-
公开(公告)号：CN118778119B
公开(公告)日：2024-11-15
申请号：CN202411267142.4
申请日：2024-09-11
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G01V1/36 , G01V1/28 , G06F18/10 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F18/213
Abstract: 本发明公开了一种基于Swin Transformer和扩散模型的地震面波与随机噪声压制方法，涉及地球科学技术与人工智能交叉技术领域，包括：获得混合噪声地震数据集及预处理后的混合噪声地震数据集；输入训练好的初始去噪模型，获得去噪后的地震数据集，基于预处理后的混合噪声地震数据集和去噪后的地震数据集，获得混合噪声估计数据集；将混合噪声估计数据集拟合到高斯分布，将混合噪声估计数据集与扩散模型的前向过程中某时刻状态相匹配获得含噪地震数据，将含噪地震数据表示到去噪链中获得估计噪声分布；利用扩散模型的反向过程对匹配后的某时刻状态学习估计噪声分布，并训练获得去噪模型，基于所述去噪模型获得去噪后的地震数据。
-
公开(公告)号：CN118778119A
公开(公告)日：2024-10-15
申请号：CN202411267142.4
申请日：2024-09-11
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G01V1/36 , G01V1/28 , G06F18/10 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F18/213
Abstract: 本发明公开了一种基于Swin Transformer和扩散模型的地震面波与随机噪声压制方法，涉及地球科学技术与人工智能交叉技术领域，包括：获得混合噪声地震数据集及预处理后的混合噪声地震数据集；输入训练好的初始去噪模型，获得去噪后的地震数据集，基于预处理后的混合噪声地震数据集和去噪后的地震数据集，获得混合噪声估计数据集；将混合噪声估计数据集拟合到高斯分布，将混合噪声估计数据集与扩散模型的前向过程中某时刻状态相匹配获得含噪地震数据，将含噪地震数据表示到去噪链中获得估计噪声分布；利用扩散模型的反向过程对匹配后的某时刻状态学习估计噪声分布，并训练获得去噪模型，基于所述去噪模型获得去噪后的地震数据。
-
公开(公告)号：CN118566979A
公开(公告)日：2024-08-30
申请号：CN202411018115.3
申请日：2024-07-29
Applicant: 东北石油大学三亚海洋油气研究院
Abstract: 本发明公开了一种用于获得地下介质弹性参数的黏弹性介质地震AVO反演方法，涉及地球物理技术领域，包括：基于褶积模型理论构建用于黏弹性介质AVO反演的GANs模型；获得地球物理数据，根据所述地球物理数据划分出训练样本数据和角度叠加地震数据；通过所述训练样本数据对所述用于黏弹性介质AVO反演的GANs模型进行训练，获得训练好的用于黏弹性介质AVO反演的GANs模型；将所述角度叠加地震数据输入所述训练好的用于黏弹性介质AVO反演的GANs模型，获得反演参数。本发明利用多目标函数控制网络模型超参数的优化，提高弹性参数反演精度。
-
公开(公告)号：CN116776734A
公开(公告)日：2023-09-19
申请号：CN202310755330.0
申请日：2023-06-26
Applicant: 东北石油大学
IPC: G06F30/27 , G01V1/30 , G01V1/28 , G06F30/23 , G06T17/20 , G06F18/2131 , G06N3/0464 , G06N3/096 , G06N3/044 , G06N3/0455 , G06F111/04 , G06F111/08 , G06F119/10 , G06F123/02
Abstract: 本发明属于地球科学技术与人工智能交叉领域，具体涉及一种基于物理约束神经网络的地震速度反演方法，该方法的步骤为1、训练数据集准备；2、先验知识处理和引入；3、网络输入与标签设定；4、基于物理先验约束的速度反演网络构建；5、损失函数设定；6、预训练数据驱动的速度反演子网；7、结合RNN正演约束网络联合训练。将数据驱动的神经网络和物理规律驱动的RNN正演约束网络结合起来实现基于数据和模型双驱动的速度反演网络，并结合迁移学习的思想先预训练数据驱动的速度反演网络，然后结合RNN正演约束网络进行联合训练，最终网络在较少样本的情况下实现高精度的速度反演。
-
公开(公告)号：CN111368710B
公开(公告)日：2022-03-04
申请号：CN202010134754.1
申请日：2020-02-27
Applicant: 东北石油大学
Abstract: 本发明属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法，该方法的步骤为1、训练数据集预处理；2、样本标签准备；3、设计联合学习模型G的网络结构；4、设计损失函数；5、训练并保存网络模型；6、测试网络模型性能。通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。
