CN110927791B - 基于深度学习利用地震数据进行流体预测的方法及装置 - Google Patents
基于深度学习利用地震数据进行流体预测的方法及装置 Download PDFInfo
- Publication number
- CN110927791B CN110927791B CN201811101716.5A CN201811101716A CN110927791B CN 110927791 B CN110927791 B CN 110927791B CN 201811101716 A CN201811101716 A CN 201811101716A CN 110927791 B CN110927791 B CN 110927791B
- Authority
- CN
- China
- Prior art keywords
- seismic data
- deep learning
- fluid
- network
- characteristic model
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 5
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory 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
- 239000011435 rock Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习利用地震数据进行流体预测的方法，其能够终输出油气特征的概率分布，提高预测油气空间分布的准确性，为井位部署提供重要支撑。该方法包括：输入指定区块范围内所有地震数据，并进行预处理；利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合；利用第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型；利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，以获得第二流体特征模型；通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据。
Description
技术领域
本发明涉及地震数据处理与流体预测技术领域，尤其涉及一种基于深度学习利用地震数据进行流体预测的方法及装置。
背景技术
油气勘探开发目标大多受构造、岩性等多种地质因素影响。利用钻井、测井、地质等资料可以较准确地获得井孔附近小范围内某一层段的含油气信息，但难以描述井间和其他区域的储层、油气情况。而地震数据资料包含十分丰富的储层物性信息，在横向上具有较好的连续性，因此地震勘探技术是储层及油气藏横向预测的有效手段。在地震油气勘探中，总是希望能直接利用地震资料发现油气所在的位置，并为此产生了以油气检测为目的的若干特殊处理与解释技术。
地震数据属性分析技术，是对地震数据进行多种信号变换，从中找出隐含的岩性、含油气性、物性信息，为含油气储层预测提供技术支持。地震的属性主要包含地震的振幅、频率、相位、分频以及相干这五种基本属性，这些属性主要反应的是反射系数的界面，主要受储层和围岩的影响，如含波阻抗，速度和密度等这样的岩性参数主要是通过反演得到的地震属性，这些参数的特点能够反应出储层的岩性和流体特征，能够和测井的结果进行直接的对比。一般来说，可以利用地震多种属性来进行流体预测，根据采用不同的地震属性对应了有不同流体预测方法，例如：低频频率共振LFR方法、子波分解方法、物相体含气预测方法、振幅随炮检距变化AVO流体预测方法等。
但是在地震勘探中，由于炸药产生的地震波并不是一个标准的地震信号，又由于地层的非均匀性，检波器接收到信号受多方面因素影响，需要将所有的干扰去除而不丧失有效信号是非常困难的，在处理过程中由于处理环节多，地震波速度难以准确得到，造成处理结果的多解性。这就造成在利用地震属性进行流体预测的过程中，存在两个问题，一是信号源是非理想规则信号，导致预测准确性较低，二是解释存在多解性，这使得流体预测的应用存在较大的局限性。
发明内容
本发明的目的之一至少在于，针对如何克服上述现有技术存在的问题，提供一种基于深度学习利用地震数据进行流体预测的方法及装置，能够终输出油气特征的概率分布，提高预测油气空间分布的准确性，为井位部署提供重要支撑。
为了实现上述目的，本发明采用的技术方案包括以下各方面。
一种基于深度学习利用地震数据进行流体预测的方法，其包括：
输入指定区块范围内所有地震数据，并进行预处理以符合第一套深度学习网络要求；利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合，以提取地震数据的线性特征；
利用与第一套深度学习网络连接的第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型；
利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，以获得第二流体特征模型；
通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据。
优选的，所述预处理包括对地震数据进行去噪处理以凸显出有效信号，以及对去噪之后的地震数据进行级别量化处理。
优选的，所述利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合包括：
首先通过卷积神经网络CNN将地震数据进行维度变换和卷积处理，然后通过循环神经网络RNN中的长短期记忆LSTM网络进行全局的线性特征寻优。
优选的，所述第二套深度学习网络采用双向的门控循环单元GRU神经网络。
优选的，所述迭代和校正重复进行多次，以获得多个相应的第二流体特征模型。
优选的，所述校正采用基于残差回馈校正的方法进行。
优选的，所述方法进一步包括：采用前向和后向差分寻优，根据误差收敛曲线来选取误差最小且最稳定的第二流体特征模型。
优选的，所述第一套深度学习网络和第二套深度学习网络基于卷积神经网络框架Caffe来构建，并采用Python编程语言来进行网络控制。
优选的，所述地震数据采用叠前地震数据或者叠后地震数据。
一种基于深度学习利用地震数据进行流体预测的装置，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行任一前述方法。
综上所述，由于采用了上述技术方案，本发明至少具有以下有益效果：
1、通过指定区域层系地震数据的训练，可以得出相应的流体预测模型，可以基于以往该地区的油气分布规律，预测出未探明区域的油气分布；
2、通过深度学习网络，可以将地震数据特征抽象出来，在几万种特征中找出最合适的一种特征进行流体预测；
3、深度学习方法可以提高流体预测的准确度，为井位部署提供重要支撑。
附图说明
图1是根据本发明示例性实施例的基于深度学习利用地震数据进行流体预测的方法的流程图。
图2是根据本发明示例性实施例的方法中进行迭代和校正过程的误差收敛曲线。
图3是根据本发明示例性实施例的基于深度学习利用地震数据进行流体预测的装置结构示意图。
具体实施方式
下面结合附图及实施例，对本发明进行进一步详细说明，以使本发明的目的、技术方案及优点更加清楚明白。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明各具体实施方式所提供的示例性的基于深度学习利用地震数据进行流体预测的方法及装置，通过对目标层的地震数据进行学习，能够从油气储层中的几万种表征特性找到不同，因此不同于以往从单独的某种方法和某种特征的角度来进行游离气识别，是一种非线性的求解方法。其中，深度学习网络主要采用两套循环卷积网络连接而成，第一套网络主要提取地震数据的特征进行拟合，第二套网络主要对于特征进行进一步学习和分类，对目的层数据进行非线性的寻优和拟合，通过流体特征建立模型。再利用学习生成的地震数据流体特征模型，针对新的地震数据进行矩阵集合的计算，最终输出油气特征的概率分布，从而准确预测油气的空间分布。
图1示出了根据本发明示例性实施例的基于深度学习利用地震数据进行流体预测的方法。该实施例的方法主要包括以下步骤：
步骤101：输入指定区块范围内所有地震数据，并进行预处理以符合第一套深度学习网络要求
例如，可以根据第一套深度学习网络的数据格式和数据长度要求，对输入的地震数据进行格式转换以及分割处理。其中，地震数据可以采用叠前或者叠后地震数据(即叠加之前或叠加之后进行偏移归位处理的地震数据)。并且，预处理还可以进一步包括对地震数据进行去噪处理以凸显出有效信号，以及对去噪之后的地震数据进行级别量化处理leveling。
步骤102：利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合，以提取地震数据的线性特征
具体地，可以首先通过卷积神经网络CNN将地震数据进行维度变换和卷积处理，然后通过循环神经网络RNN中的长短期记忆LSTM网络进行全局的线性特征寻优，从而提取出震数据的线性特征。但是，不同于现有的特征提取方式，本发明采用LSTM网络从油气储层中的几万种表征特性找到不同特征的过程是一种非线性的求解过程。
步骤103：利用与第一套深度学习网络连接的第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型
具体地，可以通过双向的门控循环单元GRU神经网络进行地震数据的线性特征进行分类。
步骤104：利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，以获得第二流体特征模型
其中，迭代可以重复多次，以获得多个相应的第二流体特征模型。校正可以采用基于残差回馈校正的方法进行。并且，进一步可以采用前向和后向差分寻优，根据误差收敛曲线来选取误差最小且最稳定的第二流体特征模型。
图2示出了根据本发明示例性实施例的方法中进行迭代和校正过程的误差收敛曲线，其中横轴表示迭代和校正的次数，纵轴表示误差的大小，可以看出，当迭代接近50次时，误差就已经稳定在0.1以下。所获取的第二流体特征模型与建立的第一流体特征模型相比，由于进行了多次迭代和校正，因此是合适的流体特征模型，能够获得更准确的预测结果。
步骤105：通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据
上述第一套深度学习网络和第二套深度学习网络可以基于卷积神经网络框架Caffe来构建，并采用Python编程语言来进行网络控制。
图3示出了根据本发明实施例的基于深度学习利用地震数据进行流体预测的装置，即电子设备310(例如具备程序执行功能的计算机服务器)，其包括至少一个处理器311，电源314，以及与所述至少一个处理器311通信连接的存储器312和输入输出接口313；所述存储器312存储有可被所述至少一个处理器311执行的指令，所述指令被所述至少一个处理器311执行，以使所述至少一个处理器311能够执行前述任一实施例所公开的方法；所述输入输出接口313可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源314用于为电子设备310提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习利用地震数据进行流体预测的方法，其特征在于，所述方法包括：
输入指定区块范围内所有地震数据，并进行预处理以符合第一套深度学习网络要求；利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合，以提取地震数据的线性特征；
利用与第一套深度学习网络连接的第二套深度学习网络对大量地震数据的线性特征进行分类，以建立第一流体特征模型；利用第二套深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，以获得第二流体特征模型；
通过第二流体特征模型和激活函数，对待预测区块内的地震数据进行矩阵集合计算，获得待预测区块内的流体特征的概率分布数据；所述利用第一套深度学习网络对地震数据的线性特征进行非线性寻优和拟合包括：
首先通过卷积神经网络CNN将地震数据进行维度变换和卷积处理，然后通过循环神经网络RNN中的长短期记忆LSTM网络进行全局的线性特征寻优。
2.根据权利要求l所述的方法，其特征在于，所述预处理包括对地震数据进行去噪处理以凸显出有效信号，以及对去噪之后的地震数据进行级别量化处理。
3.根据权利要求l所述的方法，其特征在于，所述第二套深度学习网络采用双向的门控循环单元GRU神经网络。
4.根据权利要求l所述的方法，其特征在于，所述迭代和校正重复进行多次，以获得多个相应的第二流体特征模型。
5.根据权利要求4所述的方法，其特征在于，所述校正采用基于残差回馈校正的方法进行。
