CN113325480A - 一种基于集成深度学习的地震岩性识别方法 - Google Patents
一种基于集成深度学习的地震岩性识别方法 Download PDFInfo
- Publication number
- CN113325480A CN113325480A CN202110556296.5A CN202110556296A CN113325480A CN 113325480 A CN113325480 A CN 113325480A CN 202110556296 A CN202110556296 A CN 202110556296A CN 113325480 A CN113325480 A CN 113325480A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic
- lithology
- well
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims description 15
- 238000013136 deep learning model Methods 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 239000011148 porous material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims 1
- 239000003208 petroleum Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01V1/40—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
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (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
本发明公开了一种基于集成深度学习的地震岩性预测方法,属于石油地球物理勘探技术领域,所述方法包括:根据标定的目标层位,获取与所述目标层位对应的岩性数据以及井旁道地震数据;基于所述井旁地震道数据和井上的岩性数据,以井旁道地震数据为输入数据,井上的岩性数据为目标数据,建立地震岩性识别集成深度学习模型;基于所述地震岩性识别集成深度学习模型,输入待预测区域实际地震数据,即得到预测岩性。本方法通过建立地震岩性识别集成深度学习模型提取地震数据与岩性数据之间的弱地震响应特征,能够更简单高效地确定储层分布的岩性数据体,解决井间的储层预测问题,为油气勘探开发提供参考依据。
Description
技术领域
本发明涉及石油地球物理勘探技术领域,具体而言,涉及一种基于集成深度学习的地震岩性识别方法。
背景技术
岩相信息能够反映储层岩性及流体特征,在地震储层预测中具有重要作用。常规方法主要利用与岩相信息关系密切的弹性参数定性或定量地解释岩相信息。在实际应用中,弹性参数的获取主要基于叠前地震反演技术,但是叠前地震反演方法难以避免多解性和不稳定性。近年来基于贝叶斯理论的岩相反演方法也开始用于岩相预测作为一种基于叠前弹性参数的自动解释方法。基于贝叶斯理论联合测井数据与地震数据进行基于叠前地震数据的反演方法被广泛认为能够稳定反演。另一类常用的岩相预测方法是基于地震波形的聚类分析进行复杂岩相的预测,需精细的井震标定以建立岩相和波形的对应关系,然而实际岩相与地震波形之间的关系存在着一系列复杂的响应机制,很难一一对应。
在实际地震资料中,由于目的层厚度是变化的,依顶底层位提取的地震数据长度也是变化的,并且常规的测井岩性记录由于时深转换等原因与地震数据也存在数据量不对称的情况,地震采样点与井上的岩性记录点不存在准确的时间域或空间域对齐关系。在这种条件下,常规的预测方法很难获得理想的预测结果。
深度学习是大数据时代下发展起来的自动特征提取方法与预测方法,己经成功应用于图像识别、语音识别、人脸检测、目标追踪、语义解析等领域。但目前深度学习在地震勘探领域应用还有许多尚需解决的问题。
发明内容
岩性预测问题与大多数的分类问题类似,为克服现有预测问题上的不足,本发明提供了一种应用于岩性预测问题的集成神经网络方法。相对于传统的预测方法,深度学习可以通过组合低层特征形成更加抽象的高层特征,高层特征是低层特征的非线性组合,更具有区分性及类别指示性。为充分挖掘蕴含在大量采集地震数据中的有效信息,针对现有基于地震数据的岩性预测方法未能充分利用地震数据的复杂“时空”特征以实现准确预测的问题,本发明创新性地将卷积神经网络(CNN)和长短期记忆(LSTM)神经网络结合引入地质勘探领域,提出一种基于CNN和LSTM网络的深度融合网络的地震岩性识别方法,能够有效地解决岩性识别分类问题并提高识别精度。该方法结合地震数据变化特点,将地震数据信息看作是纵向上具有联系的时间序列,按时间滑动窗口构造特征图作为输入。先利用CNN提取特征图中的有效信息,构造特征向量。再将特征向量作为GRU网络的输入,采用GRU网络学习CNN网络输出的时序特征,最后通过全连接网络输出预测结果。
本发明的一种基于集成深度学习的地震岩性预测方法,具体的步骤包括:
综合利用测井、合成地震记录及地质信息准确标定目标层;
根据标定的目标层位,获取与所述目标层位对应的岩性数据以及井旁道地震数据;
基于所述井旁地震道数据和井上的岩性数据,采取集成深度神经网络模型进行训练,井旁道地震数据为观察数据,井上的岩性数据为目标数据的学习模型,迭代计算使其达到收敛,从而建立地震岩性识别集成深度学习模型。
本发明中,所述岩性数据以及井旁道地震数据为本领域公知的常识。理论上训练数据越多越好,越少的样本训练得到的模型预测越差。
设定CNN的层数、卷积核数量和尺寸大小,将地震数据信号作为CNN的输入,运用CNN中的卷积层、池化层遍历整个输入数据序列,以提取地震信号的局部信息、挖掘深层特征;
再将CNN层输出结果输入到LSTM网络中,利用LSTM网络挖掘地震数据动态变化所包含大量地层信息,建立地震岩性预测集成深度学习模型;
基于所述地震岩性识别集成深度学习模型,输入待预测区域实际地震数据,即得到预测岩性。
上述的方法中,所述集成深度学习模型由CNN与LSTM网络的混合构成。CNN具备空间平移,缩放不变形,特别适合处理图像的识别。而RNN在处理过程中考虑了信号的因果性,适合语音识别问题。而地震信号同时具有两方面的特点,因此,采用集成CNN和LSTM两者优势的集成深度学习进行储层孔隙流体地震响应信号的识别或信息提取,以准确建立地震响应与岩性数据之间的复杂非线性关系,实现岩性预测,无疑是当前的最佳手段。
上述的方法中,所述集成深度学习地震岩性预测方法主要由输入层、卷积层、LSTM层和全连接层构成。将岩性的相关地震数据作为模型的输入,利用卷积操作进行特征提取,挖掘地震数据预岩性数据之间的相关性;然后利用LSTM层对CNN输出的数据进行处理,学习它们之间的时序关系;同时加入Dropout层按照一定概率随机选择网络中的神经元,防止过拟合;最后,由全连接层输出得到最终的输出结果。
上述的方法中,所述输入层采用输入地震数据作为集成深度学习模型的输入。对于地震数据来说,地层上下围岩的岩性组合存在一定的相关性,本文利用滑动窗口法,以固定窗口大小沿着时间轴进行移动,并不断截取一定范围的地震数据。除了具有时间维度外,地震数据在每个特定时刻下还包含了一系列反应地层岩石信息的各种属性特征,称为特征维度。为了便于CNN的处理,需要对作为输入的多维地震数据的结构进行设计,以特征图的形式输入到模型中。
上述的方法中,所述CNN层主要捕捉输入的地震数据序列中深层次的时间、空间特征规律。为了尽量不丢弃输入数据的信息,让经过卷积操作的输出依旧拥有足够多的信息量,采用补零填充的方式使输出与输入特征图保持大小一致。将CNN其提取的深层次抽象特征转换为全局特征向量作为LSTM层的输入。
上述的方法中,所述LSTM层对CNN层提取的全局特征向量进行学习,进一步挖掘岩性数据与地震数据之间的时序关系,捕捉其内部变化规律。
上述的方法中,所述全连接层对LSTM隐藏层获取的时空特征的进行加权组合,获得序列的完整特征表示,根据特征获得最终的岩性数据预测值。
本发明具有以下优点:
本发明由于采取了深度学习中特殊的CNN和LSTM算法,CNN与LSTM都是当前深度学习的主流算法,相对而言,CNN更适合提取数据的局部特征并组合抽象成高层特征。而LSTM是一种特定形式的循环神经网络,其内部机制允许模型在不同时刻改变内部系数,且允许网络忘记当前己经累积的信息,解决了因输入序列过长在训练时出现的梯度消失问题,使其在处理序列数据方面具有灵活性的优势。正是该方法的这种优势,很好的解决了常规的测井岩性记录由于时深转换等原因与地震数据存在数据量不对称的情况,以及地震采样点与井上的岩性记录点不存在准确的时间域或空间域对齐关系的问题。
因此,本发明创新性地将CNN与LSTM以集成模型的方式相结合,提出一种基于集成深度网络的地震岩性预测模型,使模型具有提取数据潜在时空特征的能力。利用CNN强大的特征自学习能力从原始地震数据中自适应提取特征。考虑到地震信号的时间关联特性,LSTM被用来学习CNN网络输出的空间特征,以进一步提取其时间维度特征,从而建立动态岩性预测模型。集成深度学习方法运行速度更快,准确度更高,鲁棒性更好,预测标准差更低,能更好的实现地震岩性预测。
附图说明
图1是基于基于集成深度学习的地震岩性预测方法流程图;
图2是本发明的网络模型输入数据的转换过程;
图3是集成深度网络模型结构图。
具体实施方式:
为了更清楚说明本发明实施例或现有技术中的技术方案,以下将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,以下描述中的附图仅仅是本发明的一些实施例。
如图1所示,为基于集成深度学习的地震岩性预测方法流程,所述方法包括如下步骤:
步骤一.利用测井、录井和合成地震记录准确标定目的层;
步骤二.根据标定的目标层位,获取与所述目标层位对应的岩性数据以及井旁道地震数据;
步骤三.基于所述井旁地震道数据和井上的岩性数据,以井旁道地震数据为观察数据,井上的岩性数据为目标数据,建立地震岩性识别集成深度学习模型;
步骤四.基于所述地震岩性识别集成深度学习模型,输入待预测区域实际地震数据,即得到预测岩性。
图2为输入地震数据的特征图表达方式,为其中xtn代表t时刻地震数据的第n个数据点。具体包括:输入特征图表达方式:集成网络在进行训练之前将井上位置对应的井旁地震数据的结构进行设计,以特征图的形式输入,井上岩性标记作为输出标签。
图3是集成深度网络模型结构图:该网络利用CNN强大的特征自学习能力从原始地震数据中自适应提取特征。考虑到地震信号的时间关联特性,LSTM被用来学习CNN网络输出的空间特征,以进一步提取其时间维度特征。集成深度网络主要由卷积层、池化层、LSTM层和全连接层构成。将井旁地震数据作为模型的输入,利用卷积操作进行特征提取,挖掘数据之间的相关性;然后利用LSTM层对CNN的输出进行处理,学习它们之间的时间依从关系;最后,由全连接层输出得到最终的输出结果。
利用川西某勘探区域三口井的井旁道地震数据和井上的岩性数据随机抽取一口井用来验证建立的学习模型对测试盲井进行岩性识别的结果,另二口井作为训练数据建立学习模型。
本实施例构建的深度集成网络的组合具体如下:2层CNN层,卷积核数目均为64,最大池化层数目为1层。2层LSTM层,各层的神经元个数均为20。全连接层为一层,神经元个数均为1。为了防止过拟合的产生,在LSTM层后接一个Dropout层,并设置其参数为0.1,即在模型训练过程中,随机将十分之一神经元的输出值设置为0。同时为了减小模型学习时间,本文采用自适应学习率衰减策略和早停止准则,并设定迭代次数分别为10和5。最大迭代次数设置为500。
利用本发明方法应用实际地震数据上建立得到预测岩性模型,将建立的集成深度学习模型对某测试盲井进行岩性识别验证,得到盲井的预测岩性,正确率基本达到75%以上,并且可以基本反映真实岩性的变化情况。
