摘要：针对训练样本集不均衡造成的地震断层智能识别精度不高,卷积神经网络(CNN)训练速度慢的问题,本文将断层识别与深度学习算法相结合,设计了一种基于改进的平衡交叉熵(BCE)损失函数的CNN的地震断层智能识别方法。通过自编算法逐层提取特征图,分析地震特征提取结果,从而确定网络结构与最优参数,进而修改CNN以优化模型。利用BCE损失函数,添加非断层与总样本集的比率参数,从而改变损失函数寻找最小权重参数的基准,调优断层与非断层的数据比例。该方法克服了样本集类别数量不均衡的问题,提高了迭代速度,经过少量的训练即可达到95%以上的精度,梯度下降明显。将本文方法应用于某油田地区的断层识别,所训练的模型预测断层较为清晰,预测结果与实际情况基本吻合,因此该方案具有有效性和适应性。

摘要：有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法(Deep Learning Method).首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明:本论文方案不仅具有可行性,且具有有效性.

摘要：根据梁家煤矿钻孔封闭的实际数据资料,将计算机高级编程语言Visual Basic和Access数据库相结合,开发了钻孔封闭质量分类评价系统,实现了钻孔封闭信息数据的高效、系统的管理功能,并且从钻孔的封孔用料的用量和封孔段距两方面对钻孔的封闭质量进行分类评价,最后结合2个方面的评价结果对钻孔的质量情况作了综合性评价。

摘要：如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标。多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题。为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案。首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息。最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果。应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性。

摘要：利用 CMOSOL Multiphysics 软件，正演分析了3层模型近场效应下二极装置电位分布特征．采用电位 AM二极观测系统，设计不同的 RAM供电电极距，RBN无穷远电极距，利用 WDJD －4型激电仪进行野外现场试验．数值模拟表明供电电极距对2个异性点电源场影响较大，但在一定的无穷远极距范围内畸变可以矫正．现场电测深试验表明，小供电电极距RAM情况下，二极测深曲线不能正确反映电介质的电性分布．电位观测系统的无穷远极距 RBN使得测深曲线偏离了正常测深曲线，甚至产生了歧义的负电阻率拐点．通过传统电场理论分析，利用不同观测装置下的视电阻率计算公式推导了二极装置非无穷远条件下的校正公式．测深数据校正误差表明，在无穷远极距满足1．5RAO≤RBO≤5RAO （RAO为供电电极 A 距中点O 的距离，RBO为供电电极 B 距中点 O 的距离）的情况下，校正误差小于5％，可利用的无穷远电极极距提高3倍，并成功应用于井下工作面实际探测中．