CN111222555B - 基于多粒度时序结构表示的含油气性检测方法 - Google Patents

基于多粒度时序结构表示的含油气性检测方法 Download PDF

Info

Publication number
CN111222555B
CN111222555B CN201911407199.9A CN201911407199A CN111222555B CN 111222555 B CN111222555 B CN 111222555B CN 201911407199 A CN201911407199 A CN 201911407199A CN 111222555 B CN111222555 B CN 111222555B
Authority
CN
China
Prior art keywords
oil
model
granularity
gas
wavelength
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
Application number
CN201911407199.9A
Other languages
English (en)
Other versions
CN111222555A (zh
Inventor
王勇
高阳
孟凡
贾文龙
马书军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Wanwei Aisi Network Intelligent Industry Innovation Center Co ltd
Nanjing Tianji Communication Technology Industry Co ltd
Original Assignee
Jiangsu Wanwei Aisi Network Intelligent Industry Innovation Center Co ltd
Nanjing Tianji Communication Technology Industry Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Wanwei Aisi Network Intelligent Industry Innovation Center Co ltd, Nanjing Tianji Communication Technology Industry Co ltd filed Critical Jiangsu Wanwei Aisi Network Intelligent Industry Innovation Center Co ltd
Priority to CN201911407199.9A priority Critical patent/CN111222555B/zh
Publication of CN111222555A publication Critical patent/CN111222555A/zh
Application granted granted Critical
Publication of CN111222555B publication Critical patent/CN111222555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提出了基于多粒度时序结构表示的含油气性检测方法，包括以下步骤：S1、对单个地震道样本进行长时间序列划分；S2、对长时间序列数据进行趋势性结构、单波长周期性结构和单波长内局部性结构的特征提取，形成多粒度独立特征表示；S3、对多个粒度的特征表示进行自动化融合，形成单个地震道样本的多粒度融合特征表示；S4、基于OCSVM对多粒度融合特征表示进行异常判别学习，实现对地震道数据含油气性的检测。本发明方法解决了现有技术中地下岩层含油气样本和监督信息较少，难以直接判断岩层含油气性的问题，检测准确度高。

Description

基于多粒度时序结构表示的含油气性检测方法
技术领域
本发明涉及一种基于多粒度时序结构融合表示的含油气性检测方法，属于油气检测技术领域。
背景技术
传统油气检测技术主要为联合几何地震学特征分析和物理地震学特征分析方法对地震目标进行处理、地震属性提取优化与分析。近年来，国内外研究人员不断尝试将人工智能和含油气性检测相结合，即利用有限的已知含油气井段信息构建样本，并以地震数据为驱动，借助机器学习方法提取、识别蕴藏其中的地震油气特征，其中主要包括两大类方法：基于浅层学习的含油气性勘测方法和基于深度学习的含油气性勘探方法。
发明内容
针对目前对含油气检测的研究，本发明提出了基于多粒度时序结构表示的含油气性检测方法，将含岩层含油气检测工作建模为对时序数据进行异常检测问题，将含油地震道样本作为异常点进行捕获。同时，考虑到时间序列包含数据量大、数据更新快等特点，本发明方法没有在原始时间序列上进行含油气性检测，而是通过多粒度时序结构融合表示来进行异常检测，进而实现含油气性检测功能。
为解决上述技术问题，本发明采用了如下技术手段：
基于多粒度时序结构表示的含油气性检测方法，具体包括以下步骤：
S1、从地震道数据中提取单个地震道样本，并对所述单个地震道样本进行长时间序列划分；
S2、对长时间序列数据进行趋势性结构、单波长周期性结构和单波长内局部性结构的特征提取，形成多粒度独立特征表示；
S3、对多个粒度的特征表示进行自动化融合，形成单个地震道样本的多粒度融合特征表示；
S4、基于OCSVM判别结果对多粒度融合特征表示进行模型训练和参数学习，进而实现对地震道数据含油气性的检测。
进一步的，所述步骤S1的具体操作为：
通过地震波采集原始地震道数据，从原始地震道数据中提取A个地震道样本，将第i个地震道样本(Xi,Yi)划分为多个长时间序列，
Figure BDA0002348976330000021
其中，Xi表示第i个地震道数据，Yi表示第i个地震道数据对应的岩性标记，/>
Figure BDA0002348976330000022
表示第k个长时间序列，i＝1,2,...,A，k＝1,2,...,n。
进一步的，步骤S2的具体操作如下：
S21、将
Figure BDA0002348976330000023
作为训练样本输入T-LSTM模型进行神经网络训练，获得单个地震道数据的趋势性特征表示hit；
S22、将趋势性特征表示hit作为训练样本输入T-OCSVM模型，进行样本异常判别，获得基于趋势的含油气性判别结果；
S23、从
Figure BDA0002348976330000024
中任选一个长时间序列/>
Figure BDA0002348976330000025
以固有波长为单位对长时间序列/>
Figure BDA0002348976330000026
进行波长划分，获得长时间序列的波长集合
Figure BDA0002348976330000027
其中，/>
Figure BDA0002348976330000028
表示第k个长时间序列中第q个时刻波长的地震道子序列，q＝1,2,...,m；
S24、将波长集合
Figure BDA0002348976330000029
作为训练样本输入P-LSTM模型进行神经网络训练，获得每个波长的波长特征表示/>
Figure BDA00023489763300000210
对波长特征表示进行拼接，获得单个地震道数据的周期性特征表示hip；
S25、将周期性特征表示hip作为训练样本输入P-OCSVM模型，进行样本异常判别，获得基于周期的含油气性判别结果；
S26、以波长中心点为中心对每个地震道子序列进行开窗处理，构建局部子序列集合
Figure BDA00023489763300000211
其中，/>
Figure BDA00023489763300000212
表示第k个长时间序列中第q个时刻波长的局部子序列；
S27、将局部子序列集合
Figure BDA00023489763300000213
作为训练样本输入L-LSTM模型进行神经网络训练，获得每个局部子序列的局部特征表示/>
Figure BDA00023489763300000214
对局部特征表示进行拼接，获得单个地震道数据的局部性特征表示hil；
S28、将局部性特征表示hil作为训练样本输入L-OCSVM模型，进行样本异常判别，获得基于局部的含油气性判别结果；。
进一步的，所述T-LSTM模型的具体公式如下：
hit＝fT-LSTM(Xi,Wt,bt) (1)
其中，hit为单个地震道数据的趋势性特征表示，fT-LSTM(·)表示T-LSTM模型的计算函数，Wt和bt为T-LSTM模型的参数；
所述P-LSTM模型的具体公式如下：
Figure BDA0002348976330000031
其中，
Figure BDA0002348976330000032
为第q个时刻波长的波长特征表示，fP-LSTM(·)表示P-LSTM模型的计算函数，Wp和bp为P-LSTM模型的参数；
所述L-LSTM模型的具体公式如下：
Figure BDA0002348976330000033
其中，
Figure BDA0002348976330000034
为第q个局部子序列的局部特征表示，fL-LSTM(·)表示L-LSTM模型的计算函数，Wl和bl为L-LSTM模型的参数。
