CN116167288A - 一种ua2ft半监督迁移学习建模方法、介质及设备 - Google Patents
一种ua2ft半监督迁移学习建模方法、介质及设备 Download PDFInfo
- Publication number
- CN116167288A CN116167288A CN202310421764.7A CN202310421764A CN116167288A CN 116167288 A CN116167288 A CN 116167288A CN 202310421764 A CN202310421764 A CN 202310421764A CN 116167288 A CN116167288 A CN 116167288A
- Authority
- CN
- China
- Prior art keywords
- sample
- matrix
- target domain
- domain
- seismic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013526 transfer learning Methods 0.000 title claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 238000013508 migration Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地质建模迁移学习技术领域,公开了一种UA2FT半监督迁移学习建模方法、介质及设备,建模方法包括:获取源域和目标域数据;样本映射高维空间;单向对齐;精细调整;得到预测模型并得到预测结果;本发明有效解决了建模中的数据分布偏差问题,实现了从成熟区块的丰富数据集向新区块的知识迁移,有效提升了建模精度;充分利用了已有的数据标签和数据内蕴结构,减少了建模中对数据的依赖性;保持了特征的地球物理意义,建模过程具有一定的可解释性。
Description
技术领域
本发明涉及地质建模迁移学习技术领域,具体涉及一种UA2FT半监督迁移学习建模方法、介质及设备。
背景技术
地质建模是在将地质、测井、地球物理资料和各种解释结果或者概念模型进行综合分析的基础上,利用计算机图形技术,生成的三维定量模型。因此地质建模是一个涉及地质学、数据和信息分析、计算科学的交叉性的综合学科。以对测井解释进行地质建模为例,在固体地面上钻孔几乎是直接探索地下表面的唯一方法,因为我们可以观察钻孔岩屑和岩芯。未损坏的岩心为地层的形成提供了丰富的信息,但由于取心成本高、时间长,无法获得完整的、连续的沿井岩心序列。与岩心直接观测井眼地质相比,测井可连续、高分辨率地记录井眼物探参数(如声、电等),间接反映地层性质。因此,将稀缺而直接的岩心与间接而持续的地球物理测井相结合,建立完整而精细的井眼地质模型,是地质工作者的重要任务。
基于机器学习的测井解释已经得到了广泛的研究,但大多数研究都是在独立同分布(iid)假设下进行的,即训练数据集和测试数据集之间的概率分布不存在差异。一般来说,训练数据集可以由单口井组成,也可以由多口井的数据合并而成。因此,我们总是可以假设获得一个具有丰富甚至完整标签的训练数据集。但是,由于不同的井在钻井条件、测井设备等方面存在差异,因此有标记训练数据集与未标记(或几乎没有标记)测试数据集之间存在不可忽略的概率分布差异。因此,在实践中,基于机器学习的建模应该在非iid(独立同分布)问题下进行研究。
发明内容
为解决上述技术问题,本发明提供一种UA2FT半监督迁移学习建模方法、介质及设备。
为解决上述技术问题,本发明采用如下技术方案:
步骤一、获取源域和目标域数据:源域数据中,/>分别表示源域第i个样本和对应的标签;目标域数据/>、/>中,/>表示目标域样本总数,分别表示目标域第i个样本和对应的标签;/>和/>统一记为样本/>,/>和/>统一记为标签/>;源域样本矩阵/>,目标域样本矩阵/>;源域标签矩阵/>;/>为样本/>的维数,c为预测目标类别总数;
步骤二、样本映射高维空间:采用样本映射函数对源域样本矩阵/>和目标域样本矩阵/>进行变换,分别得到映射样本矩阵/>和/>;其中/>为再生核希尔伯特空间,/>为特征空间,/>,/>的元素,/>,/>为映射样本维度,/>为从高斯分布采样的输入权重向量,/>为从均匀分布/>采样的输入偏置标量,/>为输入权重向量采样方差系数,/>表示实数域;
步骤三、单向对齐阶段:通过对映射样本矩阵/>和进行变换,得到调整后的源域样本矩阵/>和目标域样本矩阵;其中/>为输出权重矩阵;通过优化函数/>使调整后的源域样本矩阵接近原始的源域样本,即/>,并使调整后的目标域样本矩阵/>向源域概率分布对齐;
步骤五、得到预测模型并得到预测结果:经过单向对齐阶段和精细调整阶段训练后得到输出权重矩阵和/>,获得目标域任务的预测模型/>,为极限学习机随机映射;将通过预测模型/>预测目标域的无标签样本,得到预测结果,实现建模。
进一步地,样本x是由测井数据组成的测井样本或者是由地震属性数据组成的地震样本,步骤五中通过预测模型得到目标域多个无标签测井样本或地震样本的预测结果,实现井或者区块的地质建模。
进一步地,如果目标域任务为测井解释任务,则样本x是由测井数据组成的测井样本,标签y为测井标签,具体地:
测井样本x为一口井在同一深度上的多个测井值组成的向量,测井标签y为需要解释的地质信息,d为测井总数,源域数据的测井标签数量大于目标域数据中的测井标签数量;
步骤五中,通过预测模型得到目标域多个无标签测井样本的预测结果,得到井的完整地质模型。
进一步地,如果目标域任务为地震解释任务,则样本x是由地震属性数据组成的地震样本,标签y为地震标签,具体地:
