CN115308799B - 一种地震成像游离气构造识别方法及系统 - Google Patents
一种地震成像游离气构造识别方法及系统 Download PDFInfo
- Publication number
- CN115308799B CN115308799B CN202211075452.7A CN202211075452A CN115308799B CN 115308799 B CN115308799 B CN 115308799B CN 202211075452 A CN202211075452 A CN 202211075452A CN 115308799 B CN115308799 B CN 115308799B
- Authority
- CN
- China
- Prior art keywords
- free gas
- data
- network
- training
- seismic imaging
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 135
- 238000013531 bayesian neural network Methods 0.000 claims abstract description 53
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 78
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 238000013508 migration Methods 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 239000007789 gas Substances 0.000 description 124
- 238000013528 artificial neural network Methods 0.000 description 28
- NMJORVOYSJLJGU-UHFFFAOYSA-N methane clathrate Chemical compound C.C.C.C.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O NMJORVOYSJLJGU-UHFFFAOYSA-N 0.000 description 20
- 238000005755 formation reaction Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000003550 marker Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000001149 cognitive effect Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000011148 porous material Substances 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 150000004677 hydrates Chemical class 0.000 description 3
- -1 natural gas hydrates Chemical class 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
-
- 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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (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
本发明涉及一种地震成像游离气构造识别方法及系统，涉及地震成像领域，方法包括获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集；利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络；将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果；根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型；获取目标工区的实际地震成像数据；根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。本发明能够提高识别结果的准确性。
Description
技术领域
本发明涉及地震成像领域，特别是涉及一种地震成像游离气构造识别方法及系统。
背景技术
天然气水合物是一种可能的潜在能源，具有巨大的资源经济潜力，在全球碳循环中扮演着重要角色。非常规天然气资源中，天然气水合物占比最大，因此勘探开发天然气水合物对缓解中国能源短缺和环境问题具有重要的战略意义。南海是中国天然气水合物勘探开发的主战场，其中几个重要盆地具有水合物成藏的充足物源、运移通道和温压条件，是天然气水合物聚集的有利场所。中国在南海已开展了近20年天然气水合物勘探试采方面的实践与研究，并在南海北部获得了天然气水合物实物样品。近几年来，通过一系列调查工作获得多个水合物发现，证实中国南海部分深水区域天然气水合物成矿条件良好，具有巨大的资源潜力。
水合物稳定域大部分位于深海平原区，区域内主要分布两种类型水合物，即孔隙型和气烟囱型水合物。前者以孔隙充填的形式赋存于浅部发育的重力流高孔隙碎屑岩中，水合物成为孔隙流体或骨架的一部分；后者以裂隙充填的形式存在于游离气通道内，形成脉状、层状和透镜状的纯水合物的“游离气”与“气烟囱”构造，浅层含气构造是水合物运聚分布的重要场所，值得关注。
