CN111596366B - 一种基于地震信号优化处理的波阻抗反演方法 - Google Patents
一种基于地震信号优化处理的波阻抗反演方法 Download PDFInfo
- Publication number
- CN111596366B CN111596366B CN202010589052.2A CN202010589052A CN111596366B CN 111596366 B CN111596366 B CN 111596366B CN 202010589052 A CN202010589052 A CN 202010589052A CN 111596366 B CN111596366 B CN 111596366B
- Authority
- CN
- China
- Prior art keywords
- wave impedance
- layer
- data
- seismic
- impedance value
- 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
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
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
Abstract
本发明提供了一种基于地震信号优化处理的波阻抗反演方法,所述方法包括:构建CNN‑LSTM融合模块;构建反卷积模块;构建回归模块;选择均方误差MSE作为损失函数,并选择Adam作为优化器,加入学习率衰减;对区域的波阻抗值进行预测,得到预测结果后,分别以图像的形式对真实的波阻抗值和预测的波阻抗值进行展示,并绘制对应散点图和差异图进行对比。本发明能有效和准确地基于地震数据进行波阻抗值预测,同时该反演模型也具有较高的可扩展性和应用性,因此这对储层预测技术的发展和提升、油藏的开发利用具有很大的帮助和积极作用。
Description
技术领域
本发明属于油气物探领域,具体地,涉及一种基于地震信号优化处理的波阻抗反演方法。
背景技术
在地震勘探技术方面,随着近年来相关物理设备的进步、数据采集能力的提升和数据资料处理和解释方法的发展,基于地震资料进行储层预测的方法越来越普及并且被广泛应用,因此地震勘探是最重要的石油勘探方法,在油气开发中是不可或缺的工具。而在储层预测中,被使用最多的技术之一就是地震反演。地震反演是一种求解过程,通常情况下是指使用地质规律和测井数据资料作为反演的约束条件,通过地震数据和资料对地下岩石的物理性质和岩层空间结构进行预测的过程。地震勘探技术虽然已经日趋完善,但是仍存在各种各样的问题,如深层复杂构造成像不准确问题、深层复杂储层预测问题、地震资料不保幅问题、深埋及高频吸收带来的地震资料低分辨率问题、复杂油藏环境引起的综合评价问题等等
在石油勘探和油气开发行业中,地震反演技术作为研究热点,是储层预测的核心技术部分,在储层表征领域具有重要的地位和研究意义。其中,波阻抗与地下结构和岩性密切相关,具有十分鲜明的物理含义,是储层预测、油气特征描述的确定性方法。
目前机器学习和深度学习算法,特别是神经网络模型,在地震反演领域已有着初步的成效并且仍然具有很大的发展潜力。如何在地下非线性分布和异构性的条件下,更好地实现地震数据和波阻抗两者的映射方法,得到更好的预测是一个需要解决的问题。
发明内容
本发明提供了一种基于地震信号优化处理的波阻抗反演方法,能有效和准确地基于地震数据进行波阻抗值预测,同时该反演模型也具有较高的可扩展性和应用性,因此这对储层预测技术的发展和提升、油藏的开发利用具有很大的帮助和积极作用。经过后处理的预测AI数据更加平滑,在边缘地界和中央区域的模糊化问题得到了改善,并且对于图像抖动的问题有一定的修正作用。在边缘地界和中央区域的模糊化问题得到了改善,并且对于图像抖动的问题有一定的修正作用
为了解决上述问题,本发明所采用的技术方案如下所述:
步骤一、按照时间间隔Δt对地震信号进行采样,获取地震数据,将地震数据输入CNN-LSTM融合模块,CNN-LSTM融合模块由CNN层和LSTM层两部分构成,并行使用2个具有不同膨胀因子的一维卷积块进行特征提取,随后连接另一卷积块组合并行卷积块的输出特征,每个卷积块都由一个卷积层、随后的组归一化和一个激活函数组成,其中选择了双曲正切函数作为激活函数,在每个卷积块之后添加Dropout层,增强CNN层的泛化能力,CNN层负责输入样本轨迹中高频趋势的捕获,LSTM层由2个LSTM网络序列构成,等效于一个2层深度的LSTM网络组成,LSTM层对长期依赖性进行捕获,输出样本轨迹中的低频趋势;
步骤二、将数据输入反卷积模块,反卷积模块由两个反卷积组成,每个反卷积模块都具有一个反卷积层,随后进行组归一化,并连接一个激活函数,其中激活函数类型为双曲正切函数,反卷积模块对地震数据和测井数据之间的分辨率失配进行补偿,提升特征图的大小,完成上采样;
步骤三、将数据输入构建回归模块,回归模块由门控循环单元GRU部分和一个线性映射层组成,将所提取的特征回归到目标域,即AI域,GRU部分只有一个简单的1层GRU,负责使用全局时间特征来增加插值输出,线性映射层将从之前GRU中获取的输出特征映射回AI值;
