CN115795994A - 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 - Google Patents
基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 Download PDFInfo
- Publication number
- CN115795994A CN115795994A CN202211202931.0A CN202211202931A CN115795994A CN 115795994 A CN115795994 A CN 115795994A CN 202211202931 A CN202211202931 A CN 202211202931A CN 115795994 A CN115795994 A CN 115795994A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- convolutional neural
- parameters
- logging
- 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
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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,在地层模型中对地层参数随机取值,通过正演计算获得<地层信息,测井响应>数据集,将数据集中的测井响应作为卷积神经网络的输入数据,卷积神经网络在训练过程中提取随钻方位电磁波数据的曲线特征,使网络具有从测井响应映射到地层信息的非线性表达能力,最后,使用训练好的网络可以准确的反演新的样本数据。通过上述方式,本申请建立了U‑net卷积神经网络方位电磁波测井数据反演工作流,分析了工作流中各构成部分的作用,优化了U‑net卷积神经网络的训练参数,使用最优训练参数下得到的网络模型反演了随钻方位电磁波数据,使反演结果具有较高的准确性和鲁棒性。
Description
技术领域
本发明涉及地球物理测井领域,具体涉及一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法。
背景技术
随钻方位电磁波测量的幅度比和相位差信号,无法直接反映电阻率或仪器与地层边界距离的信息,需要对测量数据进行反演计算,方可获得地层电阻率和界面位置等参数。常用的方位电磁波反演方法主要包括梯度类算法和人工智能算法。
相对于计算精度有限的浅层神经网络,卷积神经网络由于具有更多的隐含层,提取的输入数据信息更加丰富,其计算精度高;能够使用GPU加快网络训练速度,其训练速度较快;且研究者们已发表的成果表明,训练后的卷积神经网络具有反演电磁波数据的能力,是一种可行方法,能够解决传统方法无法遍历所有可能模型且计算速度慢的问题;但目前卷积神经网络方位电磁波数据反演方法仍处于起步阶段,要将其应用于实际数据处理,在样本数据构建、卷积网络选择、计算精度提升、边界条件限制和损失函数的构建方面,仍有待进一步的研究工作。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于卷积神经网络的随钻方位电磁波测井数据反演方法,包括如下步骤:
S1、构建3D地质模型并采集所建立的3D地质模型中各采样点的地层参数;
S2、利用测井工具计算每个采样点的地层参数所对应的测井响应,以每一组<地层参数,测井响应>为数据对构建样本集;
S3、构建卷积神经网络,利用样本集对卷积神经网络进行训练,提取随钻方位电磁波数据的曲线特征;
S4、调整卷积神经网络的参数,比较卷积神经网络在不同参数下的反演精度,从而优选出最佳网络参数。
S5、利用训练好的卷积神经网络对新的测井数据进行反演,输出反演结果进一步的,所述S2具体包括如下步骤:
S21、将步骤S1构建的3D地质模型等效为水平层状地形模型;
S22、对水平层状地形模型中的每一层的电阻率以及地层边界位置进行随机取值,确定每一层地层的参数;
S23、利用测井工具的仪器参数进行理论推导,得到每一层地层参数下对应的测井响应;
S24、重复步骤S21-S24得到多组<地层参数,测井响应>数据对。
进一步的,所述S3中构建的神经网络包括编码器和解码器,其中,
所述编码器内包括多组级联的结构不同的网络单元结构,用于将随钻方位电磁波测量相应序列转化为多个特征向量;
所述解码器内包括与所述编码器内数量相同的网格单元结构,用于将编码器转化的特征向量转化为与电阻率剖面大小一致的一维序列。
进一步的,所述编码器中第一层网格单元结构采用可分离1D卷积层,最后一层网格单元结构采用常规1D卷积层,中间层网格单元结构为可分离1D卷积层和常规1D卷积层的拼接结构,且每一层网格单元结构中可分离1D卷积层的尺寸沿输入数据方向依次递增;所述编码器中相邻两层网格单元结构通过高斯噪声层连接。
进一步的,所述解码器中最后一层网格单元结构采用可分离1D卷积层和常规1D卷积层的拼接结构,其余每层网格单元结构均采用上采样层和可分离1D 卷积层的拼接结构,且每一层网格单元结构中可分离1D卷积层的尺寸依次递减;所述解码器中相邻两层网格单元结构之间通过连接层连接,每一个连接层均连接至与其距离对称的高斯噪声层。
进一步的,所述S4调整卷积神经网络的参数,比较卷积神经网络在不同参数下的反演精度,从而优选出最佳网络参数具体方式为:
