利用人工神经网络自动拾取地震记录初至

地震记录初至的拾取可作为一个模式识别过程而引和神经网络理论进行分析。本文将一个三层感知器成功地用于地震记录初至拾取。神经网络训练采用误差反向传播算法，其中学习率在学习过程中随着输出节点的误差自动调节，隐层节点在学习过程中可以自动增加，从而加快了训练的速度；同时，也为克服网络陷入局部极小起到一定作用。该法采用了地震峰值，均方根振幅比，信噪比，前后峰值差等五个特征量进行选择。训练后的网络对不同探区的地     

改进的神经网络级联相关算法及其在初至拾取中的应用

针对传统BP神经网络存在的问题,引入一种神经网络构造算法——级联相关（CC）算法。该算法具有比BP算法更快的收敛速度,能根据待解决问题自行确定网络结构,即能随时扩展网络拓扑结构以学习新样本。常规CC算法的初始网络只包含输入层和输出层。改进的CC算法起始于适当的BP网络结构（存在隐含层）;且为了防止权值病态递增,在训练候选隐含神经元的目标函数中加入了正则化项,对权值进行衰减。仿真试验表明：改进的CC算法具有更快收敛速度、更强泛化能力;瞬时强度比、振幅、频率、曲线长度比、相邻道相关性等五种地震属性特征交会图显示对初至波具有稳定的区分能力。本文构建的神经网络初至拾取方法在实际资料应用中取得了良好效果。     

基于地震时窗属性特征拾取初至方法对比研究

为了提高复杂地区初至拾取的精度和效率,对基于地震道时窗属性特征拾取初至的能量比法、振幅比法、瞬时强度比法和曲线长度比法进行了对比研究,着重分析了4种方法的拾取精度。研究结果表明：4种方法都能准确、有效地拾取初至,能量比法和瞬时强度比法拾取精度明显高于振幅比法和曲线长度比法;通过变换滑动时窗长度和加入稳定因子,4种方法都能更准确、更有效地拾取初至。     

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。     

基于超虚干涉法约束的模糊C均值聚类地震初至自动提取

在静校正和层析成像等地震数据处理中,准确并快速地拾取初至是随后速度结构成像和地震资料综合解释的前提。手动拾取方法难以适用于海量地震数据处理,且存在人为误差。对于低信噪比地震数据,相关法、能量比值法（STA/LTA）、分形维法等常规自动拾取方法需不断调整参数以达到设定拾取精度,导致稳定性变差。为此,提出一种基于超虚干涉（SVI）约束的模糊C均值（FCM）聚类地震初至自动拾取方法。FCM聚类分析是一种非监督的机器学习方法,仅依赖数据本身进行分类,可更灵活、方便地应用于实际地震初至拾取;对于低信噪比数据,须预先利用SVI法加强远炮检距等弱初至信号的能量,提高地震数据的信噪比,以实现地震初至的准确、稳定拾取。理论模型数据和实际地震资料测试结果进一步表明了该方法的稳定性和高效性。     

基于深度残差网络的初至拾取软件开发

基于残差的优化卷积神经网络—深度残差网络(ResNet)能够对图像进行有效的识别分类。将深度残差网络应用于地震数据的初至识别,借助Hadoop分布式批处理计算系统和TensorFlow人工智能学习平台开发了基于残差网络深度学习的初至波自动拾取软件。采用不同地区、不同震源类型和不同地表的地震数据对深度残差神经网络模型进行训练和验证,最终得到一个精度较高的地震初至自动拾取网络模型。本文总结了深度残差网络的基本方法原理、初至波自动拾取软件实现的关键步骤、地震初至自动拾取网络模型的训练、并验证了拾取效果和效率。     

基于QT的能量比法地震波初至拾取系统设计

 利用能量比法拾取地震波初至的基本思路为：在初至到来之前地震波的振幅很小,而在初至到来之后,其振幅增加到很大,因此在初至附近的两时窗内的能量比值会很大,只要找到地震道上能量比的最大值点,此点对应的时间即为初至时间。本文在Linux工作环境下,以QT为开发平台,利用能量比法实现了SEG Y格式地震文件的读取,并以共炮点、共接收点和共炮检距的方式对初至时间进行交互式自动采集与检验校正,提高了初至拾取的效率和精度。     

基于时频分析的初至拾取方法研究

地震记录的初至拾取是地震资料处理的基础工作,特别是静校正、层析成像等后续处理对初至拾取的精度要求较高。当初至波到达时,其信号的振幅、频率、相位均会发生变化,基于此,提出了一种基于时频分析的初至拾取算法,该算法在噪声判别系数的约束下,利用小波变换时频分析提取信号的瞬时相位谱,然后利用瞬时相位谱的过零点属性拾取初至。为了提高计算效率,在给定时窗内部计算信号的瞬时相位谱,并且利用多个不同的噪声判别系数初至拾取的统计结果确定最终的初至时间。理论信号和实际地震资料处理结果表明,该方法具有较好的抗噪能力,初至拾取的精度比较高。     

应用图像语义分割网络的微地震事件识别和初至拾取方法

微地震初至精确拾取是目前微地震监测关键环节之一,传统的人工拾取方法耗时长、效率低,在实际应用中容易导致无法及时预警等问题。近年来,基于深度学习的长短期记忆网络模型(LSTM)常用于微地震初至拾取,但在低信噪比环境下拾取准确率较低,且忽视了微地震数据中相邻道初至之间的关联性。针对上述问题,将微地震初至发生前、后看作是图像二分类问题,提出了一种应用图像语义分割网络的微地震事件识别和初至自动拾取方法。应用在矿井中采集的实际微地震数据进行实验,结果表明,对包含岩石破裂、工程爆破等多类型微地震事件,该方法的识别准确率较现有的深度学习方法明显提高,平均拾取误差大幅降低,特别是低信噪比数据的平均拾取误差远小于LSTM法,因而具有良好的实际工程应用价值。     

地震道时窗属性特征检测初至时间的研究

给出了几种用于初至拾取的地震时窗属性特征的算法。经过试算、比较和分析，指出地震分形特征初至拾取的不足；提出地震道时窗内能量比属性特征检测地震初至时间的新方法。该方法能快速和准确拾取初至的起跳时间、抗噪声能力强。合成地震记录试验表明，当随机噪声达75％时，仍能准确拾取初至时间。实际地震资料试算显示，其正确率达90％左右。     

浅层折射波勘探中初至自动拾取新算法

地震波初至拾取是地震勘探中广泛应用的基础技术,尤其在浅层折射波勘探和层析成像中初至时间拾取精度直接影响地下地层结构的反演结果。由于初至时间对应的并不总是能量比最大值(可能是次极值),以往的滑动时窗能量比法仅根据前后两个滑动时窗能量比的最大值判断初至时间,造成对低信噪比数据的拾取效果不理想,而对高信噪比数据则难以检测能量较弱的折射波。基于此,本文提出多时窗能量比初至拾取算法,该算法在实现过程中结合应用自动质量控制技术,满足了浅层折射波勘探的初至拾取精度要求,且具有较高的稳定性。将该方法应用于准噶尔盆地中部M区地震勘探,取得了非常好的效果。     

基于广义模拟退火的人工神经元网络学习方法

本文利用广义模拟退火法（简称GSA,下同）能将非线性多极值目标函数较快收敛于全局极值的特点,替换人工神经元网络学习过程中基于梯度下降原理的误差反向传播算法（简称BP,下同）。该方法将由神经元网络的学习输出与期待输出之差的平方和构成的目标函数视为一整体能量系统,模拟热物理学中金属退火处理过程,调整网络中的连接权值,使系统能量尽可能收敛于全局极小。与BP法相比,本方法无需计算梯度,输出响应可采用不可微分的激励函数;另外,无需作误差反向传播计算,因而在神经元网络学习中可使用局部反馈连接的网络结构。该方法的应用为神经元网络学习提供了一种新途径。     

