CN109143355B - 基于som的半监督全局优化地震相定量分析方法 - Google Patents
基于som的半监督全局优化地震相定量分析方法 Download PDFInfo
- Publication number
- CN109143355B CN109143355B CN201810964874.7A CN201810964874A CN109143355B CN 109143355 B CN109143355 B CN 109143355B CN 201810964874 A CN201810964874 A CN 201810964874A CN 109143355 B CN109143355 B CN 109143355B
- Authority
- CN
- China
- Prior art keywords
- som
- classification
- sample
- output layer
- network
- 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
- 208000035126 Facies Diseases 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 20
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 108091027981 Response element Proteins 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 description 27
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000005553 drilling Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
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
本发明提供了一种基于SOM的半监督全局优化地震相定量分析方法,属于地震勘探领域。本发明首先从叠前数据出发,进行叠前纹理特征的分析和提取,避免了叠加操作对数据中微小信息的模糊,更能表征实际的地质情况;同时,解决了少量的标签信息无法有效利用的问题,将标签信息添加到学习器的学习过程中,能使获得结果更符合实际情况;再者,通过进行引入人工蜂群算法,实现了SOM输出层的最优化聚类,使输出层神经元与地震相的映射关系更加合理;本发明在进行地震相划分的同时,可进行确定性指标的计算,为开发人员制定决策提供了更精确、更合理的结果判断依据。
Description
技术领域
本发明属于地震勘探领域,特别涉及一种基于SOM的半监督全局优化地震相定量分析方法。
背景技术
石油和天然气资源在能源供给方面一直扮演重要的角色,其再生产品几乎在各个领域得到了应用,从而极大地影响到社会的稳定和经济的发展。相比于太阳能、风能等能源,石油和天然气资源为各能源需求提供了更稳定和持续的保障。石油和天然气资源在各个国家都得到极大的重视,并积极地建立了各种机制应对可能出现的能源危机。目前,地震勘探是油气勘探中是最主要、最有效、最广泛应用的一种方法。
地震相分析是在地震勘探收集到的地震数据的基础上,首先进行地震层序的划分,然后利用地震参数特征上的差别,将地震层序划分为不同的地震相区,然后结合钻井、测井、地质认识等先验信息做出岩相和沉积环境的推断,从而可进行油气聚集有利相带的判断,是油气勘探阶段中一种重要的手段。Nivlet(2007)指出,在地震储层特征描述和检测的方法中,地震相分析已经成为一种不可或缺的方法。
近年来随着采集技术、通信技术、存储技术、数据处理技术等的发展,地震勘探行业积累的地震数据量越来越大,如何有效利用这些巨大的数据是亟待解决的问题,例如针对大量的叠前地震数据,主流的做法是对其进行叠加处理,从而可以在保留主要信息的前提下极大地减少数据量,但这种处理也会造成数据中的岩性和流体信息的模糊甚至消失,精细化地判断任务仍须要解决这一问题。另外,勘探过程中可得到少量的有标签信息(如测井、钻井、地质认识等)和大量的无标签信息(采集的地震数据),有效地利用这些珍贵的有标签信息可使得判断结果更符合实际地质情况,为接下来的石油和天然气开发提供更有力的支持。目前主流地地震相分析方法得到的结果仅是一个空间的展布图,无法对判断的结果进行定量的分析,通过对地震相分析结果进行一个定量化的再判断,可为开发人员做出的决策提供更精确、更合理的依据。
发明内容
为了解决现有技术中的问题,本发明提出了一种基于SOM的半监督全局优化地震相定量分析方法,既能有效利用标签信息,又能优化输出层到相类别的映射关系,其次结合概率神经网络(PNN),定义了用于对结果进行定量分析的参数,从而为开发人员做出的决策提供更精确、更合理的依据。
一种基于SOM的半监督全局优化地震相定量分析方法,包括以下步骤:
