油氣儲(chǔ)層的準(zhǔn)確識(shí)別在油氣勘探中舉足輕重�；诘卣鸬纳顚觾�(chǔ)層預(yù)測(cè),困難之處在于儲(chǔ)層孔隙流體地震響應(yīng)信號(hào)的識(shí)別或信息提取�，F(xiàn)有方法仍有不足之處,因此必須有針對(duì)性的研究發(fā)展新的儲(chǔ)層識(shí)別方法技術(shù)。深度學(xué)習(xí)是一類能夠發(fā)現(xiàn)數(shù)據(jù)中潛在特征的算法,已在其他一些領(lǐng)域有了許多成功的經(jīng)驗(yàn),尤其在計(jì)算機(jī)視覺(jué)領(lǐng)域。它具有強(qiáng)大的特征學(xué)習(xí)能力和對(duì)數(shù)據(jù)的高效表達(dá),近年來(lái)正逐漸開(kāi)始在地球物理領(lǐng)域嶄露頭角。基于此,為充分挖掘地震數(shù)據(jù)中包含的儲(chǔ)層信息,提高地震資料利用率,本文將深度學(xué)習(xí)應(yīng)用于儲(chǔ)層識(shí)別問(wèn)題當(dāng)中。通過(guò)對(duì)深度學(xué)習(xí)提取的高層特征的分析表明,本文提出的DCAE模型能夠用于提高對(duì)油氣儲(chǔ)集層的檢測(cè)和識(shí)別能力。本文主要研究?jī)?nèi)容如下:1.研究了卷積神經(jīng)網(wǎng)絡(luò)與自編碼網(wǎng)絡(luò),使用目前業(yè)界優(yōu)秀的深度學(xué)習(xí)庫(kù)Tensorflow,設(shè)計(jì)并編寫了深度卷積自編碼（DCAE）模型。該模型的計(jì)算分為三個(gè)階段:編碼階段、解碼階段和重建階段。編碼階段與解碼階段為對(duì)稱結(jié)構(gòu),包括輸入層、輸出層以及17層隱藏層。隱藏層中的神經(jīng)元與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)類似,在編碼階段,包含了3組卷積與池化層以及編碼全連接層,經(jīng)過(guò)表達(dá)層后進(jìn)入解碼階段,包含了解碼全連接層以及對(duì)應(yīng)... 

【文章來(lái)源】：成都理工大學(xué)四川省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

機(jī)器學(xué)習(xí)與人工智能及其他計(jì)算機(jī)科學(xué)技術(shù)的關(guān)系

編寫卷積自編碼網(wǎng)絡(luò)模型并調(diào)整參數(shù)以獲得最優(yōu)的學(xué)習(xí)特征用深度學(xué)習(xí)庫(kù) TensorFlow 編寫網(wǎng)絡(luò)模型，利用其進(jìn)行訓(xùn)練數(shù)據(jù)的通過(guò)調(diào)節(jié)超參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)等方式進(jìn)行實(shí)驗(yàn)，對(duì)比重建結(jié)果，尋找獲得最能表達(dá)重建數(shù)據(jù)的特征。重建目標(biāo)數(shù)據(jù)后提取特征圖，使用數(shù)據(jù)進(jìn)行可視化分析，并對(duì)其進(jìn)行相關(guān)性評(píng)價(jià)，優(yōu)選最佳的近似特圖，結(jié)合測(cè)井資料相對(duì)比，對(duì)目標(biāo)區(qū)域進(jìn)行儲(chǔ)層檢測(cè)。

第 2 章 深度學(xué)習(xí)與相關(guān)技術(shù)2.1 人工神經(jīng)元David H. Hubel 和 Torsten Wiesel（1959）對(duì)貓進(jìn)行了一系列實(shí)驗(yàn)，對(duì)視覺(jué)皮層的結(jié)構(gòu)提供了重要見(jiàn)解。他們發(fā)現(xiàn)動(dòng)物視覺(jué)皮層中有許多神經(jīng)元都具有較小的局部感受野，這說(shuō)明，這些神經(jīng)元都只對(duì)視野中有限的區(qū)域內(nèi)的視覺(jué)刺激有反應(yīng)。但是不同的神經(jīng)元所受到的刺激感受可能是重疊的，而后不同神經(jīng)元都接收到的圖像碎片鋪展成為眼睛所見(jiàn)到的整個(gè)視野。同時(shí)發(fā)現(xiàn)，某些神經(jīng)元擁有更大的感受野，能對(duì)更為復(fù)雜的模式做出反應(yīng)，這些模式是更低層次模式的組合。而這些神經(jīng)元以相鄰的低級(jí)神經(jīng)元的輸出結(jié)果進(jìn)行輸出。

【參考文獻(xiàn)】：
期刊論文
[1]多波地震深度學(xué)習(xí)的油氣儲(chǔ)層分布預(yù)測(cè)案例[J]. 付超,林年添,張棟,文博,魏乾乾,張凱.  地球物理學(xué)報(bào). 2018 (01)
[2]深度學(xué)習(xí)及其在深層天然氣儲(chǔ)層預(yù)測(cè)中的應(yīng)用實(shí)驗(yàn)[J]. 曹俊興.  物探化探計(jì)算技術(shù). 2017(06)
[3]地震屬性融合技術(shù)在河道砂體識(shí)別中的應(yīng)用[J]. 楊國(guó)權(quán),劉強(qiáng),劉延利.  物探化探計(jì)算技術(shù). 2016(06)
[4]基于PCA-BP神經(jīng)網(wǎng)絡(luò)的非常規(guī)儲(chǔ)層巖性識(shí)別研究[J]. 胡嘉良,高玉超,余繼峰,盧磊,張鴻君,楊子群.  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(05)
[5]致密儲(chǔ)層各向異性地震巖石物理建模及應(yīng)用[J]. 印興耀,劉倩.  中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[6]基于連續(xù)限制玻爾茲曼機(jī)的支持向量機(jī)巖性識(shí)別方法[J]. 吳施楷,曹俊興.  地球物理學(xué)進(jìn)展. 2016(02)
[7]頁(yè)巖氣開(kāi)發(fā):機(jī)遇與挑戰(zhàn)[J]. 曹俊興.  科學(xué). 2015(05)
[8]基于BP神經(jīng)網(wǎng)絡(luò)算法識(shí)別蘇里格氣田致密砂巖儲(chǔ)層巖性[J]. 趙忠軍,黃強(qiáng)東,石林輝,王憲文,單敬福.  測(cè)井技術(shù). 2015(03)
[9]基于支持向量機(jī)分類的有效儲(chǔ)層識(shí)別[J]. 閆樹(shù).  石化技術(shù). 2015(03)
[10]地震儲(chǔ)層及含油氣預(yù)測(cè)技術(shù)應(yīng)用進(jìn)展綜述[J]. 趙萬(wàn)金,楊午陽(yáng),趙偉.  地球物理學(xué)進(jìn)展. 2014(05)

博士論文
[1]離散過(guò)程神經(jīng)網(wǎng)絡(luò)算法及在儲(chǔ)層識(shí)別中的應(yīng)用研究[D]. 肖紅.東北石油大學(xué) 2015
[2]時(shí)頻分析新方法研究及其在地震資料儲(chǔ)層識(shí)別中的應(yīng)用[D]. 胥德平.成都理工大學(xué) 2012
[3]地震解釋中的圖像處理方法與技術(shù)研究[D]. 唐世偉.東北石油大學(xué) 2011
[4]基于測(cè)井-地震多屬性分析的儲(chǔ)層預(yù)測(cè)方法及應(yīng)用[D]. 吳世旗.中國(guó)地質(zhì)大學(xué)（北京） 2005
[5]地震屬性技術(shù)的研究與應(yīng)用[D]. 郭剛明.西南石油學(xué)院 2005

碩士論文
[1]量子神經(jīng)網(wǎng)絡(luò)模型及在儲(chǔ)層識(shí)別中的應(yīng)用[D]. 李國(guó)蕊.東北石油大學(xué) 2017
[2]流體地震響應(yīng)特征研究[D]. 胡軍輝.成都理工大學(xué) 2015
[3]塔河三號(hào)聯(lián)脫硫工藝研究[D]. 黃永.中國(guó)石油大學(xué) 2011
[4]地震屬性技術(shù)研究及其在勝利富林洼陷儲(chǔ)層預(yù)測(cè)中的應(yīng)用[D]. 姚維益.成都理工大學(xué) 2008
[5]基于人工神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層參數(shù)預(yù)測(cè)研究[D]. 賀波.哈爾濱工程大學(xué) 2007



本文編號(hào)：2964341