CN115506783A - 一种岩性识别方法 - Google Patents

一种岩性识别方法 Download PDF

Info

Publication number
CN115506783A
CN115506783A CN202110132186.6A CN202110132186A CN115506783A CN 115506783 A CN115506783 A CN 115506783A CN 202110132186 A CN202110132186 A CN 202110132186A CN 115506783 A CN115506783 A CN 115506783A
Authority
CN
China
Prior art keywords
lithology
sample
setting
jump
theta
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
Application number
CN202110132186.6A
Other languages
English (en)
Other versions
CN115506783B (zh
Inventor
韩宏伟
冯德永
刘海宁
王兴谋
张伟忠
刘鸽
罗荣涛
程远锋
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.)
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
Original Assignee
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
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 China Petroleum and Chemical Corp, Geophysical Research Institute of Sinopec Shengli Oilfield Co filed Critical China Petroleum and Chemical Corp
Priority to CN202110132186.6A priority Critical patent/CN115506783B/zh
Publication of CN115506783A publication Critical patent/CN115506783A/zh
Application granted granted Critical
Publication of CN115506783B publication Critical patent/CN115506783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种岩性预测方法，包括以下步骤：1）构造已有测井数据的标注样本集合，2）系统初始化，3）生成中间权重矩阵，4）计算最优输出权重矩阵，5）计算加权系数，6）判断是否结束训练，7）预测新井的岩性。本发明实施例模型参数是解析的，因此具有极高的运行效率，引入多重中间输出矩阵与自动寻优算法，保证模型具有较高的泛化性能。

