-
公开(公告)号：CN108629072B
公开(公告)日：2019-07-09
申请号：CN201810198302.2
申请日：2018-03-12
Applicant: 山东科技大学
Abstract: 本发明公开了一种面向地震油气储层分布的卷积神经网络学习与预测方法。该方法首先以原始地震数据为基础，提取能够表征油气特征的地震属性；然后设计卷积神经网络模型，将优选的几种地震属性作为网络的输入层，提取井位处的地震属性值，以井位处的孔隙度、渗透率、含油性作为训练样本，通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b等参数，直到模型训练完成。随后对无井区的数据进行测试，实现由有井区到无井区储层的横向预测。本发明方法直接在对油气敏感的属性体上进行卷积神经网络深度学习，能够实现同区块，甚至跨区域的未知地震储集体地震信息特征的横向预测。
-
公开(公告)号：CN115147432A
公开(公告)日：2022-10-04
申请号：CN202210787746.6
申请日：2022-07-06
Applicant: 山东科技大学
Abstract: 本发明设计了一种基于深度残差语义分割网络的初至拾取方法，其包括：步骤S1、构建初至训练集、验证集及测试集；步骤S2、构建深度残差语义分割网络结构；步骤S3、根据步骤S1的训练集、验证集及测试集对步骤S2构建的深度残差语义分割网络结构进行训练，获取初至拾取网络模型；步骤S4、根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进初至拾取。本申请采用非对称式的编码器‑译码器结构，并使用亚像素卷积实现特征图的高分辨率重建，同时编码器与译码器之间的跳跃连接，提高了初至自动拾取的精度和效率，最终通过使用深度残差语义分割网络结构对地震资料训练得到初至拾取模型，实现了训练耗时短，模型拾取初至准确率高的技术效果。
-
公开(公告)号：CN117934748B
公开(公告)日：2024-06-04
申请号：CN202410331988.3
申请日：2024-03-22
Applicant: 山东科技大学
IPC: G06T17/05 , G06T17/20 , G06T7/593 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于深度三视图的重力异常智能反演方法，涉及重力勘探技术领域。本发明先构建重力异常样本集，再基于U‑Net网络构建重力异常反演模型，利用重力异常样本集训练并测试重力异常反演模型后，获取已勘探区域的重力异常数据，利用测试合格的重力异常反演模型计算其地下异常体的三视图深度数据并利用模拟退火算法还原地下异常体的三维结构，优化模拟退火算法后，将测试合格的重力异常反演模型与优化后的模拟退火算法相结合，根据待还原区域的重力异常数据，还原得到待还原区域地下异常体的三维立体图。本发明实现了对大规模重力异常数据的高效反演，有效提高了重力异常数据的反演精度和泛化能力。
-
公开(公告)号：CN117934748A
公开(公告)日：2024-04-26
申请号：CN202410331988.3
申请日：2024-03-22
Applicant: 山东科技大学
IPC: G06T17/05 , G06T17/20 , G06T7/593 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于深度三视图的重力异常智能反演方法，涉及重力勘探技术领域。本发明先构建重力异常样本集，再基于U‑Net网络构建重力异常反演模型，利用重力异常样本集训练并测试重力异常反演模型后，获取已勘探区域的重力异常数据，利用测试合格的重力异常反演模型计算其地下异常体的三视图深度数据并利用模拟退火算法还原地下异常体的三维结构，优化模拟退火算法后，将测试合格的重力异常反演模型与优化后的模拟退火算法相结合，根据待还原区域的重力异常数据，还原得到待还原区域地下异常体的三维立体图。本发明实现了对大规模重力异常数据的高效反演，有效提高了重力异常数据的反演精度和泛化能力。
-
公开(公告)号：CN108549107A
公开(公告)日：2018-09-18
申请号：CN201810198295.6
申请日：2018-03-12
Applicant: 山东科技大学
CPC classification number: G01V1/362 , G01V1/30 , G01V2210/52
Abstract: 本发明公开了一种基于弱监督学习的提高深层速度分析效果与效率的方法，该方法首先利用波动方程基准面技术，将炮集记录进行延拓，以消除上覆层速度横向不均匀的影响，然后输入共中心点CMP道集，制作速度谱，随后对速度谱进行去噪处理，以使速度谱能量团更加聚焦，获得高分辨率速度谱，随后利用约束优化法自动拾取叠加速度，即利用Viterbi算法对高分辨率速度谱进行约束优化处理，同时进行速度曲线拟合，将曲线拟合结果作为约束优化法自动拾取叠加速度的校正函数，以确保速度自动拾取的准确性与方向性。自动拾取获取的叠加速度为后续成像提供速度依据，同时为全波形反演提供初始速度模型。本发明不仅提高了常规地震数据处理的效率，更提高了拾取效果。
-
Patent Agency Ranking
公开(公告)号：CN119471855A
公开(公告)日：2025-02-18
申请号：CN202510059128.3
申请日：2025-01-15
IPC: G01V11/00 , G06F18/2131
Abstract: 本发明属于测井数据处理解释技术领域，公开了基于最优窗口小波变换的测井曲线分层预测方法及系统，该方法对取心井和非取心井的测井曲线进行预处理；对自然伽马测井曲线进行人工分层以及沉积微相分析；分别对自然伽马测井曲线和自然电位测井曲线进行小波变换，得到最优窗口大小；根据最优窗口大小对非取心井进行分层；对分层点进行合并，得到测井曲线的最佳自动分层效果。本发明通过人工分层与自动分层的相互对比约束，利用损失函数确定自然伽马GR曲线和自然电位SP曲线小波变换模极大值的最佳窗口大小，并采用GR曲线和SP曲线分别进行分层，最后进行分层后处理，有效减少漏分、错分，得到最佳自动分层效果。
-
公开(公告)号：CN115310515A
公开(公告)日：2022-11-08
申请号：CN202210795890.4
申请日：2022-07-06
Applicant: 山东科技大学
Abstract: 本发明公开了一种基于生成对抗网络的含断层标记地震数据样本集增广方法，具体涉及地球物理技术领域。本发明通过在实测地震数据中提取断层地震数据及其标签，构建断层地震数据样本集后，再构建含有生成器和判别器的对抗网络模型，利用断层地震数据样本集训练对抗网络模型的生成器和判别器，并采用训练后的对抗网络模型构建地震数据增广模型对断层地震数据样本集进行数据增广，批量生成断层地震数据后，评价地震数据增广模型生成断层地震数据的质量。本发明基于深度学习方法实现了对断层地震数据的增广处理，生成与实际地震数据特征一致性较高的断层地震数据样本，有效提高了深度学习网络训练数据的多样性和稳定性，为地震模型的训练奠定了基础。
-
公开(公告)号：CN110598796B
公开(公告)日：2022-04-12
申请号：CN201910877150.3
申请日：2019-09-17
Applicant: 山东科技大学
Abstract: 本发明公开了一种基于机器学习的深部采空区CSAMT电性特征增强与分类方法，其包括步骤：I.针对反演后的CSAMT电阻率异常特征，初始化能够去除浅部异常与增强深部采空区特征的卷积核；II.利用步骤I得到的卷积核进行卷积计算，以提取浅部异常信息和深部采空区电性异常信息；III.对步骤II获得的浅部卷积电阻率特征与深部采空区卷积电阻率特征进行计算，获得能量误差，若能量误差不满足精度要求，则返回步骤I修改初始化卷积核参数；若能量误差满足误差要求，则去除浅部异常干扰，增强深部采空区电性特征；IV.对步骤III获得的CSAMT电性特征进行基于核函数的模糊聚类分析；V.根据聚类结果，对采空区、巷道等地质特征进行识别与归类，并对采空区的基本情况进行预测。
-
公开(公告)号：CN110473218B
公开(公告)日：2022-02-15
申请号：CN201910676307.6
申请日：2019-07-25
Applicant: 山东科技大学
Abstract: 本发明涉及一种基于极坐标系梯度变化的类圆环边缘检测方法，利用极坐标系转换来计算梯度，先将原始笛卡尔系数据体使用canny或sobel算子，提取到可靠的极坐标系参照物，或者指定一个可靠的极坐标系中心，建立极坐标系；再将笛卡尔系数据体转换为极坐标系数据体；然后计算极坐标系数据体沿极坐标方向的梯度数据体；最后使用canny或sobel算子进行边缘检测；本发明解决了传统边缘检测方法沿笛卡尔坐标系方向计算梯度导致在圆形边缘及球形边缘上的检测效果较差的问题，本发明采用极坐标系转换，通过计算半径方向上的梯度，提高弧线边缘检测的成功率。
-
公开(公告)号：CN108629072A
公开(公告)日：2018-10-09
申请号：CN201810198302.2
申请日：2018-03-12
Applicant: 山东科技大学
Abstract: 本发明公开了一种面向地震油气储层分布的卷积神经网络学习与预测方法。该方法首先以原始地震数据为基础，提取能够表征油气特征的地震属性；然后设计卷积神经网络模型，将优选的几种地震属性作为网络的输入层，提取井位处的地震属性值，以井位处的孔隙度、渗透率、含油性作为训练样本，通过BP神经网络反向传播不断修改网络结构中的卷积核、权值W和偏置b等参数，直到模型训练完成。随后对无井区的数据进行测试，实现由有井区到无井区储层的横向预测。本发明方法直接在对油气敏感的属性体上进行卷积神经网络深度学习，能够实现同区块，甚至跨区域的未知地震储集体地震信息特征的横向预测。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.019 seconds)
