CN116609852A - 一种井震融合的地下介质参数高精度建模方法以及设备 - Google Patents
一种井震融合的地下介质参数高精度建模方法以及设备 Download PDFInfo
- Publication number
- CN116609852A CN116609852A CN202310827356.1A CN202310827356A CN116609852A CN 116609852 A CN116609852 A CN 116609852A CN 202310827356 A CN202310827356 A CN 202310827356A CN 116609852 A CN116609852 A CN 116609852A
- Authority
- CN
- China
- Prior art keywords
- seismic
- inversion
- model
- encoder
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 29
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- 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
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本说明书实施例公开了一种井震融合的地下介质参数高精度建模方法以及设备。通过确定待预测的地震体中任意的采样点；采用预先训练的目标模型预测所述采样点所对应的多个井段数据，其中，所述目标模型中包含拼接的目标编码器和d×k的多层感知器，d为编码器中一维潜向量的数据长度，k为一维井段的数据长度；将多个井段数据的平均值作为所述采样点的地下介质模型参数，从而实现地下介质参数模型的高精度预测。
Description
技术领域
本说明书涉及地球物理领域，尤其涉及一种井震融合的地下介质参数高精度建模方法以及设备。
背景技术
在油气勘探开发过程中，构建高精度的地下介质参数模型在储层描述和井位确定等方面扮演着重要角色。随着勘探目标的日趋复杂，勘探开发的难度加大，业界对地下介质的反演精度提出了更高的要求，以实现对勘探目标的精准描述。
基于走时信息的层析反演方法精度较低，无法满足对高精度勘探开发的需求。全波形反演技术能够利用地震数据的全部波形信息，恢复地下介质参数，但其反演分辨率受到地震数据有限频带的限制。测井能通过仪器钻入地下直接测量介质参数，具有高分辨率，但覆盖范围非常有限。因此，融合地震和测井信息构建高精度地下介质参数模型是油气勘探开发领域面临的关键问题之一。
基于此，亟需一种高精度的井震融合的地下介质参数高精度建模方案。
发明内容
本说明书实施例提供一种井震融合的地下介质参数高精度建模方法以及设备，用以解决如下技术问题：一种高精度的井震融合的地下介质参数高精度建模方案。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
在第一方面，本说明书实施例提供确定待预测的地震体中任意的采样点；采用预先训练的目标模型预测所述采样点所对应的多个井段数据，其中，所述目标模型中包含拼接的目标编码器和d×k的多层感知器，d为编码器中一维潜向量的数据长度，k为一维井段的数据长度；将多个井段数据的平均值作为所述采样点的地下介质模型参数。
在第二方面，本说明书实施例提供提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：通过确定待预测的地震体中任意的采样点；采用预先训练的目标模型预测所述采样点所对应的多个井段数据，其中，所述目标模型中包含拼接的目标编码器和d×k的多层感知器，d为编码器中一维潜向量的长度，k为一维井段的数据长度；将多个井段数据的平均值作为所述采样点的地下介质模型参数，从而实现地下介质参数模型的高精度预测。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，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为本说明书实施例提供的一种井震融合的地下介质参数高精度建模方法的流程示意图；
图2为本说明书实施例中的Otway速度模型图；
图3为本说明书实施例中全波形反演初始速度模型图；
图4为本说明书实施例中对2～5Hz数据进行全波形反演结果图；
图5为本说明书实施例中互相关成像得到的逆时偏移剖面图；
图6为本说明书实施例中掩码自动编码器预训练示例图；
图7为本说明书实施例中微调网络详细机构图；
图8为本说明书实施例中的最终预测的参数结果；
图9为本说明书实施例中提供的电子设备的示意图。
具体实施方式
本说明书实施例提供一种井震融合的地下介质参数高精度建模方法以及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
在本说明书实施例中，由于采用的是模型预测的方式来获取地下介质模型参数，因此，首先需要预先训练得到一个目标模型。然而，直接使用有限的井震标签数据集对深度Transformer网络进行监督训练，难以实现良好的泛化性。
基于此，本申请中的目标模型采用如下方式预先训练得到：首先使用掩码自编码器(MAE)架构实现自监督预训练过程，以学习地震体中的重要特征表示，然后再采用井震标签数据集对拼接的目标编码器与多层感知器中的网络参数进行微调，来生成目标模型。对于目标模型的预训练可以包括以下步骤：
