CN115659848B - 一种基于深度学习网络快速预测二维盆地基底界面的方法 - Google Patents
一种基于深度学习网络快速预测二维盆地基底界面的方法 Download PDFInfo
- Publication number
- CN115659848B CN115659848B CN202211587245.XA CN202211587245A CN115659848B CN 115659848 B CN115659848 B CN 115659848B CN 202211587245 A CN202211587245 A CN 202211587245A CN 115659848 B CN115659848 B CN 115659848B
- Authority
- CN
- China
- Prior art keywords
- density
- model
- interface
- basin
- module
- 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
Images
Classifications
-
- 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
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于深度学习网络快速预测二维盆地基底界面的方法,包括,获取盆地的实测地震重力数据及地震测井约束数据,在所述地震测井约束数据的约束下,根据实测地震重力数据构建初始密度界面母模型,并基于初始密度界面母模型,生成训练数据,其中训练数据包括:高分辨密度界面模型训练集、重力数据训练集及偏移密度界面模型训练集;构建深度学习模型并获取盆地密度偏移模型,通过训练数据对深度学习模型进行训练,获取盆地密度偏移模型,通过训练好的深度学习模型对盆地密度偏移模型进行处理,得到二维盆地基底界面密度精细模型。
Description
技术领域
本发明涉及地球物理反演成像技术领域,特别涉及一种基于深度学习网络快速预测二维盆地基底界面的方法。
背景技术
针对地球物理反演成像的相关技术包括:正则化反演成像、重力偏移成像、机器学习,针对上述技术内容进行如下说明:
1.正则化反演成像研究现状:(1)蒙特卡罗反演方法是一种基于随机理论的反演方法,主要涉及的方法有随机搜索法、模拟退火法和遗传算法。(2)Tikhonov等 (1977)在“梯度最优化”框架下,提出将正则化的理念引入常规反演。(3)在地质先验信息约束的基础上,地球物理学家通过进一步对正则化部分密度参数进行合理有效的数学变换来突出模型参数边界变化率,进一步提高了反演成像的精度。然而,正则化求解结果往往比较模糊,如何利用包含了丰富地质意义的地球物理数据(地震、测井等)作为约束,在提升密度界面成像分辨率等问题上继续开展理论和方法研究。
2.重力偏移成像研究现状:(1)Zhdanov(2002)提出重力一次偏移成像算法,该算法具有运算稳定、快速且完全不依赖先验模型等特点。(2)为进一步改善对地下异常密度分布成像质量,部分学者鉴于其成像结果分辨率较低的缺点,提出了迭代偏移成像技术。(3)Xu等(2021)进一步将迭代偏移结果作为先验模型代入到正则反演中,取得了良好的效果。然而,受类似重力延拓理论方法的约束,虽然一次偏移成像是稳健的,但借鉴反演思想的迭代偏移成像又存在不稳健性隐患。因此,如何利用低分辨率、稳定的一次偏移成像结果来构建高分辨率的密度模型还需要开展更为深入的研究。
3.机器学习在重力反演中的应用现状:近年来,机器学习在语音识别、视觉识别、目标检测等领域取得了突破性成果并得到了广泛的应用,地球物理学家也尝试将机器学习(1)非监督机器学习方法引入地球物理学中。(2)部分学者利用多层感知机(浅层学习)的反向传播算法可以让人工神经网络从大量训练样本中进行学习,并基于实测数据进行预测。(3)与浅层神经网络相比,“深度学习”具有更强的表征复杂函数和拟合复杂函数的能力。其在反演成像方面也暂露出一定的成效。然而由于受传统重力训练集和训练方式形式单一的限制,致使深度学习优化过程的稳定性和鲁棒性不足,无法确定深度模型本身引起的系统不确定对重构密度界面结果的影响。实测重力数据包含了丰富的地质意义,若能通过实测数据自动构建更合理的训练集,并改进深度学习方式,可能是提升深度学习优化过程的稳定性和可鲁棒性的关键。
综上,由于现有技术存在上述问题,进而无法解决传统正则化对地质先验信息的依赖性过大和深度学习模型本身的稳健性受训练集输入和输出方式影响较大的问题,进而无法对二维盆地基底界面进行有效预测。
发明内容
