应用地震波形分类技术识别岩相的适用性和局限性

地震波形分类技术在识别和划分岩相的应用中有其独特的优点,但也存在一定的局限性。通过针对不同岩相的大量实践,深入探讨了影响该技术的应用条件,系统总结了该技术识别岩相的适用性和局限性。研究表明：时窗类型及大小、地震属性体的选择是影响波形分类结果最重要的因素;不同的岩相在地震振幅、频率、相位、时间厚度上存在差异性是正确应用波形分类方法的前提;当岩相问的地震响应差别不明显,或同一岩相横向波形变化较快,无法建立统一的岩相地震波形特征时,波形分类方法的结果不能准确地划分岩相,也没有明确的地质意义。回归到岩相地震响应特点的分析,建立地震响应与岩相的对应关系,开展波形分类技术应用的先验性研究,是成功应用该技术的基础和关键。     

基于Kohonen神经网络的页岩油岩相测井识别方法

准噶尔盆地吉木萨尔凹陷二叠系芦草沟组岩性复杂,岩相多样,亟需建立配套的岩相测井识别方法。综合利用岩心薄片、常规测井与成像测井等资料对芦草沟组的岩性、沉积构造等特征进行研究,在此基础上进行岩相类型划分,并分析不同岩相的测井响应特征,建立岩相测井评价模型。结果表明,研究区主要由云质泥岩、泥质粉砂岩、粉砂质泥岩等岩性组成;根据岩心的矿物组成,考虑在岩心尺度上的可区分性、测井中的可识别性,划分出块状白云质泥岩相、平行/波状层理泥质粉砂岩相、块状泥岩相、块状泥晶白云岩相、平行层理粉砂岩相和波状/水平层理粉砂质泥岩相6种主要岩相类型。在此基础上通过岩心刻度测井资料建立岩相判别准则,并利用Kohonen神经网络方法实现单井岩相测井自动判别,划分结果与薄片匹配较好。研究成果可提高未取心井的岩相识别效率与精度,为该地区页岩油勘探提供一定的理论依据与方法支撑。     

基于ART理论的自组织神经网络模型在水资源分类中的应用

BP和RBF神经网络技术以其强大的学习功能应用于水资源分类 ,取得了很好的效果。但当不具备已知样本时 ,以上技术很难应用。提出了可塑性较强、无监督的A -K网络模型 ,阐述了其基本原理和算法 ,并将其用于水文水资源研究领域中。实例表明 ,该方法能较理想地解决已知样本的分类问题 ,具有良好的应用前景     

利用地震多属性分析技术预测“暗点”型含气储层

充分利用能够反映储层及其含气特征的多种地震属性,结合已知钻井的测井、地质资料进行综合分析,以神经网络技术和属性降维处理为技术手段,估算储层参数及预测储层含气性的方法就是地震多属性分析技术.该技术的关键是储层的精细标定、层位准确追踪,以及沿层提取属性所开时窗的合理性.对孝泉-新场地区须家河组二段气藏的应用实例证实,该技术是运用叠后地震数据对“暗点”型气藏进行储层及其含气性预测的又一有效手段.     

利用地震多属性分析技术预测"暗点"型含气储层

充分利用能够反映储层及其含气特征的多种地震属性,结合已知钻井的测井、地质资料进行综合分析,以神经网络技术和属性降维处理为技术手段,估算储层参数及预测储层含气性的方法就是地震多属性分析技术.该技术的关键是储层的精细标定、层位准确追踪,以及沿层提取属性所开时窗的合理性.对孝泉-新场地区须家河组二段气藏的应用实例证实,该技术是运用叠后地震数据对"暗点"型气藏进行储层及其含气性预测的又一有效手段.     

利用航磁资料计算海拉尔地区居里等温面

本文利用高精度航磁资料，应用谱分析方法，计算出海拉尔地区居里等温面深度介于２～１８ｋｍ之间，并据此探讨了海拉尔盆地的张性成因机制，岩相相关特征以及它们构造运动的关系，根据海参３＾＃井已知井温资料，海拉尔地区居点温度处于正常条件，计算深度约偏深１．３ｋｍ。     

基于小波域的FastICA算法的非常规油气藏地震资料去噪

近年来,随着鄂尔多斯盆地苏里格气田开发规模的不断扩大,全数字三维地震得到广泛应用,数字检波器的高灵敏性使得地震资料噪声极其发育。因此,全数字三维地震资料叠前去噪是资料处理的关键。针对全数字三维地震资料的特点,结合盲信号分离技术的最新发展,特别是神经网络技术的最新发展应用到研究中来,建立适合于理论地震记录的盲信号分离的算法模型,对已知反射地震数据实施盲分离技术,将地震信号变换到小波域中,并用Fast ICA算法进行盲分离去噪,然后将去噪后的信号从小波域变换到时间域信号。试验结果表明,该方法得到的去噪效果较时间域内直接去噪效果好。     

大庆深部致密砂砾岩含气储层产能预测

气层产能预测是气藏工程研究中用于指导气井以及气田合理生产的重要工作和任务,它在气田整体评价和高效开发进程中具有很强的预见性和主动性。讨论了大庆深部致密砂砾岩含气储层的产能与测井响应之间的关系,探讨了根据测井资料应用人工神经网络技术预测含气储层产能的方法。利用已知气井测试结果和测井资料作为网络的训练样本。根据网络学习训练结果,输入储集层的测井资料等静态参数,可预测该储集层的产能。根据这种关系采用神经网络技术实现了测井对产能的预测评价,从而为大庆深部致密砂砾岩含气储层的开发提供了一定的依据。     

神经网络结合聚类分析进行储层油气预测

ＢＰ神经网络具有较高的容错性,具有良好的适应性,在已知井的情况下,由已知井出发外推预测储层的含油气性,是其优势项目。聚类分析在没有钻井或者钻井资料较少的工区,用邻区钻井资料 代表性地震道的特征参数,作为神经网络油气预测在学习阶段的期望输出,具有很强的生命力,同时它也是一种模式识别技术。     

神经网络方法在煤层气测井资料解释中的应用

根据煤层气储层及其测井响应特征,提出应用ＢＰ神经网络（简称ＢＰ网络） 方法进行煤层气测井资料的定量解释。通过对华北某地煤层气测井资料的处理,获得了满意的解释结果,证明该方法是有效和实用的。并对应用过程中的若干问题进行了分析讨论     

自组织竞争人工神经网络在砂岩型铀矿测井数据解释中的应用

详细介绍了自组织竞争人工神经网络模型结构、原理和钻孔岩性自动识别过程,给出了神经网络模型在钻孔岩性自动识别过程中的有效性实例。自组织竞争人工神经网络具有自组织能力、自适应能力和较高的容错能力;与BP算法相比较,计算量小,收敛速度快,且不需要已知的先验信息而自动确定分类类别。钻孔岩性识别结果与岩心地质编录的对比试验表明,在砂岩型铀矿测井数据的解释中,应用自组织竞争人工方法可较好地完成钻孔岩性自动分类。     

Developing constitutive models from EPR‐based self‐learning finite element analysis

A constitutive model that captures the material behavior under a wide range of loading conditions is essential for simulating complex boundary value problems. In recent years, some attempts have been made to develop constitutive models for finite element analysis using self‐learning simulation (SelfSim). Self‐learning simulation is an inverse analysis technique that extracts material behavior from some boundary measurements (eg, load and displacement). In the heart of the self‐learning framework is a neural network which is used to train and develop a constitutive model that represents the material behavior. It is generally known that neural networks suffer from a number of drawbacks. This paper utilizes evolutionary polynomial regression (EPR) in the framework of SelfSim within an automation process which is coded in Matlab environment. EPR is a hybrid data mining technique that uses a combination of a genetic algorithm and the least square method to search for mathematical equations to represent the behavior of a system. Two strategies of material modeling have been considered in the SelfSim‐based finite element analysis. These include a total stress‐strain strategy applied to analysis of a truss structure using synthetic measurement data and an incremental stress‐strain strategy applied to simulation of triaxial tests using experimental data. The results show that effective and accurate constitutive models can be developed from the proposed EPR‐based self‐learning finite element method. The EPR‐based self‐learning FEM can provide accurate predictions to engineering problems. The main advantages of using EPR over neural network are highlighted.     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.      

基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

自组织学习联想神经树在多金属成矿预测中的应用

本文运用自组织学习联想神经树，对鄂东南地区４４个铁帽进行了计算机识别，识别成功率达１００％，结果表明，该方法性能良好，可望成为多金属成矿预测的一种有效的辅助手段。     

深度学习在煤层气测井解释中的应用研究

将常规储层测井解释方法应用于煤层气储层测井解释,其效果存在一定的折扣。为了改善传统方法在煤层气测井解释中出现的问题,将深度学习的思想引入测井解释,提出受限玻尔兹曼机的数量、受限玻尔兹曼机隐含层神经元数量、分类阈值的确定方法,利用深度信念网络进行煤层识别及煤层气含气量的预测。实验结果表明：首先,在交会图法效果不好的情况下,通过深度信念网络进行煤层识别,继而对识别结果进行适当校正,煤层识别成功率可达到90%以上;其次,经过多种方法的对比,利用深度信念网络进行煤层气含气量预测的效果,要好于BP神经网络、多元回归统计以及Langmuir方程三种方法。深度学习改进了传统的BP神经网络,具备更强的复杂函数泛化能力,适用于煤层气测井解释,并具有进一步的推广价值。     

人工神经网络方法在径流预报中的应用

采用ＢＰ神经网络模型,以西北内陆河黑河流莺峡年平均出山地表流量为研究对象,对人工神经网络研究方法在干旱区环流径流预报中的应用进行了初步尝试,结果表明该预报成功率较高,证实了人工神经网络方法应用于流量预报领域的可行性,并分析了该方法在预报过程中的优缺性。     

BP人工神经网络油气圈闭评价

以误差反向传播学习算法为模型,地表油气化探组合指标为导师训练信号,已知工业油气流产出点、油气显示和干井（无油气）产出点,相应的希望输出信号为１．０～０．０之间,在导师信号引导下进行网络联想记忆自学习,训练成熟后对预测区进行含油气远景圈闭评价,对胜利油田ＪＹＨＭ凹陷进行了实际应用研究,取得了较好的识别圈闭效果。