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.

     

基于时空大数据的石油安全智能分析方法研究

传统石油安全战略分析方法存在数据更新不及时、处理复杂数据困难、效率较低等不足,难以适应大数据时代快速分析的要求.为了满足石油安全供应对多元异构大数据高效分析的需求,本文设计了涵盖石油全产业链与安全密切相关指标体系,即综合考虑生产、运输、储备、加工与消费等环节的多层次影响因素;提出了事件驱动的石油安全智能分析模式,当突发战争、公共卫生、天气、海盗、灾害等重大事件时,可对石油全产业链中一个或多个环节进行多角度的智能分析与挖掘.采用大数据、人工智能、云计算、物联网等技术手段,构建石油安全智能分析平台,通过时空大数据驱动自动计算石油安全相关环节造成的影响,从而实现一种面向石油安全的新型“事件-计算-响应-应对措施”工作模式.以马六甲海峡因多种事件造成通道阻塞为例,采用2021年中国从全球石油进口数据为基数,可“一键式”高效测算并以多种可视化形式实时展现2023年前6个月对全国及单一港口的海上石油进口影响.实验证明本方法是一种高效的石油安全战略分析方法,为新时代石油资源战略研究从定性分析向智能分析范式转变提供参考．     

地表数据驱动的与层相关的层间多次波消除方法及应用

基于反馈模型的地表相关多次波消除方法SRME（Surface-Related Multiple Elimination）近年来已得到了广泛的应用.利用共聚焦点CFP（Common Focus Point）道集代替炮集,可以将该方法扩展至层间多次波的消除.地表数据驱动的层间多次波消除方法直接利用地表观测数据进行层间多次波预测,避免了构建CFP道集所需的聚焦运算,特别是与层相关的层间多次波消除方法有效提高了多次波预测的计算效率.但地表数据驱动的与层相关的层间多次波消除方法并没有从理论上被严格地推导证明,其与CFP方法之间的关系亦未被讨论.本文在CFP方法的理论基础上推导了地表数据驱动的与层相关的层间多次波消除方法,阐明了CFP方法与地表数据驱动方法之间的内在联系.并将该方法应用于模型数据和野外实际数据,应用实例表明了所提方法的有效性.

     

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.

     

大闭环伺服控制随钻智能导向钻井方法

深层油气资源量巨大,是全球油气开发的重要方向.随着钻井朝着深层(＞4500 m)和超深层(＞6000 m)发展,地质条件更加复杂,深层钻井泥浆信号传输速率受限,井下随钻测井等数据传输延迟,增加了钻井事故的频率及钻出储层的风险.当前井场智能决策钻井的方法不适用,井下自主智能钻进是未来深层超深层高效钻进的发展方向.本文借鉴无人驾驶汽车的理论技术架构,提出了一种大闭环伺服控制随钻智能导向钻井方法,集旋转导向、地质导向、随钻地震、电磁前探、随钻测量、信号传输、自动钻机等技术于一体,利用"边钻边学"的人工智能评价与决策方法,智能识别钻头前方油气藏甜点,智能决策钻进方向和钻速,并利用大闭环伺服控制实现井下钻头的自主智能导向和钻进.大闭环伺服控制随钻智能导向钻井架构包括钻进感知、智能决策与大闭环控制3个部分.钻进感知部分通过随钻测井数据获取钻头定位信息、井周地层及钻头前方特性参数,智能决策部分依据钻进感知部分获取的信息通过人工智能决策模型修正轨道和优化钻进策略,大闭环控制部分根据智能决策指令调整钻进方向和速度.本文在钻进感知部分采用支持向量机算法利用随钻测井数据进行岩性智能识别,优选随机森林算法和长短期记忆(Long Short Term Memory,LSTM)循环神经网络对孔隙度、渗透率、饱和度和泥质含量进行评价.在智能决策部分优选随机森林算法对机械钻速进行预测与优化,均获得了高准确率.     

基于深度学习的地震断层智能识别研究进展

高精度地震勘探技术的发展与广泛应用对断层解释提出了新的要求,在构造复杂地区断层连续性差、识别难度大等问题严重限制了复杂地区油气藏勘探开发.深度学习作为一种新兴技术,为地震断层识别提供了新的方法.本文调研与分析多种地震断层智能识别方法,将断层智能识别网络分为两类:分类网络与语义分割.并分析经典卷积神经网络、残差网络、FC...     

基于卷积神经网络的智能化地震数据插值技术

地震数据通常存在数据缺失问题,严重影响地震数据各个处理环节,需采用适当的手段对其重构.本文提出了一种基于深度学习卷积神经网络(CNN)的智能化地震数据插值技术.算法的关键在于构建一个适用于地震资料插值的CNN模型,该技术以缺失地震数据作为输入层,由卷积算法提取地震数据的特征信息,并通过池化层实现数据压缩降维,同时引入修正线性函数(ReLU)提高模型的非线性表达能力,再通过反卷积层恢复数据尺寸,最终搭建卷积自编码器模型(CAE),实现数据-数据的映射关系.该模型通过残差学习获得缺失数据特征并实现重构数据输出,与现有技术相比,该方法采用自监督学习方式,利用大量数据训练卷积自编码器模型,通过所得模型实现缺失地震道的数据重构.分别利用CAE模型及POCS插值技术对模型资料和实际数据进行插值,测试结果表明,CAE能有效实现地震数据插值,且与POCS方法相比具有更高的精度,验证了算法的可行性和有效性.     

