CN115598697A - 薄层结构高分辨率地震反演方法、装置、介质和设备 - Google Patents
薄层结构高分辨率地震反演方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN115598697A CN115598697A CN202211343164.5A CN202211343164A CN115598697A CN 115598697 A CN115598697 A CN 115598697A CN 202211343164 A CN202211343164 A CN 202211343164A CN 115598697 A CN115598697 A CN 115598697A
- Authority
- CN
- China
- Prior art keywords
- seismic
- neural network
- inversion
- thin
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 239000004576 sand Substances 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000010200 validation analysis Methods 0.000 claims abstract description 8
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping 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
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01V1/28—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
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
本发明涉及一种薄层结构高分辨率地震反演方法、装置、介质和设备，所述方法包括步骤：构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；将所述地震道s与阻抗数据z构成训练数据，制作训练集{s,z}T和验证集{s,z}V；训练集进行训练得到神经网络模型，用所述验证集对所述神经网络模型进行验证；采用所述神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束模型驱动反演过程。
Description
技术领域
本发明涉及一种薄层结构高分辨率地震反演方法、装置、介质和设备，属于油气地球物理勘探反演技术领域。
背景技术
目前，随着国内油田大多已进入勘探开发的中后期，目标储层越来越多的集中于薄互层砂体及岩性储集体，虽然这些油藏的勘探难度较大，但其储藏的油气资源十分丰富，勘探开发前景广阔。地震反演作为油气勘探开发阶段储层预测的重要技术手段，其在描述地下储层空间分布，刻画砂体空间结构，预测储层物性参数等方面发挥着不可替代的作用，而传统地震反演方法有限的分辨能力严重限制了该技术在薄层结构预测领域的应用。因此，发展面向薄层及薄互层储层的高分辨率储层反演方法，对于进入开发中后期的油田在薄储层预测及井位部署方面具有非常重要的现实意义。
针对这类油藏开展的地震资料处理往往集中在两个方面，一是通过提高地震资料的分辨率来直接表征储层，二是通过反演来识别砂体的空间展布形态。传统的阻抗反演方法依赖于初始模型，对于薄互层这类受严重干涉效应影响的储集层来说，难以建立满足反演要求的、相对准确的初始模型。其反演结果的分辨率受限于地震频带，无法满足勘探对于分辨率的需求，基于反演结果开展的砂体展布形态及空间结构的刻画也十分有限。近年来，基于统计学理论开展的地震反演突破了地震频带的限制，相比于确定性反演方法，进一步提高了反演结果的分辨率，但其同样受限于初始地质模型。
随着机器学习技术在地震资料处理和解释领域的成功应用和发展，许多学者开始研究基于数据驱动的薄层结构表征。得益于其强大的非线性映射能力，反演结果的分辨率大幅提升。然而，没有明确的物理含义，不具备物理可解释性，迁移泛化能力弱，严重依赖于标签等问题使得单一数据驱动的阻抗反演技术发展受限。
发明内容
针对上述问题，本发明的目的是提供一种薄层结构高分辨率地震反演方法、装置、介质和设备，以大幅度提高地震反演结果表征薄层结构的能力，提高薄层油气藏预测和描述的精度。
为实现上述目的，本发明采取以下技术方案：
第一方面，本发明提供一种薄层结构高分辨率地震反演方法，包括步骤：
构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；
将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；
将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。
所述神经网络模型的构建构成包括：
采用地震道s与阻抗数据构成训练数据，制作训练集{s,z}T和验证集{s,z}V；
所述训练集{s,z}T进行训练得到神经网络模型，用所述验证集{s,z}V对所述神经网络模型进行验证。
优选所述训练数据的70％作为训练集，30％作为验证集。
所述的薄层结构高分辨率地震反演方法还包括步骤：
保存所述神经网络模型的网络架构和节点权重；
基于实际地震数据开展阻抗反演应用分析，检测迁移泛化能力以及实用性。
所述神经网络模型为ConvLSTM神经网络模型。
所述采用所述神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列，具体计算公式为：
式中，
为所述神经网络模型给出的预测阻抗，
为相应的反射系数，i代表某一沉积地层。
所述将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程的目标函数为：
式中，
为所述神经网络模型给出的预测阻抗，
为相应的反射系数，G是已知的正演子波矩阵，μ是正则化参数，用于平衡数据驱动和模型约束，调整反演效果。
第二方面，本发明还提供一种薄层结构高分辨率地震反演装置，包括：
第一处理单元，用于构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；
