CN113703045B - 一种基于轻量级网络的地震相识别方法 - Google Patents

一种基于轻量级网络的地震相识别方法 Download PDF

Info

Publication number
CN113703045B
CN113703045B CN202110993104.7A CN202110993104A CN113703045B CN 113703045 B CN113703045 B CN 113703045B CN 202110993104 A CN202110993104 A CN 202110993104A CN 113703045 B CN113703045 B CN 113703045B
Authority
CN
China
Prior art keywords
network
convolution
data
seismic
seismic facies
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
CN202110993104.7A
Other languages
English (en)
Other versions
CN113703045A (zh
Inventor
王峣钧
刘桃
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110993104.7A priority Critical patent/CN113703045B/zh
Publication of CN113703045A publication Critical patent/CN113703045A/zh
Application granted granted Critical
Publication of CN113703045B publication Critical patent/CN113703045B/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
    • G01V1/30—Analysis
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于轻量级网络的地震相识别方法，包括以下步骤：S1、获取数据标签：在平面上对多口井进行连线，根据连线位置垂直向下获取每口井的地震剖面数据，采用归一化方法将地震剖面数据缩放到0‑255区间，最终处理成单通道的灰度图像形式；根据测井上的分界线，定义数据标签；S2、获取训练数据：使用滑动窗口对灰度图像进行图像裁剪，得到一系列具有标签信息的子图像；S3、训练地震相网络识别模型：利用子图像训练地震相网络识别模型；S4、利用S3训练的网络模式识别地震相数据。本发明引入了深度学习领域的基于MobileNetv2轻量级网络骨干的deeplabv3+网络框架，在网络训练中能够适应小样本的数据标签，提取不同尺度的地震相信息，提高地震相预测精度。