使用不同的学习率和批尺寸组合分别验证卷积神经网络在不同训练参数时的反演精度,选择平均验证损失函数最小值对应的学习率和批尺寸作为卷积神经网络的最优参数。
进一步的,所述S3中卷积神经网络训练损失函数表示为:
其中,中Wi为第i次学习权值,η为学习率,Loss为损失函数。
本发明具有以下有益效果:
本申请建立了U-net卷积神经网络方位电磁波测井数据反演工作流,分析了工作流中各构成部分方位电磁波数据反演中的作用,优化了U-net卷积神经网络的训练参数,使用最优训练参数反演了方位电磁波数据,同时U-net卷积神经网络能够用于反演方位电磁波数据,其反演结果具有较高的准确性和鲁棒性。
附图说明
图1为本发明基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法流程示意图。
图2为本发明实施例地层模型结构示意图,其中a为2D地址模型,b为水平状地层模型。
图3为本发明实施例方位电磁波测井仪的结构示意图。
图4为本发明实施例U-net网络结构示意图。
图5为本发明实施例损失函数值变化趋势示意图。
图6为本发明实施例两层地层模型反演结果示意图。
图7为本发明实施例三层地层模型反演结果示意图。
图8为本发明实施例四层地层模型反演结果示意图。
图9为本发明实施例五层地层模型反演结果示意图。
图10为本发明实施例六层地层模型反演结果示意图。
图11为本发明实施例七层地层模型反演结果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,如图1所示,包括如下步骤:
S1、构建3D地质模型并采集所建立的3D地质模型中各采样点的地层参数;
3D地质模型适用于解决方位电磁波测井中的任意倾斜地层、不规则泥浆侵入、复杂地质构造等问题,但只能使用有限元或有限差分的等方法计算,其计算速度较慢,无法满足快速计算的需要。电磁场的解可以通过解析理论计算,如傅里叶变换理论或Hertz势理论,其计算速度快,能够满足大量生成样本及工作现场快速计算的需要。
S2、利用测井工具计算每个采样点的地层参数所对应的测井响应,以每一组<地层参数,测井响应>为数据对构建样本集;
在本实施例里,具体包含如下方式:
S21、将步骤S1构建的3D地质模型等效为水平层状地形模型;
在一定情况下,地层在仪器长度尺度内的起伏变化较小,3D模型可以近似为如图2a的2D地质模型,2D地质模型又可以近似为如图2b的水平层状地层。
S22、对水平层状地形模型中的每一层的电阻率以及地层边界位置进行随机取值,确定每一层地层的参数;
S23、利用测井工具的仪器参数进行理论推导,得到每一层地层参数下对应的测井响应;
本实施例里,采用方位电磁波测井PeriScope仪器参数,PeriScope仪器线圈系中,轴向线圈系测量的是地层电阻率信号,倾斜线圈系测量的是地层岩性界面信号。PeriScope仪器轴向线圈系采用5种工作源距:[13,19]in,[19,25]in, [25,31]in,[31,37]in,[37,43]in,轴向线圈系工作采用2种发射频:400kHz、2MHz。倾斜线圈系采用4种工作源距:22in、34in、84in、96in,用于探测岩性边界的地质信号采用3种发射频率:100kHz、400kHz、2MHz(下文也称其为低频、中频、高频)。在同一采样点处的PeriScope仪器共测量电阻率及地质信号72条曲线。具体如图3所示,图中,T1-T5为轴向发射线圈,T6为横向发射线圈,R1和R2为轴向接收线圈,用于接收视电阻率信号,R3和R4为倾斜线圈,用于接收地质信号。
相对于数值模式匹配等方法,传播系数矩阵法避免了N个层界面对2N个方程联立求解,在界面较多时,这种递推方法的计算速度更快,本文采用此方法计算如图2b的二维水平层状地层模型测量响应。
电磁波在介质中传播满足微分形式的麦克斯韦方程组。
式中:H是磁场强度;E是电场强度;B是磁感应强度;D是电位移矢量; J是传导电流密度。
电磁波测井的发射线圈直径相对于线圈源距可忽略不计,发射线圈可以等同于一个磁偶极源,在测量时电磁波测井一般使用时谐电流源e-iωt。因此,在均匀各向异性地层中,时谐场麦克斯韦方程组可表示为
此时在推导中常使用Hertz势理论,Hertz矢量势π和标量势ψ满足
式(3)中,σh为水平电导率分量,σv为垂直电导率分量。
将式(3)代入式(2)中并转化为柱面坐标系下,可得,
且根据Chew的理论,只需要求出二维水平层状双轴各向异性地层模型中各层的电磁场的垂直分量,就可以获得水平分量,进而求得整个波场的解。
水平层状模型中的电磁场由以下递推公式进行计算:
式中,Fn为第n层的传播项。上标TM表示TM波的z分量,v表示垂直磁偶极子,h表示水平磁偶极子,z和z0表示接受点和发射源位置的纵坐标。由式(6)即可计算水平分层地层中的电磁测井响应。
通过上述理论推导,可计算得到接收线圈上接收到的电压值,通过电压值可转换为幅度比和相位差曲线,由于PeriScope仪器线圈的多种组合,所以对于同一地层参数可得到72条曲线(幅度比和相位差各36条),这72条曲线是测井响应。
S24、重复步骤S21-S24得到多组<地层参数,测井响应>数据对。
在正演数据计算时,模型中地层电阻率的值在[1,50]Ω·m内随机变化(油层电阻率主要分布在此范围内)、地层厚度在[0.1,10]m内随机变。将相邻128个采样点的测量值作为卷积神经网络的单个输入样本,由正演计算部分可知单个样本的数据维度为72*128,本文共生成正演计算样本250000个。
S3、构建卷积神经网络,利用样本集对卷积神经网络进行训练,提取3D地质模型的方位电磁波数据的曲线特征;
本实施例里反演工作流中采用U-net卷积神经网络建立数据反演框架,如图4所示,在编码器部分,网络使用与常规卷积网络类似的多组深度可分离卷积层加常规卷积层的网络单元将72个方位电磁波测量响应序列转化若干特征向量即隐变量,编码器中第一层网格单元结构采用可分离1D卷积层,最后一层网格单元结构采用常规1D卷积层,中间层网格单元结构为可分离1D卷积层和常规1D 卷积层的拼接结构,且每一层网格单元结构中可分离1D卷积层的尺寸沿输入数据方向依次递增;所述编码器中相邻两层网格单元结构通过高斯噪声层连接,但在之后并不使用全连接层将这些特征向量转化为多个输出变量,而是使用由上采样层和可分离卷积层所组成的解码器部分,解码器中最后一层网格单元结构采用可分离1D卷积层和常规1D卷积层的拼接结构,其余每层网格单元结构均采用上采样层和可分离1D卷积层的拼接结构,且每一层网格单元结构中可分离1D卷积层的尺寸依次递减;所述解码器中相邻两层网格单元结构之间通过连接层连接,每一个连接层均连接至与其距离对称的高斯噪声层,将这些特征向量继续缩放和转化为与电阻率剖面大小一致的5个一维序列。通过这种方式,端对端深度卷积网络将在所构建的方位电磁波样本集的刻度下,将72个测量响应序列转译为当前点的反演参数。
方位电磁波卷积神经网络反演的网络训练速度和网络预测精度同时受学习速率和批尺寸影响。网络训练代价函数Loss是关于权值W的函数,即Loss(W),权值更新公式为:
式中Wi为第i次学习权值,η为学习率,Loss为损失函数。
S4、调整卷积神经网络的参数,比较卷积神经网络在不同参数下的反演精度,从而优选出最佳网络参数。
在卷积神经网络训练时,学习率过大,会导致损失函数产生震荡而无法收敛到最小值;学习速率过小,又会导致损失函数收敛速度过慢或陷入局部极小值。在一定范围内,批尺寸越大,其确定的下降方向越准,网络训练震荡越小。为优化选择卷积神经网络反演的最优训练参数,使用学习率:0.0005、0.001、 0.002、0.004、0.006、0.008,批尺寸32、64、128、256、512,组合遍历所有可能,分别计算网络在不同训练参数时的计算精度,其损失函数变化趋势如图5,损失函数值如表1所示
表1损失函数值
可知U-net深度卷积网络在学习率为0.002和批尺寸为32时所获得的网络平均验证损失函数的值最小,网络具有最佳训练精度。
S5、利用训练好的卷积神经网络对新的测井数据进行反演,输出反演结果。
反演结果如图6至图11,可以看出:厚层的反演结果比薄层更准确,电阻率的反演结果比探边距离DTB反演结果更好,DTB在靠近层界面的反演结果要优于离界面较远处,这是因为远离界面处的幅度比和相位差幅值较小。
本发明中应用了具体实施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。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,其特征在于,包括如下步骤:
S1、构建3D地质模型并采集所建立的3D地质模型中各采样点的地层参数;
S2、利用测井工具计算每个采样点的地层参数所对应的测井响应,以每一组<地层参数,测井响应>为数据对构建样本集;
S3、构建卷积神经网络,利用样本集对卷积神经网络进行训练,提取随钻方位电磁波数据的曲线特征;
S4、调整卷积神经网络的参数,比较卷积神经网络在不同参数下的反演精度,从而优选出最佳网络参数。
S5、利用训练好的卷积神经网络对新的测井数据进行反演,输出反演结果。
2.根据权利要求1所述的基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,其特征在于,所述S2具体包括如下步骤:
S21、将步骤S1构建的3D地质模型等效为水平层状地形模型;
S22、对水平层状地形模型中的每一层的电阻率以及地层边界位置进行随机取值,确定每一层地层的参数;
S23、利用测井工具的仪器参数进行理论推导,得到每一层地层参数下对应的测井响应;
S24、重复步骤S21-S24得到多组<地层参数,测井响应>数据对。
3.根据权利要求1所述的基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,其特征在于,所述S3中构建的神经网络包括编码器和解码器,其中,
所述编码器内包括多组级联的结构不同的网络单元结构,用于将随钻方位电磁波测量相应序列转化为多个特征向量;
所述解码器内包括与所述编码器内数量相同的网格单元结构,用于将编码器转化的特征向量转化为与电阻率剖面大小一致的一维序列。
4.根据权利要求3所述的基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,其特征在于,所述编码器中第一层网格单元结构采用可分离1D卷积层,最后一层网格单元结构采用常规1D卷积层,中间层网格单元结构为可分离1D卷积层和常规1D卷积层的拼接结构,且每一层网格单元结构中可分离1D卷积层的尺寸沿输入数据方向依次递增;所述编码器中相邻两层网格单元结构通过高斯噪声层连接。
5.根据权利要求4所述的基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,其特征在于,所述解码器中最后一层网格单元结构采用可分离1D卷积层和常规1D卷积层的拼接结构,其余每层网格单元结构均采用上采样层和可分离1D卷积层的拼接结构,且每一层网格单元结构中可分离1D卷积层的尺寸依次递减;所述解码器中相邻两层网格单元结构之间通过连接层连接,每一个连接层均连接至与其距离对称的高斯噪声层。