进一步的，所述T-LSTM模型指基于趋势的LSTM模型，所述T-OCSVM模型指基于趋势的OCSVM模型；所述P-LSTM模型指基于周期的LSTM模型，所述P-OCSVM模型指基于周期的OCSVM模型；所述L-LSTM模型指基于局部的LSTM模型，所述L-OCSVM模型指基于局部的OCSVM模型。
进一步的，步骤S3中自动化融合的具体公式如下：
Hi＝Ψ(hit,hip,hil|W'h)＝W'tοhit+W'pοhip+W'lοhil (4)
其中，Hi为第i个地震道数据的多粒度融合特征表示，W'h为融合参数集，W'h＝{W't,W'p,W'l}，W't为趋势性特征表示hit的融合参数，W'p为周期性特征表示hip的融合参数，W'l为局部性特征表示hil的融合参数。
进一步的，步骤S4的具体操作如下：
S41、将多粒度融合特征表示Hi作为训练样本输入OCSVM模型，对多粒度融合特征表示进行模型训练和参数学习，具体公式如下：
Y'i＝fD(Hi,WD,bD) (5)
其中，Y'i表示第i个地震道数据的综合含油气性判别结果,fD(·)表示OCSVM模型的计算函数，WD和bD为OCSVM模型的参数；
S42、对比综合含油气性判别结果Y'i、基于趋势的含油气性判别结果、基于周期的含油气性判别结果和基于局部的含油气性判别结果，获得地震道数据含油气性的检测结果。
采用以上技术手段后可以获得以下优势：
本发明提出了一种基于多粒度时序结构表示的含油气性检测方法，首先通过深度学习技术捕捉原始地震数据中的多粒度时序结构，形成多粒度时序结构的特征表示，然后对多粒度时序结构进行融合，进行形成有效的融合特征表示，基于OCSVM技术对多粒度时序结构的特征表示和融合特征表示进行异常判断，获得含油气性检测结果，由于含油气地层较为稀少，所以本发明方法将油气检测问题转换成地震道异常样本检测问题，通过异常判断识别含有油气的地震道数据，解决了现有技术中地下岩层含油气样本和监督信息较少，难以直接判断岩层含油气性的问题。本发明方法分别从多个粒度捕捉地震数据的内在属性，并形成多个粒度特征表示；然后将多个粒度特征进行融合，形成融合后的多粒度特征表示；最后，根据以上特征表示进行分别判别，当多个判别结果一致时，则表明对该地层的含油气检测结果较准确，提高了含油气性检测的精准度。此外本发明方法自动化程度高，操作简单，可以在无专家领域知识的情况下，实现对地震道数据含油气性端到端的准确检测。
附图说明
图1为本发明基于多粒度时序结构表示的含油气性检测方法的步骤流程图。
图2为本发明方法的算法流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明：
基于多粒度时序结构表示的含油气性检测方法，如图1、2所示，具体包括以下步骤：
S1、从地震道数据中提取单个地震道样本，并对所述单个地震道样本进行长时间序列划分。通过地震波采集原始地震道数据，从原始地震道数据中提取A个地震道样本，将第i个地震道样本(Xi,Yi)划分为多个长时间序列，
Figure BDA0002348976330000051
其中，Xi表示第i个地震道数据，Yi表示第i个地震道数据对应的岩性标记，/>
Figure BDA0002348976330000052
表示第k个长时间序列，i＝1,2,...,A，k＝1,2,...,n。地震道数据的岩性标记一般由专业人员认为标记，长时间序列的划分中需要根据具体的地震道数据，结合地球物理知识决定划分长度。
S2、对长时间序列数据进行趋势性结构、单波长周期性结构和单波长内局部性结构的特征提取，形成多粒度独立特征表示，本发明方法主要用到LSTM模型求取各个粒度的特征表示，用OCSVM进行异常判别，为了区分不同的训练模型，本发明方法中用T-LSTM模型指基于趋势的LSTM模型，T-OCSVM模型指基于趋势的OCSVM模型，P-LSTM模型指基于周期的LSTM模型，P-OCSVM模型指基于周期的OCSVM模型，L-LSTM模型指基于局部的LSTM模型，L-OCSVM模型指基于局部的OCSVM模型。
步骤S2的具体操作如下：
S21、由于地下岩层所存在的固有特定结构的特点，单个地震道数据中的长时间序列整体上而言应符合一定地质岩层渐变的规律和特征。将
Figure BDA0002348976330000053
作为训练样本输入T-LSTM模型进行神经网络训练，获得单个地震道数据的趋势性特征表示hit，T-LSTM模型的具体公式如下：
hit＝fT-LSTM(Xi,Wt,bt) (6)
其中，hit为单个地震道数据的趋势性特征表示，fT-LSTM(·)表示T-LSTM模型的计算函数，Wt和bt为T-LSTM模型的参数，Wt和bt由T-LSTM模型优化获得的。
S22、将趋势性特征表示hit作为训练样本输入T-OCSVM模型，进行样本异常判别，获得基于趋势的含油气性判别结果。由于地下岩层中含油气的岩层较少，在异常判断中属于异常样本，本发明方法基于这个思路，通过OCSVM模型分析输入的数据，从训练样本中找出异常的样本，异常样本即为含油气样本，OCSVM模型输出是否存在异常，即含油气性判别结果包括存在异常(油气)或不存在异常(油气)。
S23、由于地震波在传输过程中受波长等物理因素影响，为了进一步提高本发明方法的检测精度，需要对地震道数据进行波长数据分析。从
Figure BDA0002348976330000061
中任选一个长时间序列/>
Figure BDA0002348976330000062
以固有波长为单位对长时间序列/>
