CN108629072A - 面向地震油气储层分布的卷积神经网络学习与预测方法 - Google Patents
面向地震油气储层分布的卷积神经网络学习与预测方法 Download PDFInfo
- Publication number
- CN108629072A CN108629072A CN201810198302.2A CN201810198302A CN108629072A CN 108629072 A CN108629072 A CN 108629072A CN 201810198302 A CN201810198302 A CN 201810198302A CN 108629072 A CN108629072 A CN 108629072A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- earthquake
- reservoir
- wellblock
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 239000004215 Carbon black (E152) Substances 0.000 claims abstract description 4
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims abstract description 4
- 230000035699 permeability Effects 0.000 claims abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
- G01V2210/6244—Porosity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
- G01V2210/6246—Permeability
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种面向地震油气储层分布的卷积神经网络学习与预测方法。该方法首先以原始地震数据为基础,提取能够表征油气特征的地震属性;然后设计卷积神经网络模型,将优选的几种地震属性作为网络的输入层,提取井位处的地震属性值,以井位处的孔隙度、渗透率、含油性作为训练样本,通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b等参数,直到模型训练完成。随后对无井区的数据进行测试,实现由有井区到无井区储层的横向预测。本发明方法直接在对油气敏感的属性体上进行卷积神经网络深度学习,能够实现同区块,甚至跨区域的未知地震储集体地震信息特征的横向预测。
Description
技术领域
本发明涉及一种面向地震油气储层分布的卷积神经网络学习与预测方法。
背景技术
自Hinton等人于2006年提出的深度学习概念以来,深度学习越来越受到人们的关注。其中以卷积神经网络为代表的深度学习算法在语音识别、图像处理等领域均取得了良好的应用效果。在过去的几十年间人工神经网络、支持向量机等算法在地震储层预测方面进行了大量研究,然而神经网络的感受野与权值共享机制不理想,训练样本维度没有得到改善,使得训练效率变低。由此可见,现有技术需要进一步改进。
发明内容
本发明的目的在于提出一种面向地震油气储层分布的卷积神经网络学习与预测方法,该方法直接在油气敏感的属性体上进行卷积神经网络深度学习,能够实现同区块,甚至跨区域的未知地震储集体地震信息特征的横向预测。
本发明为了实现上述目的,采用如下技术方案:
面向地震油气储层分布的卷积神经网络学习与预测方法,包括如下步骤:
s1.首先以原始地震数据为基础,提取能够表征油气特征的地震属性;
s2.设计卷积神经网络模型,将优选的振幅、频率、相位地震属性作为网络的输入层,提取井位处的振幅、频率、相位地震属性值;
以井位处的孔隙度、渗透率、含油性作为训练样本,通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b参数,直到模型训练完成;
s3.随后输入无井区的振幅、频率、相位地震属性的数据进行测试,利用训练完成的模型实现由有井区到无井区储层的横向预测;
在获取多种储层参数后,结合研究区的地质条件,对油气储层做出综合预测。
本发明具有如下优点:
本发明方法与传统的地震储层预测方法相比,直接在对油气敏感的属性体上进行卷积神经网络深度学习,能够实现同区块,甚至跨区域的未知地震储集体地震信息特征的横向预测,为研究区进一步的地震储层,甚至油气储层的分布预测提供科学依据,降低勘探风险。
附图说明
图1为本发明中面向地震油气储层分布的卷积神经网络学习与预测方法的流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
结合图1所示,面向地震油气储层分布的卷积神经网络学习与预测方法,包括如下步骤:
s1.首先以原始地震数据为基础,提取能够表征油气特征的地震属性。
在此,以提取瞬时振幅、瞬时相位、瞬时频率为例进行说明:
首先将地震道f(t)看成是解析信号,也可作为复地震信号F(t)的实部,即:
F(t)=f(t)+if*(t) (1)
瞬时振幅公式:
瞬时相位公式如下:
θ(t)=tan-1[f*(t)/f(t)] (3)
瞬时频率公式如下:
s2.设计卷积神经网络模型,将优选的振幅、频率、相位地震属性作为网络的输入层,提取振幅、频率、相位井位处的地震属性值。
以井位处的孔隙度、渗透率、含油性作为训练样本,通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b参数,直到模型训练完成。
本发明中卷积神经网络模型的设计过程如下:
将网络结构中的卷积核、权值W和偏置b置成[0,1]的随机值,并初始化参数与学习率,对输入井位处地震属性与一个可学习的核进行卷积后加偏置进行输出,从而获的能够表征地震油气储层特征的卷积层C1、C2、C3,C4,卷积计算如下式所示:
其中,为l层选择集合区域的卷积和,l为层数;
k表示卷积核,表示所获取的地震属性,表示偏置。
通过卷积计算后,将卷积层进行激活处理,再此选择Sigmoid函数进行激活
通过Sigmoid函数激活后,能够凸显表征地震油气储层特征,压制异常干扰。
卷积后预测结果与输入样本之间计算全局误差E:
在通过BP神经网络进行反向传播,不断修改卷积核、权值W和偏置b等参数。
为了获得最小的全局误差E,选用累计误差的BP全局算法来对wjk进行调整。
调整的具体方法见下式:
其中,符号η表示的是神经网络的学习率。
此外,将过程中的误差信号进行以下定义:
上式中:
以及
是对输出层传递函数进行的偏微分计算。
这样,式(9)就可以写成:
然后,依据链定理,上式就变成:
最终,将隐层的各个神经元的权重改进公式为:
通过多次迭代,在满足所设计误差允许的范围内,停止运算,训练结束。
s3.随后输入无井区的振幅、频率、相位地震属性的数据进行测试,利用训练完成的模型实现由有井区到无井区储层的横向预测;
在获取多种储层参数后,结合研究区的地质条件,对油气储层做出综合预测。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (1)
1.面向地震油气储层分布的卷积神经网络学习与预测方法,其特征在于,包括如下步骤:
s1.首先以原始地震数据为基础,提取能够表征油气特征的地震属性;
s2.设计卷积神经网络模型,将优选的振幅、频率、相位地震属性作为网络的输入层,提取井位处的振幅、频率、相位地震属性值;
以井位处的孔隙度、渗透率、含油性作为训练样本,通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b参数,直到模型训练完成;
s3.随后输入无井区的振幅、频率、相位地震属性的数据进行测试,利用训练完成的模型实现由有井区到无井区储层的横向预测;
在获取多种储层参数后,结合研究区的地质条件,对油气储层做出综合预测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810198302.2A CN108629072B (zh) | 2018-03-12 | 2018-03-12 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
PCT/CN2018/125974 WO2019174366A1 (zh) | 2018-03-12 | 2018-12-30 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810198302.2A CN108629072B (zh) | 2018-03-12 | 2018-03-12 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629072A true CN108629072A (zh) | 2018-10-09 |
CN108629072B CN108629072B (zh) | 2019-07-09 |
Family
ID=63706155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810198302.2A Active CN108629072B (zh) | 2018-03-12 | 2018-03-12 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108629072B (zh) |
WO (1) | WO2019174366A1 (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
CN110554433A (zh) * | 2019-07-22 | 2019-12-10 | 中国石油化工股份有限公司 | 基于数字音频处理的储层预测方法 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
CN110619382A (zh) * | 2019-07-22 | 2019-12-27 | 中国石油化工股份有限公司 | 适用于地震勘探的褶积深度网络构建方法 |
CN110988998A (zh) * | 2019-12-24 | 2020-04-10 | 王颜 | 基于希尔伯特谱和bp神经网络的储层孔隙度预测方法 |
CN111460739A (zh) * | 2020-04-24 | 2020-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种不同类型储层预测的方法 |
CN111538879A (zh) * | 2020-04-21 | 2020-08-14 | 中国石油大学(华东) | 一种基于半监督卷积神经网络的储层预测方法 |
CN111950193A (zh) * | 2020-07-15 | 2020-11-17 | 中海油田服务股份有限公司 | 基于储层的孔隙网络模型的建模方法及装置 |
CN112083498A (zh) * | 2020-10-16 | 2020-12-15 | 山东科技大学 | 一种基于深度神经网络的多波地震油气储层预测方法 |
CN112906940A (zh) * | 2021-01-19 | 2021-06-04 | 中国地质调查局发展研究中心 | 一种基于深度学习的嗅探智能找矿预测方法 |
CN112950016A (zh) * | 2021-02-25 | 2021-06-11 | 北京大学 | 基于深度学习的多参数融合非常规油气资源甜点评价方法 |
CN113095352A (zh) * | 2021-03-01 | 2021-07-09 | 中国地质大学(武汉) | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 |
CN113537544A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589363B (zh) * | 2020-04-30 | 2024-03-19 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
CN113945970B (zh) * | 2020-07-15 | 2024-06-07 | 中国石油化工股份有限公司 | 一种致密砂岩储层预测方法 |
CN111814347B (zh) * | 2020-07-20 | 2024-06-11 | 中国石油大学(华东) | 预测油藏内气窜通道的方法及*** |
CN112396230B (zh) * | 2020-11-16 | 2022-03-29 | 中国石油大学(华东) | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 |
CN118033740A (zh) * | 2022-11-14 | 2024-05-14 | 中国石油天然气股份有限公司 | 一种碳酸盐岩油气藏定量表征方法与*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291701A (zh) * | 2016-10-13 | 2017-01-04 | 成都理工大学 | 储层检测方法及装置 |
CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
CN106446514A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油大学(华东) | 一种基于模糊理论和神经网络的测井相识别方法 |
CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
CN107678059A (zh) * | 2017-09-05 | 2018-02-09 | 中国石油大学(北京) | 一种储层含气识别的方法、装置及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN105700016B (zh) * | 2016-02-19 | 2018-09-25 | 中国石油集团东方地球物理勘探有限责任公司 | 生物滩储层地震预测的方法 |
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN108629072B (zh) * | 2018-03-12 | 2019-07-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
-
2018
- 2018-03-12 CN CN201810198302.2A patent/CN108629072B/zh active Active
- 2018-12-30 WO PCT/CN2018/125974 patent/WO2019174366A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
CN106446514A (zh) * | 2016-08-31 | 2017-02-22 | 中国石油大学(华东) | 一种基于模糊理论和神经网络的测井相识别方法 |
CN106291701A (zh) * | 2016-10-13 | 2017-01-04 | 成都理工大学 | 储层检测方法及装置 |
CN106886043A (zh) * | 2017-03-01 | 2017-06-23 | 成都理工大学 | 基于地震数据深度学习的储层检测方法 |
CN107678059A (zh) * | 2017-09-05 | 2018-02-09 | 中国石油大学(北京) | 一种储层含气识别的方法、装置及*** |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
CN109613623B (zh) * | 2018-10-31 | 2020-05-01 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN110032975B (zh) * | 2019-04-15 | 2021-09-07 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN110619382A (zh) * | 2019-07-22 | 2019-12-27 | 中国石油化工股份有限公司 | 适用于地震勘探的褶积深度网络构建方法 |
CN110554433A (zh) * | 2019-07-22 | 2019-12-10 | 中国石油化工股份有限公司 | 基于数字音频处理的储层预测方法 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
CN110988998A (zh) * | 2019-12-24 | 2020-04-10 | 王颜 | 基于希尔伯特谱和bp神经网络的储层孔隙度预测方法 |
CN113537544B (zh) * | 2020-04-18 | 2024-07-16 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
CN113537544A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
CN111538879A (zh) * | 2020-04-21 | 2020-08-14 | 中国石油大学(华东) | 一种基于半监督卷积神经网络的储层预测方法 |
CN111460739A (zh) * | 2020-04-24 | 2020-07-28 | 成都捷科思石油天然气技术发展有限公司 | 一种不同类型储层预测的方法 |
CN111950193A (zh) * | 2020-07-15 | 2020-11-17 | 中海油田服务股份有限公司 | 基于储层的孔隙网络模型的建模方法及装置 |
WO2022011893A1 (zh) * | 2020-07-15 | 2022-01-20 | 中海油田服务股份有限公司 | 基于储层的孔隙网络模型的建模方法及装置 |
CN111950193B (zh) * | 2020-07-15 | 2023-03-14 | 中海油田服务股份有限公司 | 基于储层的孔隙网络模型的建模方法及装置 |
CN112083498A (zh) * | 2020-10-16 | 2020-12-15 | 山东科技大学 | 一种基于深度神经网络的多波地震油气储层预测方法 |
CN112906940A (zh) * | 2021-01-19 | 2021-06-04 | 中国地质调查局发展研究中心 | 一种基于深度学习的嗅探智能找矿预测方法 |
CN112950016A (zh) * | 2021-02-25 | 2021-06-11 | 北京大学 | 基于深度学习的多参数融合非常规油气资源甜点评价方法 |
CN113095352A (zh) * | 2021-03-01 | 2021-07-09 | 中国地质大学(武汉) | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 |
CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019174366A1 (zh) | 2019-09-19 |
CN108629072B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629072A (zh) | 面向地震油气储层分布的卷积神经网络学习与预测方法 | |
CN109036465B (zh) | 语音情感识别方法 | |
CN106952649A (zh) | 基于卷积神经网络和频谱图的说话人识别方法 | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN110428842A (zh) | 语音模型训练方法、装置、设备及计算机可读存储介质 | |
CN108766419A (zh) | 一种基于深度学习的非常态语音区别方法 | |
CN105488466B (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
CN109816092A (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
CN108615010A (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
KR20190005217A (ko) | 신경망을 이용한 주파수 기반 오디오 분석 | |
CN107316046A (zh) | 一种基于增量补偿动态自适应增强的故障诊断方法 | |
CN106250857A (zh) | 一种身份识别装置及方法 | |
CN108648191A (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
CN108847223A (zh) | 一种基于深度残差神经网络的语音识别方法 | |
CN108922513A (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN108229659A (zh) | 基于深度学习的钢琴单键音识别方法 | |
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和*** | |
CN107609588A (zh) | 一种基于语音信号的帕金森患者updrs得分预测方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN107516128A (zh) | 一种基于ReLU激活函数的卷积神经网络的花卉识别方法 | |
CN107582077A (zh) | 一种基于手机触摸行为的人体精神状态分析方法 | |
CN110070888A (zh) | 一种基于卷积神经网络的帕金森语音识别方法 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测*** | |
Wei et al. | A method of underwater acoustic signal classification based on deep neural network | |
CN110516526A (zh) | 一种基于特征原型度量学习的小样本目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |