CN113109869A - 一种页岩超声测试波形初至的自动拾取方法 - Google Patents
一种页岩超声测试波形初至的自动拾取方法 Download PDFInfo
- Publication number
- CN113109869A CN113109869A CN202110338187.6A CN202110338187A CN113109869A CN 113109869 A CN113109869 A CN 113109869A CN 202110338187 A CN202110338187 A CN 202110338187A CN 113109869 A CN113109869 A CN 113109869A
- Authority
- CN
- China
- Prior art keywords
- waveform
- data
- ultrasonic
- shale
- arrival
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 239000011435 rock Substances 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000003079 shale oil Substances 0.000 description 2
- 229910021532 Calcite Inorganic materials 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052683 pyrite Inorganic materials 0.000 description 1
- 239000011028 pyrite Substances 0.000 description 1
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01V1/30—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
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种页岩超声测试波形初至的自动拾取方法,包括以下步骤:获取已知页岩储层的岩石超声波实验测试数据;基于不混叠时间对测试数据进行采样并形成向量,选取其中部分道集作为训练数集;根据训练数集,利用监督卷积神经网络算法训练得到波形分类器;获取目标页岩的超声波数据,利用所述波形分类器对所述超声波数据进行波形分类,将所述超声波数据分为波形数据和非波形数据;确定所述波形数据的非零点,基于所述非零点,通过上下延拓的方法提取有效时窗;将所述有效时窗内的波形信号,利用非监督模糊聚类机器学习算法进行波形属性特征聚类分析,根据聚类分析结果获得波形初至。本发明能够稳健、高效、自动地拾取页岩超声测试波形初至。
Description
技术领域
本发明涉及油气勘探岩石物理基础研究技术领域,特别涉及一种页岩超声测试波形初至的自动拾取方法。
背景技术
在油气勘探领域,岩石物理是联系地质、地球物理、石油工程三个学科领域的共同基础和桥梁,以研究岩石的弹性性质为主;主要服务于地震和测井解释、储层估算以及提高采收率。结合岩石物理、测井分析、地质分析以及地震属性,可以预测岩性、流体、以及水合物,岩石物理发展特色为油气检测技术的发展提供了坚实的基础。随着对岩石地质特征的更深刻认识,将岩石的结构特征与地震弹性参数相联系具有举足轻重的作用,而其中的重中之重就是弹性响应,获得岩石弹性参数的重要方法可以通过采集有地质意义的岩石,在实验室采用超声测试装置激发超声波并在不同地层环境下(温度,压力以及不同角度)穿透岩石样品,从而得到超声穿过岩石的纵横波速度来计算,而纵横波速度的准确性取决于穿透岩石的超声波形初至拾取的精度。这也是通过岩石物理研究页岩油气储层弹性响应识别基础研究课题,由于地层环境的差异,成岩条件的差异,孔隙流体类型的差异以及测试方向性的差异,不可避免的引起超声波形的差异,导致初至波波形变化较大,已有的初至拾取算法已经无法正常地工作或者拾取的效果不佳。针对这种情况,我们往往采用人机交互的方式,即人工添加辅助线然后拾取初至波。随着勘探技术的发展,采集的数据几何式的增长。面对海量的地震数据,初至拾取的工作量越来越大,这极大限制着数据处理的速度,并且人工拾取难以保证拾取的一致性。这些问题的存在,都影响着页岩油气勘探的效率。
发明内容
针对上述问题,本发明旨在提供一种页岩超声测试波形初至的自动拾取方法,基于半监督机器学习,使得本发明既能快速、准确地拾取初至,又能够适应各种条件下的超声波数据,大大提高了拾取初至的效率,克服人为拾取的主观性、低效性以及不一致性。
本发明的技术方案如下:
一种页岩超声测试波形初至的自动拾取方法,包括以下步骤:
S1:获取已知页岩储层的岩石超声波实验测试数据;
作为优选,所述页岩储层包括不同沉积环境特性、不同形成时期的海相,海陆过渡相及陆相的页岩储层。
作为优选,所述测试数据包括地震数据、微地震数据、声波实验数据、井筒声波测井数据中的任意一种或多种。
作为优选,所述测试数据包括不同条件(温度,压力,饱和度以及方位等)下的实验测试数据。
S2:基于不混叠时间对所述测试数据进行采样并形成向量,选取其中部分道集作为训练数集;
作为优选,所述不混叠时间基于输入数据的波长进行决定,具体计算公式为现有技术,在此不再赘述。
S3:根据所述训练数集,利用监督卷积神经网络算法训练得到波形分类器;
作为优选,所述监督卷积神经网络是一种特殊的监督型深度学习方法,包含特殊类型的隐藏层(如卷积层、池化层),擅于从一维或者二维输入数据中提取属性,为现有技术,具体结构在此不再赘述。
作为优选,利用所述监督卷积神经网络训练时,采用局部连接和权值共享的方式进行训练,此时所述监督卷积神经网络的卷积层的数理表达为:
qk=f(o*wk),k=1,2,...,K, (1)
式中:qk为第k个输出特征向量;o为输入向量;*为卷积算子;wk为联系qk和o之间的权重向量滤波器;k为滤波器的总数。
式(1)所示的卷积层中未使用任何激活函数,从而使得本发明能够保留原始的卷积运算,然后在此基础上利用典型平均算法池化周边的平均特征向量。
作为优选,利用所述监督卷积神经网络训练时,卷积和池化均只用一次。需要说明的是,本发明只用一次卷积和池化即可得到准确的结果,但是也可使用多次卷积和池化,但相应的计算量及计算时间等会增加。
S4:获取目标页岩的超声波数据,利用所述波形分类器对所述超声波数据进行波形分类,将所述超声波数据分为波形数据和非波形数据;
所述波形数据表示能够反映地下真实结构的有效波的数据,所述非波形数据表示的是不能反映任何信息的无效信号(如噪音)的数据。
利用所述波形分类器对所述超声波数据进行波形分类时,通过卷积神经网络的算法将有效波形赋值为1,非波形赋值0。
S5:确定所述波形数据的非零点,基于所述非零点,通过上下延拓的方法提取有效时窗;所述上下延拓的方法是以所述非零点所处的走时上下叠加一个常数以此形成有效时窗,上延拓的常数与下延拓的常数可相同,也可不同。
作为优选,确定所述波形数据的非零点时,确定所述波形数据的第一个非零点;所述第一个非零点是指波形赋值后有效波形的初始点,如此能够降低拾取初至的误差。
S6:将所述有效时窗内的波形信号,利用非监督模糊聚类机器学习算法进行波形属性特征聚类分析,根据聚类分析结果获得波形初至。
作为优选,所述非监督模糊聚类机器学习算法是一种将一段数据或者信号归属于两个或者多个簇的聚类算法,并通过求取极小值的目标函数的迭代优化进行模糊划分,为现有技术,具体结构在此不再赘述。
作为优选,所述非监督模糊聚类机器学习算法进行模糊划分时的极小值目标函数为:
式中:M为输入信号的长度;N为聚类簇的数量;k为任意大于1的实数;μm,n为簇类n中xm的隶属度;xm为d维测试数据中的第m个元素;cn为簇类的中心元素;‖xm-cn‖为测试数据和中心元素间的相似度。
本发明的有益效果是:
本发明通过所述监督卷积神经网络算法和所述非监督模糊聚类机器学习算法构成半监督机器学习算法,以此可以高效、稳健、准确及自动的拾取初至,且能够保证拾取的一致性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1合成微地震数据示意图;
图2为本发明实施例1监督卷积神经网络算法训练流程示意图;
图3为本发明实施例1波形分类结果示意图;
图4为本发明实施例1页岩样品扫描电子显微成像结果示意图;
图5为本发明实施例1有效时窗结果示意图;
图6为本发明实施例1页岩超声波原始数据示意图;
图7为本发明实施例1页岩超声波原始数据根据有效时窗截取后的数据示意图;
图8为本发明实施例1合成微地震数据的波形属性特征聚类分析结果示意图;
图9为本发明实施例1页岩样品的初至拾取结果示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是,除非另有指明,本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
实施例1
一种页岩超声测试波形初至的自动拾取方法,包括以下步骤:
(1)获取如图1所示的已合成微地震数据,确定所述训练数据的不混叠采样时间,对训练输入数据按照选定的采样时窗逐个道集抽样成一维向量组合,作为训练数集。
(2)利用监督卷积神经网络算法对向量组合进行训练,训练流程图如图2所示。本实施例中,选取卷积层和池化层算法作为隐藏层以实现局部连接和权值共享的目标并得到一个波形分离器,所述波形分离器可以将输入信号或者波形分离为有效波和无效波,其中有效波形赋值为1,无效波形赋值为0,局部连接和权值共享的方法一方面可以减少权值的数量使得网络易于优化,另一方面可降低模型的复杂度,在训练过程中,本发明只使用了一次卷积和池化,并且在卷积层中未使用任何激活函数以保留原始的卷积运算结果,池化层中采用的池化方式是平均池化以使特征向量更加平滑,卷积层的数理表达如式(1)所示:
qk=f(o*wk),k=1,2,...,K, (1)
式中:qk为第k个输出特征向量;o为输入向量;*为卷积算子;wk为联系qk和o之间的权重向量滤波器;k为滤波器的总数。
(3)利用步骤(2)训练好的波形分类器对饱和水页岩样品在不同方向上测试的超声波剖面进行分类,将该数据分为波形与非波形,结果如图3所示。本实施例的页岩样品为海相沉积环境形成,埋藏深度为3000m左右,主要矿物组分包括石英、岩土、方解石、碳酸盐岩、有机质以及黄铁矿等,样品为平行层理取芯,规格为25mm*50mm,如图4所示,该页岩样品的扫描电镜微观显示明显的层理结构。
(4)根据图3划分好的波形与非波形,确定其中有效波形的第一个非零点,粗略地划分出剖面中初至波的趋势线,然后基于趋势线通过上下延拓的方法提取出有效时窗,结果如图5所示。提取有效时窗的目的在于对原数据进行一次大的“滤波”,尽量选取对我们有用的有效数据,减少噪声的干扰,使最终拾取初至波的效果更好。
