CN112114360A - 一种地震波形分析方法及装置 - Google Patents

一种地震波形分析方法及装置 Download PDF

Info

Publication number
CN112114360A
CN112114360A CN201910540787.3A CN201910540787A CN112114360A CN 112114360 A CN112114360 A CN 112114360A CN 201910540787 A CN201910540787 A CN 201910540787A CN 112114360 A CN112114360 A CN 112114360A
Authority
CN
China
Prior art keywords
seismic
neural network
sample point
sample
analysis
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.)
Pending
Application number
CN201910540787.3A
Other languages
English (en)
Inventor
李磊
詹仕凡
熊伟
万忠宏
徐少波
陶春峰
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.)
China National Petroleum Corp
BGP Inc
Original Assignee
China National Petroleum Corp
BGP Inc
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 China National Petroleum Corp, BGP Inc filed Critical China National Petroleum Corp
Priority to CN201910540787.3A priority Critical patent/CN112114360A/zh
Publication of CN112114360A publication Critical patent/CN112114360A/zh
Pending legal-status Critical Current

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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • 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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

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)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种地震波形分析方法及装置，该方法包括：建立不同地震相的样本点标签库。根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析。采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。本发明能够充分挖掘反应地质特征的信息，从中得到能够反映研究目标层位地震相特征的向量。