为解决上述现有技术中所存在的问题,本发明提供一种基于深度学习网络快速预测二维盆地基底界面的方法,能够为精准高效的地球物理勘探提供理论和技术方法支撑。
为实现上述技术目的,本发明提供如下技术方案:
一种基于深度学习网络快速预测二维盆地基底界面的方法,包括:
获取盆地多源多尺度的实测地震重力数据及地震测井约束数据,在所述地震测井约束数据的约束下,根据实测地震、测井和重力数据构建初始密度界面母模型,并基于初始密度界面母模型,生成训练数据,其中训练数据包括:高分辨密度界面模型训练集、重力数据训练集及偏移密度界面模型训练集;
构建深度学习模型并获取盆地密度偏移模型,通过训练数据对深度学习模型进行优化,获取基底界面预测网络,通过基底界面预测网络对盆地密度偏移模型进行处理,得到二维盆地基底界面密度精细模型。
可选的,根据实测地震重力数据,通过布格平板模型构建初始密度界面母模型。
可选的,生成训练数据的过程包括:
基于初始密度界面母模型生成扰动盆地界面模型集,通过地震测井约束数据约束叠后叠前地震反演,生成盆地基底母界面以及上覆地层的密度母界面,对扰动盆地基底母界面及上覆地层的密度母界面进行叠加,并通过使用高等函数填充上覆地层的密度母界面,形成高分辨率密度界面模型训练集,并对高分辨率密度界面模型训练集进行正演运算,得到重力数据训练集;基于重力数据训练集计算得到偏移密度界面模型训练集。
可选的,生成扰动盆地界面模型集的过程包括:通过基于概率分布的随机变换方法进行随机变换,生成密度界面扰动,对初始密度界面母模型与密度界面扰动进行哈达玛积运算,得到扰动盆地界面模型集。
可选的,生成盆地基底界面上覆地层的密度母界面的过程包括:构建高精度密度反演方程,基于地震测井约束数据及高精度密度反演方程构建密度低频模型,对所述密度低频模型进行迭代反演得到盆地界面上覆地层的密度界面。
可选的,生成偏移密度界面模型训练集的过程包括:基于偏移伴随算子对重力数据训练集进行偏移成像计算,得到偏移重力场,对偏移重力场进行深度加权运算,得到偏移密度界面模型训练集。
可选的,所述基底界面预测网络为ResUnet网络模型。
可选的,所述基底界面预测网络采用端到端结构,其中包括依次连接的编码器及解码器,其中所述编码器包括依次连接的输入模块、第一卷积模块、第二卷积模块、第三卷积模块,其中输入模块包括依次连接的输入层、全卷积层及恒等块;所述第一卷积模块、第二卷积模块及第三卷积模块均包括依次连接的最大池化层、全卷积层及恒等块;所述解码器包括依次连接的第一上采样模块、第二上采样模块、第三上采样模块及输出层、其中第一上采样模块、第二上采样模块、第三上采样模块均包括依次连接的上采样层、全卷积层及恒等块;所述输入模块与所述第三上采样模块跳跃连接、所述第一卷积模块与所述第二上采样模块跳跃连接、所述第二卷积模块与所述第一上采样模块跳跃连接。所述恒等块均与上一模块的输出连接。
本发明具有如下技术效果:
通过上述技术方案,本发明面对地球物理深度学习优化过程稳定性和鲁棒性不足的技术难题,开展基于目标区域内多源多尺度综合物探资料分析技术研究,创新构建多参数多尺度约束下的大数据训练集;研究采用基于偏移成像约束的深度学习筛选先验地质信息建模技术,以提升成像结果的分辨率和系统的稳健性,为精准高效的地球物理勘探提供理论和技术方法支撑。
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为本发明实施例提供的方法流程示意图;
图2为本发明实施例提供的盆地重力训练集生层流程示意图;
图3为本发明实施例提供的ResUnet网络模型结构示意图。
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。
面对地球物理深度学习优化过程稳定性和鲁棒性不足的技术难题,本发明开展基于目标区域内多源多尺度综合物探资料分析技术研究,创新构建多参数多尺度约束下的大数据训练集;本发明采用基于偏移成像约束的深度学习筛选先验地质信息建模技术,为精准高效的地球物理勘探提供理论和技术方法支撑。
如图1所示,本发明吸取偏移成像不依赖先验模型且成像收敛稳定,深度学习成像结果分辨率高的优点,通过对深度学习方式的改进,将偏移成像、改进后的深度学习相融合,以提升成像结果的分辨率和系统的稳健性。
研究方法与关键技术
结合本发明的主要研究内容和拟解决的关键科学问题,本发明的主要利用目标地区多源异构物探数据(地震、测井和重力)有针对性的构建模型训练集,并在此基础上额外增补一类偏移模型训练集,为后续的端到端自适应深度学习提供数据支撑。其次,通过探索深度学习新的输入方式以及学习模式,加强了学习过程的稳定性和可鲁棒性。具体步骤如下:
(1)多元异构数据约束下大数据训练集构建方法
