CN111209674A - 一种河道砂建模方法、设备及可读存储介质 - Google Patents
一种河道砂建模方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111209674A CN111209674A CN202010022741.5A CN202010022741A CN111209674A CN 111209674 A CN111209674 A CN 111209674A CN 202010022741 A CN202010022741 A CN 202010022741A CN 111209674 A CN111209674 A CN 111209674A
- Authority
- CN
- China
- Prior art keywords
- network
- river channel
- sand body
- condition data
- channel sand
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种河道砂建模方法、设备及可读存储介质。河道砂建模方法包括如下步骤:获取待建模储层的基本参数;根据获取的基本参数,生成若干个第一河道砂体模型及与第一河道砂体模型对应的训练条件数据;建立生成网络;建立判别网络;对所述判别网络和所述生成网络进行训练,得到生成器;将井数据输入生成器中得到待建模储层的砂体模型。本发明的有益效果是:通过基于目标的模拟方法生成了大量的第一河道砂体模型及对应的训练条件数据,再通过这些第一河道砂体模型和训练条件数据对生成网络和判别网络进行训练,生成网络经大量训练后得到能生成真实的河道砂体模型的生成器,再将研究区的井数据输入生成器获得研究区待建模储层的砂体模型。
Description
技术领域
本发明涉及储层建模技术领域,尤其是涉及一种河道砂建模方法、设备及可读存储介质。
背景技术
目前在河道砂体的建模研究中,国内外学者提出了很多建模方法。其中,传统的两点统计能够实现任意储层的预测,在陆相沉积储层三维地质模型建立上发挥了巨大作用,有力推动了油藏描述向精细、定量化方向发展。然而,随着研究深入,越来越多学者认识到两点变差函数只能表征两点相关性,很难刻画储层复杂形态(如弯曲的河道),更难以刻画不同储层空间配置。基于目标方法能够较好描述储层形态,揭示储层成因联系。它主要根据预先确定的目标体形态来进行模拟,如河道的方向、振幅、宽度和厚度等,但基于目标方法在模拟过程中使用多次迭代来匹配井数据,并且通常可能不能满足所有井数据。多点地质统计学建模采用训练图像作为主要输入参数,能够比基于目标方法更尊重井数据,但对训练图像要求较高,如要求训练图像具有平稳性,实际情况却很少如此,造成了模拟的河道出现间断的现象。
发明内容
有鉴于此,有必要提供一种既能克服两点变差函数模拟方法不能反映真实的储层形态的缺陷、又能克服基于目标模拟方法难以匹配井数据的问题的储层建模方法。
本发明提供了一种河道砂建模方法,包括如下步骤:
S100获取待建模储层的基本参数,其中,所述基本参数至少包括河道平均宽度、河道平均弯曲度以及河道走向;
S200根据获取的基本参数,生成若干个第一河道砂体模型,并根据所述第一河道砂体模型生成若干个与所述第一河道砂体模型对应的训练条件数据;
S300根据各个训练条件数据建立生成网络;
S400根据各个训练条件数据及对应的第一河道砂体模型建立判别网络;
S500对所述判别网络和所述生成网络进行训练,以得到生成器;
S600获取待建模储层的井数据,将井数据输入生成器中得到待建模储层的砂体模型。
本发明还提供了一种河道砂建模的设备,包括处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述处理器执行所述计算机可读程序时实现了本发明提供的河道砂建模方法中的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现了本发明提供的河道砂建模方法中的步骤。
与现有技术相比,本发明提出的技术方案的有益效果是:通过基于目标的模拟方法生成了大量的第一河道砂体模型及对应的训练条件数据,再通过这些第一河道砂体模型和训练条件数据对生成网络和判别网络进行训练,生成网络经大量训练后得到能生成逼真的河道砂体模型的生成器,再将研究区的井数据输入生成器获得研究区待建模储层的砂体模型。
附图说明
图1是本发明提供的河道砂建模方法的一实施例的流程示意图;
图2是通过Petrel软件随机生成的若干个研究区储层的第一河道砂体模型;
图3是通过Petrel软件为图2中的各个第一河道砂体模型随机生成的对应的训练条件数据;
图4是图1中步骤S300的流程示意图;
图5是图1中步骤S400的流程示意图;
图6是将训练条件数据及对应的第一河道砂体模型输入判断网络中的过程示意图;
图7是将生成网络生成的第二河道砂体模型输入判断网络中进行真伪性判断的过程示意图;
图8是图1中步骤S500的流程示意图;
图9是研究区的井数据;