地震样本x为一个区块在同一方位上的地震属性值组成的向量,地震标签y为需要解释的地质信息,d为地震属性总数,源域数据的地震标签数量大于目标域数据中的地震标签数量;
步骤五中,通过预测模型得到目标域多个无标签地震样本的预测结果,得到区块的完整地质模型。
进一步地,步骤三中,优化函数;其中用于度量跨域概率分布,/>为全体样本矩阵,/>为全体标签矩阵,/>,/>为目标域标签矩阵,其中无标签的目标域样本采用伪标签;/>用于避免变换过程中的信息丢失;/>用于度量单向对齐阶段的复杂性;具体地:
,其中/>为/>经过极限学习机随机映射得到的高维映射矩阵,/>为映射后特征维度,/>;/>,其中/>为/>经过极限学习机随机映射/>得到的高维映射矩阵,/>为对角阵,为目标域标签矩阵;/>,其中/>表示转置,tr表示矩阵的迹,/>为目标域上的用于半监督的图拉普拉斯矩阵;/>。
本发明还提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述方法的步骤。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法的步骤。
与现有技术相比,本发明的有益技术效果是:
1.本发明有效解决了地质建模中的数据分布偏差问题,实现了从成熟区块的丰富数据集向新区块的知识迁移,有效提升了建模精度;
2.充分利用了已有的数据标签和数据内蕴结构,减少了地质建模中对数据的依赖性;
3.保持了特征的地球物理意义,地质建模过程具有一定的可解释性。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
源域、目标域、样本、标签、预测模型,属于迁移学习领域技术人员的技术用语。
如图1所示,本发明提出一种UA2FT半监督迁移学***滑性外,还引入了源域丰富标签的知识。将目标域预测模型在源域的约束下进行更新,从而命名为精细调整。需要说明的是:UA和FT在循环中相互促进,由于UA增强了源域和目标域之间的关系,所以UA对FT有促进作用;另外由于FT提高了分布差异的测量精度,UA对FT有促进作用。
步骤S1、数据收集与处理:
收集数据并整理成样本,一个样本表达为,其中d是样本的维数,/>是特征空间,样本的标签表达为/>,其中/>为标签空间,对于分类任务或回归任务,/>分别属于有限元素集合或实数。一个样例定义为/>,域/>由一个特征空间/>,一个标签空间/>和联合概率分布/>组成,且/>。分类模型或者回归模型/>可以对样本进行预测,从概率的角度说,/>等价于/>。
如果采集到n个样本,则得到样本集合,样本集合写作矩阵形式为,样本集合/>对应的标签集合/>,其矩阵形式为,c为预测目标类别总数;源域和目标域为两个不同的域,源域具有较多的有标签样本,目标域样本的标签稀少。
采用符号s标识源域,t标识目标域;源域数据由构成,/>表示源域有标签样本总数,/>分别表示源域的样本和标签,目标域数据由/>和少量的构成,/>表示目标域样本总数,/>表示目标域的有标签样本数量,/>分别表示目标域的样本和标签;源域和目标域的预测模型分别用/>和/>表示;所有样本要进行归一化处理。源域数据的矩阵形式为/>,称为源域样本矩阵;目标域数据的矩阵形式为/>,称为目标域样本矩阵。
如果样本是由测井数据组成的测井样本,/>,测井数据包括SP、GR、AC、R25、COND等测井值,d为测井总数,同一深度上的测井值组成的向量即为测井样本/>。测井标签为需要解释的地质信息,如果解释岩性,则/>,c为岩性总数,y为独热编码,/>为实数域;如果解释物性,则/>。测井解释任务中,源域数据一般用多口已经完成测录井、测井数据处理、录井数据归位校正、人工解释的井数据合并而成,因此具有大量的有标签样本,目标域一般为刚完成测井且缺少大量录井数据和人工解释的井数据,因此目标域有大量无标签样本和极少数量的有标签样本,通过源域样本和目标域样本训练预测模型,得到目标域无标签样本的预测结果,即可得到该井的完整地质模型。
如果样本x是由地震属性数据组成的地震样本,,地震属性数据包括地震波的几何学、运动学、动力学或统计学特征,具体包括振幅、频率、相位、能量、波形、波阻抗、波速等,d为地震属性总数。同一方位上的地震属性值组成的向量即为地震样本x,地震标签为需要解释的地质信息,如果解释岩性,则/>,c为岩性总数,y为独热编码;如果解释物性,则/>。地震解释任务中,源域一般由成熟探区的地震属性数据合并而成,因此具有大量的有标签样本,目标域一般为新的探区或勘探程度较低的区块的地震属性数据组成,因此目标域有大量无标签样本和极少数量的有标签样本,通过源域和目标域数据训练预测模型,得到目标域无标签样本的预测结果,即可得到该区块的完整地质模型。
步骤S2、样本映射高维空间:
采用样本映射函数对样本进行变换,其中/>为再生核希尔伯特空间(RKHS),/>,其元素/>,/>和w下标i取值范围为1至/>,/>为映射样本维度,/>为从高斯分布/>采样的输入权重向量,/>为从均匀分布/>采样的输入偏置标量,/>为输入权重向量采样方差系数。
对于测井解释任务,预测模型复杂度相对较低,可取200至1000之间的整数,/>可取0.01至4之间的实数;对于地震解释任务,预测模型复杂度相对较高,/>可取500至2000之间的整数,/>可取1至16之间的实数。
步骤S3、单向对齐阶段(UA):
源域的样本矩阵和目标域的样本矩阵/>经过步骤S2后映射到高维空间,得到映射样本矩阵/>和/>,通过/>对映射样本矩阵再次进行变换,得到调整后的源域样本矩阵/>和目标域样本矩阵/>。在UA阶段,希望调整后的源域样本矩阵接近原始的源域样本矩阵,即/>,调整后的目标域样本具有显著变化,向源域概率分布对齐,则定义优化函数:
