面向地震相识别的生成对抗网络及其应用研究
发布时间：2022-02-13 12:29
随着大数据时代的到来,深度学习利用多层次的模型结构,通过反向传播算法（BP算法）自动地从复杂数据中进行多层次的、具有不同复杂度的特征提取。这种端到端的学习方式已经在多个领域得到广泛应用。地震相岩性识别是储层解释评价的重要组成部分。在数据采集过程中,由于钻井成本高,有标签数据数量很小,难于达到深度学习训练所需的数据规模,识别模型方差大。针对此不足,本文提出一种生成对抗网络（GAN）中增加Gini正则项的半监督学习算法（SGAN＿G）。首先证明了在损失函数中添加Gini正则项可以提高模型收敛的速度和泛化能力,并通过对比试验得到验证。然后将SGAN＿G应用到岩性识别领域,较之前的模型识别效果有了显著提升。地层邻域具有相似性,导致地震数据存在局部相关性。采用以地震数据的多个采样点作为输入的采样方式,隐含地使用地层信息,进一步提升了地震相岩性识别的效果。
【文章来源】：中国石油大学(北京)北京市211工程院校教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
模拟数据
第3章基于生成对抗网络的半监督学习-24-3.3SGAN的改进Gini指数可以表达随机变量的不确定性，在计算时无需知道样本的真实标签，因此通过在判别器损失函数的无标签部分添加Gini正则项，可以进一步从无标签数据中提取隐含的信息，提高了原有SGAN模型收敛的速度和泛化能力。3.3.1Gini正则项在信息论中，随机变量不确定性由熵来度量。设X=<x1,x2,…,xn>是一个取n个值的离散随机变量，其概率分布为p(X=xi)=pi(i=1,2,…,n)。因此，X的熵可以定义如下：1()logniiiEntropypp=X=（3.9）显然，Entropy(X)∈[0,1]。熵越大，随机变量越不确定，反之，熵越小随机变量越确定。对于多分类模型的输出L可看成多类别概率分布的随机变量X，其每次输出对应一个熵值。优良的多分类模型对样本的可辨别性更强，即输出的熵越小，分类结果越确定，如图3.4所示，横轴对应5个类别，纵轴为模型对该类别的预测结果，为0到1之间的概率值，和为1。因此，为了SGAN学习过程更快、更好地收敛，改进判别网络D损失函数的无标签部分，在其中添加熵的正则项，为无标签数据的训练添加额外的约束。图3.4多分类问题预测结果Fig.3.4Predictionsofmultiple-classrroblems在实践中过程中，当概率pi→0时，logpi→-∞，通过计算机求解会导致损失函数的值溢出，为此，进一步将Entropy(X)改为Gini(X)。这是因为Gini指数也是
第3章基于生成对抗网络的半监督学习-28-因此可以确定Gini正则项关于lj的梯度值位于2pjG(pj)和2pjH(pj)之间，它们的函数曲线如图3.5所示，其中红色曲线对应K=5时2pjG(pj)的值，绿色表示2pjH(pj)。jGinil的具体取值由除第j类外的剩余K-1类的概率分布决定，当K-1类的概率分布均衡时，它取到下确界；当K-1类的概率分布集中在某一类上时，取到上确界。图3.52xG(x)和2xH(x)的函数曲线图Fig.3.5Functiondiagramof2xG(x)and2xH(x)以剩余K-1类的概率分布均衡时为例，由图3.5可知，当1jp>K时，g<0，对于一个K分类（K≥2）问题而言，表示模型已经判定该样本属于第j类，在使用梯度下降算法训练模型时，lj沿Gini正则项关于lj的负梯度方向变化，即继续增大，从而加速模型在现有方向上的学习速度。不仅如此，当pj趋近于1K或1时，即模型对现有样本类别的判定信心不足或非常确定时，加速的强度减弱，这符合我们对模型训练的预期，可以自适应地调节学习率。同理可知，当1jpK时，g>0，模型进一步否定该样本属于第j类。因此，Gini正则项可以在训练的过程中自适应的加速模型收敛的速度。
【参考文献】：
期刊论文
[1]基于深度信念网络的多采样点岩性识别[J]. 李国和,郑阳,李莹,吴卫江,洪云峰,周晓明. 地球物理学进展. 2018(04)
[2]岩性识别技术现状与进展[J]. 付光明,严加永,张昆,胡浩,罗凡. 地球物理学进展. 2017(01)
[3]测井约束与神经网络联合反演储层预测技术[J]. 余为维,冯磊,杜艳艳,杨艳军,周明奂,董郑. 地球物理学进展. 2016(05)
[4]随机森林分类方法在储层岩性识别中的应用[J]. 王志宏,韩璐,戚磊. 辽宁工程技术大学学报(自然科学版). 2015(09)
[5]分频波阻抗反演技术在塔中西部台内滩储层预测中的应用[J]. 王振卿,王宏斌,张虎权,张继娟,武雪琼. 天然气地球科学. 2014(11)
[6]测井资料一致性处理在井震联合反演中的应用[J]. 李谋杰,郭海敏,蔡炳坤,董勇,居大海. 石油天然气学报. 2014(05)
[7]地质统计学反演在杏北西斜坡区储层预测中的应用[J]. 王雅春,王璐. 地球物理学进展. 2013(05)
[8]波阻抗反演在吉林探区煤层特征分析及储层预测中的应用[J]. 苗广文,刘聪,王典,李鹏,刘洋,于赟舟. 地球物理学进展. 2011(05)
