申请/专利权人：西南石油大学

申请日：2021-08-23

公开（公告）日：2024-03-01

公开（公告）号：CN113688901B

主分类号：G06F18/25

分类号：G06F18/25;G06F18/214;G06N3/0464;G01V1/30

优先权：

专利状态码：有效-授权

法律状态：2024.03.01#授权;2021.12.10#实质审查的生效;2021.11.23#公开

摘要：本发明公开了一种基于膨胀卷积神经网络的储层不连续界线识别方法，包括以下步骤：从地震数据中获取属性图；采用多层融合技术，属性数据映射到低维向量空间；通过对地质数据、测井数据以及地震数据分析得出不连续界线类别，根据所划分的不连续界线类型得到标签；采用CNN从输入属性学习到深层次的特征r1；利用DCNN从输入属性学习到非连续性特征r2；采用拼接技术，特征进行拼接；将拼接结果送入池化层，平均池化后送至全连接层。利用Softmax函数输出结果得到识别类型。本发明优点是：能够自动学习特征，减少识别错误，准确的区分不连续界线类型；能够突出界线之间的特征差异；能够减少地震数据中假界线的干扰。

主权项：1.一种基于膨胀卷积神经网络的储层不连续界线识别方法，其特征在于，包括以下步骤：S1：从地震数据中获取地震属性图X，X∈Ra×b×c；其中a是属性图像的宽度，b是属性图像的高度，c是属性的个数；对每一张属性图随机初始化n维向量，得到属性图像张量X： S2：采用多层融合技术，将融合后的属性数据映射到低维向量空间；采用多层融合技术对属性数据进行融合处理，计算方式如下： 其中α,β,γ代表权重；将融合后的属性数据转换成低维实值向量L∈Ra×b×n，获得输入向量n′是融合后的特征个数；S3：通过对实际地质数据、测井数据，以及地震数据分析得出不连续界线类别，根据所划分的不连续界线类型得到标签Y，Y∈Rm，m代表划分的不同界线类型总数；S4：采用卷积神经网络CNN从输入的地震属性中学习到深层次的特征利用膨胀卷积DCNN从输入的地震属性中学习到非连续性特征CNN网络通过卷积层提取界线深层次特征，计算公式为： 其中w*表示权重参数，与输入数据同维数，same表示运算类型，使得提取的深层次特征大小不变，b表示偏置向量；DCNN通过膨胀卷积层提取非连续性特征，计算公式如下： 其中dr表示膨胀率；S5：采用拼接技术，将S4学习到的多个特征进行拼接，计算公式为： 代表拼接符号；拼接二者的结果得到其中c3＝c2+c1；S6：将拼接结果送入池化层，进行平均池化后送至全连接层，然后利用Softmax函数计算得到输出结果根据大小判断得到不连续性界线的识别类型；利用多分类交叉熵损失函数优化神经网络训练过程中的参数，计算方法如下： 其中，i和j表示定位像素点，y表示真实值，表示预测值；当像素点i,j的类别是k，则否则等于0。

全文数据：

权利要求：

百度查询： 西南石油大学 一种基于膨胀卷积神经网络的储层不连续界线识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD