基于卷积神经网络的储层识别方法研究
发布时间：2021-01-08 09:22
油气储层的准确识别在油气勘探中举足轻重。基于地震的深层储层预测,困难之处在于储层孔隙流体地震响应信号的识别或信息提取。现有方法仍有不足之处,因此必须有针对性的研究发展新的储层识别方法技术。深度学习是一类能够发现数据中潜在特征的算法,已在其他一些领域有了许多成功的经验,尤其在计算机视觉领域。它具有强大的特征学习能力和对数据的高效表达,近年来正逐渐开始在地球物理领域崭露头角。基于此,为充分挖掘地震数据中包含的储层信息,提高地震资料利用率,本文将深度学习应用于储层识别问题当中。通过对深度学习提取的高层特征的分析表明,本文提出的DCAE模型能够用于提高对油气储集层的检测和识别能力。本文主要研究内容如下:1.研究了卷积神经网络与自编码网络,使用目前业界优秀的深度学习库Tensorflow,设计并编写了深度卷积自编码（DCAE）模型。该模型的计算分为三个阶段:编码阶段、解码阶段和重建阶段。编码阶段与解码阶段为对称结构,包括输入层、输出层以及17层隐藏层。隐藏层中的神经元与传统的卷积神经网络类似,在编码阶段,包含了3组卷积与池化层以及编码全连接层,经过表达层后进入解码阶段,包含了解码全连接层以及对应...
【文章来源】：成都理工大学四川省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
机器学习与人工智能及其他计算机科学技术的关系
编写卷积自编码网络模型并调整参数以获得最优的学习特征用深度学习库 TensorFlow 编写网络模型，利用其进行训练数据的通过调节超参数、网络结构等方式进行实验，对比重建结果，寻找获得最能表达重建数据的特征。重建目标数据后提取特征图，使用数据进行可视化分析，并对其进行相关性评价，优选最佳的近似特图，结合测井资料相对比，对目标区域进行储层检测。
第 2 章 深度学习与相关技术2.1 人工神经元David H. Hubel 和 Torsten Wiesel（1959）对猫进行了一系列实验，对视觉皮层的结构提供了重要见解。他们发现动物视觉皮层中有许多神经元都具有较小的局部感受野，这说明，这些神经元都只对视野中有限的区域内的视觉刺激有反应。但是不同的神经元所受到的刺激感受可能是重叠的，而后不同神经元都接收到的图像碎片铺展成为眼睛所见到的整个视野。同时发现，某些神经元拥有更大的感受野，能对更为复杂的模式做出反应，这些模式是更低层次模式的组合。而这些神经元以相邻的低级神经元的输出结果进行输出。
【参考文献】：
期刊论文
[1]多波地震深度学习的油气储层分布预测案例[J]. 付超,林年添,张栋,文博,魏乾乾,张凯. 地球物理学报. 2018 (01)
[2]深度学习及其在深层天然气储层预测中的应用实验[J]. 曹俊兴. 物探化探计算技术. 2017(06)
[3]地震属性融合技术在河道砂体识别中的应用[J]. 杨国权,刘强,刘延利. 物探化探计算技术. 2016(06)
[4]基于PCA-BP神经网络的非常规储层岩性识别研究[J]. 胡嘉良,高玉超,余继峰,卢磊,张鸿君,杨子群. 山东科技大学学报(自然科学版). 2016(05)
[5]致密储层各向异性地震岩石物理建模及应用[J]. 印兴耀,刘倩. 中国石油大学学报(自然科学版). 2016(02)
[6]基于连续限制玻尔兹曼机的支持向量机岩性识别方法[J]. 吴施楷,曹俊兴. 地球物理学进展. 2016(02)
[7]页岩气开发:机遇与挑战[J]. 曹俊兴. 科学. 2015(05)
[8]基于BP神经网络算法识别苏里格气田致密砂岩储层岩性[J]. 赵忠军,黄强东,石林辉,王宪文,单敬福. 测井技术. 2015(03)
[9]基于支持向量机分类的有效储层识别[J]. 闫树. 石化技术. 2015(03)
[10]地震储层及含油气预测技术应用进展综述[J]. 赵万金,杨午阳,赵伟. 地球物理学进展. 2014(05)
博士论文
[1]离散过程神经网络算法及在储层识別中的应用研究[D]. 肖红.东北石油大学 2015
[2]时频分析新方法研究及其在地震资料储层识别中的应用[D]. 胥德平.成都理工大学 2012
[3]地震解释中的图像处理方法与技术研究[D]. 唐世伟.东北石油大学 2011
[4]基于测井-地震多属性分析的储层预测方法及应用[D]. 吴世旗.中国地质大学（北京） 2005
