CN109215029A - 一种基于卷积神经网络的三维地质异常体的分割提取方法 - Google Patents
一种基于卷积神经网络的三维地质异常体的分割提取方法 Download PDFInfo
- Publication number
- CN109215029A CN109215029A CN201810992675.7A CN201810992675A CN109215029A CN 109215029 A CN109215029 A CN 109215029A CN 201810992675 A CN201810992675 A CN 201810992675A CN 109215029 A CN109215029 A CN 109215029A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- river
- convolutional neural
- neural networks
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
Abstract
本发明提供了一种基于卷积神经网络的三维地质异常体的分割提取方法,属于河道地质提领域。本发明通过卷积神经网络的训练与预测将三维地质异常体精细的提取出来,这对将来的石油开采起到极大作用;本发明通过从不同的轴对三维地质异常体数据进行切片,通过二维数据对三维数据进行识别分割,不仅仅通过单一的维度来训练数据,充分利用了三维数据的空间属性,能够更好的识别出河道数据点的关系。
Description
技术领域
本发明属于河道地质体领域,特别涉及一种基于卷积神经网络的三维地质异常体的分割提取方法。
背景技术
砂岩储集体是油气储集最主要的场所,而河流相储层则是其中最重要的一种储层类型之一。因为河道的叠置、变迁错综复杂,储层岩性在纵向、横向上变化大且连续性差,加之地震资料信噪比、分辨率的约束,河流相储层的识别与描述仍然存在不少困难。
地质异常体河道砂体具有一定的孔隙度、渗透率等较好的物性特征,是构成油气储集的良好场所。如果古河流砂体接近油源,可成为油气的储层。由于河流砂体岩性变化快,其内部储油物性的非均质性较为明显。
在以往的油气勘探中,人们应用多种地震解释技术,力求在河道砂体识别的方面有所突破。如用分频技术对河道砂体进行了描述、地震相和沉积相解释技术、地层切片技术、地震多参数、人工神经网络储层预测等,它们在河流相储层描述方面均起到了较之前好的效果。
河道垂向上以河流沉积旋回下部河床亚相中的边滩或心滩砂岩储油物性最好,向上逐渐变差;横向上透镜体中部储油物性较好,向两侧变差。河流相储层是一种重要的储集层类型。寻找河道砂体是油气勘探中的一项重要工作。然而,由于河道的频繁变化、严重叠加、信噪比的限制和地震资料本身的分辨率的限制,对河流相储层的进行精细描述存在一定的困难。随着油气勘探工作的不断深入,在我国的许多盆地中都找到了一些以河道砂岩体岩性圈闭为主的复式油气聚集带,并获得了工业性油流,因此,对于河道砂体的研究,将会对油气田的勘探和开发具有重要的指导意义。
发明内容
为了解决上述问题,本发明提供了一种基于卷积神经网络的三维地质异常体的分割提取方法,通过从三维地质异常体数据选择大量中心点,将中心点扩展一定大小作为训练集,训练集从X、Y、Z三个维度进行切片,将所有切片进行训练,获得训练后网络参数权重,把三维河道数据所有点作为中心点,扩展为一定大小的区域作为测试集,依据结果对卷积神经网络参数进行调节,再次训练与测试,直到达到理想效果。
一种基于卷积神经网络的三维地质异常体的分割提取方法,包括以下步骤:
步骤1,将输入的三维数据立方体分割为数个大小相同的三维河道数据,并对所述三维河道数据进行标注得到标签向量;
步骤2,对所述三维河道数据进行切片,得到二维河道训练数据;
步骤3,构造卷积神经网络,输入所述标签向量和二维河道训练数据对卷积神经网络进行训练,得到所述卷积神经网络的训练权重;
步骤4,选取所述三维数据立方体中所有像素点,将每一个像素点设为中心点,扩展为大小与所述三维河道数据相同的立方体,对每一个立方体进行切片,得到测试集;
步骤5,输入所述测试集至所述卷积神经网络,得到结果标签向量,根据所述结果标签向量对所述卷积神经网络进行参数调整,得到最优参数和结果。
进一步地,所述步骤1中对所述三维河道数据进行标注的过程为:
检测所述三维河道数据是否有河道,对所述三维河道数据中心点属于河道的标注为1,对所述三维河道数据中心点不属于河道的标注为0。
进一步地,所述步骤2包括以下流程:
对所述三维河道数据分别从xy、yz、xz三个平面进行切片,切片的间隔为1个像素距离,切片后得到的二维河道数据的标签和所述三维河道数据的标注一致,得到二维河道训练数据。
进一步地,所述步骤4包括以下流程:
选取所述三维数据立方体中所有像素点,将每一个像素点当作中心点,扩展为大小与所述三维河道数据相同的立方体,对于靠近所述三维数据立方体外围的像素点不选取或选取后对数据不足部分进行填零操作;