Description

一种岩性识别方法
技术领域
本发明涉及构造地质学及石油地质学领域，特别是涉及一种岩性识别方法。
背景技术
岩性识别一直是地质工程研究重点分析的问题。现有技术中进行岩性识别主要有地质研究法、交汇图法和利用数学算法进行岩性识别这几种方法，其所涉及的方法为人工经验法，依赖于专家知识，且不同专家给出的预测结果可能不一致。
近年来兴起的机器学习方法为岩性识别注入了新鲜血液。现有技术中公开了一种多井复杂岩性智能识别方法，该方法首先确定目标测井数据文件并进行格式转换以及归一化预处理，然后根据全区关键取芯井在取芯井段的已知岩性对测井曲线数据进行特征筛选和/或特征组合扩展获得对岩性敏感的测井曲线数据，再给对岩性响应敏感的测井曲线数据进行打标签标定组成样本数据库同时将全区未打标签的测井曲线数据组成待测数据库，进而利用样本数据库的数据并结合若干机器学习算法进行机器学习训练后自动建立若干岩性识别模型，通过分类性能评价法则选出最优的模型，并利用最优的模型对待测数据库中的数据进行岩性预测以实现全区多井复杂岩性智能识别，高效方便、全区适用且自动智能预测结果非常精准。
然而，这些基于机器学习的岩性识别方法没有针对岩性识别提出具体的模型，而仅仅应用了已有的通用模型。这种直接应用存在一些问题，例如：如何自动设置较优的模型复杂度以保证训练的模型能够在新井上取得较优的岩性识别精度。
发明内容
本发明的目的是提供一种岩性识别方法，该方法步骤包括：
步骤1、构造已有测井数据的标注样本集合：获取已有测井数据，每个深度上的所有测井值组成一个特征向量，即样本，所述测井值包括但不限于自然伽马、自然电位、井径、声波时差、密度、补偿中子、深侧向电阻率及浅侧向电阻率；一个样本表达为x∈Rd×1，其中R表示实数域，d为样本维度；已有测井数据构成的样本集合为
Figure BDA0002925753710000021
其中n为该集合的样本总数；为已有测井样本集合标注岩性，为集合
Figure BDA0002925753710000022
打上岩性标签
Figure BDA0002925753710000023
yi为xi对应的岩性标签，yi∈R1×c为岩性的独热编码，c为岩性种类总数；
Figure BDA00029257537100000212
表示第1之第c种岩性；
步骤2、系统初始化，设置中间层节点数z＞0为一个正整数，设置加权系数
Figure BDA0002925753710000024
其中m＝1,2,…,M且M为加权系数总数；设置模型复杂度系数λ＞0，设置加权平衡系数γ＞0，设置加权调整系数τ＞0，设置最大迭代次数K＞0为一个正整数；
步骤3、生成M个不同的中间权重矩阵Λm∈Rn×z，生成M个不同的输入权重向量集合
Figure BDA0002925753710000025
且
Figure BDA0002925753710000026
与输入偏置集合
Figure BDA0002925753710000027
且bm∈R；进而生成M个不同的中间权重矩阵Λm，方法如下：
Λm＝[αm(x1)；αm(x2)；…；αm(xn)]，
其中，[αm(x1)；αm(x2)；…；αm(xn)]表示将αm(x1),αm(x2),…,αm(xn)垂直组合，
Figure BDA0002925753710000028
为样本x对应的第m个中间权重向量，
Figure BDA0002925753710000029
其中φ(·；·,·)为激活函数；
步骤4、计算m＝1,2，…,M时最优输出权重矩阵Ωm∈Rz×c，具体如下：
Figure BDA00029257537100000210
其中，II为适维单位阵，Y＝[y1；y2；…；yn]为标注矩阵；
步骤5、计算m＝1，2,…,M时加权系数
Figure BDA00029257537100000211
具体如下：
步骤501、令i＝1；
步骤502、令j＝i+1；
步骤503、令
Figure BDA0002925753710000031
其中，
Figure BDA0002925753710000032
为F范数；如果Θ＜0，则令θi←0且θj←θi+θj；否则，即Θ＞0，则令θi←Θ且θj←θi+θj-Θ；
步骤504、令j←j+1，如果j≤M，则跳至步骤503，否则跳至步骤505；
步骤505、令i←i+1，如果i≤M-1，则跳至步骤502，否则跳至步骤6；
步骤6、判断是否结束训练：令k←k+1，如果k≤K，则跳至步骤4，否则跳至步骤7；
步骤7、预测新井的岩性，将新的测井数据组成样本集合，计算
Figure BDA0002925753710000033
其中，
Figure BDA0002925753710000034
为新的样本集合中的一个样本，
Figure BDA0002925753710000035
为
Figure BDA0002925753710000036
的预测结果，取
Figure BDA0002925753710000037
中的最大值的索引号即为
Figure BDA0002925753710000038
对应岩性序号，进而得到新的测井的岩性分布。
进一步，在步骤3中，所述生成输入权重向量集合
Figure BDA0002925753710000039
与输入偏置集合
Figure BDA00029257537100000310
时，采用如下方法：
Figure BDA00029257537100000311
其中N(·,·)为高斯分布，
Figure BDA00029257537100000312
为
Figure BDA00029257537100000313
的生成方差，σm为
Figure BDA00029257537100000314
的生成方差,U为1×d的向量且元素全为1。
进一步，所述的生成方差取值如下：
Figure BDA00029257537100000315
且m＝1,2，…，M。
进一步，所涉及的激活函数为：
Figure BDA00029257537100000316
或者
Figure BDA00029257537100000317
其中，x为一个样本，w为一个输入权重向量，b为一个输入偏置。
本发明实施例具有如下有益技术效果：1)模型参数是解析的，因此具有极高的运行效率，2)引入多重中间输出矩阵与自动寻优算法，保证模型具有较高的泛化性能。
附图说明
图1为本发明实施例一种岩性识别方法的流程图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。
如图1所示，为本发明实施例一种岩性识别方法的流程图，步骤如下：
步骤1、构造已有测井数据的标注样本集合：获取已有测井数据，每个深度上的所有测井值组成一个特征向量，即样本，所述测井值包括但不限于自然伽马、自然电位、井径、声波时差、密度、补偿中子、深侧向电阻率及浅侧向电阻率；一个样本表达为x∈Rd×1，其中
Figure BDA0002925753710000041
表示实数域，d为样本维度；已有测井数据构成的样本集合为
Figure BDA0002925753710000042
其中n为该集合的样本总数；为已有测井样本集合标注岩性：为
Figure BDA0002925753710000043
打上岩性标签
Figure BDA0002925753710000044
yi为xi对应的岩性标签，yi∈R1×c为岩性的独热编码，c为岩性种类总数；
Figure BDA0002925753710000045
表示第1之第c种岩性；
步骤2、系统初始化，设置中间层节点数z＞0为一个正整数，设置加权系数
Figure BDA0002925753710000046
其中m＝1，2，…，M且M为加权系数总数；设置模型复杂度系数λ＞0，设置加权平衡系数γ＞0，设置加权调整系数τ＞0，设置最大迭代次数K＞0为一个正整数；
步骤3、生成M个不同的中间权重矩阵Λm∈Rn×z：生成M个不同的输入权重向量集合
Figure BDA0002925753710000047
且
Figure BDA0002925753710000048
与输入偏置集合
Figure BDA0002925753710000049
且bm∈R；进而生成M个不同的中间权重矩阵Λm，方法如下：
Λm＝[αm(x1)；αm(x2)；…；αm(xn)]，
其中，[αm(x1)；αm(x2)；…；αm(xn)]表示将αm(x1),αm(x2),…,αm(xn)垂直组合，αm(x)∈R1×z为样本x对应的第m个中间权重向量，
Figure BDA00029257537100000410
其中φ(·；·,·)为激活函数；
步骤4、计算m＝1,2,…,M时最优输出权重矩阵Ωm∈Rz×c，具体如下：
Figure BDA00029257537100000411
其中，II为适维单位阵，Y＝[y1；y2；…；yn]为标注矩阵；
步骤5、计算m＝1,2,…,M时加权系数
Figure BDA0002925753710000051
具体如下：
步骤501、令i＝1；
步骤502、令j＝i+1；
步骤503、令
Figure BDA0002925753710000052
其中，
Figure BDA0002925753710000053
为F范数；如果Θ＜0，则令θi←0且θj←θi+θj；否则，即Θ＞0，则令θi←Θ且θj←θi+θj-Θ；
步骤504、令j←j+1，如果j≤M，则跳至步骤503，否则跳至步骤505；
步骤505、令i←i+1，如果i≤M-1，则跳至步骤502，否则跳至步骤6；
步骤6、判断是否结束训练，令k←k+1，如果k≤K，则跳至步骤4，否则跳至步骤7；
步骤7、预测新井的岩性，将新的测井数据组成样本集合，计算
Figure BDA0002925753710000054
其中，
Figure BDA0002925753710000055
为新的样本集合中的一个样本，
Figure BDA0002925753710000056
为
Figure BDA0002925753710000057
的预测结果，取
Figure BDA0002925753710000058
中的最大值的索引号即为
Figure BDA0002925753710000059
对应岩性序号，进而得到新的测井的岩性分布。
优选地，在步骤3中，生成输入权重向量集合
Figure BDA00029257537100000510
与输入偏置集合
Figure BDA00029257537100000511
时，采用如下方法：
Figure BDA00029257537100000512
其中N(·，·)为高斯分布，
Figure BDA00029257537100000513
为
Figure BDA00029257537100000514
的生成方差，σm为
Figure BDA00029257537100000515
的生成方差,U为1×d的向量且元素全为1。
优选地，所涉及的生成方差取值如下：
Figure BDA00029257537100000516
且m＝1，2，…，M。
优选地，所涉及的激活函数为：
Figure BDA00029257537100000517
或者
Figure BDA00029257537100000518
其中，x为一个样本，w为一个输入权重向量，b为一个输入偏置。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种岩性识别方法，其特征在于，包括以下步骤：
步骤1、构造已有测井数据的标注样本集合：获取已有测井数据，每个深度上的所有测井值组成一个特征向量，即样本，所述测井值包括但不限于自然伽马、自然电位、井径、声波时差、密度、补偿中子、深侧向电阻率及浅侧向电阻率；一个样本表达为x∈Rd×1，其中R表示实数域，d为样本维度；已有测井数据构成的样本集合为
Figure FDA0002925753700000011
其中n为该集合的样本总数；为已有测井样本集合标注岩性，为
Figure FDA0002925753700000012
打上岩性标签
Figure FDA0002925753700000013
yi为xi对应的岩性标签，yi∈R1×c为岩性的独热编码，c为岩性种类总数；
Figure FDA00029257537000000113
Figure FDA00029257537000000112
表示第1之第c种岩性；
步骤2、系统初始化，设置中间层节点数z＞0为一个正整数，设置加权系数
Figure FDA0002925753700000014
其中m＝1，2，...，M且M为加权系数总数；设置模型复杂度系数λ＞0，设置加权平衡系数γ＞0，设置加权调整系数τ＞0，设置最大迭代次数K＞0为一个正整数；
步骤3、生成M个不同的中间权重矩阵Λm∈Rn×z，生成M个不同的输入权重向量集合
Figure FDA0002925753700000015
且
Figure FDA0002925753700000016
与输入偏置集合
Figure FDA0002925753700000017
且
Figure FDA00029257537000000111
进而生成M个不同的中间权重矩阵Λm，方法如下：
Λm＝[αm(x1)；αm(x2)；...；αm(xn)]，其中，[αm(x1)；αm(x2)；...；αm(xn)]表示将αm(x1)，αm(x2)，...，αm(xn)垂直组合，αm(x)∈R1×z为样本x对应的第m个中间权重向量，
Figure FDA0002925753700000018
其中φ(·；·，·)为激活函数；
步骤4、计算m＝1，2，...，M时最优输出权重矩阵Ωm∈Rz×c，具体如下：
Figure FDA0002925753700000019
其中，
Figure FDA00029257537000000114
为适维单位阵，Y＝[y1；y2；...；yn]为标注矩阵；
步骤5、计算m＝1，2，...，M时加权系数
Figure FDA00029257537000000110
具体如下：
步骤501、令i＝1；
步骤502、令j＝i+1；
步骤503、令
Figure FDA0002925753700000021
其中，
Figure FDA00029257537000000217
为F范数；如果Θ＜0，则令θi←0且θj←θi+θj；否则，即Θ＞0，则令θi←Θ且θj←θi+θj-Θ；
步骤504、令j←j+1，如果j≤M，则跳至步骤503，否则跳至步骤505；
步骤505、令i←i+1，如果i≤M-1，则跳至步骤502，否则跳至步骤6；
步骤6、判断是否结束训练：令k←k+1，如果k≤K，则跳至步骤4，否则跳至步骤7；
步骤7、预测新井的岩性，将新的测井数据组成样本集合，计算
Figure FDA0002925753700000022
其中，
Figure FDA0002925753700000023
为新的样本集合中的一个样本，
Figure FDA0002925753700000024
为
Figure FDA0002925753700000025
的预测结果，取
Figure FDA0002925753700000026
中的最大值的索引号即为
Figure FDA00029257537000000218
对应岩性序号，进而得到新的测井的岩性分布。
2.根据权利要求1所述的一种岩性识别方法，其特征在于，在步骤3中，所述生成输入权重向量集合
Figure FDA0002925753700000027
与输入偏置集合
Figure FDA0002925753700000028
时，采用如下方法：
Figure FDA0002925753700000029
其中
Figure FDA00029257537000000210
为高斯分布，
Figure FDA00029257537000000211
为
Figure FDA00029257537000000212
的生成方差，σm为
Figure FDA00029257537000000213
的生成方差，U为1×d的向量且元素全为1。
3.根据权利要求2所述的一种岩性识别方法，其特征在于，所述的生成方差取值如下：
Figure FDA00029257537000000214
且m＝1，2，...，M。
4.根据权利要求1-3任一项所述的任意一种岩性识别方法，其特征在于，所涉及的激活函数为：
Figure FDA00029257537000000215
或者
Figure FDA00029257537000000216
其中，x为一个样本，w为一个输入权重向量，b为一个输入偏置。
CN202110132186.6A 2021-06-21 2021-06-21 一种岩性识别方法 Active CN115506783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110132186.6A CN115506783B (zh) 2021-06-21 2021-06-21 一种岩性识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110132186.6A CN115506783B (zh) 2021-06-21 2021-06-21 一种岩性识别方法

Publications (2)

Publication Number Publication Date
CN115506783A true CN115506783A (zh) 2022-12-23
CN115506783B CN115506783B (zh) 2024-09-27

Family

ID=84499442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110132186.6A Active CN115506783B (zh) 2021-06-21 2021-06-21 一种岩性识别方法

Country Status (1)

Country Link
CN (1) CN115506783B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0301664D0 (en) * 2003-01-24 2003-02-26 Schlumberger Holdings System and method for inferring geological classes
CN106529667A (zh) * 2016-09-23 2017-03-22 中国石油大学(华东) 一种大数据环境下基于模糊深度学习的测井相识别与分析方法
CN106778921A (zh) * 2017-02-15 2017-05-31 张烜 基于深度学习编码模型的人员再识别方法
GB201805729D0 (en) * 2017-05-19 2018-05-23 Halliburton Energy Services Inc Predictive lithology and formation type for downhole drilling
CN109002927A (zh) * 2018-07-30 2018-12-14 中国石油化工股份有限公司 基于递归神经网络的油田勘探储量预测方法
CN109670539A (zh) * 2018-12-03 2019-04-23 中国石油化工股份有限公司 一种基于测井曲线深度学习的泥砂分层检测方法
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及系统
CN110364141A (zh) * 2019-06-04 2019-10-22 杭州电子科技大学 基于深度单分类器的电梯典型异常声音报警方法
CN110619353A (zh) * 2019-08-22 2019-12-27 中国石油天然气集团有限公司 一种基于深度学习的多尺度测井曲线自动识别方法
CN111062928A (zh) * 2019-12-19 2020-04-24 安徽威奥曼机器人有限公司 一种医学ct图像中病变的识别方法
CN111126297A (zh) * 2019-12-25 2020-05-08 淮南师范学院 一种基于学习者表情的体验分析方法
CN111291841A (zh) * 2020-05-13 2020-06-16 腾讯科技（深圳）有限公司 图像识别模型训练方法、装置、计算机设备和存储介质
CN111428640A (zh) * 2020-03-24 2020-07-17 安徽果力智能科技有限公司 一种基于图像的地点识别方法
CN111428736A (zh) * 2020-03-26 2020-07-17 安徽果力智能科技有限公司 一种面向图像数据的两步式特征提取方法
CN111444838A (zh) * 2020-03-26 2020-07-24 安徽果力智能科技有限公司 一种机器人地面环境感知方法
CN111767674A (zh) * 2020-05-29 2020-10-13 中国科学技术大学 一种基于主动域适应的测井岩性识别方法
CN112001223A (zh) * 2020-07-01 2020-11-27 安徽新知数媒信息科技有限公司 真实环境地图的快速虚拟化构建方法
CN112001222A (zh) * 2020-07-01 2020-11-27 安徽新知数媒信息科技有限公司 一种基于半监督学习的学生表情预测方法
CN112261169A (zh) * 2020-10-16 2021-01-22 重庆理工大学 利用胶囊网络和k-means的DGA域名Botnet识别判断方法
WO2021103977A1 (zh) * 2019-11-30 2021-06-03 华为技术有限公司 神经网络的搜索方法、装置及设备
CN112989708A (zh) * 2021-04-08 2021-06-18 重庆科技学院 一种基于lstm神经网络的测井岩性识别方法及系统

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0301664D0 (en) * 2003-01-24 2003-02-26 Schlumberger Holdings System and method for inferring geological classes
CN106529667A (zh) * 2016-09-23 2017-03-22 中国石油大学(华东) 一种大数据环境下基于模糊深度学习的测井相识别与分析方法
CN106778921A (zh) * 2017-02-15 2017-05-31 张烜 基于深度学习编码模型的人员再识别方法
GB201805729D0 (en) * 2017-05-19 2018-05-23 Halliburton Energy Services Inc Predictive lithology and formation type for downhole drilling
CN109002927A (zh) * 2018-07-30 2018-12-14 中国石油化工股份有限公司 基于递归神经网络的油田勘探储量预测方法
CN109670539A (zh) * 2018-12-03 2019-04-23 中国石油化工股份有限公司 一种基于测井曲线深度学习的泥砂分层检测方法
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及系统
CN110364141A (zh) * 2019-06-04 2019-10-22 杭州电子科技大学 基于深度单分类器的电梯典型异常声音报警方法
CN110619353A (zh) * 2019-08-22 2019-12-27 中国石油天然气集团有限公司 一种基于深度学习的多尺度测井曲线自动识别方法
WO2021103977A1 (zh) * 2019-11-30 2021-06-03 华为技术有限公司 神经网络的搜索方法、装置及设备
CN111062928A (zh) * 2019-12-19 2020-04-24 安徽威奥曼机器人有限公司 一种医学ct图像中病变的识别方法
CN111126297A (zh) * 2019-12-25 2020-05-08 淮南师范学院 一种基于学习者表情的体验分析方法
CN111428640A (zh) * 2020-03-24 2020-07-17 安徽果力智能科技有限公司 一种基于图像的地点识别方法
CN111428736A (zh) * 2020-03-26 2020-07-17 安徽果力智能科技有限公司 一种面向图像数据的两步式特征提取方法
CN111444838A (zh) * 2020-03-26 2020-07-24 安徽果力智能科技有限公司 一种机器人地面环境感知方法
CN111291841A (zh) * 2020-05-13 2020-06-16 腾讯科技（深圳）有限公司 图像识别模型训练方法、装置、计算机设备和存储介质
CN111767674A (zh) * 2020-05-29 2020-10-13 中国科学技术大学 一种基于主动域适应的测井岩性识别方法
CN112001223A (zh) * 2020-07-01 2020-11-27 安徽新知数媒信息科技有限公司 真实环境地图的快速虚拟化构建方法
CN112001222A (zh) * 2020-07-01 2020-11-27 安徽新知数媒信息科技有限公司 一种基于半监督学习的学生表情预测方法
CN112261169A (zh) * 2020-10-16 2021-01-22 重庆理工大学 利用胶囊网络和k-means的DGA域名Botnet识别判断方法
CN112989708A (zh) * 2021-04-08 2021-06-18 重庆科技学院 一种基于lstm神经网络的测井岩性识别方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHANG, JI ET AL.: "Unsupervised domain adaptation using maximum mean discrepancy optimization for lithology identification", 《GEOPHYSICS》, 18 February 2021 (2021-02-18), pages 19 - 30 *
LIU, HAINING ET AL.: "Well Logging Based Lithology Identification Model Establishment Under Data Drift: A Transfer Learning Method", 《SENSORS》, 30 June 2020 (2020-06-30), pages 1 - 17 *
朱启勋等: "采用深度学习的文本序列分析方法及其情感推演研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 July 2020 (2020-07-15), pages 1 - 64 *
毕丽飞等: "基于标签传播的岩性预测半监督学习算法研究", 《地球物理学进展》, 30 April 2021 (2021-04-30), pages 540 - 548 *
王强等: "多视图机器学习分类及聚类算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 February 2020 (2020-02-15), pages 1 - 132 *
路成辉等: "异构机器学习集成在测井曲线复原和岩性识别中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 March 2021 (2021-03-15), pages 1 - 62 *
郝娇平等: "基于超限学习机的改进算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 February 2018 (2018-02-15), pages 1 - 62 *

Also Published As

Publication number Publication date
CN115506783B (zh) 2024-09-27

Similar Documents

Publication Publication Date Title
CN112989708B (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
Huang et al. An integrated neural-fuzzy-genetic-algorithm using hyper-surface membership functions to predict permeability in petroleum reservoirs
CN112836802B (zh) 一种半监督学习方法、岩性预测方法及存储介质
US7280987B2 (en) Genetic algorithm based selection of neural network ensemble for processing well logging data
Long et al. Pseudo density log generation using artificial neural network
Brazell et al. A machine-learning-based approach to assistive well-log correlation
CN110083125B (zh) 一种基于深度学习的机床热误差建模方法
CN109800954B (zh) 基于测井数据的储层评价方法
CN112633328A (zh) 一种基于深度学习的致密油藏改造效果评价方法
CN107528824B (zh) 一种基于二维度稀疏化的深度信念网络入侵检测方法
CN113240201B (zh) 一种基于gmm-dnn混合模型预测船舶主机功率方法
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN111027249B (zh) 一种基于机器学习的井间连通性评价方法
CN113947198A (zh) 一种基于非线性自回归神经网络模型的测井曲线重构方法
CN115620068A (zh) 一种深度学习模式下的岩石岩性自动识别分类方法
CN113780346B (zh) 一种先验约束分类器调整方法、系统及可读存储介质
Chang et al. SegLog: Geophysical logging segmentation network for lithofacies identification
Noh et al. Explainable deep learning for supervised seismic facies classification using intrinsic method
CN112926251B (zh) 一种基于机器学习的滑坡位移高精度预测方法
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
CN115506783B (zh) 一种岩性识别方法
Sarkar et al. Machine learning approach to mineral deposit grade modelling
CN115204277A (zh) 一种基于多阈值量化输出观测的渐近最优岩性预测方法
CN113608258A (zh) 一种构建高分辨率波阻抗反演标签的自洽深度学习方法
CN112085109A (zh) 基于主动学习的相控孔隙度预测方法

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