CN112580673B - 基于空间概率分布的地震储层样本扩展方法和装置 - Google Patents

基于空间概率分布的地震储层样本扩展方法和装置 Download PDF

Info

Publication number
CN112580673B
CN112580673B CN201910925579.5A CN201910925579A CN112580673B CN 112580673 B CN112580673 B CN 112580673B CN 201910925579 A CN201910925579 A CN 201910925579A CN 112580673 B CN112580673 B CN 112580673B
Authority
CN
China
Prior art keywords
samples
sample
unlabeled
reservoir
probability
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
CN201910925579.5A
Other languages
English (en)
Other versions
CN112580673A (zh
Inventor
唐金良
陈蕾
许凯
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 Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
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 Petroleum and Chemical Corp, Sinopec Geophysical Research Institute filed Critical China Petroleum and Chemical Corp
Priority to CN201910925579.5A priority Critical patent/CN112580673B/zh
Publication of CN112580673A publication Critical patent/CN112580673A/zh
Application granted granted Critical
Publication of CN112580673B publication Critical patent/CN112580673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请基于空间概率分布的地震储层样本扩展方法和装置。所述方法包括：使用分类器判断未标记样本xi是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量；根据未标记样本xi的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率基于未标记样本xi的初始概率和空间概率得到未标记样本xi为储层样本的联合概率和未标记样本xi为非储层样本的联合概率基于未标记样本xi，i＝1,2,...,N的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本。根据本申请，提供了更多的具有较高可靠性的已标记样本，能够提高神经网络的预测精度和泛化能力。

Description

基于空间概率分布的地震储层样本扩展方法和装置
技术领域
本发明属于基于地震资料的储层预测领域，更具体地，涉及基于空间概率分布的地震储层样本扩展方法和基于空间储层分布的地震储层样本扩展装置。
背景技术
目前，机器学习技术发展迅猛，特别是深度学习技术极大地推动了图像检测与识别、语音识别、自然语言翻译等领域的发展，并在大量不同的应用场景下取得了巨大的成功，引领了人工智能的大爆发。目前来看，这些成功的应用背后都需要海量的标注数据和巨大计算资源来支撑。当前，人们开始尝试将深度学习技术应用于地球物理问题，如基于CNN的断层检测、基于Auto-encoder的气烟囱检测等。油气勘探中的地球物理问题高度复杂病态，存在很强的多解性，且所获得的观测数据是对地下介质的间接观测。将深度学习应用到这些复杂的地球物理问题上，我们面临的最大问题是标注数据少、不确定性强等挑战。
人工智能方法在地震勘探中发挥越来越重要的作用。由于有监督分类算法往往比无监督分类算法具有更高的准确率，因此在很多地震储层预测方法中都需要利用有标签储层样本训练分类器进而对储层和非储层进行分类。在实际地震勘探中，人工标记得到的有标签样本往往非常稀缺，而对样本进行标记需要具有专业地质知识的人员来完成，而且样本标记过程十分耗时。此外，在储层预测中，往往是在数量有限的测井数据上进行标记，这也进一步造成了有标签样本的稀缺。
当标签样本太少时，分类器训练容易出现过拟合的情况，泛化能力较差。因此迫切希望扩展标签样本以提高分类器的性能。
发明内容
有鉴于此，本申请提出了一种能够有效扩展已标记样本的方案。
根据本申请的一方面，提出了一种基于空间概率分布的地震储层样本扩展方法，所述方法包括：使用分类器判断未标记样本xi，i＝1,2,...,N是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量；根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>基于未标记样本xi，i＝1,2,...,N的初始概率/>和空间概率/>得到未标记样本xi为储层样本的联合概率/>和未标记样本xi为非储层样本的联合概率/>基于未标记样本xi，i＝1,2,...,N的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本。
在一种可能的实施方式中，所述方法还包括：使用人工标记的样本进行训练以得到所述分类器。
在一种可能的实施方式中，根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>包括：确定未标记样本xi所在面元的相邻面元；得到所述相邻面元中所有未标记样本中被所述分类器判断为储层样本的样本数量Sp和被所述分类器判断为非储层样本的样本数量Sn；基于下式计算/>和/>
其中，c为常数，以防止分母为零。
在一种可能的实施方式中，根据下式计算和/>
在一种可能的实施方式中，基于未标记样本xi，i＝1,2,...,N对应的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本，包括：选取最大的预定数量个样本作为已标记样本；针对所选取的样本，如果/>则标记该样本为储层样本，如果/>则标记该样本为非储层样本。
根据本申请的另一方面，提供了一种基于空间概率分布的地震储层样本扩展装置，所述装置包括：初步分类单元，用于使用分类器判断未标记样本xi，i＝1,2,...,N是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量；空间概率计算单元，用于根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率/>以及未标记样本xi为非储层样本的空间概率/>联合概率计算单元，用于基于未标记样本xi，i＝1,2,...,N的初始概率/>和空间概率/>得到未标记样本xi为储层样本的联合概率/>和未标记样本xi为非储层样本的联合概率/>标记单元，用于基于未标记样本xi，i＝1,2,...,N的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本。
在一种可能的实施方式中，所述装置还包括：
分类器建立单元，用于使用人工标记的样本进行训练以得到所述分类器。
在一种可能的实施方式中，在所述空间概率计算单元中，根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>包括：确定未标记样本xi所在面元的相邻面元；得到所述相邻面元中所有未标记样本中被所述分类器判断为储层样本的样本数量Sp和被所述分类器判断为非储层样本的样本数量Sn；基于下式计算/>和/>
其中，c为常数，以防止分母为零。
在一种可能的实施方式中，在所述联合概率计算单元中，根据下式计算和/>
在一种可能的实施方式中，在所述标记单元中，基于未标记样本xi，i＝1,2,...,N对应的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本，包括：
选取最大的预定数量个样本作为已标记样本；
针对所选取的样本，如果则标记该样本为储层样本，如果/>则标记该样本为非储层样本。
本申请提出的技术方案，使用分类器判断未标记样本xi，i＝1,2,...,N是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量；根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率/>以及未标记样本xi为非储层样本的空间概率/>基于未标记样本xi，i＝1,2,...,N的初始概率/>和空间概率/>得到未标记样本xi为储层样本的联合概率/>和未标记样本xi为非储层样本的联合概率/>基于未标记样本xi，i＝1,2,...,N的联合概率/>从全部N个未标记样本中选出预定数量个样本作为已标记样本。上述方案，在基于深度学习的储层预测中至少具有以下优势和效果：
1、在扩展样本过程中，不仅利用了样本在特征空间上的相似性，还利用了样本在地理空间上的连续性，显著提高了扩展得到的样本的标记可靠性；
2、提供了更多的具有较高可靠性的已标记样本，能够提高神经网络的预测精度和泛化能力。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本申请的一个实施例的基于空间概率分布的地震储层样本扩展方法的流程图。
图2示出了根据本申请的一个实施例的基于空间概率分布的地震储层样本扩展方法的示例性流程图。
图3示出了根据本申请的一个实施例的基于空间概率分布的地震储层样本扩展装置的结构框图。
图4(a)为某地震剖面图；图4(b)为人工标记的样本；图4(c)为使用现有分类器得到的分类结果；图4(d)为根据本申请得到的扩展后的样本。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
请参见图1。图1示出了根据本申请的一个实施例的基于空间概率分布的地震储层样本扩展方法的示例性流程图。如图所示，所述方法包括下列步骤。
步骤102，使用分类器判断未标记样本xi，i＝1,2,...,N是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量。
在一种可能的实施方式中，可以使用人工标记的样本进行训练以得到分类器。可以基于测井数据进行人工标记，以得到初始标签样本，并利用这些初始标签样本训练一个分类器。本领域技术人员可采用任意使用的技术手段来得到该分类器，本申请对此不作限定。
可采用该分类器对每个未标记样本xi进行判断，以判断样本xi为储层样本或非储层样本，并得到为储层样本的初始概率。
步骤104，根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>
在一种可能的实施方式中，步骤104可以包括：
确定未标记样本xi所在面元的相邻面元；
得到所述相邻面元中所有未标记样本中被所述分类器判断为储层样本的样本数量Sp和被所述分类器判断为非储层样本的样本数量Sn；
基于下式计算和/>
其中，c为常数，以防止分母为零。可以令c＜1。
此处，位于相邻面元的样本是否为储层样本是指步骤102中的判断结果。
此处将位于地震采集相邻面元中的样本是否为储层纳入考量，有效利用了储层分布在地理空间上具有一定连续性这一特质。
步骤106，基于未标记样本xi，i＝1,2,...,N的初始概率和空间概率得到未标记样本xi为储层样本的联合概率/>和未标记样本xi为非储层样本的联合概率/>
在一种可能的实施方式中，可以根据下式计算联合概率和/>
步骤108，基于未标记样本xi，i＝1,2,...,N的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本。
在一种可能的实施方式中，步骤108包括：
选取最大的预定数量个样本作为已标记样本；
针对所选取的样本，如果则标记该样本为储层样本，如果/>则标记该样本为非储层样本。
假设N＝5，预定数量为2。设这5个未标记样本的分别为(0.81,0.01)、(0.64,0.04)、(0.49,0.09)、(0.04,0.64,)和(0.01,0.81)，其中/>最大的2个样本为(0.81,0.01)和(0.01,0.81)，均为0.81，则选取这两个样本作为已标记样本。对(0.81,0.01)而言，由于/>则将该样本标记为储层样本；对(0.01,0.81)而言，由于则将该样本标记为非储层样本。
上述举例仅用于解释说明，不用于限定样本数量，实际中未标记样本的数量通常远大于5。
本申请提出的技术方案，在基于深度学习的储层预测中至少具有以下优势和效果：
1、在扩展样本过程中，不仅利用了样本在特征空间上的相似性，还利用了样本在地理空间上的连续性，显著提高了扩展得到的样本的标记可靠性；
2、提供了更多的具有较高可靠性的已标记样本，能够提高神经网络的预测精度和泛化能力。
图2示出了根据本申请的一个实施例的基于空间概率分布的地震储层样本扩展方法的示例性流程图。如图所示，可以根据本申请对样本进行多次扩充。如图所示的示例中，该方法还包括步骤110和步骤112。在步骤110中，判断已标记样本数量是否满足需求。如果是，则结束，如果不是，则进入步骤112，更新未标记样本数量N，N＝N-m，m本次标记出的样本的数量。更新参数N后，回到步骤114，即从当前剩余的所有未标记样本中，再找出预定数量个样本进行标记，直至已标记样本数量满足要求。
此处的“预定数量”，对于不同的标记回合来讲，可以是相同的，也可以是不同的。例如，可能一共需扩展1000个样本，分5次挑选，每次挑选200个；也可能一共需扩展900个样本，分5次挑选，前4次每次挑选200个，最后一次挑选100个。本领域可根据需要确定每次扩展的样本数量，本申请对此不作限定。
图3示出了根据本申请的一个实施例的基于空间概率分布的地震储层样本扩展装置的结构框图。如图所示，该装置包括初步分类单元302、空间概率计算单元304、联合概率计算单元306和标记单元308。
初步分类单元302用于使用分类器判断未标记样本xi，i＝1,2,...,N是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量。
空间概率计算单元304用于根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>
联合概率计算单元306用于基于未标记样本xi，i＝1,2,...,N的初始概率和空间概率/>得到未标记样本xi为储层样本的联合概率/>和未标记样本xi为非储层样本的联合概率/>
标记单元308用于基于未标记样本xi，i＝1,2,...,N的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本。
在一种可能的实施方式中，所述装置还包括：
分类器建立单元，用于使用人工标记的样本进行训练以得到所述分类器。
在一种可能的实施方式中，在所述空间概率计算单元304中，根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>包括：
确定未标记样本xi所在面元的相邻面元；
得到所述相邻面元中所有未标记样本中被所述分类器判断为储层样本的样本数量Sp和被所述分类器判断为非储层样本的样本数量Sn；
基于下式计算和/>
其中，c为常数，以防止分母为零。
在一种可能的实施方式中，在所述联合概率计算单元306中，根据下式计算和
在一种可能的实施方式中，在所述标记单元308中，基于未标记样本xi，i＝1,2,...,N对应的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本，包括：
选取最大的预定数量个样本作为已标记样本；
针对所选取的样本，如果则标记该样本为储层样本，如果/>则标记该样本为非储层样本。
应用示例
图4(a)为某地震剖面图。
图4(b)为人工标记的样本图中的细线表示测井，测井中两度更高的部分表示储层，亮度低的部分表示非储层。
图4(c)为使用现有分类器得到的分类结果。图中亮度高的部分表示储层，亮度低的部分表示非储层。
图4(d)为根据本申请得到的扩展后的样本。图中亮度高的部分表示储层，亮度低的部分表示非储层。
对比图4(c)和图4(d)，可以看出，根据本申请对数据进行进一步标记后，得到的储层样本集中度更高，更符合一般储层分布规律。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (4)

1.一种基于空间概率分布的地震储层样本扩展方法，其特征在于，所述方法包括：
使用分类器判断未标记样本xi，i＝1,2,...,N是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量；
根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>
基于未标记样本xi，i＝1,2,...,N的初始概率和空间概率/>得到未标记样本xi为储层样本的联合概率/>和未标记样本xi为非储层样本的联合概率/>
基于未标记样本xi，i＝1,2,...,N的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本；
其中，根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>包括：
确定未标记样本xi所在面元的相邻面元；
得到所述相邻面元中所有未标记样本中被所述分类器判断为储层样本的样本数量Sp和被所述分类器判断为非储层样本的样本数量Sn；
基于下式计算和/>
其中，c为常数，以防止分母为零；
其中，根据下式计算和/>
其中，基于未标记样本xi，i＝1,2,...,N对应的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本，包括：
选取最大的预定数量个样本作为已标记样本；
针对所选取的样本，如果则标记该样本为储层样本，如果/>则标记该样本为非储层样本。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
使用人工标记的样本进行训练以得到所述分类器。
3.一种基于空间概率分布的地震储层样本扩展装置，其特征在于，所述装置包括：
初步分类单元，用于使用分类器判断未标记样本xi，i＝1,2,...,N是否为储层样本，并得到未标记样本xi为储层样本的初始概率N为未标记样本数量；
空间概率计算单元，用于根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>
联合概率计算单元，用于基于未标记样本xi，i＝1,2,...,N的初始概率和空间概率得到未标记样本xi为储层样本的联合概率/>和未标记样本xi为非储层样本的联合概率/>
标记单元，用于基于未标记样本xi，i＝1,2,...,N的联合概率从全部N个未标记样本中选出预定数量个样本作为已标记样本；
其中，在所述空间概率计算单元中，根据未标记样本xi，i＝1,2,...,N的相邻未标记样本点是否为储层样本，得到未标记样本xi为储层样本的空间概率以及未标记样本xi为非储层样本的空间概率/>包括：
确定未标记样本xi所在面元的相邻面元；
得到所述相邻面元中所有未标记样本中被所述分类器判断为储层样本的样本数量Sp和被所述分类器判断为非储层样本的样本数量Sn；
基于下式计算和/>
其中，c为常数，以防止分母为零；
其中，在所述联合概率计算单元中，根据下式计算和/>
其中，在所述标记单元中，基于未标记样本xi，i＝1,2,...,N对应的联合概率 从全部N个未标记样本中选出预定数量个样本作为已标记样本，包括：
选取最大的预定数量个样本作为已标记样本；
针对所选取的样本，如果则标记该样本为储层样本，如果/>则标记该样本为非储层样本。
4.根据权利要求3所述的装置，其特征在于，所述装置还包括：
分类器建立单元，用于使用人工标记的样本进行训练以得到所述分类器。
CN201910925579.5A 2019-09-27 2019-09-27 基于空间概率分布的地震储层样本扩展方法和装置 Active CN112580673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910925579.5A CN112580673B (zh) 2019-09-27 2019-09-27 基于空间概率分布的地震储层样本扩展方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910925579.5A CN112580673B (zh) 2019-09-27 2019-09-27 基于空间概率分布的地震储层样本扩展方法和装置