Description

一种基于轻量级网络的地震相识别方法
技术领域
本发明属于地震相分析技术领域，特别涉及一种基于轻量级网络的地震相识别方法。
背景技术
在石油、煤炭等地下沉积矿产的勘探开发中，沉积相研究具有极为重要的意义。然而，由于目的层深埋于地下，因此所采用的研究手段和研究方法与露头区的沉积相研究相比有很大不同。在地下相分析中只有通过岩石资料才能够观察到目的的沉积相标志，而钻井取心一般都不是连续进行的，并且一口探井的全井取心率往往只有百分之几到百分之十几，这给沉积相研究造成很大困难。利用电测井资料进行测井相分析虽可对全井做出连续的沉积相解释，但其多解性较强，因此除上述两种资料外，还迫切需要从其它资料中获取更多的信息以提高沉积相解释的准确性。更重要的是，即使单井相分析的资料足够充分，但采用传统研究方法所得到的毕竟只是一部分信息，而如地层叠置模式、沉积体外形等重要信息并没有利用。进一步看，即使解释完全正确，但毕竟只是“一孔之见”。要想进一步掌握沉积相的平面展布特征就必须有大量的足够密集的钻孔，而这在勘探阶段恰恰难以满足。因此迫切需要一种仅用少量钻孔就能较好地掌握沉积相平面变化特征的新手段、新方法。
地震相分析正是为满足上述迫切需要而产生的。地震相就是在地震反射时间剖面上所表现出来的反射波的面貌。地震相分析则是根据地震相特征进行沉积相的解释推断。在石油勘探及某些煤田、盐矿勘探中，地震勘探资料是必不可少的重要基础资料。这些资料一般在勘探初期就可获得，且一般都能覆盖整个盆地，其中具有极为丰富的地层、构造和沉积相信息，因此是地下地质分析中极为宝贵的基础资料。地震相分析作为地震地层学的一个重要组成部分，诞生于1977年左右，并在世界上迅速传播。十几年来它在广泛的实践中不断发展完善,已成为地下相分析不可缺少的锐利武器。
地震相必须在一定的地震单元内部进行。最重要的地震地层单元是层序，它被定义为相对整一的，成因上有联系的，其顶部和底部以不整合面及与之可对比的整合面为界的一套地层，主要根据地震剖面上的上超，削蚀及退覆型顶超来划分。在层序内部可进一步细分为体系域(或准层序组)，体系域以重大海侵面为界，这一界面在地震剖面上表现为很强的连续反射同相轴，并在界面上下伴生有下超、视消截和前积型顶超等现象。准确的地震相分析可以为分析地质条件和预测油气藏提供重要参考。
虽然地震相识别技术有了很大进步，利用传统方法在一些任务上获得了很好的精度，但是依然存在很多需要解决的问题。比如阈值分割需要专业人员在地质领域有多年的经验积累，属性计算需要研究人员有很强的理论知识。这些都严重依赖地质解释人员的判断且分析的结果带有很强的主观性。人工智能机器学习的发展，特别是神经网络的研究进展，越来越多的地震相识别的方法被提出。
深度学习通过构建多个隐藏层来建模神经网络，并利用海量数据来挖掘数据深层的特征。学习过程中数据由原特征空间转换到新特征空间中，逐层的特征变换来刻画更加丰富的内在特征，从而提升模型性能。深度学习在驾驶、医疗、机器人及搜索引擎等行业得到广泛推广和应用，在分割性能上得到提升。深度学习在地震数据处理中也被积极应用，特别是卷积神经网络。由于卷积神经网络对平移、倾斜和压缩等图像形变有较好的不变性，这种特殊性，非常适合视觉领域图像数据的处理。相较于传统语义分割处理方法，卷积神经网络特征提取由机器自动完成，可处理较为复杂的数据，学习能力强、可移植性高，在地震数据中应用可以更好地解释地质现象特征，相对传统方法具有更强的泛用性。这些特点和优势可以很好地克服传统地震相研究方法中的缺陷和问题，对于较为复杂的地震数据，神经网络可以充分发挥其优势，解决地震相检测和分割等问题。
为使计算机可以和研究人员一样对地质场景进行描述，解释地震相数据和地质现象，需要将场景从一个整体分割成多个目标实体，实体内部特征相似，实体之间差异大。在计算机视觉领域，特定场景下的实体分割被称为语义分割。神经网络本质上是通过卷积、池化等操作来捕获目标的位置和图像特征等信息。
上述图像分割技术所用框架大多基于FCN模型，在识别地震相时，虽然可以有效地提取地震相的边缘、纹理等绝对特征，但忽略了存在于图像中相邻像素之间的约束关系，无法有效地处理场景之间的关系和全局信息。图像分割技术在地震相识别中存在以下问题：①前人的研究一般都是建立在荷兰F3公开数据集上的，在这个数据集中岩层的成层性较好，地震响应较为清晰，地震相带比较容易区分。然而在一些实际应用中，储层涉及到的岩性构造十分复杂。②现在的全监督语义分割技术的成功大都依赖于丰富的数据标签，但是在实际应用中，数据标签的获取成本是十分高昂的，所以需要解决小样本的问题。③地震相识别需要分类的种类较多，且不同地震相之间可能会存在相似的地震波场特征，仅根据视觉纹理特征难以区分。