第二处理单元，用于将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；
第三处理单元，用于将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。
第三方面，本发明还提供一种计算机可读存储介质，储有计算机指令，所述计算机指令用于被处理器执行时实现所述的薄层结构高分辨率地震反演方法。
第四方面，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的薄层结构高分辨率地震反演方法。
本发明由于采取以上技术方案，其具有以下优点：
联合驱动的高分辨率地震阻抗反演方法，结合数据驱动大幅提高分辨率及模型约束提高反演精度的优势开展薄互层砂体空间结构表征试验分析，与单一数据驱动反演技术相比，联合驱动在提高反演结果分辨率的同时，提供了更为准确的砂体刻画结果，砂体的横向展布和分布范围刻画准确。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。
在附图中：
图1为本发明所述的一种联合驱动的高分辨率阻抗反演方法实施流程图；
图2为本发明所述的联合驱动实施流程图；
图3为本发明所述的简单薄互层地质模型；
图4为本发明所述的简单薄互层地质模型对应的合成地震记录；
图5a为本发明基于数据驱动的简单薄互层模型阻抗反演结果；
图5b为本发明基于联合驱动的简单薄互层模型阻抗反演结果；
图6为本发明所述的ConvLSTM神经网络模型的学习曲线；
图7为本发明所述的实际地震资料；
图8a为本发明基于数据驱动的地震资料阻抗反演结果；
图8b为本发明基于联合驱动的地震资料阻抗反演结果。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明的实施例提供了一种薄层结构高分辨率地震反演方法，包括步骤：构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；将所述地震道s与阻抗数据z构成训练数据，制作训练集{s,z}T和验证集{s,z}V；训练集进行训练得到神经网络模型，用所述验证集对所述神经网络模型进行验证；采用所述神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束模型驱动反演过程。
实施例1：
本发明的实施例1提供了一种薄层结构高分辨率地震反演方法，包括步骤：
步骤1：构建简单薄互层砂体模型，正演合成地震记录，选取地震道:和相应的阻抗标签制作训练数据；
所述构建简单薄互层砂体模型，如图3所示，简单薄互层砂体模型包括300个地震道，采样长度0.25s，采样间隔0.5ms，砂体的时间厚度约为2.5-5ms，包括透镜体、砂体尖灭等地质构造，砂岩速度3800m/s，背景泥岩速度3600m/s。以该模型为基础，开展联合驱动的高分辨率地震阻抗反演。本发明的具体实施流程如图1和图2所示。
将此薄互层砂体阻抗模型与15Hz主频的雷克子波褶积，得到正演合成地震记录，如图4所示；
步骤2：将所述地震道s与阻抗数据z构成训练数据，制作训练集{s,z}T和验证集{s,z}V；
抽取第30，90，150，210，270地震道，与相应的阻抗数据构成训练数据，按照70％：30％的比例划分制作训练集{s,z}T和验证集{s,z}V；
步骤3：将训练集进行训练得到神经网络模型，用所述验证集对所述神经网络模型进行验证；
ConvLSTM神经网络模型不仅具有长短期记忆(Long Short-Term Memory,LSTM)网络的时序建模能力，同时可以像卷积神经网络(Convolutional Neural Network,CNN)一样提取数据的局部特征，兼具时空特性，可以充分挖掘标签数据中的隐含信息，结合地震数据的时空特征对地下结构进行表征。
网络的基本架构参数包括：网络层数，每层的神经元个数，卷积核的大小，时间步长，学习率，训练次数等。选择均方误差(Mean Squared Error,MSE)作为损失函数训练神经网络，根据网络在验证集上的误差表现确定最佳的网络架构和超参数。基于训练好的ConvLSTM网络开展简单薄互层砂体模型阻抗反演试验，单一数据驱动的试验结果如图5a所示。
步骤4：采用所述神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列，计算公式为；
步骤5：将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束模型驱动反演过程，计算公式为：
式(1)和(2)中，
为ConvLSTM网络给出的预测阻抗，
为相应的反射系数，G是已知的正演子波矩阵，μ是正则化参数，用于平衡数据驱动和模型约束，调整反演效果。
在单一数据驱动的基础上引入模型约束以提高反演精度。已知正演子波矩阵，由预测阻抗计算得到的反射系数序列与子波褶积生成的地震记录与输入地震道集构成误差项，约束数据驱动的预测效果，保证单一数据驱动的预测结果在可接受的范围内而不会出现大的偏差。此时，数据驱动起到了类似反演算子的作用。在网络结构已经确定的前提下，通过反演效果调整正则化参数μ，平衡数据驱动和模型约束，在大幅提高反演分辨率的同时保证反演结果的可靠性和有效性。联合驱动的高分辨率阻抗反演结果如图5b所示。
步骤6：步骤4：保存网络架构、节点权重和其他超参数；
ConvLSTM网络模型的训练过程稳定高效，训练集和验证集的误差没有随长时间训练而增长，表明网络没有出现过拟合等问题，ConvLSTM网络模型的学习曲线如图6所示。将网络的节点权重和超参数进行保存，便于后续开展迁移学习等复杂场景的应用。
步骤7：基于实际地震数据开展阻抗反演应用分析，进一步检测该方法的迁移泛化能力以及实用性。
简单薄互层砂体模型阻抗反演实验的实验结果表明，联合驱动的反演效果明显优于单一数据驱动，对于砂体空间结构和横向展布的刻画更加清晰明了，各透镜体边界清晰，分布范围准确。
为进一步考量本发明的适用性和迁移泛化能力，选用东部某油田实际地震资料(如图7所示)开展阻抗反演试验分析。目标区块的主要目的层埋深较浅，深度约为1100-1500m。以河道沉积为主，早期处于丰水期，以冲击扇-辫状河沉积为主，砂体的分布范围广、沉积厚度大；晚期远离物源，沉积厚度逐渐减小，以曲流河沉积为主。对地震资料进行频谱分析，其主频低，高频信号衰减迅速。基于地震数据表征非均质性较强的薄砂泥岩互层结构的能力十分有限。因此，开展单一数据驱动和联合驱动的阻抗反演应用分析，一是通过反演提高分辨率，二是依赖数据驱动恢复高频，基于反演结果表征砂体的空间形态和横向展布。
通过对比分析单一数据驱动和联合驱动的复杂薄互层阻抗反演结果(如图8a和图8b所示)。可以得出以下结论：单一数据驱动的阻抗反演可以大幅提升反演结果的分辨率，但其反演结果的横向连续性较差，对砂体的横向展布和分布范围刻画能力有限。联合驱动的阻抗反演方法在提高分辨率的同时，提供了更为精确的反演结果，更好的描述了薄层砂体的空间结构，增强了基于地震数据的储层结构表征能力，为后续的物性分析提供了良好的数据条件和先验认识。
作为第二实施例，本发明还提供了一种薄层结构高分辨率地震反演装置，包括：
第一处理单元，用于构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；
第二处理单元，用于将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；
第三处理单元，用于将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。
作为第三实施例，本发明还提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令用于被处理器执行时实现所述的薄层结构高分辨率地震反演方法。
作为第四实施例，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的薄层结构高分辨率地震反演方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种薄层结构高分辨率地震反演方法，其特征在于，包括步骤：
构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；
将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；
将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。
2.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，所述神经网络模型的构建构成包括：
采用地震道s与阻抗数据构成训练数据，制作训练集{s,z}T和验证集{s,z}V；
所述训练集{s,z}T进行训练得到神经网络模型，用所述验证集{s,z}V对所述神经网络模型进行验证。
3.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，所述训练数据的70％作为训练集，30％作为验证集。
4.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，还包括步骤：
保存所述神经网络模型的网络架构和节点权重；
基于实际地震数据开展阻抗反演应用分析，检测迁移泛化能力以及实用性。
5.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，所述神经网络模型为ConvLSTM神经网络模型。
6.根据权利要求1所述的薄层结构高分辨率地震反演方法，其特征在于，采用所述神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列，具体计算公式为：
式中，
为所述神经网络模型给出的预测阻抗，
为相应的反射系数，i代表某一沉积地层。
7.根据权利要求6所述的薄层结构高分辨率地震反演方法，其特征在于，所述将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程的目标函数为：
式中，
为所述神经网络模型给出的预测阻抗，
为相应的反射系数，G是已知的正演子波矩阵，μ是正则化参数，用于平衡数据驱动和模型约束，调整反演效果。
8.一种薄层结构高分辨率地震反演装置，其特征在于，包括：
第一处理单元，用于构建薄互层砂体模型，基于所述薄互层砂体模型正演合成地震记录，得到地震道s；
第二处理单元，用于将井地震道s采用预先构建的神经网络模型得到预测阻抗，将预测阻抗转换为反射系数序列；
第三处理单元，用于将所述反射系数序列同正演子波褶积生成地震记录，将生成地震纪录与输入的地震道集构成监督项约束神经网络模型驱动反演过程。
9.一种计算机可读存储介质，其特征在于，存储有计算机指令，所述计算机指令用于被处理器执行时实现如权利要求1～7中任一项所述的薄层结构高分辨率地震反演方法。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任一项所述的薄层结构高分辨率地震反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211343164.5A CN115598697A (zh) | 2022-10-31 | 2022-10-31 | 薄层结构高分辨率地震反演方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211343164.5A CN115598697A (zh) | 2022-10-31 | 2022-10-31 | 薄层结构高分辨率地震反演方法、装置、介质和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115598697A true CN115598697A (zh) | 2023-01-13 |
Family
ID=84850092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211343164.5A Pending CN115598697A (zh) | 2022-10-31 | 2022-10-31 | 薄层结构高分辨率地震反演方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115598697A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115877454A (zh) * | 2023-02-24 | 2023-03-31 | 天津花栗鼠软件科技有限公司 | 地震反演数据、高分辨率地震数据的生成方法及装置 |
| CN116430448A (zh) * | 2023-02-28 | 2023-07-14 | 中国科学院地质与地球物理研究所 | 地震数据的反演方法、装置及电子设备 |
-
2022
- 2022-10-31 CN CN202211343164.5A patent/CN115598697A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115877454A (zh) * | 2023-02-24 | 2023-03-31 | 天津花栗鼠软件科技有限公司 | 地震反演数据、高分辨率地震数据的生成方法及装置 |
| CN115877454B (zh) * | 2023-02-24 | 2023-05-12 | 天津花栗鼠软件科技有限公司 | 地震反演数据、高分辨率地震数据的生成方法及装置 |
| CN116430448A (zh) * | 2023-02-28 | 2023-07-14 | 中国科学院地质与地球物理研究所 | 地震数据的反演方法、装置及电子设备 |
| CN116430448B (zh) * | 2023-02-28 | 2023-11-17 | 中国科学院地质与地球物理研究所 | 地震数据的反演方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Biswas et al. | Prestack and poststack inversion using a physics-guided convolutional neural network | |
| CN115598697A (zh) | 薄层结构高分辨率地震反演方法、装置、介质和设备 | |
| Wang et al. | On a new method of estimating shear wave velocity from conventional well logs | |
| CN106405651B (zh) | 一种基于测井匹配的全波形反演初始速度模型构建方法 | |
| 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 | |
| Duan et al. | Seismic facies analysis based on deep convolutional embedded clustering | |
| Wang et al. | Seismic velocity inversion transformer | |
| CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
| Su-Mei et al. | Incremental semi-supervised learning for intelligent seismic facies identification | |
| Li et al. | Self-supervised pre-training vision transformer with masked autoencoders for building subsurface model | |
| CN110780341B (zh) | 一种各向异性地震成像方法 | |
| Ren et al. | Seismic data inversion with acquisition adaptive convolutional neural network for geologic forward prospecting in tunnels | |
| Ge et al. | High-resolution seismic impedance inversion integrating the closed-loop convolutional neural network and geostatistics: an application to the thin interbedded reservoir | |
| Yu et al. | Continuous wavelet transform and dynamic time warping-based fine division and correlation of glutenite sedimentary cycles | |
| Cheng et al. | Multiscale recurrent-guided denoising network for distributed acoustic sensing-vertical seismic profile background noise attenuation | |
| CN113325480A (zh) | 一种基于集成深度学习的地震岩性识别方法 | |
| CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
| Wu et al. | An unsupervised inversion method for seismic brittleness parameters driven by the physical equation | |
| CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
| CN113253350B (zh) | 一种基于联合字典的孔隙度反演方法 | |
| Dixit et al. | Genetic-evolutionary adaptive moment estimation-based semisupervised deep sequential convolution network for seismic impedance inversion: Application and uncertainty analysis | |
| CN113820741B (zh) | 一种基于深度学习的地震反演初始模型构建方法 | |
| Niyazi et al. | Machine learning delineation of buried igneous features from the offshore Otway Basin in southeast Australia | |
| Wang et al. | Application of deep learning in first-break picking of shallow OBN data | |
| 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 |
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 |