Description

一种地震波形分析方法及装置
技术领域
本发明涉及油气勘探技术领域，尤其涉及一种地震波形分析方法及装置。
背景技术
在油气地震勘探中，为了从地震数据中提取更多信息，实现对地下构造的精确解释，以及对地层、岩性等特征的描述，地震解释人员经常利用地震波形来完成地震资料解释。地震波形能够帮助解释人员增强目的层段视觉效应或者用数字描述目的层构造，是从地震数据里得出的关于地震波传播的几何学、运动学、动力学或统计学的特征反映。地震波形的基础是当沉积单元发生变化时，其地震反射特征(包括振幅、频率、相位、积分能量频谱、时频能量等)也将有一定程度的变化，利用深度学习网络技术把地震信号的总体变化量实时地刻画出来，即对波形进行分类刻画与分析，形成地震波形异常特征分布图-地震相图。合理且准确的地震信号波形分类结果能够真实地反映地下储层和地层结构构造，从而便于地震解释人员对地下构造进行准确的构造解释，提高对岩性预测、砂体预测、裂缝性油气藏预测和隐蔽性油气藏预测的可靠性。
随着地震勘探水平的不断发展，现有技术仅仅靠解释人员的观察无法准确检测出地震信号中所包含的更加丰富、多样的地质特征信息。
发明内容
本发明实施例提供一种地震波形分析方法，用以充分挖掘反应地质特征的信息，该方法包括：
建立不同地震相的样本点标签库；
根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析；
采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。
可选的，建立不同地震相的样本点标签库，包括：
获取目的层的地震道集合和地震相分类，通过地震道集合和地震相分类形成第一样本点对；
针对目的层选择候选样本点，并进行标定，得到相应的初始标签，并通过候选样本点和初始标签形成第二样本点对；
利用第一样本点对和第二样本点对组成样本点集合，并对样本点集合中的样本点进行无监督聚类分析，更新每个样本点对，获取不同地震相的样本点标签库。
可选的，采用超参数的方式更新复合深度学习网络模型中的参数，包括：
对样本点标签库中的样本点进行降维，获取压缩数据和自编码神经网络参数；
根据样本点标签库中的有监督样本点数据对压缩数据及压缩数据对应的标签进行学习，获取循环神经网络参数，
采用超参数的方式更新自编码神经网络参数和循环神经网络参数。
可选的，完成对地震波形的分析，包括：
利用更新后的自编码神经网络参数和循环神经网络参数对目标层波形数据进行分类，得到最终的地震相分析结果，完成对地震波形的分析。
本发明实施例还提供一种地震波形分析装置，用以充分挖掘反应地质特征的信息，该装置包括：
标签库建立模块，用于建立不同地震相的样本点标签库；
模型建立模块，用于根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析；
地震波形分析模块，用于采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。
可选的，标签库建立模块进一步用于：
获取目的层的地震道集合和地震相分类，通过地震道集合和地震相分类形成第一样本点对；
针对目的层选择候选样本点，并进行标定，得到相应的初始标签，并通过候选样本点和初始标签形成第二样本点对；
利用第一样本点对和第二样本点对组成样本点集合，并对样本点集合中的样本点进行无监督聚类分析，更新每个样本点对，获取不同地震相的样本点标签库。
可选的，地震波形分析模块进一步用于：
对样本点标签库中的样本点进行降维，获取压缩数据和自编码神经网络参数；
根据样本点标签库中的有监督样本点数据对压缩数据及压缩数据对应的标签进行学习，获取循环神经网络参数，
采用超参数的方式更新自编码神经网络参数和循环神经网络参数。
可选的，地震波形分析模块进一步用于：
利用更新后的自编码神经网络参数和循环神经网络参数对目标层波形数据进行分类，得到最终的地震相分析结果，完成对地震波形的分析。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明实施例提供的地震波形分析方法，通过建立不同地震相的样本点标签库，并根据样本标签库中不同的样本标签建立复合深度学习网络模型，使自编码神经网络对地震波形进行降维处理，循环神经网络对地震波形进行聚类分析，再采用超参数的方式更新复合深度学习网络模型中的参数，能够充分挖掘反应地质特征的信息，从中得到能够反映研究目标层位地震相特征的向量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中地震波形分析方法的流程示意图；
图2为本发明实施例中地震波形分析装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明实施例提供了一种地震波形分析方法，如附图1所示，该方法包括：
步骤101、建立不同地震相的样本点标签库。
步骤102、根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析。
步骤103、采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。
本发明实施例提供的地震波形分析方法，通过建立不同地震相的样本点标签库，并根据样本标签库中不同的样本标签建立复合深度学习网络模型，使自编码神经网络对地震波形进行降维处理，循环神经网络对地震波形进行聚类分析，再采用超参数的方式更新复合深度学习网络模型中的参数，能够充分挖掘反应地质特征的信息，从中得到能够反映研究目标层位地震相特征的向量。
其中，自编码神经网络可以为栈式自编码神经网络。
在步骤101中，建立不同地震相的样本点标签库，包括：
获取目的层的地震道集合和地震相分类，通过地震道集合和地震相分类形成第一样本点对；
针对目的层选择候选样本点，并进行标定，得到相应的初始标签，并通过候选样本点和初始标签形成第二样本点对；
利用第一样本点对和第二样本点对组成样本点集合，并对样本点集合中的样本点进行无监督聚类分析，更新每个样本点对，获取不同地震相的样本点标签库。
具体地，根据已知测井所在位置，获取井旁沿目的层l的地震道集合，记为
Figure BDA0002102501060000041