6.根据权利要求1所述的基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法,其特征在于,所述S4调整卷积神经网络的参数,比较卷积神经网络在不同参数下的反演精度,从而优选出最佳网络参数具体方式为:
使用不同的学习率和批尺寸组合分别验证卷积神经网络在不同训练参数时的反演精度,选择平均验证损失函数最小值对应的学习率和批尺寸作为卷积神经网络的最优参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202931.0A CN115795994B (zh) | 2022-09-29 | 2022-09-29 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202931.0A CN115795994B (zh) | 2022-09-29 | 2022-09-29 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115795994A true CN115795994A (zh) | 2023-03-14 |
CN115795994B CN115795994B (zh) | 2023-10-20 |
Family
ID=85432435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202931.0A Active CN115795994B (zh) | 2022-09-29 | 2022-09-29 | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795994B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116818842A (zh) * | 2023-08-30 | 2023-09-29 | 中南大学 | 油井地层电导率信息的获取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257240A1 (en) * | 2003-06-19 | 2004-12-23 | Dingding Chen | Processing well logging data with neural network |
CN105019891A (zh) * | 2015-07-01 | 2015-11-04 | 中煤科工集团西安研究院有限公司 | 煤矿井下随钻电磁波电阻率测井仪及其测量方法 |
CN105822302A (zh) * | 2016-03-31 | 2016-08-03 | 中国石油大学(华东) | 一种基于井地电位法的油水分布识别方法 |
CN107256316A (zh) * | 2017-06-21 | 2017-10-17 | 山东大学 | 一种基于高速正演结果训练下人工智能的电磁测井反演方法 |
CN112132372A (zh) * | 2019-06-25 | 2020-12-25 | 中国石油化工股份有限公司 | 用于神经网络的层测井信息无损处理方法和装置 |
CN113625336A (zh) * | 2021-07-16 | 2021-11-09 | 长江大学 | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 |
CN114764151A (zh) * | 2021-01-13 | 2022-07-19 | 中国石油化工股份有限公司 | 一种大地电磁分频层析反演方法 |
CN115017779A (zh) * | 2022-07-20 | 2022-09-06 | 西安石油大学 | 一种测量压裂缝几何参数的方法及系统 |
-
2022
- 2022-09-29 CN CN202211202931.0A patent/CN115795994B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257240A1 (en) * | 2003-06-19 | 2004-12-23 | Dingding Chen | Processing well logging data with neural network |
CN105019891A (zh) * | 2015-07-01 | 2015-11-04 | 中煤科工集团西安研究院有限公司 | 煤矿井下随钻电磁波电阻率测井仪及其测量方法 |
CN105822302A (zh) * | 2016-03-31 | 2016-08-03 | 中国石油大学(华东) | 一种基于井地电位法的油水分布识别方法 |
CN107256316A (zh) * | 2017-06-21 | 2017-10-17 | 山东大学 | 一种基于高速正演结果训练下人工智能的电磁测井反演方法 |
CN112132372A (zh) * | 2019-06-25 | 2020-12-25 | 中国石油化工股份有限公司 | 用于神经网络的层测井信息无损处理方法和装置 |
CN114764151A (zh) * | 2021-01-13 | 2022-07-19 | 中国石油化工股份有限公司 | 一种大地电磁分频层析反演方法 |
