DBN在测井解释中的研究与应用

测井解释就是将测井信息加工解释成地质信息,以往大多通过数学方法建立解释模型或者使用最基本的反向传播(back propagation,BP)网络来完成这项工作.针对BP网络存在学习训练效率不高的问题,提出了将深度置信网络应用于测井曲线解释.针对测井解释的特点,选择4条测井曲线数据作为输入进行泥砂分层以及孔隙度的预测实验,并与BP网络的预测结果进行对比分析.实验表明,深度置信网络可用于测井曲线解释,其分类精度较一般BP算法有所提高并且训练时间有所降低.     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。     

基于ResUNet和Dense CRF模型的地震裂缝识别方法

针对人工解释地震资料耗时长、效率低、受主观因素影响较大的不足,提出了一种基于ResUNet和全连接条件随机场（dense conditional random field,Dense CRF）模型的裂缝识别方法。该方法首先使用ResUNet模型提取地震振幅数据体中裂缝的不同分辨率的特征,实现地震裂缝识别;然后利用Dense CRF模型进一步优化识别结果,从而实现地震裂缝的精准识别。将该方法与传统UNet、ResUNet模型在合成地震振幅数据体和F3工区地震数据体进行了实验比较,结果表明运用所提方法识别的裂缝更准确、裂缝尺寸更细、连续性更好。     

基于交互信息的混合特征选择算法

针对传统的特征选择算法只专注于特征间的相关性和冗余性而没有考虑特征之间交互作用的问题,提出一种基于交互信息的混合特征选择（hybrid feature selection based onmutual information,MIHFS）算法,该算法以K-最近邻算法的分类准确率作为衡量所选特征分类性能的评价指标,有效地去除了冗余和不相关的特征,保留了具有交互作用的特征。为了评估该算法的性能,从分类准确率、所选特征数量以及算法稳定性三方面,与最大相关最小冗余、联合互信息等7种特征选择算法在8个数据集上进行了实验比较和分析。实验结果表明：MIHFS算法具有较强的稳定性,不仅有效降低了特征空间的维数,而且在所选特征的分类性能方面明显优于其他特征选择算法。最后将MIHFS算法与灰色关联分析法-逼近理想解的排序技术法相结合并应用到高邮凹陷永安地区戴一段地质评价中,其评价结果准确率为80%,与实际钻探结果基本吻合,具有较高的可靠性,能够有效指导油气地质评价。     

面向随钻的井筒可视化方法研究

针对随钻过程中数据的复杂多样性以及井下信息可视化的重要性,以随钻井轨迹数据和随钻测井数据为研究对象,研究并给出随钻井筒可视化建模的方法,建立立体井筒模型。基于成像原理给出钻遇地层可视化建模方法,建立地质属性映射模型,采用纹理技术实现二者的有机融合,真正实现随钻井筒的三维可视化。利用Open Inventor图形开发工具包,实现三维井筒的绘制和钻遇地层信息在三维井筒上的展示。