(5)在如图6所示的原始超声波数据中选取所述有效时窗内的超声波数据,结果如图7所示。对比图6和图7可以发现,截取后的数据比原始数据减少了许多无用的数据。
(6)利用非监督模糊聚类机器学习算法对步骤(5)截取后的超声波数据进行波形属性特征聚类分析,本实施例选取的波形属性特征包括平均绝对值、均方根以及STA/LTA比。需要说明的是,除了本实施例选取的波形属性特征外,还可采用现有技术中的其他波形属性特征。
所述平均绝对值属性可表达为:
所述均方根属性可表达为:
所述STA/LTA比属性可表达为:
Ra(k)=STA(k)/LTA(k) (7)
合成微地震数据的三个属性计算结果结果如图8所示,其中8(a)为合成微地震的原始数据,8(b)为合成微地震原始数据平均绝对值属性的分析结果,8(c)为合成微地震原始数据均方根属性的分析结果,8(d)为合成微地震原始数据STA/LTA比属性的分析结果。将输入数据聚类为三种上述属性,在此基础上通过求取极小值的目标函数的迭代优化进行模糊划分,求取极小值的目标函数如公式(2)所示:
式中:M为输入信号的长度;N为聚类簇的数量;k为任意大于1的实数;μm,n为簇类n中xm的隶属度;xm为d维测试数据中的第m个元素;cn为簇类的中心元素;‖xm-cn‖为测试数据和中心元素间的相似度。
基于式(2)目标函数计算自动拾取波形数据的初至结果,结果如图9所示,图9中圆圈标注的地方即为初至点。
在上述实施例中,使用的页岩超声波数据包括不同温度、不同围压、不同角度、各向异性、水饱和相应条件下从不同角度入射等条件下的数据。图6的原始数据是在水饱和条件下从不同角度入射的数据,结合图6和图9可以看出,本发明的初至波拾取结果是非常准确的。
在本实施例中,通过CNN识别出第一个非零点,使得本发明拾取初至的误差大大降低;通过使用CNN-时窗提取-模糊聚类的工作流程,本发明初至拾取的速度较传统方法有了较大提升,大大降低了拾取的时间;从内部体系结构的角度来看,本发明的卷积层可以从输入向量中提取不同的特征,并且卷积和池化操作在某些方面就像平滑操作一样,从而使CNN分类器具有抗噪性。
通过本发明拾取初至波,可以以此计算出地震波的速度,进而推算出震源深度、震中距离等,为油气勘探提高效率。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种页岩超声测试波形初至的自动拾取方法,其特征在于,包括以下步骤:
获取已知页岩储层的岩石超声波实验测试数据;
基于不混叠时间对所述测试数据进行采样并形成向量,选取其中部分道集作为训练数集;
根据所述训练数集,利用监督卷积神经网络算法训练得到波形分类器;
获取目标页岩的超声波数据,利用所述波形分类器对所述超声波数据进行波形分类,将所述超声波数据分为波形数据和非波形数据;
确定所述波形数据的非零点,基于所述非零点,通过上下延拓的方法提取有效时窗;
将所述有效时窗内的波形信号,利用非监督模糊聚类机器学习算法进行波形属性特征聚类分析,根据聚类分析结果获得波形初至。
2.根据权利要求1所述的页岩超声测试波形初至的自动拾取方法,其特征在于,利用所述监督卷积神经网络训练时,采用局部连接和权值共享的方式进行训练,此时所述监督卷积神经网络的卷积层的数理表达为:
qk=f(o*wk),k=1,2,...,K, (1)
式中:qk为第k个输出特征向量;o为输入向量;*为卷积算子;wk为联系qk和o之间的权重向量滤波器;k为滤波器的总数。
3.根据权利要求2所述的页岩超声测试波形初至的自动拾取方法,其特征在于,利用所述监督卷积神经网络训练时,卷积和池化均只用一次。
4.根据权利要求1所述的页岩超声测试波形初至的自动拾取方法,其特征在于,确定所述波形数据的非零点时,确定所述波形数据的第一个非零点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338187.6A CN113109869A (zh) | 2021-03-30 | 2021-03-30 | 一种页岩超声测试波形初至的自动拾取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338187.6A CN113109869A (zh) | 2021-03-30 | 2021-03-30 | 一种页岩超声测试波形初至的自动拾取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113109869A true CN113109869A (zh) | 2021-07-13 |
Family
ID=76713082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338187.6A Pending CN113109869A (zh) | 2021-03-30 | 2021-03-30 | 一种页岩超声测试波形初至的自动拾取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109869A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242311A (zh) * | 2015-10-22 | 2016-01-13 | 中国石油天然气集团公司 | 预估初至拾取的时窗的方法和装置 |
CN105261005A (zh) * | 2015-09-11 | 2016-01-20 | 浙江工商大学 | 基于多尺度空间模糊聚类的无监督mri图像分割方法 |