图10是将图9中的井数据输入生成器中得到的研究区待建模储层的砂体模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本实施例以西湖凹陷古近系花港组为研究对象。这项实验采用的硬件环境为Nvidia GTX 1660显卡,具有1408个流处理器(用于机器学***台为pycharm,所配置的虚拟环境为tensorflow-gpu 1.11.0。该模型在判别过程中采用PatchGAN结构,即通过多个卷积层,得到N*N*1的判别层,其中每个元素代表对应的真伪判定结果,整个输入的真伪判定结果就是这N*N个元素的均值。
请参照图1,本发明提供了一种河道砂建模方法,包括如下步骤:
S100获取待建模储层的基本参数,其中,所述基本参数至少包括河道平均宽度、河道平均弯曲度以及河道走向;本实施例中,根据前人的研究成果,该储层的河道平均宽度为500m,河道平均弯曲度为1.2,河道走向大致为东西向。
S200根据获取的基本参数,生成若干个第一河道砂体模型,并根据所述第一河道砂体模型生成若干个与所述第一河道砂体模型对应的训练条件数据;本实施例中,通过Petrel软件基于目标的模拟方法随机生成了100个河道砂体模型A(请参见图2,图2中只显示了16个第一河道砂体模型),再通过模拟软件为每个第一河道砂体模型A随机生成了一个对应的训练条件数据y(请参见图3)。
S300根据各个训练条件数据y建立生成网络;生成网络的建立方法包括如下步骤(请参见图4):
S310建立若干个卷积层,将各个训练条件数据y编码后输入卷积层进行特征提取,通过卷积运算得到若干个特征矩阵;
S320建立与所述卷积层层数相同的反卷积层,将卷积层与反卷积层中维度一致的层进行连接,将步骤S310中提取的特征矩阵排列为一维向量输入反卷积层,经过反卷积运算生成对应的河道砂体模型矩阵;
S330设定训练过程中生成网络参数的修正函数:其中,θ为生成网络修正后的参数,θg为生成网络修正前的参数,为关于该参数的损失梯度,且损失梯度其中,n为总训练次数,D为判别网络,G为生成网络,z为随机向量,i为训练次数变量。
S400根据各个训练条件数据y及对应的第一河道砂体模型A建立判别网络D;判别网络D的建立方法包括如下步骤(请参见图5):
S410建立若干个卷积层,将各个训练条件数据y及对应的第一河道砂体模型A成对编码后输入卷积层进行特征提取,通过卷积运算得到若干个特征矩阵;
S420对比各个训练条件数据y及对应的第一河道砂体模型A的特征矩阵,分别计算各个第一河道砂体模型A的真实概率(请参照图6);
S430将生成网络G生成的砂体G(y)模型输入判别网络D,建立第一损失函数:V(G,D)=Ex,y[logD(y,x)]+Ex,y[log(1-D(y,G(y,z)))],其中,y为训练条件数据,x为真实数据,G(y,z)表示生成网络G根据训练条件数据y和随机向量生成的目标域模型,D(y,x)表示D网络判断真实模型是否真实的概率,D(y,G(y,z))是判别网络D判断生成网络G生成的模型G(y,z)是否真实的概率;
S440在生成网络G生成的模型G(y,z)与真实数据之间添加一个第二损失函数L1从而加快模型收敛并提高模型的精度,其中,第二损失函数L1(G)=Ex,y[||x-G(y,z)||1],其中,y为训练条件数据,x为真实数据,G(y,z)表示生成网络G根据训练条件数据y和随机向量生成的目标域模型。
S500对判别网络D和生成网络G进行训练,得到判别器和生成器;请参照图7和图8,对判别网络和生成网络进行训练的方法包括如下步骤:
S510选取一个训练条件数据y,并将选取的训练条件数据y输入到所述生成网络G中,以使所述生成网络G生成与选取的训练条件数据y对应的第二河道砂体模型G(y);
S520将选取的训练条件数据y及对应的第一河道砂体模型A作为判断条件输入到判别网络D中,再将对应的第二河道砂体模型G(y)作为判断对象输入到判别网络D中,由所述判别网络D判断第二河道砂体模型G(y)的真伪性,当所述判别网络D判断第二河道砂体模型G(y)为假时,则根据反馈信息,即计算的损失值,调整所述生成网络G的参数,重新生成选取的训练条件数据y对应的第二河道砂体模型G(y);
S530根据S520得到的反馈信息,调整判别网络D的参数,提高判别网络的判别能力;
S540将重新生成的第二河道砂体模型G(y)输入到判别网络D中进行判断,重复步骤S520和步骤S530若干次,从而提高判断网络判断的准确性及提高生成网络生成的第二河道砂体模型的逼真度,这样,通过多次的对抗训练,生成网络G生成的砂体模型越来越逼真,而判别网络判断砂体模型真伪性的能力越来越强,直到所述判别网络D判断不出第二河道砂体模型G(y)的真伪性时为止,即该生成对抗网络达到了纳什均衡,所判断的概率为0.5,最终第一损失函数V(G,D)会趋近于一个稳定值,第二损失函数L1也会逐渐下降,收敛于一个稳定的值,所建立的最终生成函数为:G=arg V(G,D)+λL1(G),其中λ是控制L1(G)比例的超参数;
S550将条件数据y重复步骤S510-步骤S540,直到所有的训练条件数据y都训练完毕。
S600获取待建模储层的井数据,将井数据输入生成器中得到待建模储层的砂体模型。本实施例中,研究区的井数据请参见图9,一共包括9口井,其中,钻遇河道的井有6口,这些数据作为生成该研究区河道砂体储层模型的条件数据,通过卷积与反卷积操作即可生成满足该条件数据的砂体模型(图10)。