其中，N为井旁地震道的个数，t表示沿着目的层的时间，通常采用沿着目的层上下开一个时窗的方式。同时，我们也可以在测井上得到目的层的地震相分类
Figure BDA0002102501060000042
那么，第一样本点对[xi(t),yi]就组成了一个有监督样本点。
因为测井数据量比较少，在随后的操作过程中，解释人员根据自身的经验，针对目的层l，人为圈定一些候选样本点
Figure BDA0002102501060000043
并对其进行手工标定，得到相应的初始标签
Figure BDA0002102501060000044
以及第二样本点对
Figure BDA0002102501060000045
将第一样本点对和第二样本点对[xi(t),yi]和
Figure BDA0002102501060000051
组成一个新的集合S，并对其中的样本点进行无监督聚类分析(如采用公知公决的分类技术，K-Means或者SOM)，更新每个样本对，从而得到有标签的样本点集合
Figure BDA0002102501060000052
即样本点标签库。其中，M是新的集合中样本点个数。
在本发明实施例中，采用超参数的方式更新复合深度学习网络模型中的参数，包括：
对样本点标签库中的样本点进行降维，获取压缩数据和自编码神经网络参数；
根据样本点标签库中的有监督样本点数据对压缩数据及压缩数据对应的标签进行学习，获取循环神经网络参数，
采用超参数的方式更新自编码神经网络参数和循环神经网络参数。
具体地，采用栈式自编码神经网络对所提供的有监督样本点数据集合
Figure BDA0002102501060000053
中的
Figure BDA0002102501060000054
进行降维处理。栈式自编码器由编码阶段(即信息从前向后传播)和解码阶段(即信息从后向前传播)两部分组成。栈式自编码神经网络是由多层稀疏自编码器组成的神经网络模型，即前一个自编码器的输出作为后一个自编码器的输入。在发明实施例中，采用K层网络，每一层用L/2个隐节点，其中L为当前样本点
Figure BDA0002102501060000055
的长度。当压缩的时候，原有的
Figure BDA0002102501060000056
被缩减(降维)，得到压缩数据
Figure BDA0002102501060000057
解压的时候，用信息量小却包含了所有信息的
Figure BDA0002102501060000058
来恢复出原来的
Figure BDA0002102501060000059
经过上述过程，
Figure BDA00021025010600000510
被压缩成维数更低的
Figure BDA00021025010600000511
同时，得到自编码神经网络参数ΓK。
将得到的
Figure BDA00021025010600000512
作为观测数据，
Figure BDA00021025010600000513
作为对应的标签。采用J层循环神经网络算法，最终实现对地震相分类过程。需要说明的是，循环神经网络是一种可以预测未来(在某种程度上)的神经网络，可以用来分析时间序列数据。大部分是前馈神经网络，激活流只有一个方向，从输入层流向输出层。循环神经网络和前馈神经网络很相似，不过也会向后连接。一个最简单的循环神经网络只有一个神经元接受输入，只产生一个输出，然后再将输出传递给自己。根据有监督样本点数据对
Figure BDA00021025010600000514
和
Figure BDA00021025010600000515
得到循环神经网络参数ΦJ。
在步骤103中，完成对地震波形的分析，包括：
利用更新后的自编码神经网络参数和循环神经网络参数对目标层波形数据进行分类，得到最终的地震相分析结果，完成对地震波形的分析。
具体地，作为一种示例，令上述K和J的初始值均为2，当输入波形地震数据
Figure BDA00021025010600000516
时，通过深度学习网络将得到预测输出结果
Figure BDA0002102501060000061
计算预测值和理论值之间的误差
Figure BDA0002102501060000062
遍历K和J的所有可能取值，其中，K＝2...5，J＝2...5，保留errorsK,L取得最小值的参数模型ΓK和ΦJ作为最终的模型参数，并用此参数对整个目标层位波形数据进行自动分类，得到最终的地震相分析结果。
进一步地，下面以一具体实施例对上述获取最小的参数ΓK和ΦJ的过程进行说明：
1)获取井旁沿目的层l的地震道集合记为
Figure BDA0002102501060000063
和目的层的地震相分类
Figure BDA0002102501060000064
N为井旁地震道的个数；解释人员手工圈定候选样本点
Figure BDA0002102501060000065
并得到相应的初始标签
Figure BDA0002102501060000066
2)令集合
Figure BDA0002102501060000067
采用公K-Means算法对集合S进行无监督聚类，更新每个样本对；得到有标签的样本点集合
Figure BDA0002102501060000068
其中，M是新的集合中样本点个数。
3)采用K层的堆栈自编码网络对数据
Figure BDA0002102501060000069
进行压缩降维，每一层用L/2个隐节点，其中L为当前样本点
Figure BDA00021025010600000610
的长度。得到压缩数据
Figure BDA00021025010600000611
和自编码神经网络参数ΓK。
4)采用J层循环神经网络，根据有监督样本点数据对
Figure BDA00021025010600000612
和
Figure BDA00021025010600000613
进行学习，得到循环神经网络参数ΦJ。
5)令K＝2，输入
Figure BDA00021025010600000614
并得到预测输出结果
Figure BDA00021025010600000615
计算误差
Figure BDA00021025010600000616
如果errorsK,L＜Τ(Τ是预先设置的参数)，那么算法终止，得到参数ΓK和ΦJ。否则，如果J＜5，令J＝J+1，返回到4)；如果J≥5，令J＝2，到6)。