首先利用首先结合目标区域叠后地震数据提取断层、层位信息,再利用断层、层位数据构建地层格架,最后将密度测井数据沿地层格架外推并滤除高频成分,获得三维初始密度界面母模型,再在初始模型的基础上随机生成扰动密度界面;利用先验信息约束叠后叠前地震反演获得盆地界面上覆地层二维空间展布即二维密度剖面;再通过和扰动密度母界面和初始上覆地层二维密度剖面进行叠加,并通过使用高等函数填充上覆各层地层层二维密度剖面的密度,形成最终高分辨率密度界面模型训练集;最后计算出与之对应的重力数据训练集和相应的偏移密度界面模型训练集,如图2所示,具体步骤如下:
1.构建初始密度界面母模型:本发明在目标区域地震和测井资料的约束下,将根据目标区域盆地实测重力数据,拟通过Bouguer slab模型来构建初始密度界面模型,
2.扰动密度界面: 使用基于概率分布的多种随机变换方法产生多套密度界面扰动,将初始界面模型和随机界面扰动模型之间做哈达玛积运算,快速生成密度界面模型集。
3.生成高分辨率密度界面模型训练集和重力数据训练集: 使用井约束叠后叠前地震反演,获得盆地界面上覆地层二维空间展布(包括:推导反射系数近似式,构建高精度密度反演方程,结合井约束建立密度低频模型,采用迭代反演方法得到二维密度剖面)再通过和扰动密度母界面和初始上覆地层密度母界面进行叠加,并通过使用高等函数填充上覆各层地层密度母界面的密度填充上覆地层密度,最终生成高分辨率盆地密度界面模型,进而得到相对应的观测面重力数据集。
4.获取低分辨率偏移密度界面模型训练集:通过将偏移伴随算子直接应用于重力数据训练集得到偏移重力场,再进一步通过深度加权,最后快速得到密度偏移成像训练集。
(2)研究多参数多尺度约束下的大数据训练构建方法
结合Resnet 网络残差学习和U-Net 多尺度特征融合优势,本文设计如图3所示ResUnet网络模型。网络模型包括Encoding 层和Decoding 层(图3)。该深度学习模型通过上述训练集进行优化,生成基底界面预测网络,所述基底界面预测网络采用端到端结构,其中包括依次连接的码器及解码器,其中所述编码器包括依次连接的输入模块、第一卷积模块、第二卷积模块、第三卷积模块,其中输入模块包括依次连接的输入层、全卷积层及恒等块;所述第一卷积模块、第二卷积模块及第三卷积模块均包括依次连接的最大池化层、全卷积层及恒等块;所述解码器包括依次连接的第一上采样模块、第二上采样模块、第三上采样模块及输出层、其中第一上采样模块、第二上采样模块、第三上采样模块均包括依次连接的上采样层、全卷积层及恒等块;所述输入模块与所述第三上采样模块跳跃连接、所述第一卷积模块与所述第二上采样模块跳跃连接、所述第二卷积模块与所述第一上采样模块跳跃连接。所述恒等块均与上一模块的输出连接。
在编码层中,每一个卷积阶段都包含卷积残差块和恒等块等模块。其中前一层的输出以两种形式对重力偏移密度模型特征进行提取。第一种形式称为跳跃连接,其中卷积残差块通过三个卷积层,通过Hadamard 运算实现卷积核 (3 × 3) 和重力偏移密度特征矩阵乘积,实现对重力偏移密度特征的进一步提取。我们选择步长为 1 以提高对重力偏移密度特征提取效率。恒等块负责在卷积之前通过图 3中标记为蓝色弧线的曲线路径取出复杂度输入的一部分,并将这些与后续卷积残差块提取的特征相加,然后触发 ReLu激活函数。此外,为了抑制提取的特征图中的冗余信息并压缩特征的维度,我们使用 2 × 2 × 2最大池化块来保持平移和拉伸不变性,以进一步向下传递有效重力偏移密度模型输出。
激活函数对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。在神经元中,输入通过加权和求和后经过激活函数的作用后输出。引入激活函数是为了增加神经网络模型的非线性。本发明使用的ReLu激活函数的公式:
在解码层中,每一阶段包含上采样扩大重力偏移密度特征图尺寸与左侧解码路径的重力偏移密度特征图融合。 每一步由一个 2 × 2 × 2 的上采样块、卷积残差块和恒等块组成,其功能是将提取的重力偏移密度模型特征转换回残差密度模型的物理属性值。考虑到编码阶段的池化操作可能会逐渐丢失重力图像细节, 因此,沿着编码阶段提取的高阶重力偏移密度特征图与通过上采样响应放大的低阶重力偏移密度特征图通过跳跃连接合成包含空间信息的融合重力偏移密度特征传播至下一层. 跳跃连接允许堆叠更深的网络,同时避免降级问题,确保网络效率并提高网络性能。 与编码部分相比,解码层用于补偿细节信息,可以更好地保留原始特征,同时达到很好的去噪效果。
在ResUnet网络模型中,输入的重力数据由第一层的神经元接收,然后将其传输
到隐藏层的神经元。确定输出层节点总数的标准是基于二维地下空间中的标记方式,其中
沉积盆地被平均划分为多个平行的垂直矩形。对于第 个训练集,输入层对应101个观测