其中,第一项度量跨域概率分布,/>,/>,,该项用以显式地消除源域和目标域之间的差异,其中无标签的目标域样本可以用伪标签,具体地/>,其中/>,/>表示转置,tr表示矩阵的迹,M为边缘或者条件MMD矩阵,MMD为最大均值差异(Maximum MeanDiscrepancy)的缩写。第二项/>避免了变换过程中的信息丢失,没有/>将得到一个平凡解/>,其中/>是一个零矩阵,即UA后所有信息都被消去,与/>相比,/>只涉及两个域中的样本,没有标签的参与,所以该项在一定程度上保留了样本分布的内在结构,具体地/>,该项本质上为重构误差,能够让调整后的样本保持原始特征的物理意义,也进而保留了一定的可解释性。第三项/>,一般定义为/>,以度量UA模型的复杂性,该项可以防止经过训练的A过拟合。
步骤S4、精细调整阶段(FT):
其中,第一项定义了经验损失,即源域的总预测误差,该项试图充分利用源域中的丰富标签,并以某种方式保存源域信息,否则,目标域预测模型的结果可能非常糟糕,具体地/>,其中/>为/>经过极限学***滑性,即特征空间中更接近的两个样本更有可能具有相同的标签,其中/>被列为一个条件,表明使用原始的目标域特征空间来构造图拉普拉斯矩阵,具体地,其中/>定义为目标域上的用于半监督的图拉普拉斯矩阵;第四项/>用于降低B的复杂度,具体地/>,防止B在训练中过拟合。
步骤S5、得到预测模型并进行地质建模:
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例中的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(如同轴电缆、光纤、数字用户线)或无线(如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(如软盘、硬盘、磁带)、光介质(如DVD)或者半导体介质(如固态硬盘)等。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
步骤一、获取源域和目标域数据:源域数据中,/>分别表示源域第i个样本和对应的标签;目标域数据/>、/>中,/>表示目标域样本总数,/>分别表示目标域第i个样本和对应的标签;/>和/>统一记为样本/>,/>和/>统一记为标签/>;源域样本矩阵/>,目标域样本矩阵/>;源域标签矩阵/>;/>为样本/>的维数,c为预测目标类别总数;
步骤二、样本映射高维空间:采用样本映射函数对源域样本矩阵/>和目标域样本矩阵/>进行变换,分别得到映射样本矩阵/>和/>;其中/>为再生核希尔伯特空间,/>为特征空间,/>,/>的元素,/>,/>为映射样本维度,/>为从高斯分布/>采样的输入权重向量,/>为从均匀分布/>采样的输入偏置标量,/>为输入权重向量采样方差系数,/>表示实数域;
步骤三、单向对齐阶段:通过对映射样本矩阵/>和/>进行变换,得到调整后的源域样本矩阵/>和目标域样本矩阵/>;其中/>为输出权重矩阵;通过优化函数/>使调整后的源域样本矩阵接近原始的源域样本,即,并使调整后的目标域样本矩阵/>向源域概率分布对齐;
2.根据权利要求1所述的UA2FT半监督迁移学习建模方法,其特征在于:样本x是由测井数据组成的测井样本或者是由地震属性数据组成的地震样本,步骤五中通过预测模型得到目标域多个无标签测井样本或地震样本的预测结果,实现井或者区块的地质建模。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421764.7A CN116167288B (zh) | 2023-04-19 | 2023-04-19 | 一种ua2ft半监督迁移学习建模方法、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421764.7A CN116167288B (zh) | 2023-04-19 | 2023-04-19 | 一种ua2ft半监督迁移学习建模方法、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167288A true CN116167288A (zh) | 2023-05-26 |
CN116167288B CN116167288B (zh) | 2023-07-11 |
Family
ID=86418528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310421764.7A Active CN116167288B (zh) | 2023-04-19 | 2023-04-19 | 一种ua2ft半监督迁移学习建模方法、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167288B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401597A (zh) * | 2023-06-09 | 2023-07-07 | 中国科学技术大学先进技术研究院 | 地震解释模型构建方法、电子设备及可读存储介质 |
CN117173350A (zh) * | 2023-08-09 | 2023-12-05 | 中国科学技术大学 | 基于主动领域适应学习的地质建模方法、***及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533193A (zh) * | 2019-08-20 | 2019-12-03 | 武汉理工大学 | 半监督场景下特征和实例联合迁移学习方法 |
CN110659663A (zh) * | 2019-03-22 | 2020-01-07 | 重庆大学 | 一种无监督的双向重建领域自适应方法 |