6.根据权利要求5所述的方法，其特征在于，所述方法进一步包括:采用前向和后向差分寻优，根据误差收敛曲线来选取误差最小且最稳定的第二流体特征模型。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述第一套深度学习网络和第二套深度学习网络基于卷积神经网络框架Caffe来构建，并采用Python编程语言来进行网络控制。
8.根据权利要求1至6中任一项所述的方法，其特征在于，所述地震数据采用叠前地震数据或者叠后地震数据。
9.一种基于深度学习利用地震数据进行流体预测的装置，其特征在于，所述装置包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器:所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811101716.5A CN110927791B (zh) | 2018-09-20 | 2018-09-20 | 基于深度学习利用地震数据进行流体预测的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811101716.5A CN110927791B (zh) | 2018-09-20 | 2018-09-20 | 基于深度学习利用地震数据进行流体预测的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110927791A CN110927791A (zh) | 2020-03-27 |
| CN110927791B true CN110927791B (zh) | 2022-01-25 |
Family
ID=69855485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811101716.5A Active CN110927791B (zh) | 2018-09-20 | 2018-09-20 | 基于深度学习利用地震数据进行流体预测的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110927791B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR102020010867A2 (pt) * | 2020-05-29 | 2021-12-07 | Faculdades Catolicas | Método detector de assinaturas de reservatórios de gás em levantamentos sísmicos |
| CN111596366B (zh) * | 2020-06-24 | 2021-07-30 | 厦门大学 | 一种基于地震信号优化处理的波阻抗反演方法 |
| CN114152978B (zh) * | 2020-09-07 | 2023-06-06 | 中国石油化工股份有限公司 | 储层参数预测方法、装置、存储介质及电子设备 |
| CN112686315A (zh) * | 2020-12-31 | 2021-04-20 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的非自然地震分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018026995A1 (en) * | 2016-08-03 | 2018-02-08 | Schlumberger Technology Corporation | Multi-scale deep network for fault detection |
| CN107678059A (zh) * | 2017-09-05 | 2018-02-09 | 中国石油大学(北京) | 一种储层含气识别的方法、装置及系统 |
| CN108227565A (zh) * | 2017-12-12 | 2018-06-29 | 深圳和而泰数据资源与云技术有限公司 | 一种信息处理方法、终端及计算机可读介质 |
| CN108508485A (zh) * | 2018-03-09 | 2018-09-07 | 山东科技大学 | 基于粗糙集理论与色相法的多波油气地震响应表征方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832289A (zh) * | 2017-10-12 | 2018-03-23 | 北京知道未来信息技术有限公司 | 一种基于lstm‑cnn的命名实体识别方法 |
| CN108376295B (zh) * | 2018-01-31 | 2021-06-01 | 北京博达瑞恒科技有限公司 | 一种油气甜点预测方法及存储介质 |
-
2018
- 2018-09-20 CN CN201811101716.5A patent/CN110927791B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018026995A1 (en) * | 2016-08-03 | 2018-02-08 | Schlumberger Technology Corporation | Multi-scale deep network for fault detection |
| CN107678059A (zh) * | 2017-09-05 | 2018-02-09 | 中国石油大学(北京) | 一种储层含气识别的方法、装置及系统 |
| CN108227565A (zh) * | 2017-12-12 | 2018-06-29 | 深圳和而泰数据资源与云技术有限公司 | 一种信息处理方法、终端及计算机可读介质 |
| CN108508485A (zh) * | 2018-03-09 | 2018-09-07 | 山东科技大学 | 基于粗糙集理论与色相法的多波油气地震响应表征方法 |
Non-Patent Citations (6)
| Title |
|---|
| Dimensional Sentiment Analysis Using a Regional CNN-LSTM Model;Jin Wang et al;《Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics》;20161231;第226-227页 * |
