基于CNN-LSTM-VAE混合模型的储层参数预测方法

利用测井资料预测储层参数是油气田开发的重要内容.针对现有储层参数预测模型精度低,不能很好的提取测井曲线和储层参数之间潜在关系的问题,本文将卷积神经网络(CNN)和长短期记忆网络(LSTM)结合,提出基于变分自编码器(VAE)的CNN-LSTM混合模型.首先,提出了测井数据的分析方法,包括参数相关性分析和井间的相似度分析.其次,利用CNN提取每条测井曲线的空间相关特征向量,并使用LSTM网络提取测井曲线相邻深度之间的时间特征.最后,采用VAE结构,根据训练数据的深层特征再次对CNN-LSTM模型生成的泥质含量初步预测值进行修正.以大庆油田地区某井场数据验证该模型.仿真结果表明：与LSTM神经网络模型、CNN-LSTM网络模型相比,本文CNN-LSTM-VAE模型具有更好的时空特征提取能力,能够更准确地预测储层参数,可为储层参数预测提供新思路.     

一种基于条件对抗网络的自监督地震随机噪声压制方法

针对地震数据标注困难,提出基于改进的条件对抗网络的自监督随机噪声压制方法.训练过程分为2步：(1)向合成地震记录混入随机噪声构造含噪声-纯净训练集,采用监督学习策略,通过改进的条件生成对抗网络学习地震数据的有效特征;(2)借助自监督损失函数,利用目标域实际数据对预训练模型进行微调.2步训练法利用了源域合成地震记录与目标域实际地震数据之间的相似性,将源域学习到的模型迁移到目标域,实现地震数据自适应盲去噪.理论模型和实际地震数据试算结果验证所提方法具有较好的应用效果.     

基于深度卷积生成对抗网络的瑞雷波信号随机噪声去除

瑞雷波勘探是一种新兴的环境与工程地球物理勘探方法,野外采集的瑞雷波数据常含各种噪声干扰,对瑞雷波信号进行去噪处理至关重要.本文提出了一种基于深度卷积生成对抗网络(DCGAN)的瑞雷波信号随机噪声去除方法,其关键在于构建一个适用于瑞雷波信号去噪的DCGAN,包含生成器与判别器两部分.生成器由一个全卷积神经网络(FCN)构成,用于学习含噪数据到无噪数据的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练.基于DCGAN的去噪方法的实现分为三步:数据预处理、网络训练和噪声去除.一旦网络训练完成,去噪过程无需更多人为调整参数,减少了人力成本.对实际数据进行去噪试验,从地震数据和频散曲线两方面评价去噪效果,验证了本文方法的可行性,且相较于常用的小波变换、F-X反褶积算法,本文方法在不同比例噪声情况下均具有更好的去噪效果,对瑞雷波信号去噪方法选取有一定参考意义.     

基于深度学习划分阵列感应测井曲线的层界面（英文）

基于电阻率测井曲线的层界面划分对解释模型参数化至关重要,是电阻率测井数据反演解释的重要先验步骤。传统方法主要根据测井曲线的导数或引入其他测井方法作为层位划分的参考。然而由于测量误差或分辨率不匹配等因素可能会导致层界面的误判。针对传统方法的不足,本文提出了一种基于深度学习的阵列感应测井曲线自动分层方法。该方法采用局部连接卷积神经网络,并通过增加训练集样本,优化窗长和阈值等方法提高了网络的泛化能力,进而改善了分层效果。模拟及现场数据都证明了新方法的有效性。     

基于改进多分类孪生支持向量机的测井岩性识别方法研究与应用

岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine, IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识...     

基于深度学习的测井岩性识别方法研究与应用

深度学习是一种高效的特征提取方法,它能够提取数据中更加抽象的特征,从而有效地解决复杂的非线性问题.本文将深度学习技术应用于地球物理测井的岩性识别中,构建了一个基于Re Lu激励函数、Adagrad优化算法、Softmax回归层等技术方法整合的深度神经网络模型,利用自然伽马、深感应、岩性密度、中子-密度孔隙度和平均中子-密度孔隙度5种测井参数,以及陆相-海相指示和相对位置2种地质约束变量作为输入变量训练深度神经网络模型.通过对实际井数据的测试验证取得了非常理想的效果,展示了将深度学习技术应用于地球物理的良好前景.     

基于渐进式网络处理的低剂量Micro-CT成像方法

微米级计算机断层扫描（Micro-CT）的应用领域很广泛,在生物医学、材料科学等都有研究,而且最近几年的发展很迅速。Micro-CT图像常因辐射剂量的限制而出现噪声,所以开发一种合适的算法来抑制Micro-CT图像中噪声变得很重要。Micro-CT图像的噪声水平与扫描样本、扫描参数等参数有关,合适的噪声抑制算法应该在不同噪声水平下都有不错的性能。过去Micro-CT图像的噪声抑制算法主要是迭代重建算法,但迭代重建算法速度比较慢。深度学习方法作为近些年比较热门的图像处理方法,在临床低剂量CT图像处理上相比于传统方法效果更好、处理速度更快,有进一步在低剂量Micro-CT图像处理中应用的潜力。另外,生成对抗网络在保持图像细节上有着比卷积神经网络更好的效果,本文构建普通卷积神经网络与生成对抗网络,用于对比两者的性能差异。限制于放射源的功率,低噪声的Micro-CT数据难以获取,提出一种创新的扫描方式,可有效获取低噪声的Micro-CT数据,并对实验小鼠的进行了扫描。针对低剂量Micro-CT中较高的噪声,结合Micro-CT的成像原理,提出渐进式的低剂量Micro-CT图像处理方法,分别在解析重建前后对小鼠的Micro-CT图像进行两次处理。相比于只在断层图像上处理,渐进式方法对高噪声数据的处理效果更好。从客观指标与主观视觉效果上,分析和对比了渐进式方法与其他深度学习方法或迭代重建算法的差别。定量分析不同噪声水平下的Micro-CT图像的处理效果,分析生成对抗网络在渐进式Micro-CT图像处理中的优势与限制。渐进式Micro-CT图像处理方法生成的图像质量高、生成速度快、鲁棒性高、客观指标高,可以对进一步的高级应用如图像分割、图像三维可视化等提供帮助。     

深度学习地震数据重建方法研究综述

由于自然条件限制和人为因素的影响,实际采集得到的地震数据往往会出现地震道数据缺失的情况,会对后续的地震数据处理和解释制造困难,需要对地震数据进行重建.而传统地震数据重建方法通常存在着重建效果受先验条件约束、超参数选择需要人工干预、自动化程度低等问题.于是人们将目光投向发展迅速的深度学习领域,截至今日已经有不少深度学习方法应用于地震数据重建领域以解决上述地震数据重建过程中的问题.本文将着重分析具有代表性的深度学习地震数据重建方法,分别基于卷积神经网络、循环神经网络、卷积自编码器、生成对抗性网络.通过重建结果残差对比图,重建结果信噪比分析等方法对深度学习地震数据重建方法的优势和不足进行深入探讨.并进一步阐述深度学习地震数据重建方法的研究现状、方法优势、存在的问题以及未来发展趋势,对现今的深度学习重建方法进行总结和展望.     

基于生成对抗网络的塔里木深层超深层叠前地震子波提取

深层超深层叠前地震子波的准确提取可有效提高全波形反演及叠前偏移成像等方法的准确性,对储层预测和油气分析具有重要意义.针对塔里木低信噪比叠前地震记录,本文提出一种基于生成对抗网络（GAN）的塔里木深层超深层叠前地震子波提取方法.结合柯东地区地质构造特点及噪声特性,采用有限差分法正演叠前地震记录,构建了塔里木柯东地区叠前地震记录及对应子波的训练样本集,利用地震子波、反射系数及噪声特征的区别训练生成对抗网络,实现了从叠前地震记录中有效分离地震子波.合成数据和实际地震资料处理结果表明,本文所提方法对塔里木深层超深层叠前地震子波提取具有有效性和较高的准确性,较传统方法更具优越性.

     

一种自适应多分辨率图聚类测井相分析方法（英文）

测井相分析是通过自动聚类方法对多维测井曲线进行分析,进而进行相聚类与预测。基于图的多分辨率聚类(MultiResolution Graph-based Clustering,MRGC)方法是一种常用的测井相分析方法,然而MRGC算法非常耗时,并且在传播过程中高度依赖初始参数,实际应用效益差。本文提出了一种自适应多分辨率图聚类(Adaptive Multi Resolution Graph based Clustering,AMRGC)分析方法。该方法不仅能提高测井相计算效率,而且能获得稳定的测井相传播结果。本文方法的两个核心算法是:1)轻核代表指数(L-KRI)算法只需计算少量"自由吸引"点,有效提高了计算效率;2)采用了反向传播算法(BP)与多层感知器(MLP)神经网络,有效避免了传统K近邻算法因随机初始化参数导致的不稳定结果。实验结果表明,本文方法在聚类和传播预测任务上优于传统的MRGC方法,具有更高的运行效率和稳定性;同时,在没有数据先验知识的条件下效果明显优于自组织映射(SOM)、动态聚类(DYN)和自底向上的层次聚类(AHC)等其它常用聚类方法。     

基于遗传神经网络算法的测井曲线重构技术

本文使用遗传算法对传统神经网络的拓扑结构、权值和阈值进行优化,提出了基于遗传神经网络优化方法的测井曲线重构技术,可克服传统神经网络方法易陷入局部最小值的缺点.以声波测井曲线的重构为例,确定遗传神经网络有关参数并分析其重构效果.为了验证方法的有效性,分别对声波曲线、电阻率曲线和自然伽马曲线进行了重构,结果表明,遗传神经网...     

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.

     

基于双向长短期记忆神经网络的储层孔隙度预测方法研究

孔隙度作为重要的储层物性参数之一,在储层评价中发挥着重要作用,因此,寻找一种低成本、高效的方法获取高精度的孔隙度成为了储层评价的重要课题.由于测井参数和孔隙度之间复杂的非线性映射关系和时序性特点,本文提出了一种基于双向长短期记忆(BiLSTM)神经网络的储层孔隙度预测方法,通过建立BiLSTM孔隙度预测模型,并在模型中使用Nadam自适应优化算法提高模型训练效率和准确率,引入Dropout正则化技术防止训练过程中发生过拟合,采用ReLU激励函数提高网络的鲁棒性和稳定性,最后利用实际测井数据验证其性能.研究结果表明,相较于长短期记忆循环神经网络(LSTM)、常规循环神经网络(RNN)和全连接深度神经网络(DNN),BiLSTM模型具有更高的预测精度,在储层参数预测方向具有广阔的应用前景.     

基于数据分布域变换与贝叶斯神经网络的渗透率预测及不确定性估计

渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声, 渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性); 同时, 当测试数据与训练数据存在差异时, 机器学习模型在预测渗透率时可能出现模型参数的不确定性(即认知不确定性).为实现渗透率的准确预测并量化两种不确定性对结果的影响, 本文提出基于数据分布域变换和贝叶斯神经网络同时实现渗透率预测及其不确定性的估计.提出方法主要包括两个部分: 一部分是不同域数据分布的相互转换, 另一部分是基于贝叶斯理论的神经网络渗透率建模预测和不确定性估计.由于贝叶斯神经网络存在数据分布的假设, 当标签的概率分布与网络的分布保持一致时, 贝叶斯神经网络可以更好的学习到数据之间的关系.因此通过寻找一个函数将一个原始域的渗透率标签转换为目标域的与渗透率有关的变量(我们称为目标域渗透率), 使得该变量符合贝叶斯神经网络的分布假设.我们使用贝叶斯神经网络预测目标域渗透率以及任意不确定性和认知不确定性.随后, 通过分布域的逆变换, 我们将目标域渗透率还原回原始域渗透率.应用本文方法到某油田的18口井的测井数据中, 使用16口井的数据进行训练, 2口井进行测试.测试井的预测渗透率与真实渗透率基本一致.同时, 任意不确定性的预测结果提供了渗透率预测值受到的测井数据噪声影响的位置.认知不确定的预测结果说明数据量少的位置具有更高的认知不确定性.我们提出的这一流程不仅显示了在储层表征方面的巨大潜力, 同时可以降低测井解释时的风险.

     

基于GA-BP理论的储层视裂缝密度地震非线性反演方法

基于GA-BP理论,将自适应遗传算法与人工神经网络技术(BP算法)有机地相结合,形成了一种储层裂缝自适应遗传-神经网络反演方法.这种新的方法是由编码、适应度函数、遗传操作及混合智能学习等组成,即在成像测井裂缝密度数据约束下,通过对目标问题进行编码(称染色体),然后对染色体进行选择、交叉和变异等遗传操作,使染色体不断进化,从而快速获得全局最优解.在反演执行过程中,利用地震数据和成像测井裂缝密度数据之间的非线性映射关系建立训练样本,将GA算法与BP算法有机地结合,优化三层前向网络参数;或将GA与ANFIS相结合,优化ANFIS网络参数.并采用GA算法与TS算法(Tabu Search)相结合的自适应混合学习算法,该学习算法自始至终将GA和BP两种算法按一定的概率比例进行,其概率自适应变化,以达到混合算法的均衡.这种混合算法提高了网络的收敛速度和精度.我们分别利用两个研究地区的6井和1井成像测井裂缝密度数据与地震数据之间的非线性映射关系建立训练样本,对过这两口井的测线的地震数据进行反演,获得了视裂缝密度剖面,视裂缝密度剖面上裂缝分布特征符合沉积相分布特征和岩石力学性质的变化特征.这种视裂缝密度剖面含有储层裂缝的定量信息,其误差可为油气勘探开发实际要求所允许.因此,这种新的方法优于只能作裂缝定性分析的常规裂缝地震预测方法,具有广阔的应用前景.     

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.

     

基于改进环形生成对抗网络的浅地层剖面去噪方法

为解决浅地层剖面数据噪声多、分辨率低问题,本文将环形生成对抗网络的方法应用于浅地层剖面资料的去噪,实现智能去噪。首先,选择具有特殊对称生成对抗网络循环机制以及“循环一致性”损失的环形生成对抗性网络,并对其进行结构改进,提升网络学习和训练的性能。然后,基于优化的浅地层剖面样本集训练网络,实现对于浅地层剖面数据随机噪声的去除,提升数据的信噪比。通过对实验和实际资料的试算,以及与传统带通滤波方法的对比,验证本文方法对浅地层剖面数据去噪的有效性和适应性。     

一种考虑密度因素的广义ΔlogR法预测总有机碳含量——以渤中凹陷西南部陆相深层烃源岩为例

烃源岩总有机碳含量(TOC)的预测是烃源岩有机质丰度评价的重要一环.为解决传统ΔlogR方法应用于陆相深层烃源岩误差较大的问题.本文以ΔlogR法为基础,提出了一种考虑密度因素的广义ΔlogR法预测TOC.传统ΔlogR方法是一种基于测井曲线(声波、电阻率等)和成熟度参数(LOM)的预测TOC的方法,可以获得纵向上连续的有机碳分布,并且在国内外多个地区取得了较好的效果.但是研究表明,由于陆相深层烃源岩受到压实作用等影响,传统ΔlogR方法预测的结果不理想.干酪根有机质的密度远低于烃源岩基质密度,将考虑密度因素的广义ΔlogR法预测TOC的方法应用于渤中凹陷西南部东营组和沙河街组烃源岩,对其TOC进行分段预测,并与传统ΔlogR法、敏感测井多元回归方法预测结果进行对比,结果表明,研究区使用该方法的效果要优于其他两种方法.该方法拓展了传统ΔlogR法的适用范围,为烃源岩TOC的预测提供了新的思路和方法.     

基于半监督学习的井震联合储层横向孔隙度预测方法

传统地震储层预测技术一般基于弹性参数反演和岩石物理建模的级联流程实现储层孔隙度预测, 其预测精度受到波动理论和岩石物理理论的近似假设、初始模型和二次反演累积误差等因素的影响.为缓解这些问题, 本文提出了一种基于双向门控递归单元神经网络的半监督学习井震联合孔隙度预测方法, 实现从地震数据直接预测储层横向孔隙度.通过少量的地震测井样本标签对和多目标函数约束建立智能化多尺度多信息融合孔隙度预测模型, 实现地震数据到孔隙度, 孔隙度再到生成地震数据的闭环映射.此外, 在网络模型每次迭代更新的过程中随机引入非井旁地震道参与网络训练, 非井旁地震道的波形匹配能在一定程度上保证井间孔隙度的预测精度.模型数据和实际数据测试结果表明, 本文提出的方法相比于有监督学习孔隙度预测方法能进一步提高储层孔隙度的预测准确性和横向连续性, 获得较为可靠的储层物性参数的空间分布.

     

基于随钻电磁波电阻率测井数据的地层电阻率自适应约束反演（英文）

随钻电磁波测井传统电阻率反演方法受反演目标函数约束方式影响,随钻电磁波测井幅度比电阻率曲线及相位差电阻率曲线径向及纵向探测特性存在明显差异,从而影响了随钻电磁波测井数据实际应用效果。本文提出了一种基于随钻电磁波电阻率测井数据的地层电阻率自适应约束反演方法,该方法通过在随钻电磁波测井电阻率反演目标函数中引入一个自适应加权表达式平衡了相位差和幅度比数据的相对贡献,并引入粒子群算法来消除反演精度及收敛性对反演初始值的依赖性。基于多组理论地层模型的随钻电磁波测井电阻率反演结果,详细讨论了文中自适应约束反演电阻率曲线与传统幅度比电阻率曲线及相位差电阻率曲线探测特性的差异。反演结果表明,文中自适应电阻率曲线兼顾了传统幅度比电阻率曲线径向探测深度及相位差电阻率曲线纵向分辨率两方面的优势,在应用于划分纵向薄层及评价径向侵入特征时明显优于单一的幅度比电阻率曲线及相位差电阻率曲线,可为随钻电磁波测井电阻率反演新方法研究提供理论参考。