CN118011514A - 一种应用于盆地基底界面起伏及密度的预测方法及系统 - Google Patents
一种应用于盆地基底界面起伏及密度的预测方法及系统 Download PDFInfo
- Publication number
- CN118011514A CN118011514A CN202410424533.6A CN202410424533A CN118011514A CN 118011514 A CN118011514 A CN 118011514A CN 202410424533 A CN202410424533 A CN 202410424533A CN 118011514 A CN118011514 A CN 118011514A
- Authority
- CN
- China
- Prior art keywords
- density
- basin
- training
- prediction
- interface
- 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 61
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000005484 gravity Effects 0.000 claims abstract description 32
- 239000000758 substrate Substances 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 11
- 239000011435 rock Substances 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
- G01V7/02—Details
- G01V7/06—Analysis or interpretation of gravimetric records
-
- 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)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于盆地基底界面起伏及密度的预测方法及系统,涉及地质数据处理领域,其中方法步骤包括:基于研究区盆地的实际地质情况,构建若干基底界面起伏模型;基于密度因子,对每个基底界面起伏模型进行密度填充,得到若干个对应的最终模型;对每个最终模型进行重力正演,得到若干个对应的重力数据,构成训练集;基于训练集,构建并训练预测模型;利用预测模型,完成对盆地的基底界面起伏及密度的预测。本发明在兼顾了之前方法的优点的同时,通过结合MBConv卷积和Fused‑MBConv卷积作为卷积运算,同时采用NAS和缩放技术改进传统的CNN网络。本发明促进了多层地质特征的更有效的利用,加快了网路训练速度。
Description
技术领域
本发明涉及地质数据处理领域,具体涉及一种应用于盆地基底界面起伏及密度的预测方法及系统。
背景技术
地球物理勘探在油气勘探中扮演着重要的角色,为油气勘探提供了关键的技术手段和数据支持。传统的油气勘探方法通常使用地震勘探来划定盆地边界并寻找油气富集区域。然而,传统的重力反演方法受到稳定性和分辨率的限制,难以准确地描述密度界面的突变情况。
重力反演问题通常被认为是不适定问题,因为观测数据的数量与被剖分网格的数量不一致。此外,观测数据中的微小波动会对反演结果产生显著的干扰,导致解的唯一性和稳定性问题。因此,选择合适的反演方法来解决反问题的多解性至关重要。
常见的重力反演方法可以分为确定性反演和概率反演两类。确定性反演方法包括牛顿法、最陡下降法和共轭梯度法等。然而,这些梯度最小化技术有时会陷入局部最小值,特别是当误差目标函数具有多个局部最小值时。蒙特卡罗方法是一种基于随机搜索的方法,通过增加搜索步骤的数量来缓解确定性方法陷入局部极小值的问题。然而,该方法更适用于误差目标函数具有多个局部极小值的情况。为了克服这个限制,更新的蒙特卡罗方法采用优化算法来减少随机搜索所需的步骤数,主要的经典算法包括模拟退火算法和遗传算法。然而,传统的重力反演方法尚未提供有效的解决方案来处理重力场的体积效应、矩阵欠定问题和大型病态矩阵。
近年来,地球物理学家开始关注利用机器学习方法来解决反问题,特别是结合先前的地质信息。无监督机器学习算法,如聚类、线性分类器、支持向量机、决策树和随机森林等,被广泛应用于解决地球物理反演中的不适定问题。此外,线性回归、逻辑回归和多项式回归等方法在揭示地下物理特征方面也证明有效。然而,无监督学习容易受到过拟合和解释结果挑战等问题的影响。
作为机器学习的另一个分支,深度学习(即监督学习)在泛化能力方面表现出优势,并减少对数据的依赖。深度学习通过训练多层神经网络来学习复杂数据的分层表示。在重力探测中,反向传播神经网络发挥着关键作用。然而,传统的反向传播神经网络在处理图像、参数数量和泛化能力等方面存在一些局限性。
为了克服这些限制,地球物理学家引入了卷积神经网络(CNN)。CNN具有局部连接和权值共享的特点,展现出更强的泛化和迁移学习能力,能够有效地提取和建模地球物理场的特征信息。为了捕捉复杂的地下结构和精确的边界信息,通常需要保留更多的局部和位置数据。然而,传统的CNN更注重全局信息,忽略了局部信息,因此无法获得良好的预测结果。综上所述,地球物理勘探在油气勘探中发挥着重要作用,而重力反演作为其重要组成部分,面临着多解性和稳定性的挑战。为了解决这些问题,传统方法如确定性反演和蒙特卡罗方法已被广泛应用,但仍存在局限性。近年来,机器学习方法,特别是无监督学习和深度学习,成为了新的研究方向。这些方法能够更好地处理不适定问题,提取地球物理数据的特征,并提供更准确的预测结果。然而,这些方法仍然面临一些挑战,如过拟合和解释结果的问题,需要进一步的研究和改进。
发明内容
为解决上述背景中的技术问题,本发明旨在提出一种可以更加接近真实地层数据的预测方法来预测盆地基底的界面起伏。
为实现上述目的,本发明提供了一种应用于盆地基底界面起伏及密度的预测方法,步骤包括:
基于研究区盆地的实际地质情况,构建若干基底界面起伏模型;
基于密度因子,对每个所述基底界面起伏模型进行密度填充,得到若干个对应的最终模型;
对每个所述最终模型进行重力正演,得到若干个对应的重力数据,构成训练集;
基于所述训练集,构建并训练预测模型;
利用所述预测模型,完成对盆地的基底界面起伏及密度的预测。
优选的,进行所述密度填充的方法包括:
式中,表示棱柱体单元的密度值;/>表示是顶界面密度与围岩密度的差;表示棱柱体中控制沉积盆地密度随深度变化因子;/>表示沉积盆地深度。
优选的,进行所述重力正演的方法包括:
式中,表示正演结果;/>表示是万有引力常数;/>表示地下密度体的密度;和/>分别表示观测点坐标和地下密度体的空间坐标。
优选的,构建所述预测模型的方法包括:采用EfficientNetV2网络来构建基本训练框架,并利用所述训练集训练所述基本训练框架,完成所述预测模型的构建,其中,所述EfficientNetV2网络包括:Fused-MBConv卷积和MBConv卷积。
本发明还提供了一种应用于盆地基底界面起伏及密度的预测系统,所述系统用于实现上述方法,包括:构建模块、填充模块、正演模块、训练模块和预测模块;
所述构建模块用于基于研究区盆地的实际地质情况,构建若干基底界面起伏模型;
所述填充模块用于基于密度因子,对每个所述基底界面起伏模型进行密度填充,得到若干个对应的最终模型;
所述正演模块用于对每个所述最终模型进行重力正演,得到若干个对应的重力数据,构成训练集;
所述训练模块用于基于所述训练集,构建并训练预测模型;
所述预测模块用于利用所述预测模型,完成对盆地的基底界面起伏及密度的预测。
优选的,所述填充模块的工作流程包括:
式中,表示棱柱体单元的密度值;/>表示是顶界面密度与围岩密度的差;表示棱柱体中控制沉积盆地密度随深度变化因子;/>表示沉积盆地深度。
优选的,所述正演模块的工作流程包括:
式中,表示正演结果;/>表示是万有引力常数;/>表示地下密度体的密度;和/>分别表示观测点坐标和地下密度体的空间坐标。
优选的,所述训练模块的工作流程包括:采用EfficientNetV2网络来构建基本训练框架,并利用所述训练集训练所述基本训练框架,完成所述预测模型的构建,其中,所述EfficientNetV2网络包括:Fused-MBConv卷积和MBConv卷积。
与现有技术相比,本发明的有益效果如下:
本发明采用了一种创新的深度学习网络EfficientNetV2来分析地球物理勘探数据,它在兼顾了之前方法的优点的同时,通过结合MBConv卷积和Fused-MBConv卷积作为卷积运算,同时采用NAS和缩放技术改进传统的CNN网络。这一改进促进了多层地质特征的更有效的利用,减少了传统网络的训练参数以及加快了网路训练速度。
附图说明
为了更清楚地说明本发明的技术方案,下面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为本发明实施例的方法流程示意图;
图2为本发明实施例的三维空间密度填充XZ切面展示示意图;
图3为本发明实施例的EfficientNetV2网络结构示意图;其中,图3(a)表示MBConv卷积结构;图3(b)表示Fused-MBconv卷积结构;
图4为本发明实施例的卷积对比示意图;其中,图4(a)表示传统卷积,图4(b)表示是DW卷积;
图5为本发明实施例的三种网络对不同模型的损失情况示意图;其中,图5(a)表示对称模型,图5(b)表示非对称模模型,图5(c)表示复杂模型。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,为本实施例的方法流程示意图,步骤包括:
S1.基于研究区盆地的实际地质情况,构建若干基底界面起伏模型。
为了验证EfficientNetV2网络结构在预测盆地地质模型的有效性,本实施例设计了模拟实验来进行验证。具体步骤包括:
首先通过实测布格重力数据,使用布格板模型获取初始盆地基底界面。再利用随机中点方法(RMD)生成74640套沉积盆地扰动界面数据集,并采用Hadamard运算将一系列扰动界面数据集与初始沉积盆地基底界面进行融合,最终生成74640套盆地基底起伏模型数据集。
S2.基于密度因子,对每个基底界面起伏模型进行密度填充,得到若干个对应的最终模型。
在S1中构建的基底界面起伏模型,只有盆地基底的界面深度,本实施例在此基础之上,添加密度因子。因为在重力勘探中密度变化是三维盆地基底描述的重要组成成分;该密度变化因子主要是随深度变化的一个参数,是根据当地工区的布格重力场异常大致确定一个范围,由该工区进行的地质条件确定。
在进行密度填充之前,先将构建的若干基底界面起伏模型,分为三种情况(对称、非对称和复杂模型);划分其三种不同模型主要是基底深度形态上的区别。然后利用变密度公式进行密度填充(公式1),将底部深度剖分为等深度的间隔进行填充:
(1)
式中,表示棱柱体单元的密度值;/>表示是顶界面密度与围岩密度的差;表示棱柱体中控制沉积盆地密度随深度变化因子;/>表示沉积盆地深度。
填充结果如图2所示,其中,ρ1、ρ2...ρn表示将地下剖分成十层网格后,分别对每个网格进行填充的密度)。
S3.对每个最终模型进行重力正演,得到若干个对应的重力数据,构成训练集。
在经过S2步骤的填充过后,得到了三套不同的模型,其中包括:长度为2000m×2000m的对称模型;长度为2500m×1500m的非对称模型;以及长度为4400m×4400m的复杂模型;将这些模型的地下均剖分成10层的等间隔深度。
之后,采用立方体积分公式对每一套模型进行正演,其中三套模型中各包含24880套模型。由于重力正演是线性的计算方式,在计算过程中计算时间主要划分在正演核函数中,同时该核函数表示的是一个空间关系,如果模型一样,那么本实施例就不用重新计算核函数,直接调用第一次计算的即可,可以节约大部分时间。具体公式如下:
(2)
式中,表示正演结果;/>表示是万有引力常数;/>表示地下密度体的密度;和/>分别表示观测点坐标和地下密度体的空间坐标,这些都是构成核矩阵的关键,那么公式(2)正演公式可以简化为成:/>,其中A(ρ)表示关于地下密度体的密度ρ所构成的重力布格异常正演的核矩阵。由此得到的若干重力数据便构成了后续模型的训练集。
S3.基于训练集,构建并训练预测模型。
为了能够从重力数据中重构三维盆地的起伏状态以及密度变化,本实施例设计了一个完成的卷积神经网络。表1展示出EfficientNetV2的综合网络结构:
表1
该网络与传统的CNN不同之处是运用了Fused-MBConv和MBConvJ卷积,并且EfficientNetV2是基于EfficientNetV1的基础上改进的。该网络结构的实验结果表明其比传统的网络具有更高精度、更快的训练速度、更少的参数等优点。其中主要体现在Fused-MBConv卷积和MBConv卷积上面,两种卷积的具体形式如图3所示,其中图3(a)表示MBConv卷积结构;图3(b)表示Fused-MBconv卷积结构。
然而传统的卷积核计算是根据上一个的输入大小进行计算,并且输出也是的尺寸也发生改变,如式3所示,同时输出的特征图由channels决定,准确的来说就是有多少个卷积核,就会有多少个特征图,其中传统卷积核的结构如图4(a)所示。
(3)
式中,Out H 表示输出特征矩阵高的尺寸;In H 表示输入特征矩阵高的尺寸;kernel表示卷积核的大小;padding表示特征矩阵填充的多少;stride表示卷积核操作前进的步数;Out W 表示输出特征矩阵宽的尺寸;In W 表示输入特征矩阵宽的尺寸。
然而DW卷积则是由两部分卷积构成,如图4(b)所示,该功能主要是由一个卷积核和一个卷积核构成,其中第一个卷积核相比较与传统的卷积核得到的三通道不进行求和,因此第一个卷积计算完之后就会的到3通道的特征图,最后通过第二个卷积核进行卷积计算,将得到多通道卷积。同理该方法的好处在于提取相同通道数的特征图,运用DW卷积可以使得计算参数大大减少,这样加速了网络的训练时间。举例说明,本实施例想要实现将21×21×3的特征图提取到19×19×256的一个特征图;此时采用相同的条件,即3×3×3的卷积核,padding为0,stride为1;通过计算需要多少个参数才能完成上述特征图提取,来比较两种卷积的优劣,如式4所示:
参数a:
参数b: (4)
其中参数a表示传统卷积;参数b表示DW卷积。
可以发现两种方式要实现相同的功能,其第二种参数大大减少了许多,因此方便更快的训练网络。
因此EfficientNetV2网络第一个阶段采用普通的卷积核,第二个阶段采用的是Fused-MBConv卷积,其结构如图3(b)所示,首先经过一个3×3卷积核进行升维,在经过一个SE注意力模块,该模块通过将增加的权重归因于信息通道来放大特征,同时减少相应通道来减少噪音和无关紧要的元素。这种能力的增强和减少提高了网络的运行效率,提高了在重力异常数据中复杂模式的识别能力,这是地球物理分析的一个关键方面。如式5所示。其中表示输入中的第c个元素。/>其中,U表示输入特征矩阵,H和W分别表示在整个设计通道数C中通过1×1卷积运算提取重力数据的行数和列数。最终再通过一个的卷积核进行降维:
(5)
式中,表示降维操作,即压缩向量。
其中在第四阶段中,采用MBConv卷积,该模块由一个1×1的卷积核进行升维卷积,然后再采用一个DWConv的3×3卷积核,然后经过SE模块,接着是一个的卷积核进行降维。
同时EfficientNetV2还采用了复合缩放技术,通过将整个卷积网络定义为Net,将卷积操作定义为F,第i层的输入特征张量为,为/>的高度、宽度和通道个数,输出特征张量为/>,则第i层的计算公式如下:
。 (6)
假如这个网络比较复杂,它具有K层,那么它的计算方式为:
(7)
式中,N表示一个阶段中的进行若干次卷积所得到的特征矩阵;表示第一层输入的特征向量;⊙表示连接运算 。
其中整个网络Net由s个stage阶段搭建而成,表示在第i个阶段中卷积层F堆叠的次数,d,w,r分别代表depth、width、resolution。因此整个计算公式可以发生变化如下所示:
, (8)
其中,Net()表示整个网络结构。
为了找到最合适的组合,EfficientNetV2的所有层的深度d、宽度w和分辨率r必须以恒定的比列均匀缩放,为了在限定资源约束下提高模型的精度,也就是在计算能力有限的情况下,要达到最优的效果。所以目标函数如下:
(9)
(10)
(11)
其中,分别代表网络中的预定义参数,当输入图像时高分辨率时,网络的感受野应随之增大,获取更多的特征,其中Accuracy表示整体网络的最优的精确度;Memory表示该网络所需要的内存大小;targetmemory表示目标内存大小;FLOPS表示计算机每秒计算的速度;targetflops表示目标中计算机每秒计算速度。
定义复合系数为的均匀扩展网络的深度d、宽度w和分辨率r为:
, (12)
其中,α、β、γ分别表示深度d、宽度w和分辨率r各自的倍率因子。
最终本实施例考虑采用EfficientNetV2-s的网络结构(表1)作为基本训练框架,其中的宽度倍率因子1.4、深度倍率因子为1.8;并输入S3获得的训练集进行训练,得到预测模型。
S5.利用预测模型,完成对盆地的基底界面起伏及密度的预测。
实施例二
为验证本发明的准确性,本实施例采用了三个简单的模拟盆地分别为对称、非对称、复杂模型进行识别,并与先有的DNN,Resunet++做对比,如图5所示,分别表示该网络的学习情况,其中图5(a)表示对称模型,图5(b)表示非对称模模型,图5(c)表示复杂模型;图中的x,y分别代表观测面上的横向、和纵向距离。表2代表的是网络训练参数,可以发现EfficientNetV无论在损失函数上还是训练参数上都表现出很优秀的结果。
表2
。
实施例三
本实施例还提供了,包括:构建模块、填充模块、正演模块、训练模块和预测模块;其中,构建模块用于基于研究区盆地的实际地质情况,构建若干基底界面起伏模型;填充模块用于基于密度因子,对每个基底界面起伏模型进行密度填充,得到若干个对应的最终模型;正演模块用于对每个最终模型进行重力正演,得到若干个对应的重力数据,构成训练集;训练模块用于基于训练集,构建并训练预测模型;预测模块用于利用预测模型,完成对盆地的基底界面起伏及密度的预测。
在本实施例中,填充模块的工作流程包括:
式中,表示棱柱体单元的密度值;/>表示是顶界面密度与围岩密度的差;表示棱柱体中控制沉积盆地密度随深度变化因子;/>表示沉积盆地深度。
正演模块的工作流程包括:
式中,表示正演结果;/>表示是万有引力常数;/>表示地下密度体的密度;和/>分别表示观测点坐标和地下密度体的空间坐标。
训练模块的工作流程包括:采用EfficientNetV2网络来构建基本训练框架,并利用训练集训练基本训练框架,完成预测模型的构建,其中,EfficientNetV2网络包括:Fused-MBConv卷积和MBConv卷积。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种应用于盆地基底界面起伏及密度的预测方法,其特征在于,步骤包括:
基于研究区盆地的实际地质情况,构建若干基底界面起伏模型;
基于密度因子,对每个所述基底界面起伏模型进行密度填充,得到若干个对应的最终模型;
对每个所述最终模型进行重力正演,得到若干个对应的重力数据,构成训练集;
基于所述训练集,构建并训练预测模型;
利用所述预测模型,完成对盆地的基底界面起伏及密度的预测。
2.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法,其特征在于,进行所述密度填充的方法包括:
式中,/>表示棱柱体单元的密度值;/>表示是顶界面密度与围岩密度的差;/>表示棱柱体中控制沉积盆地密度随深度变化因子;/>表示沉积盆地深度。
3.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法,其特征在于,进行所述重力正演的方法包括:
式中,/>表示正演结果;/>表示是万有引力常数;/>表示地下密度体的密度;/>和/>分别表示观测点坐标和地下密度体的空间坐标。
4.根据权利要求1所述的应用于盆地基底界面起伏及密度的预测方法,其特征在于,构建所述预测模型的方法包括:采用EfficientNetV2网络来构建基本训练框架,并利用所述训练集训练所述基本训练框架,完成所述预测模型的构建,其中,所述EfficientNetV2网络包括:Fused-MBConv卷积和MBConv卷积。
5.一种应用于盆地基底界面起伏及密度的预测系统,所述系统用于实现权利要求1-4任一项所述的方法,其特征在于,包括:构建模块、填充模块、正演模块、训练模块和预测模块;
所述构建模块用于基于研究区盆地的实际地质情况,构建若干基底界面起伏模型;
所述填充模块用于基于密度因子,对每个所述基底界面起伏模型进行密度填充,得到若干个对应的最终模型;
所述正演模块用于对每个所述最终模型进行重力正演,得到若干个对应的重力数据,构成训练集;
所述训练模块用于基于所述训练集,构建并训练预测模型;
所述预测模块用于利用所述预测模型,完成对盆地的基底界面起伏及密度的预测。
6.根据权利要求5所述的应用于盆地基底界面起伏及密度的预测系统,其特征在于,所述填充模块的工作流程包括:
式中,/>表示棱柱体单元的密度值;/>表示是顶界面密度与围岩密度的差;/>表示棱柱体中控制沉积盆地密度随深度变化因子;/>表示沉积盆地深度。
7.根据权利要求5所述的应用于盆地基底界面起伏及密度的预测系统,其特征在于,所述正演模块的工作流程包括:
式中,/>表示正演结果;/>表示是万有引力常数;/>表示地下密度体的密度;/>和/>分别表示观测点坐标和地下密度体的空间坐标。
8.根据权利要求5所述的应用于盆地基底界面起伏及密度的预测系统,其特征在于,所述训练模块的工作流程包括:采用EfficientNetV2网络来构建基本训练框架,并利用所述训练集训练所述基本训练框架,完成所述预测模型的构建,其中,所述EfficientNetV2网络包括:Fused-MBConv卷积和MBConv卷积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424533.6A CN118011514B (zh) | 2024-04-10 | 2024-04-10 | 一种应用于盆地基底界面起伏及密度的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424533.6A CN118011514B (zh) | 2024-04-10 | 2024-04-10 | 一种应用于盆地基底界面起伏及密度的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118011514A true CN118011514A (zh) | 2024-05-10 |
CN118011514B CN118011514B (zh) | 2024-07-05 |
Family
ID=90944837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410424533.6A Active CN118011514B (zh) | 2024-04-10 | 2024-04-10 | 一种应用于盆地基底界面起伏及密度的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118011514B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2887268A1 (en) * | 2014-12-15 | 2016-06-15 | Arthur H. Kozak | Methods and apparatuses for determining true vertical depth (tvd) within a well |
CN106896421A (zh) * | 2017-03-29 | 2017-06-27 | 中国海洋石油总公司 | 基于计算机图形学的喷发相火山岩地质体三维建模方法 |
AU2020102157A4 (en) * | 2020-07-31 | 2020-10-15 | China University Of Geosciences, Beijing | Forward Modelling Method For The Subsidence Process Of A Foreland Basin Under A Point Load Condition With Inversion Constraints |
CN113156558A (zh) * | 2021-03-19 | 2021-07-23 | 苏州维旺科技有限公司 | 一种Mini LED扩散片及其制备工艺、背光模组 |
CN113917560A (zh) * | 2021-09-16 | 2022-01-11 | 成都理工大学 | 一种三维重磁电震多参数协同反演方法 |
CN114676644A (zh) * | 2022-05-27 | 2022-06-28 | 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 |
US20220245928A1 (en) * | 2021-02-04 | 2022-08-04 | Google Llc | Systems and methods for progressive learning for machine-learned models to optimize training speed |
CN115508900A (zh) * | 2022-11-23 | 2022-12-23 | 中国地质大学(武汉) | 一种地面拖拽式瞬变电磁成像方法及系统 |
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 |
CN116206214A (zh) * | 2023-03-08 | 2023-06-02 | 西安电子科技大学 | 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质 |
CN116661014A (zh) * | 2023-04-21 | 2023-08-29 | 中国地质科学院地球物理地球化学勘查研究所 | 一种用于任意变密度界面的反演方法 |
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 |
CN117725354A (zh) * | 2024-02-18 | 2024-03-19 | 中国地质大学(北京) | 一种大数据量重力与重力梯度联合的快速正反演方法及系统 |
-
2024
- 2024-04-10 CN CN202410424533.6A patent/CN118011514B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2887268A1 (en) * | 2014-12-15 | 2016-06-15 | Arthur H. Kozak | Methods and apparatuses for determining true vertical depth (tvd) within a well |