步骤四、选择均方误差MSE作为损失函数,并选择Adam作为优化器,加入学习率衰减;
步骤五、对区域的波阻抗值进行预测,得到预测结果后,分别以图像的形式对真实的波阻抗值和预测的波阻抗值进行展示,并绘制对应散点图和差异图进行对比。
第二方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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本申请实施例描述的方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于:
所述计算机程序被处理器执行时实现如本申请实施例描述的方法。
附图说明
图1是本发明基于地震信号优化处理的波阻抗反演流程图。
具体实施方式
为了能够使得本发明的发明目的、技术流程及技术创新点进行更加清晰的阐述,以下结合附图及实例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为达到以上目的,本发明提供了一种基于地震信号优化处理的波阻抗反演方法。主流程如图1所示,该方法包括:
步骤一、按照时间间隔Δt对地震信号进行采样,获取地震数据,将地震数据输入CNN-LSTM融合模块,CNN-LSTM融合模块由CNN层和LSTM层两部分构成,并行使用2个具有不同膨胀因子的一维卷积块进行特征提取,随后连接另一卷积块组合并行卷积块的输出特征,每个卷积块都由一个卷积层、随后的组归一化和一个激活函数组成,其中选择了双曲正切函数作为激活函数,在每个卷积块之后添加Dropout层,增强CNN层的泛化能力,CNN层负责输入样本轨迹中高频趋势的捕获,LSTM层由2个LSTM网络序列构成,等效于一个2层深度的LSTM网络组成,LSTM层对长期依赖性进行捕获,输出样本轨迹中的低频趋势;
CNN-LSTM融合模型在各个位置上预测的迹线与真实迹线都在很大程度上吻合,对部分波阻抗信息的突然变化能做到较好预测。而单一CNN模型只对迹线整体变化趋势预测效果较好,但是对于波阻抗值的突然变化并不能很好的预测;单一LSTM模型对波阻抗迹线的拟合并不是十分准确,在部分深度中对波阻抗预测与真实值相差较大,同时对波阻抗值的突然变化也都未能做到准确预测。
步骤二、将数据输入反卷积模块,反卷积模块由两个反卷积组成,每个反卷积模块都具有一个反卷积层,随后进行组归一化,并连接一个激活函数,其中激活函数类型为双曲正切函数,反卷积模块对地震数据和测井数据之间的分辨率失配进行补偿,提升特征图的大小,完成上采样;
步骤三、将数据输入构建回归模块,回归模块由门控循环单元GRU部分和一个线性映射层组成,将所提取的特征回归到目标域,即AI域,GRU部分只有一个简单的1层GRU,负责使用全局时间特征来增加插值输出,线性映射层将从之前GRU中获取的输出特征映射回AI值;
经过步骤一到三后处理的预测AI数据更加平滑,在边缘地界和中央区域的模糊化问题得到了改善,并且对于图像抖动的问题有一定的修正作用。
步骤四、选择均方误差MSE作为损失函数,并选择Adam作为优化器,加入学习率衰减;
步骤五、对区域的波阻抗值进行预测,得到预测结果后,分别以图像的形式对真实的波阻抗值和预测的波阻抗值进行展示,并绘制对应散点图和差异图进行对比。
优选的,还对结果进行定量评估,具体使用皮尔逊相关系数PCC和估算的AI迹线与真实AI迹线之间的确定系数。本发明无论是训练数据还是验证数据在PCC和R^2上的评价得分较高,证实了本发明能够学会很好地从地震轨迹中预测AI并推广到训练数据之外,具有较好的通用性。
本发明的地震数据类型为SEG-Y格式,它是由勘探地球物理学家协会(Society ofExploration Geophysicists,SEG)制定的众多用于存储地球物理数据的标准之一,也是在油气开发和地震勘探中最常见的地震数据格式。标准SEG-Y文件通常由三部分组成,包括两种不同格式的的文件头数据和实际的地震资料数据。
优选的,将Marmousi 2数据集划分成训练集和测试集两部分,其中训练集比例为60%,测试集比例为40%,并采取以相同的间隔对地震剖面和模型进行采样的方式,选择Marmousi 2数据集中60%的均匀分布地震道和对应的AI迹线为训练集进行训练;
使用随机参数初始化反演模型,将在训练集中的地震迹线和对应的AI迹线输入到反演模型中进行训练,并得到预测的AI数据,使用均方误差MSE损失函数来计算预测AI值和真实AI值的损失,计算损失的梯度,并相应地更新反演模型的参数。重复该过程直到收敛。可以观察到后处理操作对预测AI值的影响,经过后处理的预测AI数据更加平滑,在边缘地界和中央区域的模糊化问题得到了改善,并且对于图像抖动的问题有一定的修正作用。
区域内真实的波阻抗的变化是平滑的,虽然CNN-LSTM反演的预测结果较好,但在预测的波阻抗展示图中,部分区域的波阻抗值会突然改变,产生图像抖动的现象。因此,为了在整个区域内获得更加平滑和合理的波阻抗值变化,考虑对预测结果进行后处理。优选的,通过3-D中值滤波器对模型所得预测值进行滤波;