已发现的天然气水合物中，大多数水合物矿藏是运用地球物理探测方法发现的，反射地震方法和地震成像数据是寻找水合物的重要手段和基础科学数据。天然气水合物具有高速特性，使得反射地震剖面上形成似海底反射(Bottom Simulating Reflector，简称BSR)、振幅空白带、极性反转以及BSR与地层斜交等独特的地震反射。常规情况下通常BSR指示水合物矿藏存在，但对于孔隙型水合物勘探实践表明BSR与该类型水合物储层并非一一对应，深水海底浅层含砂层也常表现为与海底极性相反的强地震反射特征，容易与BSR混淆。另一种重要类型水合物，游离气型水合物，是含气流体通过烟囱通道系统垂直向上运移至天然气水合物稳定域，在游离气附近及其上部形成的。游离气构造是流体作用引发的一种特殊的伴生构造，是在气藏超压、构造低应力和泥页岩封隔层综合作用下形成的。游离气构造在地震剖面上呈现聚集外形，含气地层与周围地层界面处反射系数较大且为负值，属于强反射界面。因此浅层气顶部为不规则的强反射，内部为杂乱反射，并且含气导致缺乏高频成分。
地震剖面上的反射特征异常，如游离气构造是值得关注的指示天然气水合物存在的重要标志物。识别与定位这类水合物标志物，是定位水合物矿藏与进一步评价水合物饱和度和资源量的基础。在地震数据体中进行游离气构造人工拾取还存在局限性：一方面人工拾取耗时长，另外人工追踪识别难以较好实现游离气构造连续延展至地震数据覆盖区域。因此，从地震成像数据中自动地识别出水合物标志物之一的游离气构造并查明其空间分布特征，是提升海域天然气水合物勘探成效的一个亟待解决的关键技术问题。
目前，在利用地震数据识别游离气构造等水合物标志物问题上，还十分具有挑战性。传统地震识别水合物空间分布的方法主要包括波阻抗反演和地震属性聚类这两类方法。地震波阻抗反演方法是地层参数反演方法中应用较广的方法，是油气储层预测的有效手段之一。波阻抗反演结果依赖沉积层位的划分和低频地质模型的构建，而水合物分布受温度压力控制，不完全受沉积层序控制，经常与地层层序不一致，并且水合物经常存在于海底浅层的非弹性未固结砂泥沉积物中，而波阻抗反演的对象是成岩地层。在水合物勘探初期，特别是无井条件下，无井约束的波阻抗反演存在较大的多解性，这是波阻抗反演类识别方法普遍存在的问题。另一类方法是基于地震属性聚类方法，地震属性综合分析方法受地层和地质模型约束较少，因此适于形态不规则、非构造控制的天然气水合物矿体识别。对天然气水合物较敏感的地震属性一般为振幅类属性，包括均方根振幅、平均绝对振幅、最大峰值振幅和平均峰值振幅，将这些振幅类地震属性数据作为神经网络的输入向量和测试样本进行属性聚类分析。将聚类结果以一定的阈值划分，使聚类结果与井数据匹配，从而得到天然气水合物的三维空间分布。这类方法在以BSR为标志物的孔隙型水合物识别中成功率较高，但是BSR缺失情况下对游离气刻画的能力相对较弱，并且单一属性聚类方法结果也需要井的约束，无井情况下结果常常存在较大不确定性，因此经常需要多种属性聚类结果相互验证降低一些不确定性，优化钻井目标。
传统的水合物地震识别方法主要为地震波阻抗反演和属性聚类方法。其中，波阻抗反演十分依赖井数据约束和层序地层模型构建，无井条件下反演结果存在较大多解性；地震属性聚类方法主要利用各种地震振幅属性，对以BSR为标志的孔隙型水合物识别成功率较高，但对以游离气为标志的烟囱型水合物识别能力偏弱。这两类传统识别方法的共性问题是无井条件下识别精度低，并且识别结果空间外推能力不足，对游离气构造识别能力偏弱等。
近年来，随着计算机技术的快速发展，具有深层结构的神经网络逐渐展现出其在各领域的优秀表现，深度学习技术也成功地运用到了地震数据处理、参数估计与解释反演环节。深度神经网络(DNN)作为一种非线性智能化建模工具，通过数据驱动的方式，能从大规模数据中识别与估计参数，在数据处理与解释建模环节极大地节约了人工成本，展现出了巨大的应用潜力。
然而，这些新兴的基于深度学习的识别水合物标志物方法，往往受到数据噪声、训练集样本相对不足、强断裂结构等影响严重，导致新兴方法识别结果中输出的异常范围边界并不是十分准确，或者说存在一定的不确定性，为后续实际BSR分布与游离气构造规模估算带来较大偏差。这类新兴方法虽无需井的约束、空间外推能力强且识别效率高，但其识别结果往往受到噪声干扰、训练集样本不足和强断裂结构等因素影响，导致识别结果中标志物特别是游离气构造异常范围还存在较大的不确定性，这给标志物实际分布范围的估算带来了较大偏差，这是新兴方法走向实际应用面临的主要瓶颈。这种识别结果中不确定性的来源多样，主要分为认知不确定性(epistemic uncertainty)和偶然不确定性(aleatoricuncertainty)。现行常规深度学习框架中缺少对预测结果的不确定性量化手段，因此直接使用深度学习方法的预测结果做决策存在较大风险。近年来发展的贝叶斯深度学习方法可以帮助部分解决不确定性估计的问题。实际应用中，不确定性的分类计算研究很有意义。它能够使决策者清楚地确定哪些不确定性可以通过增加数据训练样本或者调整网络参数被减少，哪些识别结果因不确定性太大而不能使用，从而提高神经网络输出识别结果的鲁棒性和可靠性。
南海琼东南等盆地深水区具有良好的天然气水合物聚集成藏地质与温压条件。水合物矿藏富集的标志之一，游离气构造在地震剖面上具有独特的反射特征。如何有效准确识别并查明其空间分布特征，是制约进一步认识琼东南盆地深水区水合物富集分布规律、成藏模式、资源潜力等的关键问题。
天燃气水合物地震勘探中，有效准确地识别水合物标志物之一——游离气构造，是天然气水合物高效勘探面临的重要难题之一。传统地震反演与属性方法在无井条件下识别结果误差较大，且空间外推能力不足；新兴基于深度学习的识别方法虽效率高，但结果中不确定性无法量化。
发明内容
本发明的目的是提供一种地震成像游离气构造识别方法及系统，以提高识别结果的准确性。
为实现上述目的，本发明提供了如下方案：
一种地震成像游离气构造识别方法，包括：
获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集；
利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络；
将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果；
根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型；
获取目标工区的实际地震成像数据；
根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。
可选地，所述利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本，具体包括：
所述实际数据训练集利用所述生成网络进行模拟，得到模拟图像；
根据所述模拟图像和所述实际数据集中的真实图像利用所述判别网络进行对比，得到识别后的分类结果；
根据所述模型图像和所述识别后的分类结果确定游离气训练样本。
可选地，所述根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型，具体包括：
利用蒙特卡洛Dropout方法根据所述游离气训练样本和所述目标域预期输出结果进行变分推断，通过最小化贝叶斯神经网络的变分分布的KL散度和贝叶斯神经网络的后验分布的KL散度学习贝叶斯神经网络的网络权重，得到游离气构造识别模型。
可选地，所述获取目标工区的实际地震成像数据，具体包括：
获取目标工区的地震炮集数据；
对所述地震炮集数据进行叠前偏移成像，得到实际地震成像数据。
一种地震成像游离气构造识别系统，包括：
获取和标注模块，用于获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集；
扩充模块，用于利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络；
域转换模块，用于将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果；
训练模块，用于根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型；
获取模块，用于获取目标工区的实际地震成像数据；
识别模块，用于根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。
可选地，所述扩充模块，具体包括：
模拟单元，用于所述实际数据训练集利用所述生成网络进行模拟，得到模拟图像；
对比单元，用于根据所述模拟图像和所述实际数据集中的真实图像利用所述判别网络进行对比，得到识别后的分类结果；
游离气训练样本确定单元，用于根据所述模型图像和所述识别后的分类结果确定游离气训练样本。
可选地，所述训练模块，具体包括：
训练单元，用于利用蒙特卡洛Dropout方法根据所述游离气训练样本和所述目标域预期输出结果进行变分推断，通过最小化贝叶斯神经网络的变分分布的KL散度和贝叶斯神经网络的后验分布的KL散度学习贝叶斯神经网络的网络权重，得到游离气构造识别模型。
可选地，所述获取模块，具体包括：
获取单元，用于获取目标工区的地震炮集数据；
叠前偏移成像单元，用于对所述地震炮集数据进行叠前偏移成像，得到实际地震成像数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集；利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络；将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果；根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型；获取目标工区的实际地震成像数据；根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。本发明利用生成对抗网络对实际数据训练集进行扩充，利用贝叶斯网络构建游离气构造识别模型，从而提高识别结果的准确性。
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为本发明提供的地震成像游离气构造识别方法流程示意图；
图2为本发明使用的用于神经网络训练的部分训练数据与标签数据示意图；
图3为本发明提供的贝叶斯神经网络结构和训练策略示意图；
图4为实际数据含气构造识别初步预测含气构造的位置概率示意图；
图5为网络输出的对应认知不确定性结果示意图；
图6为网络输出的偶然不确定性结果示意图；
图7为本发明提供的地震成像游离气构造识别方法流程图。
具体实施方式
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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。
本发明的目的是提供一种地震成像游离气构造识别方法及系统，以提高识别结果的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
针对在天然气水合物地震勘探中，无井条件下地震资料中游离气构造自动识别问题提出。如图7和图1所示，本发明提供一种地震成像游离气构造识别方法来准确识别游离气构造空间分布情况，方法包括：
步骤101：获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集。
通过目标工区的地震炮集数据进行叠前偏移成像，获得偏移成像数据即地震成像样本数据作为神经网络训练数据的输入。此时的神经网络为生成对抗网络。
游离气构造在地震数据上显示特征为聚集外形，含气地层与周围地层界面处反射系数较大且为负值，属于强反射界面，因此浅层气顶部为不规则的强反射，内部为杂乱反射，并且含气导致缺乏高频成分。据此，在前述获得的成像样本数据上选出一部分数据对其进行人工解释，生成与成像样本数据匹配的标签数据，作为深度神经网络训练的训练集数据。
步骤102：利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络。
步骤102，具体包括：所述实际数据训练集利用所述生成网络进行模拟，得到模拟图像；根据所述模拟图像和所述实际数据集中的真实图像利用所述判别网络进行对比，得到识别后的分类结果；根据所述模型图像和所述识别后的分类结果确定游离气训练样本。
步骤103：将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果。
步骤104：根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型。
步骤104，具体包括：
利用蒙特卡洛Dropout方法根据所述游离气训练样本和所述目标域预期输出结果进行变分推断，通过最小化贝叶斯神经网络的变分分布的KL散度和贝叶斯神经网络的后验分布的KL散度学习贝叶斯神经网络的网络权重，得到游离气构造识别模型。
构建适合的深度神经网络结构模型，包括输入神经元的个数，神经网络的层数等，并对网络的权系数与偏置进行初始化。将训练集输入到神经网络中进行训练，调整网络参数，通过目标函数的表现评估网络训练程度与网络结构。
利用蒙特卡洛Dropout策略实现贝叶斯深度学习，将原始深度神经网络模型中间层加入Dropout，此时深度神经网络模型为贝叶斯网络。在训练集上训练调优模型参数。然后在测试过程中，仍然使Dropout对同一个测试集样本测试N次，得到N个输出预测结果，其均值作为网络的最终输出，其方差分布作为网络的不确定性估计。根据损失函数表现确定训练好的网络参数，将剩余需要预测的测试集数据输入到神经网络中，进行游离气构造的自动识别。
步骤105：获取目标工区的实际地震成像数据。
步骤105，具体包括：
获取目标工区的地震炮集数据；对所述地震炮集数据进行叠前偏移成像，得到实际地震成像数据。
步骤106：根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。最终获得目标工区的游离气构造识别结果，并伴随输出认识不确定性与偶然不确定性结果，辅助评价游离气构造的识别结果准确性。
本发明聚焦于无井条件下水合物标志物地震智能识别问题，开展基于贝叶斯神经网络的水合物标志物识别与不确定性量化研究。在解决识别问题的基础上，量化识别结果的不确定性，进而得到更为准确的水合物标志物识别结果。本发明能为普查阶段无井条件下的天然气水合物勘探提供一种智能的数据驱动型水合物标志物识别方法，对促进天然气水合物高效勘探有很大的应用价值和实际意义。
本发明的核心有三点，一是本发明是以数据驱动训练神经网络并作出预测的方法，所以需要给神经网络准备充足的训练数据，一般数据样本对于神经网络训练时不够充足的，所以首先需要对训练样本与标签数据做一定扩充。出这里使用生成对抗网络原来；二是核心方法使用贝叶斯神经网络策略，贝叶斯神经网络与传统神经网络相比引入了先验分布思想，网络的权系数等满足一定的分布规律，而不是具体的数，当标签的概率分布与网络权系数及输入数据的分布保持一致时，贝叶斯神经网络可以更好地学习到数据间的函数关系。实际应用中，由于游离气构造标签数据分布可能与网络权重的分布不一致所以需要通过一定变换完成域的转换；三是贝叶斯神经网络的原理，与传统神经网络变比，除了能输出游离气构造的空间分布，还能同时输出结果的各种不确定性属性，从而可以获得较准确的识别结果。本发明还提供地震成像游离气构造识别方法在实际应用中更为具体的说明。
(1)基于生成对抗网络(GAN)的实际数据样本增强与扩充
首先对成像数据集中，挑选不同位置不同特征的数据样本分布进行游离气构造的解释，作为这两种需要识别对象的标签数据。游离气构造在地震剖面上呈现出聚集外形，含气地层与周围地层界面处反射系数较大且为负值，属于强反射界面，因此浅层气顶部为不规则的强反射，内部为杂乱反射，并且含气导致缺乏高频成分。基于这些特征根据成像与地震属性等，对一部分数据中包含这些特征的构造进行解释，生成网络训练用的标签数据集。
人工进行解释生成的标签数据还是相对有限，通过前期研究中对卷积神经网络的应用探索，虽然数据集经过各种简单的数据增广方法进行扩充后(如翻转，旋转，拉伸等)，仍然面临着训练数据不足的问题，导致识别结果在一些区域存在明显的偏差，标签数据量也比较有限，制约了神经网络预测的准确度和进一步泛化能力。为了缓解训练集数据不足问题，这里采用生成对抗网络(GAN)方法游离气构造解释的实际数据训练集进行扩充，给贝叶斯神经网络应用相关研究提供较充分的训练集数据。
生成对抗网络(Generative Adversarial Networks，简称GANs)，让两个神经网络以相互博弈的方式进行学习。生成对抗网络由一个生成网络G与一个判别网络D组成。对数据空间中通过随机采样获得输入数据，并将输入数据z传递给生成网络G。生成网络对训练集中的样本进行模拟，输出的结果G(z)将会尽可能地接近真实成像结果。而判别网络D的目的是对生成网络输出的结果G(z)和真实图像进行比对，并输出识别后的分类结果。生成网络为了通过判别网络的识别而生成接近真实的图像，判别网络为了分辨出生成网络的图像，两个网络进行不断博弈。无论哪个网络取胜，都会生成接近真实的图像样本数据，从而增加实际训练数据的样本量。本发明拟通过这种方式对解释后的数据集进行扩充，拟扩充到初始数据集的15至20倍。具体计算公式为，
此公式为GAN网络的原理公式，数据扩充就是基于这里博弈方式进行的。式(1)由两项构成，x作为输入数据，输入真实的剖面转换后图像，z作为输入生成网络G的图像噪声，而G(z)则表示生成网络输出的新图像(样本)。D网络计算新图像与原真实图像的误差，用D(x)表示。而D(G(z))是D网络判断G生成的样本是否真实的概率，E表示数学期望运算，为在输入数据x的概率分布pdata(x)的数学期望，/>为在输入网络噪声数据z的概率分布pz(z)的数学期望。这里G希望D(G(z))越大越好，同时也意味着网络计算新图像与原真实图像的误差V(D,G)越小越好，因此式(1)对于G来说是求最小值minG。D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大值maxD。
(2)输入训练数据域的转换