CN106896421A (zh) * | 2017-03-29 | 2017-06-27 | 中国海洋石油总公司 | 基于计算机图形学的喷发相火山岩地质体三维建模方法 |
AU2020102157A4 (en) * | 2020-07-31 | 2020-10-15 | China University Of Geosciences, Beijing | Forward Modelling Method For The Subsidence Process Of A Foreland Basin Under A Point Load Condition With Inversion Constraints |
US20220245928A1 (en) * | 2021-02-04 | 2022-08-04 | Google Llc | Systems and methods for progressive learning for machine-learned models to optimize training speed |
CN113156558A (zh) * | 2021-03-19 | 2021-07-23 | 苏州维旺科技有限公司 | 一种Mini LED扩散片及其制备工艺、背光模组 |
CN113917560A (zh) * | 2021-09-16 | 2022-01-11 | 成都理工大学 | 一种三维重磁电震多参数协同反演方法 |
CN114676644A (zh) * | 2022-05-27 | 2022-06-28 | 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 |
US11768982B1 (en) * | 2022-05-27 | 2023-09-26 | Chengdu University Of Technology | Density abrupt interface inversion method and system based on machine learning constraints |
CN115508900A (zh) * | 2022-11-23 | 2022-12-23 | 中国地质大学(武汉) | 一种地面拖拽式瞬变电磁成像方法及系统 |
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 |
CN116206214A (zh) * | 2023-03-08 | 2023-06-02 | 西安电子科技大学 | 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质 |
CN116661014A (zh) * | 2023-04-21 | 2023-08-29 | 中国地质科学院地球物理地球化学勘查研究所 | 一种用于任意变密度界面的反演方法 |
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 |
CN117725354A (zh) * | 2024-02-18 | 2024-03-19 | 中国地质大学(北京) | 一种大数据量重力与重力梯度联合的快速正反演方法及系统 |
Non-Patent Citations (3)
Title |
---|
"Prediction Method of Underground Density Abnormal Body in Gravity Data Based on Convolutional Neural Network", 2021 20TH INTERNATIONAL CONFERENCE ON UBIQUITOUS COMPUTING AND COMMUNICATIONS, 31 December 2021 (2021-12-31), pages 190 - 195 * |
代宏睿: "川西藏东地区重磁处理解释与地壳结构研究", 中国优秀硕士学位论文全文数据库 (基础科学辑), no. 04, 16 March 2022 (2022-03-16), pages 011 - 254 * |
苏达权: "利用重力资料推算沉积盆地的基底密度", 石油地球物理勘探, no. 04, 31 December 1983 (1983-12-31), pages 369 - 378 * |
Also Published As
Publication number | Publication date |
---|---|
CN118011514B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laloy et al. | Training‐image based geostatistical inversion using a spatial generative adversarial neural network | |
CA3067013C (en) | Deep learning based reservoir modeling | |
Deutsch et al. | The application of simulated annealing to stochastic reservoir modeling | |
US10519766B2 (en) | Reservoir modelling with multiple point statistics from a non-stationary training image | |
EP2599023B1 (en) | Methods and systems for machine-learning based simulation of flow | |
Gao et al. | Automatic fault detection on seismic images using a multiscale attention convolutional neural network | |
US20150219793A1 (en) | Conditional Process-Aided Multiple-Points Statistics Modeling | |
Boucher | Considering complex training images with search tree partitioning | |
EP2599031A1 (en) | Methods and systems for machine-learning based simulation of flow | |
Jo et al. | Conditioning well data to rule-based lobe model by machine learning with a generative adversarial network | |
CA2489416A1 (en) | Method and program storage device for generating grids representing the architecture of fluvial reservoirs | |
Zheng et al. | Digital rock reconstruction with user-defined properties using conditional generative adversarial networks | |
CN114676644B (zh) | 一种基于机器学习约束的密度突变界面反演方法及系统 | |
Bai et al. | Accelerating geostatistical modeling using geostatistics-informed machine Learning | |
WO2021127670A1 (en) | Hierarchical building and conditioning of geological models with machine learning parameterized templates and methods for using the same | |
Korjani et al. | Reservoir characterization using fuzzy kriging and deep learning neural networks | |
Han et al. | Multiple point geostatistical simulation with adaptive filter derived from neural network for sedimentary facies classification | |
US20180128940A1 (en) | Global Inversion of Gravity Data Using the Principle of General Local Isostasy for Lithospheric Modeling | |
Yu-Feng et al. | Three-dimensional gravity inversion based on 3D U-Net++ | |
Lv et al. | Fast forward approximation and multitask inversion of gravity anomaly based on UNet3+ | |
CN118011514B (zh) | 一种应用于盆地基底界面起伏及密度的预测方法及系统 | |
Nagihara | Three-dimensional inverse modeling of the refractive heat-flow anomaly associated with salt diapirism | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
Fei et al. | Apply two-way cluster analysis to select candidate reservoir models from multiple realizations | |
Rahmati et al. | Predicting density log from well log using machine learning techniques and heuristic optimization algorithm: A comparative study |
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 |