隨著地震勘探精細(xì)化要求的不斷提高,薄層及橫向變化大的復(fù)雜儲(chǔ)層反演技術(shù)越來越重要。而當(dāng)前的反演方法大多數(shù)都基于褶積模型,其分辨率較低,復(fù)雜儲(chǔ)層的精細(xì)表征,例如尋找碎屑巖薄互層、非均質(zhì)碳酸鹽巖儲(chǔ)層等,需要高分辨率的地震反演結(jié)果。目前業(yè)界廣泛應(yīng)用的以地震資料為硬數(shù)據(jù)的稀疏脈沖反演方法,其縱向分辨率達(dá)不到此類儲(chǔ)層精細(xì)表征的要求;以測(cè)井資料為硬數(shù)據(jù)的隨機(jī)反演方法雖然反演剖面的縱向分辨率很高,但橫向展布和地層產(chǎn)狀的變化與地震剖面有較大出入,并沒有得到推廣。所以,如何提高反演結(jié)果的分辨率,成為亟待解決的問題之一。神經(jīng)網(wǎng)絡(luò)作為解決非線性映射問題的算法之一,可以充分挖掘地震數(shù)據(jù)中包含的地層巖性及物性信息,從而建立起地震數(shù)據(jù)和儲(chǔ)層物性參數(shù)之間的非線性映射關(guān)系。而目前在地震反演中使用的神經(jīng)網(wǎng)絡(luò)算法,其輸入輸出之間的映射關(guān)系為內(nèi)積算子,制約了反演結(jié)果的分辨率。本論文在其基礎(chǔ)之上,將褶積映射算子引入到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,替代了原先的內(nèi)積算子,更大限度地建立起輸入?yún)?shù)與輸出參數(shù)之間的聯(lián)系。基于褶積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),給出了映射算子的優(yōu)化算法,并將其應(yīng)用到地震反演過程中,該反演方法由地震數(shù)據(jù)驅(qū)動(dòng),不受褶積模型的限制,提高了反... 

【文章來源】：中國(guó)石油大學(xué)(華東)山東省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：103 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第二章 褶積神經(jīng)網(wǎng)絡(luò)反演其分辨出來。也就是說，在含噪音 10%情況下，褶積神經(jīng)網(wǎng)絡(luò)反演方法正確地反映出原始波阻抗模型的形態(tài)。在無噪地震剖面中加入 20%的噪音，如圖 2-14 所示，其常規(guī)稀疏脈沖反神經(jīng)網(wǎng)絡(luò)反演結(jié)果分別如圖 2-15 和 2-16 所示。

個(gè)過完備的時(shí)頻原子庫(kù)，并將信號(hào)在此原子解。但該方法存在計(jì)算量龐大的缺點(diǎn)，另外子庫(kù)的規(guī)模相應(yīng)的變得更大，從而限制了匹保分解精度的前提下，如何提高匹配追蹤分原理心思想是在某個(gè)有限維數(shù)的 Hilbert 空間 ，其中 g1 ，將信號(hào) f 分解為沿著單位分量的和：1 11f f ,g g R f 方向投影后的殘差信號(hào)，如下圖所示：


本文編號(hào)：3132826