后处理操作的输入使用预测所得的波阻抗值,区域内的每个元素都视为一个像素,并使用3-D中值滤镜对其3x3x3窗口大小内的邻域进行平滑处理,忽略边界上的缺失值,为了后处理过程中,先对所选窗口内的像素及其相邻像素的按照数据值进行排序,然后,根据排序后的像素值确定的中值将与原本的中心像素值进行位置更换。
实验结果显示,本发明能够较好地从训练数据中学习到地震数据和波阻抗之间的映射关系,所得到的预测波阻抗值和真实的数据信息在图像上具有高度的视觉相似度,同时训练数据和测试数据在PCC和R^2两个评价指标上都具有很高的得分,说明模型可以从训练数据中学习到合理有效的对应关系,并且推广到训练集之外的数据,证实了模型的合理性和通用性。但是由于缺少相关反演约束,预测的波阻抗值仍然存在着图像抖动和边缘化差异的问题。此外,后处理的操作对预测波阻抗值进行结果优化,实验证明,后处理操作能够在一定程度上改善图像抖动的问题,提高结果的评价得分。
通过实验,发发明与现有传统模型评价结果如表1所示:
表1反演模型评价结果
作为另一方面,本申请还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如描述于本申请实施例描述的方法。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,前述程序被一个或者一个以上的处理器用来执行描述于本申请实施例描述的方法。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(ProgrammableGate Array;以下简称:PGA),现场可编程门阵列(Field ProgrammableGate Array;以下简称:FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于地震信号优化处理的波阻抗反演方法,所述方法包括:
步骤一、按照时间间隔Δt对地震信号进行采样,获取地震数据,将地震数据输入CNN-LSTM融合模块,CNN-LSTM融合模块由CNN层和LSTM层两部分构成,并行使用2个具有不同膨胀因子的一维卷积块进行特征提取,随后连接另一卷积块组合并行卷积块的输出特征,每个卷积块都由一个卷积层、随后的组归一化和一个激活函数组成,其中选择了双曲正切函数作为激活函数,在每个卷积块之后添加Dropout层,增强CNN层的泛化能力,CNN层负责输入样本轨迹中高频趋势的捕获,LSTM层由2个LSTM网络序列构成,等效于一个2层深度的LSTM网络组成,LSTM层对长期依赖性进行捕获,输出样本轨迹中的低频趋势;
步骤二、将数据输入反卷积模块,反卷积模块由两个反卷积组成,每个反卷积模块都具有一个反卷积层,随后进行组归一化,并连接一个激活函数,其中激活函数类型为双曲正切函数,反卷积模块对地震数据和测井数据之间的分辨率失配进行补偿,提升特征图的大小,完成上采样;
步骤三、将数据输入构建回归模块,回归模块由门控循环单元GRU部分和一个线性映射层组成,将所提取的特征回归到目标域,即AI域,GRU部分只有一个简单的1层GRU,负责使用全局时间特征来增加插值输出,线性映射层将从之前GRU中获取的输出特征映射回AI值;
步骤四、选择均方误差MSE作为损失函数,并选择Adam作为优化器,加入学习率衰减;
步骤五、对区域的波阻抗值进行预测,得到预测结果后,分别以图像的形式对真实的波阻抗值和预测的波阻抗值进行展示,并绘制对应散点图和差异图进行对比。
2.根据权利要求1所述的方法,其特征在于,对结果进行定量评估,具体使用皮尔逊相关系数PCC和估算的AI迹线与真实AI迹线之间的确定系数。
3.根据权利要求1所述的方法,其特征在于,训练过程包括:将Marmousi 2数据集划分成训练集和测试集两部分,其中训练集比例为60%,测试集比例为40%,并采取以相同的间隔对地震剖面和模型进行采样的方式,选择Marmousi 2数据集中60%的均匀分布地震道和对应的AI迹线为训练集进行训练;
使用随机参数初始化反演模型,将在训练集中的地震迹线和对应的AI迹线输入到反演模型中进行训练,并得到预测的AI数据,使用均方误差MSE损失函数来计算预测AI值和真实AI值的损失,计算损失的梯度,并相应地更新反演模型的参数,重复该过程直到收敛。
4.根据权利要求1所述的方法,其特征在于,还包括后处理过程,具体包括通过3-D中值滤波器对所得预测值进行滤波;
后处理操作的输入使用预测所得的波阻抗值,区域内的每个元素都视为一个像素,并使用3-D中值滤镜对其3x3x3窗口大小内的邻域进行平滑处理,忽略边界上的缺失值,先对所选窗口内的像素及其相邻像素的按照数据值进行排序,然后,根据排序后的像素值确定的中值将与原本的中心像素值进行位置更换。