基于深度学习U-net网络的重力数据界面反演方法

重力数据的密度界面反演是位场数据解释中的一项主要工作, 在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来, 数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中, 本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先, 对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集, 并基于Parker正演理论对界面数据集进行重力异常正演计算, 为深度学习网络模型的训练提供特征完备的数据源; 其次, 设计了基于U-net网络模型的深度学习界面反演算法, 在传统的损失函数基础上增加光滑损失项和过拟合抑制项, 提高重力界面反演结果的光滑性和收敛效率; 最后通过测试样本集进行反演预测, 验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性, 基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性.

     

基于RFD-U-Net的探地雷达缺失数据重构

在探地雷达勘探中,由于受到采样点数与测量速度不匹配、地表不均匀或仪器内外部干扰等因素的影响,容易造成信息不完整,甚至缺失．如何有效重构缺失信号是提高原始GPR数据精度和进行后续高分辨率成像的关键环节．本文提出了一种残差特征提取网络（RFD-U-Net）来针对性处理数据缺失这一问题．其中,RFD采用信息蒸馏网络的方法对缺失数据进行重构,首先使用多个特征提取连接来进行特征学习,然后在残差单元上增加跳跃映射,补充卷积过程中损失的特征信息,最后与轻量网络U-Net相结合,极大程度地缩减了网络冗杂．合成测试数据的对比结果及UQI和SNR两种评价指标的量化分析结果可知,RFD-U-Net获得了最优的重构效果和最佳的计算数值,验证了本文所提方法重构缺失GPR剖面的准确度和优越性．将RFD-U-Net应用于实测数据中,能够较好地重构缺失数据,在细节上突出了有效信号的连续性,并采用自动聚焦技术这一评价指标进行佐证,证明了该方法的实用性．     

基于深度学习的阵列超声波图像智能判译技术研究

阵列式超声波混凝土结构检测图像中的异常特征识别往往依赖人工经验,具有效率低下以及准确率难以保证等问题.本文将人工智能深度学习中经典网络模型ResNet50与代表性的目标检测网络模型YOLOv2进行融合,搭建了一套适用于超声检测图像智能判译的网络模型.选择将超声检测图像中钢筋和界面反射信号作为模型的自动识别目标体,并制作了包含此两类目标体标注的实测数据集.测试结果显示,搭建的网络模型在小样本超声检测图像数据集的识别上取得了显著的效果,网络模型识别钢筋和界面两类信号特征的平均准确率分别达到91.21％和80.24％,表明人工智能深度学习技术在地球物理图像解译方面具有强大的表征能力,能有效降低对人工经验的依赖,提升资料解译的可靠性和工作效率,应用前景广阔.     

X射线成像和深度学习的交叉融合

作为人工智能(artificial intelligence,AI)的主流,深度学习在计算机视觉、图像多尺度特征提取领域已有所进展.2016年以来,深度学习方法在计算机断层成像(从积分特性,如线积分,实现内部结构的图像重建)方面也取得了进步.总体而言,在人工智能领域,尤其是基于人工智能的成像领域,令人兴奋的前景和挑战并...     

基于实时测震数据的可视化系统的设计与实现

为研究在地震速报等基于测震数据的业务场景中,对于地震事件检测等中间处理结果的可视化问题,本文设计实现了一套基于实时测震数据的可视化系统。该系统利用分布式消息队列Kafka实现了流式数据的缓存,利用分布式实时数据处理框架Flink实现了震相到时拾取和地震事件检测,最终利用大数据可视化组件Echarts实现了基于全国范围的各个地震台站的震相到时统计情况展示地图。通过部署与应用,该系统达到了设计的目的,实现了应有的功能,满足了实际需求。      

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。      

基于数据增广训练的深度神经网络方法压制地震多次波

地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.

     

基于人工智能的胸部CT肺结节检出及良恶性诊断效能评估

目的：评估基于深度学习的人工智能（AI）软件在胸部CT肺结节检出及良恶性诊断的价值。方法：收集2018年6月至2020年4月本院经手术确诊的肺结节患者172例,共切除204枚结节。将172例术前高分辨胸部CT图像导入人工智能识别系统,分别采用人工智能和影像医师阅片检出肺结节及良恶性诊断,对比两种阅片方法的敏感度、阳性预测值及假阳性结节个数。以病理结果为诊断金标准,对比AI与影像医师在恶性肺结节诊断中的敏感度、特异度及受试者工作特征（ROC）曲线下面积。结果：172例胸部高分辨CT共检出796枚真结节;AI与影像医师检出结节的敏感度分别为90.5%和75.0%,阳性预测值分别为74.5%和99.7%,假阳性结节总数分别为247个和2个。204枚经手术切除的结节中,AI、影像医师及AI联合影像医师诊断恶性肺结节的敏感度分别为93.3%、78.5%和98.6%,特异度分别为34.8%、79.7%和79.7%;AI、影像医师及AI联合影像医师诊断恶性肺结节的ROC曲线下面积分别为0.641、0.791和0.819。结论：AI检测肺结节的敏感度明显高于影像医师,但AI假阳性率亦较高;AI联合影像医师诊断恶性肺结节效能高于AI或影像医师单独诊断;建议AI联合影像医师共同检出肺结节和良恶性诊断,可以降低漏诊率、提高诊断正确率。     

随钻四极横波测量的数据驱动频散处理方法

针对随钻四极横波测量中的频散效应,本文采用了一种数据驱动的频散处理方法.根据四极子声波频散数据计算慢度概率密度及其拟合函数,再对该函数寻边确定实际地层的横波慢度.该方法在对理论模拟数据及现场随钻测井数据处理中均取得了良好的应用效果,为随钻四极子横波测井提供了一种快速有效的处理方法.

     

上地幔高导层与内生金属矿产及油气藏的关系

依据大地电磁测深所发现的上地幔高导层顶面深度可以给出大陆岩石圈-软流圈界面(LAB)的空间发育特征, 为认识岩石圈结构及壳幔相互作用等提供重要信息.本文在1996年编制的中国大陆上地幔高导层顶面深度图的基础上, 补充了1995—2010年大地电磁测深结果和大地热流数据, 以1°×1°网度编制了新的中国大陆上地幔高导层顶面深度图.我国上地幔高导层顶面深度变化很大, 具有南北分带, 东西分块的特征, 呈东浅、西深、北浅、南深的格局, 从最浅的50~60 km到最深的230 km, 平均深度为100~120 km.据上地幔高导层顶面分布形态, 全国共可划分出27个隆起区.通过与中国已知内生金属矿产和油气田的分布对比, 发现我国大陆80%以上中生代内生金属矿床分布在上地幔高导层隆起带或其梯度带上方.中国大陆东部含油气盆地主体对应上地幔隆起区, 油气田多位于隆起区上方或其边部的过渡带上;西部主体位于幔坳区, 主要油气田对应盆地中心的幔坳向周边幔隆过渡的梯度带上;中部表现为仅盆地腹地对应幔坳, 盆地周边对应规模较大的上地幔隆起带, 主要油气田位于隆起带.总的来看内生金属矿床一般分布在上地幔隆起区靠近造山带一侧, 而油气田一般分布在上地幔隆起区靠近盆地一侧.软流圈的不断上隆, 造成岩石圈减薄、拉张, 张性断裂的出现成为地球深部物质和热量向地壳上部运移的有利通道, 为内生金属矿产的形成提供了成矿物质和能量保障, 也为含油气盆地带来了生烃催化剂、热能和无机成因的石油与天然气.地球深部超临界流体的存在对上地幔高导层的形成、成矿物质运移可能发挥了重要作用.     

基于U-Net网络的端到端地震高分辨率处理技术

拓展频带提高地震资料分辨率是薄储层预测和岩性尖灭点识别的关键手段.目前提升分辨率主要依靠反褶积谱蓝化、Q补偿等技术,这些方法存在假设条件苛刻、参数求取过程复杂、需要井提供额外信息等问题,为实际工作带来诸多不便.本文采用纯地震数据驱动的思想,通过构建大量三维地震伪反射系数模型,与不同主频的地震子波进行褶积获得不同分辨率的...     

卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析

深度学习算法已广泛应用于地震数据处理分析领域,并在地震数据去噪等方面取得了较好的应用效果.目前业界关注重点在于各种不同深度学习算法和相关的网络结构形式,以及不同标签数据对算法效果的影响,较少关注数据集本身的差异对深度学习算法的应用效果影响.本文以卷积神经网络(Convolutional Neural Network, CNN)算法中批量规范化层(Batch Normalization)对地震数据去噪的影响分析为例,通过理论公式和应用效果的对比分析,提出了基于地震数据特征分析下的批量规范化层的使用建议.批量规范化层的使用依赖于数据集的统计分布特征,只有当训练集的归一化能量分布集中在能量较强的区域,批量规范化层的使用才会提升网络的效果.但通常情况下,在地震数据去噪的应用中,不建议使用批量规范化层.这些特征为深度学习算法在地震数据去噪应用中的网络结构设计提供了有价值的参考.     

大数据时代的地球动力学数值计算方法回顾与展望

随着大数据时代的到来,计算地球动力学数值计算方法体系更加完善.本文系统地回顾了传统数值模拟方法在计算地球动力学领域的应用进展,包括:有限差分法、有限单元法、谱方法和谱元法;并对近年来一些新发展的算法和应用前景进行了综述,如:不连续Galerkin法、小波方法和格子玻尔兹曼方法等.本综述有助于读者以整体视角了解地球动力学数值计算方法的发展脉络,并对大数据时代下研究适应日益丰富的数据和新算法提供有益参考.