CN110441820B - 地质构造的智能解释方法 - Google Patents
地质构造的智能解释方法 Download PDFInfo
- Publication number
- CN110441820B CN110441820B CN201910777505.1A CN201910777505A CN110441820B CN 110441820 B CN110441820 B CN 110441820B CN 201910777505 A CN201910777505 A CN 201910777505A CN 110441820 B CN110441820 B CN 110441820B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- interpretation
- layer
- network model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000011176 pooling Methods 0.000 claims description 23
- 239000003245 coal Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005755 formation reaction Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 238000010276 construction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N3/08—Learning methods
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种地质构造的智能解释方法,涉及地震数据分析技术领域,包括:利用原始地震振幅数据的预先解释结果,通过对不同种类的构造赋值的方法生成标签数据体,作为卷积神经网络的训练集,构建卷积神经网络模型预测地质构造。考虑了层位及不同种类构造之间的相互关系,使构造处的层位解释更加清晰,对不同构造的地质解释更加精准。
Description
技术领域
本发明涉及地震数据分析技术领域,尤其是一种地质构造的智能解释方法。
背景技术
随着煤炭资源勘探的不断发展,地震资料解释的精度要求越来越高。最初,层位解释和构造解释都是利用手动人工解释来完成的,这种方法是解释人员根据自己的地质知识和经验来解释的,不仅耗时长而且缺乏一定的客观性。
针对上述问题,目前的一种解决方案是利用全卷积神经网络对断层面进行识别,从三维地震振幅数据体中获取地震振幅断层切片数据,通过人工解释方法标定出切片数据上的断层位置,以此切片数据作为标签数据。这种方法利用切片数据作为标签数据,不具有代表性,对地质构造的解释结果不精准。
发明内容
有鉴于此,本发明的目的在于提供一种地质构造的智能解释方法,以解决现有技术中存在的问题。
第一方面,提供了一种地质构造的智能解释方法,该方法包括以下步骤:
根据预先基于构造预先解释的原始地震振幅数据,确定所述构造解释的解释结果,生成所述构造解释结果的三维数据体;
基于所述构造的解释结果,确定所述构造解释结果的类型;
基于所述构造解释结果的类型,对所述构造解释结果的三维数据体进行赋值,生成所述构造解释结果的标签数据体;
根据所述构造解释结果的标签数据体和原始地震振幅数据,建立训练集;
利用所述训练集对预先确定的初始卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,以便于利用所述训练后的卷积神经网络模型对待预测的地质构造进行预测。
本发明提出的上述地质构造的智能解释方法,利用原始地震振幅数据的预先解释结果,通过对不同种类的构造赋值的方法生成标签数据体,作为卷积神经网络的训练集,构建卷积神经网络模型预测地质构造。考虑了层位及不同种类构造之间的相互关系,使构造处的层位解释更加清晰,对不同构造的地质解释更加精准。
进一步的,所述原始地震振幅数据为具有多种典型地质构造类型的煤田实际地震资料,以及精确预先人工解释结果的数据;所述人工解释结果包括:层位、构造和背景。
进一步的,所述对所述解释结果的三维数据体进行不同种类的构造赋值是指:将层位的标签值赋为1,将构造的标签值赋为2,将背景其他无构造处的标签值赋为0,生成所述标签数据体;所述背景指无构造处。
进一步的,所述训练集包括:所述标签数据体和所述原始地震振幅数据。
进一步的,所述卷积神经网络模型为三维卷积神经网络模型。
进一步的,所述构建卷积神经网络模型包括:选择初始化参数;利用所述原始地震振幅数据和所述标签数据体训练所述卷积神经网络模型;最小化损失函数得到最终的训练模型。
进一步的,所述卷积神经网络包括三个卷积层,用于特征提取;
