CN114139579B - 一种基于方差分形的深度学习微地震事件检测方法 - Google Patents

一种基于方差分形的深度学习微地震事件检测方法 Download PDF

Info

Publication number
CN114139579B
CN114139579B CN202111402338.6A CN202111402338A CN114139579B CN 114139579 B CN114139579 B CN 114139579B CN 202111402338 A CN202111402338 A CN 202111402338A CN 114139579 B CN114139579 B CN 114139579B
Authority
CN
China
Prior art keywords
layer
variance
signal
data
fractal dimension
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
CN202111402338.6A
Other languages
English (en)
Other versions
CN114139579A (zh
Inventor
龙云
韩国庆
闫爽
李善平
任华
陈泽杰
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202111402338.6A priority Critical patent/CN114139579B/zh
Publication of CN114139579A publication Critical patent/CN114139579A/zh
Application granted granted Critical
Publication of CN114139579B publication Critical patent/CN114139579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Neurology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Algebra (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)

Abstract

本发明属于微地震检测领域，具体地而言为一种基于方差分形的深度学习微地震事件检测方法，包括：采用雷克子波合成地震记录中的有效信号；截取，构建一个包含噪声集和信号集的数据集；计算每个信号样本及噪声样本的方差分形维数，将计算过方差分形维数的噪声集及信号集输入到一个由卷积层、激励层、Dropout层、全连接层的一维卷积神经网络中进行训练，待训练完成后，保存模型，将待检测的数据计算整体的方差分形维数，通过在待检测的方差分形维数的数据上滑窗得到很多个样本，输入到保存的模型中得到检测结果。

Description

一种基于方差分形的深度学习微地震事件检测方法
技术领域
本发明适用于微地震检测领域，是一种基于方差分形的深度学习微地震事件检测方法。
背景技术
在石油勘探过程中，应用水力压裂技术会导致岩石破碎或原有裂缝增长，进而产生一系列可观测的微地震事件。通过在压裂井地表或是相邻监测井中合理布置检波器，便可记录微地震信号。水力压裂是从射孔位置向目标层注入高稠度压力液，使目标层中压力不断增加，导致岩石破碎或原有裂缝增长，从而诱发一系列微地震事件。由于射孔信号具有能量强、信噪比高的特性，容易准确拾取初至。而微地震震级能量小、信噪比较低，严重制约了微地震事件的识别和初至拾取。
因此快速、准确地检测微地震事件是后期微地震数据处理的基础，在对震源进行定位和机理分析之前，微地震事件的识别和检测尤其重要，所以，提出一种方法针对低信噪比的微地震事件检测是有必要的。传统的方法在信噪比较低的情况下对于微地震事件的检测效果不理想，尤其是在一些现场施工条件下，会导致信噪比很低，使得微地震检测存在难度。
发明内容
针对上述现有技术中存在的问题，本发明提供一种基于方差分形的深度学习微地震事件检测方法。
本发明是这样实现的，
一种基于方差分形的深度学习微地震事件检测方法，包括如下：
S1:采用雷克子波合成地震记录中的有效信号，得到4000道微地震信号，每道信号包含两个微地震事件；
S2：对合成的地震数据集进行预处理，获得4000个微地震信号样本及4000 个噪声，对每个信号样本及噪声样本分别计算方差分形维数，得到8000个包含信号分形维数样本及噪声分形维数样本的训练数据集；
S3：构造一个由卷积层、激励层、池化层、全连接层的一维卷积神经网络模型并开始采用步骤S2的地震信号训练集训练；
S4：待训练完成后，保存模型，将待检测数据计算分形维数，通过滑窗将待监测数据分成小样本输入到网络中，输出网络中每个样本预测为信号的概率值，得到微地震事件检测的结果。
进一步地，S1中具体包括：
由雷克子波合成的微地震数据，主频率在15Hz到30Hz之间，公式如下：
其中，A表示振幅，t0表示起始时间，f0表示主频。
进一步地，S2中具体包括：
将S1中合成的4000个采样点为901个采样点的整个信号截取出来，并截取同样长度为901个采样点的4000个噪声，计算8000样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算这8000个样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算分形维数后的每个样本为571个数据点；
对于1维的能量包络信号E(t)，根据Dσ＝1-R得到Dσ，Dσ为方差分形维数数据，其中，R称之为Hurst指数，由以下式子获得：
其中nΔt是时间间隔，Var((E(t1+nΔt)-E(t1))nΔt)是对能量包络信号E(t) 在t1时刻nΔt间隔下的方差，然后求取极限对数获得Hurst指数。
进一步地，一维卷积神经网络模型包括卷积层、激励层、Dropout层以及全连接层，
其中，卷积层包含4层，分别为第1层、第2层、第3层、第4层的操作包括卷积、激活函数，其中，采用的激活函数为ReLU，卷积核的大小为2，数量依次为256、128、64、32。
全连接层包含3层，分别为第6层、第8层、第10层，第6层神经元为128 个，激活函数为Sigmoid激活函数，第8层神经元为64个，激活函数为Sigmoid 激活函数，第10层神经元为2个，激活函数为Softmax激活函数；
Dropout层包含2层，分别为第5层和第7层，dropout比率选择0.5；
设置交叉熵损失函数为上述卷积神经网络训练中的损失函数：
式中yi表示样本i的标签，信号为1，噪声为0，pi表示样本i预测为信号的概率。
进一步地，S4中具体包括：
将训练好的模型保存下来，将待检测的完整微地震数据计算方差分形维数，通过滑窗尺寸为571，滑动步长为1的滑窗截取计算分形维数后的数据，得到一系列的尺寸为571个数据点的待检测小样本；
将待检测小样本输入到模型中进行分类，将对每个样本识别为信号的概率进行输出来。
本发明与现有技术相比，有益效果在于：
本发明首先利用分形测量地震信号，有效地提取地震非线性特征。然后将这些分形特征输入卷积神经网络，以区分信号和噪声，本发明与传统方法相比，网络训练后无需手动调整参数及设置阈值。使用合成模拟数据及山西省水力压裂的监测数据验证了该发明。采用本发明在微震监测数据中具有较高的微震检测能力。
附图说明
图1为本发明基于方差分形的深度学习微地震事件检测方法流程图；
图2为将截取的原始信号及噪声提取分形特征得到分形样本图，图2(a) 为将原始地震样本计算分形维数得到的地震分形维数样本，图2(b)为将噪声样本计算分形维数得到的噪声分形维数样本；
图3为本发明中卷积神经网络结构图；
图4为待检测信号(a)及计算分形维数图(b)；
图5为待检测的模拟微地震信号及实测微地震信号的最终检测结果图；信噪比为-16dB的模拟数据进行检测结果如图5(a)所示，对山西西北部微地震事件监测中采集到的实测数据检测结果如图5(b)所示。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明提供一种基于方差分形的深度学习微地震事件检测方法，包括：
S1:采用雷克子波合成微震记录中的有效信号,得到4000个采样点为901的微地震事件；
其中，由雷克子波合成有效的地震数据，主频率在15Hz到30Hz之间，公式如下：
A表示振幅，t0表示起始时间，f0表示主频。
S2：对合成的地震数据集进行预处理，获得包含4000个信号样本及噪声样本的训练集。
S21、将S1中合成的4000个微地震事件截取出来并截取4000个噪声样本。
S22、对S21的8000个样本分别计算方差分形维数，得到的方差分形维数样本为最终的训练集，图2(a)为将原始地震样本计算分形维数得到的地震分形维数样本，图2(b)为将噪声样本计算分形维数得到的噪声分形维数样本。
S3：参考图3搭建一个由卷积层、激活层、Dropout层、全连接层的模型，并开始采用步骤S2的地震信号训练集训练；
构建9层的一维卷积神经网络网络结构包括：卷积层、激励层、Dropout、全连接层；
其中卷积层包含4层，包括第1层、第2层、第3层、第4层的操作包括卷积、激活函数，其中，所述激活采用的激活函数为ReLU，卷积核的大小为2，数量依次为256、128、64、32。
全连接层包含3层，包括第6层、第9层、第10层，第6层神经元为128 个，激活函数为Sigmoid激活函数，第8层神经元为64个，激活函数为Sigmoid 激活函数，第10层神经元为2个，激活函数为Softmax激活函数。
Dropout层包含2层，包括第5层和第7层，dropout比率选择0.5。
设置交叉熵损失函数为上述卷积神经网络训练中的损失函数：
式中yi表示样本i的标签，信号为1，噪声为0，pi表示样本i预测为信号的概率。
S4：待训练完成后，保存模型，将待检测的完整数据计算方差分形维数，通过滑窗的方式将待检测的数据分解成训练集样本的大小输入到网络中进行预测，输出每个样本预测为信号的概率，即为待检测数据的检测结果，将计算过分形维数的整个待检测数据输入模型中得到最终的检测结果：
S41、将训练好的模型保存下来，将待检测的完整微地震数据计算方差分形维数，如图4所示，通过滑窗尺寸为571，滑动步长为1的滑窗截取计算分形维数后的数据，得到一系列的尺寸为571个数据点的待检测小样本。
S42、将待检测小样本输入到模型中进行分类，将对每个样本识别为信号的概率输出出来，噪声被识别为信号的概率会小于0.5，信号被识别为信号的概率大于0.5，当概率值出现连续的大于0.5的时候就代表微地震事件的出现。
对模拟数据及山西西北部微地震实测数据进行了检测。
信噪比为-16dB的模拟数据进行检测结果如图5(a)所示。
对山西西北部微地震事件监测中采集到的实测数据检测结果如图5(b)所示。证明采用本发明在微震监测数据中具有较高的微震检测能力。

Claims (2)

1.一种基于方差分形的深度学习微地震事件检测方法，其特征在于，包括如下：
S1:采用雷克子波合成地震记录中的有效信号，得到4000道微地震信号，每道信号包含两个微地震事件；
S2：对合成的地震数据集进行预处理，获得4000个微地震信号样本及4000个噪声，对每个微地震信号样本及噪声样本分别计算方差分形维数，得到8000个包含微地震信号分形维数样本及噪声分形维数样本的训练数据集；
S3：构造一个由卷积层、激励层、池化层、全连接层的的一维卷积神经网络模型并开始采用步骤S2的地震信号训练集训练；
S4：待训练完成后，保存模型，将待检测数据计算分形维数，通过滑窗将待监测数据分成小样本输入到网络中，输出网络中每个样本预测为信号的概率值，得到微地震事件检测的结果；
S1中具体包括：
由雷克子波合成的微地震数据，主频率在15Hz到30Hz之间，公式如下：
其中，A表示振幅，t0表示起始时间，f0表示主频；
S2中具体包括：
从S1中合成的4000道微地震信号中截取长度为901个采样点的4000个微地震信号样本，并截取同样长度为901个采样点的4000个噪声，计算8000样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算这8000个样本的方差分形维数，得到包含8000个计算过方差分形维数的样本集，计算分形维数后的每个样本为571个数据点；
对于1维的能量包络信号E(t)，根据Dσ＝1-R得到Dσ，Dσ为方差分形维数数据，其中，R称之为Hurst指数，由以下式子获得：
其中nΔt是时间间隔，Var((E(t1+nΔt)-E(t1))nΔt)是对能量包络信号E(t)在t1时刻nΔt间隔下的方差；
一维卷积神经网络模型包括卷积层、激励层、Dropout层以及全连接层，
其中，卷积层包含4层，分别为第1层、第2层、第3层、第4层的操作包括卷积、激活函数，其中，采用的激活函数为ReLU，卷积核的大小为2，数量依次为256、128、64、32；
全连接层包含3层，分别为第6层、第8层、第10层，第6层神经元为128个，激活函数为Sigmoid激活函数，第8层神经元为64个，激活函数为Sigmoid激活函数，第10层神经元为2个，激活函数为Softmax激活函数；
Dropout层包含2层，分别为第5层和第7层，dropout比率选择0.5；
设置交叉熵损失函数为上述卷积神经网络训练中的损失函数：
式中yi表示样本i的标签，信号为1，噪声为0，pi表示样本i预测为信号的概率。
2.按照权利要求1所述的方法，其特征在于，S4中具体包括：
将训练好的模型保存下来，将待检测的完整微地震数据计算方差分形维数，通过滑窗尺寸为571，滑动步长为1的滑窗截取计算分形维数后的数据，得到一系列的尺寸为571个数据点的待检测小样本；
将待检测小样本输入到模型中进行分类，将对每个样本识别为信号的概率进行输出来。
CN202111402338.6A 2021-11-23 2021-11-23 一种基于方差分形的深度学习微地震事件检测方法 Active CN114139579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111402338.6A CN114139579B (zh) 2021-11-23 2021-11-23 一种基于方差分形的深度学习微地震事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111402338.6A CN114139579B (zh) 2021-11-23 2021-11-23 一种基于方差分形的深度学习微地震事件检测方法