步骤1，获取反演地震体。
反演地震体是二维的数据体，其可以基于原始地震数据和初始速度模型来反演得到。
具体而言，可以对所述原始地震数据和初始速度模型进行全波形反演，生成反演成像结果，以及，对所述原始地震数据和初始速度模型进行逆时偏移成像，生成偏移成像结果。进而加权所述反演成像结果和所述偏移成像结果，生成反演地震体。加权的方式可以基于实际需要而定，例如，可以是平均加权。
更进一步地，在进行全波形反演时，为了提高反演效率，建议仅使用低频波段进行反演，即对所述原始地震数据和初始速度模型进行低频的全波形反演，生成低频段的反演结果。然后加权低频段的反演结果和偏移成像结果，最后从上述反演成像结果中随机提取生成训练需要的反演地震体。
步骤2，将所述反演地震体作为训练数据集，对掩码自编码器进行自监督预训练，生成目标编码器，其中，在所述自监督预训练中，以高掩码比例的反演地震体作为输入，目标输出是恢复原始反演地震体，所述目标编码器用于提取反演地震体的高级特征表示。
在获得了反演地震体之后，即可以采用掩码自编码器实现自监督预训练，以提取地震体的高级特征表示。例如，在预训练中使用的掩码自编码器为一个轻量级的非对称编码器-解码器架构，输入固定高度和宽度H＝W＝224。
以高掩码比例(例如，75％掩码)随机掩盖地震体信息，只将小部分未掩盖的地震体用作预训练MAE的输入，预训练任务是重建原始输入地震体，以使编码器提取地震体潜在的高级特征表示。
解码器只是用于执行地震信息重建任务的预训练，将在下游微调任务中被丢弃，即仅留下提取反演地震体的高级特征表示的目标编码器。在对于非对称编码器-解码器的训练过程中，采用如下损失函数对掩码自编码器进行监督预训练，其中，p指示掩码图像块位置，Ω指示掩码图像块集合，I代表原始未遮挡的反演地震体，代表自编码器输出的反演地震体。
一旦MAE自监督预训练完成后，预训练网络模型(即目标编码器)学到了地震体的重要特征表示。
步骤3，在所述目标编码器后拼接d×k的多层感知器，生成待训练模型。
然后，将预训练后的目标编码器参数迁移到下游任务，即构建2D地震体与1D测井速度曲线之间的最优非线性映射关系。为此在目标编码器后添加一个d×k的多层感知器(MLP层)以执行下游任务，其中d为编码器中一维潜向量的长度，k对应1D井段的数据长度。
步骤4，采用井位置处的2D反演地震体与其对应标注的1D井段，对所述待训练模型进行微调训练，以未掩码的反演地震体作为所述待训练模型的输入，以一维井段数据为输出，生成目标模型。
在微调过程中，同样采用前述的包含井段标签的反演地震体(不进行掩码)对所述待训练模型进行微调训练。将原始未进行掩码的反演地震体作为待训练模型的输入，相应的1D井段数据为目标输出。采用均值平方误差(MSE)损失函数来微调网络，由下式给出:
其中，i代表一维井段索引号，Ψ指示所有一维井段的集合，v代表一维井段标签，代表目标模型输出的一维井段数据。
在微调过程之后，我们将训练好的目标模型应用到整个地震反演域，以预测每个采样点对应的井段数据，从而得到高精度的地下介质参数。
具体而言，即采用目标模型以如下方式进行地下介质参数的预测，如图1所示，图1为本说明书实施例所提供的一种井震融合的地下介质参数高精度建模方法的流程示意图，包括：
S101，确定待预测的地震体中任意的采样点。
待预测的地震体中此时并不包含井段数据，其通常即为使用地震数据和初始模型进行地震反演成像得到的二维反演地震体，在这其中，可以进行任意位置的采样，得到采样点。
S103，采用预先训练的目标模型预测所述采样点所对应的多个井段数据，其中，所述目标模型中包含拼接的目标编码器和d×k的多层感知器，d为编码器中一维潜向量的长度，k为一维井段的数据长度。
此时，仅需要将采样点的位置信息输入，并设定滑动步长(例如，设定一个滑动步长为1的窗口)，目标模型即可以给出反演地震体中的对应的多个目标井段数据(每滑动一个步长窗口，即可以得到一个对应的目标井段数据)。
S103，将多个井段数据在该采样点的平均值作为所述采样点的地下介质模型参数。
对于任意的采样点而言，即可以将采样点附近的多个井段数据的平均值作为所述采样点的地下介质模型参数。
通过确定待预测的地震体中任意的采样点；采用预先训练的目标模型预测所述采样点所对应的多个井段数据，其中，所述目标模型中包含拼接的目标编码器和d×k的多层感知器，d为编码器中一维潜向量的长度，k为一维井段的数据长度；将多个井段数据在该采样点的平均值作为所述采样点的地下介质模型参数，能够在少量标签测井数据的前提下获取更好的泛化性能，从而实现地下介质参数模型的高精度预测。
为了验证本申请的方案的效果，发明人还进行了如下试验。
下面给出本申请的方案在Otway模型(如图2所示)中的实际应用效果，将位于0.24km和1.5km位置处的两个垂直剖面(如图2内虚线所示)看作已知的井速度曲线。输入初始速度模型(如图3所示)，对Otway模型进行正演模拟得到地震观测记录，同时设置反演参数：模型大小为2240×1968m，其空间采样步长为10m，时间采样步长为0.3ms，最大计算时间为3.0s，震源子波主频为15Hz，炮数为61，炮间隔为40m，地下4m激发，接收点数为610，接收点间隔为4m。
图4为进行低频段(2～5Hz)全波形反演得到的结果，图5为先将全波形反演得到的地下参数模型作为偏移速度模型进行逆时偏移成像，得到多炮逆时偏移结果，再对叠加后的剖面进行拉普拉斯算子滤波得到的偏移剖面。
对获得的参数模型与偏移剖面进行加权叠加后得到的结果进行插值后随机截取成224×224的地震数据块作为训练数据集，然后基于掩码自编码器(掩码率：75％)实现自监督预训练。图6为利用掩码自动编码器的训练过程示意图，从初始的地震体(即图6中的original部分)进行掩码，得到高掩码的地震体(即示意图6中的masked部分)，然后基于编码和解码进行重建，得到重建后的地震体(即reconstruction部分)，最后即对重建的地震体可视化(即reconstruction+visiable部分)，在这个训练过程中，掩码自编码器最终贝训练成可以完整提取得到地震体的目标编码器。
图7为微调网络的示意图，其可以有效地学习地震数据与目标区域对应井段的参数之间的最佳映射关系。
图8为最终预测地下参数结果，可以看到，预测参数模型中包含丰富的细节信息，非常接近真实模型，说明本发明所述方法能够对地下模型进行高效高精度的速度建模。
在第二方面，如图9所示，图9为本说明书实施例提供的一种电子设备的结构示意图，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (7)
1.一种井震融合的地下介质参数高精度建模方法，包括：
确定待预测的地震体中任意的采样点；
采用预先训练的目标模型预测所述采样点所对应的多个井段数据，其中，所述目标模型中包含拼接的目标编码器和d×k的多层感知器，d为编码器中一维潜向量的数据长度，k为一维井段的数据长度；
将多个井段数据的平均值作为所述采样点的地下介质模型参数。
2.如权利要求1所述的方法，其中，所述目标模型采用如下方式预先训练得到：
首先获取反演地震体；
将所述反演地震体作为训练数据集，对掩码自编码器进行自监督预训练，生成目标编码器，其中，在所述自监督预训练中，以高掩码比例的反演地震体作为输入，目标输出是恢复原始反演地震体，所述目标编码器用于提取反演地震体的高级特征表示；
在所述目标编码器后拼接d×k的多层感知器，生成待训练模型；
采用井位置处的2D反演地震体与其对应标注的1D井段，对所述待训练模型进行微调训练，以未掩码的反演地震体作为所述待训练模型的输入，以一维井段数据为输出，生成目标模型。
3.如权利要求2所述的方法，其中，获取反演地震体，包括：
获取原始地震数据和初始速度模型；
以原始地震数据和初始速度模型作为输入，进行全波形反演，生成反演成像结果，以及，使用全波形反演结果进行逆时偏移成像，生成偏移成像结果；
加权所述反演成像结果和所述偏移成像结果，生成反演地震体。
4.如权利要求3所述的方法，其中，对所述原始地震数据和初始速度模型进行全波形反演，生成反演成像结果，包括：
对所述原始地震数据和初始速度模型进行低频的全波形反演，生成低频段的反演成像结果。
5.如权利要求2所述的方法，其中，采用反演地震体对掩码自编码器进行自监督预训练，包括：
采用如下损失函数对掩码自编码器进行监督预训练，其中，p指示掩码图像块位置，Ω指示掩码图像块集合，I代表原始未遮挡的反演地震体，/>代表自编码器输出的反演地震体。
6.如权利要求2所述的方法，其中，采用所述包含井段标签的反演地震体对所述待训练模型进行微调训练，包括：
采用如下损失函数对所述待训练模型进行微调训练，其中，i代表一维井段索引号，Ψ指示所有一维井段的集合，v代表一维井段标签，/>代表目标模型输出的一维井段数据。
7.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310827356.1A CN116609852B (zh) | 2023-07-06 | 2023-07-06 | 一种井震融合的地下介质参数高精度建模方法以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310827356.1A CN116609852B (zh) | 2023-07-06 | 2023-07-06 | 一种井震融合的地下介质参数高精度建模方法以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116609852A true CN116609852A (zh) | 2023-08-18 |
| CN116609852B CN116609852B (zh) | 2024-01-23 |
Family
ID=87674971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310827356.1A Active CN116609852B (zh) | 2023-07-06 | 2023-07-06 | 一种井震融合的地下介质参数高精度建模方法以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116609852B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763356A (zh) * | 2023-12-26 | 2024-03-26 | 中国地质科学院地质力学研究所 | 一种基于LightGBM算法的地震相快速识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200088897A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine Learning-Based Analysis of Seismic Attributes |
| CN114063161A (zh) * | 2020-08-03 | 2022-02-18 | 华为技术有限公司 | 一种地震反演方法、装置及系统 |
