CN116381782A - 一种低幅度构造成图方法、设备及存储设备 - Google Patents
一种低幅度构造成图方法、设备及存储设备 Download PDFInfo
- Publication number
- CN116381782A CN116381782A CN202310145100.2A CN202310145100A CN116381782A CN 116381782 A CN116381782 A CN 116381782A CN 202310145100 A CN202310145100 A CN 202310145100A CN 116381782 A CN116381782 A CN 116381782A
- Authority
- CN
- China
- Prior art keywords
- data
- depth
- amplitude
- low
- construction
- 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 39
- 238000010276 construction Methods 0.000 claims abstract description 52
- 238000005553 drilling Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013508 migration Methods 0.000 claims abstract description 7
- 230000005012 migration Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000007796 conventional method Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种低幅度构造成图方法、设备及存储设备，方法基于常规时间和深度偏移地震资料，地震偏移速度场、钻井分层数据，结合地震属性分析选取的能反映区域横向速度变化规律的地震属性，以钻井分层深度数据为标签，以井分层对应的时间和深度域地震解释层位网格、沿层地震速度、地震属性为特征属性，建立样本数据集；为弥补勘探开发实践中钻井数量有限，样本数据不足的缺陷，在井点四周临近位置构建虚拟样本点补充样本数据集。然后通过构建深度卷积神经网络模型对样本数据集进行训练，进而将训练好的模型应用到目标区进行深度构造预测及构造成图。本发明有益效果是：有效地提高低幅度构造成图精度。
Description
技术领域
本发明涉及油气勘探开发领域，尤其涉及一种低幅度构造成图方法、设备及存储设备。
背景技术
准确的构造成图是油气勘探开发井位部署、资源量评价、投资决策等的先决条件，是油气勘探开发过程中不可或缺的重要环节。低幅度构造是指构造幅度几米到几十米的一类构造，受地震勘探分辨率的制约，准确落实其构造形态难度较大，当存在较大的横向速度变化时，还会进一步增加构造落实难度。
目前工业界针对低幅度构造落实难题，主要有两种技术途径，一是井、震资料结合建立精度更高的速度场，开展针对目标区的三维地震资料叠前深度偏移处理得到深度域地震资料，再基于深度域地震资料解释得到深度构造图，该方法费用较高，且受地震偏移速度场精度制约，在实际应用中精度提升空间有限；二是基于常规时间域地震资料，在油田开发阶段通过拟合多井沿层平均速度对时间域地震资料构造解释成果进行时深转换得到深度构造，该方法能一定程度上提高构造成图精度，但对钻井分布要求较高，且井点之外可靠性不高，不能解决横向速度突变导致的构造畸变。本申请提出了一种基于常规井、震资料及深度卷积神经网络算法的低幅度构造成图方法，与常规方法相比能明显提高低幅度构造成图精度。
发明内容
为了解决现有技术针对低幅度构造成图精度不高的难题，本发明提供了一种低幅度构造成图方法、设备及存储设备，方法包括以下步骤：
S1：获取低幅度构造数据；所述低幅度构造数据包括：钻井分层深度数据、时间和深度构造网格、沿层平均速度和平面地震属性；
S2：利用低幅度构造数据建立样本集，所述样本集包括：真实样本数据集和虚拟样本数据集；
S3：将样本集中数据进行归一化处理，并分成测试集和训练集；
S4：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括依次连接的特征提取模块、flatten层、全连接层和输出层，特征提取模块包括：卷积层、正则化层和池化层；
S5：利用训练集训练所述深度卷积神经网络模型，得到训练好的模型；
S6：利用测试集测试所述训练好的模型，得到最终模型；
S7：将目标区低幅度构造数据输入至最终模型，得到预测的目标区深度构造数据并进行成图。
一种存储设备，所述存储设备存储指令及数据用于实现所述的一种低幅度构造成图方法。
一种低幅度构造成图设备，包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现一种低幅度构造成图方法。
本发明提供的有益效果是：提出了一种基于深度卷积神经网络的低幅度构造成图方法，采用该方法能够有效地提高低幅度构造成图精度。
附图说明
图1是本发明方法流程图；
图2是某南部工区钻井周边临近部位构建虚拟井点示意图；
图3是本发明网络模型结构示意图；
图4是某南部工区低幅度构造成图对比示意图，其中(a)为本申请方法的构造成图；(b)基于针对目标处理的叠前深度偏移地震资料构造成图；(c)基于时间域地震资料采用多井沿层平均速度时深转换构造成图；
图5是本申请方法和常规方法构造成图钻井误差对比分析图；
图6是本发明实施例中硬件设备工作的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，图1是本发明方法流程图。本发明提供了一种低幅度构造成图方法，包括以下步骤：
S1：S1：获取低幅度构造数据；所述低幅度构造数据包括：钻井分层深度数据、时间和深度构造网格、沿层平均速度和平面地震属性；
