-
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：CN119126230B
公开(公告)日：2025-02-25
申请号：CN202411621124.1
申请日：2024-11-14
Applicant: 东北石油大学三亚海洋油气研究院
Abstract: 本发明公开了一种基于多道卡尔曼滤波网络的无监督微地震去噪方法与系统，属于地球科学技术与人工智能交叉领域，包括：获取多道微地震数据并进行预处理；基于循环神经网络构建多道卡尔曼地震去噪网络；构建损失函数，基于预处理后的多道微地震数据与所述损失函数与对多道卡尔曼地震去噪网络进行无监督训练；通过训练后的多道卡尔曼地震去噪网络对实时微地震数据进行去噪。本发明通过建立多道卡尔曼滤波状态预测与更新方程，设计RNN运算算子，实现参数自动优化，提高去噪准确性和效率。该方法充分利用微地震数据的相关性，提高滤波效果，适用于时变信号，为后续数据处理提供支持。
-
公开(公告)号：CN119126230A
公开(公告)日：2024-12-13
申请号：CN202411621124.1
申请日：2024-11-14
Applicant: 东北石油大学三亚海洋油气研究院
Abstract: 本发明公开了一种基于多道卡尔曼滤波网络的无监督微地震去噪方法与系统，属于地球科学技术与人工智能交叉领域，包括：获取多道微地震数据并进行预处理；基于循环神经网络构建多道卡尔曼地震去噪网络；构建损失函数，基于预处理后的多道微地震数据与所述损失函数与对多道卡尔曼地震去噪网络进行无监督训练；通过训练后的多道卡尔曼地震去噪网络对实时微地震数据进行去噪。本发明通过建立多道卡尔曼滤波状态预测与更新方程，设计RNN运算算子，实现参数自动优化，提高去噪准确性和效率。该方法充分利用微地震数据的相关性，提高滤波效果，适用于时变信号，为后续数据处理提供支持。
-
公开(公告)号：CN116626753A
公开(公告)日：2023-08-22
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。
-
-
-
Search Results
4
records
(took 0.024 seconds)