CN105601169A (zh) * | 2015-12-16 | 2016-05-25 | 中国石油大学(北京) | 基于热压的含干酪根页岩物理模型制作方法及页岩模型 |
CN106226816A (zh) * | 2016-09-12 | 2016-12-14 | 电子科技大学 | 一种叠前地震信号波形分类方法 |
CN106353819A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种井中三分量微地震初至拾取方法 |
CN106525979A (zh) * | 2016-11-16 | 2017-03-22 | 中国矿业大学(北京) | 基于波形包络的各向同性介质超声波速度自动计算方法 |
CN108732620A (zh) * | 2018-03-09 | 2018-11-02 | 山东科技大学 | 一种非监督与监督学习下的多波地震油气储层预测方法 |
CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
US20190311203A1 (en) * | 2018-04-09 | 2019-10-10 | Accenture Global Solutions Limited | Aerial monitoring system and method for identifying and locating object features |
US20190324167A1 (en) * | 2018-04-18 | 2019-10-24 | Geotomo Llc | First-break picking of seismic data and generating a velocity model |
US20200012937A1 (en) * | 2018-07-06 | 2020-01-09 | Capital One Services, Llc | Systems and methods to identify neural network brittleness based on sample data and seed generation |
CN110673208A (zh) * | 2019-10-11 | 2020-01-10 | 中国海洋石油集团有限公司 | 一种机器学习框架下高维特征约束的初至拾取方法及系统 |
CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
CN111505705A (zh) * | 2020-01-19 | 2020-08-07 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
CN112180433A (zh) * | 2019-07-04 | 2021-01-05 | 中国石油天然气集团有限公司 | 地震初至波拾取方法及装置 |
-
2021
- 2021-03-30 CN CN202110338187.6A patent/CN113109869A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106353819A (zh) * | 2015-07-17 | 2017-01-25 | 中国石油化工股份有限公司 | 一种井中三分量微地震初至拾取方法 |
CN105261005A (zh) * | 2015-09-11 | 2016-01-20 | 浙江工商大学 | 基于多尺度空间模糊聚类的无监督mri图像分割方法 |
CN105242311A (zh) * | 2015-10-22 | 2016-01-13 | 中国石油天然气集团公司 | 预估初至拾取的时窗的方法和装置 |
CN105601169A (zh) * | 2015-12-16 | 2016-05-25 | 中国石油大学(北京) | 基于热压的含干酪根页岩物理模型制作方法及页岩模型 |
CN106226816A (zh) * | 2016-09-12 | 2016-12-14 | 电子科技大学 | 一种叠前地震信号波形分类方法 |
CN106525979A (zh) * | 2016-11-16 | 2017-03-22 | 中国矿业大学(北京) | 基于波形包络的各向同性介质超声波速度自动计算方法 |
CN108732620A (zh) * | 2018-03-09 | 2018-11-02 | 山东科技大学 | 一种非监督与监督学习下的多波地震油气储层预测方法 |
US20190311203A1 (en) * | 2018-04-09 | 2019-10-10 | Accenture Global Solutions Limited | Aerial monitoring system and method for identifying and locating object features |
US20190324167A1 (en) * | 2018-04-18 | 2019-10-24 | Geotomo Llc | First-break picking of seismic data and generating a velocity model |
CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