对每一个扩展的立方体分别从xy、yz、xz三个平面进行切片,切片的间隔为1个像素距离,切片后的数据生成测试集。
进一步地,所述步骤5根据所述结果标签向量对所述卷积神经网络中的卷积核大小、激活函数或dropout值进行调整。
本发明的有益效果:本发明提供了一种基于卷积神经网络的三维地质异常体的分割提取方法,本发明通过卷积神经网络的训练与预测将三维地质异常体精细的提取出来,这对将来的石油开采起到极大作用;本发明通过从不同的轴对三维地质异常体数据进行切片,通过二维数据对三维数据进行识别分割,不仅仅通过单一的维度来训练数据,充分利用了三维数据的空间属性,能够更好的识别出河道数据点的关系。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的三维河道数据分割切片流程图。
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,本发明提供了一种基于卷积神经网络的三维地质异常体的分割提取方法,具体通过以下步骤实现:
步骤1,将输入的三维数据立方体分割为数个大小相同的三维河道数据,并对所述三维河道数据进行标注得到标签向量。
本实施例中,输入数据为三维数据立方体,先将输入数据分割为多个大小相同的三维河道数据,并检测三维河道数据是否有河道,进行标注。标注的规则为:若三维河道数据中心点属于河道部分,标注为1;若三维河道数据中心点不属于河道部分,标注为0。这样可以得到一组三维河道数据的标签向量。
步骤2,对所述三维河道数据进行切片,得到二维河道训练数据。
本实施例中,对三维河道数据分别从xy、yz、xz三个平面进行切片,切片的间隔为1个像素距离,切片后得到三组二维河道数据。切片后得到二维河道数据的标签和三维河道数据的标注一致,得到了二维河道训练数据。
请参阅图2,对步骤1、2的实现进行举例说明:三维数据立方体大小为22*110*110,即一个高为22,长宽都为110的立方体,分割成200个11*11*11的小型三维河道数据,然后对11*11*11河道数据进行切片,先从xy平面切片(即横向切片),则可以得到11个11*11的二维河道数据。再从yz和xz平面切片,操作与上述相同。
步骤3,构造卷积神经网络,输入所述标签向量和二维河道训练数据对卷积神经网络进行训练,得到所述卷积神经网络的训练权重。
本实施例中,构造卷积神经网络,并初始化参数设置,其如下:
卷积核大小、步长、间隔的选取策略
首先将切片后的数据通过卷积核,关于卷积核的大小的选取,一开始选择了3*3大小,步幅设置为默认值设置为1,并且进行了填0扩充,扩张率为1的卷积核。训练出的卷积核相当于是一个滤波器,输入图像经过不同的滤波器最终会得到不同的输出数据,比如颜色深浅,轮廓,相当于提取图像的不同特征,并且还具有一定的不变性:平移、旋转、尺度。卷积核可以保留主要的特征的同时减少参数(降维,效果类似PCA)和计算量,防止过拟合,提高模型泛化能力。
激活函数的选取策略
卷积核中的激活函数采用了整流线性单元(ReLU)激活,使用此函数比其他常用激活函数有更好的效果,ReLU的公式如下:
f(x)=x+=max(0,x)
ReLU被认为有一定的生物学原理,使用ReLU得到的SGD的收敛速度会比sigmoid/tanh快。这是因为它是linear,而且ReLU只需要一个阈值就可以得到激活值,不用去计算复杂的运算。但是ReLU也有一定的缺点,训练过程该函数不适应较大梯度输入,因为在参数更新以后,ReLU的神经元不会再有激活的功能,导致梯度永远都是零。因此使用了拓展的激活函数ReLU,
ReLU为负值输入添加了一个线性项,而最关键的是,这个线性项的斜率实际上是在模型训练中学习到的。ReLU只增加了极少量的参数,也就意味着网络的计算量以及过拟合的危险性都只增加了一点点。特别的,当不同channels使用相同的系数时,参数就更少了。
池化层选取策略
在卷积层之后的便是池化层了,池化层使用的是最大池化层,平均池化可以更好的保留整体数据的特征,而最大池化则能更好的保留纹理上的特征,而在卷积层底层,卷积核学习更多的是纹理特征。池化层可以降低维度,忽略目标的倾斜,旋转之类的相对位置的变化,加速训练,并且还能保留显著的特征。最终,利索应当的进入全连接层,输出类标签向量。全连接层就是高度提纯的特征了,方便交给最后的分类器或者回归。
优化器选取策略
选取的优化器为随机最速下降法(SGD),虽然SGD需要更多的步数才能收敛,但是在运算方面是非常快的,SGD每次在所有数据点随机取部分数据,即使需要几倍的步数但是随机选取的点少因此总的运算时间仍然很快。并且比理论上效果最好的ADAM优化器效果要更好。SGD计算梯度只选取一个样本来求梯度:
缺点是SGD的噪音较BGD要多,使得SGD并不是每次迭代都向着整体最优化方向。所以虽然训练速度快,但是准确度下降,并不是全局最优。BGD方法可以看出每次迭代都需要所有的样本,样本m很大会影响速度,该方法可以得到全局最优解。为了减少运算时间,因此选取了随机最速下降法。