贝叶斯神经网络与传统神经网络相比引入了先验分布的思想，输入数据通过网络的计算得到预测结果。如式(2)所描述，输出结果的分布取决于输入数据与权重的分布。因此当标签的概率分布与网络权重及输入数据的分布保持一致时，贝叶斯神经网络可以更好地学习到数据间的函数关系。但是在实际情况中，关于指示游离气构造的标签数据分布可能与网络权重以及输入数据的分布不一致。因此，将原始标签数据所在的分布域定义为原始域，符合贝叶斯神经网络假设的分布域定义为目标域。在此建立一个域转换过程，描述为：
其中，表示通过域转换后的目标域游离气区域分布，其分布类型与贝叶斯神经网络权重的分布类型相同或接近。f1表示域转换的算子，可以将训练数据从原始域转换到目标域。f1必须是一种可逆算子，例如指数和对数函数，因为最终需要将预测出的游离气构造识别结果从目标域还原回原始域。f1可以是一种函数变换，也可以是一种神经网络。当原始标签数据Y的分布类型与/>相同时，f1则可以表示为恒等函数。将游离气训练样本X与目标域预期输出结果/>输入网络进行训练，这里将使用的贝叶斯神经网络模型描述为：
其中NN*表示贝叶斯神经网络通过训练学习到的函数关系。M(·)表示用于最小化目标域识别结果和对应预测值NN(X)。将训练好的模型应用于测试集数据时，将无标签的地震数据样本X*输入网络NN*，得到BSR或游离气构造的识别结果。利用f1的逆运算/>将目标域预测结果还原到原始域预测结果，最终得到了地震数据覆盖范围游离气构造分布的预测结果，Y*为原始域的识别结果。该过程表示为：
(3)贝叶斯神经网络框架与不确定性计算
普通神经网络是仅可以得到一个分布范围预测结果，如图5，贝叶斯网络除了可以输出范围，还能输出范围的靠谱程度与否的描述，即不确定性，如图6和图7。步骤(3)贝叶斯神经网络框架与不确定性计算的意思是经过域的转换后的数据输入到贝叶斯神经网络里，输出相应的结果，步骤(2)输入训练数据域的转换表示数据输入到网络前，需要做转换，满足贝叶斯网络的条件假设。
贝叶斯神经网络(Bayesian Neural Network，BNN)是一种将贝叶斯理论与人工神经网络(Artificial Neural Network，ANN)相结合得到的机器学习算法。ANN的权重是固定值，而BNN的权重是一种概率分布。贝叶斯神经网络，即给定训练数据X＝{x1,...,xn}和对应输出Y＝{y1,...,yn}，需求得函数y＝fw(x)的参数w的概率输出，神经网络中的所有权重w和偏置b均由概率分布表示，而不是像传统神经网络，如CNN中具有具体的参数值。贝叶斯深度学习方法能够输出概率分布并能定量不确定性，因为它在给定了训练数据集D和网络输入x*后，通过网络训练可以获得网络模型预测结果y*的分布，这一个过程可以用下式表达：
p(y*|x*,D)＝∫p(y*|x*,w)p(w|D)dw (5)
式(5)中，p(y*|x*,w)是在给定网络模型输入x*和网络参数w条件下，网络模型预测结果y*的分布；p(w|D)则是使用训练数据集D对网络训练获得的网络参数w的分布。在贝叶斯深度学习中，神经网络训练的目的就是得到网络参数w的分布p(w|D)。
实际操作过程中，p(w|D)通常无法进行解析求解，需要对整个参数空间进行积分。所以，需要用一个变分分布qθ(w)去近似后验分布p(w|D)，通常使用高斯分布来近似θ，因此θ～(μ,σ2)。通过这种方式将求解后验分布的问题转化为求解最佳θ的优化问题，这个过程可以用最小化两个分布的KL散度(Kullback-Leibler divergence)实现，实现这个过程就是著名的变分推断(Variance Inference)过程，即在给定训练数据情况下计算潜在变量的条件概率在KL散度意义下最接近精确条件的近似值。该过程表达为：
p(y*|x*,D)≈qθ(y*|x*)＝∫p(y*|x*,w)qθ(w)dw (6)
按照不同的近似p(w|D)衍生出不同的贝叶斯神经网络实现策略，近似p(w|D)，接下来将采用贝叶斯神经网络实现方式来实现游离气构造识别，在输出预测结果的同时输出不确定性量化结果，包括认知不确定性与偶然不确定性，以及混合不确定性。Var为变分分布下的方差，计算可遵循下式：
式(7)中等号右端第一项即为偶然不确定性，第二项即为认知不确定性，qθ(w)为要求解的变分分布去近似后验分布p(w|D)，为在随机密度函数下的期望值，N代表实现过程中随机采样的次数，Ep(y*|x*,w)(y*)为后验分布下的期望值，/>为在随机密度函数下的期望值，T为转置。
BNN中的每个权重从正态分布θ中采样，期望qθ(w)与p(w|D)相近，使用KL散度来量化两个分布的匹配程度，采用KL散度近似的概率分布θ*可表示为
在BNN的训练中，通过对高斯分布(先验分布)进行采样，可以得到神经网络参数w的样本。通过网络进行前向传播，计算反向传播计算的损失，并优化网络参数。最终通过对BNN权重后验分布的多次采样得到识别结果的集合。集合的均值表示BNN输出结果的期望，集合的方差表示输出结果存在的不确定性。
相比于传统的神经网络，贝叶斯神经网络假设模型参数服从高斯或某种先验分布，网络训练过程等价于在给定训练集数据分布条件下求出网络模型参数的后验分布。尽管贝叶斯神经网络定义简便，但是计算复杂，需要修改原有网络结构。
蒙特卡洛Dropout是一种贝叶斯神经网络实现方式，其在测试过程中对模型参数随机Dropout，从而得到相同输入下的不同多个输出，求其均值和方差，来量化网络输出的不确定性。该方法等价于最小化KL散度，近似了网络的后验分布。
如图3所示，利用蒙特卡洛Dropout方法实现贝叶斯深度学习，将原始深度神经网络模型中中间层加入Dropout。在训练集上训练调优模型参数。然后在测试过程中，仍然使Dropout对同一个测试集样本测试N次，得到N个输出预测结果，其均值作为网络的最终输出，其方差分布作为网络的不确定性估计。一般来说，测试集样本应该包含偶然不确定性，指导对输入训练数据集进行更好的预处理。图3中σ表示方差分布，μ表示均值，m表示神经元的个数，决定网络的规模。对于实际数据，同样经过N次测试，得到其均值作为网络的最终输出，相应的方差分布作为其不确定性量化。理论上，实际数据中应该包含网络没有见过的数据样本，即认知不确定性，指导生成相应的样本，让网络学习足够多的样本。
这里对二维数据游离气构造进行了识别与不确定性输出实验，证明本发明的有效性。首先，进行地震成像生成成像数据集，在对含气构造进行人工解释并标注时，人工标注需要参考窗口内振幅和频率的变化情况，本身存在一定测量误差，并且地震成像数据里还包含着一定程度噪声，未完全收敛的绕射波等，所以使用机器学习方法预测出的结果不可避免是存在一些误差的。图2展示了部分从数据集中提取的数据样本与标签数据，标签数据中白色色代表1，指示游离气构造，背景黑色色代表0，指示不含游离气构造。用一个初步二维研究结果示意图来说明这个实验步骤，图4为实际数据含气构造识别初步预测含气构造的位置概率图，是根据上述原理实现的小数据集网络训练后输出的含气构造位置，它初步指示了游离气的空间分布可能性；图5是网络输出的对应认知不确定性结果示意图，可以从认知不确定性结果上观测到含气构造边界的不确定性，初步指示游离气构造位置与规模；图5中网络输出的认知不确定性属性对异常带边界刻画更加准确，基于该属性能帮助更好认识游离气带规模；图6是网络输出的对应偶然不确定性结果示意图，它指示了预测结果误差较大的区域，偶然不确定性指示可信度较低区域在最终游离气构造空间分布结果中在将被剔除(虚线圈)，可信度较高区域将保留(实线圈)。
本发明还提供一种地震成像游离气构造识别系统，包括：
获取和标注模块，用于获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集。
扩充模块，用于利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络。
域转换模块，用于将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果。
训练模块，用于根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型。
获取模块，用于获取目标工区的实际地震成像数据。
识别模块，用于根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。
作为一种可选地实施方式，所述扩充模块，具体包括：
模拟单元，用于所述实际数据训练集利用所述生成网络进行模拟，得到模拟图像；对比单元，用于根据所述模拟图像和所述实际数据集中的真实图像利用所述判别网络进行对比，得到识别后的分类结果；游离气训练样本确定单元，用于根据所述模型图像和所述识别后的分类结果确定游离气训练样本。
作为一种可选地实施方式，所述训练模块，具体包括：
训练单元，用于利用蒙特卡洛Dropout方法根据所述游离气训练样本和所述目标域预期输出结果进行变分推断，通过最小化贝叶斯神经网络的变分分布的KL散度和贝叶斯神经网络的后验分布的KL散度学习贝叶斯神经网络的网络权重，得到游离气构造识别模型。
作为一种可选地实施方式，所述获取模块，具体包括：
获取单元，用于获取目标工区的地震炮集数据；叠前偏移成像单元，用于对所述地震炮集数据进行叠前偏移成像，得到实际地震成像数据。
本发明聚焦于地震数据中无井条件下水合物标志物的智能识别问题，提出一种地震成像游离气构造识别，本发明提供的方法为基于贝叶斯神经网络的水合物标志物自动识别与不确定性的描述方法。该方法利用标志物的反射特征，通过使用实际训练数据与高效的网络训练策略，实现贝叶斯神经网络训练与预测，进而实现水合物标志物智能识别与不确定性量化。本发明将为普查阶段无井条件下的天然气水合物勘探提供一种高效智能的标志物识别方法，其识别结果能为研究区水合物勘探靶区选择、储量估算与钻探部署提供科学决策依据，应用前景广阔。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种地震成像游离气构造识别方法，其特征在于，包括：
获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集；
利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络；
将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果；
根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型；
获取目标工区的实际地震成像数据；
根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。
2.根据权利要求1所述的地震成像游离气构造识别方法，其特征在于，所述利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本，具体包括：
所述实际数据训练集利用所述生成网络进行模拟，得到模拟图像；
根据所述模拟图像和所述实际数据训练集中的真实图像利用所述判别网络进行对比，得到识别后的分类结果；
根据所述模拟图像和所述识别后的分类结果确定游离气训练样本。
3.根据权利要求1所述的地震成像游离气构造识别方法，其特征在于，所述根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型，具体包括：
利用蒙特卡洛Dropout方法根据所述游离气训练样本和所述目标域预期输出结果进行变分推断，通过最小化贝叶斯神经网络的变分分布的KL散度和贝叶斯神经网络的后验分布的KL散度学习贝叶斯神经网络的网络权重，得到游离气构造识别模型。
4.根据权利要求1所述的地震成像游离气构造识别方法，其特征在于，所述获取目标工区的实际地震成像数据，具体包括：
获取目标工区的地震炮集数据；
对所述地震炮集数据进行叠前偏移成像，得到实际地震成像数据。
5.一种地震成像游离气构造识别系统，其特征在于，包括：
获取和标注模块，用于获取地震成像样本数据集并对所述地震成像样本数据集的游离气构造进行标注，得到实际数据训练集；
扩充模块，用于利用生成对抗网络对所述实际数据训练集进行扩充，得到游离气训练样本；所述生成对抗网络包括生成网络和判别网络；