第一卷积层的卷积核大小为3×3×3,步长为2;第二卷积层和第三卷积层的卷积核大小为3×3×3,步长为1;
所述三个卷积层均应用校正线性激活。
进一步的,所述卷积神经网络还包括两个池化层,将所述卷积层提取的特征进行选择和过滤;
第一池化层的大小为2×2×2,步长为2,设置于所述第一卷积层之后;
第二池化层的大小为2×2×2,步长为2,设置于所述第二卷积层之后。
进一步的,所述卷积神经网络还包括一个全连接层和一个softmax分类器;
所述全连接层,采用线性校正激活,设置于所述第三卷积层之后;
所述softmax分类器设置于所述全连接层之后,用于生成训练和预测结果。
第二方面,提供了一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现第一方面所述的方法。
本发明提出的上述地质构造的智能解释方法,利用煤田实际地震数据的人工预先解释结果,通过对不同种类的构造赋值的方法生成标签数据体,作为卷积神经网络的训练集,构建三维卷积神经网络模型预测地质构造。使训练的卷积神经网络模型更加适合煤田实际资料,考虑了层位及不同种类构造之间的相互关系,使构造处的层位解释更加精确;训练出的卷积神经网络模型可以直接被用于其他任何煤田数据的预测,可以快速、准确地对地质构造进行自动解释。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种地质构造解释方法流程图;
图2为本发明实施例提供的一种地质构造解释方法的训练集;
图3为本发明实施例提供的一种地质构造解释方法的卷积神经网络结构;
图4为本发明实施例提供一种地质构造解释方法的实际煤田地质构造预测结果;
图5为本发明实施例提供的另一种地质构造解释方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着煤炭资源勘探的不断发展,地震资料解释的精度要求越来越高。最初,层位解释和构造解释都是利用手动人工解释来完成的,这种方法是解释人员根据自己的地质知识和经验来解释的,不仅耗时而且缺乏一定的客观性。
针对人工解释存在的缺陷,目前有以下两种方式实现地震断层解释:
第一种:利用全卷积神经网络对断层面进行识别。从三维地震振幅数据体中获取地震振幅断层切片数据,通过人工解释方法标定出切片数据上的断层位置,以此切片数据作为标签数据。这种方法利用切片数据作为标签,没有考虑相邻切片之间相互的关系,导致预测结果不精准,不具有代表性。
第二种:利用相干体属性做标签结合地震数据体来进行模型训练,应用训练的网络模型对新的地震数据体的断层进行预测。这种方法的预测结果的好坏取决于训练模型的精度,训练模型是利用相干体做标签,分类结果不精确。
综上所述,目前针对地震断层解释的问题,人工解释方法费时主观,自动预测方法精度较低,为了解决上述问题,本发明实施例提供了一种地质构造的智能解释方法。为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
本实施例提供了一种地质构造的智能解释方法,该方法的流程图如图1所示,包括以下步骤:
S110,根据预先确定的原始地震振幅数据的解释结果,生成所述解释结果的三维数据体;
S120,基于所述解释结果,确定所述解释结果的类型;
S130,基于所述解释结果的类型,对所述解释结果的三维数据体进行赋值,生成所述解释结果的标签数据体;
S140,根据所述解释结果的标签数据体和原始地震振幅数据,建立训练集;
S150,利用所述训练集对预先确定的初始卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,以便于利用所述训练后的卷积神经网络模型对待预测的地质构造进行预测。
对于步骤S110,可以预先确定原始地震振幅数据,该原始地震振幅数据可以指具有多种典型地质构造类型的煤田实际地震资料,如图2的(a)部分所示。接下来,可以对原始地震振幅数据进行人工解释,得到解释结果,该解释结果可以包括层位和构造等等;对解释结果进行三维地质构造建模,生成三维数据体。
对于步骤S120,解释结果的类型可以包括层位类型、构造类型和无构造类型等等。
对于步骤S130,可以根据解释结果的不同类型对三维数据体进行赋值,该赋值可以作为该三维数据体的标签。例如,可以将层位类型的三维数据体添加值为1的标签,将构造类型的三维数据体添加值为2的标签,将背景类型的三维数据体添加值为0的标签,生成标签数据体;如图2的(b)部分所示,其中灰色层代表层位,黑色点状代表构造,深灰色三面代表背景,背景即无构造处。
对于步骤S140,可以根据图2的(a)部分所示的原始地震数据和图2的(b)部分所示的标签数据体,建立神经网络模型的训练集。
对于步骤S150,首先建立初始卷积神经网络模型,初始化相关参数。例如在一些实施方式中,初始的三维卷积神经网络结构如图3所示,包括三个卷积层、两个池化层、一个全连接层和一个softmax分类器。
卷积层由许多特征图构成,卷积层参数包括卷积核大小、步长和填充,三者共同决定了卷积层输出特征图的尺寸,是卷积神经网络的超参数。其中,卷积核大小可以指定为小于输入图像尺寸的任意值,卷积核越大,可提取的输入特征越复杂。卷积核与前一层的输入图像进行卷积运算得到一个尺寸较小的图。如公式1所示,卷积核中的每个元素都是权重参数,卷积核与该层的输入图像中的相应范围内的像素值相乘并相加,并经过Softmax函数得到输出图的像素值。第k层的第j个特征图对应的矩阵是由前一层若干个特征图卷积加权并经过激活函数运算得到。
激活函数就是卷积神经网络中的非线性映射层,ReLU函数是卷积神经网络中使用最多的一种激活函数,在输入小于0时,输出为0,输入大于0时,输出为原值,具有计算简单,求导快速的优点,同时有效的解决了卷积神经网络在训练中梯度消失的问题。ReLU函数计算公式:
f(x)=max(0,x) (2)
图3所示的卷积神经网络结构中,第一卷积层使用的卷积核大小为3×3×3,步长为2;第二和第三卷积层使用的卷积核大小为3×3×3,步长为1;每个卷积层由一组可学习的过滤器组成,这些过滤器具有小的感知学习域,但却能够拓展输入的深度,卷积层主要用于特征提取。
在每个卷积层之间通常会加入一个池化层。在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数,其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同,由池化大小、步长和填充控制。池化分为最大池化、平均池化和随机池化。本实施方式采用的是最大池化,将区块中元素的最大值作为函数的输出,提取特征平面局部最大值,最大池化计算公式:
图3所示的卷积神经网络结构中,第一卷积层和第二卷积层之后都使用了大小为2×2×2,步长为2的最大池化。池化层的作用是在保留图片基本信息的情况下减小图片的尺寸,并且利用池化操作来减少参数和计算的总量。
在卷积神经网络模型的最后,一般会连接一个及以上的全连接层,全连接层在卷积神经网络中充当着分类器的角色,前面一层的所有神经元都同后一层的神经元相互连接。在图3所示的卷积神经网络结构中,全连接层设置于第三卷积层之后,每个卷积层和全连接层之后都应用了校正线性激活(ReLU)。
全连接层将得到的所有分布式特征图映射到样本空间,然后再经过softmax函数分类计算,输出该输入图像所对应最大概率的类别标签。Softmax函数的计算公式:
其中:n为类别数量。
在训练阶段,卷积神经网络在每次迭代的时候,需要计算当前的预测值和真实值之间的差距,这些差距就是当前的损失值。Softmax Loss函数可以计算当前迭代中的分类损失:
其中:N为每一批量样本个数,为当前训练样本的标签,为当前迭代输出的对应类别的得分。
在图3所示的卷积神经网络结构中,设置于全连接层后的softmax分类器生成一个结果,表示在输入的中心点出现各个分类的可能性,图4即为使用图3的卷积神经网络模型对实际煤田地质的预测结果。
对于步骤S150,利用训练集对预先确定的初始卷积神经网络模型进行训练后,得到训练后的卷积神经网络模型。最后利用得到的卷积神经网络模型,对目标区地质构造的分类进行预测,实现自动地震解释工作。
结合图5对其中一种地质构造解释方法的具体实施方式进行如下解释:
步骤S101:生成三维数据体;根据基于预先解释的原始地震振幅数据,确定解释结果,通过构造三维地质建模,生成解释结果的三维数据体。
步骤S102:对解释结果分类;将解释结果分为层位、构造和背景三类。
步骤S103:建立标签数据体;基于解释结果的类型,对解释解说的三维数据体进行赋值,将层位的标签值赋为1,将构造的标签值赋为2,将背景其他无构造处的标签值赋为0,生成解释结果的标签数据体。
步骤S104:建立训练集;根据解释结果的标签数据体和原始地震振幅数据,建立训练集。
步骤S105:构建神经网络模型;构建三位卷积神经网络模型,初始化相关参数。
步骤S106:训练神经网络模型;利用训练集数据对预先确定的初始卷积神经网络模型进行训练,通过使损失函数最小化来得到最终的三维卷积神经网络模型。
步骤S107:对待预测的地质构造进行预测;利用得到的卷积神经网络模型,对目标区域地质构造的分类进行预测,实现自动地质构造解释工作。
本发明利用煤田实际地震数据的人工解释成果,包括层位、断层、陷落柱等,通过构造地质建模的方法生成标签数据体,使训练的卷积神经网络模型更加适合煤田实际资料;层位、断层以及陷落柱等构造同时预测并自动解释,考虑了层位与构造之间的相互关系,使构造处的层位解释更加精确;训练出的卷积神经网络模型可以直接被用于其他任何煤田数据的预测,可以快速、准确地对地质构造进行自动解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种地质构造的智能解释方法,其特征在于,包括以下步骤:
根据预先确定的原始地震振幅数据的解释结果,生成所述解释结果的三维数据体;所述解释结果包括:层位、构造和背景,所述背景指无构造处;
