基于注意力约束深度生成网络的测井电成像空白条带填充

电成像测井是储层测井评价的一种有效技术手段．但由于电成像测井仪器极板的尺寸与井径不能完全匹配,极板对井周的覆盖率无法达到100%,导致测得的图像存在空白条带,影响地质信息的精确解释．为提高测井资料解释精度,有必要对这些空白条带进行填充．传统的测井电成像空白条带填充方法由于只能获取图像的浅层特征,能较好地修复结构简单的砂泥岩图像,但对砂砾岩、碳酸盐岩等结构复杂的成像图则修复效果不佳．深度学习方法具有强大感知能力,能够捕获图像的深层特征,因此本文采用深度生成网络对测井电成像图像空白条带进行填充．首先,为使深度生成网络提取对空白填充更为重要的特征,将注意力机制引入网络,其中通道注意力机制通过对不同通道的特征加权生成通道注意力权重向量,以增加重要特征的权重,而空间注意力机制利用特征图的内部空间关系生成空间注意力权重向量精确定位重要信息的位置,实现对重点信息的关注．其次,改变常规卷积神经网络中卷积的方式,通过引入变形卷积以提高网络对复杂图像几何变换的建模能力,更好地拟合图像的轮廓细节信息．在砂砾岩地层测井电成像图像的填充实验中表明,引入注意力机制后,所填充空白条带区域与整体图像的上下文内容更为一...     

基于机器学习的极光图像自动分割方法

极光是太阳风能量注入到极区的指示器,从观测视野中准确分割出极光区域对研究极光演变如亚暴过程有非常重要的意义.本文基于全卷积神经网络提出了一种弱监督极光图像自动分割策略,数据标记时仅需指定极光区域的一个像素点即可,极大解决了机器学习人工标注数据的压力.首先利用简单单弧状极光图像训练一个初始分割模型Model 1,然后基于该模型,结合热点状和复杂多弧状极光图像获得一个增强的分割模型Model 2,最后对分割结果做进一步优化.本文对2003-2007年北极黄河站越冬观测的2715幅极光图像进行了分割,并和最新论文结果及人工标签进行了定量和定性比较,其中分割结果与人工标签的"交并比"高达60%,证明了本文方法的有效性.     

基于卷积神经网络的瞬变电磁数据快速成像算法研究

瞬变电磁一维反演技术已经相对成熟,但对野外实测数据进行实时成像仍然有一定难度.本文将卷积神经网络引入到时间域瞬变电磁数据成像中,通过训练网络近似瞬变电磁响应与地电模型之间的函数关系,将复杂的反演过程转化为矩阵映射过程,进而实现瞬变电磁数据的实时快速成像.考虑到传统算法大多针对单点进行成像,难以实现面积性数据快速处理,本文尝试将接收点相对发射源的坐标信息作为网络输入参数,这不仅使得该算法在野外成像过程中更加灵活,同时也大大减少了训练过程中样本集数量.为验证算法的有效性,我们首先在大量理论数据上进行测试,检验了卷积网络的优越性以及加入坐标信息可在不影响成像精度的前提下极大提升该方法对不规则测点电磁数据的成像灵活性.最后,我们通过对实测数据分别进行神经网络成像和Occam反演,进一步验证本文神经网络成像方法的有效性.

     

基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究

岩石矿物组分含量是地球物理勘探开发中的重点关注对象.在岩心与地层元素测井资料较少的情况下,如何提高矿物组分含量参数的预测精度显得尤为关键.本文采用深度学习方法,利用常规测井曲线对来自于地层元素测井获得的矿物组分含量进行预测.首先基于残差网络(ResNet)框架,利用一维卷积核和池化核构建了卷积神经网络模型.模型采用自然伽马、自然电位、井径、阵列感应电阻率、三孔隙度以及光电吸收截面指数测井参数作为输入,地层元素测井获得的矿物组分含量作为输出.随后对所搭建卷积神经网络进行了训练,建立了输入与输出之间的实际映射关系.最后,利用测试数据集和真实地层资料,对所建立的卷积神经网络进行了精度检验,并与人工神经网络和多元线性回归的评价结果进行了比较.结果显示,卷积神经网络在测试数据集上的总体预测数值相关性为0.90,明显优于人工神经网络的0.68与多元线性回归的0.51.通过处理实际测井资料,进一步验证了该方法的预测优越性和鲁棒性,以及其在地层参数评价方向的良好应用前景．     

基于卷积神经网络的地震偏移剖面中散射体的定位和成像

本文提出了一种基于深度学习卷积神经网络（CNN）的全波形反演方法,可对地震散射波场中的散射体进行成像和定位.本文的灵感来自如下猜想：在散射波场剖面上的每个点附近的局部波场与该点到各散射体之间的最小距离有关系,并且这个关系可以被CNN网络所识别.我们将该最小距离定义为散射距离场,并将散射距离场的类别（即大小等级）作为CNN网络的预期输出,而输入就是该点附近的局部波场.最后用上述CNN网络对散射波场进行逐点训练和识别.计算结果证实了我们的灵感猜想,即上述CNN网络能够在复杂散射波场中对散射体进行成像.只通过一个训练模型的学习,CNN网络即可反演多种散射模型的偏移剖面,最后得到"类别函数预测值"和"滤波剖面"两种成像结果,由此可以辨识出在复杂的偏移剖面中各散射体的位置.     

基于卷积神经网络和MPGA-LM算法的阵列侧向测井快速反演方法

在大斜度井/水平井环境下,阵列侧向测井受钻井液侵入、地层倾角和各向异性等多种因素影响,导致测井响应复杂,需借助反演手段提取地层真实电阻率.然而,阵列侧向测井三维正演效率低,难以满足测井资料快速反演和油气藏快速评价的需求.为此,本文基于深度学习并联合混合多种群遗传(MPGA)与列文伯格马奎特(LM)算法建立了一种快速反演...     

基于3D U-Net++L3卷积神经网络的断层识别

断层解释在构造圈闭中起着十分重要的作用,是地震构造解释的基础和关键.使用传统的相干体、曲率等属性解释断层效率较低,并且受人为因数影响较大,致使断层识别能力有限,而传统的卷积神经网络虽然可以在一定程度上摆脱人为因素的干扰,但在断层识别精度上并没有明显的提高.为了解决断层识别困难的问题,本文提出了一种基于3D U-Net++L³卷积神经网络的断层智能识别方法,该方法是采用计算机视觉领域的图像语义分割技术,对输入数据体的每一个像素点进行判断是否为断层,随后输出断层概率体.测试结果表明,本文所选用的模型的测试精度可以提高至95%左右,损失函数值可以收敛至2%左右.实际应用表明,模型可以在实际地震数据中准确地估算断层位置,在断层连续性上面有所提高,解决了断层与背景在细节上难分问题.从而验证了图像语义分割技术在断层识别上具有一定的研究价值.     

基于小波变换图像分割技术的电成像测井资料裂缝、孔洞面孔率提取方法

对于裂缝、溶蚀孔洞发育的碳酸盐岩缝洞储层,如何从测井资料中提取裂缝、溶蚀孔洞信息是评价储层有效性的关键问题.为了从电成像测井静态图像上准确地分割出清晰的裂缝、溶蚀孔洞子图像进而提取其参数信息,本文提出了一种基于小波变换模极大值图像分割技术的电成像测井资料缝洞面孔率提取方法.以钮扣电极电导率曲线为对象,先消除井壁凹凸不平导致的地层背景噪声的影响,利用小波变换模极大值图像分割方法得到包含裂缝和溶蚀孔洞目标的子图像,根据子图像提取裂缝-孔洞总面孔率、裂缝面孔率、孔洞面孔率等信息.本文利用塔里木盆地奥陶系碳酸盐岩地层的电成像测井数据提取了缝洞面孔率参数,还利用同井岩心CT扫描图像计算的平均缝洞面孔率、双侧向电阻率、常规测井资料三孔隙度模型计算的相对连通缝洞孔隙度进行了对比,并进行了试油验证.对比表明,电成像测井裂缝-孔洞总面孔率、裂缝面孔率、孔洞面孔率与岩心CT扫描图像平均缝洞面孔率、双侧向电阻率、相对连通缝洞孔隙度、试油结果均有较好的一致性.这一方面验证了采用本文方法提取的裂缝-孔洞总面孔率、裂缝面孔率、孔洞面孔率的合理性,另一方面表明所提取参数可用于指示缝洞型碳酸盐岩储层的渗透性和有效性.

     

基于IGA算法的电阻率神经网络反演成像研究

为满足地球物理资料反演解释的高精度、快速、稳定的要求,本文结合免疫遗传算法寻优速度快和BP神经网络反演不依赖初始模型等优点,设计了一种将BP神经网络和免疫遗传算法进行有机结合的全局优化反演策略,并将该策略成功地应用于二维高密度电法数据反演.利用免疫遗传算法（Immune Genetic Algorithm,简称IGA）对神经网络的反演参数进行同步优化,提高了电阻率反演的精度.仿真和实验结果验证设计的全局优化反演策略取得了较好的效果,通过与线性反演方法和BP法以及遗传神经网络法等反演方法进行比较,得出该方法具有反演精度更高,反演时间更短等显著优势的结论.     

基于深度卷积神经网络的地震震相拾取方法研究

地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067 s,0.082 s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.

     

电阻率二维神经网络反演

由于非线性特性地球物理反演一直以来都是一个比较困难的问题. 近十年来,非线性反演方法如人工神经网络、遗传算法在地球物理数据解释中得到越来越多的应用,但目前基本仍限于一维反演问题. 对于二维反问题,反演参数较多,神经网络反演运用较少. 本文利用BP神经网络优化方法,实现了电阻率二维非线性反演. 与传统线性化的迭代反演比较,神经网络反演能够克服传统方法的不足、获得更好的反演结果.     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于拉格朗日分解算法的SAR图像混合像元分解

为解决与光学遥感图像不同的合成孔径雷达(SAR)图像中存在大量混合像元的问题,本文提出了一种基于拉格朗日分解算法的SAR图像混合像元分解的方法,结合相关内容中具体定理的证明,文中给出拉格朗日分解算法用于SAR图像混合像元分解的系统的求解方法.用人工模拟SAR图像和ENVISAT SAR图像进行实验,结果表明拉格朗日分解算法的混合像元分解结果明显优于非约束类神经网络(文中实验以BP神经网络为例)的分解结果.     

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题, 使用13839个汶川地震余震事件建立数据集, 应用深度学习卷积神经网络(CNN)方法进行训练, 并用8900个新的汶川余震事件作为检测数据集, 其训练和检测准确率均达到95%以上.在对连续波形的检测中, CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法, 并能找出大量人工挑选极易遗漏的微震事件.最后, 我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联, CNN检出7016段波形, 用自动挑选算法拾取到1380对P, S到时, 并与540个地震目录事件成功关联, 对1级以上事件总体识别准确率为54%, 二级以上为80%, 证明了CNN模型具有泛化能力, 初步展示了CNN在发展兼具效率、精度、普适性算法, 实时地震监测等应用上具有巨大潜力.

     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.

     

应用人工神经元网络方法自动检测地震事件

利用人工神经元网络方法,提出了一种从连续的地震数据中检测出地震事件的方法。该方法分两步,首先,低阈值的STA／LTA算法从连续的波形中检测出类似地震事件;其次利用神经元网络方法,区分事件是地震事件还是噪声事件。通过对数据检测结果比较,找出了适合地震检测的神经元网络训练方法和神经元传递函数。在对天山流动台阵其中两个台的检测结果表明,在连续约两个月数据中,39RLS台检测出地震75个,30RNA台检测出地震95个,证明该方法对地震事件检测来说是一种有效的方法。