发明内容
本发明的目的在于克服现有技术的不足，提供一种引入深度学习领域的基于MobileNetv2轻量级网络骨干的deeplabv3+网络框架，在网络训练中能够适应小样本的数据标签，提取不同尺度的地震相信息，提高地震相预测精度的一种基于轻量级网络的地震相识别方法。
本发明的目的是通过以下技术方案来实现的：一种基于轻量级网络的地震相识别方法，包括以下步骤：
S1、获取数据标签：在平面上对多口井进行连线，随后根据连线位置垂直向下获取每口井的地震剖面数据；然后采用归一化方法将地震剖面数据缩放到0-255区间，将地震剖面数据处理成单通道的灰度图像形式；然后根据测井上的分界线，定义数据标签；
S2、获取训练数据：使用滑动窗口对灰度图像进行图像裁剪，得到一系列具有标签信息的子图像，子图像的标签与其所在原始灰度图像的标签相同；
S3、训练地震相网络识别模型：利用步骤S2得到的子图像训练地震相网络识别模型；
S4、利用S3训练的网络模式识别地震相数据。
进一步地，所述地震相网络识别模型采用基于MobileNetv2轻量级网络的deeplabv3+网络框架，Deeplabv3+网络分为编码器和解码器两大部分；
在编码器中，输入图片经过特征提取模块提取特征后，进入金字塔模块取多尺度的特征，最后通过1×1卷积模块融合多尺度的特征信息并压缩通道数量；
在解码器中，来自于特征提取模块输出的信号通过降采样2次得到低级特征信息，然后将低级特征信息通过1×1卷积模块进行信息融合；编码器输出信号通过上采样2倍后的输出信号与1×1卷积模块进行信息融合后的信号进行串联，最后通过多次卷积和上采样4倍后恢复输入图片尺寸大小；
在deeplabv3+网络框架中，特征提取模块采用MobileNetv2轻量级网络。
所述MobileNetv2轻量级网络包括一个常规卷积块以及多个倒残差卷积块，常规卷积块采用深度可分离卷积网络。
进一步地，所述S3中，训练地震相网络识别模型时，在训练集中选取一定比例的数据进行线上的数据增强，数据增强的方式包括随机模糊、随机饱和度变换、随机明亮度变换和/或左右翻转。
本发明的有益效果是：本发明引入了深度学习领域的基于MobileNetv2轻量级网络骨干的deeplabv3+网络框架，并且通过滑动窗口的方法能够最大程度获得到有限数据标签里的特征信息，同时通过一些数据增强手段增强网络泛化能力，在网络训练中能够适应小样本的数据标签，提取不同尺度的地震相信息，提高地震相预测精度。
附图说明
图1为基于轻量级网络的地震相识别方法的流程图；
图2为定义数据标签的示意图；
图3为本发明的地震相网络识别模型的结构图；
图4为MobileNetv2轻量级网络结构示意图；
图5为深度可分离卷积网络示意图；
图6为倒残差卷积块示意图；
图7为空洞卷积示意图；
图8为Zhang的方法和本发明的地震相解释结果对比图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示，本发明的一种基于轻量级网络的地震相识别方法，包括以下步骤：
S1、获取数据标签：在平面上对多口井进行连线，测井上记录了不同类别的分界线信息，地质专家根据多口井间相同的分界线进行连线，其中连线的走向是专家根据自己的经验确定的，随后根据连线位置垂直向下获取每口井的地震剖面数据；然后采用归一化方法将地震剖面数据缩放到0-255区间，将地震剖面数据处理成单通道的灰度图像形式；然后根据测井上的分界线，定义数据标签，如图2所示，图2左侧为原始地震剖面图，图2右侧为带标签的地震剖面图，图中，三条垂直线代表钻井，短横线代表相带的分界线。标签图中纪录了原始图中不同类别的空间位置，在对应原始地震数据区域中，给予不同区域不同像素值，例如，背景区域标签像素值为、风化淋滤带标签像素值为1、缝洞发育带标签像素值为2。具体标签像素的设定可由本领域技术人员根据需要进行选择。
归一化处理的公式为：x*＝(x-xmin)/(xmax-xmin)*255，x*和x分别为归一化后和归一化前的像素值，xmax和xmin分别为最大和最小的像素值。