通过本发明提供的河道砂建模方法最终生成的河道砂体模型由于是通过将研究区的井数据输入生成器中得到的,因此能满足所有的井数据,同时,由于生成器通过大量的第一河道砂体模型及对应的训练条件数据进行训练,因此也能反映真实的储层形态。本发明提供的技术方案结合了人工智能深度学习生成对抗网络的思想,克服了基于目标的建模方法条件化困难、不易恢复砂体的几何形态的缺陷,以及变差函数难以计算的问题,建立的模型能很好的体现储层沉积特征,并再现储层的复杂形态以及尺寸等特征,为储层建模的研究提供了另一个方向,更好的服务于油田的生产。
应当理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。
本发明还提供了一种河道砂建模的设备,包括处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述处理器执行所述计算机可读程序时实现了前述河道砂建模方法中的步骤,由于上文已对河道砂建模方法进行详细说明,在此不再赘述。
综上所述,本发明通过基于目标的模拟方法生成了大量的第一河道砂体模型及对应的训练条件数据,再通过这些第一河道砂体模型和训练条件数据对生成网络和判别网络进行训练,生成网络经大量训练后得到能生成逼真的河道砂体模型的生成器,再将研究区的井数据输入生成器获得研究区待建模储层的砂体模型。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (9)
1.一种河道砂建模方法,其特征在于,包括如下步骤:
S100获取待建模储层的基本参数,其中,所述基本参数至少包括河道平均宽度、河道平均弯曲度以及河道走向;
S200根据获取的基本参数,生成若干个第一河道砂体模型,并根据所述第一河道砂体模型生成若干个与所述第一河道砂体模型对应的训练条件数据;
S300根据各个训练条件数据建立生成网络;
S400根据各个训练条件数据及对应的第一河道砂体模型建立判别网络;
S500对所述判别网络和所述生成网络进行训练,以得到生成器;
S600获取待建模储层的井数据,将井数据输入生成器中得到待建模储层的砂体模型。
2.如权利要求1所述的河道砂建模方法,其特征在于,所述步骤S300包括:
S310建立若干个卷积层,将各个训练条件数据y编码后输入卷积层进行特征提取,通过卷积运算得到若干个特征矩阵;
S320建立与所述卷积层层数相同的反卷积层,并将卷积层与反卷积层中维度一致的层进行连接,将步骤S310中提取的特征矩阵排列为一维向量输入反卷积层,经过反卷积运算生成对应的河道砂体模型矩阵;
S330设定训练过程中生成网络参数的修正函数。
4.如权利要求1所述的河道砂建模方法,其特征在于,所述步骤S400包括:
S410建立若干个卷积层,将各个训练条件数据及对应的第一河道砂体模型成对编码后输入卷积层进行特征提取,通过卷积运算得到若干个特征矩阵;
S420对比各个训练条件数据及对应的第一河道砂体模型的特征矩阵,分别计算各个第一河道砂体模型的真实概率;
S430将生成网络生成的砂体模型输入判别网络,建立第一损失函数;
S440在生成网络生成的模型与真实数据之间添加一个第二损失函数从而加快模型收敛并提高模型的精度。
5.如权利要求4所述的河道砂建模方法,其特征在于,所述步骤S430中,所述第一损失函数为:V(G,D)=Ex,y[logD(y,x)]+Ex,y[log(1-D(y,G(y,z)))],其中,y为训练条件数据,x为真实数据,G(y,z)表示生成网络G根据训练条件数据y和随机向量生成的目标域模型,D(y,x)表示D网络判断真实模型是否真实的概率,D(y,G(y,z))是判别网络D判断生成网络G生成的模型G(y,z)是否真实的概率。
6.如权利要求4所述的河道砂建模方法,其特征在于,所述步骤S440中,所述第二损失函数为:L1(G)=Ex,y[||x-G(y,z)||1],其中,y为训练条件数据,x为真实数据,G(y,z)表示生成网络G根据训练条件数据y和随机向量z生成的目标域模型。
7.如权利要求1所述的河道砂建模方法,其特征在于,所述步骤S500包括:
S510选取一个训练条件数据,并将选取的训练条件数据输入到所述生成网络中,以使所述生成网络生成与选取的训练条件数据对应的第二河道砂体模型;
S520将选取的训练条件数据及其对应的第一河道砂体模型和第二河道砂体模型输入到判别网络中,由所述判别网络判断第二河道砂体模型的真伪性,当所述判别网络判断第二河道砂体模型为假时,则根据反馈信息,即计算的损失值,调整所述生成网络的参数,重新生成选取的训练条件数据对应的第二河道砂体模型;
S530根据S520得到的反馈信息,调整所述判别网络的参数,提高判别网络的判别能力;
S540将S520重新生成的第二河道砂体模型输入到所述判别网络中,重复步骤S520和步骤S530若干次,从而提高判断网络判断的准确性及提高生成网络生成的第二河道砂体模型的逼真度,直到所述判别网络判断不出第二河道砂体模型的真伪性时为止;
S550将所有条件数据重复步骤S510-步骤S540,直到所有的训练条件数据都训练完毕。