步骤1,提取叠前地震数据纹理属性,得到训练集,其中,所述训练集包括有标签样本和无标签样本;
步骤2,根据所述训练集训练SOM网络,得到所述有标签样本在SOM网络输出层中对应的最优响应元,根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系;
步骤3,应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类,待优化的目标函数为K均值聚类的类内距离之和;
步骤4,重复所述步骤3直到满足所述人工蜂群算法停止条件,得到最优化的SOM网络输出神经元聚类,通过将神经元映射至对应的类别得到SOM网络输出层神经元与类别之间的最优化映射关系;
步骤5,将测试样本输入SOM网络,得到测试样本在SOM网络输出层中的最佳响应元,根据最优化映射关系得到测试样本对应的相类别,根据所有测试样本的相类别得到工区相带的展布图;
步骤6,将所述步骤4得到的SOM网络输出层的最优化神经元聚类设置PNN网络的模式层,通过PNN网络得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率;
步骤7,通过计算每个测试样本的区分度、亲和度和置信度得到每个样本的分类评价指标,以评估整体分类置信度。
进一步地,所述步骤2包括以下流程:
初始化SOM网络权值;
根据所述训练集中的训练样本与输出层神经元之间的距离得到最优响应元(BestMatching Unit,BMU);
根据Wj(t+1)=Wj(t)+(η(t)*h(dist(BMU,vj),t)*(Xi-Wj(t))),更新网络权值,其中,Wj(t)表示t时刻最优响应元或其领域响应元的权向量;η(t)为一个随着时间减小的学习率;Xi是训练样本;h是领域函数,其自变量dist(BMU,vj)是神经元vj和BMU之间的距离,并且该领域函数随着时间的增加而减小,h取为一个随时间增加而收缩的高斯函数;
得到有标签样本在SOM网络输出层中对应的最优响应元,根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系。
进一步地,所述步骤3包括以下流程:
应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类,待优化的目标函数为K均值聚类的类内距离之和
其中,Nc为总的类别数;Nj为第j类的元素数目;wj为第j类的中心;wi为第j类的第i个神经元对应的权向量。
进一步地,所述步骤6包括以下流程:
将所述步骤4得到的SOM网络输出层的最优化神经元聚类设置PNN网络的模式层,对测试样本x,计算该样本属于每一类别的概率
其中,p(x|k)是样本x属于类别k的概率;Nk是竞争层中属于第k类的竞争元的数量;d是x的维度;wi是竞争层中属于第k类的第i个竞争元对应的权向量;σ是尺度因子;W是核函数,为高斯函数
得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率。
进一步地,所述步骤7包括以下流程:
对每个测试样本,设置区分度(D)、亲和度(A)和置信度(C)参数以定量评估该样本经过SOM聚类的效果
其中,Large(p,1)和Large(p,2)分别表示p(x|k),k∈[1,Nc]中的最大和次大概率。
本发明的有益效果:本发明提供了一种基于SOM的半监督全局优化地震相定量分析方法,本发明首先从叠前数据出发,进行叠前纹理特征的分析和提取,避免了叠加操作对数据中微小信息的模糊,更能表征实际的地质情况;同时,解决了少量的标签信息无法有效利用的问题,将标签信息添加到学习器的学习过程中,能使获得结果更符合实际情况;再者,通过进行引入人工蜂群算法,实现了SOM输出层的最优化聚类,使输出层神经元与地震相的映射关系更加合理;本发明在进行地震相划分的同时,可进行确定性指标的计算,为开发人员制定决策提供了更精确、更合理的结果判断依据。
附图说明
图1为本发明实施例流程图。
图2为本发明实施例中的PNN网络示意图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1,本发明提供的一种基于SOM的半监督全局优化地震相定量分析方法,具体通过以下步骤实现:
步骤1,提取叠前地震数据纹理属性,得到训练集,其中,所述训练集包括有标签样本和无标签样本。
本实施例中,叠前地震数据包含了从不同方位角或不同偏移距距接收到的信息,是一个四维或五维的高维数据。常规处理流程根据偏移距或方位角对其进行叠加,得到叠后的三维体数据,大大地减少了数据的量,但是,这一处理会造成数据中振幅随偏移距/方位角变化的携带的岩性和流体信息的模糊甚至消失,难以满足精细化地震资料解释的需求。本发明直接从叠前数据出发,提取具有高维特征叠前地震数据的纹理特征,从而增强数据中岩性和流体信息的表征。
本实施例中,在数据收集的过程中,可以通过钻井、测井、地质等先验知识得到少量的有标签信息(如测井、钻井、地质认识等)和大量的无标签信息(采集的地震数据)。这些标签的获取成本是及其昂贵的,而有效利用这些标签数据可以提升学习器的判断效果。