CN111914708A (zh) * | 2020-07-23 | 2020-11-10 | 杭州电子科技大学 | 迁移半监督宽度学习的脑电信号分类方法 |
CN113807420A (zh) * | 2021-09-06 | 2021-12-17 | 湖南大学 | 一种考虑类别语义匹配的域自适应目标检测方法及*** |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN114863209A (zh) * | 2022-04-21 | 2022-08-05 | 中国科学技术大学 | 类别比例引导的无监督领域适应建模方法、***、设备及介质 |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN115455828A (zh) * | 2022-09-16 | 2022-12-09 | 中国科学技术大学 | 一种可解释的测井曲线补全方法 |
-
2023
- 2023-04-19 CN CN202310421764.7A patent/CN116167288B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659663A (zh) * | 2019-03-22 | 2020-01-07 | 重庆大学 | 一种无监督的双向重建领域自适应方法 |
CN110533193A (zh) * | 2019-08-20 | 2019-12-03 | 武汉理工大学 | 半监督场景下特征和实例联合迁移学习方法 |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
CN111914708A (zh) * | 2020-07-23 | 2020-11-10 | 杭州电子科技大学 | 迁移半监督宽度学习的脑电信号分类方法 |
CN113807420A (zh) * | 2021-09-06 | 2021-12-17 | 湖南大学 | 一种考虑类别语义匹配的域自适应目标检测方法及*** |
CN114863209A (zh) * | 2022-04-21 | 2022-08-05 | 中国科学技术大学 | 类别比例引导的无监督领域适应建模方法、***、设备及介质 |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN115455828A (zh) * | 2022-09-16 | 2022-12-09 | 中国科学技术大学 | 一种可解释的测井曲线补全方法 |
Non-Patent Citations (8)
Title |
---|
GABRIEL MICHAU,等: "Unsupervised transfer learning for anomaly detection: Application to complementary operating condition transfer", KNOWLEDGE-BASED SYSTEMS, pages 1 - 9 * |
SHEN YATING等: "Label-expanded manifold regularization for semi-supervised classification", 2017 12TH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS AND KNOWLEDGE ENGINEERING, pages 1 - 4 * |
WENJUN LV等: "LogRegX: An Explainable Regression Network for Cross-Well Geophysical Logs Generation", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, pages 1 - 11 * |
WENTING ZHANG等: "Unilateral Alignment: An interpretable machine learning method for geophysical logs calibration", ARTIFICIAL INTELLIGENCE IN GEOSCIENCES, pages 192 - 201 * |
宋仪轩;邓赵红;秦斌;: "融合模糊推理和流形正则化的特征迁移学习", 计算机科学与探索, no. 03, pages 449 - 459 * |
程朝阳;明杨;洪奕光;: "特征迁移中投影子空间的分析与构造", 控制理论与应用, no. 11, pages 45 - 54 * |
童靳于等: "一种基于领域自适应的跨工况滚动轴承故障诊断新方法", 固体力学学报, no. 3, pages 267 - 276 * |
黑鸿中;肖儿良;简献忠;: "无监督迁移学习红外行为识别", 小型微型计算机***, no. 04, pages 704 - 709 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401597A (zh) * | 2023-06-09 | 2023-07-07 | 中国科学技术大学先进技术研究院 | 地震解释模型构建方法、电子设备及可读存储介质 |
CN116401597B (zh) * | 2023-06-09 | 2023-08-22 | 中国科学技术大学先进技术研究院 | 地震解释模型构建方法、电子设备及可读存储介质 |