Figure BDA0002348976330000063
进行波长划分，获得长时间序列的波长集合/>
Figure BDA0002348976330000064
其中，/>
Figure BDA0002348976330000065
表示第k个长时间序列中第q个时刻波长的地震道子序列，q＝1,2,...,m。
S24、将波长集合
Figure BDA0002348976330000066
作为训练样本输入P-LSTM模型进行神经网络训练，获得每个波长的波长特征表示/>
Figure BDA0002348976330000067
再对波长特征表示进行拼接，获得单个地震道数据的周期性特征表示hip，P-LSTM模型的具体公式如下：
Figure BDA0002348976330000068
其中，
Figure BDA0002348976330000069
为第q个时刻波长的波长特征表示，fP-LSTM(·)表示P-LSTM模型的计算函数，Wp和bp为P-LSTM模型的参数，Wp和bp由P-LSTM模型优化获得的。
S25、将周期性特征表示hip作为训练样本输入P-OCSVM模型，进行样本异常判别，获得基于周期的含油气性判别结果。
S26、由于底层岩性的差异性，本发明方法在考虑趋势性和周期性基础上以波长中心点为中心对每个地震道子序列进行开窗处理，窗口大小需要根据不同的地震资料进行综合研判得到，构建局部子序列集合
Figure BDA00023489763300000610
其中，/>
Figure BDA00023489763300000611
表示第k个长时间序列中第q个时刻波长的局部子序列。
S27、将局部子序列集合
Figure BDA00023489763300000612
作为训练样本输入L-LSTM模型进行神经网络训练，获得每个局部子序列的局部特征表示/>
Figure BDA00023489763300000613
对局部特征表示进行拼接，获得单个地震道数据的局部性特征表示hil，L-LSTM模型的具体公式如下：
Figure BDA00023489763300000614
其中，
Figure BDA00023489763300000615
为第q个局部子序列的局部特征表示，fL-LSTM(·)表示L-LSTM模型的计算函数，Wl和bl为L-LSTM模型的参数，Wl和bl由L-LSTM模型优化获得的。
S28、将局部性特征表示hil作为训练样本输入L-OCSVM模型，进行样本异常判别，获得基于局部的含油气性判别结果。
S3、对多个粒度的特征表示进行自动化融合，形成单个地震道样本的多粒度融合特征表示，具体公式如下：
Hi＝Ψ(hit,hip,hil|W'h)＝W'tοhit+W'pοhip+W'lοhil (9)
其中，Hi为第i个地震道数据的多粒度融合特征表示，W'h为融合参数集，W'h＝{W't,W'p,W'l}，W't为趋势性特征表示hit的融合参数，W'p为周期性特征表示hip的融合参数，W'l为局部性特征表示hil的融合参数。
S4、基于OCSVM对多粒度融合特征表示进行异常判别学习，实现对地震道数据含油气性的检测，具体操作如下：
S41、为了进一步利用已勘测井过程中的内部逻辑和结构，本发明方法对融合后的特征表示再次进行含油性的判别过程。将多粒度融合特征表示Hi作为训练样本输入OCSVM模型，对多粒度融合特征表示进行模型学习和异常判别，具体公式如下：
Y'i＝fD(Hi,WD,bD) (10)
其中，Y'i表示第i个地震道数据的综合含油气性判别结果,fD(·)表示OCSVM模型的计算函数，WD和bD为OCSVM模型的参数，WD和bD是OCSVM模型优化获得的。
S42、对比综合含油气性判别结果Y'i、基于趋势的含油气性判别结果、基于周期的含油气性判别结果和基于局部的含油气性判别结果，当4个含油气性判别结果都是存在异常时，认为该地震道数据所对应的岩层中含有油气，当4个含油气性判别结果都是不存在异常时，认为该地震道数据所对应的岩层中不含有油气，当4个含油气性判别结果不完全一致时，需要对该地震道对应的岩层进行进一步的研究和判断，输出地震道数据含油气性的检测结果。
本发明方法将油气检测问题转换成地震道异常样本检测问题，通过异常判断识别含有油气的地震道数据，解决了现有技术中地下岩层含油气样本和监督信息较少，难以直接判断岩层含油气性的问题。通过在江苏油田数据集上进行的仿真实验，验证了本发明方法的有效性，本发明方法检测准确度较高，且自动化程度高，操作简单，可以在无专家领域知识的情况下，实现对地震道数据含油气性端到端的准确检测。
上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.基于多粒度时序结构表示的含油气性检测方法，其特征在于，包括以下步骤：
S1、从地震道数据中提取单个地震道样本，并对所述单个地震道样本进行长时间序列划分；
S2、对长时间序列数据进行趋势性结构、单波长周期性结构和单波长内局部性结构的特征提取，形成多粒度独立特征表示；
S3、对多个粒度的特征表示进行自动化融合，形成单个地震道样本的多粒度融合特征表示；
S4、基于OCSVM判别结果对多粒度融合特征表示进行模型训练与参数学习，进而实现对地震道数据含油气性的检测。
2.根据权利要求1所述的基于多粒度时序结构表示的含油气性检测方法，其特征在于，所述步骤S1的具体操作为：
