-
公开(公告)号：CN110210296A
公开(公告)日：2019-09-06
申请号：CN201910336622.4
申请日：2019-04-25
Applicant: 长江大学
Abstract: 本发明提供了一种结合U-net网络和DenseNet网络的微地震有效信号检测方法，包括：(1)生成原始数据集；(2)标定数据集；(3)构建MSNet网络；(4)调整网络参数；(5)信号学习后标定初至点。本发明还提供了一种结合U-net网络和DenseNet网络的微地震有效信号检测系统，包括：原始数据集生成模块，数据集标定模块，MSNet网络构建模块，网络参数调整模块，学习后初至点标定模块。本发明基于U-net网络对CNN网络在信号特征的学习和提取，结合所述DenseNet网络，达到进一步优化信号特征的学习和提取的目的。本发明在微地震监测中具有更深层次特征提取、更精细的信号分割的特点，可以广泛应用于地下状态监测领域。
-
公开(公告)号：CN110082821A
公开(公告)日：2019-08-02
申请号：CN201910233675.3
申请日：2019-03-26
Applicant: 长江大学
IPC: G01V1/28
Abstract: 本发明提出一种无标签框微地震信号检测方法及装置，所述方法包括：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并做预处理；通过卷积神经网络进行图像特征提取；通过Faster-RCNN中的RPN层分别在所述数据特征图上生成候选框；通过对抗生成网络的判别器分辨候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整候选框，生成尺寸大小一致的特征图；通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。本发明可通过无标签框数据集实现微地震信号检测，提高检测精度。
-
公开(公告)号：CN109031419A
公开(公告)日：2018-12-18
申请号：CN201810841073.1
申请日：2018-07-27
Applicant: 长江大学
IPC: G01V1/30
CPC classification number: G01V1/306 , G01V2210/624
Abstract: 本发明公开了一种拾取微地震初至的方法及系统，应用于微地震监测。本发明提供的方法包括：对采集的微地震监测信号进行剪切波变换；对微地震资料监测资料进行时频分析，确定微地震有效信号的主频，确定所述有效信号在不同尺度下方向分量所对应方向的剪切波系数；计算所述有效信号对应方向的剪切波系数的相关性，根据最大相关性，判定所述有效信号方向及所述有效信号方向对应的剪切波系数；根据所述有效信号方向对应的剪切波系数，求取STA/LTA拾取曲线，判定微地震信号初至时间。在本发明中使得微地震初至拾取的准确性大大提高，而且加快了拾取速度，进而保障拾取初至的实时性。
-
公开(公告)号：CN110619264B
公开(公告)日：2023-06-16
申请号：CN201910694037.1
申请日：2019-07-30
Applicant: 长江大学
IPC: G06F18/214 , G06F18/241 , G06F18/10 , G06F18/15 , G06F18/25 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094 , G01V1/28 , G01V1/36
Abstract: 本发明提出一种基于UNet++的微地震有效信号识别方法及装置，所述方法包括：获取微地震原始信号集，并制作训练数据集；构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入数据集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充；将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练，得到训练好的UNet++网络模型；通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有效信号初至点。本发明的方法可以实现对小样本数据集中的微地震信号进行有效检测，利用UNet++网络模型实现像素级的特征提取，提高检测精度。
-
公开(公告)号：CN109063687A
公开(公告)日：2018-12-21
申请号：CN201810997081.5
申请日：2018-08-29
Applicant: 长江大学
CPC classification number: G06K9/00496 , G06K9/6256 , G06N3/0454 , G06N3/08
Abstract: 本发明提供一种基于深度卷积神经网络的微地震P波识别方法及系统，通过建立包含微地震有效信号和噪音的训练集完成深度卷积神经网络的训练，再通过训练后的网络识别微地震P波，所述方法提高了有效信号识别的效率和精度。
-
Patent Agency Ranking
公开(公告)号：CN102121374A
公开(公告)日：2011-07-13
申请号：CN201110039335.0
申请日：2011-02-17
Applicant: 长江大学
CPC classification number: G01V3/28
Abstract: 本发明公开了一种探测金属套管外地层电阻率的井中时域脉冲电磁法，步骤为：1)井下构建大功率脉冲发射源；接收记录系统记录磁场垂直分量Bz产生的感应电动势ε随时间变化的数据；对发射波形和接收信号同时进行记录；2)进行多次发射-接收，将信号叠加，提高信噪比；3)按套管参数和记录的发射源电流波形计算套管响应，获得套管外地层相对感生电动势Δεf；4)对相对感生电动势值进行校正；5)进行一维反演，将随时间变化的观测信号转换成井周地层电阻率的径向变化信息；6)由反演电阻率值获得井段套管外地层电阻率纵向与径向分布的二维图像；7)按完井时的测量资料和解释结果，由套管外储层电阻率的分布可确定储层中剩余油的分布状况。
-
公开(公告)号：CN101382599B
公开(公告)日：2011-02-09
申请号：CN200710121264.2
申请日：2007-09-03
Applicant: 中国石油天然气集团公司 , 长江大学
Abstract: 本发明为地球物理勘探与油田开发技术领域，是一种确定储层孔隙各向异性的瞬变电磁方法，步骤是：接地导线作为激励源并将源偏离测线x方向形成源偏角0，测量记录相互正交的两个电场分量Ex和Ey；反演得到不同深度处的x方向和y方向的地层电阻率；计算水平电场总场矢量的幅值、电场各向异性系数、电场主轴的方位角；由电性主轴方向上的电阻率值得到电性主轴方向上的地层孔隙度值；绘制矢量箭头图，用箭头的长短表示电性主轴方向上的地层孔隙度或电阻率值的大小，矢量箭头的指向与源偶极的方位角一致为地层孔隙度各向均匀；偏离电性主轴的矢量箭头为地层孔隙度各向异性。本发明可以确定地层中的裂隙分布、岩性的变化、结构局部异常、局部变质情况。
-
公开(公告)号：CN101382599A
公开(公告)日：2009-03-11
申请号：CN200710121264.2
申请日：2007-09-03
Applicant: 中国石油天然气集团公司 , 长江大学
Abstract: 本发明为地球物理勘探与油田开发技术领域，是一种确定储层孔隙各向异性的瞬变电磁方法，步骤是：接地导线作为激励源并将源偏离测线x方向形成源偏角φ0，测量记录相互正交的两个电场分量Ex和Ey；反演得到不同深度处的x方向和y方向的地层电阻率；计算水平电场总场矢量的幅值、电场各向异性系数、电场主轴的方位角；由电性主轴方向上的电阻率值得到电性主轴方向上的地层孔隙度值；绘制矢量箭头图，用箭头的长短表示电性主轴方向上的地层孔隙度或电阻率值的大小，矢量箭头的指向与源偶极的方位角一致为地层孔隙度各向均匀；偏离电性主轴的矢量箭头为地层孔隙度各向异性。本发明可以确定地层中的裂隙分布、岩性的变化、结构局部异常、局部变质情况。
-
公开(公告)号：CN110210296B
公开(公告)日：2021-09-17
申请号：CN201910336622.4
申请日：2019-04-25
Applicant: 长江大学
Abstract: 本发明提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测方法，包括：(1)生成原始数据集；(2)标定数据集；(3)构建MSNet网络；(4)调整网络参数；(5)信号学习后标定初至点。本发明还提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测系统，包括：原始数据集生成模块，数据集标定模块，MSNet网络构建模块，网络参数调整模块，学习后初至点标定模块。本发明基于U‑net网络对CNN网络在信号特征的学习和提取，结合所述DenseNet网络，达到进一步优化信号特征的学习和提取的目的。本发明在微地震监测中具有更深层次特征提取、更精细的信号分割的特点，可以广泛应用于地下状态监测领域。
-
公开(公告)号：CN110082821B
公开(公告)日：2020-10-02
申请号：CN201910233675.3
申请日：2019-03-26
Applicant: 长江大学
IPC: G01V1/28
Abstract: 本发明提出一种无标签框微地震信号检测方法及装置，所述方法包括：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并做预处理；通过卷积神经网络进行图像特征提取；通过Faster‑RCNN中的RPN层分别在所述数据特征图上生成候选框；通过对抗生成网络的判别器分辨候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整候选框，生成尺寸大小一致的特征图；通过Faster‑RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。本发明可通过无标签框数据集实现微地震信号检测，提高检测精度。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.017 seconds)