域转换模块，用于将所述游离气训练样本的原始标签数据进行域转换，得到目标域预期输出结果；
训练模块，用于根据所述游离气训练样本和所述目标域预期输出结果对贝叶斯神经网络进行训练，得到游离气构造识别模型；
获取模块，用于获取目标工区的实际地震成像数据；
识别模块，用于根据所述实际地震成像数据利用所述游离气构造识别模型进行识别，得到游离气构造识别结果。
6.根据权利要求5所述的地震成像游离气构造识别系统，其特征在于，所述扩充模块，具体包括：
模拟单元，用于所述实际数据训练集利用所述生成网络进行模拟，得到模拟图像；
对比单元，用于根据所述模拟图像和所述实际数据训练集中的真实图像利用所述判别网络进行对比，得到识别后的分类结果；
游离气训练样本确定单元，用于根据所述模拟图像和所述识别后的分类结果确定游离气训练样本。
7.根据权利要求5所述的地震成像游离气构造识别系统，其特征在于，所述训练模块，具体包括：
训练单元，用于利用蒙特卡洛Dropout方法根据所述游离气训练样本和所述目标域预期输出结果进行变分推断，通过最小化贝叶斯神经网络的变分分布的KL散度和贝叶斯神经网络的后验分布的KL散度学习贝叶斯神经网络的网络权重，得到游离气构造识别模型。
8.根据权利要求5所述的地震成像游离气构造识别系统，其特征在于，所述获取模块，具体包括：
获取单元，用于获取目标工区的地震炮集数据；
叠前偏移成像单元，用于对所述地震炮集数据进行叠前偏移成像，得到实际地震成像数据。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211075452.7A CN115308799B (zh) | 2022-09-05 | 2022-09-05 | 一种地震成像游离气构造识别方法及系统 |
| US18/156,341 US11899148B1 (en) | 2022-09-05 | 2023-01-18 | Seismic imaging free gas structure identification method and system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211075452.7A CN115308799B (zh) | 2022-09-05 | 2022-09-05 | 一种地震成像游离气构造识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115308799A CN115308799A (zh) | 2022-11-08 |
| CN115308799B true CN115308799B (zh) | 2023-07-25 |
Family
ID=83867739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211075452.7A Active CN115308799B (zh) | 2022-09-05 | 2022-09-05 | 一种地震成像游离气构造识别方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11899148B1 (zh) |
| CN (1) | CN115308799B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12130398B2 (en) * | 2022-02-15 | 2024-10-29 | Chevron U.S.A. Inc. | Training data for machine learning seismic inversion |
| CN116862766B (zh) * | 2023-06-28 | 2024-07-16 | 北京金阳普泰石油技术股份有限公司 | 基于边缘生成模型的智能成图与迭代无缝拼接方法和装置 |
| CN117763356A (zh) * | 2023-12-26 | 2024-03-26 | 中国地质科学院地质力学研究所 | 一种基于LightGBM算法的地震相快速识别方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495426B (zh) | 2011-12-02 | 2014-10-22 | 北京中科联衡科技有限公司 | 一种克希霍夫积分地震成像方法 |
| CN105093292B (zh) | 2014-05-14 | 2019-01-18 | 中国石油天然气股份有限公司 | 一种地震成像的数据处理方法和装置 |
| CN107797139B (zh) * | 2016-08-31 | 2019-07-23 | 中国石油化工股份有限公司 | 页岩储层游离气含气量地震预测方法及系统 |
| CN109271898A (zh) * | 2018-08-31 | 2019-01-25 | 电子科技大学 | 基于优化卷积神经网络的溶洞体识别算法 |
| CN110308484A (zh) * | 2019-06-11 | 2019-10-08 | 中国石油大学(北京) | 一种基于深度学习智能筛选初至的层析反演方法及系统 |
| CN110458185A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技（深圳）有限公司 | 图像识别方法及装置、存储介质、计算机设备 |
| WO2021051050A1 (en) * | 2019-09-12 | 2021-03-18 | Schlumberger Technology Corporation | Generating geological facies models with fidelity to the diversity and statistics of training images using improved generative adversarial networks |
