基于卷积神经网络的断层预测方法

针对传统相干体属性在预测断层时存在断层假象以及易受噪声影响等缺点,本文提出一种利用卷积神经网络进行断层预测的方法。首先构建适合实际工区断层特征的卷积神经网络模型,然后利用部分分频地震数据和人工解释出的断层标签进行网络模型训练,最后把训练好的模型应用到整个三维地震数据中进行断层预测。实际地震数据预测结果表明基于卷积神经网络断层预测结果与地震数据吻合较好,并且在断层细节刻画上要优于传统地震相干体属性方法。      

三维地震神经网络反演在探明煤层富水灾害层的应用

在常规测井约束反演的的基础上,开展神经网络特征参数反演,将波阻抗等地震属性转化为与含水性更为密切的孔隙度、视电阻率数据体,使地震反演的地质属性与测井上的地质属性达到最优的相关性,从而实现应用三维地震对煤层顶板富水进行评价的目的。由于煤层顶板富水区的特殊性质,它同样也是地震后的易破坏层,因而对它的探明从抗震角度以及震害预测角度都是有价值的。以淮北某采区为例,通过孔隙度及电阻率的神经网络反演对研究区10#煤层顶板的富水性进行预测。反演结果表明采区北部发育一个强富水陷落柱,与钻孔揭示结果吻合。采区西部10#煤层顶板与第四系含水层呈不整合接触关系,神经网络反演结果预测为强富水区,同样与井下工程揭示富水特征吻合。利用多属性融合的神经网络反演可有效预测煤层顶板的富水特征,为煤矿安全生产以及抗震提供重要保障。     

利用多元地震属性预测测井特性

通过寻找井旁地震数据与测井曲线的关系,将这一关系应用到远离井的区域(只有地质数据,但无测井)来预测测井的有关特性,其方法有单属性分析和多属性分析[1]。本文通过实例描述了多属性分析的特点及预测结果。从单属性回归到多属性预测、再到神经网络预测过渡时,预测能力持续提高。同时对地震属性的选择和有效性进行了讨论,将结果应用到整个二维地震剖面上,能更好地确定井以外区域的测井特性。     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

时间延迟神经网络地震油气预测方法

本文绘出基于时间延迟神经网络模型的地震油气预测方法及其初步应用结果，不同于通常的孤立模式识别方法．在特征提取阶段，不仅提取地震道中相应目的层单时窗的特征，同时也提取时窗滑动时的特征，这些多时窗的特征信息反映出地层层序的变化．时间延迟神经网络模型通过井旁道特征串的训练，用于表达特征信息与地层含油气情况的复杂关系和特征信息的变化与地层油气聚集的联系．初步应用表明，这种基于时间延迟网络模型的油气预测方法的结果要好于BP网络方法的结果．     

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.     

地震属性融合技术在煤层厚度预测中的研究

煤层与岩层的顶、底板间形成的地震反射强度的变化将引起煤层厚度预测结果的变化.首先提取了目的层的反射波的地震属性,然后深入研究、分析了这些属性特性,最后应用BP人工神经网络方法以及多项式回归分析的方法进行研究,并在实际地震资料中应用这些方法,结果表明:在对矿区的煤厚预测中,BP人工神经网络模型误差最小,多元二次回归次之,多元一次线性回归模型误差最大,证明了用多属联合分析技术进行煤厚预测是一种卓有成效的方法.     

基于数据与模型联合驱动的波阻抗反演方法

井插值初始模型为基于模型的反演提供的低频信息往往不够准确,导致该模型驱动方法容易出现较大的波阻抗预测误差且建模效率较低.为缓解这些问题,本文利用数据驱动的深度学习反演更加擅长预测低频阻抗的优势,提出一种基于数据与模型联合驱动的波阻抗反演方法.该方法联合地震和测井等数据,先后开展数据驱动和模型驱动的波阻抗反演.首先,数据驱动部分使用井旁地震记录、测井导出的波阻抗曲线以及井插值低频阻抗曲线,搭建以双向门控递归单元为主要模块的波阻抗智能预测网络.其次,该网络预测的波阻抗的低频分量作为数据驱动初始模型,替代井插值初始模型而参与模型驱动部分.最后,模型驱动部分在地震数据匹配和数据驱动初始模型的共同约束下开展基于模型的反演,获得最终的波阻抗结果.合成数据和实际数据测试表明,本文方法相比于单一的数据驱动或模型驱动方法能获得更高分辨率和更高精度的波阻抗反演结果,从而为后续储层预测提供可靠的弹性参数分布.     

利用地震P波方位/角度信息预测煤层裂隙发育——以阳泉矿区为例

查明煤层瓦斯富集区域,对可能的瓦斯突出点进行预报,是当前煤矿生产中亟待解决的重要课题.利用地震P波对裂缝性地层所表现出的方位各向异性特征和AV0特征,应用地震P波方位/角度信息评价煤层裂隙发育带.通过对阳泉新景煤矿三维地震资料的处理,获得4个方位的偏移数据体和8个方位/角度的偏移数据体,从中提取了3种对煤层裂隙响应灵敏的地震属性,综合利用3种地震属性计算出裂隙的发育密度.预测结果表明,利用P波方位/角度信息比仅利用P波方位信息评价煤层裂隙发育带更具有优势,它能同时利用煤层反射波的各向异性特征和AVO特征,更有利于进行煤层的岩性解释.     

基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法

针对如何选取合适的影响因素进行砖木结构房屋地震破坏合理评估的问题,提出了一种基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法,通过灰色关联度模型剔除对砖木结构房屋发生地震破坏影响较小的因素得到关键因子,采用主成分分析法从关键因子中提取主要成分,最后利用BP神经网络模型对处理后的主要成分进行训练,建立砖木结构房屋地震破坏比例预测模型,并利用实际震例进行验证。结果表明：本文方法相较于传统脆弱性曲线拟合方法和BP神经网络模型,其预测的砖木结构房屋地震破坏比例的预测精度更高、普适性更好。     

基于热异常信息与BP神经网络的中强地震预测试验

地震预测是地震科学研究的主要领域之一。震前热异常现象(地表温度异常升高)普遍存在并且与地震三要素有复杂的非线性关系。文中结合神经网络的优点,提出将热异常信息作为地震预测的信息源,通过构建神经网络,进行地震预测的思路,并进行了试验。基于8d合成的1km分辨率的MODIS数据,利用RST算法提取震前热异常信息,在分析震前热异常信息时空变化的基础上,确定出BP神经网络的结构,利用该网络对中国及周边100个5级以上震例,以及70个随机无震样本进行训练和仿真。试验结果表明,通过RST算法提取的震前热异常指数值,用于BP神经网络地震预测是可行的,其预测的试验结果刻画出了地震要素与热异常值间的非线性相关性。未来预测区域范围的选取以及神经网络中隐层神经元的数量将对地震预测效果产生较大的影响。     

基于地震属性的煤层厚度预测模型及其应用

地震属性技术在岩性和构造解释等方面得到了越来越广泛的应用,特别是在煤、油气资源勘探中具有重要的作用.基于淮南矿区谢桥1区13 1煤层地震勘探资料,提取了28种地震属性数据;通过地震属性的分析,优选出平均峰值振幅、振幅的峰态、最大绝对振幅、瞬时频率斜率等4种地震属性作为煤层厚度预测模型基本参数,结合已知钻孔资料,利用多元多项式回归以及BP人工神经网络方法,求出了各属性与煤厚之间的多元多项式回归模型及人工神经网络模型,并对模型进行了误差分析和应用结果对比分析,反映出人工神经网络模型在煤厚预测中具有好的应用效果.     

利用地震P波方位属性评价瓦斯富集区

以往研究表明煤层具有弱各向异性,为正交各向异性介质,因此利用P波的方位各向异性属性来进行煤层裂隙裂缝检测、预测煤层瓦斯富集带是行之有效的方法.本文对山西阳泉新景佛洼区的三维地震资料进行处理,得到4个方位的偏移数据体,并提取与煤层裂隙裂缝相关的多种地震属性.通过计算得到裂隙裂缝的相对密度,进而对煤层瓦斯的富集带进行预测.     

一种基于信息反馈的高精度地震子波提取方法

针对实际地震数据处理过程中参数化模型方法提取的子波与实际地震子波的一致性及其子波提取方法的有效性问题,本文提出一种基于信息反馈思想的地震子波提取方法.该方法利用提取的子渡合成地震记录,对合成地震记录和原始地震记录中的关键属性、特定参数进行分析比较,并将比较结果作为反馈信息作用于地震子波提取过程.理论研究与分析结果表明,...     

基于RS-PCA-GA-SVM的砂土液化预测方法研究

砂土液化是一种危害性比较大的自然灾害,对砂土液化进行判定预测在地质灾害防治领域中有重要的研究意义。通过粗糙集理论(Rough Set,RS)对影响砂土液化的6个初始评价指标(包括震级、土深、震中距、地下水位、标贯击数和地震持续时间)进行属性约简,去掉冗余或干扰信息,得到基于4个核心预测指标的数据集。通过主成分分析法(Principal Component Analysis,PCA)从核心评价指标中提取出主成分,采用支持向量机(Support Vector Machine,SVM)对数据集进行训练,用遗传算法(Genetic Algorithm,GA)优化参数,建立砂土液化的RS-PCA-GA-SVM预测模型。并结合砂土液化实际数据将预测结果与基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做比较。实例计算表明:基于RS-PCA-GA-SVM模型得到的砂土液化预测结果精度较LM-BP神经网络有很大的提高,判别结果与实际情况比较吻合,可在实际工程中应用。     

地震资料预测薄层厚度方法研究与应用

薄层厚度预测一直是公认的难题之一,其难度就在于如何准确地识别和提取薄层的地震属性.常规方法是利用时间域或频率域地震属性与薄层厚度的线性关系计算.但是理论与实际资料表明,不同的薄层和地层组合对地震波的动力学的信息影响很大,各种参数与薄层厚度成非线性关系,使用单一的信息不可能准确预测薄层厚度.本文利用三种线性预测原理（模型）,经数学变换为属性参数,采用非线性BP网络预测薄层厚度,取得了令人满意的效果.     

基于粗糙集及最小二乘支持向量机的煤层厚度预测

煤层厚度是煤矿设计与开采必不可少的数据,准确地预测煤层厚度,能够给煤矿生产提供有力的地质保障,煤层在地震勘探中属于薄层,其薄层厚度预测一直是公认的难题之一,传统的预测方法是利用钻孔资料的内插对比获得,精度比较低.本文提出了基于三维地震属性数据的粗糙集(RS)-最小二乘支持向量机(LS-SVM)算法模型,用于预测煤层厚度.利用粗糙集对地震属性数据所包含的大量干扰数据进行简约,减少样本维数,将简约后属性数据作为LS-SVM的输入预测煤层厚度.并运用PSO算法优化获得核函数的核参数及最佳正则化参数.实际钻孔数据试验验证了算法模型的可行性,并对整个研究区进行了煤层厚度预测,取得了较好的效果,最后探讨了VTK支持下的煤层可视化技术,对煤层实现了三维展示,达到了预期效果.     

沁水盆地某地区煤层气富集区灰色理论预测方法

将灰色理论应用于煤层气富集区的预测中,通过验证设计的数值实验,为研究区实际资料处理的可行性提供依据.并将基于灰色理论的灰色异常和灰色关联度属性分别应用于连井剖面和整个工区.最后通过分析基于灰色理论提取的地震属性,结合钻井信息优化并与波阻抗反演圈定的构造煤发育带对比,得到较好预测效果.     

波阻抗反演预测奥陶系灰岩顶部含隔水性

地震反演技术是岩性地震勘探的重要手段之一,其中地震井约束波阻抗反演技术是利用钻孔测井数据高的纵向分辨率,对井旁地震资料进行井约束反演,然后在此基础上对井间地震资料进行反演,推断地层岩性在空间上的变化情况.本文根据新驿煤矿首采区的三维地震和测井资料,利用波阻抗反演技术预测该区奥陶系灰岩顶部的含隔水性,并依据波阻抗值的大小圈定含水层中的可能富水区.     

利用方位波阻抗信息预测煤层裂隙发育

由于煤层为弱各向异性介质,当煤体结构遭到一定程度的破坏时,煤层内生裂隙较为发育,此时地震波在煤层中传播时会表现出比较明显的各向异性特征.本文针对山西某矿宽方位采集的三维地震数据进行方位角道集抽取,处理得到六个不同方位的偏移数据体.针对不同方位的数据体,分别提取15煤层的振幅属性.同时,利用测井曲线约束分别进行波阻抗反演.利用不同方位的振幅属性和波阻抗信息,通过阻尼最小二乘法计算得到裂隙发育的相对密度值B/A及裂隙发育方向Φf.研究结果表明波阻抗的方位各向异性特征相对振幅属性更加明显,对裂隙的探测结果分辨率更高.且预测结果与钻孔资料吻合度较高,裂隙发育具有一定的构造倾向性.