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己,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 (6)
1.一种基于集成深度学习的地震岩性识别方法,其特征在于,所述方法包括:
根据标定的目标层位,获取与所述目标层位对应的岩性数据以及井旁道地震数据;
基于所述井旁地震道数据和井上的岩性数据,以井旁道地震数据为输入数据,井上的岩性数据为目标数据,建立地震岩性识别集成深度学习模型;
其中,所述基于井旁地震道数据和井上的岩性数据,建立地震岩性识别集成深度学习模型,包括:
基于所述井旁地震道数据和井上的岩性数据,采取集成深度神经网络模型进行训练,井旁道地震数据为输入数据,井上的岩性数据为目标数据的学习模型,迭代计算使其达到收敛,从而建立地震岩性识别集成深度学习模型。
基于所述地震岩性识别集成深度学习模型,输入待预测区域实际地震数据,即得到预测岩性。
2.根据权利要求1所述的方法,其特征在于,所述集成深度学习模型通过集成卷积神经网络与长短期记忆神经网络的优势的进行储层孔隙流体地震响应信号的识别或信息提取,以准确建立地震响应与岩性数据之间的复杂非线性关系,实现地震岩性预测。
3.根据权利要求1所述的方法,其特征在于,所述将训练井的井旁地震道数据和岩性数据作为训练数据,训练地震岩性识别集成深度学习模型,直到完成地震岩性识别集成深度学习模型的训练,其中,所述配置参数包括模型深度、模型每层神经元节点数等。
4.根据权利要求1所述的方法,其特征在于,该方法结合地震数据变化特点,将地震数据信息看作是纵向上具有联系的序列数据,按时间滑动窗口构造特征图作为输入。先利用卷积神经网络提取特征图中的有效信息,构造特征向量。再将特征向量作为长短期记忆神经网络的输入,采用长短期记忆神经网络学习卷积神经网络输出的时序特征,最后通过全连接网络输出预测结果。
5.根据权利要求1所述的方法,其特征在于,所述基于井旁地震道数据及对应的目标岩性数据,迭代计算使其达到收敛,从而建立地震岩性识别集成深度学习模型。
6.根据权利要求1所述的方法,其特征在于,所述的集成深度学习模型由输入层、卷积神经网络层、长短期记忆神经网络层、全连接层和输出层构成,损失函数选择均方误差损失函数,优化器选择Adam优化器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556296.5A CN113325480A (zh) | 2021-05-21 | 2021-05-21 | 一种基于集成深度学习的地震岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556296.5A CN113325480A (zh) | 2021-05-21 | 2021-05-21 | 一种基于集成深度学习的地震岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113325480A true CN113325480A (zh) | 2021-08-31 |
Family
ID=77416314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556296.5A Pending CN113325480A (zh) | 2021-05-21 | 2021-05-21 | 一种基于集成深度学习的地震岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113325480A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002744A (zh) * | 2021-10-29 | 2022-02-01 | 重庆科技学院 | 一种基于深度学习的致密砂岩储层流体识别方法 |
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093294A (zh) * | 2015-06-04 | 2015-11-25 | 成都信息工程大学 | 基于可变模态分解的地震波衰减梯度估计方法 |
CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
CN111458767A (zh) * | 2020-04-10 | 2020-07-28 | 成都理工大学 | 一种基于交汇图法快速识别岩性的方法及系统 |
CN111596366A (zh) * | 2020-06-24 | 2020-08-28 | 厦门大学 | 一种基于地震信号优化处理的波阻抗反演方法 |
CN112017289A (zh) * | 2020-08-31 | 2020-12-01 | 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 |
-
2021
- 2021-05-21 CN CN202110556296.5A patent/CN113325480A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093294A (zh) * | 2015-06-04 | 2015-11-25 | 成都信息工程大学 | 基于可变模态分解的地震波衰减梯度估计方法 |
CN109828304A (zh) * | 2019-03-08 | 2019-05-31 | 中国海洋石油集团有限公司 | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 |
CN111458767A (zh) * | 2020-04-10 | 2020-07-28 | 成都理工大学 | 一种基于交汇图法快速识别岩性的方法及系统 |
CN111596366A (zh) * | 2020-06-24 | 2020-08-28 | 厦门大学 | 一种基于地震信号优化处理的波阻抗反演方法 |