CN117173350A (zh) * | 2023-08-09 | 2023-12-05 | 中国科学技术大学 | 基于主动领域适应学习的地质建模方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116167288B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Deep-learning seismology | |
CN116167288B (zh) | 一种ua2ft半监督迁移学习建模方法、介质及设备 | |
CN112836802B (zh) | 一种半监督学习方法、岩性预测方法及存储介质 | |
Tian et al. | Deep learning assisted well log inversion for fracture identification | |
Masroor et al. | A multiple-input deep residual convolutional neural network for reservoir permeability prediction | |
Li et al. | Pore type identification in carbonate rocks using convolutional neural network based on acoustic logging data | |
CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及*** | |
CN115455828A (zh) | 一种可解释的测井曲线补全方法 | |
Qu et al. | Geostatistical simulation with a trend using gaussian mixture models | |
Mubarak et al. | Hierarchical automated machine learning (AutoML) for advanced unconventional reservoir characterization | |
Larsen et al. | Is machine learning taking productivity in petroleum geoscience on a Moore’s Law trajectory? | |
Niri et al. | Metaheuristic optimization approaches to predict shear-wave velocity from conventional well logs in sandstone and carbonate case studies | |
CN114402233A (zh) | 正演沉积模型的自动校准 | |
Verga et al. | Improved application of assisted history matching techniques | |
CN115983094A (zh) | 基于S-CNN-Bi-GRU网络测井曲线生成方法、处理终端及可读存储介质 | |
Andersen et al. | Machine learning based prediction of porosity and water saturation from Varg field reservoir well logs | |
US20210374465A1 (en) | Methodology for learning a similarity measure between geophysical objects | |
Pourreza et al. | Estimation of geomechanical units using petrophysical logs, core and supervised intelligent committee machine method to optimize exploration drilling operations | |
Lang et al. | Cube2Vec: Self-Supervised Representation Learning for Sub-Surface Models | |
Kaul et al. | Machine-learning-driven dispersion curve picking for surface-wave analysis, modelling, and inversion | |
Ballester et al. | Characterising the parameter space of a highly nonlinear inverse problem | |
Kwon et al. | Accurate and Convenient Missing Well Log Synthesis using Generative Model | |
Di et al. | Unsupervised learning for automated seismic-well tie | |
Simmons et al. | The power of machine learning in petroleum geoscience: Biostratigraphy as an example | |
Sankaranarayanan et al. | Automating the log interpretation workflow using machine learning |
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 |