Publications (2)

Publication Number Publication Date
CN114139579A CN114139579A (zh) 2022-03-04
CN114139579B true CN114139579B (zh) 2024-04-30

Family

ID=80391346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111402338.6A Active CN114139579B (zh) 2021-11-23 2021-11-23 一种基于方差分形的深度学习微地震事件检测方法

Country Status (1)

Country Link
CN (1) CN114139579B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012161606A1 (ru) * 2011-05-20 2012-11-29 Атокс Канада Инкорпорэйтид Способ прогнозирования сейсмического события
CN108108712A (zh) * 2017-12-29 2018-06-01 哈尔滨工业大学 一种基于方差维数的辐射源指纹特征提取方法
CN111126471A (zh) * 2019-12-18 2020-05-08 中国石油大学(华东) 微地震事件检测方法及系统
WO2021128577A1 (zh) * 2019-12-24 2021-07-01 大连理工大学 一种基于sdae-dbn算法的零件表面粗糙度在线预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012161606A1 (ru) * 2011-05-20 2012-11-29 Атокс Канада Инкорпорэйтид Способ прогнозирования сейсмического события
CN108108712A (zh) * 2017-12-29 2018-06-01 哈尔滨工业大学 一种基于方差维数的辐射源指纹特征提取方法
CN111126471A (zh) * 2019-12-18 2020-05-08 中国石油大学(华东) 微地震事件检测方法及系统
WO2021128577A1 (zh) * 2019-12-24 2021-07-01 大连理工大学 一种基于sdae-dbn算法的零件表面粗糙度在线预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卷积神经网络微地震事件检测;王维波;徐西龙;盛立;高明;;石油地球物理勘探;20201015(第05期);全文 *
基于分形先验信息的非线性反演;孙瑞莹;印兴耀;王保丽;浦义涛;;物探化探计算技术;20150115(第01期);全文 *
自适应加权改进窗口中值滤波;龙云;韩立国;邓武斌;巩向博;;世界地质;20130625(第02期);全文 *

Also Published As

Publication number Publication date
CN114139579A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
Guo et al. AEnet: Automatic picking of P-wave first arrivals using deep learning
CN106405640B (zh) 基于深度信念神经网络的微震信号到时自动拾取方法
CN111123355B (zh) 一种基于微震监测数据的岩爆预测方法及系统
Scarpetta et al. Automatic classification of seismic signals at Mt. Vesuvius volcano, Italy, using neural networks
CN110032975A (zh) 一种地震震相的拾取方法
CN113568043B (zh) 基于深度卷积神经网络的三阶段震相拾取方法
CN115758212A (zh) 一种基于并行网络和迁移学习的机械设备故障诊断方法
CN111580151B (zh) 一种基于SSNet模型的地震事件到时识别方法
CN110632662A (zh) 一种利用DCNN-Inception网络自动识别微地震信号的算法
CN103336305B (zh) 一种基于灰色理论划分致密砂岩储层岩石物理相的方法
CN109063687A (zh) 一种基于深度卷积神经网络的微地震p波识别方法及系统
US20240078413A1 (en) Massive data-driven method for automatically locating mine microseismic source
CN113792685B (zh) 一种基于多尺度卷积神经网络的微地震事件检测方法
CN112364296A (zh) 一种基于深度学习的p波到时自动拾取方法
CN111695413A (zh) 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置
CN115293197A (zh) 一种基于长短期记忆网络的钻孔应变数据异常检测方法
Xu et al. An automatic P-wave onset time picking method for mining-induced microseismic data based on long short-term memory deep neural network
CN114139579B (zh) 一种基于方差分形的深度学习微地震事件检测方法
CN117312919A (zh) 基于bo-cnn-lstm模型的冲击地压预警方法
CN116244596A (zh) 基于tcn和注意力机制的工业时序数据异常检测方法
CN115097518A (zh) 基于模糊聚类u型神经网络的微震到时拾取方法
CN113139681B (zh) 一种基于时间序列数据的神经网络冲击地压预测方法
Sun et al. Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine
CN114492146A (zh) 基于迁移学习的螺栓群松动定位和定量分析方法及系统
CN113642772A (zh) 基于机器学习的测井储层识别预测方法

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