[5]地震属性技术的研究与应用[D]. 郭刚明.西南石油学院 2005
硕士论文
[1]量子神经网络模型及在储层识别中的应用[D]. 李国蕊.东北石油大学 2017
[2]流体地震响应特征研究[D]. 胡军辉.成都理工大学 2015
[3]塔河三号联脱硫工艺研究[D]. 黄永.中国石油大学 2011
[4]地震属性技术研究及其在胜利富林洼陷储层预测中的应用[D]. 姚维益.成都理工大学 2008
[5]基于人工神经网络的储层参数预测研究[D]. 贺波.哈尔滨工程大学 2007
本文编号：2964341
【文章来源】：成都理工大学四川省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
机器学习与人工智能及其他计算机科学技术的关系
编写卷积自编码网络模型并调整参数以获得最优的学习特征用深度学习库 TensorFlow 编写网络模型，利用其进行训练数据的通过调节超参数、网络结构等方式进行实验，对比重建结果，寻找获得最能表达重建数据的特征。重建目标数据后提取特征图，使用数据进行可视化分析，并对其进行相关性评价，优选最佳的近似特图，结合测井资料相对比，对目标区域进行储层检测。
第 2 章 深度学习与相关技术2.1 人工神经元David H. Hubel 和 Torsten Wiesel（1959）对猫进行了一系列实验，对视觉皮层的结构提供了重要见解。他们发现动物视觉皮层中有许多神经元都具有较小的局部感受野，这说明，这些神经元都只对视野中有限的区域内的视觉刺激有反应。但是不同的神经元所受到的刺激感受可能是重叠的，而后不同神经元都接收到的图像碎片铺展成为眼睛所见到的整个视野。同时发现，某些神经元拥有更大的感受野，能对更为复杂的模式做出反应，这些模式是更低层次模式的组合。而这些神经元以相邻的低级神经元的输出结果进行输出。
【参考文献】：
期刊论文
[1]多波地震深度学习的油气储层分布预测案例[J]. 付超,林年添,张栋,文博,魏乾乾,张凯. 地球物理学报. 2018 (01)
[2]深度学习及其在深层天然气储层预测中的应用实验[J]. 曹俊兴. 物探化探计算技术. 2017(06)
[3]地震属性融合技术在河道砂体识别中的应用[J]. 杨国权,刘强,刘延利. 物探化探计算技术. 2016(06)
[4]基于PCA-BP神经网络的非常规储层岩性识别研究[J]. 胡嘉良,高玉超,余继峰,卢磊,张鸿君,杨子群. 山东科技大学学报(自然科学版). 2016(05)
[5]致密储层各向异性地震岩石物理建模及应用[J]. 印兴耀,刘倩. 中国石油大学学报(自然科学版). 2016(02)
[6]基于连续限制玻尔兹曼机的支持向量机岩性识别方法[J]. 吴施楷,曹俊兴. 地球物理学进展. 2016(02)
[7]页岩气开发:机遇与挑战[J]. 曹俊兴. 科学. 2015(05)
[8]基于BP神经网络算法识别苏里格气田致密砂岩储层岩性[J]. 赵忠军,黄强东,石林辉,王宪文,单敬福. 测井技术. 2015(03)
[9]基于支持向量机分类的有效储层识别[J]. 闫树. 石化技术. 2015(03)
[10]地震储层及含油气预测技术应用进展综述[J]. 赵万金,杨午阳,赵伟. 地球物理学进展. 2014(05)
博士论文
[1]离散过程神经网络算法及在储层识別中的应用研究[D]. 肖红.东北石油大学 2015
[2]时频分析新方法研究及其在地震资料储层识别中的应用[D]. 胥德平.成都理工大学 2012
[3]地震解释中的图像处理方法与技术研究[D]. 唐世伟.东北石油大学 2011
[4]基于测井-地震多属性分析的储层预测方法及应用[D]. 吴世旗.中国地质大学（北京） 2005
[5]地震属性技术的研究与应用[D]. 郭刚明.西南石油学院 2005
硕士论文
[1]量子神经网络模型及在储层识别中的应用[D]. 李国蕊.东北石油大学 2017
[2]流体地震响应特征研究[D]. 胡军辉.成都理工大学 2015
[3]塔河三号联脱硫工艺研究[D]. 黄永.中国石油大学 2011
[4]地震属性技术研究及其在胜利富林洼陷储层预测中的应用[D]. 姚维益.成都理工大学 2008
[5]基于人工神经网络的储层参数预测研究[D]. 贺波.哈尔滨工程大学 2007
本文编号：2964341
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/2964341.html