步骤2,根据所述训练集训练SOM网络,得到所述有标签样本在SOM网络输出层中对应的最优响应元,根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系。
本实施例中,步骤2包括以下流程:
初始化SOM网络权值;
根据所述训练集中的训练样本与输出层神经元之间的距离得到最优响应元(BestMatching Unit,BMU);
根据下式更新网络权值
Wj(t+1)=Wj(t)+(η(t)*h(dist(BMU,vj),t)*(Xi-Wj(t))) (1)
其中,Wj(t)表示t时刻最优响应元或其领域响应元的权向量;η(t)为一个随着时间减小的学习率;Xi是训练样本;h是领域函数,其自变量dist(BMU,vj)是神经元vj和BMU之间的距离,并且该领域函数随着时间的增加而减小,通常h取为一个随时间增加而收缩的高斯函数;
得到有标签样本在SOM网络输出层中对应的最优响应元,根据标签信息确认所述有标签样本对应的最优响应元的必连(Must-link)和勿连(Cannot-link)关系,从而引入监督信息。
步骤3,应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类,待优化的目标函数为K均值聚类的类内距离之和。
本实施例中,K均值聚类方法是实现无监督地震相分析的一种重要方法。K均值聚类方法是将N个对象分为K个簇,使簇内样本具有高的相似度,而簇间样本具有低的相似度,其相似度采用每个对象到簇中心的欧几里德距离来度量。
为了实现SOM网络输出神经元的最优聚类,本发明利用人工蜂群(Artificial BeeColony,ABC)算法对其进行优化。ABC模拟蜂群觅食来寻找问题潜在的最优解,它由四部分组成:初始化食物源、雇佣蜂寻找食物、跟随蜂跟随和侦察蜂替换食物源。用食物源表示问题的潜在可行解,其初始化方式为
xmj=lj+r*(uj-lj) (2)
其中:xmj表示第m个食物源xm的第j维元素,其中m=1,2,...,Ne,j=1,2,...,D,D为问题的维数;Ne为雇佣蜂的规模;li,ui分别表示问题第j维的下界和上界;r是[-1,1]之间的一个随机数。初始化Ne个食物源后,雇佣蜂对食物源及其周围的新食物源进行开采,新食物源的产生方式如下
vmj=xmj+r*(xkj-xmj) (3)
其中:vmj表示食物源xm周围的一个新食物源vm的第j维元素;xkj是一个已知食物源xk的第j维元素;k是[1,Ne]之间的一个随机数。当产生新的食物源后,雇佣蜂会根据食物源的适应度值,在xm和vm之间作贪心选择,食物源xm的适应度函值为
其中:f(xm)是食物源xm的目标函数。
当所有雇佣蜂完成搜索后,跟随蜂根据雇佣蜂带回的食物源的信息选择性的在食物源周围进行开采食物,第m个食物源被跟随蜂选择的概率pm为
跟随蜂先根据轮盘赌机制选择出要跟随的食物源,然后根据公式(3)在被选择食物源的周围进行开采和贪心选择。若某食物源在规定的limit次开采后未被替换,则表示该食物源可能陷入局部最优,雇佣蜂将放弃这一食物源并将该食物源装入禁忌表中,该雇佣蜂立即变为侦察蜂,根据公式(2)去寻找不在禁忌表之内的新食物源。每经过一轮的搜索后,替换最优的食物源。算法将循环执行雇佣蜂、跟随蜂和观察蜂的操作,直至满足停止条件,得到的最优食物源。
本实施例中,利用ABC算法和确定的必连和勿连关系对SOM网络输出层进行K均值聚类,待优化的目标函数f为K均值聚类的类内距离之和
其中,Nc为总的类别数;Nj为第j类的元素数目;wj为第j类的中心;wi为第j类的第i个神经元对应的权向量。
步骤4,重复所述步骤3直到满足所述人工蜂群算法停止条件,得到最优化的SOM网络输出神经元聚类,通过将神经元映射至对应的类别得到SOM网络输出层神经元与类别之间的最优化映射关系。
本实施例中,通过半监督的ABC算法对SOM输出层神经元的最优化聚类,可得到一个输出层神经元与地震相之间的最优映射关系。
步骤5,将测试样本输入SOM网络,得到测试样本在SOM网络输出层中的最佳响应元,根据最优化映射关系得到测试样本对应的相类别,根据所有测试样本的相类别得到工区相带的展布图。
本实施例中,通过获得最有映射关系,可得到样本对应的相,从而得到最优的地震相带空间分布图。
步骤6,将所述步骤4得到的SOM网络输出层的最优化神经元聚类设置PNN网络的模式层,通过PNN网络得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率。
本实施例中,SOM聚类仅仅得到各相带的空间分布图,无法对某样本的分类结果进行确定性的定量分析,也无法得到对整体聚类结果进行评价的指标。本发明结合概率神经网络(Probabilistic Neural Network,PNN),计算了每个样本属于各类别的概率,并根据这些概率定义了用于度量分类效果的指标。PNN由输入层、模式层、求和层与输出层等四层神经元组成,如图2所示。