损失函数选取策略
损失函数使用的则是交叉熵的模型,熵可以表示一个事件的自信息量,交叉熵则是从事件A的角度来看,如何描述时间B。交叉熵损失函数公式如下:
交叉熵可以用于计算“学习模型的分布“与“训练数据分布”之间的不同。当交叉熵最低时(等于训练数据分布的熵),即是学到了“最好的模型”。但是完美的学到了训练数据分布往往意味着过拟合,因为训练数据不等于真实数据,我们只是假设它们是相似的,而一般还要假设存在一个高斯分布的误差,是模型的泛化误差下限。
丢失参数设置策略
Dropout设置为0.1,Dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃。对于随机梯度下降来说,由于是随机丢弃,故而每一个mini-batch都在训练不同的网络。dropout是CNN中防止过拟合提高效果的一个十分有效的办法,它不仅防止了过拟合,还解决了训练时费时的问题,需要注意的是在测试时要关闭dropout。
卷积网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。训练算法与传统的BP算法差不多。卷积神经网络进行训练的过程如下:
第一阶段,向前传播阶段:
a)从样本集中取一个样本(X,Y),将X输入网络(X为训练数据,Y为标签),数据经过不同层位的卷积核过滤特征,池化层进行降采样,通过激活函数增加非线性特性;
b)最后通过全连接层计算出实际输出P。
在此阶段,信息从输入层经过逐级的变换,传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中,网络执行的是计算(实际上就是输入与每层的权值矩阵相点乘,得到最后的输出结果):
第二阶段,向后传播阶段
a)将标签Y同训练输入X对对应的实际输出P求误差,从而获得隐层和输出层的响应误差;
b)对于每个神经元,通过上一层的响应误差,按极小化误差的方法反向传播调整权重矩阵。
训练完成后,得到卷积神经网络的训练权重。
步骤4,选取所述三维数据立方体中所有像素点,将每一个像素点设为中心点,扩展为大小与所述三维河道数据相同的立方体,对每一个立方体进行切片,得到测试集。
本实施例中,选取所述三维数据立方体中所有像素点,将每一个像素点当作中心点,扩展为大小与所述三维河道数据相同的立方体,对于靠近所述三维数据立方体外围的像素点,由于数据不足,可以选择不选取该像素点,或选取后对数据不足部分进行填零操作,对于每个点都可以生成一个三维数据;
对每一个扩展的立方体分别从xy、yz、xz三个平面进行切片,切片的间隔为1个像素距离,与步骤2中的切片过程相同,切片后的数据生成测试集。
步骤5,输入所述测试集至所述卷积神经网络,得到结果标签向量,根据所述结果标签向量对所述卷积神经网络进行参数调整,得到最优参数和结果。
本实施例中,根据测试结果得到的结果标签向量对卷积神经网络中的卷积核大小、激活函数或dropout值进行调整。步骤5通过以下流程实现:
步骤51,判断测试结果是否满足预设要求;
步骤52,若测试结果满足预设要求,则得到最优网络参数和结果;
步骤53,若测试结果不满足预设要求,则对网络中的参数进行调整。
直到测试结果满足预设要求,才停止对网络的调整。
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)
1.一种基于卷积神经网络的三维地质异常体的分割提取方法,其特征在于,包括以下步骤:
步骤1,将输入的三维数据立方体分割为数个大小相同的三维河道数据,并对所述三维河道数据进行标注得到标签向量;
步骤2,对所述三维河道数据进行切片,得到二维河道训练数据;
步骤3,构造卷积神经网络,输入所述标签向量和二维河道训练数据对卷积神经网络进行训练,得到所述卷积神经网络的训练权重;
步骤4,选取所述三维数据立方体中所有像素点,将每一个像素点设为中心点,扩展为大小与所述三维河道数据相同的立方体,对每一个立方体进行切片,得到测试集;
步骤5,输入所述测试集至所述卷积神经网络,得到结果标签向量,根据所述结果标签向量对所述卷积神经网络进行参数调整,得到最优参数和结果。
2.如权利要求1所述的基于卷积神经网络的三维地质异常体的分割提取方法,其特征在于,所述步骤1中对所述三维河道数据进行标注的过程为:
检测所述三维河道数据是否有河道,对所述三维河道数据中心点属于河道的标注为1,对所述三维河道数据中心点不属于河道的标注为0。
3.如权利要求1所述的基于卷积神经网络的三维地质异常体的分割提取方法,其特征在于,所述步骤2包括以下流程:
对所述三维河道数据分别从xy、yz、xz三个平面进行切片,切片的间隔为1个像素距离,切片后得到的二维河道数据的标签和所述三维河道数据的标注一致,得到二维河道训练数据。
4.如权利要求1所述的基于卷积神经网络的三维地质异常体的分割提取方法,其特征在于,所述步骤4包括以下流程:
选取所述三维数据立方体中所有像素点,将每一个像素点当作中心点,扩展为大小与所述三维河道数据相同的立方体,对于靠近所述三维数据立方体外围的像素点不选取或选取后对数据不足部分进行填零操作;
对每一个扩展的立方体分别从xy、yz、xz三个平面进行切片,切片的间隔为1个像素距离,切片后的数据生成测试集。
5.如权利要求1所述的基于卷积神经网络的三维地质异常体的分割提取方法,其特征在于,所述步骤5根据所述结果标签向量对所述卷积神经网络中的卷积核大小、激活函数或dropout值进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810992675.7A CN109215029B (zh) | 2018-08-29 | 2018-08-29 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810992675.7A CN109215029B (zh) | 2018-08-29 | 2018-08-29 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109215029A true CN109215029A (zh) | 2019-01-15 |
CN109215029B CN109215029B (zh) | 2021-10-15 |
Family
ID=64985518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810992675.7A Active CN109215029B (zh) | 2018-08-29 | 2018-08-29 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215029B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934222A (zh) * | 2019-03-01 | 2019-06-25 | 长沙理工大学 | 一种基于迁移学习的绝缘子串自爆识别方法 |
CN110443801A (zh) * | 2019-08-23 | 2019-11-12 | 电子科技大学 | 一种基于改进AlexNet的盐丘识别方法 |
CN111583776A (zh) * | 2020-04-28 | 2020-08-25 | 南京师范大学 | 一种侵入岩体发育时序获取方法 |
CN111983691A (zh) * | 2020-08-18 | 2020-11-24 | 北京北斗天巡科技有限公司 | 一种多模型融合的储层预测方法及软件系统 |
CN113421336A (zh) * | 2021-08-23 | 2021-09-21 | 武汉幻城经纬科技有限公司 | 动态水域的体绘制方法及装置、存储介质、电子设备 |
CN113537544A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
CN113689557A (zh) * | 2021-04-27 | 2021-11-23 | 电子科技大学 | 基于线框模型的理论三维构造模型构建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110115787A1 (en) * | 2008-04-11 | 2011-05-19 | Terraspark Geosciences, Llc | Visulation of geologic features using data representations thereof |
CN103646423A (zh) * | 2013-12-24 | 2014-03-19 | 中国科学院地质与地球物理研究所 | 一种三维地质建模的方法及装置 |
CN104380144A (zh) * | 2013-05-13 | 2015-02-25 | 沙特阿拉伯石油公司 | 用于最佳油田开发的三维多模式岩芯及地质建模 |
CN104570083A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 基于多维地震属性的地质体自动识别方法 |
CN104635265A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油天然气集团公司 | 一种可控神经网络式预测储层渗透率的方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107448197A (zh) * | 2017-08-31 | 2017-12-08 | 西北大学 | 一种海相砂岩油藏窜流通道空间发育定量识别的方法 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
-
2018
