油氣是我們國家緊缺型的戰(zhàn)略性資源。我國深部碳酸鹽巖地層擁有著豐富的油氣資源,但儲層識別困難。地震波形數(shù)據(jù)中隱含了大量的儲層信息,而聚類分析是進行儲層識別的有效方法。原始地震資料所表達的儲層信息有限,因此,為進一步挖掘地震數(shù)據(jù)中的隱藏信息,本文針對深部勘探目標,通過構建深度學習特征學習網(wǎng)絡模型,利用其強大的非線性特征提取以及組合低層特征得到更加抽象的高層表示類別或特征的能力,對地震數(shù)據(jù)的含氣性響應特征進行提取,以發(fā)現(xiàn)地震波形數(shù)據(jù)中的分布式特征表示,并進行聚類分析,從而進行深部儲層檢測,以提高儲層含油氣性檢測的可靠性和有效性。該方法對地震數(shù)據(jù)還具有較好的降噪功能。論文的主要研究內(nèi)容與成果如下:（1）在對各種深度學習網(wǎng)絡基礎原理進行研究的基礎上,重點研究了深度降噪自編碼算法（SDAE）。SDAE是由無監(jiān)督淺層學習模型之一的降噪自編碼（DAE）進行疊加得來的,DAE是一類接受損壞數(shù)據(jù)作為輸入,并訓練來預測原始未被破壞數(shù)據(jù)作為輸出的自編碼（AE）。SDAE不僅具有降噪功能,還能從不同隱藏層學習到數(shù)據(jù)中不同層級和高層的潛在的特征�；诖�,本文結(jié)合深度學習框架TensorFlow和matlab完成了... 

【文章來源】：成都理工大學四川省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 選題依據(jù)及研究意義
    1.2 國內(nèi)外研究進展
    1.3 主要研究內(nèi)容與技術路線
        1.3.1 主要研究內(nèi)容
        1.3.2 研究思路
第2章 深度學習基礎理論
    2.1 深度學習
    2.2 自編碼
    2.3 降噪自編碼
    2.4 深度降噪自編碼
    2.5 深度學習優(yōu)化算法
        2.5.1 隨機梯度下降算法
        2.5.2 Momentum優(yōu)化算法
        2.5.3 AdaGrad優(yōu)化算法
        2.5.4 RMSprop優(yōu)化算法
        2.5.5 Adam優(yōu)化算法
    2.6 聚類算法
        2.6.1 經(jīng)典k-means聚類算法
        2.6.2 k-means++聚類算法
第3章 深度學習框架及加速理論
    3.1 TensorFlow
    3.2 CPU和GPU
    3.3 多GPU并行計算
    3.4 CUDA和Cudnn
    3.5 TensorRT加速
第4章 基于深度降噪自編碼的波形聚類方法研究
    4.1 研究工區(qū)地質(zhì)概況
    4.2 模型試算
    4.3 訓練數(shù)據(jù)集的獲取和預處理
    4.4 模型訓練及結(jié)果
        4.4.1 模型訓練
        4.4.2 特征相關性分析及特征優(yōu)選
        4.4.3 TensorRT加速
        4.4.4 聚類結(jié)果及分析
    4.5 結(jié)論
結(jié)論
致謝
參考文獻
攻讀學位期間取得學術成果


【參考文獻】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡的儲層物性參數(shù)預測方法研究[J]. 安鵬,曹丹平,趙寶銀,楊曉利,張明.  地球物理學進展. 2019(05)
[2]深層碳酸鹽巖儲層含氣性檢測方法技術研究[J]. 曹俊興,薛雅娟,田仁飛,舒亞祥.  石油物探. 2019(01)
[3]地震油氣儲層的小樣本卷積神經(jīng)網(wǎng)絡學習與預測[J]. 林年添,張棟,張凱,王守進,付超,張建彬,張沖.  地球物理學報. 2018(10)
[4]基于波形聚類的沉積微相定量解釋技術研究——以中東地區(qū)X油田為例[J]. 徐海,都小芳,高君,孫紅軍,鄭磊,陸紅梅,胡鵬.  石油物探. 2018(05)
[5]基于孔隙度分級的頁巖脆性礦物指數(shù)預測方法[J]. 鮑祥生,周海燕,符志國.  物探化探計算技術. 2018(01)
[6]砂泥巖儲層孔隙度預測的改進模型[J]. 鄧社根,滕新保,華桂錢,王美均,張宏兵.  黑龍江科技大學學報. 2017(06)
[7]感知機理論研究綜述[J]. 張?zhí)煨?  電子技術與軟件工程. 2017(22)
[8]深度學習及其在深層天然氣儲層預測中的應用實驗[J]. 曹俊興.  物探化探計算技術. 2017(06)
[9]碳酸鹽巖孔隙度預測新方法在珠江口盆地的應用[J]. 張志偉,何敏,陳勝紅,陳兆明,徐超,袁才.  海洋地質(zhì)前沿. 2017(10)
[10]利用常規(guī)測井曲線定量預測裂縫型孔隙度[J]. 陳彥虎,胡俊,蔣龍聰,胡冬梅.  特種油氣藏. 2017(06)

博士論文
[1]川西孝泉—新場構造中三疊統(tǒng)雷口坡組地震沉積學研究[D]. 杜浩坤.成都理工大學 2015
[2]地震信號時頻分析及其在儲層含氣性檢測中的應用研究[D]. 薛雅娟.成都理工大學 2014

碩士論文
[1]基于地震數(shù)據(jù)深度學習的儲層預測方法及其應用研究[D]. 葉紹澤.成都理工大學 2018
[2]基于卷積神經(jīng)網(wǎng)絡的斷層曲面提取與重建[D]. 余里輝.電子科技大學 2018
[3]BP神經(jīng)網(wǎng)絡在城市軌道交通客流短時預測中的應用研究[D]. 王立政.蘇州科技大學 2017
[4]基于巖石物理模型的孔隙度和孔隙結(jié)構反演及應用研究[D]. 張祖豪.成都理工大學 2017
[5]基于模糊理論的決策樹算法的研究及應用[D]. 于振灝.中國地質(zhì)大學(北京) 2017
[6]基于深度學習的天然氣儲層檢測方法研究[D]. 吳施楷.成都理工大學 2017
[7]基于BP神經(jīng)網(wǎng)絡和自回歸模型的股市預測[D]. 譚秀輝.中北大學 2010



本文編號：3166838