本发明将经过优化聚类后的输出层竞争元(监督信息)设置为PNN网络的模式层,对测试样本x,计算该样本属于某类的概率
其中,p(x|k)是样本x属于类别k的概率;Nk是竞争层中属于第k类的竞争元的数量;d是x的维度;wi是竞争层中属于第k类的第i个竞争元对应的权向量;σ是尺度因子,本发明取值为0.39;W是核函数,本发明为高斯函数
有公式(7)和(8)得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率。
步骤7,通过计算每个测试样本的区分度、亲和度和置信度得到每个样本的分类评价指标,以评估整体分类置信度。
本实施例中,对每个测试样本,设置区分度(D)、亲和度(A)和置信度(C)参数,通过这三个参数以定量评估该样本经过SOM聚类的效果,其如下
其中,Large(p,1)和Large(p,2)分别表示p(x|k),k∈[1,Nc]中的最大和次大概率。
区分度描述某样本分类类别对其它类别的分离度,度量越高,表示它与其它类别的区分越明显,发生混淆的可能性越小。亲和度描述某样本分类类别对本身类别的融合性,度量越高,表示它与所属类别越相似,其归属本类的可能性越高。置信度综合了区分度与亲和度,高的置信度表示了该样本分类结果的可被接收程度高。
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 (5)
1.一种基于SOM的半监督全局优化地震相定量分析方法,其特征在于,包括以下步骤:
步骤1,提取叠前地震数据纹理属性,得到训练集,其中,所述训练集包括有标签样本和无标签样本;
步骤2,根据所述训练集训练SOM网络,得到所述有标签样本在SOM网络输出层中对应的最优响应元,根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系;
步骤3,应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类,待优化的目标函数为K均值聚类的类内距离之和;
步骤4,重复所述步骤3直到满足所述人工蜂群算法停止条件,得到最优化的SOM网络输出神经元聚类,通过将神经元映射至对应的类别得到SOM网络输出层神经元与类别之间的最优化映射关系;
步骤5,将测试样本输入SOM网络,得到测试样本在SOM网络输出层中的最佳响应元,根据最优化映射关系得到测试样本对应的相类别,根据所有测试样本的相类别得到工区相带的展布图;
步骤6,将所述步骤4得到的SOM网络输出层的最优化神经元聚类设置PNN网络的模式层,通过PNN网络得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率;
步骤7,通过计算每个测试样本的区分度、亲和度和置信度得到每个样本的分类评价指标,以评估整体分类置信度。
2.如权利要求1所述的基于SOM的半监督全局优化地震相定量分析方法,其特征在于,所述步骤2包括以下流程:
初始化SOM网络权值;
根据所述训练集中的训练样本与输出层神经元之间的距离得到最优响应元(BestMatching Unit,BMU);
根据Wj(t+1)=Wj(t)+(η(t)*h(dist(BMU,vj),t)*(Xi-Wj(t))),更新网络权值,其中,Wj(t)表示t时刻最优响应元或其领域响应元的权向量;η(t)为一个随着时间减小的学习率;Xi是训练样本;h是领域函数,其自变量dist(BMU,vj)是神经元vj和BMU之间的距离,并且该领域函数随着时间的增加而减小,h取为一个随时间增加而收缩的高斯函数;
得到有标签样本在SOM网络输出层中对应的最优响应元,根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系。
3.如权利要求1所述的基于SOM的半监督全局优化地震相定量分析方法,其特征在于,所述步骤3包括以下流程:
应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类,待优化的目标函数为K均值聚类的类内距离之和
其中,Nc为总的类别数;Nj为第j类的元素数目;wj为第j类的中心;wi为第j类的第i个神经元对应的权向量。
4.如权利要求1所述的基于SOM的半监督全局优化地震相定量分析方法,其特征在于,所述步骤6包括以下流程:
将所述步骤4得到的SOM网络输出层的最优化神经元聚类设置PNN网络的模式层,对测试样本x,计算该样本属于每一类别的概率
其中,p(x|k)是样本x属于类别k的概率;Nk是竞争层中属于第k类的竞争元的数量;d是x的维度;wi是竞争层中属于第k类的第i个竞争元对应的权向量;σ是尺度因子;W是核函数,为高斯函数
得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率。
5.如权利要求4所述的基于SOM的半监督全局优化地震相定量分析方法,其特征在于,所述步骤7包括以下流程:
对每个测试样本,设置区分度D、亲和度A和置信度C参数以定量评估该样本经过SOM聚类的效果
