CN111796326A - 一种基于Unet网络的层序地层格架构建方法和系统 - Google Patents

一种基于Unet网络的层序地层格架构建方法和系统 Download PDF

Info

Publication number
CN111796326A
CN111796326A CN202010644932.5A CN202010644932A CN111796326A CN 111796326 A CN111796326 A CN 111796326A CN 202010644932 A CN202010644932 A CN 202010644932A CN 111796326 A CN111796326 A CN 111796326A
Authority
CN
China
Prior art keywords
data
sequence
seismic data
work area
unet 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.)
Granted
Application number
CN202010644932.5A
Other languages
English (en)
Other versions
CN111796326B (zh
Inventor
丁继才
张金淼
朱振宇
翁斌
姜秀娣
王清振
赵小龙
欧阳炀
黄小刚
王艳东
孙文博
薛东川
郝振江
张云鹏
牛聪
张益明
吴克强
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.)
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
Original Assignee
Beijing Research Center of CNOOC China Ltd
CNOOC China 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 Beijing Research Center of CNOOC China Ltd, CNOOC China Ltd filed Critical Beijing Research Center of CNOOC China Ltd
Priority to CN202010644932.5A priority Critical patent/CN111796326B/zh
Publication of CN111796326A publication Critical patent/CN111796326A/zh
Application granted granted Critical
Publication of CN111796326B publication Critical patent/CN111796326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于地震勘探技术领域，涉及一种基于Unet网络的层序地层格架构建方法和系统，包括以下步骤：S1根据具有层序地层格架的工区地震数据形成地震数据和层序地层格架标签对；S2将地震数据和层序地层格架标签对代入初始Unet网络模型，对Unet网络模型进行训练，获得最终的Unet网络模型；S3获取待构建工区地震数据，并进行预处理；S4将待构建地震数据代入最终的Unet网络模型获得层序地层格架。其依靠深度学习，自动化完成层序地层格架构建，提高了地层格架的精度。

Description

一种基于Unet网络的层序地层格架构建方法和系统
技术领域
本发明是关于一种基于Unet网络的层序地层格架构建方法和系统，属于地震勘探技术领域。
背景技术
近些年，随着地震勘探技术的日益发展和生产需求的提高，地震勘探目标由常规构造油气藏向非常规油气藏发生了转变。非常规油气藏主要包括岩性油气藏、隐蔽油气藏、致密油气藏、页岩油气藏等。为了能够提高储层预测成功率及钻井成功率，层序地层学作为一门新兴的地层学分支学科，越来越受到油气勘探工作者的重视。
层序地层学是根据露头、钻井、测井和地震资料，结合沉积环境和岩相古地理分析，对地层层序格架进行地质成因解释的一门新兴地层学学科，是划分、对比沉积岩的一种新方法。近年来，层序地层学的理论和方法在沉积环境分析和储层预测中发挥了越来越大的作用。通过年代地层格架的建立，对地层分布模式做出解释，对同时代成因地层体系域做出划分，为含油气盆地地层分析、盆地规模预测及是否具备成为储层条件提供了坚实的理论和技术支撑。
地震地层学是层序地层学研究的基础，也是其重要的一个环节。随着研究的深入，地震地层学和层序地层学研究结合日益紧密，通过地震资料进行层序地层格架构建成为一个主要的层序地层学研究内容。对比露头、钻井和测井，地震资料提供了三维立体地下信息，地震波同相轴是地下地层的直观反映。
另外层序地层格架的建立也是地震资料采集、处理、解释环节中必备的工作。通过层序地层格架进一步建立地下介质模型，进而开展地震资料采集观测系统论证；通过层序地层格架进一步建立地震数据成像所需的速度模型，提高偏移成像精度；通过层序地层格架进一步建立地震数据反演所需初始模型，提高反演的稳定性和精度。
传统建立层序地层格架的第一步是地震层位人工解释，这是一项十分繁重的工作，尤其是对复杂构造区域，地震资料信噪比低，解释层位更加困难，解释成果因人而异，具有很大的不确定性。在解释层位基础上，通过两层之间等间隔插值，造成层位之间的层序地层格架不准确，甚至和地震同相轴交叉。
发明内容
针对上述现有技术的不足，本发明的目的是提供了一种基于Unet网络的层序地层格架构建方法和系统，其依靠深度学习，自动化完成层序地层格架构建，提高了地层格架的精度。
为实现上述目的，本发明提供了一种基于Unet网络的层序地层格架构建方法，包括以下步骤：S1根据已具有层序地层格架的工区地震数据形成地震数据和层序地层格架标签对；S2将地震数据和层序地层格架标签对代入初始Unet网络模型，对Unet网络模型进行训练，获得最终的Unet网络模型；S3获取待构建工区地震数据，并进行预处理；S4将预处理后待构建工区地震数据代入最终的Unet网络模型获得层序地层格架。
进一步，S1中形成地震数据和层序地层格架标签对的过程包括具有层序地层格架的工区地震数据预处理和工区标签数据制作两步。
进一步，具有层序地层格架的工区地震数据预处理过程包括去噪处理、数据标准化处理以及数据范围控制。
进一步，去噪处理用于去掉随机噪音数据，数据的超大和超小的野值；数据标准化处理是通过L2范数标准化处理、Z-score标准化或最小-最大规范化处理使得数据压缩到预设的值域空间中。
进一步，数据范围控制过程为：利用工区层序地层格架数据控制工区地震数据的数据范围，工区层序地层格架范围之外的工区地震数据赋值为0，工区层序地层格架范围之内的工区地震数据不变。
进一步，工区标签数据制作的过程为包括对工区层序地层格架数据进行0和1二值化，并对预处理后地震数据和经过二值化的地层格架数据同时进行数据切割扩量。
进一步，二值化的过程为：在工区层序地层格架范围内从上至下，逐层依次赋值为1,0,1,0,…直到所有工区层序地层格架范围内各层都被1和0值充填。
进一步，数据切割扩量过程为：对预处理的地震数据和经过二值化的层序地层格架数据进行完全相同的数据切割扩量操作，沿着两数据深度方向水平切片，记为h1，h2…hi…hn；对每个水平切片，取随机点记为pi1，pi2…pij…pim；以随机点为圆心画圆，按一定的角度增量旋转并沿着深度方向切割两数据，形成地震数据和层序地层格架标签对。
进一步，Unet网络模型包括卷积层、下采样层和反卷积层，卷积层为23层，下采样层、反卷积层和条连接的个数均为5个。
