| 基于深度信念网络的多采样点岩性识别 |
| |
| 引用本文： | 李国和,郑阳,李莹,吴卫江,洪云峰,周晓明.基于深度信念网络的多采样点岩性识别[J].地球物理学进展,2018(4). |
| |
| 作者姓名： | 李国和 郑阳 李莹 吴卫江 洪云峰 周晓明 |
| |
| 作者单位： | 中国石油大学(北京)石油数据挖掘北京市重点实验室;中国石油大学(北京)地球物理与信息工程学院;石大兆信数字身份管理与物联网技术研究院 |
| |
| 摘 要： | 岩性识别是储层预测中的一个重要环节.一方面,传统的机器学习算法缺少特征自动提取的过程,且不能有效利用地震数据局部特征预测储层;另一方面,采用单一采样点作为输入,缺失相邻数据关联关系反映层位信息.针对此不足,本文以多个相邻采样点的地震数据作为输入和测井岩性数据作为输出,利用受限玻尔兹曼机(RBM)对多采样点地震数据进行特征提取,逐层堆叠受限玻尔兹曼机(RBM)构建深度信念网络(DBN),并采用随机梯度下降算法对误差进行反向传递学习,最终构建岩性识别模型.以多点地震数据为输入,利用该模型实现地层岩性识别.通过多种智能建模方法实验对比,证实了多个采样点作为输入,隐含利用了部分地层信息,有效地提高了岩性识别的精度.
|
| 本文献已被 CNKI 等数据库收录！ |
|