其中,Large(p,1)和Large(p,2)分别表示p(x|k),k∈[1,Nc]中的最大和次大概率,Nc为总的类别数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964874.7A CN109143355B (zh) | 2018-08-23 | 2018-08-23 | 基于som的半监督全局优化地震相定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964874.7A CN109143355B (zh) | 2018-08-23 | 2018-08-23 | 基于som的半监督全局优化地震相定量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109143355A CN109143355A (zh) | 2019-01-04 |
CN109143355B true CN109143355B (zh) | 2019-11-05 |
Family
ID=64791352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964874.7A Active CN109143355B (zh) | 2018-08-23 | 2018-08-23 | 基于som的半监督全局优化地震相定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109143355B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534246B (zh) * | 2020-04-17 | 2023-11-24 | 中国石油化工股份有限公司 | 基于蜂群优化算法的叠前avo反演方法 |
CN112488821A (zh) * | 2020-11-27 | 2021-03-12 | 百维金科(上海)信息科技有限公司 | 一种基于abc-som神经网络的消费信贷场景欺诈检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5373486A (en) * | 1993-02-03 | 1994-12-13 | The United States Department Of Energy | Seismic event classification system |
CN1704770A (zh) * | 2004-05-25 | 2005-12-07 | 张向军 | 双重模糊神经网络储层油气预测方法 |
CN104181597A (zh) * | 2014-08-31 | 2014-12-03 | 电子科技大学 | 一种基于叠前地震数据的地震相分析方法 |
CN105259572A (zh) * | 2015-07-23 | 2016-01-20 | 成都理工大学 | 基于地震多属性参数非线性自动分类的地震相计算方法 |
CN105510970A (zh) * | 2016-01-28 | 2016-04-20 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 获取地震相最佳分类数目的方法 |
CN106226816A (zh) * | 2016-09-12 | 2016-12-14 | 电子科技大学 | 一种叠前地震信号波形分类方法 |
-
2018
- 2018-08-23 CN CN201810964874.7A patent/CN109143355B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5373486A (en) * | 1993-02-03 | 1994-12-13 | The United States Department Of Energy | Seismic event classification system |
CN1704770A (zh) * | 2004-05-25 | 2005-12-07 | 张向军 | 双重模糊神经网络储层油气预测方法 |
CN104181597A (zh) * | 2014-08-31 | 2014-12-03 | 电子科技大学 | 一种基于叠前地震数据的地震相分析方法 |
CN105259572A (zh) * | 2015-07-23 | 2016-01-20 | 成都理工大学 | 基于地震多属性参数非线性自动分类的地震相计算方法 |
CN105510970A (zh) * | 2016-01-28 | 2016-04-20 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 获取地震相最佳分类数目的方法 |
CN106226816A (zh) * | 2016-09-12 | 2016-12-14 | 电子科技大学 | 一种叠前地震信号波形分类方法 |