8.一种河道砂建模的设备,其特征在于,包括处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-3任意一项所述的河道砂建模方法中的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-3任意一项所述的河道砂建模方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022741.5A CN111209674B (zh) | 2020-01-09 | 2020-01-09 | 一种河道砂建模方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010022741.5A CN111209674B (zh) | 2020-01-09 | 2020-01-09 | 一种河道砂建模方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209674A true CN111209674A (zh) | 2020-05-29 |
CN111209674B CN111209674B (zh) | 2023-04-11 |
Family
ID=70786027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010022741.5A Active CN111209674B (zh) | 2020-01-09 | 2020-01-09 | 一种河道砂建模方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209674B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969895A (zh) * | 2022-04-26 | 2022-08-30 | 长江大学 | 一种基于趋势约束的河道剖面形态建模方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665546A (zh) * | 2018-05-17 | 2018-10-16 | 四川大学 | 一种结合深度学习的多点地质统计三维建模方法 |
CN109446735A (zh) * | 2018-12-18 | 2019-03-08 | 中国石油大学(北京) | 一种模拟测井数据的生成方法、设备以及*** |
US20190080205A1 (en) * | 2016-09-16 | 2019-03-14 | Deep Learning Analytics, LLC | Systems and Methods for Deep Model Translation Generation |
US20190107642A1 (en) * | 2017-10-11 | 2019-04-11 | Beyond Limits, Inc. | System for improved reservoir exploration and production |
CN110070174A (zh) * | 2019-04-10 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成对抗网络的稳定训练方法 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、***及设备 |
-
2020
- 2020-01-09 CN CN202010022741.5A patent/CN111209674B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080205A1 (en) * | 2016-09-16 | 2019-03-14 | Deep Learning Analytics, LLC | Systems and Methods for Deep Model Translation Generation |
US20190107642A1 (en) * | 2017-10-11 | 2019-04-11 | Beyond Limits, Inc. | System for improved reservoir exploration and production |
CN108665546A (zh) * | 2018-05-17 | 2018-10-16 | 四川大学 | 一种结合深度学习的多点地质统计三维建模方法 |
CN109446735A (zh) * | 2018-12-18 | 2019-03-08 | 中国石油大学(北京) | 一种模拟测井数据的生成方法、设备以及*** |
CN110070174A (zh) * | 2019-04-10 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成对抗网络的稳定训练方法 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、***及设备 |
Non-Patent Citations (6)
Title |
---|
DARIO A. B. OLIVEIRA , RODRIGO S. FERREIRA , REINALDO SILVA, AND EMILIO VITAL BRAZIL: "Interpolating Seismic Data With Conditional Generative Adversarial Networks" * |
EMILIEN DUPONT,TUANFENG ZHANG,PETER TILKE,LIN LIANG,WILLIAM BAILEY: "Generating Realistic Geology Conditioned on Physical Measurements with Generative Adversarial Networks" * |