| CN114547958A (zh) * | 2020-11-24 | 2022-05-27 | 中国石油天然气股份有限公司 | 基于深度神经网络的井震结合裂缝预测方法及装置 |
| CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
| CN115659848A (zh) * | 2022-12-12 | 2023-01-31 | 成都理工大学 | 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 |
| US20230041525A1 (en) * | 2020-01-25 | 2023-02-09 | Schlumberger Technology Corporation | Automatic model selection through machine learning |
| WO2023081113A1 (en) * | 2021-11-02 | 2023-05-11 | Schlumberger Technology Corporation | Well log correlation system |
-
2023
- 2023-07-06 CN CN202310827356.1A patent/CN116609852B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200088897A1 (en) * | 2018-09-14 | 2020-03-19 | Bp Corporation North America Inc. | Machine Learning-Based Analysis of Seismic Attributes |
| US20230041525A1 (en) * | 2020-01-25 | 2023-02-09 | Schlumberger Technology Corporation | Automatic model selection through machine learning |
| CN114063161A (zh) * | 2020-08-03 | 2022-02-18 | 华为技术有限公司 | 一种地震反演方法、装置及系统 |
| CN114547958A (zh) * | 2020-11-24 | 2022-05-27 | 中国石油天然气股份有限公司 | 基于深度神经网络的井震结合裂缝预测方法及装置 |
| WO2023081113A1 (en) * | 2021-11-02 | 2023-05-11 | Schlumberger Technology Corporation | Well log correlation system |
| CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
| CN115659848A (zh) * | 2022-12-12 | 2023-01-31 | 成都理工大学 | 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 |
Non-Patent Citations (4)
| Title |
|---|
| H. DI AND A. ABUBAKAR: "Estimating subsurface properties using a semisupervised neural network approach", GEOPHYSICS, vol. 87, no. 1 * |
| SID-ALI OUADFEUL AND LEILA ALIOUANE: "Total organic carbon estimation in shale-gas reservoirs using seismic genetic inversion with an example from the Barnett Shale", THE LEADING EDGE, vol. 35, no. 9 * |
| 曹春晓: "深度学习在储层预测中的应用研究", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 2 * |
| 杜昕;范廷恩;董建华;聂妍;范洪军;郭泊洋: "基于多层感知机网络的薄储层预测", 石油地球物理勘探, vol. 55, no. 6 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763356A (zh) * | 2023-12-26 | 2024-03-26 | 中国地质科学院地质力学研究所 | 一种基于LightGBM算法的地震相快速识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116609852B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mousavi et al. | Deep-learning seismology | |
| Pham et al. | Missing well log prediction using convolutional long short-term memory network | |
| Waldeland et al. | Convolutional neural networks for automated seismic interpretation | |
| US11828894B2 (en) | Multi-scale unsupervised seismic velocity inversion method based on autoencoder for observation data | |
| Li et al. | Surface microseismic data denoising based on sparse autoencoder and Kalman filter | |
| CN116609852B (zh) | 一种井震融合的地下介质参数高精度建模方法以及设备 | |
| Cumming et al. | Multiwell deconvolution | |
| CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
| Ravasi et al. | A joint inversion-segmentation approach to assisted seismic interpretation | |
| Li et al. | Self-supervised pre-training vision transformer with masked autoencoders for building subsurface model | |
| Feng et al. | Intelligent random noise modeling by the improved variational autoencoding method and its application to data augmentation | |
| CN117251674A (zh) | 一种地震相分类方法、装置、电子设备及介质 | |
| Chang et al. | SegLog: Geophysical logging segmentation network for lithofacies identification | |
| Sheng et al. | Seismic Foundation Model (SFM): a new generation deep learning model in geophysics | |
| Misra et al. | Massive Geomodel Compression and Rapid Geomodel Generation Using Advanced Autoencoders and Autoregressive Neural Networks | |
| Pham et al. | Missing sonic log prediction using convolutional long short-term memory | |
| Razak et al. | Physics-guided deep learning for improved production forecasting in unconventional reservoirs | |
| Razak et al. | Embedding physical flow functions into deep learning predictive models for improved production forecasting | |
| Jordão et al. | Generative adversarial network applied to ore type modeling in complex geological environments | |
| Zhong et al. | Multi-Scale Encoder-Decoder Network for DAS Data Simultaneous Denoising and Reconstruction | |
| Liu et al. | Mitigation of spatial nonstationarity with vision transformers | |
| Meng et al. | Learning to decouple and generate seismic random noise via invertible neural network | |
| US11719844B2 (en) | System and method for analyzing reservoir changes during production | |
| Lin et al. | Learning or memorizing: A study of generalization issues on data-driven seismic full-waveform inversion | |
| Dang et al. | Constrained dynamical neural ode for time series modelling: A case study on continuous emotion prediction |
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 |