S2、获取训练数据：为了充分利用有限的标签数据。使用滑动窗口对灰度图像进行图像裁剪，得到一系列具有标签信息的子图像，子图像的标签信息与其所在的原始灰度图像的标签相同；为了子图像边缘能够获取周围上下文的信息，滑动窗口前进的步长是小于子图像大小的。同时使子图像的大小与网络输入大小一致，避免在网络入口调整大小时损失一部分信息。
S3、训练地震相网络识别模型：利用步骤S2得到的子图像训练地震相网络识别模型；将获取的数据按照9:1进行训练集和验证集的划分，然后进行网络的训练。为了提高网络的泛化能力，训练地震相网络识别模型时，可以在训练集中选取一定比例的数据进行线上的数据增强，数据增强的方式包括随机模糊、随机饱和度变换、随机明亮度变换和/或左右翻转等。然后利用验证集数据对地震相网络识别模型的识别效果进行验证，以MIOU方法进行结果的评估，若不合格则调整训练数据重新进行训练。
S4、利用S3训练的网络模式识别地震相数据。
如图3所示，本发明的地震相网络识别模型采用基于MobileNetv2轻量级网络的deeplabv3+网络框架，Deeplabv3+网络分为编码器(enconder)和解码器(deconder)两大部分；在编码器中，输入图片经过特征提取模块提取特征后，进入金字塔模块(AtrousSpatial Pyramid Pooling，ASPP)取多尺度的特征，最后通过1×1卷积模块融合多尺度的特征信息并压缩通道数量；
在解码器中，来自于特征提取模块输出的信号通过降采样2次得到低级特征信息，然后将低级特征信息通过1×1卷积模块进行信息融合；编码器输出信号通过上采样2倍后的输出信号与1×1卷积模块进行信息融合后的信号进行串联，最后通过多次卷积和上采样4倍后恢复输入图片尺寸大小。
在deeplabv3+网络框架，特征提取模块采用CNN Block，CNN Block采用了MobileNetv2轻量级网络；如图4所示，MobileNetv2轻量级网络包括一个常规卷积块以及多个倒残差卷积块，常规卷积块中包含32个卷积组，卷积核为3×3，步长为2。常规卷积块采用深度可分离卷积网络。深度可分离卷积是一种降低卷积计算量并同时保证计算精度的一种卷积操作，如图5所示。主要可以分为逐道卷积(depthwise)和点卷积(pointwise)两步操作。逐道卷积是一个单通道的卷积核对应输入的一个单通道特征，在操作之后输出的通道数量与输入之前保持一致。而点卷积就是用来改变输入特征的通道数量，通常采用1×1卷积的方式来融合之前逐道卷积的输出，并且1×1卷积组的数量即为最终输出的通道数量。
倒残差卷积块包括1个16个卷积组，步长为1的倒残差卷积块；2个24个卷积组，步长分别为2和1的倒残差卷积块；3个32个卷积组，步长分别为2、1、1的倒残差卷积块；4个64个卷积组，步长均为1的倒残差卷积块；4个96个卷积组，步长均为1的倒残差卷积块；3个160个卷积组，步长均为1的倒残差卷积块；以及1个320个卷积组，步长为1的倒残差卷积块。倒残差结构是先升维后再进行可分离卷积，最后再通过1×1卷积降维，倒残差结构在末尾取消了激活函数，如图6所示。
金字塔模块主要是用来捕捉多尺度的物体信息，主要通过一组不同孔洞率的卷积网络来提取输入特征，金字塔模块包括：1×1卷积网络、孔洞率为6的3×3卷积网络、孔洞率为12的3×3卷积网络、孔洞率为18的3×3卷积网络、池化层。空洞卷积是一种卷积核间带孔洞的卷积，孔洞率就是指的卷积核之间的孔洞间隔，如图7所示。在传统的卷积神经网络中，最大池化等操作可能会丢失掉图片中的一些细节信息。而空洞卷积可以用来取代最大池化等操作并让网络模型有着更大的感受野。
为了验证本发明的效果，在非洲乍得Bongor盆地古潜山实际工区进行应用。古潜山是一种前期古地貌遭受长期的风化剥蚀，而后期被新地层覆盖的一种构造。潜山表部在长期的构造运动、物理风化、化学风化过程中形成了良好的油气储集空间，后期生油层的油气通过不整合面以及断层等通道聚集于此，从而形成潜山油气藏。Bongor盆地地处非洲乍得西南区域，盆地整体形态呈纺锤形、NWW向、长约280km，宽40～80km，面积约1.8×104km2，由北向南可划分为北部斜坡、中央坳陷、南部隆起和南部坳陷。盆地基底主要由前寒武形成的花岗岩、混合花岗岩等组成。在寒武纪—侏罗纪时期，该地区由于遭受长期的物理化学风化作用，形成了以花岗岩为主的风化壳，为油气提供了良好的储集空间。后来Bongor盆地在早白垩世发生断陷，在晚白垩世由于反转构造运动地层抬升而缺失了上白垩统地层，其中下白垩统半深湖-深湖相泥岩是该区域最重要的烃源岩和盖层。中国石油天然气集团公司近年来在Bongor盆地发现了一个大的潜山油气藏，油气储层主要分布在潜山表面的风化壳中，其中风化淋滤带、缝洞发育带是最好的油气储集带。此次研究任务就是在地震剖面中将这两个区域识别出来。