| Petrophysical property estimation from seismic data using recurrent neural networks;Motaz Alfarraj et al.;《SEG International Exposition and 88th Annual Meeting》;20180827;第2141-2143页 * |
| Research and Application of 3D Post-stack PP and PS Waves Joint Inversion;Tianji Xu et al.;《CPS/SEG Beijing 2009 International Geophysical Conference & Exposition》;20091231;第1-5页 * |
| 基于地震波多尺度吸收属性的页岩气识别方法;徐天吉等;《新疆石油地质》;20160229;第37卷(第1期);第41-45页 * |
| 多波地震深度学习的油气储层分布预测案例;付超等;《地球物理学报》;20180131;第61卷(第1期);第297-298页 * |
| 深度学习及其在深层天然气储层预测中的应用实验;曹俊兴;《物探化探计算技术》;20171130;第39卷(第6期);第775-782页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110927791A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
| CN110927791B (zh) | 基于深度学习利用地震数据进行流体预测的方法及装置 | |
| US10948616B2 (en) | Adaptive ensemble-based method and device for highly-nonlinear problems | |
| US8923093B2 (en) | Determining the quality of a seismic inversion | |
| US8452580B2 (en) | Method and system for using multiple-point statistics simulation to model reservoir property trends | |
| EP3356862A1 (en) | Q-compensated full wavefield inversion | |
| US10310117B2 (en) | Efficient seismic attribute gather generation with data synthesis and expectation method | |
| CN104155687A (zh) | 一种相控叠后声波阻抗反演方法 | |
| CN106291677A (zh) | 一种基于匹配追踪方法的叠后声波阻抗反演方法 | |
| US10739481B2 (en) | 2D multiline seismic reflection tomography with seismic-tie constraint | |
| Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
| WO2021127186A1 (en) | Methods and systems for subsurface modeling employing ensemble machine learning prediction trained with data derived from at least one external model | |
| US20190277989A1 (en) | System and method for improving resolution of digital seismic images | |
| US11262471B2 (en) | Iterative stochastic seismic inversion | |
| CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
| WO2020231918A1 (en) | Training a machine learning system using hard and soft constraints | |
| US20230125277A1 (en) | Integration of upholes with inversion-based velocity modeling | |
| US10557957B2 (en) | System and method for improving resolution of digital seismic images | |
| US20240069228A1 (en) | Learning hydrocarbon distribution from seismic image | |
| CN114185090B (zh) | 岩相和弹性参数同步反演方法、装置、电子设备及介质 | |
| Shi et al. | Seimic impedance inversion based on semi-supervised learning | |
| US10712460B2 (en) | System and method for improving resolution of digital seismic images | |
| US20230184974A1 (en) | Systems and methods for reservoir characterization | |
| US20240069227A1 (en) | Method of stratigraphic calibration | |
| US20240069237A1 (en) | Inferring subsurface knowledge from subsurface information |
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 |