-
公开(公告)号:CN116168783B
公开(公告)日:2024-11-05
申请号:CN202310173344.1
申请日:2023-02-28
Applicant: 中南大学
Abstract: 本发明提供了一种基于神经网络解释岩石物理模型中多参数贡献的方法,所述方法包括:首先,使用神经网络代理岩石物理模型预测纵波速度和衰减耗散逆品质因子;然后,利用已经训练好的神经网络所保存的网络参数,提取各输入参数所涉及的神经元权重信息,单独计算每个参数的预测值;接着,以每加入一个新的参数所得的预测结果减去未加入该参数的预测结果的差值为该参数的贡献,将所有涉及该参数的贡献累加求和,即可得到该参数对最终预测结果的贡献;最后,通过对所有参数的贡献求和,即可得到原本神经网络的预测结果;至此,可间接解释神经网络所代理的岩石物理模型中各参数对预测结果的贡献情况。
-
公开(公告)号:CN114063163B
公开(公告)日:2022-11-11
申请号:CN202111332502.0
申请日:2021-11-11
Applicant: 中南大学 , 中国石油大学(华东)
IPC: G01V1/30
Abstract: 本发明属于地震勘探技术领域,提供了一种裂缝型储层单斜等效介质地震表征与反演方法及系统,该方法通过构建单斜各向异性介质的PP波反射系数与背景弹性参数、水平裂缝参数以及倾斜裂缝特性的关系式;分析背景弹性参数的扰动、水平和倾斜裂缝参数的变化对PP波反射系数的影响;基于所述PP波反射系数构建反演水平裂缝参数以及倾斜裂缝参数的目标函数;基于贝叶斯原理,对所述目标函数进行反演得到水平裂缝参数以及倾斜裂缝参数的概率密度,将概率密度最大值所对应的水平裂缝参数以及倾斜裂缝参数的数值确定为反演的最终结果。
-
公开(公告)号:CN114488302A
公开(公告)日:2022-05-13
申请号:CN202210085506.1
申请日:2022-01-25
Applicant: 中南大学
IPC: G01V1/30
Abstract: 本发明提供了一种原位各向异性地应力场预测方法及系统,包括:获取不同方位角和入射角下的地震子波,并与PP波反射系数进行褶积,得到合成地震数据;利用合成地震数据中的宽方位地震数据,基于零阶和二阶傅里叶系数进行地震反演,得到各向同性背景弹性参数和裂缝弱度参数;基于各向同性背景弹性参数和裂缝弱度参数,计算得到最小水平主应力和最大水平主应力。有效得到了复杂裂缝性多孔储层的各向异性地应力。
-
公开(公告)号:CN114063163A
公开(公告)日:2022-02-18
申请号:CN202111332502.0
申请日:2021-11-11
Applicant: 中南大学 , 中国石油大学(华东)
IPC: G01V1/30
Abstract: 本发明属于地震勘探技术领域,提供了一种裂缝型储层单斜等效介质地震表征与反演方法及系统,该方法通过构建单斜各向异性介质的PP波反射系数与背景弹性参数、水平裂缝参数以及倾斜裂缝特性的关系式;分析背景弹性参数的扰动、水平和倾斜裂缝参数的变化对PP波反射系数的影响;基于所述PP波反射系数构建反演水平裂缝参数以及倾斜裂缝参数的目标函数;基于贝叶斯原理,对所述目标函数进行反演得到水平裂缝参数以及倾斜裂缝参数的概率密度,将概率密度最大值所对应的水平裂缝参数以及倾斜裂缝参数的数值确定为反演的最终结果。
-
公开(公告)号:CN114488302B
公开(公告)日:2024-06-14
申请号:CN202210085506.1
申请日:2022-01-25
Applicant: 中南大学
IPC: G01V1/30
Abstract: 本发明提供了一种原位各向异性地应力场预测方法及系统,包括:获取不同方位角和入射角下的地震子波,并与PP波反射系数进行褶积,得到合成地震数据;利用合成地震数据中的宽方位地震数据,基于零阶和二阶傅里叶系数进行地震反演,得到各向同性背景弹性参数和裂缝弱度参数;基于各向同性背景弹性参数和裂缝弱度参数,计算得到最小水平主应力和最大水平主应力。有效得到了复杂裂缝性多孔储层的各向异性地应力。
-
公开(公告)号:CN116168783A
公开(公告)日:2023-05-26
申请号:CN202310173344.1
申请日:2023-02-28
Applicant: 中南大学
Abstract: 本发明提供了一种基于神经网络解释岩石物理模型中多参数贡献的方法,所述方法包括:首先,使用神经网络代理岩石物理模型预测纵波速度和衰减耗散逆品质因子;然后,利用已经训练好的神经网络所保存的网络参数,提取各输入参数所涉及的神经元权重信息,单独计算每个参数的预测值;接着,以每加入一个新的参数所得的预测结果减去未加入该参数的预测结果的差值为该参数的贡献,将所有涉及该参数的贡献累加求和,即可得到该参数对最终预测结果的贡献;最后,通过对所有参数的贡献求和,即可得到原本神经网络的预测结果;至此,可间接解释神经网络所代理的岩石物理模型中各参数对预测结果的贡献情况。
-
-
-
-
-