6)如果K＜5，令K＝K+1，返回到3)；如果K≥5，算法终止，得到是的误差errorsK,L最小的参数ΓK和ΦJ。
基于同一发明构思，本发明实施例中还提供了一种地震波形分析装置，如下面的实施例所述。由于地震波形分析装置解决问题的原理与地震波形分析方法相似，因此，地震波形分析装置的实施可以参见地震波形分析方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明实施例还提供了一种地震波形分析装置，如附图2所示，包括：
标签库建立模块201，用于建立不同地震相的样本点标签库；
模型建立模块202，用于根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析；
地震波形分析模块203，用于采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。
在本发明实施例中，标签库建立模块201进一步用于：
获取目的层的地震道集合和地震相分类，通过地震道集合和地震相分类形成第一样本点对；
针对目的层选择候选样本点，并进行标定，得到相应的初始标签，并通过候选样本点和初始标签形成第二样本点对；
利用第一样本点对和第二样本点对组成样本点集合，并对样本点集合中的样本点进行无监督聚类分析，更新每个样本点对，获取不同地震相的样本点标签库。
在本发明实施例中，地震波形分析模块203进一步用于：
对样本点标签库中的样本点进行降维，获取压缩数据和自编码神经网络参数；
根据样本点标签库中的有监督样本点数据对压缩数据及压缩数据对应的标签进行学习，获取循环神经网络参数，
采用超参数的方式更新自编码神经网络参数和循环神经网络参数。
在本发明实施例中，地震波形分析模块203进一步用于：
利用更新后的自编码神经网络参数和循环神经网络参数对目标层波形数据进行分类，得到最终的地震相分析结果，完成对地震波形的分析。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
综上，本发明基于深度学习网络，优选多个不同地震相的波形特征地震道进行有监督聚类分析的方法，该方法规避单纯的波形聚类对油气预测影响，最终提高油气预测精度，降低研究目标的油气风险，为油气田高效开发提供可靠数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种地震波形分析方法，其特征在于，包括：
建立不同地震相的样本点标签库；
根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析；
采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。
2.如权利要求1所述的方法，其特征在于，建立不同地震相的样本点标签库，包括：
获取目的层的地震道集合和地震相分类，通过地震道集合和地震相分类形成第一样本点对；
针对目的层选择候选样本点，并进行标定，得到相应的初始标签，并通过候选样本点和初始标签形成第二样本点对；
利用第一样本点对和第二样本点对组成样本点集合，并对样本点集合中的样本点进行无监督聚类分析，更新每个样本点对，获取不同地震相的样本点标签库。
3.如权利要求2所述的方法，其特征在于，采用超参数的方式更新复合深度学习网络模型中的参数，包括：
对样本点标签库中的样本点进行降维，获取压缩数据和自编码神经网络参数；
根据样本点标签库中的有监督样本点数据对压缩数据及压缩数据对应的标签进行学习，获取循环神经网络参数，
采用超参数的方式更新自编码神经网络参数和循环神经网络参数。
4.如权利要求3所述的方法，其特征在于，完成对地震波形的分析，包括：
利用更新后的自编码神经网络参数和循环神经网络参数对目标层波形数据进行分类，得到最终的地震相分析结果，完成对地震波形的分析。
5.一种地震波形分析装置，其特征在于，包括：
标签库建立模块，用于建立不同地震相的样本点标签库；
模型建立模块，用于根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析；
地震波形分析模块，用于采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。
6.如权利要求5所述的装置，其特征在于，标签库建立模块进一步用于：
获取目的层的地震道集合和地震相分类，通过地震道集合和地震相分类形成第一样本点对；
针对目的层选择候选样本点，并进行标定，得到相应的初始标签，并通过候选样本点和初始标签形成第二样本点对；
利用第一样本点对和第二样本点对组成样本点集合，并对样本点集合中的样本点进行无监督聚类分析，更新每个样本点对，获取不同地震相的样本点标签库。
7.如权利要求6所述的装置，其特征在于，地震波形分析模块进一步用于：
对样本点标签库中的样本点进行降维，获取压缩数据和自编码神经网络参数；
根据样本点标签库中的有监督样本点数据对压缩数据及压缩数据对应的标签进行学习，获取循环神经网络参数，
采用超参数的方式更新自编码神经网络参数和循环神经网络参数。
8.如权利要求7所述的装置，其特征在于，地震波形分析模块进一步用于：
利用更新后的自编码神经网络参数和循环神经网络参数对目标层波形数据进行分类，得到最终的地震相分析结果，完成对地震波形的分析。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
CN201910540787.3A 2019-06-21 2019-06-21 一种地震波形分析方法及装置 Pending CN112114360A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910540787.3A CN112114360A (zh) 2019-06-21 2019-06-21 一种地震波形分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910540787.3A CN112114360A (zh) 2019-06-21 2019-06-21 一种地震波形分析方法及装置

Publications (1)

Publication Number Publication Date
CN112114360A true CN112114360A (zh) 2020-12-22

Family

ID=73796671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910540787.3A Pending CN112114360A (zh) 2019-06-21 2019-06-21 一种地震波形分析方法及装置

Country Status (1)

Country Link
CN (1) CN112114360A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113176607A (zh) * 2021-04-23 2021-07-27 西安交通大学 基于融入物理规律的稀疏自编码器地震反演方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102650702A (zh) * 2012-05-03 2012-08-29 中国石油天然气股份有限公司 一种地震波形分析及储层预测方法和装置
CN106650766A (zh) * 2016-09-13 2017-05-10 电子科技大学 基于固有特征分析的三维体波形分类方法
CN107526106A (zh) * 2017-08-28 2017-12-29 电子科技大学 基于半监督算法的快速地震波形分类方法
US20180106917A1 (en) * 2016-10-14 2018-04-19 Chevron U.S.A. Inc. System and method for seismic facies identification using machine learning
CN108226997A (zh) * 2017-11-16 2018-06-29 中国石油天然气集团公司 一种基于叠前地震数据的地震相划分方法
CN109143353A (zh) * 2018-08-20 2019-01-04 电子科技大学 一种基于深度卷积生成对抗网络的叠前地震波形分类方法
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
CN109633743A (zh) * 2019-01-17 2019-04-16 中国矿业大学 一种基于波形分类地震相技术预测煤层厚度的方法
JP2019079536A (ja) * 2017-10-23 2019-05-23 大国創新智能科技（東莞）有限公司 連合クラスタリング深層学習ニューラルネットワークに基づくデータ識別方法
US20190162868A1 (en) * 2016-08-03 2019-05-30 Schlumberger Technology Corporation Multi-Scale Deep Network for Fault Detection

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102650702A (zh) * 2012-05-03 2012-08-29 中国石油天然气股份有限公司 一种地震波形分析及储层预测方法和装置
US20190162868A1 (en) * 2016-08-03 2019-05-30 Schlumberger Technology Corporation Multi-Scale Deep Network for Fault Detection
CN106650766A (zh) * 2016-09-13 2017-05-10 电子科技大学 基于固有特征分析的三维体波形分类方法
US20180106917A1 (en) * 2016-10-14 2018-04-19 Chevron U.S.A. Inc. System and method for seismic facies identification using machine learning
US20190064389A1 (en) * 2017-08-25 2019-02-28 Huseyin Denli Geophysical Inversion with Convolutional Neural Networks
CN107526106A (zh) * 2017-08-28 2017-12-29 电子科技大学 基于半监督算法的快速地震波形分类方法
JP2019079536A (ja) * 2017-10-23 2019-05-23 大国創新智能科技（東莞）有限公司 連合クラスタリング深層学習ニューラルネットワークに基づくデータ識別方法
CN108226997A (zh) * 2017-11-16 2018-06-29 中国石油天然气集团公司 一种基于叠前地震数据的地震相划分方法
CN109143353A (zh) * 2018-08-20 2019-01-04 电子科技大学 一种基于深度卷积生成对抗网络的叠前地震波形分类方法
CN109633743A (zh) * 2019-01-17 2019-04-16 中国矿业大学 一种基于波形分类地震相技术预测煤层厚度的方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
FENG QIAN等: "Unsupervised seismic facies analysis via deep convolutional autoencoders", 《GEOPHYSICS》, vol. 83, no. 3, pages 39 - 43 *
YI HE等: "Shale seismic facies recognition technology based on sparse autoencoder", 《CPS/SEG BEIJING 2018 INTERNATIONAL GEOPHYSICAL CONFERENCE & EXPOSITION ELECTRONIC PAPERS》, pages 1766 - 1770 *
丁峰;尹成;朱振宇;桑淑云;魏艳: "利用改进的自组织网络进行地震属性分析", 《西南石油大学学报(自然科学版)》, vol. 31, no. 04, pages 47 - 51 *
曹俊兴: "深度学习及其在深层天然气储层预测中的应用实验", 《物探化探计算技术》, vol. 39, no. 06, pages 775 - 782 *
祝永英: "神经网络算法在地震相识别中的应用", 《中国石油大学胜利学院学报》, vol. 29, no. 04, pages 4 - 9 *
肖梦华;孙勤华;刘俊;狄贵东;林康;: "利用波形分析技术预测塔河油田碳酸盐岩储层", 《重庆科技学院学报(自然科学版)》, vol. 12, no. 01, pages 118 - 120 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113176607A (zh) * 2021-04-23 2021-07-27 西安交通大学 基于融入物理规律的稀疏自编码器地震反演方法及系统
CN113176607B (zh) * 2021-04-23 2022-12-09 西安交通大学 基于融入物理规律的稀疏自编码器地震反演方法及系统

Similar Documents

Publication Publication Date Title
Huang et al. Micro-seismic event detection and location in underground mines by using Convolutional Neural Networks (CNN) and deep learning
US11668853B2 (en) Petrophysical inversion with machine learning-based geologic priors
US7433851B2 (en) System and method for inferring geological classes
WO2021130512A1 (en) Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data
US11181653B2 (en) Reservoir characterization utilizing ReSampled seismic data
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
CN113642698B (zh) 地球物理测井智能解释方法、系统及存储介质
CN112684497B (zh) 地震波形聚类方法和装置
Wang et al. Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network
Tan et al. Evaluation of complex petroleum reservoirs based on data mining methods
Gu et al. Data-driven lithology prediction for tight sandstone reservoirs based on new ensemble learning of conventional logs: A demonstration of a Yanchang member, Ordos Basin
Wang et al. A method for well log data generation based on a spatio-temporal neural network
Chaikine et al. A new machine learning procedure to generate highly accurate synthetic shear sonic logs in unconventional reservoirs
Chaki Reservoir characterization: A machine learning approach
CN112114360A (zh) 一种地震波形分析方法及装置
Ore et al. Prediction of reservoir brittleness from geophysical logs using machine learning algorithms
Shiroodi et al. Shear wave prediction using committee fuzzy model constrained by lithofacies, Zagros basin, SW Iran
CN113393335A (zh) 基于多地震属性优化的储层油气预测方法及装置
Ore et al. Supervised machine learning to predict brittleness using well logs and seismic signal attributes: Methods and application in an unconventional reservoir
Chikhi et al. Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province
Liu et al. Machine learning assisted recovery of subsurface energy: a review
Dai et al. Stratigraphic automatic correlation using SegNet semantic segmentation model
Bagheri et al. Support vector machine based facies classification using seismic attributes in an oil field of Iran
Emelyanova et al. Unsupervised identification of electrofacies employing machine learning
Raheem Prediction by reservoir porosity using micro-seismic attribute analysis by machine learning algorithms in an Iraqi Oil Field.

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