为了说明问题，本发明对比了Zhang的方法(Zhang H,Liu Y,Zhang Y,etal.Automatic seismic facies interpretation based on an enhanced encoder-decoder structure[M]//SEG Technical Program Expanded Abstracts 2019.Societyof Exploration Geophysicists,2019:2408-2412)和本发明的地震相解释结果。图8是地震剖面的效果对比图，其中，(a)为本发明地震相识别结果，(b)为Zhang的方法地震相识别结果。可以发现本发明方法获得的结果，比zhang方法的结果更加连续，解释结果也更加准确。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种基于轻量级网络的地震相识别方法，其特征在于，包括以下步骤：
S1、获取数据标签：在平面上对多口井进行连线，随后根据连线位置垂直向下获取每口井的地震剖面数据；然后采用归一化方法将地震剖面数据缩放到0-255区间，将地震剖面数据处理成单通道的灰度图像形式；然后根据测井上的分界线，定义数据标签；
S2、获取训练数据：使用滑动窗口对灰度图像进行图像裁剪，得到一系列具有标签信息的子图像，子图像的标签与其所在原始灰度图像的标签相同；
S3、训练地震相网络识别模型：利用步骤S2得到的子图像训练地震相网络识别模型；所述地震相网络识别模型采用基于MobileNetv2轻量级网络的deeplabv3+网络框架，Deeplabv3+网络分为编码器和解码器两大部分；
在编码器中，输入图片经过特征提取模块提取特征后，进入金字塔模块取多尺度的特征，最后通过1×1卷积模块融合多尺度的特征信息并压缩通道数量；
在解码器中，来自于特征提取模块输出的信号通过降采样2次得到低级特征信息，然后将低级特征信息通过1×1卷积模块进行信息融合；编码器输出信号通过上采样2倍后的输出信号与1×1卷积模块进行信息融合后的信号进行串联，最后通过多次卷积和上采样4倍后恢复输入图片尺寸大小；
在deeplabv3+网络框架中，特征提取模块采用MobileNetv2轻量级网络；MobileNetv2轻量级网络包括一个常规卷积块以及多个倒残差卷积块，常规卷积块采用深度可分离卷积网络；
倒残差卷积块包括1个16个卷积组，步长为1的倒残差卷积块；2个24个卷积组，步长分别为2和1的倒残差卷积块；3个32个卷积组，步长分别为2、1、1的倒残差卷积块；4个64个卷积组，步长均为1的倒残差卷积块；4个96个卷积组，步长均为1的倒残差卷积块；3个160个卷积组，步长均为1的倒残差卷积块；以及1个320个卷积组，步长为1的倒残差卷积块；倒残差结构是先升维后再进行可分离卷积，最后再通过1×1卷积降维，倒残差结构在末尾取消了激活函数；
金字塔模块包括：1×1卷积网络、孔洞率为6的3×3卷积网络、孔洞率为12的3×3卷积网络、孔洞率为18的3×3卷积网络、池化层；
S4、利用S3训练的网络模式识别地震相数据。
2.根据权利要求1所述的一种基于轻量级网络的地震相识别方法，其特征在于，所述S3中，训练地震相网络识别模型时，在训练集中选取一定比例的数据进行线上的数据增强，数据增强的方式包括随机模糊、随机饱和度变换、随机明亮度变换和/或左右翻转。
CN202110993104.7A 2021-08-27 2021-08-27 一种基于轻量级网络的地震相识别方法 Active CN113703045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110993104.7A CN113703045B (zh) 2021-08-27 2021-08-27 一种基于轻量级网络的地震相识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110993104.7A CN113703045B (zh) 2021-08-27 2021-08-27 一种基于轻量级网络的地震相识别方法