CN113625336A (zh) * | 2021-07-16 | 2021-11-09 | 长江大学 | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 |
CN115017779A (zh) * | 2022-07-20 | 2022-09-06 | 西安石油大学 | 一种测量压裂缝几何参数的方法及系统 |
Non-Patent Citations (5)
Title |
---|
ZHENGMING KANG等: "1D intelligent inversion of electromagnetic wave logging data based on convolutional neural network", IEEE XPLORE, pages 370 - 375 * |
康正明等: "煤矿水平孔复杂地质模型方位电磁波响应数值模拟", 煤田地质与勘探, vol. 50, no. 5, pages 118 - 128 * |
康正明等: "随钻电阻率成像测井仪定量评价地层界面探究", 石油钻探技术, vol. 48, no. 4, pages 124 - 130 * |
张晓彬;戴永寿;倪卫宁;孙伟峰;李立刚;李荷鑫;: "随钻方位电磁波电阻率测量系统发展进展", 测井技术, no. 01, pages 16 - 21 * |
王磊;范宜仁;操应长;邓少贵;: "大斜度井/水平井随钻方位电磁波测井资料实时反演方法", 地球物理学报, no. 04, pages 473 - 482 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116818842A (zh) * | 2023-08-30 | 2023-09-29 | 中南大学 | 油井地层电导率信息的获取方法 |
CN116818842B (zh) * | 2023-08-30 | 2023-12-05 | 中南大学 | 油井地层电导率信息的获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115795994B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
CN107783187B (zh) | 一种将测井速度和地震速度结合建立三维速度场的方法 | |
CN112285768B (zh) | 一种高频海洋声导波频散分析装置及方法 | |
CN105277978A (zh) | 一种确定近地表速度模型的方法及装置 | |
CN115795994B (zh) | 基于Unet卷积神经网络的随钻方位电磁波测井数据反演方法 | |
CN102798896B (zh) | 一种阵列感应测井仪器的测井信号合成处理方法及其系统 | |
CN111856596A (zh) | 层状介质电阻率各向异性海洋可控源电磁快速反演方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN115841076A (zh) | 基于bp神经网络模型的浅海分层海底地声参数反演方法 | |
CN112882123B (zh) | 一种基于两步法的cnn井震联合反演方法、系统及应用 | |
US6859733B1 (en) | Method for determining parameters of earth formations surrounding a well bore | |
CN115598714B (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
CN107765306A (zh) | 一种vsp初始速度建模方法及装置 | |
CN111624649B (zh) | 一种零偏移距vsp建立横向变速层速度模型的方法和装置 | |
CN112147679B (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 | |
CN117669362A (zh) | 深度学习辅助的随钻方位电磁波测井数据迭代反演方法 | |
CN104375171B (zh) | 一种高分辨率地震反演方法 | |
CN114966826B (zh) | 基于野外近地表调查资料的高低频融合近地表建模方法 | |
CN115829001B (zh) | 一种瞬变电磁-激电场分离及多参数信息提取方法和系统 | |
CN115330897B (zh) | 基于Matrix Pencil和全连接神经网络的声波测井成像方法 | |
CN111983689B (zh) | 一种近源电磁震电联合gr反演方法 | |
CN118171501A (zh) | 预训练模型循环迁移学习的三维大地电磁正演模拟方法 | |
CN117724151A (zh) | 一种河流相致密非均质储层低频模型的构建方法 | |
Zhang et al. | The data supplement method of azimuthal EM LWD based on deep learning | |
CN117761779A (zh) | 一种用于测井远探测数据的声学纵波波形反演成像方法 |
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 |