基于所述解释结果,确定所述解释结果的类型;
基于所述解释结果的类型,对所述解释结果的三维数据体进行赋值,将所述层位的标签值赋为1,将所述构造的标签值赋为2,将所述背景的标签值赋为0,生成所述解释结果的标签数据体;
根据所述解释结果的标签数据体和原始地震振幅数据,建立训练集;
利用所述训练集对预先确定的初始卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,以便于利用所述训练后的卷积神经网络模型对待预测的地质构造进行预测。
2.根据权利要求1所述的地质构造的智能解释方法,其特征在于,所述原始地震振幅数据为具有多种典型地质构造类型的煤田实际地震资料,以及精确预先解释结果的数据。
3.根据权利要求1所述的地质构造的智能解释方法,其特征在于,所述训练集包括:所述标签数据体和所述原始地震振幅数据。
4.根据权利要求1所述的地质构造的智能解释方法,其特征在于,所述卷积神经网络模型为三维卷积神经网络模型。
5.根据权利要求1所述的地质构造的智能解释方法,其特征在于,所述预先确定的初始卷积神经网络模型包括:选择初始化参数;利用所述原始地震振幅数据和所述标签数据体训练所述卷积神经网络模型;最小化损失函数得到最终的训练模型。
6.根据权利要求1所述的地质构造的智能解释方法,其特征在于,所述卷积神经网络包括三个卷积层,用于特征提取;
第一卷积层的卷积核大小为3×3×3,步长为2;第二卷积层和第三卷积层的卷积核大小为3×3×3,步长为1;
所述三个卷积层均应用校正线性激活。
7.根据权利要求6所述的地质构造的智能解释方法,其特征在于,所述卷积神经网络还包括两个池化层,将所述卷积层提取的特征进行选择和过滤;
第一池化层的大小为2×2×2,步长为2,设置于所述第一卷积层之后;
第二池化层的大小为2×2×2,步长为2,设置于所述第二卷积层之后。
8.根据权利要求6所述的地质构造的智能解释方法,其特征在于,所述卷积神经网络还包括一个全连接层和一个softmax分类器;
所述全连接层,采用线性校正激活,设置于所述第三卷积层之后;
所述softmax分类器设置于所述全连接层之后,用于生成结果。
9.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777505.1A CN110441820B (zh) | 2019-08-21 | 2019-08-21 | 地质构造的智能解释方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777505.1A CN110441820B (zh) | 2019-08-21 | 2019-08-21 | 地质构造的智能解释方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110441820A CN110441820A (zh) | 2019-11-12 |
CN110441820B true CN110441820B (zh) | 2020-06-16 |
Family
ID=68437061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910777505.1A Active CN110441820B (zh) | 2019-08-21 | 2019-08-21 | 地质构造的智能解释方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110441820B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273352A (zh) * | 2020-01-15 | 2020-06-12 | 中国煤炭地质总局勘查研究总院 | 地质构造智能检测方法、装置与电子设备 |
CN113296152A (zh) * | 2020-02-21 | 2021-08-24 | 中国石油天然气集团有限公司 | 断层检测方法及装置 |
CN112130200B (zh) * | 2020-09-23 | 2021-07-20 | 电子科技大学 | 一种基于grad-CAM注意力引导的断层识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104280771A (zh) * | 2014-10-27 | 2015-01-14 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于em算法的三维地震数据波形的半监督聚类方法 |
WO2016073483A1 (en) * | 2014-11-05 | 2016-05-12 | Shell Oil Company | Systems and methods for multi-dimensional geophysical data visualization |
US20210165938A1 (en) * | 2017-12-14 | 2021-06-03 | Schlumberger Technology Corporation | System and Method for Simulating Reservoir Models |
CN109086773B (zh) * | 2018-08-29 | 2022-03-04 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN109492775B (zh) * | 2018-11-19 | 2020-05-12 | 中国矿业大学(北京) | 一种地质构造解释的检测方法,检测装置及可读存储介质 |
CN109597129B (zh) * | 2019-01-07 | 2019-12-17 | 中国地质大学(武汉) | 基于目标检测的缝洞型油藏串珠状反射特征识别方法 |
-
2019
- 2019-08-21 CN CN201910777505.1A patent/CN110441820B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110441820A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389128B (zh) | 电成像测井图像特征自动提取方法及装置 | |
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN109829399B (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
CN109212617B (zh) | 电成像测井相自动识别方法及装置 | |
CN110441820B (zh) | 地质构造的智能解释方法 | |
CN106295714B (zh) | 一种基于深度学习的多源遥感图像融合方法 | |
CN105069468B (zh) | 基于脊波和深度卷积网络的高光谱图像分类方法 | |
CN110533631A (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN108764247B (zh) | 基于稠密连接的深度学习物体检测方法及装置 | |
Ling et al. | Superresolution land cover mapping using spatial regularization | |
EA004551B1 (ru) | Способ интерпретации сейсмических фаций с использованием текстурного анализа и нейронных сетей | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN111951097A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
KR20200095336A (ko) | 고 정밀도로 이미지를 분석하기 위한 딥 러닝 네트워크를 사용하기 위해 트레이닝 이미지를 오토 라벨링하는 오토 라벨링 장치의 하이퍼파라미터를 최적화하는 방법 및 이를 이용한 최적화 장치 | |
CN110096994A (zh) | 一种基于模糊标签语义先验的小样本PolSAR图像分类方法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN112906662B (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
CN109614883A (zh) | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 | |
CN111402131B (zh) | 基于深度学习的超分辨率土地覆被分类图的获取方法 | |
CN106951912B (zh) | 一种果蔬外观变化识别模型的建立方法和识别方法 | |
Makido et al. | Weighting function alternatives for a subpixel allocation model | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
CN113807449A (zh) | 一种沉积岩类别识别方法、装置、电子设备和存储介质 |
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 |