期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于数据与模型联合驱动的波阻抗反演方法
1
作者 桑文镜 袁三一 +3 位作者 丁智强 于越 刘浩杰 韩智颖 《地球物理学报》 SCIE EI CAS CSCD 北大核心 2024年第2期696-710,共15页
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... 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. 展开更多
关键词 数据与模型联合驱动 波阻抗反演 初始模型 井震联合 双向门控递归单元
下载PDF
基于数据分布域变换与贝叶斯神经网络的渗透率预测及不确定性估计
2
作者 李明轩 韩宏伟 +2 位作者 刘浩杰 桑文镜 袁三一 《地球物理学报》 SCIE EI CAS CSCD 北大核心 2023年第4期1664-1680,共17页
渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声,渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性);同时,当测试数据与训练数据... 渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声,渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性);同时,当测试数据与训练数据存在差异时,机器学习模型在预测渗透率时可能出现模型参数的不确定性(即认知不确定性).为实现渗透率的准确预测并量化两种不确定性对结果的影响,本文提出基于数据分布域变换和贝叶斯神经网络同时实现渗透率预测及其不确定性的估计.提出方法主要包括两个部分:一部分是不同域数据分布的相互转换,另一部分是基于贝叶斯理论的神经网络渗透率建模预测和不确定性估计.由于贝叶斯神经网络存在数据分布的假设,当标签的概率分布与网络的分布保持一致时,贝叶斯神经网络可以更好的学习到数据之间的关系.因此通过寻找一个函数将一个原始域的渗透率标签转换为目标域的与渗透率有关的变量(我们称为目标域渗透率),使得该变量符合贝叶斯神经网络的分布假设.我们使用贝叶斯神经网络预测目标域渗透率以及任意不确定性和认知不确定性.随后,通过分布域的逆变换,我们将目标域渗透率还原回原始域渗透率.应用本文方法到某油田的18口井的测井数据中,使用16口井的数据进行训练,2口井进行测试.测试井的预测渗透率与真实渗透率基本一致.同时,任意不确定性的预测结果提供了渗透率预测值受到的测井数据噪声影响的位置.认知不确定的预测结果说明数据量少的位置具有更高的认知不确定性.我们提出的这一流程不仅显示了在储层表征方面的巨大潜力,同时可以降低测井解释时的风险. 展开更多
关键词 贝叶斯神经网络 渗透率预测 数据分布域变换 人工智能 不确定性估计
下载PDF
基于半监督学习的井震联合储层横向孔隙度预测方法 被引量：3
3
作者 韩宏伟 刘浩杰 +3 位作者 桑文镜 魏国华 韩智颖 袁三一 《地球物理学报》 SCIE EI CAS CSCD 北大核心 2022年第10期4073-4086,共14页
传统地震储层预测技术一般基于弹性参数反演和岩石物理建模的级联流程实现储层孔隙度预测,其预测精度受到波动理论和岩石物理理论的近似假设、初始模型和二次反演累积误差等因素的影响.为缓解这些问题,本文提出了一种基于双向门控递归... 传统地震储层预测技术一般基于弹性参数反演和岩石物理建模的级联流程实现储层孔隙度预测,其预测精度受到波动理论和岩石物理理论的近似假设、初始模型和二次反演累积误差等因素的影响.为缓解这些问题,本文提出了一种基于双向门控递归单元神经网络的半监督学习井震联合孔隙度预测方法,实现从地震数据直接预测储层横向孔隙度.通过少量的地震测井样本标签对和多目标函数约束建立智能化多尺度多信息融合孔隙度预测模型,实现地震数据到孔隙度,孔隙度再到生成地震数据的闭环映射.此外,在网络模型每次迭代更新的过程中随机引入非井旁地震道参与网络训练,非井旁地震道的波形匹配能在一定程度上保证井间孔隙度的预测精度.模型数据和实际数据测试结果表明,本文提出的方法相比于有监督学习孔隙度预测方法能进一步提高储层孔隙度的预测准确性和横向连续性,获得较为可靠的储层物性参数的空间分布. 展开更多
关键词 半监督学习 孔隙度预测 井震联合 双向门控递归单元
下载PDF
储层物性的地震预测技术综述 被引量：10
4
作者 韩宏伟 程远锋 +7 位作者 张云银 王兴谋 曲志鹏 隋志强 冯德永 梁鸿贤 王玉梅 慎国强 《地球物理学进展》 CSCD 北大核心 2021年第2期595-610,共16页
想要掌握储层物性的空间分布情况,地震预测是不可或缺的手段.近半个世纪期间,主要出现了7种有关储层物性地震预测的方法技术,包括阻抗反演技术、储层物性间接反演技术、储层物性波动方程反演技术、地质统计方法和人工智能预测方法,以及... 想要掌握储层物性的空间分布情况,地震预测是不可或缺的手段.近半个世纪期间,主要出现了7种有关储层物性地震预测的方法技术,包括阻抗反演技术、储层物性间接反演技术、储层物性波动方程反演技术、地质统计方法和人工智能预测方法,以及以上方法技术所依赖的机理性岩石物理分析技术和统计岩石物理分析技术,本文论述了这些方法技术的原理及现状.从反射地震数据出发反演得到地层的声阻抗和弹性阻抗,这已经是石油工业界常规的技术流程.借助理论和实验手段进行机理性岩石物理分析,进而经由储层物性和阻抗间的媒介关系进行储层物性的间接反演或是基于波动方程进行直接反演,这是进行储层表征的有效途径.另外,地质统计方法和人工智能方法在储层物性的空间展布预测方面正发挥着独特的作用.很多情况下,简化物理模型难以描述复杂的动力学机制,而综合了岩石物理理论、随机模拟和Bayes估计的统计岩石物理分析技术是另外一种可供选择的储层物性预测方法.同时,本文也客观地指出了每种预测技术的优点、适用性和局限性,以便读者可以迅速掌握各种技术手段的精髓,并在工作中能够选用适合自己任务特点的储层物性地震预测技术. 展开更多
关键词 地震预测 储层物性 岩石物理 人工智能
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部