US20200012937A1 (en) * | 2018-07-06 | 2020-01-09 | Capital One Services, Llc | Systems and methods to identify neural network brittleness based on sample data and seed generation |
CN112180433A (zh) * | 2019-07-04 | 2021-01-05 | 中国石油天然气集团有限公司 | 地震初至波拾取方法及装置 |
CN110673208A (zh) * | 2019-10-11 | 2020-01-10 | 中国海洋石油集团有限公司 | 一种机器学习框架下高维特征约束的初至拾取方法及系统 |
CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
CN111505705A (zh) * | 2020-01-19 | 2020-08-07 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIANYONG XIE ET.AL: "Feasibility of theoretical formulas on the anisotropy of shale based on laboratory measurement and error analysis", 《JOURNAL OF GEOPHYSICS AND ENGINEERING》 * |
YANGKANG CHEN ET.AL: "Earth and Space Science - 2019 - Chen - Automatic Waveform Classification and Arrival Picking Based on Convolutional Neural Network", 《EARTH AND SPACE SCIENCE》 * |
刘媛 等: "干耦合超声波检测及波初至的自动拾取", 《岩土力学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101551466B (zh) | 一种利用与偏移距有关的地震属性提高油气储层预测精度的方法 | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
CN114994759B (zh) | 基于gan网络的碳封存箱智能识别方法和系统 | |
CN108802812A (zh) | 一种井震融合的地层岩性反演方法 | |
CN109085663A (zh) | 一种致密砂岩储层层理缝识别方法 | |
CN110231652B (zh) | 一种基于密度的含噪声应用空间聚类的地震相提取方法 | |
CN103675907A (zh) | 一种基于岩相约束的avo反演油气检测方法 | |
CN103345001A (zh) | 一种测定古湖泊水深的方法 | |
CN105301644A (zh) | 基于多参数梯度向量和海色矩阵的油气检测方法及装置 | |
CN110824563A (zh) | 一种基于Xgboost算法的储层岩性预测方法 | |
CN106405639A (zh) | 一种叠前地震储层岩性参数的反演方法 | |
CN110618450A (zh) | 基于岩石物理建模的致密储层智能化含气性预测方法 | |
CN105842733A (zh) | 页岩储层地震识别方法 | |
CN110609327B (zh) | 基于叠前地震属性的碳酸盐岩储集相预测方法及装置 | |
CN112505754B (zh) | 基于高精度层序格架模型的井震协同划分沉积微相的方法 | |
CN114861515A (zh) | 层速度数据体的计算方法、装置、设备及介质 | |
Hosseini et al. | A Meta attribute for reservoir permeability classification using well logs and 3D seismic data with probabilistic neural network. | |
CN115857047B (zh) | 一种地震储层综合预测方法 | |
CN110988996A (zh) | 一种基于Adaboost回归算法的储层孔隙度预测方法 | |
CN109283577B (zh) | 一种地震层位标定方法 | |
CN113109869A (zh) | 一种页岩超声测试波形初至的自动拾取方法 | |
CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
CN111366976A (zh) | 基于尺度导向的地震属性自适应中值滤波方法 | |
CN111239823A (zh) | 一种侵入岩分布的识别方法 | |
Zhao et al. | Genetic mechanisms and identification of low-resistivity pay zones: A case study of Pengyang area, Ordos Basin, China |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |