CN114002744A - 一种基于深度学习的致密砂岩储层流体识别方法 - Google Patents
一种基于深度学习的致密砂岩储层流体识别方法 Download PDFInfo
- Publication number
- CN114002744A CN114002744A CN202111268205.4A CN202111268205A CN114002744A CN 114002744 A CN114002744 A CN 114002744A CN 202111268205 A CN202111268205 A CN 202111268205A CN 114002744 A CN114002744 A CN 114002744A
- Authority
- CN
- China
- Prior art keywords
- layer
- sample
- size
- logging data
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000012530 fluid Substances 0.000 title claims abstract description 13
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的致密砂岩储层流体识别方法，首先对研究区测井数据的层内各点特征进行预处理并拼接成样本；针对层内深度不同的样本进行深度统一化处理；将样本输入卷积神经网络提取高维非线性测井特征；使用双向长短期记忆神经网络进一步融合卷积神经网络输出的特征映射，进一步学习测井数据的多尺度特征；致密砂岩储层流体识别模型输出识别结果。该方案利用了储层之间的相关性，能有效提高储层识别精度。
Description
技术领域
本发明涉及属于计算机智能学习领域，具体地说，涉及一种基于CNN和Bi-LSTM结合的储层流体识别方法。
背景技术
近年来深度学习被广泛应用于地质建模以及油藏描述中且已取得比传统统计学方法更为优异的效果。如CNN，Transformer，LSTM等可用于地质参数估计、地层边界确定和岩性识别等方面。
CNN具有良好的容错能力、并行处理能力和自学习能力，它可以从简单数据中提取复杂特征，并逐层抽象来建立高维度的映射关系，可用于解决复杂的非线性地质问题。Bi-LSTM则可结合双向的深度信息，更好的把握地质信息中的双向关联规则，从而准确的识别储层性质。
本专利在数据特征提取的方面提出了新的样本构造方法，并且结合了地质信息之间的关联性对提取特征进行了有效的利用，从而改进算法模型，能够有效地提高识别精度。
发明内容
本发明基于目前测井数据样本难以提取有效测井特征并且无法有效利用储层之间相关性等问题，提供了一种基于深度学习的致密砂岩储层流体识别方法，在对样本进行了高维特征提取后，再加入双向长短期记忆神经网络进行识别，二者相互结合，能够有效地提高识别精度。
本发明具体内容如下：一种基于深度学习的致密砂岩储层流体识别方法，包括了测井数据集建立、样本深度统一化、卷积提取高维特征和建立关联模型识别四个步骤：
步骤S1：选取研究区域的测井数据构成数据集，并对测井数据进行分层，按层内各点的特征进行拼接，合成样本；
步骤S2：由于存在样本深度不同的问题，不符合输入网络的要求，针对深度不同的样本进行深度统一化操作；
步骤S3：将样本输入卷积神经网络，提取高维非线性测井特征；
步骤S4：根据提取的高维特征以及储层数据的相关性，利用双向长短期记忆神经网络进一步学习测井数据的多尺度特征，建立储层识别模型，并输出识别结果。
为了更好的实现本发明，进一步的，所述步骤S1，具体还包括以下步骤：
步骤S1.1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点；
步骤S1.2：根据特征相关性分析以及专业知识的指导，筛选出储层识别敏感的特征，最终选取了如下12个特征：PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD；
步骤S1.3：根据井号层号的不同，将属于同一层的数据点的特征按行进行拼接，共得131个样本。
为了更好的实现本发明，进一步的，所述步骤S2，具体还包括以下步骤：
步骤S2.1：经过查阅相关文献以及实验证明，确定输入网络的样本大小为12×12，在进行样本合成后，所得样本深度并不一致，因此在输入网络前需要对样本深度进行统一化操作；
步骤S2.2：通过双线性插值方法将样本宽高统一到12×12的大小；设P点为待求特征，Q11、Q12、Q21、Q22为四邻近特征，通过Q12，Q22线性插值得到R1，通过Q11，Q21线性插值得到R2，再通过R1，R2线性插值得到P点特征值；
为了更好的实现本发明，进一步的，所述步骤S3，具体还包括以下步骤：
步骤S3.1：根据步骤S2得到的样本，使用了两对卷积层和池化层进行特征提取，第1个卷积层上使用较大的卷积核以获取更多视野，卷积核大小设置为5，步长为1，使用了32个卷积核；池化层对第1个卷积进行池化，尺寸为3×3，步长为2；
步骤S3.2：进行第2次卷积池化，卷积核大小设置为3，步长为1，使用了64个卷积核；池化层对第2个卷积进行池化，尺寸为3×3，步长为2；通过两次卷积池化得到测井数据的高维非线性特征；
为了更好的实现本发明，进一步的，所述步骤S4，具体还包括以下步骤：
步骤S4.1：测井数据中的各层并不相互独立，在深度关系上存在着一定的相互依存关系，为对各层之间在不同深度下的关联度进行分析，找出内在联系，采用自相关分析方法进行分析；设有序列Xt,t＝1,2,3,...，则在时刻t和滞后n阶t+n之间的相关即为n阶自相关，其定义为：
步骤S4.2：通过分析得到测井数据在深度上存在着向前以及向后的相关性，根据提取的高维特征建立双向长短期记忆神经网络；
步骤S4.3：卷积层与双向长短期记忆神经网络层之间采取全连接层来调整提取的特征向量大小，设全连接层有256个节点，双向长短期记忆神经网络有128个节点，模型输出大小为6，分别对应各个储层类别的概率；学习率设置为0.001，同时为避免过拟合，在全连接层设置了0.5的dropout；
本发明与现有技术相比有以下优点和有益效果：
1)：可有效提取测井数据的高维特征；
2)：着重考虑了储层间的深度关系。
3)：识别精度相对一般储层识别模型有所提高。
附图说明
图1为本发明的识别方法整体流程图。
具体实施方式：
为了更清楚地说明本发明实施例的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1：(以识别李25井38号为例)
一种基于机器学习的致密砂岩储层流体识别方法，结合图1所示，包括了测井数据预处理并选取合适特征、平衡样本数量、数据分析和建模识别四个步骤：
步骤S1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点。选取合适的特征，确定特征数据，选取PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD作为特征。
步骤S2：经过查阅相关文献以及实验证明，确定输入网络的样本大小为12×12。通过双线性插值方法将样本宽高统一到12×12的大小。
步骤S3：使用了两对卷积层和池化层进行特征提取，第1个卷积层卷积核大小设置为5，步长为1，使用了32个卷积核。池化层对第1个卷积进行池化，尺寸为3×3，步长为2。进行第2次卷积池化，卷积核大小设置为3，步长为1，使用了64个卷积核。池化层对第2个卷积进行池化，尺寸为3×3，步长为2。通过两次卷积池化得到测井数据的高维非线性特征。
步骤S4：采用自相关分析方法对各层之间在不同深度下的关联度进行分析，找出内在联系。根据提取的高维特征建立双向长短期记忆神经网络。卷积层与双向长短期记忆神经网络层之间采取全连接层来调整提取的特征向量大小。设置全连接层有256个节点，双向长短期记忆神经网络有128个节点，模型输出大小为6，分别对应各个储层类别的概率；学习率设置为0.001，同时为避免过拟合，在全连接层设置了0.5的dropout。模型的识别精度达到了85.6％。李25井38号也被模型识别为气层，得到了验证。
Claims (5)
1.一种基于深度学习的致密砂岩储层流体识别方法，包括以下步骤：
步骤S1：选取研究区域的测井数据构成数据集，并对测井数据进行分层，按层内各点的特征进行拼接，合成样本；
步骤S2：由于存在样本深度不同的问题，不符合输入网络的要求，针对深度不同的样本进行深度统一化操作；
步骤S3：将样本输入卷积神经网络，提取高维非线性测井特征；
步骤S4：根据提取的高维特征以及储层数据的相关性，利用双向长短期记忆神经网络进一步学习测井数据的多尺度特征，建立储层识别模型，并输出识别结果。
2.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其主要特征在于：所述步骤S1包括以下步骤：
步骤S1.1：选取了研究区域中35口井中的测井数据，测井数据中每隔0.125m取1个数据点，共得3636个点；
步骤S1.2：根据特征相关性分析以及专业知识的指导，筛选出储层识别敏感的特征，最终选取了如下12个特征：PE、SP、CAL、GR、U、TH、K、AC、CNL、DEN、RLLS、RLLD；
步骤S1.3：根据井号层号的不同，将属于同一层的数据点的特征按行进行拼接，共得131个样本。
3.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其主要特征在于：所述步骤S2包括以下步骤：
步骤S2.1：经过查阅相关文献以及实验证明，确定输入网络的样本大小为12×12，在进行样本合成后，所得样本深度并不一致，因此在输入网络前需要对样本深度进行统一化操作；
步骤S2.2：通过双线性插值方法将样本宽高统一到12×12的大小；设P点为待求特征，Q11、Q12、Q21、Q22为四邻近特征，通过Q12，Q22线性插值得到R1，通过Q11，Q21线性插值得到R2，再通过R1，R2线性插值得到P点特征值。
4.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其主要特征在于：所述步骤S3包括以下步骤：
步骤S3.1：根据步骤S2得到的样本，使用了两对卷积层和池化层进行特征提取，第1个卷积层上使用较大的卷积核以获取更多视野，卷积核大小设置为5，步长为1，使用了32个卷积核；池化层对第1个卷积进行池化，尺寸为3×3，步长为2；
步骤S3.2：进行第2次卷积池化，卷积核大小设置为3，步长为1，使用了64个卷积核；池化层对第2个卷积进行池化，尺寸为3×3，步长为2；通过两次卷积池化得到测井数据的高维非线性特征。
5.根据权利要求1所述一种基于深度学习的致密砂岩储层流体识别方法，其主要特征在于：所述步骤S4包括以下步骤：
步骤S4.1：测井数据中的各层并不相互独立，在深度关系上存在着一定的相互依存关系，为对各层之间在不同深度下的关联度进行分析，找出内在联系，采用自相关分析方法进行分析；设有序列Xt,t＝1,2,3,...，则在时刻t和滞后n阶t+n之间的相关即为n阶自相关，其定义为：
步骤S4.2：通过分析得到测井数据在深度上存在着向前以及向后的相关性，根据提取的高维特征建立双向长短期记忆神经网络；
步骤S4.3：卷积层与双向长短期记忆神经网络层之间采取全连接层来调整提取的特征向量大小，设全连接层有256个节点，双向长短期记忆神经网络有128个节点，模型输出大小为6，分别对应各个储层类别的概率；学习率设置为0.001，同时为避免过拟合，在全连接层设置了0.5的dropout。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268205.4A CN114002744B (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度学习的致密砂岩储层流体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268205.4A CN114002744B (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度学习的致密砂岩储层流体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114002744A true CN114002744A (zh) | 2022-02-01 |
| CN114002744B CN114002744B (zh) | 2023-07-14 |
Family
ID=79924890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111268205.4A Active CN114002744B (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度学习的致密砂岩储层流体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114002744B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080040086A1 (en) * | 2006-08-09 | 2008-02-14 | Schlumberger Technology Corporation | Facilitating oilfield development with downhole fluid analysis |
| US20100312534A1 (en) * | 2008-02-28 | 2010-12-09 | Shiyu Xu | Rock Physics Model For Simulating Seismic Response In Layered Fractured Rocks |
| WO2013071185A1 (en) * | 2011-11-11 | 2013-05-16 | Exxonmobil Upstream Research Company | Exploration method and system for detection of hydrocarbons |
| US20170171530A1 (en) * | 2015-12-15 | 2017-06-15 | Hewlett-Packard Development Company, L.P. | Scanning platforms with adhesion promoting compounds |
| CN109298464A (zh) * | 2018-10-17 | 2019-02-01 | 中国石油天然气股份有限公司 | 致密砂岩储层成岩相测井识别方法及装置 |
| CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
| CN109781862A (zh) * | 2019-01-08 | 2019-05-21 | 中国石油化工股份有限公司河南油田分公司勘探开发研究院 | 一种小波高频属性识别致密砂岩裂缝的方法 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
| WO2020018069A1 (en) * | 2018-07-16 | 2020-01-23 | Halliburton Energy Services, Inc. | Optical sensor adaptive calibration |
| CN111507048A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 |
| 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 |
| CN112415614A (zh) * | 2020-11-13 | 2021-02-26 | 重庆科技学院 | 一种测井探测尺度三维精细地层模型构建方法 |
| CN112444841A (zh) * | 2020-12-09 | 2021-03-05 | 同济大学 | 基于分尺度多输入卷积网络的含薄层岩性地震预测方法 |
| CN112526107A (zh) * | 2020-11-27 | 2021-03-19 | 中国地质大学（北京） | 裂缝型致密砂岩储层甜点识别与定量表征的方法 |
| CN113325480A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 一种基于集成深度学习的地震岩性识别方法 |
| CN113359212A (zh) * | 2021-06-22 | 2021-09-07 | 中国石油天然气股份有限公司 | 一种基于深度学习的储层特征预测方法及模型 |
-
2021
- 2021-10-29 CN CN202111268205.4A patent/CN114002744B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080040086A1 (en) * | 2006-08-09 | 2008-02-14 | Schlumberger Technology Corporation | Facilitating oilfield development with downhole fluid analysis |
| US20100312534A1 (en) * | 2008-02-28 | 2010-12-09 | Shiyu Xu | Rock Physics Model For Simulating Seismic Response In Layered Fractured Rocks |
| WO2013071185A1 (en) * | 2011-11-11 | 2013-05-16 | Exxonmobil Upstream Research Company | Exploration method and system for detection of hydrocarbons |
| US20170171530A1 (en) * | 2015-12-15 | 2017-06-15 | Hewlett-Packard Development Company, L.P. | Scanning platforms with adhesion promoting compounds |
| WO2020018069A1 (en) * | 2018-07-16 | 2020-01-23 | Halliburton Energy Services, Inc. | Optical sensor adaptive calibration |
| CN109298464A (zh) * | 2018-10-17 | 2019-02-01 | 中国石油天然气股份有限公司 | 致密砂岩储层成岩相测井识别方法及装置 |
| CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
| CN109781862A (zh) * | 2019-01-08 | 2019-05-21 | 中国石油化工股份有限公司河南油田分公司勘探开发研究院 | 一种小波高频属性识别致密砂岩裂缝的方法 |
| CN110320557A (zh) * | 2019-06-10 | 2019-10-11 | 北京有隆科技服务有限公司 | 基于深度学习和进化学习的多尺度地质特征检测融合方法 |
| CN111507048A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 一种致密砂岩储层含气性的预测方法、装置、设备及系统 |
| 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 |
| CN112415614A (zh) * | 2020-11-13 | 2021-02-26 | 重庆科技学院 | 一种测井探测尺度三维精细地层模型构建方法 |
| CN112526107A (zh) * | 2020-11-27 | 2021-03-19 | 中国地质大学（北京） | 裂缝型致密砂岩储层甜点识别与定量表征的方法 |
| CN112444841A (zh) * | 2020-12-09 | 2021-03-05 | 同济大学 | 基于分尺度多输入卷积网络的含薄层岩性地震预测方法 |
| CN113325480A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 一种基于集成深度学习的地震岩性识别方法 |
| CN113359212A (zh) * | 2021-06-22 | 2021-09-07 | 中国石油天然气股份有限公司 | 一种基于深度学习的储层特征预测方法及模型 |
Non-Patent Citations (3)
| Title |
|---|
| MENGYUAN LI: "Basis Matching Chirplet Transform and Its Application in Tight Sandstone Gas Reservoir Identification" * |
| 章新文 等: "泌阳凹陷深层致密砂岩孔隙结构测井评价方法研究", pages 27 - 32 * |
| 谷宇峰 等: "利用混合模型CRBM-PSO-XGBoost识别致密砂岩储层岩性", pages 1210 - 1222 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114002744B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106855853A (zh) | 基于深度神经网络的实体关系抽取系统 | |
| CN106649275A (zh) | 基于词性信息和卷积神经网络的关系抽取方法 | |
| CN111488474A (zh) | 基于增强注意力的细粒度手绘草图图像检索方法 | |
| CN108763445A (zh) | 专利知识库的构建方法、装置、计算机设备和存储介质 | |
| CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
| CN104199822B (zh) | 一种识别搜索对应的需求分类的方法和系统 | |
| CN111583407B (zh) | 一种高效的基于纸质钻孔的三维地质建模智能处理方法 | |
| CN109446328A (zh) | 一种文本识别方法、装置及其存储介质 | |
| CN104298714B (zh) | 一种基于异常处理的海量文本自动标注方法 | |
| CN105373546B (zh) | 一种用于知识服务的信息处理方法及系统 | |
| CN106649663A (zh) | 一种基于紧凑视频表征的视频拷贝检测方法 | |
| CN112347761B (zh) | 基于bert的药物关系抽取方法 | |
| CN110472209A (zh) | 基于深度学习的表格生成方法、装置和计算机设备 | |
| CN110110116A (zh) | 一种整合深度卷积网络和语义分析的商标图像检索方法 | |
| CN110647632A (zh) | 基于机器学习的图像与文本映射技术 | |
| CN103020283B (zh) | 一种基于背景知识的动态重构的语义检索方法 | |
| CN109271546A (zh) | 图像检索特征提取模型建立、数据库建立及检索方法 | |
| CN114511452A (zh) | 融合多尺度空洞卷积和三元组注意力的遥感图像检索方法 | |
| Balim et al. | Diagnosing fashion outfit compatibility with deep learning techniques | |
| CN114002744A (zh) | 一种基于深度学习的致密砂岩储层流体识别方法 | |
| CN107742256A (zh) | 一种基于组合优化决策树的网络伪舆情识别方法 | |
| CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
| CN106530109A (zh) | 一种基于信息价值的油田开发评价井决策方法 | |
| CN106770007A (zh) | 一种针对最小二乘支持向量机模型的近红外光谱特征波长选择方法 | |
| CN108875591A (zh) | 文本图片匹配分析方法、装置、计算机设备和存储介质 |
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 |