[9]地质统计反演之随机地震反演方法——以苏丹M盆地P油田为例[J]. 李方明,计智锋,赵国良,吴昌吉,李志明. 石油勘探与开发. 2007(04)
[10]运用多地震属性和神经网络预测岩性[J]. 崔丽玲,齐龙瑜,刘松芬,胡北来. 南开大学学报(自然科学版). 2007(02)
本文编号：3623195
【文章来源】：中国石油大学(北京)北京市211工程院校教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
模拟数据
第3章基于生成对抗网络的半监督学习-24-3.3SGAN的改进Gini指数可以表达随机变量的不确定性，在计算时无需知道样本的真实标签，因此通过在判别器损失函数的无标签部分添加Gini正则项，可以进一步从无标签数据中提取隐含的信息，提高了原有SGAN模型收敛的速度和泛化能力。3.3.1Gini正则项在信息论中，随机变量不确定性由熵来度量。设X=<x1,x2,…,xn>是一个取n个值的离散随机变量，其概率分布为p(X=xi)=pi(i=1,2,…,n)。因此，X的熵可以定义如下：1()logniiiEntropypp=X=（3.9）显然，Entropy(X)∈[0,1]。熵越大，随机变量越不确定，反之，熵越小随机变量越确定。对于多分类模型的输出L可看成多类别概率分布的随机变量X，其每次输出对应一个熵值。优良的多分类模型对样本的可辨别性更强，即输出的熵越小，分类结果越确定，如图3.4所示，横轴对应5个类别，纵轴为模型对该类别的预测结果，为0到1之间的概率值，和为1。因此，为了SGAN学习过程更快、更好地收敛，改进判别网络D损失函数的无标签部分，在其中添加熵的正则项，为无标签数据的训练添加额外的约束。图3.4多分类问题预测结果Fig.3.4Predictionsofmultiple-classrroblems在实践中过程中，当概率pi→0时，logpi→-∞，通过计算机求解会导致损失函数的值溢出，为此，进一步将Entropy(X)改为Gini(X)。这是因为Gini指数也是
第3章基于生成对抗网络的半监督学习-28-因此可以确定Gini正则项关于lj的梯度值位于2pjG(pj)和2pjH(pj)之间，它们的函数曲线如图3.5所示，其中红色曲线对应K=5时2pjG(pj)的值，绿色表示2pjH(pj)。jGinil的具体取值由除第j类外的剩余K-1类的概率分布决定，当K-1类的概率分布均衡时，它取到下确界；当K-1类的概率分布集中在某一类上时，取到上确界。图3.52xG(x)和2xH(x)的函数曲线图Fig.3.5Functiondiagramof2xG(x)and2xH(x)以剩余K-1类的概率分布均衡时为例，由图3.5可知，当1jp>K时，g<0，对于一个K分类（K≥2）问题而言，表示模型已经判定该样本属于第j类，在使用梯度下降算法训练模型时，lj沿Gini正则项关于lj的负梯度方向变化，即继续增大，从而加速模型在现有方向上的学习速度。不仅如此，当pj趋近于1K或1时，即模型对现有样本类别的判定信心不足或非常确定时，加速的强度减弱，这符合我们对模型训练的预期，可以自适应地调节学习率。同理可知，当1jpK时，g>0，模型进一步否定该样本属于第j类。因此，Gini正则项可以在训练的过程中自适应的加速模型收敛的速度。
【参考文献】：
期刊论文
[1]基于深度信念网络的多采样点岩性识别[J]. 李国和,郑阳,李莹,吴卫江,洪云峰,周晓明. 地球物理学进展. 2018(04)
[2]岩性识别技术现状与进展[J]. 付光明,严加永,张昆,胡浩,罗凡. 地球物理学进展. 2017(01)
[3]测井约束与神经网络联合反演储层预测技术[J]. 余为维,冯磊,杜艳艳,杨艳军,周明奂,董郑. 地球物理学进展. 2016(05)
[4]随机森林分类方法在储层岩性识别中的应用[J]. 王志宏,韩璐,戚磊. 辽宁工程技术大学学报(自然科学版). 2015(09)
[5]分频波阻抗反演技术在塔中西部台内滩储层预测中的应用[J]. 王振卿,王宏斌,张虎权,张继娟,武雪琼. 天然气地球科学. 2014(11)
[6]测井资料一致性处理在井震联合反演中的应用[J]. 李谋杰,郭海敏,蔡炳坤,董勇,居大海. 石油天然气学报. 2014(05)
[7]地质统计学反演在杏北西斜坡区储层预测中的应用[J]. 王雅春,王璐. 地球物理学进展. 2013(05)
[8]波阻抗反演在吉林探区煤层特征分析及储层预测中的应用[J]. 苗广文,刘聪,王典,李鹏,刘洋,于赟舟. 地球物理学进展. 2011(05)
[9]地质统计反演之随机地震反演方法——以苏丹M盆地P油田为例[J]. 李方明,计智锋,赵国良,吴昌吉,李志明. 石油勘探与开发. 2007(04)
[10]运用多地震属性和神经网络预测岩性[J]. 崔丽玲,齐龙瑜,刘松芬,胡北来. 南开大学学报(自然科学版). 2007(02)
本文编号：3623195
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3623195.html