需要说明的是，步骤S1具体为：
S11、基于地震综合解释平台(如GeoEast、GeoFrame等)完成目标区井震标定，以及钻井分层对应的时间域和深度域地震层位解释，形成时间构造网格和深度构造网格，得到钻井分层对应的时间和深度构造网格数据。
S12、基于时间构造网格，以海底到时间网格为时窗，提取反映地层横向速度变化的平面地震属性；
S13、基于地震偏移速度场转换得到的平均速度场，沿时间构造网格提取沿层平均速度。
S2：利用低幅度构造数据建立样本集，所述样本集包括：真实样本数据集和虚拟样本数据集；
需要说明的是，建立样本集的步骤如下：
建立真实样本数据集：将钻井分层深度数据作为样本标签，将钻井分层对应的时间和深度构造网格数据、沿层平均速度、平面地震属性作为样本特征属性。
建立虚拟样本数据集：为弥补勘探开发实践中钻井数量有限，样本数据不足的缺陷，通过构建虚拟样本点补充样本数据集。
以井点分层深度数据为输入，以时间构造网格数据作为趋势约束，通过平面插值建立趋势深度构造网格，接着以井点为中心，以25m为间隔在井点四周50m范围内构建虚拟井点(参考图2，图2是某南部工区钻井周边临近部位构建虚拟井点示意图)，然后提取虚拟井点处的趋势深度构造网格值作为虚拟样本标签，提取虚拟井点处的时间和深度构造网格数据、沿层平均速度、平面地震属性数据作为虚拟样本特征属性，建立虚拟样本数据集。
S3：将样本集中数据进行归一化处理，并分成测试集和训练集；
需要说明的是，本发明中，将样本集中的样本特征属性进行最大值最小值归一化处理，将数据转换到[0,1]的范围，将样本集数据排列顺序随机打乱，并将样本集按8：2的比例划分为训练集和测试集，当然，在一些其它实施例中，也可自主调整其比例关系。
S4：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括依次连接的特征提取模块、flatten层、全连接层和输出层，特征提取模块包括：卷积层、正则化层和池化层；
S5：利用训练集训练所述深度卷积神经网络模型，得到训练好的模型；
S6：利用测试集测试所述训练好的模型，得到最终模型；
请参考图3，图3是本发明网络模型结构示意图。本发明中特征提取模块包括依次连接的卷积层、正则化层和池化层，采用Batch Normalization正则化，采用Max Pooling进行池化。使用‘relu’激活函数，使用‘adam’优化器，使用'mean_squared_error'(均方误差)作为损失函数。
将预处理后的样本集输入深度卷积神经网络模型进行训练，通过多次训练实验观察损失函数的变化，以确定合适的神经元数量、学习率、batchsize、epochs参数，直至模型最优并保存模型。
S7：将目标区低幅度构造数据输入至最终模型，得到预测的目标区深度构造数据并进行成图。
需要说明的是，本发明将目标区的时间和深度构造网格、沿层平均速度、平面地震属性数据输入训练好的深度卷积神经网络模型，得到预测的目标区深度构造数据并成图。
作为一种实施例，请参考图4，图4是某南部工区低幅度构造成图对比示意图；
本申请方法得到的构造图如图4中(a)所示，与基于常规方法得到深度构造(图4中(b)、图4中(c))相比，整体构造形态相似。
统计了本申请方法和常规方法构造成图钻井深度误差如表1，误差分布如图5，误差正值代表实钻深度偏浅，误差负值代表实钻深度偏深。全目标区共12口钻井，本申请方法得到的构造图钻井深度误差最大值为6.6m，井间相对误差最大值为7.6m；基于常规叠前深度偏移地震资料解释的深度构造钻井深度误差最大值为21m，井间相对误差最大值为22.6m；基于常规多井沿层平均速度对时间域地震资料构造解释成果进行时深转换得到深度构造钻井深度误差最大值为12.4m，井间相对误差最大值为19.6m；可见本申请方法构造成图精度有明显提高(图5)。
表1本申请方法与常规方法构造成图钻井误差对比分析
请参见图6，图6是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种低幅度构造成图设备401、处理器402及存储设备403。
一种低幅度构造成图设备401：所述一种低幅度构造成图设备401实现所述一种低幅度构造成图方法。
处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种低幅度构造成图方法。
存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述一种低幅度构造成图方法。
综合来看，本发明的有益效果是：提出了一种基于深度卷积神经网络的低幅度构造成图方法，采用该方法能够有效地提高低幅度构造成图精度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种低幅度构造成图方法，其特征在于：包括以下步骤：
S1：获取低幅度构造数据；所述低幅度构造数据包括：钻井分层深度数据、时间和深度构造网格、沿层平均速度和平面地震属性；
S2：利用低幅度构造数据建立样本集，所述样本集包括：真实样本数据集和虚拟样本数据集；
S3：将样本集中数据进行归一化处理，并分成测试集和训练集；
S4：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括依次连接的特征提取模块、flatten层、全连接层和输出层；
S5：利用训练集训练所述深度卷积神经网络模型，得到训练好的模型；
S6：利用测试集测试所述训练好的模型，得到最终模型；
S7：将目标区低幅度构造数据输入至最终模型，得到预测的目标区深度构造数据并进行成图。
2.如权利要求1所述的一种低幅度构造成图方法，其特征在于：步骤S1具体为：
S11、完成目标区井震标定，完成钻井分层对应的时间域和深度域地震层位解释，得到钻井分层深度数据，并形成时间构造网格和深度构造网格；
S12、基于时间构造网格，以海底到时间网格为时窗，提取反映地层横向速度变化的平面地震属性；