-
Patent Agency Ranking
公开(公告)号：CN116626753B
公开(公告)日：2023-10-13
申请号：CN202310911521.1
申请日：2023-07-25
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G01V1/28 , G06F18/24 , G06N3/0464 , G06F18/214 , G06F18/25
Abstract: 本申请公开了一种基于多模态神经网络的微地震事件识别方法及系统，其中方法包括以下步骤：获取时域样本和S域样本，基于所述时域样本和所述S域样本构建训练数据集；构建深度学习网络模型G，并设定模型损失函数；基于所述训练数据集训练所述深度学习网络模型G，得到识别模型；利用所述识别模型进行微地震事件识别。本申请结合微地震数据的时域模态和S域模态的深度学习卷积神经网络结构，充分挖掘微地震信号的多模态信息，提高了模型的准确率，在强噪声干扰下本申请仍然能够有较好的表现，对事件依然能够较好地识别，利用多模态特征能够较好地识别到部分微地震事件，本申请对小幅值事件具有一定的识别能力。
-
公开(公告)号：CN116660982A
公开(公告)日：2023-08-29
申请号：CN202310960290.3
申请日：2023-08-02
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G01V1/28 , G06N3/0464 , G06F18/214 , G06F30/27
Abstract: 本发明提出一种基于注意力卷积神经网络的全波形反演方法，包括：构建数据集；所述数据集包括第一阶段训练数据集和第二阶段训练数据集；构建卷积神经网络；分别利用所述第一阶段训练数据集和第二阶段训练数据集，对所述卷积神经网络进行训练；基于训练后的所述卷积神经网络获取全波形反演结果。本发明在神经网络训练过程中引入物理约束可降低速度反演对训练数据的依赖，增加了注意力模块能提高对数据的利用效率，改善反演质量，提升智能反演方法的实用性。
-
公开(公告)号：CN114065595A
公开(公告)日：2022-02-18
申请号：CN202111501938.8
申请日：2021-12-09
Applicant: 东北石油大学
IPC: G06F30/23 , G06F30/27 , G01V1/36 , G06N3/04 , G06N3/08 , G06F111/10 , G06F111/04
Abstract: 本发明涉及的是基于稀疏约束空‑频域联合学习的波场数值频散压制方法，它包括:训练数据集预处理；样本标签准备；卷积核稀疏化准备；设计联合学习模型G的网络结构；设计损失函数；训练并保存网络模型；测试网络模型性能。通过傅立叶变换将波场数据变换至频率域，获得频域波场的纹理特征；将用低价有限差分法对波动方程进行求解所得到的高频散波场数据作为输入，高阶有限差分法所得到的无频散的空域与频域特征作为标签；构建空间域与频率域联合深度学习网络结构；利用波场数据的稀疏性引入稀疏约束对卷积核进行稀疏化，本发明充分利用波场特征，有效压制数值频散问题，得到高精度、高质量的波场数据。
-
公开(公告)号：CN111368710A
公开(公告)日：2020-07-03
申请号：CN202010134754.1
申请日：2020-02-27
Applicant: 东北石油大学
Abstract: 本发明属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法，该方法的步骤为1、训练数据集预处理；2、样本标签准备；3、设计联合学习模型G的网络结构；4、设计损失函数；5、训练并保存网络模型；6、测试网络模型性能。通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。
-
公开(公告)号：CN119339163A
公开(公告)日：2025-01-21
申请号：CN202411864247.8
申请日：2024-12-18
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/762 , G06N3/042 , G06N3/0464 , G06V10/766
Abstract: 本发明提供了一种融合亲和传播聚类与图卷积神经网络的成岩相样本自动标注方法及系统，属于成岩相智能识别领域。为了解决成岩相的标注工作样本量少，准确率低的问题。本发明对测井曲线数据进行预处理并进行少量标签标注，构建自动标注数据集；利用亲和传播聚类构造图结构，建立测井曲线深度节点之间的关联关系；通过图卷积层聚合节点特征，实现成岩相的快速准确标注。本发明与传统方法的对比，能够更好地处理成岩相之间复杂的关联和空间分布特征，将图结构和测井曲线特征相结合，从而提高标注准确性和稳定性。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.027 seconds)
