-
公开(公告)号：CN112882123A
公开(公告)日：2021-06-01
申请号：CN202110033962.7
申请日：2021-01-11
Applicant: 中国海洋大学
IPC: G01V11/00
Abstract: 本发明属于地震与测井联合反演技术领域，公开了一种基于两步法的CNN井震联合反演方法、系统及应用，以测井数据x为输入，以地震数据y为输出，搜索从测井数据x到地震数据y的正演映射算子f：x→y，即y＝f(x)；映射正演输入的是训练数据，误差从输出层反向传播至毗邻输入层的隐藏层，每经一层都要更新该层的权值和偏置；反复训练，直到误差降到容忍范围为止。本发明的映射正演是以测井数据为输入，以地震数据为输出，搜索从测井数据到地震数据的正演映射算子；基于两步法的CNN井震联合反演，特别是变约束权重系数在正则化约束条件中所起的关键作用，降低了多解性，避免了陷入局部极小值，获得全局最优解。
-
公开(公告)号：CN110515123A
公开(公告)日：2019-11-29
申请号：CN201910777042.9
申请日：2019-08-22
Applicant: 中国海洋大学
Abstract: 本发明公开了基于小样本学习的卷积神经网络地震测井联合反演方法，设计了小样本情况下的卷积神经网络，提出了可防梯度消失的SLU激活函数，并利用Kriging方法构建适量虚测井样本，大大降低了常规卷积神经网络在地震-测井联合反演中的过拟合现象。本发明的有益效果是通过优化网络结构、改进激活函数以及构建虚测井样本来达到防止过拟合、提高反演精度的目的。
-
公开(公告)号：CN112733449A
公开(公告)日：2021-04-30
申请号：CN202110033985.8
申请日：2021-01-11
Applicant: 中国海洋大学
Abstract: 本发明属于地震与测井联合反演技术领域，公开了一种CNN井震联合反演方法、系统、存储介质、设备及应用，以地震数据y为输入，以测井数据x为输出，寻找从地震数据y到测井数据x的反演映射算子f‑1：y→x，即x＝f‑1(y)；正向重建测井曲线；反向更新权值和偏置。含有2层隐藏层的4层网络结构，包括输入层、第一卷积层、第二卷积层和输出层，2层隐藏层都是卷积层。本发明利用Kriging插值技术插出一些虚拟测井曲线，并将虚拟测井数据与真实测井数据一并作为训练数据供卷积神经网络学习。在不额外添加真实井的情况下，虚测井可以增加学习样本数量，从更广范围寻找反演映射算子，防止过度拟合局部训练数据。
-
Patent Agency Ranking
公开(公告)号：CN110515123B
公开(公告)日：2021-03-30
申请号：CN201910777042.9
申请日：2019-08-22
Applicant: 中国海洋大学
Abstract: 本发明公开了基于小样本学习的卷积神经网络地震测井联合反演方法，设计了小样本情况下的卷积神经网络，提出了可防梯度消失的SLU激活函数，并利用Kriging方法构建适量虚测井样本，大大降低了常规卷积神经网络在地震‑测井联合反演中的过拟合现象。本发明的有益效果是通过优化网络结构、改进激活函数以及构建虚测井样本来达到防止过拟合、提高反演精度的目的。
-
公开(公告)号：CN112733449B
公开(公告)日：2022-12-02
申请号：CN202110033985.8
申请日：2021-01-11
Applicant: 中国海洋大学
Abstract: 本发明属于地震与测井联合反演技术领域，公开了一种CNN井震联合反演方法、系统、存储介质、设备及应用，以地震数据y为输入，以测井数据x为输出，寻找从地震数据y到测井数据x的反演映射算子f‑1：y→x，即x＝f‑1(y)；正向重建测井曲线；反向更新权值和偏置。含有2层隐藏层的4层网络结构，包括输入层、第一卷积层、第二卷积层和输出层，2层隐藏层都是卷积层。本发明利用Kriging插值技术插出一些虚拟测井曲线，并将虚拟测井数据与真实测井数据一并作为训练数据供卷积神经网络学习。在不额外添加真实井的情况下，虚测井可以增加学习样本数量，从更广范围寻找反演映射算子，防止过度拟合局部训练数据。
-
公开(公告)号：CN112882092B
公开(公告)日：2022-06-21
申请号：CN202110034000.3
申请日：2021-01-11
Applicant: 中国海洋大学
Abstract: 本发明属于地震与测井联合反演技术领域，公开了一种基于多属性CNN井震联合反演方法、系统、介质及应用，利用逐步回归思想对初选的典型属性进行自动优化；优选出最好的属性及其组合；将最佳的属性及其组合作为输入。本发明采用逐步回归思想对人工初步筛选出的一些典型属性进行自动优化，优选出最好的属性及其组合。然后将最佳的属性及其组合作为输入，以降低多解性。实例应用表明，最好的属性及其组合可以增强输入与输出之间的相关性，将最佳的属性及其组合作为输入，能够降低多解性，更有助于卷积神经网络寻找从输入到输出的反演映射算子，提高泛化能力。
-
公开(公告)号：CN112882123B
公开(公告)日：2022-06-17
申请号：CN202110033962.7
申请日：2021-01-11
Applicant: 中国海洋大学
IPC: G01V11/00
Abstract: 本发明属于地震与测井联合反演技术领域，公开了一种基于两步法的CNN井震联合反演方法、系统及应用，以测井数据x为输入，以地震数据y为输出，搜索从测井数据x到地震数据y的正演映射算子f：x→y，即y＝f(x)；映射正演输入的是训练数据，误差从输出层反向传播至毗邻输入层的隐藏层，每经一层都要更新该层的权值和偏置；反复训练，直到误差降到容忍范围为止。本发明的映射正演是以测井数据为输入，以地震数据为输出，搜索从测井数据到地震数据的正演映射算子；基于两步法的CNN井震联合反演，特别是变约束权重系数在正则化约束条件中所起的关键作用，降低了多解性，避免了陷入局部极小值，获得全局最优解。
-
公开(公告)号：CN112882092A
公开(公告)日：2021-06-01
申请号：CN202110034000.3
申请日：2021-01-11
Applicant: 中国海洋大学
Abstract: 本发明属于地震与测井联合反演技术领域，公开了一种基于多属性CNN井震联合反演方法、系统、介质及应用，利用逐步回归思想对初选的典型属性进行自动优化；优选出最好的属性及其组合；将最佳的属性及其组合作为输入。本发明采用逐步回归思想对人工初步筛选出的一些典型属性进行自动优化，优选出最好的属性及其组合。然后将最佳的属性及其组合作为输入，以降低多解性。实例应用表明，最好的属性及其组合可以增强输入与输出之间的相关性，将最佳的属性及其组合作为输入，能够降低多解性，更有助于卷积神经网络寻找从输入到输出的反演映射算子，提高泛化能力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
