機(jī)器學(xué)習(xí)算法尤其是神經(jīng)網(wǎng)絡(luò),已經(jīng)成為工程領(lǐng)域建模的有力工具。這些方法可以從更高維度擬合不同變量之間的高度非線性映射關(guān)系,尤其適用于工程中有觀測數(shù)據(jù),但是變量間映射關(guān)系過于復(fù)雜,導(dǎo)致傳統(tǒng)物理模型或者經(jīng)驗(yàn)?zāi)Ｐ蜔o法有效解決的問題。神經(jīng)網(wǎng)絡(luò)在工程中的一個重要的應(yīng)用領(lǐng)域是石油工程,尤其是可以應(yīng)用于對勘探開發(fā)至關(guān)重要的測井。測井是一種用來描述并分析地下情況的物理測量手段,對于油氣勘探和開發(fā)具有重要意義。地質(zhì)學(xué)家和工程師可以基于測井?dāng)?shù)據(jù)建立精確的地質(zhì)模型,并設(shè)計勘探開發(fā)策略。然而,測井曲線的采集往往是昂貴且耗時的,在實(shí)際測量中由于各種客觀原因,經(jīng)常出現(xiàn)測井?dāng)?shù)據(jù)缺失的問題,也可能出于成本考慮而放棄測量某些整條測井曲線。因此,測井曲線的補(bǔ)全與生成是一個具有學(xué)術(shù)和工程價值的研究。然而,由于地層情況復(fù)雜且存在各向異性,所以不同測井曲線之間的映射關(guān)系極為復(fù)雜,無論是傳統(tǒng)的物理模型還是經(jīng)驗(yàn)?zāi)Ｐ?都難以準(zhǔn)確描述測井曲線之間的關(guān)系,無法對殘缺測井曲線進(jìn)行補(bǔ)全或者對未測量的測井曲線進(jìn)行生成。在本論文中,我們針對測井曲線補(bǔ)全和生成的問題,提出了利用機(jī)器學(xué)習(xí)方法的高效解決方案。同時,我們發(fā)現(xiàn)機(jī)器學(xué)習(xí)算法直接應(yīng)用于工程領(lǐng)域...

【文章頁數(shù)】：138 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第一章 引言
    1.1 研究背景
    1.2 相關(guān)研究進(jìn)展
        1.2.1 機(jī)器學(xué)習(xí)研究進(jìn)展
        1.2.2 測井曲線與機(jī)器學(xué)習(xí)結(jié)合研究進(jìn)展
        1.2.3 數(shù)據(jù)同化方法研究進(jìn)展
    1.3 論文概要
    1.4 論文結(jié)構(gòu)
第二章 人工神經(jīng)網(wǎng)絡(luò)
    2.1 全連接神經(jīng)網(wǎng)絡(luò)(FCNN)
    2.2 長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)
    2.3 物理約束神經(jīng)網(wǎng)絡(luò)(PC-LSTM)
        2.3.1 機(jī)理模擬網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 基于地層信息的自適應(yīng)分層歸一化
        2.3.3 端到端預(yù)測模型架構(gòu)
    2.4 本章小結(jié)
第三章 集合神經(jīng)網(wǎng)絡(luò)
    3.1 貝葉斯模型架構(gòu)
    3.2 集合隨機(jī)最大似然算法(EnRML)
    3.3 集合神經(jīng)網(wǎng)絡(luò)(ENN)
        3.3.1 集合神經(jīng)網(wǎng)絡(luò)(ENN)與貝葉斯神經(jīng)網(wǎng)絡(luò)(BNN)的對比
        3.3.2 集合神經(jīng)網(wǎng)絡(luò)(ENN)和蒙特卡洛神經(jīng)網(wǎng)絡(luò)(MCNN)的對比
        3.3.3 集合神經(jīng)網(wǎng)絡(luò)(ENN)和集合平均法的對比
    3.4 本章小結(jié)
第四章 集合長短期記憶神經(jīng)網(wǎng)絡(luò)
    4.1 模型參數(shù)傳遞機(jī)制
    4.2 過度收斂問題與模型參數(shù)擾動方法
    4.3 標(biāo)準(zhǔn)化觀測值保比例擾動方法
    4.4 本章小結(jié)
第五章 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的測井曲線生成實(shí)驗(yàn)
    5.1 實(shí)驗(yàn)背景及目的
    5.2 基于LSTM補(bǔ)全測井曲線
        5.2.1 數(shù)據(jù)準(zhǔn)備
        5.2.2 模型設(shè)計
        5.2.3 實(shí)驗(yàn)結(jié)果分析
    5.3 基于串級LSTM生成測井曲線
        5.3.1 數(shù)據(jù)準(zhǔn)備
        5.3.2 串級長短期記憶神經(jīng)網(wǎng)絡(luò)(Cascaded LSTM)
        5.3.3 實(shí)驗(yàn)結(jié)果分析
    5.4 本章小結(jié)
第六章 基于物理約束神經(jīng)網(wǎng)絡(luò)構(gòu)建地質(zhì)力學(xué)參數(shù)場實(shí)驗(yàn)
    6.1 實(shí)驗(yàn)背景及目的
    6.2 數(shù)據(jù)準(zhǔn)備與地質(zhì)力學(xué)測井曲線生成模型
    6.3 物理約束效果評價分析
    6.4 基于PC-LSTM構(gòu)建三維地質(zhì)力學(xué)場
    6.5 基于PC-LSTM構(gòu)建拓展的三維地質(zhì)力學(xué)場
    6.6 本章小結(jié)
第七章 集合神經(jīng)網(wǎng)絡(luò)性能評價及應(yīng)用實(shí)驗(yàn)
    7.1 實(shí)驗(yàn)背景及目的
    7.2 簡易數(shù)據(jù)集實(shí)驗(yàn)與不確定性分析
    7.3 強(qiáng)非線性理想數(shù)據(jù)集實(shí)驗(yàn)與ENN合理性驗(yàn)證
        7.3.1 ENN效果和收斂性分析
        7.3.2 網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練數(shù)據(jù)量與觀測誤差的影響分析
    7.4 基于真實(shí)數(shù)據(jù)的泛化測試
    7.5 本章小結(jié)
第八章 基于集合長短期記憶神經(jīng)網(wǎng)絡(luò)生成測井曲線實(shí)驗(yàn)
    8.1 問題背景與參數(shù)選取
    8.2 EnLSTM與標(biāo)準(zhǔn)LSTM對比實(shí)驗(yàn)
    8.3 本章小結(jié)
第九章 總結(jié)與討論
參考文獻(xiàn)
附錄A 集合長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測電網(wǎng)負(fù)荷實(shí)驗(yàn)
    A.1 問題背景與數(shù)據(jù)準(zhǔn)備
    A.2 參數(shù)選取
    A.3 EnLSTM與標(biāo)準(zhǔn)LSTM對比實(shí)驗(yàn)
    A.4 電網(wǎng)負(fù)荷中基于物理機(jī)理的無量綱化趨勢
    A.5 基于無量綱化趨勢的EnLSTM實(shí)驗(yàn)
    A.6 附錄小結(jié)
博士期間發(fā)表和完成的論文
致謝



本文編號：3830914