布格重力异常数据点,,输出层代表 100 个盆地深度信息
作为输出向量,通过包含在四个隐藏层中 68,719,476,736
个神经元构建输入训练特征和输出训练标签深度 z 之间的非线性映射关系。
其中是第个训练标签的第 k 维的真实值,即对应基底模型的真实深度
信息。是基于第个训练模型集的第 k 维的深度信息的预测值。对于任何特定的训
练样本,我们通常采用从输出层到输入层逐层推导的策略来获得每层权重的扰动值。
详细推导如下
所以,方程A-3 可以重写为:
(A-5)
令
类似地,偏差的梯度可以表示为:
根据链导数法,对于隐藏层 L-1 层:
类似地,偏差的梯度可以表示为:
总而言之,通过跳跃连接实现高阶特征与低阶重力偏移密度特征不同程度融合,降低网络训练复杂度,弥补网络训练过程中损失的信息,从多特征角度提升了网络的鲁棒性和精度。通过有效训练该网络以达到增强盆地基底边界信息,进一步提升先验模型成像效果。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于深度学习网络快速预测二维盆地基底界面的方法,其特征在于,包括:
获取盆地多源多尺度的实测地震重力数据及地震测井约束数据,在所述地震测井约束数据的约束下,根据实测地震重力数据构建初始密度界面母模型,并基于初始密度界面母模型,生成训练数据,其中训练数据包括:高分辨密度界面模型训练集、重力数据训练集及偏移密度界面模型训练集;
构建深度学习模型并获取盆地密度偏移模型,通过训练数据对深度学习模型进行优化,获取基底界面预测网络,通过基底界面预测网络对盆地密度偏移模型进行处理,得到二维盆地基底界面密度精细模型;
所述基底界面预测网络为ResUnet网络模型;
所述基底界面预测网络采用端到端结构,其中包括依次连接的编码器及解码器,其中所述编码器包括依次连接的输入模块、第一卷积模块、第二卷积模块、第三卷积模块,其中输入模块包括依次连接的输入层、全卷积层及恒等块;所述第一卷积模块、第二卷积模块及第三卷积模块均包括依次连接的最大池化层、全卷积层及恒等块;所述解码器包括依次连接的第一上采样模块、第二上采样模块、第三上采样模块及输出层,其中第一上采样模块、第二上采样模块、第三上采样模块均包括依次连接的上采样层、全卷积层及恒等块;所述输入模块与所述第三上采样模块跳跃连接,所述第一卷积模块与所述第二上采样模块跳跃连接,所述第二卷积模块与所述第一上采样模块跳跃连接;所述恒等块均与上一模块的输出连接;
在编码层中,每一个卷积阶段都包含卷积残差块和恒等块;其中前一层的输出以两种形式对重力偏移密度模型特征进行提取;第一种形式为跳跃连接,其中卷积残差块通过三个卷积层,并通过Hadamard 运算实现卷积核3×3和重力偏移密度特征矩阵乘积,实现对重力偏移密度特征的进一步提取;采用卷积层步长为1;使用2×2×2最大池化块;
根据实测地震、测井以及重力数据,通过布格平板模型构建初始密度界面母模型;
生成训练数据的过程包括:
基于初始密度界面母模型生成扰动盆地界面模型集,通过地震测井约束数据约束叠后叠前地震反演,生成盆地基底母界面以及上覆地层的密度母界面,对扰动盆地基底母界面及上覆地层的密度母界面进行叠加,并通过使用高等函数填充上覆地层的密度母界面,形成高分辨率密度界面模型训练集,并对高分辨率密度界面模型训练集进行正演运算,得到重力数据训练集;基于重力数据训练集计算得到偏移密度界面模型训练集;
生成扰动盆地界面模型集的过程包括:通过基于概率分布的随机变换方法进行随机变换,生成密度界面扰动,对初始密度界面母模型与密度界面扰动进行哈达玛积运算,得到扰动盆地界面模型集;
生成盆地基底界面上覆地层的密度母界面的过程包括:构建高精度密度反演方程,基于地震测井约束数据及高精度密度反演方程构建密度低频模型,对所述密度低频模型进行迭代反演得到盆地界面上覆地层的密度母界面;
生成偏移密度界面模型训练集的过程包括:基于偏移伴随算子对重力数据训练集进行偏移成像计算,得到偏移重力场,对偏移重力场进行深度加权运算,得到偏移密度界面模型训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211587245.XA CN115659848B (zh) | 2022-12-12 | 2022-12-12 | 一种基于深度学习网络快速预测二维盆地基底界面的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211587245.XA CN115659848B (zh) | 2022-12-12 | 2022-12-12 | 一种基于深度学习网络快速预测二维盆地基底界面的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659848A CN115659848A (zh) | 2023-01-31 |
CN115659848B true CN115659848B (zh) | 2023-06-20 |
Family
ID=85019534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211587245.XA Active CN115659848B (zh) | 2022-12-12 | 2022-12-12 | 一种基于深度学习网络快速预测二维盆地基底界面的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659848B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609852B (zh) * | 2023-07-06 | 2024-01-23 | 中国石油大学(华东) | 一种井震融合的地下介质参数高精度建模方法以及设备 |
CN117250667A (zh) * | 2023-11-08 | 2023-12-19 | 经纬地信(成都)科技有限公司 | 基于U-Net增强网络对地下密度快速成像方法及系统 |
CN118011514A (zh) * | 2024-04-10 | 2024-05-10 | 成都理工大学 | 一种应用于盆地基底界面起伏及密度的预测方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10996372B2 (en) * | 2017-08-25 | 2021-05-04 | Exxonmobil Upstream Research Company | Geophysical inversion with convolutional neural networks |
US11693139B2 (en) * | 2018-12-11 | 2023-07-04 | ExxonMobil Technology and Engineering Company | Automated seismic interpretation-guided inversion |
US11550974B2 (en) * | 2018-12-22 | 2023-01-10 | Schlumberger Technology Corporation | Dynamic reservoir characterization |
US20210264262A1 (en) * | 2020-02-21 | 2021-08-26 | Saudi Arabian Oil Company | Physics-constrained deep learning joint inversion |
CN114114392B (zh) * | 2020-09-01 | 2023-11-28 | 中国石油天然气股份有限公司 | 层速度模型建立方法及装置 |
US20220187492A1 (en) * | 2020-12-14 | 2022-06-16 | Saudi Arabian Oil Company | Physics-driven deep learning inversion coupled to fluid flow simulators |
CN112748463A (zh) * | 2020-12-21 | 2021-05-04 | 中国科学技术大学 | 一种基于深度学习照明分析的局部偏移成像方法 |
CN114676644B (zh) * | 2022-05-27 | 2022-08-23 | 成都理工大学 | 一种基于机器学习约束的密度突变界面反演方法及系统 |
-
2022
- 2022-12-12 CN CN202211587245.XA patent/CN115659848B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115659848A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115659848B (zh) | 一种基于深度学习网络快速预测二维盆地基底界面的方法 | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
Yuan et al. | Double-scale supervised inversion with a data-driven forward model for low-frequency impedance recovery | |
Wang et al. | On a new method of estimating shear wave velocity from conventional well logs | |
Ameur-Zaimeche et al. | Lithofacies prediction in non-cored wells from the Sif Fatima oil field (Berkine basin, southern Algeria): a comparative study of multilayer perceptron neural network and cluster analysis-based approaches | |
Yin et al. | A hierarchical streamline-assisted history matching approach with global and local parameter updates | |
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 | |
CN104614763A (zh) | 基于反射率法的多波avo储层弹性参数反演方法及系统 | |
CN114117906A (zh) | 基于观测数据自编码的多尺度无监督地震波速反演方法 | |
Sarkheil et al. | Fractures distribution modeling using fractal and multi-fractal–neural network analysis in Tabnak hydrocarbon field, Fars, Iran | |
Wang et al. | Seismic velocity inversion transformer | |
Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
Masroor et al. | A multiple-input deep residual convolutional neural network for reservoir permeability prediction | |
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 | |
CN112883646B (zh) | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 | |
Li et al. | Fault-Seg-Net: A method for seismic fault segmentation based on multi-scale feature fusion with imbalanced classification | |
Pan et al. | Hierarchical machine learning workflow for conditional and multiscale deep-water reservoir modeling | |
Benetatos et al. | Fully integrated hydrocarbon reservoir studies: myth or reality? | |
Kuroda et al. | Interpretation of seismic multiattributes using a neural network | |
CN117631028A (zh) | 一种多尺度全局信息融合神经网络地震数据低频重构方法 | |
CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 | |
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 | |
Alpak et al. | Adjoint method acceleration protocols for model maturation to update static models with time-lapse reservoir surveillance data | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 |
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 |