度网络模型，从而反演出储层中的有机质含量。
其中，针对致密油气储层有机质含量预测的效果如下述实例所示，致密油气储层有机质含量预测：
对于致密油气储层，首先根据测井数据分析了有机质含量对弹性参数的敏感性，确定了密度、纵波速度和横波速度可以作为反演有机质含量的有效参数，从分析结果(见图5，图5中Density为密度，Vs为横波速度，Vp为纵波速度)中可以看出密度和纵横波速度能够较好地区分出不同的有机质含量。其次分析了有机质含量的统计分布特征，如图6所示，横轴TOC为有机质含量，纵轴为统计频数，图中曲线为高斯分布拟合的结果，从分析结果中可以看出该地区的有机质含量接近于高斯分布，且为单峰分布，因而用一个高斯核函数来对其进行刻画。
根据人工神经网络模型的训练结果，我们对测井数据的有机质含量进行反演，结果如图7所示，图左为有机质含量在每个深度处取不同值时的概率，色标为概率值，取概率最大的值为反演结果，图右为测井有机质含量的平滑值(实线)与有机质含量的反演结果(虚线)的对比结果。
通过对测井数据和地震数据的反演结果可以看到，混合高斯概率密度网络可以有效地从密度、纵波速度和横波速度中预测出致密油气储层的有机质含量。
基于同一发明构思，本发明实施例中还提供了一种有机质含量地震预测装置，如下面的实施例。由于有机质含量地震预测装置解决问题的原理与上述有机质含量地震预测方法相似，因此有机质含量地震预测装置的实施可以参考上述有机质含量地震预测方法的实施，重复之处不再赘述。以下所使用的，术语“模块”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是本发明实施例中有机质含量地震预测装置的结构示意图，如图8所示，该装置包括：
获取单元02，用于从待预测的测井数据中获取地震弹性参数；
预测单元04，用于将所述地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；所述混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系；所述混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型；所述人工神经网络模型的输出向量为所述高斯混合模型的输入向量。
在一个实施例中，该有机质含量地震预测装置还可以包括：训练单元，用于预先训练生成所述混合高斯概率密度网络模型；所述训练单元包括：
获得模块，用于获得测井数据样本；所述测井数据样本包括密度、纵波速度和横波速度和有机质含量测井数据；
划分模块，用于将所述测井数据样本划分为训练集和测试集；
初步确定模块，用于利用所述训练集对所述人工神经网络模型进行训练，确定人工神经网络模型的初步结构，以及确定高斯混合模型的初步结构；
最终确定模块，用于根据所述测试集对所述人工神经网络模型的初步结构和高斯混合模型的初步结构进行调整，确定所述预先训练生成的混合高斯概率密度网络模型。
在一个实施例中，所述初步确定模块具体可以用于：
根据如下方法对人工神经网络模型的权值进行初始化：采用K平均算法给高斯混合模型赋初值，并将高斯混合模型的初值赋给人工神经网络模型的输出层阈值，将零值附近的随机数作为初始权值赋予人工神经网络模型的其他层；
根据有机质含量的统计分布特征，确定所述高斯混合模型的最优核函数的数目；
将人工神经网络模型权值的总数小于训练集样本数量的十分之一时，对应的人工神经网络模型的隐含层神经元个数为隐含层神经元的数量；
确定与训练集样本数量匹配的所述人工神经网络模型的最佳的训练次数。
在一个实施例中，上述有机质含量地震预测装置还可以包括：预处理单元，用于按照如下方法对训练集进行预处理：
对密度、纵波速度、横波速度和有机质含量的测井数据依照地震观测尺度进行平滑处理；
对平滑处理后的密度、纵波速度和横波速度的测井数据分别进行线性归一化处理，并将归一化处理后的密度、纵波速度和横波速度的测井数据作为人工神经网络模型的输入向量；进行平滑处理后的有机质含量作为人工神经网络模型的输出向量。
在一个实施例中，获取单元具体可以用于：
分析待预测的测井数据中对有机质含量敏感的地震弹性参数；所述地震弹性参数可以包括：密度、纵波速度和横波速度；
对密度、纵波速度和横波速度进行归一化预处理；
所述预测单元具体用于：将进行归一化预处理的密度、纵波速度和横波速度输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述有机质含量地震预测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行有机质含量地震预测方法的计算机程序。
本发明实施提供的技术方案的有益技术效果为：
1、本发明实施提供的技术方案能够完成弹性参数到有机质含量的非线性映射，从而可以对储层岩石中的有机质含量进行预测。
2、本发明实施提供的技术方案不依赖于岩石物理模型，有较高的分辨率。弹性参数与有机质含量之间是一种非常复杂的非线性关系，利用岩石物理模型对其进行刻画存在很大的局限性，首先，岩石物理模型都存在各种各样的假设条件，这些假设在复杂的地质情况下可能并不适用；其次，目前对有机质含量进行刻画的岩石物理模型大多数过于简单，无法满足储层有机质含量预测的精度要求。而本发明实施提供的技术方案提出的利用混合概率密度网络对有机质含量进行预测是一种完全基于数据驱动的预测方法，能够利用测井数据完成弹性参数与有机质含量之间复杂的非线性映射，因而这种方法比岩石物理模型有更高的分辨率，而且相对于岩石物理模型来说，在复杂地质条件下，这种方法的实用性明显要更高。
3.本发明实施提供的技术方案不需要依赖蒙特卡洛算法求解反演解的贝叶斯后验概率分布，克服了蒙特卡洛法在计算效率上的局限性。由于反问题的非唯一性，我们不仅需要得到反问题的解，还需要对解的不确定性进行评价，然而基于蒙特卡洛算法求解贝叶斯反问题的后验概率分布计算量巨大，在实际问题的计算中效益较低，因此基于神经网络算法求解混合高斯模型的分布形式，并将其作为贝叶斯后验概率，这种方法明显节约了计算成本，提高了计算效率。
综上，本发明实施提供的技术方案通过基于数据驱动的有机质含量预测，提高了有机质含量预测的精度和效率。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种有机质含量地震预测方法，其特征在于，包括：
从待预测的测井数据中获取地震弹性参数；
将所述地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；所述混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系；所述混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型；所述人工神经网络模型的输出向量为所述高斯混合模型的输入向量。
2.如权利要求1所述的有机质含量地震预测方法，其特征在于，按照如下方法预先训练生成所述混合高斯概率密度网络模型：
获得测井数据样本；所述测井数据样本包括密度、纵波速度和横波速度和有机质含量测井数据；
将所述测井数据样本划分为训练集和测试集；
利用所述训练集对所述人工神经网络模型进行训练，确定人工神经网络模型的初步结构，以及确定高斯混合模型的初步结构；
根据所述测试集对所述人工神经网络模型的初步结构和高斯混合模型的初步结构进行调整，确定所述预先训练生成的混合高斯概率密度网络模型。
3.如权利要求2所述的有机质含量地震预测方法，其特征在于，利用所述训练集对所述人工神经网络模型进行训练，确定人工神经网络模型的初步结构，以及确定高斯混合模型的初步结构，包括：
根据如下方法对人工神经网络模型的权值进行初始化：采用K平均算法给高斯混合模型赋初值，并将高斯混合模型的初值赋给人工神经网络模型的输出层阈值，将零值附近的随机数作为初始权值赋予人工神经网络模型的其他层；
根据有机质含量的统计分布特征，确定所述高斯混合模型的最优核函数的数目；
将人工神经网络模型权值的总数小于训练集样本数量的十分之一时，对应的人工神经网络模型的隐含层神经元个数为隐含层神经元的数量；
确定与训练集样本数量匹配的所述人工神经网络模型的最佳训练次数。
4.如权利要求2所述的有机质含量地震预测方法，其特征在于，还包括：按照如下方法对训练集进行预处理：
对密度、纵波速度、横波速度和有机质含量的测井数据依照地震观测尺度进行平滑处理；
对平滑处理后的密度、纵波速度和横波速度的测井数据分别进行线性归一化处理，并将归一化处理后的密度、纵波速度和横波速度的测井数据作为人工神经网络模型的输入向量；进行平滑处理后的有机质含量作为人工神经网络模型的输出向量。
5.如权利要求2所述的有机质含量地震预测方法，其特征在于，从待预测的测井数据中获取地震弹性参数，包括：
分析待预测的测井数据中对有机质含量敏感的地震弹性参数；所述地震弹性参数包括：密度、纵波速度和横波速度；
对密度、纵波速度和横波速度进行归一化预处理；
将所述地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量，包括：
将进行归一化预处理的密度、纵波速度和横波速度输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量。
6.一种有机质含量地震预测装置，其特征在于，包括：
获取单元，用于从待预测的测井数据中获取地震弹性参数；
预测单元，用于将所述地震弹性参数输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量；所述混合高斯概率密度网络模型包括预先训练生成的地震弹性参数与有机质含量的非线性关系；所述混合高斯概率密度网络模型包括人工神经网络模型和高斯混合模型；所述人工神经网络模型的输出向量为所述高斯混合模型的输入向量。
7.如权利要求6所述的有机质含量地震预测装置，其特征在于，还包括：训练单元，用于预先训练生成所述混合高斯概率密度网络模型；所述训练单元包括：
获得模块，用于获得测井数据样本；所述测井数据样本包括密度、纵波速度和横波速度和有机质含量测井数据；
划分模块，用于将所述测井数据样本划分为训练集和测试集；
初步确定模块，用于利用所述训练集对所述人工神经网络模型进行训练，确定人工神经网络模型的初步结构，以及确定高斯混合模型的初步结构；
最终确定模块，用于根据所述测试集对所述人工神经网络模型的初步结构和高斯混合模型的初步结构进行调整，确定所述预先训练生成的混合高斯概率密度网络模型。
8.如权利要求7所述的有机质含量地震预测装置，其特征在于，所述初步确定模块具体用于：
根据如下方法对人工神经网络模型的权值进行初始化：采用K平均算法给高斯混合模型赋初值，并将高斯混合模型的初值赋给人工神经网络模型的输出层阈值，将零值附近的随机数作为初始权值赋予人工神经网络模型的其他层；
根据有机质含量的统计分布特征，确定所述高斯混合模型的最优核函数的数目；
将人工神经网络模型权值的总数小于训练集样本数量的十分之一时，对应的人工神经网络模型的隐含层神经元个数为隐含层神经元的数量；
确定与训练集样本数量匹配的所述人工神经网络模型的最佳的训练次数。
9.如权利要求7所述的有机质含量地震预测装置，其特征在于，还包括：预处理单元，用于按照如下方法对训练集进行预处理：
对密度、纵波速度、横波速度和有机质含量的测井数据依照地震观测尺度进行平滑处理；
对平滑处理后的密度、纵波速度和横波速度的测井数据分别进行线性归一化处理，并将归一化处理后的密度、纵波速度和横波速度的测井数据作为人工神经网络模型的输入向量；进行平滑处理后的有机质含量作为人工神经网络模型的输出向量。
10.如权利要求7所述的有机质含量地震预测装置，其特征在于，所述获取单元具体用于：
分析待预测的测井数据中对有机质含量敏感的地震弹性参数；所述地震弹性参数包括：密度、纵波速度和横波速度；
对密度、纵波速度和横波速度进行归一化预处理；
所述预测单元具体用于：将进行归一化预处理的密度、纵波速度和横波速度输入到预先训练生成的混合高斯概率密度网络模型中，预测地震弹性参数对应的有机质含量。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810986762.1A CN108897042B (zh) | 2018-08-28 | 2018-08-28 | 有机质含量地震预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810986762.1A CN108897042B (zh) | 2018-08-28 | 2018-08-28 | 有机质含量地震预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108897042A true CN108897042A (zh) | 2018-11-27 |
| CN108897042B CN108897042B (zh) | 2020-03-10 |
Family
ID=64358522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810986762.1A Active CN108897042B (zh) | 2018-08-28 | 2018-08-28 | 有机质含量地震预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108897042B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110118994A (zh) * | 2019-05-24 | 2019-08-13 | 同济大学 | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 |
| CN110161565A (zh) * | 2019-03-20 | 2019-08-23 | 中国海洋石油集团有限公司 | 一种地震数据重建方法 |
| CN110954950A (zh) * | 2019-10-31 | 2020-04-03 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
| CN111983515A (zh) * | 2020-08-28 | 2020-11-24 | 广东电网有限责任公司广州供电局 | 一种电压暂降频次随机评估方法及装置 |
| CN112444855A (zh) * | 2019-08-30 | 2021-03-05 | 中国石油化工股份有限公司 | 一种基于高斯混合模型的地震相分析方法及存储介质 |
| CN112596102A (zh) * | 2020-10-27 | 2021-04-02 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理预测方法、装置及介质 |
| CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760600A (zh) * | 2014-01-07 | 2014-04-30 | 中国石油天然气股份有限公司 | 一种含气饱和度反演方法 |
| CN104749624A (zh) * | 2015-03-03 | 2015-07-01 | 中国石油大学(北京) | 一种地震岩相识别及其不确定性定量评价同步实现方法 |
| CN106324674A (zh) * | 2016-08-23 | 2017-01-11 | 中国石油大学(华东) | 一种页岩气toc叠前地震反演预测方法 |
-
2018
- 2018-08-28 CN CN201810986762.1A patent/CN108897042B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760600A (zh) * | 2014-01-07 | 2014-04-30 | 中国石油天然气股份有限公司 | 一种含气饱和度反演方法 |
| CN104749624A (zh) * | 2015-03-03 | 2015-07-01 | 中国石油大学(北京) | 一种地震岩相识别及其不确定性定量评价同步实现方法 |
| CN106324674A (zh) * | 2016-08-23 | 2017-01-11 | 中国石油大学(华东) | 一种页岩气toc叠前地震反演预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 晏信飞，等: "致密砂岩储层贝叶斯岩性判别与孔隙流体检测", 《石油地球物理勘探》 * |
| 殷习容，等: "基于混合概率密度网络的岩石物理反演", 《中国地球物理2013》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110161565A (zh) * | 2019-03-20 | 2019-08-23 | 中国海洋石油集团有限公司 | 一种地震数据重建方法 |
| CN110161565B (zh) * | 2019-03-20 | 2021-05-11 | 中国海洋石油集团有限公司 | 一种地震数据重建方法 |
| CN110118994A (zh) * | 2019-05-24 | 2019-08-13 | 同济大学 | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 |
| CN112444855A (zh) * | 2019-08-30 | 2021-03-05 | 中国石油化工股份有限公司 | 一种基于高斯混合模型的地震相分析方法及存储介质 |
| CN112444855B (zh) * | 2019-08-30 | 2024-04-09 | 中国石油化工股份有限公司 | 一种基于高斯混合模型的地震相分析方法及存储介质 |
| CN110954950A (zh) * | 2019-10-31 | 2020-04-03 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
| CN110954950B (zh) * | 2019-10-31 | 2022-10-21 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
| CN111983515A (zh) * | 2020-08-28 | 2020-11-24 | 广东电网有限责任公司广州供电局 | 一种电压暂降频次随机评估方法及装置 |
| CN112596102A (zh) * | 2020-10-27 | 2021-04-02 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理预测方法、装置及介质 |
| CN112596102B (zh) * | 2020-10-27 | 2023-08-22 | 中国石油天然气股份有限公司 | 油藏渗流特征参数的地球物理预测方法、装置及介质 |
| CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108897042B (zh) | 2020-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mousavi et al. | Deep-learning seismology | |
| Pham et al. | Missing well log prediction using convolutional long short-term memory network | |
| US11397272B2 (en) | Data augmentation for seismic interpretation systems and methods | |
| US11320551B2 (en) | Training machine learning systems for seismic interpretation | |
| Liu et al. | Deep-learning seismic full-waveform inversion for realistic structural models | |
| CN108897042A (zh) | 有机质含量地震预测方法及装置 | |
| CN111551992B (zh) | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 | |
| Guo et al. | Joint inversion of audio-magnetotelluric and seismic travel time data with deep learning constraint | |
| Grana et al. | Probabilistic inversion of seismic data for reservoir petrophysical characterization: Review and examples | |
| Aleardi et al. | A two-step inversion approach for seismic-reservoir characterization and a comparison with a single-loop Markov-chain Monte Carlo algorithm | |
| Wang et al. | Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network | |
| US9746577B2 (en) | Uncertainty estimation of subsurface resistivity solutions | |
| Jeong et al. | A fast approximation for seismic inverse modeling: Adaptive spatial resampling | |
| Aleardi | Combining discrete cosine transform and convolutional neural networks to speed up the Hamiltonian Monte Carlo inversion of pre‐stack seismic data | |
| Wang et al. | Missing well logs prediction using deep learning integrated neural network with the self-attention mechanism | |
| Fang et al. | Deep generator priors for Bayesian seismic inversion | |
| Alzahrani et al. | Seismic velocity model building using neural networks: Training data design and learning generalization | |
| Shen et al. | Distributed Markov Chain Monte Carlo Method on Big-Data Platform for Large-Scale Geosteering Inversion Using Directional Electromagnetic Well Logging Measurements. | |
| Zhang et al. | Extracting Q anomalies from marine reflection seismic data using deep learning | |
| WO2022187685A1 (en) | Method and system for faster seismic imaging using machine learning | |
| Hansen et al. | Use of machine learning to estimate statistics of the posterior distribution in probabilistic inverse problems—An application to airborne EM data | |
| Li et al. | Magnetotelluric noise suppression via convolutional neural network | |
| Naprstek et al. | Convolutional neural networks applied to the interpretation of lineaments in aeromagnetic data | |
| Shahriari et al. | A deep learning approach to design a borehole instrument for geosteering | |
| Liu et al. | Recurrent neural network for seismic reservoir characterization |
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 |