-
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：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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN117647837B
公开(公告)日：2024-04-09
申请号：CN202410108831.4
申请日：2024-01-26
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G01V1/28
Abstract: 本发明公开一种地震数据的初至拾取方法、系统及计算机设备，涉及地震监测技术领域，该方法包括：采集地震数据；使用自动初至拾取算法对地震数据中地震信号的初至时刻进行初步的拾取，生成训练样本集；对初至拾取算法拾取的初至时刻进行人工校正，生成验证样本集；利用训练样本集和验证样本集分别制作出噪声标签和干净标签，生成元学习数据集；根据元学习数据集的特征设计相应的深度神经网络模型；基于元学习的双循环训练方法，使用元学习数据集对深度神经网络模型进行迭代训练；利用训练后的深度神经网络模型对地震数据进行初至拾取；通过内外双循环训练方法和在线梯度更新方法，提高了数据驱动方法的精度和成本效益。
-
公开(公告)号：CN117647837A
公开(公告)日：2024-03-05
申请号：CN202410108831.4
申请日：2024-01-26
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G01V1/28
Abstract: 本发明公开一种地震数据的初至拾取方法、系统及计算机设备，涉及地震监测技术领域，该方法包括：采集地震数据；使用自动初至拾取算法对地震数据中地震信号的初至时刻进行初步的拾取，生成训练样本集；对初至拾取算法拾取的初至时刻进行人工校正，生成验证样本集；利用训练样本集和验证样本集分别制作出噪声标签和干净标签，生成元学习数据集；根据元学习数据集的特征设计相应的深度神经网络模型；基于元学习的双循环训练方法，使用元学习数据集对深度神经网络模型进行迭代训练；利用训练后的深度神经网络模型对地震数据进行初至拾取；通过内外双循环训练方法和在线梯度更新方法，提高了数据驱动方法的精度和成本效益。
-
公开(公告)号：CN117250657A
公开(公告)日：2023-12-19
申请号：CN202311531698.5
申请日：2023-11-17
Applicant: 东北石油大学三亚海洋油气研究院
Abstract: 本发明涉及地球科学技术与人工智能交叉技术领域，特别是涉及一种地震数据重建去噪一体化方法，包括：获取地震数据；将所述地震数据输入预设的地震数据恢复模型中，输出重建去噪后的地震数据，其中，所述数据恢复模型基于训练集训练获得，所述训练集包括理想地震数据和训练地震数据，所述数据恢复模型采用Swin Transformer生成对抗网络构建。本发明通过对生成器和判别器以及损失函数进行设计，构建数据恢复模型，能够更好的利用地震数据的全局信息与关联性等特点，解决先前的模型由于感受野有限无法引入全局信息导致恢复出的地震数据较为模糊的问题。
-
公开(公告)号：CN116660982B
公开(公告)日：2023-09-29
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。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.039 seconds)
