研究目的
开发和应用深度学习架构，特别是结合连续小波变换的卷积神经网络，以提高储层表征中地震岩性预测的准确性和分辨率。
研究成果
CWT-CNN模型在地震岩性预测中优于其他架构，具有更高的精度和分辨率，尤其适用于中薄层。连续小波变换谱为特征提取提供了额外信息，其最优参数包括采样长度约为平均地震波长的1.5倍。该方法在储层表征方面展现出良好前景，但在小数据集和自动参数选择方面仍需进一步研究。
研究不足
该研究仅限于叠后地震数据和二元岩性分类（砂岩与页岩），可能无法推广至其他岩性或叠前数据。数据集规模适中，结果可能受地震数据质量和深度-时间转换精度的影响。计算效率和自动参数优化方面仍有改进空间。
1：实验设计与方法选择：
本研究采用四种深度学习架构（DNN、CNN、CWT-DNN、CWT-CNN）对叠后地震数据进行岩性（砂岩与页岩）二分类，利用卷积神经网络进行特征提取，连续小波变换进行时频分析。
2：样本选择与数据来源：
使用中国四川盆地川西坳陷13口井的数据，共3720个样本。将岩性测井数据转换为1毫秒采样率的旅行时数据。数据按55%训练集、40%验证集（剩余部分）和1口盲井（JS7）测试集划分。
3：实验设备与材料清单：
叠后地震数据、测井数据、Python 3.6（Keras和TensorFlow后端）、Scikit-learn用于数据预处理。
4：6（Keras和TensorFlow后端）、Scikit-learn用于数据预处理。 实验流程与操作步骤：
4. 实验流程与操作步骤：数据预处理，对地震道应用CWT生成二维频谱，采样输入图谱，以批量大小40、自动调整的学习率0.0001训练神经网络，使用Adam优化器和交叉熵损失函数，通过混淆矩阵和F1分数评估。
5：自动调整的学习率0001训练神经网络，使用Adam优化器和交叉熵损失函数，通过混淆矩阵和F1分数评估。 数据分析方法：
5. 数据分析方法：采用精确率、召回率、F1分数进行统计分析；比较模型在盲测数据上的表现；参数敏感性测试（如特征图数量、滤波器尺寸）。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Keras
Deep learning framework used for building and training neural network models.
-
TensorFlow
Google
Backend for Keras, used for computational operations in deep learning.
-
Scikit-learn
Library for data preprocessing and error evaluation in machine learning.
-
Python
3.6
Python Software Foundation
Programming language used for implementing the deep learning models and data analysis.
-
登录查看剩余2件设备及参数对照表
查看全部