S13、基于地震偏移速度场转换得到的平均速度场，沿时间构造网格提取沿层平均速度。
3.如权利要求1所述的一种低幅度构造成图方法，其特征在于：所述真实样本数据集以钻井分层深度数据作为样本标签，以钻井分层对应的时间和深度构造网格、沿层平均速度、平面地震属性作为样本特征属性。
4.如权利要求1所述的一种低幅度构造成图方法，其特征在于：所述虚拟样本数据集的建立过程如下：
以井点分层深度数据为输入，以时间构造网格数据作为趋势约束，通过平面插值建立趋势深度构造网格；
构建虚拟井点，提取虚拟井点处的趋势深度构造网格值作为虚拟样本标签，提取虚拟井点处的时间和深度构造网格数据、沿层平均速度、平面地震属性数据作为虚拟样本特征属性，建立虚拟样本数据集。
5.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～4所述的任意一种低幅度构造成图方法。
6.一种低幅度构造成图设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～4所述的任意一种低幅度构造成图方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310145100.2A CN116381782A (zh) | 2023-02-17 | 2023-02-17 | 一种低幅度构造成图方法、设备及存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310145100.2A CN116381782A (zh) | 2023-02-17 | 2023-02-17 | 一种低幅度构造成图方法、设备及存储设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116381782A true CN116381782A (zh) | 2023-07-04 |
Family
ID=86979569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310145100.2A Pending CN116381782A (zh) | 2023-02-17 | 2023-02-17 | 一种低幅度构造成图方法、设备及存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381782A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010118624A1 (zh) * | 2009-04-13 | 2010-10-21 | 中国石油集团川庆钻探工程有限公司 | 地震波速度场构建中井约束横向可变h-v曲线构建方法 |
| CN104360385A (zh) * | 2014-11-26 | 2015-02-18 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 结合地震地质认识综合建立初始深度层速度模型的方法 |
| CN105353412A (zh) * | 2015-12-14 | 2016-02-24 | 中国石油大学(华东) | 一种井震联合平均速度场的计算方法及系统 |
| CN105717540A (zh) * | 2016-03-14 | 2016-06-29 | 中国海洋石油总公司 | 一种微幅度构造精细预测方法 |
| CN111208558A (zh) * | 2018-11-22 | 2020-05-29 | 中国石油天然气股份有限公司 | 超深低幅度三维地质构造的建立方法及装置 |
| CN111983683A (zh) * | 2020-09-03 | 2020-11-24 | 中国海洋石油集团有限公司 | 一种少井条件下盐下湖相灰岩储层预测方法和系统 |
| CN113962304A (zh) * | 2021-10-22 | 2022-01-21 | 中海石油(中国)有限公司 | 一种多层同时智能地震层位解释方法及系统 |
| CN114444555A (zh) * | 2020-10-30 | 2022-05-06 | 中国石油天然气股份有限公司 | 一种基于U-net神经网络的地震层位解释方法及装置 |
| US20220206176A1 (en) * | 2019-05-10 | 2022-06-30 | Schlumberger Technology Corporation | System and method for identifying subsurface structures |
-
2023
- 2023-02-17 CN CN202310145100.2A patent/CN116381782A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010118624A1 (zh) * | 2009-04-13 | 2010-10-21 | 中国石油集团川庆钻探工程有限公司 | 地震波速度场构建中井约束横向可变h-v曲线构建方法 |
| CN104360385A (zh) * | 2014-11-26 | 2015-02-18 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 结合地震地质认识综合建立初始深度层速度模型的方法 |
| CN105353412A (zh) * | 2015-12-14 | 2016-02-24 | 中国石油大学(华东) | 一种井震联合平均速度场的计算方法及系统 |
| CN105717540A (zh) * | 2016-03-14 | 2016-06-29 | 中国海洋石油总公司 | 一种微幅度构造精细预测方法 |