5.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至4任一项所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于:所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589052.2A CN111596366B (zh) | 2020-06-24 | 2020-06-24 | 一种基于地震信号优化处理的波阻抗反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589052.2A CN111596366B (zh) | 2020-06-24 | 2020-06-24 | 一种基于地震信号优化处理的波阻抗反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111596366A CN111596366A (zh) | 2020-08-28 |
CN111596366B true CN111596366B (zh) | 2021-07-30 |
Family
ID=72189114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010589052.2A Active CN111596366B (zh) | 2020-06-24 | 2020-06-24 | 一种基于地震信号优化处理的波阻抗反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111596366B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017289B (zh) * | 2020-08-31 | 2023-03-24 | 电子科技大学 | 一种基于深度学习的井震联合初始岩性模型构建方法 |
CN113190632B (zh) * | 2020-12-23 | 2023-08-15 | 南京未来网络产业创新有限公司 | 一种轨迹复原算法的模型建立方法及系统 |
CN113109874B (zh) * | 2021-03-30 | 2022-11-01 | 中国石油大学(华东) | 一种使用神经网络的波阻抗反演方法和神经网络系统 |
CN113325480A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 一种基于集成深度学习的地震岩性识别方法 |
CN114063169B (zh) * | 2021-11-10 | 2023-03-14 | 中国石油大学(北京) | 一种波阻抗反演方法、系统、设备和存储介质 |
CN114186686A (zh) * | 2022-02-17 | 2022-03-15 | 江苏游隼微电子有限公司 | 一种图像去噪神经网络训练方法 |
CN114779324B (zh) * | 2022-03-11 | 2023-07-25 | 西南交通大学 | 一种基于深度学习的瑞雷波频散曲线反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108495129A (zh) * | 2018-03-22 | 2018-09-04 | 北京航空航天大学 | 基于深度学习方法的块分割编码复杂度优化方法及装置 |
CN110927791A (zh) * | 2018-09-20 | 2020-03-27 | 中国石油化工股份有限公司 | 基于深度学习利用地震数据进行流体预测的方法及装置 |
US20200175228A1 (en) * | 2018-05-01 | 2020-06-04 | Capital One Services, Llc | Text categorization using natural language processing |
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373054B2 (en) * | 2015-04-19 | 2019-08-06 | International Business Machines Corporation | Annealed dropout training of neural networks |
-
2020
- 2020-06-24 CN CN202010589052.2A patent/CN111596366B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108495129A (zh) * | 2018-03-22 | 2018-09-04 | 北京航空航天大学 | 基于深度学习方法的块分割编码复杂度优化方法及装置 |
US20200175228A1 (en) * | 2018-05-01 | 2020-06-04 | Capital One Services, Llc | Text categorization using natural language processing |
CN110927791A (zh) * | 2018-09-20 | 2020-03-27 | 中国石油化工股份有限公司 | 基于深度学习利用地震数据进行流体预测的方法及装置 |
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