| GB2592203B (en) * | 2020-02-18 | 2024-03-27 | Foster Findlay Ass Ltd | A System and method for improved geophysical data interpretation |
| CN113805235B (zh) * | 2020-06-11 | 2023-12-26 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
| US12085685B2 (en) * | 2020-11-03 | 2024-09-10 | Saudi Arabian Oil Company | Systems and methods for seismic well tie domain conversion and neural network modeling |
| CN112780233B (zh) | 2021-01-13 | 2022-04-19 | 中国海洋石油集团有限公司 | 一种下伏游离气天然气水合物开采模拟装置与方法 |
| CN113534261A (zh) * | 2021-08-20 | 2021-10-22 | 成都理工大学 | 基于智能优化集成网络的储层含气性检测方法及装置 |
| US20230288589A1 (en) * | 2022-03-11 | 2023-09-14 | Saudi Arabian Oil Company | Method for predicting a geophysical model of a subterranean region of interest |
-
2022
- 2022-09-05 CN CN202211075452.7A patent/CN115308799B/zh active Active
-
2023
- 2023-01-18 US US18/156,341 patent/US11899148B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115308799A (zh) | 2022-11-08 |
| US20240077631A1 (en) | 2024-03-07 |
| US11899148B1 (en) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115308799B (zh) | 一种地震成像游离气构造识别方法及系统 | |
| CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
| US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| CN109799533A (zh) | 一种基于双向循环神经网络的储层预测方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| MacDonald et al. | A prototype procedure for stochastic modeling of facies tract distribution in shoreface reservoirs | |
| CN108897042A (zh) | 有机质含量地震预测方法及装置 | |
| 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 | |
| CN115220101B (zh) | 一种深层碎屑岩砂体沉积结构的建模方法 | |
| CN111815773A (zh) | 适用于机器学习算法的三维复杂地质模型标签制作方法 | |
| CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
| Eskandari et al. | Reservoir Modelling of Complex Geological Systems--A Multiple-Point Perspective | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
| Lee et al. | Automatic labeling strategy in semi-supervised seismic facies classification by integrating well logs and seismic data | |
| US11525934B2 (en) | Method for identifying subsurface fluids and/or lithologies | |
| CN117784254A (zh) | 一种基于人工智能的多尺度岩性预测方法、电子设备及介质 | |
| CN113033637A (zh) | 一种基于岩石物理样本增强的集成学习岩相预测方法 | |
| CN117471536A (zh) | 一种基于mcmc的叠前多参数反演最优化求解方法及系统 | |
| CN114114452B (zh) | 一种针对断溶体型碳酸盐岩储层的表征方法及系统 | |
| CN112034515B (zh) | 一种基于无监督神经网络的火山通道识别方法 | |
| CN116840906A (zh) | 储层物性参数预测的不确定性评价方法 | |
| Salazar et al. | Spatial data analytics-assisted subsurface modeling: A duvernay case study | |
| CN113514884A (zh) | 一种致密砂岩储层预测方法 | |
| CN110443801A (zh) | 一种基于改进AlexNet的盐丘识别方法 |
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 |