通过地震波采集原始地震道数据，从原始地震道数据中提取A个地震道样本，将第i个地震道样本(Xi,Yi)划分为多个长时间序列，
Figure QLYQS_1
其中，Xi表示第i个地震道数据，Yi表示第i个地震道数据对应的岩性标记，/>
Figure QLYQS_2
表示第k个长时间序列，i＝1,2,...,A，k＝1,2,...,n。
3.根据权利要求2所述的基于多粒度时序结构表示的含油气性检测方法，其特征在于，步骤S2的具体操作如下：
S21、将
Figure QLYQS_3
作为训练样本输入T-LSTM模型进行神经网络训练，获得单个地震道数据的趋势性特征表示hit；
S22、将趋势性特征表示hit作为训练样本输入T-OCSVM模型，进行样本异常判别，获得基于趋势的含油气性判别结果；
S23、从
Figure QLYQS_4
中任选一个长时间序列/>
Figure QLYQS_5
以固有波长为单位对长时间序列/>
Figure QLYQS_6
进行波长划分，获得长时间序列的波长集合
Figure QLYQS_7
其中，/>
Figure QLYQS_8
表示第k个长时间序列中第q个时刻波长的地震道子序列，q＝1,2,...,m；
S24、将波长集合
Figure QLYQS_9
作为训练样本输入P-LSTM模型进行神经网络训练，获得每个波长的波长特征表示/>
Figure QLYQS_10
对波长特征表示进行拼接，获得单个地震道数据的周期性特征表示hip；
S25、将周期性特征表示hip作为训练样本输入P-OCSVM模型，进行样本异常判别，获得基于周期的含油气性判别结果；
S26、以波长中心点为中心对每个地震道子序列进行开窗处理，构建局部子序列集合
Figure QLYQS_11
其中，/>
Figure QLYQS_12
表示第k个长时间序列中第q个时刻波长的局部子序列；
S27、将局部子序列集合
Figure QLYQS_13
作为训练样本输入L-LSTM模型进行神经网络训练，获得每个局部子序列的局部特征表示/>
Figure QLYQS_14
对局部特征表示进行拼接，获得单个地震道数据的局部性特征表示hil；
S28、将局部性特征表示hil作为训练样本输入L-OCSVM模型，进行样本异常判别，获得基于局部的含油气性判别结果。
4.根据权利要求3所述的基于多粒度时序结构表示的含油气性检测方法，其特征在于，所述T-LSTM模型的具体公式如下：
hit＝fT-LSTM(Xi,Wt,bt)
其中，hit为单个地震道数据的趋势性特征表示，fT-LSTM(·)表示T-LSTM模型的计算函数，Wt和bt为T-LSTM模型的参数；
所述P-LSTM模型的具体公式如下：
Figure QLYQS_15
其中，
Figure QLYQS_16
为第q个时刻波长的波长特征表示，fP-LSTM(·)表示P-LSTM模型的计算函数，Wp和bp为P-LSTM模型的参数；
所述L-LSTM模型的具体公式如下：
Figure QLYQS_17
其中，
Figure QLYQS_18
为第q个局部子序列的局部特征表示，fL-LSTM(·)表示L-LSTM模型的计算函数，Wl和bl为L-LSTM模型的参数。
5.根据权利要求4所述的基于多粒度时序结构表示的含油气性检测方法，其特征在于，所述T-LSTM模型指基于趋势的LSTM模型，所述T-OCSVM模型指基于趋势的OCSVM模型；所述P-LSTM模型指基于周期的LSTM模型，所述P-OCSVM模型指基于周期的OCSVM模型；所述L-LSTM模型指基于局部的LSTM模型，所述L-OCSVM模型指基于局部的OCSVM模型。
6.根据权利要求5所述的基于多粒度时序结构表示的含油气性检测方法，其特征在于，步骤S3中自动化融合的具体公式如下：
Figure QLYQS_19
其中，Hi为第i个地震道数据的多粒度融合特征表示，W’h为融合参数集，W’h＝{W’t,W’p,Wl’}，Wt’为趋势性特征表示hit的融合参数，W’p为周期性特征表示hip的融合参数，Wl'为局部性特征表示hil的融合参数。
7.根据权利要求6所述的基于多粒度时序结构表示的含油气性检测方法，其特征在于，步骤S4的具体操作如下：
S41、将多粒度融合特征表示Hi作为训练样本输入OCSVM模型，对多粒度融合特征表示进行模型训练和参数学习，具体公式如下：
Yi'＝fD(Hi,WD,bD)
其中，Yi'表示第i个地震道数据的综合含油气性判别结果,fD(·)表示OCSVM模型的计算函数，WD和bD为OCSVM模型的参数；
S42、对比综合含油气性判别结果Yi'、基于趋势的含油气性判别结果、基于周期的含油气性判别结果和基于局部的含油气性判别结果，获得地震道数据含油气性的检测结果。
CN201911407199.9A 2019-12-31 2019-12-31 基于多粒度时序结构表示的含油气性检测方法 Active CN111222555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911407199.9A CN111222555B (zh) 2019-12-31 2019-12-31 基于多粒度时序结构表示的含油气性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911407199.9A CN111222555B (zh) 2019-12-31 2019-12-31 基于多粒度时序结构表示的含油气性检测方法