利用波形建立地震相

在地震属性中，波形的总体变化及其分布规律是最重要的地震参数，而且也是经常被人们忽视的参数。用波形建立地震相就是利用神经网络技术把地震信号的总体变化定量地刻画出来，简单地说就是对波形进行分类。本文简要地介绍了这一方法的基本原理，一般流程，关键参数，实验效果以及对过程的质量控制等关键的技术环节。实践证明地震波形包含了大量的地质信息，拾取并识别出这些信息是地震资料解释过程中的重要工作，此法有利于储层预测和油藏描述及提高钻探成功率。     

基于局部相似属性的初至自动拾取

本文提出了一种基于局部相似属性的初至自动拾取方法。首先是由炮记录中的地震道计算其局部互相关相似属性,形成局部相似属性道;然后根据粗略估计的近地表速度和炮检距对炮集中的每一道计算一个初至搜索中心,并以此中心确定每一道的搜索范围;最后将这些局部属性道作为能量比法的输入,计算局部相似属性道的能量比曲线,取搜索范围内能量比曲线的最大值所在位置为初至时刻。模型数据和实际资料试验结果表明,该方法具有一定的抗噪性能,且易于使用。     

基于量子神经网络的分子沉积膜驱原油采收率预测方法

提出一种用于预测分子沉积(MD)膜驱原油采收率的量子神经网络方法。基于生物神经元信息处理机制和量子计算原理构造出一种量子神经元,该神经元由加权、聚合、活化、激励四部分组成。再由量子神经元构造出三层量子神经网络模型,其输入和输出为实值向量,权值和活性值为量子比特。权值和活性值调整由量子门实现。基于梯度下降法构造了该模型的学习算法。将该模型应用于MD膜驱原油采收率的预测实验结果表明,该模型在收敛速度和泛化能力方面明显优于普通三层BP网络。     

混沌优化神经网络方法及其在地震多属性研究中的应用

针对传统的基于梯度下降法BP神经网络中存在非线性多极值目标函数易陷于局部最优解的问题,提出了一种权值学习混沌优化的神经网络方法。非线性动力系统具有初值敏感性、遍历性的特性,采用基于混沌和梯度反传训练相结合来训练网络,可以使网络的连接权在不断迭代过程中自适应演化。实际过井地震剖面地震多属性研究实践表明,所提出的混沌优化学习方法可以克服传统方法的不足,提高预测能力。     

人工智能和视速度约束的地震波初至拾取方法

初至拾取是近地表静校正处理的重要步骤之一.随着采集密度的不断提高,地震数据量不断增加,迫切需要发展新的方法解决大数据量的初至自动拾取问题.传统方法通过人工交互拾取和质量控制,在面对庞大数据量的高密度数据时效率很低,而基于深度学习的初至自动拾取方法效率较高.在用于初至自动拾取的各种深度学习算法中,全卷积神经网络(FCN)...     

BP�������������������㼰��̬�����е�Ӧ��

将油（气）藏看作一个系统，而将产量认为是对系统的激励信号（输入信号），那么压力则为系统的输出信号。输入信号和输出信号之间的关系，隐含着油（气）藏系统内在的信息，如储层和油（气）藏结构、单井控制面积以及井的状况等综合信息。将气井生产记录资料进行适当的统计作为模式特征，输入ＢＰ神经网络，通过向模式学习，ＢＰ网络便可将生产资料所隐含的信息以权矩阵的形式记录下来。应用ＢＰ网络做动态分析和储量计算，以气井日常生产记录资料为基础，计算单井动态储量，并预测气井未来的生产动态。实例证明该方法可行。该方法的应用为利用大量的井口生产记录做了有益的探索。     

应用多属性神经网络方法预测油气

地震属性包含的地球物理信息十分丰富,但地震属性种类繁多,并且与储层特征对应关系复杂,单属性分析难以确保预测的准确性。人工神经网络方法具备较强的非线性映射能力,使用该方法可以综合利用多属性进行油气预测,提高预测精度。该文采用梯度下降神经网络算法,避免陷入局部极小值,有效加快网络收敛速度,使网络达到全局最优,提高了预测效果。