Non-Patent Citations (1)
Title |
---|
基于Dropout-BPNN的地球物理反演--以表层横波速度反演为例;康治梁 等;《工程地球物理学报》;20190531;第16卷(第3期);第286-294页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111596366A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596366B (zh) | 一种基于地震信号优化处理的波阻抗反演方法 | |
Gan et al. | Separation of simultaneous sources using a structural-oriented median filter in the flattened dimension | |
Arpat | Sequential simulation with patterns | |
CN108037531B (zh) | 一种基于广义全变分正则化的地震反演方法及系统 | |
Lorentzen et al. | History matching the full Norne field model using seismic and production data | |
US10310117B2 (en) | Efficient seismic attribute gather generation with data synthesis and expectation method | |
US10877175B2 (en) | Seismic acquisition geometry full-waveform inversion | |
RU2570827C2 (ru) | Гибридный способ для полноволновой инверсии с использованием способа одновременных и последовательных источников | |
CN110687597B (zh) | 一种基于联合字典的波阻抗反演方法 | |
US20150362608A1 (en) | Combined interpolation and primary estimation | |
Liu et al. | Physics-driven self-supervised learning system for seismic velocity inversion | |
US11397273B2 (en) | Full waveform inversion in the midpoint-offset domain | |
CN117406272A (zh) | 一种快速多元信息约束的反褶积宽频处理方法及装置 | |
Liu et al. | Robust full-waveform inversion based on automatic differentiation and differentiable dynamic time warping | |
CN109655891B (zh) | 克服全波形反演周波跳跃的方法及系统 | |
Gao et al. | Deep learning vertical resolution enhancement considering features of seismic data | |
Klatt et al. | Deep learning strategy for salt model building | |
CN106291676A (zh) | 一种基于匹配追踪算法的地震数据重构方法 | |
CN116068644A (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
CN106291675A (zh) | 一种基于基追踪技术的地震数据重构方法 | |
Zhang et al. | First break of the seismic signals in oil exploration based on information theory | |
CN110865409B (zh) | 一种基于波阻抗低秩正则化的地震波阻抗反演方法 | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
Lin et al. | Time-frequency mixed domain multi-trace simultaneous inversion method | |
Zhang | Ensemble methods of data assimilation in porous media flow for non-Gaussian prior probability density |
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 |