ÉRIC GUÉRIN, JULIE DIGNE, ÉRIC GALIN, ADRIEN PEYTAVIE, CHRISTIAN WOLF, BEDRICH BENES, BENOÎT MARTINEZ: "Interactive example-based terrain authoring with conditional generative adversarial networks" * |
RODRIGO EXTERKOETTER,FERNANDO BORDIGNON,LEANDRO PASSOS DE FIGUEIREDO,MAURO ROISENBERG,BRUNO BARBOSA RODRIGUES: "Petroleum Reservoir Connectivity Patterns Reconstruction using Deep Convolutional Generative Adversarial Networks" * |
SHING CHAN,AHMED H. ELSHEIKH: "Parametric generation of conditional geological realizations using generative neural networks" * |
魏庆,李向阳: "基于条件生成式对抗网络的地震数据重构算法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969895A (zh) * | 2022-04-26 | 2022-08-30 | 长江大学 | 一种基于趋势约束的河道剖面形态建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111209674B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334816B (zh) | 基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法 | |
CN111563841B (zh) | 一种基于生成对抗网络的高分辨率图像生成方法 | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及*** | |
CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN111612906B (zh) | 一种三维地质模型的生成方法、***及计算机存储介质 | |
CN111523713B (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN105224984A (zh) | 一种基于深度神经网络的数据类别识别方法及装置 | |
CN112489164B (zh) | 基于改进深度可分离卷积神经网络的图像着色方法 | |
CN109146061A (zh) | 神经网络模型的处理方法和装置 | |
CN105354873A (zh) | 用于多孔介质三维重构的模式密度函数模拟算法 | |
Liu et al. | Multilevel strategies and geological parameterizations for history matching complex reservoir models | |
CN110516724A (zh) | 可视化作战场景的高性能多层字典学习特征图像处理方法 | |
CN117290721A (zh) | 数字孪生建模方法、装置、设备及介质 | |
CN111209674B (zh) | 一种河道砂建模方法、设备及可读存储介质 | |
CN112541256A (zh) | 基于深度学习降维重构的强非均质油藏历史拟合方法 | |
CN112199887A (zh) | 基于对抗生成网络和伪标注的半监督电阻率反演方法及*** | |
CN112016956B (zh) | 基于bp神经网络的矿石品位估值方法及装置 | |
CN116227547A (zh) | 基于自适应差分隐私的联邦学习模型优化方法及装置 | |
CN114022632A (zh) | 基于深度卷积生成对抗网络的地质模型快速生成方法 | |
CN115063847A (zh) | 一种面部图像获取模型的训练方法及装置 | |
Huang et al. | Application of an Improved Deep-Learning Framework for Large-Scale Subsurface Flow Problems with Varying Well Controls | |
CN112560326B (zh) | 压力场的确定方法及装置 | |
CN108875163B (zh) | 一种评价三维裂缝网络连通性的方法和*** | |
CN112649869A (zh) | 基于ga-wnn的储层特征参数预测方法及*** |
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 |