【摘 要】
：
从地震数据中识别断层在地震资料解释中至关重要,但随着勘探规模的扩大,传统的人工解释断层已满足不了实际生产需要.如何研究出一种能满足断层识别高精度需求并能提升运算速度的方法是急需解决的问题.为此,基于改进的AlexNet模型,把自动识别断层的方法看作图像识别二分类问题.首先将批量归一化代替局部响应归一化,加快模型收敛;其次引入平衡交叉熵损失,解决在地震数据中断层与非断层高度不平衡问题,使模型朝着正确的方向收敛;最后用卷积层代替全连接层,极大缩减了训练参数,加快了训练速度.训练的模型对理论数据和实际数据预测结
【机 构】
：
成都理工大学地球物理学院,四川成都610059
论文部分内容阅读
从地震数据中识别断层在地震资料解释中至关重要,但随着勘探规模的扩大,传统的人工解释断层已满足不了实际生产需要.如何研究出一种能满足断层识别高精度需求并能提升运算速度的方法是急需解决的问题.为此,基于改进的AlexNet模型,把自动识别断层的方法看作图像识别二分类问题.首先将批量归一化代替局部响应归一化,加快模型收敛;其次引入平衡交叉熵损失,解决在地震数据中断层与非断层高度不平衡问题,使模型朝着正确的方向收敛;最后用卷积层代替全连接层,极大缩减了训练参数,加快了训练速度.训练的模型对理论数据和实际数据预测结果表明,改进的AlexNet模型充分学习了断层特征,具有可以从地震数据中识别断层的能力.
其他文献
目前中国大部分油田开发进入后期,常规油气逐渐开采殆尽,低阻油层等非常规油气藏成为重要探测目标.在复杂断块油藏中,受沉积微相、构造以及层间干扰等多因素所致,单纯依靠专家经验人工识别准确率不高且效率较低.应用大数据挖掘技术,以小层数据为切入点,融合测井与研究成果资料筛选并核实低阻层;应用并行关联规则算法挖掘小层的含油性相关参数关系;基于聚类分析算法进行小层分类,对包含已核实低阻油层类小层进行相似度计算,实现低阻油层识别.通过对东部地区某油田大量数据分析表明,大数据驱动的低阻油层精准识别方法可以有效地实现低阻油
中东M油田是以碳酸盐岩储层为主的双重介质油藏,裂缝发育、非均质性较强.由于目前常规单一的地震属性无法精细刻画裂缝分布规律,因此建立了基于神经网络的多信息融合裂缝建模技术,首先利用神经网络预测无成像测井资料的单井裂缝密度;其次将纵波方位各向异性、地震不连续检测叠前地震属性,基于神经网络非线性融合进行三维裂缝密度发育概率预测;以单井裂缝密度作为井上硬数据,在严格的变差函数分析和裂缝密度概率体双重约束条件下建立裂缝密度模型;最后通过地质统计学建模方法建立离散裂缝网络模型并将其粗化等效成裂缝属性模型.模型拟合率应
地下盐体与油气藏的关系密不可分,盐体的准确识别对油气藏勘探和钻探路径规划具有重要意义.以往的深度学习方法使用固定大小的感受野,不能根据地震图像中盐体的大小动态地调整卷积核来捕捉特征,从而忽略了部分全局信息,导致在盐体边界或狭长处识别效果较差.针对上述问题,在U-Net基础上进行改进,使用SKNet作为编码器提取盐体特征,其具有动态选择机制,根据输入信息的多个尺度自适应地调整感受野的大小,并结合位置与通道自注意力机制以及超柱体方法进行特征融合.采用改进的U-Net方法对TGS盐体数据集进行评估,取得交并比为
断层解释是油气勘探和开发中的关键步骤,由于采集的三维地震数据体数量增多,人工以及传统方法很难精细化解释数据体中的断层.为了更好地满足目前油气勘探开发对高效、高精度、高分辨率断层解释的迫切需求,研究基于深度学习算法实现地震数据的自动化和智能化断层检测.通过正演模拟的方法生成大量的、多样化的、符合实际情况的训练数据,同时结合已解释的断层结果构建完备的训练样本库.在此基础上设计优化的、简单的三维卷积神经网络模型高效处理大的三维地震数据体并获得精确的断层检测结果,对断层检测结果做进一步的匹配滤波扫描处理来获得增强