Non-Patent Citations (2)
Title |
---|
Pre-stack-texture-based reservoir characteristics and seismic facies analysis;Song Cheng-Yun 等;《APPLIED GEOPHYSICS》;20160331;第13卷(第1期);第69-79页 * |
利用人工蜂群算法进行地震属性聚类分析;曹成寅 等;《石油地球物理勘探》;20150831;第50卷(第4期);第684-690页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109143355A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Seismic facies classification using supervised convolutional neural networks and semisupervised generative adversarial networks | |
Tang et al. | A new ensemble machine-learning framework for searching sweet spots in shale reservoirs | |
Liu et al. | Facies identification based on multikernel relevance vector machine | |
CN104570083B (zh) | 基于多维地震属性的地质体自动识别方法 | |
CN109709603A (zh) | 地震层位识别与追踪方法、系统 | |
Xiong et al. | Effects of misclassification costs on mapping mineral prospectivity | |
CN105259572B (zh) | 基于地震多属性参数非线性自动分类的地震相计算方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
CN104914467A (zh) | 提取分类模型道的地震相聚类分析方法 | |
CN110348608A (zh) | 一种基于模糊聚类算法改进lstm的预测方法 | |
CN107688201A (zh) | 基于rbm地震叠前信号聚类方法 | |
CN110516733A (zh) | 一种基于改进多分类孪生支持向量机的测井岩性识别方法 | |
CN104280771A (zh) | 一种基于em算法的三维地震数据波形的半监督聚类方法 | |
Bagheri et al. | Seismic facies analysis from well logs based on supervised classification scheme with different machine learning techniques | |
CN109800954A (zh) | 基于测井数据的储层评价新方法 | |
CN109143355B (zh) | 基于som的半监督全局优化地震相定量分析方法 | |
Tavakolizadeh et al. | Multi-attribute selection for salt dome detection based on SVM and MLP machine learning techniques | |
Li et al. | Unsupervised contrastive learning for seismic facies characterization | |
CN111894563A (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
CN115330007A (zh) | 基于深度融合模型的储层多分类预测方法 | |
EP4147076A1 (en) | Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries | |
CN115205693B (zh) | 一种多特征集成学习的双极化sar影像浒苔提取方法 | |
CN113642772A (zh) | 基于机器学习的测井储层识别预测方法 | |
Pillai et al. | Satellite image classification using self organizing map and ensemble classifiers | |
Smith | Machine learning techniques applied to the Nevada geothermal play fairway analysis |
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 |