- 2018-08-29 CN CN201810992675.7A patent/CN109215029B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110115787A1 (en) * | 2008-04-11 | 2011-05-19 | Terraspark Geosciences, Llc | Visulation of geologic features using data representations thereof |
CN104380144A (zh) * | 2013-05-13 | 2015-02-25 | 沙特阿拉伯石油公司 | 用于最佳油田开发的三维多模式岩芯及地质建模 |
CN104570083A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 基于多维地震属性的地质体自动识别方法 |
CN103646423A (zh) * | 2013-12-24 | 2014-03-19 | 中国科学院地质与地球物理研究所 | 一种三维地质建模的方法及装置 |
CN104635265A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油天然气集团公司 | 一种可控神经网络式预测储层渗透率的方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
CN107448197A (zh) * | 2017-08-31 | 2017-12-08 | 西北大学 | 一种海相砂岩油藏窜流通道空间发育定量识别的方法 |
Non-Patent Citations (5)
Title |
---|
JALLOHABU BAKARR等: "Integrating artificial neural networks and geostatistics for optimum 3D geological block modeling in mineral reserve estimation: A case study", 《INTERNATIONAL JOURNAL OF MINING SCIENCE AND TECHNOLOGY》 * |
LIU ZHI-NING等: "3D modeling of geological anomalies based on segmentation of multiattribute fusion", 《APPLIED GEOPHYSICS》 * |
张延玲等: "地震属性技术的研究与应用", 《地球物理学进展》 * |
林年添等: "无监督与监督学习下的含油气储层预测", 《石油物探》 * |
陈冠宇等: "基于卷积神经网络的不良地质体识别与分类", 《地质科技情报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934222A (zh) * | 2019-03-01 | 2019-06-25 | 长沙理工大学 | 一种基于迁移学习的绝缘子串自爆识别方法 |
CN110443801A (zh) * | 2019-08-23 | 2019-11-12 | 电子科技大学 | 一种基于改进AlexNet的盐丘识别方法 |
CN113537544A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
CN111583776A (zh) * | 2020-04-28 | 2020-08-25 | 南京师范大学 | 一种侵入岩体发育时序获取方法 |
CN111583776B (zh) * | 2020-04-28 | 2022-02-11 | 南京师范大学 | 一种侵入岩体发育时序获取方法 |
CN111983691A (zh) * | 2020-08-18 | 2020-11-24 | 北京北斗天巡科技有限公司 | 一种多模型融合的储层预测方法及软件系统 |
CN111983691B (zh) * | 2020-08-18 | 2023-10-13 | 郑州市混沌信息技术有限公司 | 一种多模型融合的储层预测方法及软件系统 |
CN113689557A (zh) * | 2021-04-27 | 2021-11-23 | 电子科技大学 | 基于线框模型的理论三维构造模型构建方法 |
CN113689557B (zh) * | 2021-04-27 | 2023-03-14 | 电子科技大学 | 基于线框模型的理论三维构造模型构建方法 |
CN113421336A (zh) * | 2021-08-23 | 2021-09-21 | 武汉幻城经纬科技有限公司 | 动态水域的体绘制方法及装置、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109215029B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215029A (zh) | 一种基于卷积神经网络的三维地质异常体的分割提取方法 | |
CA3067013C (en) | Deep learning based reservoir modeling | |
Mohd Razak et al. | Convolutional neural networks (CNN) for feature-based model calibration under uncertain geologic scenarios | |
AU2010315735B2 (en) | Method for creating a hierarchically layered earth model | |
Roy et al. | Generative topographic mapping for seismic facies estimation of a carbonate wash, Veracruz Basin, southern Mexico | |
CN109709603A (zh) | 地震层位识别与追踪方法、系统 | |
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 | |
EP0891562A1 (en) | 3-d geologic modelling | |
AU2005287335A1 (en) | Method for creating facies probability cubes based upon geologic interpretation | |
CN109763800A (zh) | 一种油田分层注水量预测方法 | |
CN104422969B (zh) | 一种减小电磁测深反演结果非唯一性的方法 | |
CN109184677A (zh) | 用于非均质互层砂体的储层评价方法 | |
Russell et al. | A novel approach for prediction of lithological heterogeneity in fluvial point‐bar deposits from analysis of meander morphology and scroll‐bar pattern | |
Lacaze et al. | Seismic stratigraphic interpretation from a geological model-A north sea case study | |
Lee et al. | Regeneration of channelized reservoirs using history-matched facies-probability map without inverse scheme | |
Han et al. | Multiple point geostatistical simulation with adaptive filter derived from neural network for sedimentary facies classification | |
CN103543478A (zh) | 地质形态插值的km方法 | |
CN104714250B (zh) | 实用的内幕小层自动解释方法 | |
CN109557601A (zh) | 一维海洋可控源电磁和地震联合储层参数反演方法 | |
Wong et al. | A neural‐network approach to knowledge‐based well interpolation: a case study OF a fluvial sandstone reservoir | |
Ligtenberg et al. | Sequence stratigraphic interpretation in the wheeler transformed (flattened) seismic domain | |
Mousouliotis et al. | Pre-salt clastic systems in the Herodotus Basin, SE Mediterranean Sea | |
DELL'AVERSANA | An integrated multi-physics Machine Learning approach for exploration risk mitigation. | |
Almeida | Use of geostatistical models to improve reservoir description and flow simulation in heterogeneous oil fields | |
CN112379435A (zh) | 相控岩溶型缝洞集合体刻画方法及装置 |
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 |