沉积相建模是储层建模中的一个重要环节,有多种方法可以用来建立沉积相模型.传统的建模方法需要利用各种参数对变量的空间结构信息进行刻画,如变差函数、数据样式等,在模拟中再现这种空间结构.利用生成对抗神经网络方法(GAN,Generative Adversarial Nets)建模采用了不同的策略,通过对大量图像(模型)的学习,生成与学习样本具有高度相似特征的模型.基于单一图像生成对抗神经网络方法(SinGAN,Generative Adversarial Nets based on single image)
机器学习和数据挖掘具有出色的预测、分析、决策和计算能力,在油气勘探开发领域的应用已取得良好的效果.在总结储层预测方法的基础上,分析了不同储层预测方法的适用性及优缺点,应用机器学习方法,挖掘测井和地震数据,预测了储层的岩石类型、空间展布、孔隙度、渗透率和含油饱和度.将该方法与地震反演储层预测对比,结果表明该方法具有明显优势.一是挖掘地震数据蕴含的大量信息并进行多重属性融合,使预测精度提高;二是数据驱动代替经验驱动,使工作流程简化.
滑坡灾害的精准监测和及时预警是防灾减灾的关键.针对目前滑坡监测预警存在的预警成功率低、预警时间滞后等问题,提出基于“滑坡发生的充分必要条件是牛顿力变化”这一学术思想的监测预警新方法,研发滑坡地质灾害牛顿力远程监测预警新系统.从滑坡牛顿力远程监测预警的“道”、“器”、“术”及工程应用4个方面进行总结论述.首先,在岩石力学领域首次提出地质体灾变牛顿力变化定律,构建基于牛顿力变化测量的滑坡双体灾变力学模型和数学表达,形成一套完善的滑坡牛顿力测量理论体系.再者,自主研发滑坡地质灾害牛顿力远程监测预警系统以及具有高
针对横波速度预测问题,在分析经验公式法和岩石物理建模法优缺点的基础上,结合横波速度预测原理,提出基于深度前馈神经网络方法(DFNN)进行横波速度的预测.研究从纵、横波速度关系入手,详细阐述了DFNN方法应用于横波速度预测的可行性,并介绍了该深度学习方法的基本原理;选择声波时差、密度、中子孔隙度、泥质含量、孔隙度5个储层参数与横波速度进行深度神经网络训练,建立可靠的横波速度预测模型.将该模型应用于不同研究区的横波速度预测,结果表明基于DFNN方法预测横波速度能够有效提高预测的精度和效率,适用范围广,可以为叠
随着油气田勘探开发难度越来越大,对砂体岩性预测精度提出更高要求.具有较高纵向分辨率的地质统计学方法,随着其应用范围越来越广,井间预测可靠性不足的缺点愈加明显.基于机器学习算法和属性特征双优选的砂体岩性预测方法,首先通过井震精细标定,明确砂体在地震数据和属性体上的特征;然后在属性特征优选和确定测井敏感曲线的基础上,选择最优的机器学习算法;接下来使用K折交叉验证法,获得最优超参数组合,最后通过多次迭代获得预测精度和鲁棒性都较高的训练模型.将该方法应用于埕岛东坡馆上段5砂组砂体岩性预测,不仅井点吻合度较高,预测
崩滑型堰塞坝由于坝体结构松散、稳定性差、极易产生漫顶溃决形成巨型洪水,曾一度给我国灾区人民生命财产造成严重危害.基于当前室内模型实验、现场试验和数值模拟系统地总结溃坝阶段划分依据、溃口及纵剖面演变规律、溃决流量及洪水沿程演进特点,并在此基础上深入分析溃口下切及横向扩展中坝体材料侵蚀计算公式及侵蚀机制.相比人工土石坝,堰塞坝溃口及纵向发展受坝体材料空间非均匀分布及漫顶水流饱和含沙量影响严重.此外,相较于其他泥沙侵蚀作用关系,线性及双曲型侵蚀力与抗侵蚀力关系由于计算简单、高效,具有明确的物理意义,能更好地反应