基于半监督学习-多通道卷积神经网络的加氢裂化产品性质预测

提出了一种用于加氢裂化产品性质预测的半监督学习-多通道卷积神经网络(SSL-MCCNN),通过逐层卷积实现加氢裂化工艺流程空间域局部特征提取,并基于多通道采样实现了时域特征提取。在应对模型训练中由于产品性质数据量不足导致的小样本学习问题方面,基于教师-学生半监督学习(TS-SSL)生成虚拟样本集实现了数据扩充,进一步提升了模型预测性能。基于SSL-MCCNN对煤油-柴油加氢裂化工业装置重石脑油密度和柴油闪点预测的均方根误差(RMSE)分别为0.83和1.03,判定系数(R²)分别为0.90和0.98,与BP神经网络(BPNN)和径向基神经网络(RBFNN)相比,SSL-MCCNN在实现最小RMSE的同时达到了最优R²。实验结果表明,所提出的SSL-MCCNN有效提取了加氢裂化工艺流程的时空域特征,显著提升了模型预测性能。     

基于深度学习的漏磁检测缺陷识别方法

传统漏磁信号缺陷量化缺少其他分量信息,人工特征的提取方式造成信息量有限。为此,提出一种基于深度学习的漏磁检测缺陷量化识别方法,并建立了漏磁检测缺陷识别模型,该模型包含深度卷积神经网络模块和回归模块。深度卷积神经网络模块利用卷积神经网络的多输入多输出互相关操作,完成漏磁缺陷信号3个分量(轴向、周向、径向)的数据融合,利用预训练的网络,迁移已有知识,实现缺陷信号的特征自动提取;回归模块中设计缺陷、长度和宽度联合损失函数,利用回归方式实现缺陷尺度的量化。采用有限元仿真和牵拉试验相结合的方式,建立漏磁信号缺陷量化数据集并划分为训练集和测试集,训练集用于模型训练,测试集进行方法验证。研究结果表明:90%置信度下,长度和宽度量化结果全部落在±10 mm的误差带上,深度量化结果全部落在±10%t (t为壁厚)的误差带上,满足工程检测要求,可有效完成管道漏磁缺陷识别。研究结果可为油气输送管道漏磁检测新技术的研究提供一定的参考。     

基于增强卷积神经网络的滚动轴承故障诊断

针对现有深度卷积神经网络(Convolutional Neural Networks, CNN)进行故障特征提取时存在全局特征描述能力不足以及提取特征时注意图权重系数选取上不明确的问题，提出一种特征增强的深度强化学习滚动轴承故障诊断方法。该方法首先将双通道注意力模块(Convolutional Block Attention Module, CBAM)嵌入到CNN中，提取更为重要的隐形特征对滚动轴承不同故障进行有效分类识别，然后将全连接层作为智能体在深度强化学习(Deep Reinforcement Learning, DRL)的Q-learning基础上进行学习，利用DRL的经验回放机制存储智能体和环境交互时的经验数据，通过梯度下降法更新注意力图的权重参数，寻找最佳分类策略，最后通过试验研究验证该方法的有效性。研究结果表明：该方法对轴承数据的故障识别率可达到99.69%。通过对比可知，所提方法比现有的BP、CNN、SE-CNN、CBAM-CNN等常用机器学习方法具有更好的诊断性能和自适应能力。     

面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。     

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题.为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法.以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时...     

基于DMC-BiLSTM的沉积微相智能识别方法

沉积微相划分是油气藏勘探的研究基础。传统沉积微相划分由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、冗长的,可能引入人为偏差。深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决沉积微相划分的深度学习方法。针对测井-沉积微相,提出了基于特征构造(DMC)和双向长短期记忆网络(BiLSTM)的沉积微相智能识别方法。首先,利用趋势分解和中值滤波对原始曲线进行多维重构,并对重构矩阵和原始曲线特征采用kmeans提取时空相关聚类特征;然后,以原始曲线特征、地质趋势特征、中值滤波特征和聚类特征作为输入,基于双向长短期记忆网络得到当前深度沉积微相预测类型。与长短期记忆网络(LSTM)和时间卷积网络(TCN)对比发现,在沉积微相的识别上,沉积微相智能识别方法具有更优异的性能和鲁棒性。实验表明,该方法能有效划分沉积微相,识别准确率达到91.69%。     

基于Yolox算法的碳酸盐岩储层溶洞“串珠状”异常反射智能检测

识别碳酸盐岩溶洞的传统方法主要基于地震反射特征分析，对数据的要求较高，普适性不强，效率低下且存在主观因素。利用卷积神经网络(CNN)的特征提取能力识别地质构造方法的研究对象主要是盐丘、断层、地层等大尺度目标，但对于识别溶洞等小尺度构造容易出现误判。由于不同尺度的溶洞在地震剖面上呈不同的反射特征，溶洞与“串珠状”间存在一定的映射关系。因此，可首先在地震剖面上识别相对大尺度的“串珠状”,然后基于“串珠状”与溶洞的映射关系识别溶洞。为此，提出了基于Yolox的“串珠状”目标检测模型网络结构，主要包括特征提取、特征加强、解耦头三个部分。输入地震剖面后，经特征提取得到不同尺度的有效特征，然后输入特征加强网络完成多尺度的特征融合，最后由解耦头获得检测框的信息，经解码后得到“串珠状”异常反射边界的位置并输出检测框。合成地震数据测试及实际地震数据测试结果表明：(1)传统方法以振幅为基础，当“串珠状”处于强同相轴及其附近时难以识别，且高值部分无法反映“串珠状”实际范围；(2)U-Net模型识别结果反映了“串珠状”的位置，但不能获得边界坐标，易将两个很近的“串珠状”误判为一个，识别准确率不高，存在错拾或漏...     

基于一维卷积神经网络的横波速度预测

纵横波速度是地球物理勘探中识别储层岩性、物性和储层等目标极其重要的信息,由于采集技术与成本投入的限制,横波速度资料通常较为缺乏,横波速度预测便成为岩石物理分析中亟需解决的重要问题。传统上基于理论方法和经验公式的横波速度转换方法局限性较大,常规的点对点的机器学习方法无法有效表达测井参数的空间特征,对横波速度与其它测井参数之间的内在关系的表征不够充分。为此,开展了基于一维卷积神经网络(1D-CNN)模型的横波速度预测方法研究,基于声波时差、密度、自然伽马和电阻率等16种测井参数建立深度学习回归模型,通过不同尺度卷积提取测井参数在测井深度空间上的结构性特征,并采用多层网络结构,学习横波参数与测井参数深度特征之间的关系,从而建立更为精确的预测模型。通过在苏里格气田上古生界碎屑岩储层的实际应用,验证了一维卷积神经网络模型的横波速度预测精度较高,且具有良好的泛化性。     

基于深度学习的多属性盐丘自动识别方法

三维地震数据的盐丘解释存在难度大且效率低的问题。为此,以深度学习技术为基础,以少量的二维地震数据为样本训练和测试模型,利用不同地震属性实现盐丘自动识别。流程主要包括三部分：首先,基于盐丘的地震反射特征提取了杂乱、均方根振幅以及方差等3种敏感属性,每一种属性分别选取少量主测线数据及时间切片作为训练样本进行预处理,并利用数据增强方法自动生成大量数据作为网络的训练样本;然后,搭建基于编码—解码器结构的卷积神经网络,分别输入不同属性的两类样本进行模型训练和测试以得到多个独立的模型;最后,为了综合考虑各属性特征,减少预测误差并得到更全面、准确的预测结果,利用集成学习方法融合多个模型并得到优化后的分类结果。结果表明,所提方法能高效、准确地在三维数据体实现盐丘自动分割,盐丘边界清晰,分类错误点明显减少,进一步提高了模型预测能力。     

基于卷积门控循环单元网络的储层参数预测方法

储层参数是储层评价的一项重要内容。针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型。该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力。基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法。实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路。     

基于联合小波域深度学习的地震数据规则化方法

数据规则化是地震资料处理的关键步骤之一，基于物理建模的传统方法计算量大且不具备广泛适用性。当前基于卷积神经网络的地震数据规则化方法通常局限在时域，尤其在低采样率条件下，重建数据过于平滑，纹理细节信息损失严重。小波分析具有多尺度、多方向的特性，更适于表示二维数据的纹理特性，可以聚焦地震数据信号的细节信息。为此，提出一种联合小波域的卷积神经网络模型，学习地震数据在时域与小波域的联合分布特征以逼近实际数据，将不规则地震数据重建问题转化为在卷积神经网络框架下各尺度不同方向分量的小波系数预测，重建规则化的地震数据；构建时域与小波域的联合损失函数，结合地震数据的整体分布和局部细节特征，约束网络模型，通过修正联合损失函数的权重调整卷积神经网络学习的注意力，提高重建地震数据信噪比。实验结果表明，与其他方法对比，该方法细节保持效果更好，对地震数据缺失位置不敏感，更具鲁棒性。     

基于混合网络U-SegNet的地震初至自动拾取

传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。     

基于DBBCNN的沙漠区地震资料随机噪声衰减方法

由于沙漠地区采集环境恶劣、地表地质条件复杂,勘探资料信噪比普遍较低;同时,沙漠区随机噪声与有效信号存在频谱混叠现象,噪声压制难度较大,给后续反演、成像和解释等工作带来了不利影响。近年来,以去噪卷积神经网络(Feed-forward Denoising Convolutional Neural Networks,DnCNN)为代表的深度学习去噪方法已应用于复杂随机噪声抑制,但传统降噪网络一般是根据单一尺度信息提取数据特征,导致针对复杂勘探记录的处理能力可能会下降。为实现沙漠地区复杂噪声的有效衰减,提出一种新型多分支去噪卷积神经网络(Diverse Branch Block Convolutional Neural Networks,DBBCNN)。与传统的DnCNN相比,DBBCNN将不同尺度、不同复杂度的分支结合在一起,丰富了特征空间,并且采用长路径操作融合全局特征和局部特征,提升了网络针对弱信号的特征表达能力。模拟和实际数据实验结果表明,DBBCNN可有效压制沙漠地震资料中的复杂随机噪声,且处理后的记录信噪比显著提升。     

融合图像处理与深度学习的亮晶颗粒灰岩岩相学分析应用

针对传统碳酸盐岩薄片鉴定基于肉眼观察和描述，存在主观性强、定性评价为主、定量困难等问题，以亮晶颗粒灰岩为对象，设计了涵盖流程与技术的智能化岩石薄片图像信息挖掘模型。通过岩相学分析框架构建了岩相特征与薄片图像之间的映射关系。融合图像处理和深度学习设计了全流程的特征提取算法。通过卷积神经网络获得结构组分特征中对颗粒类型的定性识别，即基于改进的ResNet50模型划分颗粒所属类别(内碎屑、生物碎屑、包粒、球粒和团块)。通过数字图像处理技术获得结构组分特征中对颗粒含量、粒径、形状、接触方式的定量识别，即基于阈值分割计算颗粒含量，基于最小外接圆/最小外接矩形，结合面积比/长宽比、交并比(IoU)等算法计算颗粒形态学参数，并通过对染色图像的HSV色彩空间处理获得矿物组分特征中对方解石和其他矿物组分的定性和定量识别。以顺X井亮晶颗粒灰岩薄片样品为例，通过完整的图像识别过程验证了各个特征点提取算法的有效性，并与人工鉴定报告进行对比。岩相学分析框架能够有效地表征亮晶颗粒灰岩中的有意义信息。通过岩相学分析框架结合图像分析算法的模式，实现了对这一类碳酸盐岩的规范化流程化智能鉴定，为岩石薄片图像智能识别研究提...     

深度神经网络模型超参数选取及评价研究——以含油气性多波地震响应特征提取为例

深度神经网络通过分析由不同地质和地球物理来源获得的数据之间的相关性确定油气储层特征,从而开展地震油气储层分布预测。经过适当的训练,深度神经网络可以通过识别与样本数据相关的复杂非线性关系来预测油气储层性质,然而目前仍缺少深度神经网络超参数的选取对地震油气藏分布预测结果影响的系统性研究。为此,在分析深度神经网络隐含层数目、隐含层节点数及激活函数的基础上,探讨了深度神经网络模型超参数选取对含油气性多波地震响应特征提取结果的影响,并利用多种评价指标对不同网络结构模型的性能进行了对比。结果表明,深度神经网络隐含层数目等超参数的选取会影响地震油气藏分布范围的预测精度;同时,深度神经网络在参数选取满足精度要求(即均方误差MSE小于0.001)的情况下,可以取得良好的预测结果,从而验证了深度神经网络用于含油气性多波地震响应特征提取的有效性和可行性。     

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了...     

基于深度卷积生成对抗网络的地震初至拾取

地震记录初至拾取质量往往受限于地震数据的复杂性,在陆地和浅海地震数据中尤为明显。为了更高效地拾取初至,提出了一种基于深度卷积生成对抗网络(DCGAN)的地震数据初至拾取方法,其关键在于构建一个适用于地震数据初至拾取的DCGAN,包含生成器与判别器两部分。生成器由一个全卷积神经网络(FCN)构成,用于学习地震炮集数据到初至波之间的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练。基于DCGAN的初至拾取方法的实现分为三步:数据预处理、网络训练和预测拾取。通过对不同卷积层数的网络结构的对比分析,确定了一个最优的DCGAN结构。一旦DCGAN的训练完成,利用其完成一炮地震数据的初至拾取仅需几秒的时间。将DCGAN方法应用于实际数据初至拾取并与现有初至拾取方法(如长短时窗比(STA/LTA)法和峰度赤池信息量准则(AIC)法)的拾取结果相比较,结果表明基于DCGAN的初至拾取方法的精度更高,能满足生产需要。     

变工况下轴承故障的残差对抗网络诊断方法

实际工程中传统的以恒定转速和平稳信号为前提的故障诊断方法难以有效提取故障特征,为此,将深度学习中的残差网络(ResNet)与迁移学习中的领域对抗网络(DANN)相结合,提出一种深度迁移方法——残差对抗网络(RANN).RANN采用滑窗取样策略从原始振动信号中截取故障样本,构建了包含特征提取器、故障分类器和领域判别器的残...     

基于多源异构信息融合的机械故障诊断方法

针对振动信号或红外图像等单类型传感器信息难以准确表征机械设备的健康状态,存在诊断不确定性的问题,提出基于改进卷积神经网络(CNN)的多源异构信息数据级融合诊断方法。首先采用变分模态分解(VMD)和希尔伯特变换(HT)方法将振动信号处理成与红外图像同维的时频图像,并将其与红外图像进行数据级融合,得到多通道融合信号,然后将该信号输入到多通道卷积神经网络中进行训练以构建融合诊断模型,最后通过转子系统故障诊断实例验证了所提方法的正确性。研究结果表明:CNN、SAE和DBN等特征学习方法可以自适应逐层提取特征,提取的特征包含更多有用的诊断信息,优于人工提取特征;多源异构数据对不同故障类型敏感性不同,具有互补性,融合诊断正确率更高,可实现对设备健康类型更精准的判断;多源信息融合诊断方法可以很好地保留原始输入信息,对实验室转子系统故障实现精确诊断;该方法可以减少数据需求量,在小样本背景下具有良好的诊断性能;该方法对噪声敏感性低,在噪声环境下具有较好的鲁棒性和抗噪性。研究结果可为旋转机械的故障诊断提供一定的参考。     

基于DCC—LSTM的钻井液微量漏失智能监测方法

钻井过程中发生钻井液漏失时，现有的井漏智能监测方法，难以获取长时数据序列特征，无法实现对微量漏失的及时监测和预警，进而容易导致更为严重的漏失发生。为此，提出了一种结合扩张因果卷积网络（Dilated and Causal Convolution, DCC）特征映射能力和长短期记忆网络（Long Short-Term Memory, LSTM）时序特征提取能力的DCC—LSTM钻井液微量漏失智能监测方法，弥补长短期记忆网络对于长期记忆衰减的不足，实现了对钻井液微量漏失的准确监测和预测。研究结果表明：(1) DCC—LSTM井漏智能监测模型利用扩张因果卷积网络提取监测参数的长时特征，并将其映射为短序列表示，利用长短期记忆网络处理特征短序列获取监测数据的长时变化趋势，实现了微量漏失的准确监测；(2)扩张因果卷积网络层数确定方法可以获得最佳网络层数，得到的DCC网络结构使LSTM对长时序列趋势信息的遗忘减少24%；(3)与其他井漏监测方法相比，DCC—LSTM网络能够准确监测早期微量漏失，井漏预警时间最长可提前26 min，监测准确率由96.9%提升至99.4%，漏报率由6.4%降低为1.1%...