基于深度降噪自编码的波形聚类方法研究
发布时间：2021-04-29 04:27
油气是我们国家紧缺型的战略性资源。我国深部碳酸盐岩地层拥有着丰富的油气资源,但储层识别困难。地震波形数据中隐含了大量的储层信息,而聚类分析是进行储层识别的有效方法。原始地震资料所表达的储层信息有限,因此,为进一步挖掘地震数据中的隐藏信息,本文针对深部勘探目标,通过构建深度学习特征学习网络模型,利用其强大的非线性特征提取以及组合低层特征得到更加抽象的高层表示类别或特征的能力,对地震数据的含气性响应特征进行提取,以发现地震波形数据中的分布式特征表示,并进行聚类分析,从而进行深部储层检测,以提高储层含油气性检测的可靠性和有效性。该方法对地震数据还具有较好的降噪功能。论文的主要研究内容与成果如下:（1）在对各种深度学习网络基础原理进行研究的基础上,重点研究了深度降噪自编码算法（SDAE）。SDAE是由无监督浅层学习模型之一的降噪自编码（DAE）进行叠加得来的,DAE是一类接受损坏数据作为输入,并训练来预测原始未被破坏数据作为输出的自编码（AE）。SDAE不仅具有降噪功能,还能从不同隐藏层学习到数据中不同层级和高层的潜在的特征。基于此,本文结合深度学习框架TensorFlow和matlab完成了...
【文章来源】：成都理工大学四川省
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 引言
1.1 选题依据及研究意义
1.2 国内外研究进展
1.3 主要研究内容与技术路线
1.3.1 主要研究内容
1.3.2 研究思路
第2章 深度学习基础理论
2.1 深度学习
2.2 自编码
2.3 降噪自编码
2.4 深度降噪自编码
2.5 深度学习优化算法
2.5.1 随机梯度下降算法
2.5.2 Momentum优化算法
2.5.3 AdaGrad优化算法
2.5.4 RMSprop优化算法
2.5.5 Adam优化算法
2.6 聚类算法
2.6.1 经典k-means聚类算法
2.6.2 k-means++聚类算法
第3章 深度学习框架及加速理论
3.1 TensorFlow
3.2 CPU和GPU
3.3 多GPU并行计算
3.4 CUDA和Cudnn
3.5 TensorRT加速
第4章 基于深度降噪自编码的波形聚类方法研究
4.1 研究工区地质概况
4.2 模型试算
4.3 训练数据集的获取和预处理
4.4 模型训练及结果
4.4.1 模型训练
4.4.2 特征相关性分析及特征优选
4.4.3 TensorRT加速
4.4.4 聚类结果及分析
4.5 结论
结论
致谢
参考文献
攻读学位期间取得学术成果
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的储层物性参数预测方法研究[J]. 安鹏,曹丹平,赵宝银,杨晓利,张明. 地球物理学进展. 2019(05)
[2]深层碳酸盐岩储层含气性检测方法技术研究[J]. 曹俊兴,薛雅娟,田仁飞,舒亚祥. 石油物探. 2019(01)
[3]地震油气储层的小样本卷积神经网络学习与预测[J]. 林年添,张栋,张凯,王守进,付超,张建彬,张冲. 地球物理学报. 2018(10)
[4]基于波形聚类的沉积微相定量解释技术研究——以中东地区X油田为例[J]. 徐海,都小芳,高君,孙红军,郑磊,陆红梅,胡鹏. 石油物探. 2018(05)
[5]基于孔隙度分级的页岩脆性矿物指数预测方法[J]. 鲍祥生,周海燕,符志国. 物探化探计算技术. 2018(01)
[6]砂泥岩储层孔隙度预测的改进模型[J]. 邓社根,滕新保,华桂钱,王美均,张宏兵. 黑龙江科技大学学报. 2017(06)
[7]感知机理论研究综述[J]. 张天欣. 电子技术与软件工程. 2017(22)
[8]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)
[9]碳酸盐岩孔隙度预测新方法在珠江口盆地的应用[J]. 张志伟,何敏,陈胜红,陈兆明,徐超,袁才. 海洋地质前沿. 2017(10)
[10]利用常规测井曲线定量预测裂缝型孔隙度[J]. 陈彦虎,胡俊,蒋龙聪,胡冬梅. 特种油气藏. 2017(06)
博士论文
[1]川西孝泉—新场构造中三叠统雷口坡组地震沉积学研究[D]. 杜浩坤.成都理工大学 2015
[2]地震信号时频分析及其在储层含气性检测中的应用研究[D]. 薛雅娟.成都理工大学 2014
硕士论文
[1]基于地震数据深度学习的储层预测方法及其应用研究[D]. 叶绍泽.成都理工大学 2018
[2]基于卷积神经网络的断层曲面提取与重建[D]. 余里辉.电子科技大学 2018
[3]BP神经网络在城市轨道交通客流短时预测中的应用研究[D]. 王立政.苏州科技大学 2017
[4]基于岩石物理模型的孔隙度和孔隙结构反演及应用研究[D]. 张祖豪.成都理工大学 2017
[5]基于模糊理论的决策树算法的研究及应用[D]. 于振灏.中国地质大学(北京) 2017
[6]基于深度学习的天然气储层检测方法研究[D]. 吴施楷.成都理工大学 2017
[7]基于BP神经网络和自回归模型的股市预测[D]. 谭秀辉.中北大学 2010
本文编号：3166838
【文章来源】：成都理工大学四川省
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 引言
1.1 选题依据及研究意义
1.2 国内外研究进展
1.3 主要研究内容与技术路线
1.3.1 主要研究内容
1.3.2 研究思路
第2章 深度学习基础理论
2.1 深度学习
2.2 自编码
2.3 降噪自编码
2.4 深度降噪自编码
2.5 深度学习优化算法
2.5.1 随机梯度下降算法
2.5.2 Momentum优化算法
2.5.3 AdaGrad优化算法
2.5.4 RMSprop优化算法
2.5.5 Adam优化算法
2.6 聚类算法
2.6.1 经典k-means聚类算法
2.6.2 k-means++聚类算法
第3章 深度学习框架及加速理论
3.1 TensorFlow
3.2 CPU和GPU
3.3 多GPU并行计算
3.4 CUDA和Cudnn
3.5 TensorRT加速
第4章 基于深度降噪自编码的波形聚类方法研究
4.1 研究工区地质概况
4.2 模型试算
4.3 训练数据集的获取和预处理
4.4 模型训练及结果
4.4.1 模型训练
4.4.2 特征相关性分析及特征优选
4.4.3 TensorRT加速
4.4.4 聚类结果及分析
4.5 结论
结论
致谢
参考文献
攻读学位期间取得学术成果
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的储层物性参数预测方法研究[J]. 安鹏,曹丹平,赵宝银,杨晓利,张明. 地球物理学进展. 2019(05)
[2]深层碳酸盐岩储层含气性检测方法技术研究[J]. 曹俊兴,薛雅娟,田仁飞,舒亚祥. 石油物探. 2019(01)
[3]地震油气储层的小样本卷积神经网络学习与预测[J]. 林年添,张栋,张凯,王守进,付超,张建彬,张冲. 地球物理学报. 2018(10)
[4]基于波形聚类的沉积微相定量解释技术研究——以中东地区X油田为例[J]. 徐海,都小芳,高君,孙红军,郑磊,陆红梅,胡鹏. 石油物探. 2018(05)
[5]基于孔隙度分级的页岩脆性矿物指数预测方法[J]. 鲍祥生,周海燕,符志国. 物探化探计算技术. 2018(01)
[6]砂泥岩储层孔隙度预测的改进模型[J]. 邓社根,滕新保,华桂钱,王美均,张宏兵. 黑龙江科技大学学报. 2017(06)
[7]感知机理论研究综述[J]. 张天欣. 电子技术与软件工程. 2017(22)
[8]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)
[9]碳酸盐岩孔隙度预测新方法在珠江口盆地的应用[J]. 张志伟,何敏,陈胜红,陈兆明,徐超,袁才. 海洋地质前沿. 2017(10)
[10]利用常规测井曲线定量预测裂缝型孔隙度[J]. 陈彦虎,胡俊,蒋龙聪,胡冬梅. 特种油气藏. 2017(06)
博士论文
[1]川西孝泉—新场构造中三叠统雷口坡组地震沉积学研究[D]. 杜浩坤.成都理工大学 2015
[2]地震信号时频分析及其在储层含气性检测中的应用研究[D]. 薛雅娟.成都理工大学 2014
硕士论文
[1]基于地震数据深度学习的储层预测方法及其应用研究[D]. 叶绍泽.成都理工大学 2018
[2]基于卷积神经网络的断层曲面提取与重建[D]. 余里辉.电子科技大学 2018
[3]BP神经网络在城市轨道交通客流短时预测中的应用研究[D]. 王立政.苏州科技大学 2017
[4]基于岩石物理模型的孔隙度和孔隙结构反演及应用研究[D]. 张祖豪.成都理工大学 2017
[5]基于模糊理论的决策树算法的研究及应用[D]. 于振灏.中国地质大学(北京) 2017
[6]基于深度学习的天然气储层检测方法研究[D]. 吴施楷.成都理工大学 2017
[7]基于BP神经网络和自回归模型的股市预测[D]. 谭秀辉.中北大学 2010
本文编号：3166838
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/3166838.html
