当前位置:主页 > 科技论文 > 地质论文 >

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】:

面向地震相识别的生成对抗网络及其应用研究


模拟数据

概率分布,问题,随机变量,标签


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

函数曲线图,概率分布,加速模型,模型


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

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/diqiudizhi/3623195.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户023d6***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com