CN112017289A (zh) * | 2020-08-31 | 2020-12-01 | 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 |
Non-Patent Citations (1)
Title |
---|
陈王昊 等: "基于CNN-LSTM的地震震级预测研究", 《科技与创新》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002744A (zh) * | 2021-10-29 | 2022-02-01 | 重庆科技学院 | 一种基于深度学习的致密砂岩储层流体识别方法 |
CN115877464A (zh) * | 2022-12-30 | 2023-03-31 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
CN115877464B (zh) * | 2022-12-30 | 2024-02-13 | 中海石油(中国)有限公司深圳分公司 | 一种岩性识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pham et al. | Missing well log prediction using convolutional long short-term memory network | |
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
CN112017289B (zh) | 一种基于深度学习的井震联合初始岩性模型构建方法 | |
Zeng et al. | Attention-based bidirectional gated recurrent unit neural networks for well logs prediction and lithology identification | |
CN109828304B (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
CN109799533A (zh) | 一种基于双向循环神经网络的储层预测方法 | |
CN111507048B (zh) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
Marano et al. | Generative adversarial networks review in earthquake-related engineering fields | |
CN113325480A (zh) | 一种基于集成深度学习的地震岩性识别方法 | |
Wang et al. | S-wave velocity inversion and prediction using a deep hybrid neural network | |
CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
Feng | Uncertainty analysis in well log classification by Bayesian long short-term memory networks | |
Li et al. | Elastic properties estimation from prestack seismic data using GGCNNs and application on tight sandstone reservoir characterization | |
CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
Cao et al. | Multi-parameter pre-stack seismic inversion based on deep learning with sparse reflection coefficient constraints | |
Wang et al. | Missing well logs prediction using deep learning integrated neural network with the self-attention mechanism | |
CN115598697A (zh) | 薄层结构高分辨率地震反演方法、装置、介质和设备 | |
Wang et al. | Seismic stratum segmentation using an encoder–decoder convolutional neural network | |
Smith et al. | Robust deep learning-based seismic inversion workflow using temporal convolutional networks | |
US20230176242A1 (en) | Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries | |
Song et al. | Reservoir prediction based on closed-loop CNN and virtual well-logging labels | |
Li et al. | CNN-Based Network Application for Petrophysical Parameter Inversion: Sensitivity Analysis of Input–Output Parameters and Network Architecture | |
US11525934B2 (en) | Method for identifying subsurface fluids and/or lithologies |
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: 20210831 |