Publications (2)

Publication Number Publication Date
CN111222555A CN111222555A (zh) 2020-06-02
CN111222555B true CN111222555B (zh) 2023-06-20

Family

ID=70808236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911407199.9A Active CN111222555B (zh) 2019-12-31 2019-12-31 基于多粒度时序结构表示的含油气性检测方法

Country Status (1)

Country Link
CN (1) CN111222555B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288121A (zh) * 2019-05-16 2019-09-27 北京交通大学 基于多粒度时间注意力机制的航班客座率预测方法
CN110598851A (zh) * 2019-08-29 2019-12-20 北京航空航天大学合肥创新研究院 一种融合lstm和gan的时间序列数据异常检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150109887A1 (en) * 2013-10-18 2015-04-23 Schlumberger Technology Corporation Sonic adaptor for converting sonic or ultrasonic waveform data for use with a seismic-based computer program

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288121A (zh) * 2019-05-16 2019-09-27 北京交通大学 基于多粒度时间注意力机制的航班客座率预测方法
CN110598851A (zh) * 2019-08-29 2019-12-20 北京航空航天大学合肥创新研究院 一种融合lstm和gan的时间序列数据异常检测方法

Also Published As

Publication number Publication date
CN111222555A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
EP3947905B1 (en) Machine-learning based fracture-hit detection using low-frequency das signal
US8988236B2 (en) System and method for failure prediction for rod pump artificial lift systems
US9519865B2 (en) Apparatus and methods of analysis of pipe and annulus in a wellbore
CN111222683A (zh) 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN112738014A (zh) 一种基于卷积时序网络的工控流量异常检测方法及系统
Wang et al. An auto-detection network to provide an automated real-time early warning of rock engineering hazards using microseismic monitoring
CN112085242B (zh) 一种基于大数据深度学习方法的低阻层精准预测方法与装置
CN116384554A (zh) 机械钻速预测方法、装置、电子设备及计算机存储介质
CN111222555B (zh) 基于多粒度时序结构表示的含油气性检测方法
CN104463686A (zh) 利用判别分析法随钻识别页岩气储层的方法
WO2019023255A1 (en) DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION
Wang et al. Reducing NPT Using a Novel Approach to Real-Time Drilling Data Analysis
CN115795369B (zh) 煤岩界面识别方法和装置
CN111273352A (zh) 地质构造智能检测方法、装置与电子设备
Li et al. Cross-oilfield reservoir classification via multi-scale sensor knowledge transfer
CN115964667A (zh) 基于深度学习和重采样的河流-湖泊岩相测井识别方法
Zhao et al. Research and application of the big data analysis platform of oil and gas production
CN115640329A (zh) 一种基于多源数据分析的油井故障智能诊断方法
Fernández Berrocal et al. Evaluation and Interpretation on Data Driven ROP Models From Engineering Perspectives
Feng et al. Automatic deep vector learning model applied for oil-well-testing feature mining, purification and classification
Kumar et al. Performing predictive analysis using machine learning on the Information retrieved from production data of oil & gas upstream segment
CN109241625B (zh) Co2驱油技术效果的评价方法及装置
CN113344729B (zh) 一种基于小样本学习的剩余油挖潜方法
CN117633658B (zh) 岩石储层岩性识别方法及系统
CN114167497B (zh) 基于相似性度量地质结构标签的ssl-cnn储层油气检测方法

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