Publications (2)

Publication Number Publication Date
CN112580673A CN112580673A (zh) 2021-03-30
CN112580673B true CN112580673B (zh) 2024-04-12

Family

ID=75110490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910925579.5A Active CN112580673B (zh) 2019-09-27 2019-09-27 基于空间概率分布的地震储层样本扩展方法和装置

Country Status (1)

Country Link
CN (1) CN112580673B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294716A (zh) * 2012-02-29 2013-09-11 佳能株式会社 用于分类器的在线半监督学习方法和装置及处理设备
CN103942749A (zh) * 2014-02-24 2014-07-23 西安电子科技大学 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法
CN105046673A (zh) * 2015-07-13 2015-11-11 哈尔滨工业大学 基于自学习的高光谱图像和可见光图像融合分类方法
CN107451617A (zh) * 2017-08-08 2017-12-08 西北大学 一种图转导半监督分类方法
CN107644235A (zh) * 2017-10-24 2018-01-30 广西师范大学 基于半监督学习的图像自动标注方法
US9934364B1 (en) * 2017-02-28 2018-04-03 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
CN108596204A (zh) * 2018-03-15 2018-09-28 西安电子科技大学 一种基于改进型scdae的半监督调制方式分类模型的方法
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
CN109902390A (zh) * 2018-12-13 2019-06-18 中国石油大学(华东) 一种基于小样本扩充的有利储层发育区预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011146619A2 (en) * 2010-05-19 2011-11-24 The Regents Of The University Of California Systems and methods for identifying drug targets using biological networks
US9128203B2 (en) * 2011-09-28 2015-09-08 Saudi Arabian Oil Company Reservoir properties prediction with least square support vector machine
US10223482B2 (en) * 2016-06-29 2019-03-05 International Business Machines Corporation Machine learning assisted reservoir simulation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294716A (zh) * 2012-02-29 2013-09-11 佳能株式会社 用于分类器的在线半监督学习方法和装置及处理设备
CN103942749A (zh) * 2014-02-24 2014-07-23 西安电子科技大学 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法
CN105046673A (zh) * 2015-07-13 2015-11-11 哈尔滨工业大学 基于自学习的高光谱图像和可见光图像融合分类方法
US9934364B1 (en) * 2017-02-28 2018-04-03 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
CN107451617A (zh) * 2017-08-08 2017-12-08 西北大学 一种图转导半监督分类方法
CN107644235A (zh) * 2017-10-24 2018-01-30 广西师范大学 基于半监督学习的图像自动标注方法
CN108596204A (zh) * 2018-03-15 2018-09-28 西安电子科技大学 一种基于改进型scdae的半监督调制方式分类模型的方法
CN109902390A (zh) * 2018-12-13 2019-06-18 中国石油大学(华东) 一种基于小样本扩充的有利储层发育区预测方法
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无监督与监督学习下的含油气储层预测;林年添，等;《石油物探》;第57卷(第4期);第601-610页 *
王晓初 ; 王士同 ; 包芳 ; .基于概率密度分布一致约束的最小最大概率机图像分类算法.山东大学学报(工学版).2015,第16-24页. *

Also Published As

Publication number Publication date
CN112580673A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN108694225B (zh) 一种图像搜索方法、特征向量的生成方法、装置及电子设备
CN107437417B (zh) 基于循环神经网络语音识别中语音数据增强方法及装置
US8099373B2 (en) Object detector trained using a working set of training data
CN113379718A (zh) 一种目标检测方法、装置、电子设备以及可读存储介质
CN111243601B (zh) 声纹聚类方法、装置、电子设备和计算机可读存储介质
CN112541355A (zh) 一种实体边界类别解耦的少样本命名实体识别方法与系统
WO2016037844A1 (en) Method and apparatus for image retrieval with feature learning
CN108664512B (zh) 文本对象分类方法及装置
CN110019779B (zh) 一种文本分类方法、模型训练方法及装置
CN112434185B (zh) 一种查找相似视频片段的方法、系统、服务器及存储介质
CN116400426B (zh) 基于电磁法的数据勘测系统
Zhu et al. Automatic detection of books based on Faster R-CNN
CN108304377A (zh) 一种长尾词的提取方法及相关装置
CN113704522A (zh) 基于人工智能的目标图像快速检索方法及系统
US20200118315A1 (en) Image editor for merging images with generative adversarial networks
Kemajou et al. Wellbore schematics to structured data using artificial intelligence tools
CN117274768A (zh) 目标检测网络的训练方法、目标检测方法及相关装置
CN114782752A (zh) 基于自训练的小样本图像集成分类方法及装置
CN112580673B (zh) 基于空间概率分布的地震储层样本扩展方法和装置
CN115482436B (zh) 图像筛选模型的训练方法、装置以及图像筛选方法
CN105740916B (zh) 图像特征编码方法及装置
CN112115996A (zh) 图像数据的处理方法、装置、设备及存储介质
Vinther et al. Seismic texture classification: A computer-aided approach to stratigraphic analysis
US10943377B2 (en) Creating images using image anchors and generative adversarial networks
WO2023173536A1 (zh) 化学式识别方法、装置、计算机设备及存储介质

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