Publications (2)

Publication Number Publication Date
CN113703045A CN113703045A (zh) 2021-11-26
CN113703045B true CN113703045B (zh) 2022-11-15

Family

ID=78655667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110993104.7A Active CN113703045B (zh) 2021-08-27 2021-08-27 一种基于轻量级网络的地震相识别方法

Country Status (1)

Country Link
CN (1) CN113703045B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266977B (zh) * 2021-12-27 2023-04-07 青岛澎湃海洋探索技术有限公司 基于超分辨可选择网络的多auv的水下目标识别方法
WO2024018277A2 (en) * 2022-07-22 2024-01-25 Cgg Services Sas Machine learning based borehole data analysis
CN115657132B (zh) * 2022-12-29 2023-03-10 成都捷科思石油天然气技术发展有限公司 一种基于机器学习的储层预测方法及系统
CN116148917B (zh) * 2023-04-13 2023-08-08 南京云创大数据科技股份有限公司 一种根据地磁和地声数据预报地震的方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381097A (zh) * 2020-11-16 2021-02-19 西南石油大学 一种基于深度学习的场景语义分割方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2017343749B2 (en) * 2016-10-14 2022-11-24 Chevron U.S.A. Inc. System and method for seismic facies identification using machine learning
CN109272029B (zh) * 2018-08-31 2022-02-22 电子科技大学 井控稀疏表征大规模谱聚类地震相划分方法
CN112731522B (zh) * 2020-12-14 2022-11-04 中国地质大学（武汉） 地震地层智能识别方法、装置、设备及存储介质
CN112799128B (zh) * 2021-02-03 2021-10-22 北京航空航天大学 一种地震信号检测和震相提取的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381097A (zh) * 2020-11-16 2021-02-19 西南石油大学 一种基于深度学习的场景语义分割方法

Also Published As

Publication number Publication date
CN113703045A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN113703045B (zh) 一种基于轻量级网络的地震相识别方法
US6735526B1 (en) Method of combining directional seismic attributes using a supervised learning approach
AU2023285757A1 (en) Geophysical deep learning
US5586082A (en) Method for identifying subsurface fluid migration and drainage pathways in and among oil and gas reservoirs using 3-D and 4-D seismic imaging
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
CN105259572B (zh) 基于地震多属性参数非线性自动分类的地震相计算方法
Skirius et al. 3-D seismic attributes applied to carbonates
Zhang et al. Automatic seismic facies interpretation using supervised deep learning
CN103529475A (zh) 一种识别和解释碳酸盐岩古岩溶储层三维结构的方法
CN105629304B (zh) 一种基于多属性的砂体叠合模式识别方法
CN112731522B (zh) 地震地层智能识别方法、装置、设备及存储介质
CN110824563A (zh) 一种基于Xgboost算法的储层岩性预测方法
CN112016477B (zh) 一种基于深度学习的测井沉积微相识别方法
Marques et al. Deep learning application for fracture segmentation over outcrop images from UAV-based digital photogrammetry
CN110568493B (zh) 一种复杂断块盆地隐蔽性断层的识别方法
CN114755721A (zh) 基于Unet的河道砂体顶面预测方法
CN111796326A (zh) 一种基于Unet网络的层序地层格架构建方法和系统
CN110988996A (zh) 一种基于Adaboost回归算法的储层孔隙度预测方法
CN113688901B (zh) 一种基于膨胀卷积神经网络的储层不连续界线识别方法
CN108873070B (zh) 恢复盆地内部地层古产状的方法
CN116109813A (zh) 一种钻锚孔识别方法、系统、电子设备及介质
Cheng et al. Multiscale fracture prediction technique via deep learning, seismic gradient disorder, and aberrance: Applied to tight sandstone reservoirs in the Hutubi block, southern Junggar Basin
CN106338762B (zh) 基于数据域导向的模型道重建反聚焦成像方法
Gramstad et al. Automated channel detection using deep convolutional neural networks
Exterkoetter et al. Petroleum reservoir connectivity patterns reconstruction using deep convolutional generative adversarial networks

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