本发明还公开了一种基于Unet网络的层序地层格架构建系统，包括：标签对形成模块，用于根据具有层序地层格架的工区地震数据形成地震数据和层序地层格架标签对；模型建立模块，用于将地震数据和层序地层格架标签对代入初始Unet网络模型，对Unet网络模型进行训练，获得最终的Unet网络模型；待构建数据获取模块，用于获取待构建工区地震数据，并进行预处理；地层格架输出模块，将待构建地震数据代入最终的Unet网络模型获得层序地层格架。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明提出利用训练工区的地震数据和层序地层格架数据沿着深度方向随机切割提取海量地震数据和层序地层格架标签对，解决了深度学习解决实际问题缺乏标签数据的问题。
2、本发明提出利用改进Unet网络进行深度神经网络训练的方法，增加了卷积层、上下采样层及跳跃连接，提升了网络信息提取及保持数据宏观信息的能力。
3、本发明在处理实际问题时候，只需要人工解释易于解释两个标志层，两个标志层之间的层序地层格架构建完全由深度学习网络自动完成。
4、本发明中建立的层序地层格架结果，根据等值线可以自动生成解释层位，大量的节省了人工的劳动。
附图说明
图1是本发明一实施例中层序地层格架的示意图；
图2是本发明一实施例中水平切片hi俯视图；
图3是本发明一实施例中深度学习的Unet网络模型结构示意图；
图4是本发明一实施例中地下构造简单工区的地震数据图；
图5是本发明一实施例中地下构造简单工区的层序地震格架的示意图；
图6是本发明一实施例中地下构造复杂工区的地震数据图；
图7是本发明一实施例中地下构造复杂工区的层序地震格架的示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
实施例一
本实施例提供了一种基于Unet网络的层序地层格架构建方法，包括以下步骤：
S1根据具有层序地层格架的工区地震数据形成地震数据和层序地层格架标签对。
其中，形成地震数据和层序地层格架标签对的过程包括具有层序地层格架的工区地震数据预处理和工区标签数据制作两步。
具有层序地层格架的工区地震数据预处理过程包括去噪处理、数据标准化处理以及数据范围控制。去噪处理用于去掉随机噪音数据，数据的超大和超小的野值；数据标准化处理是通过L2范数标准化处理、Z-score标准化或最小-最大规范化处理使得数据压缩到预设的值域空间中。
数据范围控制过程为：利用工区层序地层格架数据控制工区地震数据的数据范围，工区层序地层格架范围之外的工区地震数据赋值为0，工区层序地层格架范围之内的工区地震数据不变。
工区标签数据制作的过程为包括对工区层序地层格架数据进行0和1二值化，并对预处理后地震数据和经过二值化的地层格架数据同时进行数据切割扩量。
二值化的过程为：在工区层序地层格架范围内从上至下，逐层依次赋值为1,0,1,0,…直到所有工区层序地层格架范围内各层都被1和0值充填。如图1所示，T2_s之上和T2_e之下为层序地层格架数据范围之外的数据赋值为0。T2_s和T2_e之间各层被1和0依次填充。
数据切割扩量过程为：对预处理的地震数据和经过二值化的层序地层格架数据进行完全相同的数据切割扩量操作，沿着两数据深度方向水平切片，记为h1，h2…hi…hn；对每个水平切片，取随机点记为pi1，pi2…pij…pim；以随机点为圆心画圆，半径为128个数据点，按30度角度增量旋转并沿着深度方向切割两数据，形成地震数据和层序地层格架标签对。图2是其中一张水平切片hi俯视图，如图2所示，其上共随机抽取了m个随机点，记为pij，第一个点为pi1，最后一个点为pim，图2中展示了8个随机点即从pi1到pi8进行数据切割扩量的过程。
S2将地震数据和层序地层格架标签对代入初始Unet网络模型，对Unet网络模型进行训练，获得最终的Unet网络模型。
Unet网络模型利用python语言搭建深度学习网络，Unet网络模型包括卷积层、下采样层和反卷积层，卷积层为23层，下采样层、反卷积层和条连接的个数均为5个。卷积层采用Relu激励函数，输出采用Sigmoid激励函数，loss函数为L2范数最小。如图3所示，Unet网络模型为对称网络，其输出数据尺寸和输入数据尺寸大小一致。
训练深度学习网络，输入地震数据和层序地层格架标签对，初始学习率选择0.0005，学习率衰减率为0.02，学习次数500，保存模型参数，并获得最终的Unet网络模型。
S3获取待构建工区地震数据，并进行预处理。
待构建地震数据与步骤S1中的具有层序地层格架的工区地震数据相同，也要经过预处理过程，即对待构建地震数据进行去噪处理、数据标准化处理以及数据范围控制。去噪处理用于去掉随机噪音数据，数据的超大和超小的野值；数据标准化处理是通过L2范数标准化处理、Z-score标准化或最小-最大规范化处理使得数据压缩到一定的值域空间中，确保处理后数据和S1处理后数据具有相同的分布。地震数据范围确定主要依据目标层位，目标层位之上及之下的地震数据赋0值。
S4将待构建地震数据代入最终的Unet网络模型获得层序地层格架。
实施例二
基于相同的发明构思，本实施例公开了一种基于Unet网络的层序地层格架构建系统，包括：
标签对形成模块，用于根据具有层序地层格架的工区地震数据形成地震数据和层序地层格架标签对；
模型建立模块，用于将地震数据和层序地层格架标签对代入初始Unet网络模型，对Unet网络模型进行训练，获得最终的Unet网络模型；
待构建数据获取模块，用于获取待构建工区地震数据，并进行数据预处理；
地层格架输出模块，将待构建地震数据代入最终的Unet网络模型获得层序地层格架。
实施例三
本实施例提供一种在地下构造简单情况下，基于深度学习技术层序地层格架构建方法的应用，具体包括以下步骤：
S1：如图4所示，对地震数据进行去噪处理、数据标准化处理以及数据范围控制。去噪处理用于去掉随机噪音数据，数据的超大和超小的野值；数据标准化处理是通过L2范数标准化处理、Z-score标准化或最小-最大规范化处理使得数据压缩到一定的值域空间中。数据范围控制利用目标区已经完成解释的两个层位控制地震数据的范围，这两个层位之上和之下的地震数据数值赋值为0，形成预处理后地震数据。
S2：如图5所示，调用保存的Unet网络模型参数，把形成的预处理后地震数据代入到训练好的Unet网络模型，得到层序地层格架结果。
实施例四
在地下构造复杂的情况下，基于深度学习技术层序地层格架构建方法的应用，具体包括以下步骤：
S1：如图6所示，地下构造复杂，目标区数据深度跨度大，需考虑将目标区分为若干段，例如将目标区分为两段就需要提前解释三个层位，这三个曾为自上而下为hor1、hor2和hor3，下面就以将目标区分为两段的情况为例进行说明。
S2：对地震数据进行去噪处理、数据标准化处理以及数据范围控制。去噪处理用于去掉随机噪音数据，数据的超大和超小的野值；数据标准化处理是通过L2范数标准化处理、Z-score标准化或最小-最大规范化处理使得数据压缩到一定的值域空间中。数据范围控制为利用层位hor1和hor2控制上段地震数据的范围，利用层位hor2和hor3控制下段地震数据的范围；这hor1之上和hor3之下的地震数据数值赋值为0；分别将hor1和hor2以及hor2和hor3各层进行二值化处理，形成预处理后上段地震数据以及下段地震数据。
S3：如图7所示，调用保存的Unet网络模型参数，把形成的预处理后上段地震数据代入到训练好的Unet网络模型，得到上段层序地层格架结果grid1。
S4：如图7所示，调用保存的Unet网络模型参数，把形成的预处理后下段地震数据和层序地层格架标签对代入到训练好的Unet网络模型，得到下段层序地层格架结果grid2。
S5：把S3和S4输出结果结合在一起，结合方式为grid1+(-1)*grid2，得到最后的层序地层格架结果。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于Unet网络的层序地层格架构建方法，其特征在于，包括以下步骤：
S1根据具有层序地层格架的工区地震数据形成地震数据和层序地层格架标签对；
S2将所述地震数据和层序地层格架标签对代入初始Unet网络模型，对所述Unet网络模型进行训练，获得最终的Unet网络模型；
S3获取待构建工区地震数据，并进行预处理；
S4将经过预处理的所述待构建地震数据代入所述最终的Unet网络模型获得层序地层格架。
2.如权利要求1所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述S1中形成地震数据和层序地层格架标签对的过程包括具有层序地层格架的工区地震数据预处理和工区标签数据制作两步。
3.如权利要求2所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述具有层序地层格架的工区地震数据预处理过程包括去噪处理、数据标准化处理以及数据范围控制。
4.如权利要求3所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述去噪处理用于去掉随机噪音数据，数据的超大和超小的野值；所述数据标准化处理是通过L2范数标准化处理、Z-score标准化或最小-最大规范化处理使得数据压缩到预设的值域空间中。
5.如权利要求3所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述数据范围控制过程为：利用工区层序地层格架数据控制工区地震数据的数据范围，工区层序地层格架范围之外的工区地震数据赋值为0，工区层序地层格架范围之内的工区地震数据不变。
6.如权利要求1所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述工区标签数据制作的过程为包括对工区层序地层格架数据进行0和1二值化，并对预处理后地震数据和经过二值化的地层格架数据同时进行数据切割扩量。
7.如权利要求6所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述二值化的过程为：在工区层序地层格架范围内从上至下，逐层依次赋值为1,0,1,0,…直到所有所述工区层序地层格架范围内各层都被1和0值充填。
8.如权利要求6所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述数据切割扩量过程为：对预处理的地震数据和经过二值化的层序地层格架数据进行完全相同的数据切割扩量操作，沿着两数据深度方向水平切片，记为h1，h2…hi…hn；对每个所述水平切片，取随机点记为pi1，pi2…pij…pim；以所述随机点为圆心画圆，按一定的角度增量旋转并沿着深度方向切割两数据，形成地震数据和层序地层格架标签对。
9.如权利要求1-8任一项所述的基于Unet网络的层序地层格架构建方法，其特征在于，所述Unet网络模型包括卷积层、下采样层和反卷积层，所述卷积层为23层，下采样层、反卷积层和条连接的个数均为5个。
10.一种基于Unet网络的层序地层格架构建系统，其特征在于，包括：
标签对形成模块，用于根据具有层序地层格架的工区地震数据形成地震数据和层序地层格架标签对；
模型建立模块，用于将所述地震数据和层序地层格架标签对代入初始Unet网络模型，对所述Unet网络模型进行训练，获得最终的Unet网络模型；
待构建数据获取模块，用于获取待构建工区地震数据，并进行预处理；
地层格架输出模块，将所述待构建地震数据和代入所述最终的Unet网络模型获得层序地层格架。
CN202010644932.5A 2020-07-07 2020-07-07 一种基于Unet网络的层序地层格架构建方法和系统 Active CN111796326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010644932.5A CN111796326B (zh) 2020-07-07 2020-07-07 一种基于Unet网络的层序地层格架构建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010644932.5A CN111796326B (zh) 2020-07-07 2020-07-07 一种基于Unet网络的层序地层格架构建方法和系统

Publications (2)

Publication Number Publication Date
CN111796326A true CN111796326A (zh) 2020-10-20
CN111796326B CN111796326B (zh) 2022-11-22

Family

ID=72811329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010644932.5A Active CN111796326B (zh) 2020-07-07 2020-07-07 一种基于Unet网络的层序地层格架构建方法和系统

Country Status (1)

Country Link
CN (1) CN111796326B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116122802A (zh) * 2022-12-23 2023-05-16 中国科学院地质与地球物理研究所 基于Unet双通道输出的钻测录井特征提取方法与系统
CN117492079A (zh) * 2024-01-03 2024-02-02 中国海洋大学 基于TDS-Unet网络的地震速度模型重构方法、介质和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182444A (zh) * 2015-09-09 2015-12-23 中国海洋石油总公司 一种高分辨率层序地层格架约束的地质统计学反演方法
CN109597129A (zh) * 2019-01-07 2019-04-09 中国地质大学（武汉） 基于目标检测的缝洞型油藏串珠状反射特征识别方法
CN110221346A (zh) * 2019-07-08 2019-09-10 西南石油大学 一种基于残差块全卷积神经网络的数据噪声压制方法
CN110501741A (zh) * 2019-07-18 2019-11-26 长江大学 一种有效信号检测方法及系统
US20200183047A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Upstream Research Company Automated Reservoir Modeling Using Deep Generative Networks
US20200183032A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Upstream Research Company Training machine learning systems for seismic interpretation
CN111273353A (zh) * 2020-02-12 2020-06-12 同济大学 基于U-Net网络的智能化地震数据去混叠方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182444A (zh) * 2015-09-09 2015-12-23 中国海洋石油总公司 一种高分辨率层序地层格架约束的地质统计学反演方法
US20200183047A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Upstream Research Company Automated Reservoir Modeling Using Deep Generative Networks
US20200183032A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Upstream Research Company Training machine learning systems for seismic interpretation
CN109597129A (zh) * 2019-01-07 2019-04-09 中国地质大学（武汉） 基于目标检测的缝洞型油藏串珠状反射特征识别方法
CN110221346A (zh) * 2019-07-08 2019-09-10 西南石油大学 一种基于残差块全卷积神经网络的数据噪声压制方法
CN110501741A (zh) * 2019-07-18 2019-11-26 长江大学 一种有效信号检测方法及系统
CN111273353A (zh) * 2020-02-12 2020-06-12 同济大学 基于U-Net网络的智能化地震数据去混叠方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XINMING WU等: "Deep learning for local seismic image processing: fault detection, structure-oriented smoothing with edge-preserving, and slope estimation by using a single convolutional neural network", 《SEG INTERNATIONAL EXPOSITION AND 89TH ANNUAL MEETING》 *
XINMING WU等: "Multitask learning for local seismic image processing: fault detection, structure-oriented smoothing with edge-preserving, and seismic normal estimation by using a single convolutional neural network", 《GEOPHYS. J. INT.》 *
宋光永等: "柴达木盆地西部斜坡区下干柴沟组下段高精度层序地层及砂体构型分析", 《中国地质》 *
张攀龙等: "基于U-NET深度神经网络的地震数据去噪研究", 《金属矿山》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116122802A (zh) * 2022-12-23 2023-05-16 中国科学院地质与地球物理研究所 基于Unet双通道输出的钻测录井特征提取方法与系统
CN116122802B (zh) * 2022-12-23 2023-07-14 中国科学院地质与地球物理研究所 基于Unet双通道输出的钻测录井特征提取方法与系统
CN117492079A (zh) * 2024-01-03 2024-02-02 中国海洋大学 基于TDS-Unet网络的地震速度模型重构方法、介质和设备
CN117492079B (zh) * 2024-01-03 2024-04-09 中国海洋大学 基于TDS-Unet网络的地震速度模型重构方法、介质和设备

Also Published As

Publication number Publication date
CN111796326B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CA2279266C (en) Method for determining barriers to reservoir flow
US12007516B2 (en) Geological feature search engine
EP3253946B1 (en) Seismic attributes derived from the relative geological age property of a volume-based model
CN114994759A (zh) 基于gan网络的碳封存箱智能识别方法和系统
CN111983691B (zh) 一种多模型融合的储层预测方法及软件系统
CN111796326B (zh) 一种基于Unet网络的层序地层格架构建方法和系统
CN112400123B (zh) 用于盐地震解译的级联式机器学习工作流
US20240168194A1 (en) Automatic subsurface property model building and validation
US20230105422A1 (en) Analogue identification and evaluation for field development and planning
EP4285163A1 (en) Geologic search framework
CN112578475B (zh) 基于数据挖掘的致密储层双甜点识别方法
US20210223428A1 (en) Seismic interpretation using flow fields
CN111472763B (zh) 地层厚度预测方法及装置
US20230084403A1 (en) Machine learning driven dispersion curve picking
CN115880455A (zh) 基于深度学习的三维智能插值方法
CN113376692A (zh) 致密砂岩气水平井压裂改造方案优化方法及装置
US20240176036A1 (en) Automatic salt geometry detection in a subsurface volume
US20230127237A1 (en) Integrating wells into adaptive multi-scale geological modeling
Li et al. The application of semi-supervised geobody detection technique using multiple seismic attributes in petroleum exploration
Ebuna et al. Statistical approach to neural network imaging of karst systems in 3D seismic reflection data
WO2024206578A1 (en) Subsurface discontinuity modeling framework
WO2024058932A1 (en) Systems and methods for analyzing uncertainty and sensitivity of fault populations
WO2024064007A1 (en) Automatic well log reconstruction
Hardanto Understanding the Facies Architecture of a Fluvial-Aeolian of Tensleep Formation Using a Machine Learning Approach
CN113985493A (zh) 地下多信息约束的等时地层格架智能建模方法

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