| CN111208558A (zh) * | 2018-11-22 | 2020-05-29 | 中国石油天然气股份有限公司 | 超深低幅度三维地质构造的建立方法及装置 |
| US20220206176A1 (en) * | 2019-05-10 | 2022-06-30 | Schlumberger Technology Corporation | System and method for identifying subsurface structures |
| CN111983683A (zh) * | 2020-09-03 | 2020-11-24 | 中国海洋石油集团有限公司 | 一种少井条件下盐下湖相灰岩储层预测方法和系统 |
| CN114444555A (zh) * | 2020-10-30 | 2022-05-06 | 中国石油天然气股份有限公司 | 一种基于U-net神经网络的地震层位解释方法及装置 |
| CN113962304A (zh) * | 2021-10-22 | 2022-01-21 | 中海石油(中国)有限公司 | 一种多层同时智能地震层位解释方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| HE TAO ET AL: "Seismic Data Consecutively Missing Trace Interpolation Based on Multistage Neural Network Training Process", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, vol. 19, 30 June 2021 (2021-06-30), XP011895789, DOI: 10.1109/LGRS.2021.3089585 * |
| 宋亚民 等: "基于卷积神经网络的多元信息融合变速构造成图方法", 第二届中国石油物探学术年会论文集, 26 March 2024 (2024-03-26), pages 1546 - 1549 * |
| 彭光荣 等: "珠江口盆地阳江凹陷油气重大发现与成藏启示", 大地构造与成矿学, vol. 45, no. 1, 28 February 2021 (2021-02-28), pages 179 * |
| 漆立新: "一种提高低幅度构造分析的方法――以塔里木盆地SDQ为例", 工程地球物理学报, no. 03, 25 June 2005 (2005-06-25) * |
| 闫瑞萍;: "井震结合提高低幅度构造解释精度", 中国石油和化工标准与质量, no. 01, 10 January 2014 (2014-01-10) * |
| 韩强 等: "塔里木盆地轮台地区低幅度构造圈闭落实技术及其应用", 石油与天然气地质, vol. 31, no. 1, 28 February 2010 (2010-02-28), pages 43 - 48 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
| CN109884710B (zh) | 针对激发井深设计的微测井层析成像方法 | |
| CN112784980B (zh) | 一种智能化测井层位划分方法 | |
| CN111382472A (zh) | 随机森林融合svm预测盾构引起近接结构变形方法及装置 | |
| CN110109995B (zh) | 一种基于深度学习的综采工作面多源异构数据融合方法 | |
| CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| CN107966732A (zh) | 基于空间结构导向的地震属性变化率求取方法 | |
| CN109613623B (zh) | 一种基于残差网络的岩性预测方法 | |
| CN107894618A (zh) | 一种基于模型平滑算法的全波形反演梯度预处理方法 | |
| CN112150582B (zh) | 一种面向多模态数据的地质剖面图近似表达方法 | |
| CN115308799B (zh) | 一种地震成像游离气构造识别方法及系统 | |
| CN111290019B (zh) | 一种应用于最小二乘逆时偏移的l-bfgs初始矩阵求取方法 | |
| CN113158315B (zh) | 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法 | |
| CN117351165A (zh) | 一种基于ArcGIS的三维地层模型的构建及测算方法 | |
| CN112596106B (zh) | 一种球坐标系下重震联合反演密度界面分布的方法 | |
| CN115130529A (zh) | 一种叠前地震反演方法和装置 | |
| CN111175816B (zh) | 油藏改造实时构建微地震裂缝网络的方法及装置 | |
| CN116381782A (zh) | 一种低幅度构造成图方法、设备及存储设备 | |
| CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
| CN113866827A (zh) | 一种解释性速度建模地震成像方法、系统、介质和设备 | |
| CN111931119A (zh) | 一种组合模式的快速稳定圆最优拟合方法 | |
| CN112800581B (zh) | 一种油田精细地质模型的建模研究方法 | |
| CN115469361B (zh) | 一种碎屑岩地层三维地质建模方法 | |
| CN112505752B (zh) | 基于剪切破裂共轭准则的叠后裂缝储层表征方法 | |
| CN111382799B (zh) | 一种地震断层图像处理方法 |
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 |