典型文献
基于VNet深度学习架构的低序级断层智能识别方法
文献摘要：
低序级断层识别是油气勘探开发的重要环节,传统的相干体、谱分解、曲率、蚂蚁体、边缘检测等方法虽然能够提高断层识别的效果和精度,但是对断距较小的低序级断层识别效果不佳.基于人工智能技术的全卷积神经网络(FCN)深度学习方法,为识别低序级断层提供了新的途径.在UNet基础上提出的VNet模型深度学习架构,可以在上、下采样过程中增加信号的感受野,尽可能地在提取大尺度断层信息的同时保留和提取小尺度断层信息.选用正演模拟数据和实际地震数据分别对UNet模型、VNet模型进行测试,通过选择合适的损失函数、迭代次数,优选合适模型权重参数对两者进行模型训练和断层识别效果对比,结果表明,基于VNet模型方法提取的信息更丰富,在识别低序级断层方面更有效.
文献关键词：
地震数据;断层识别;低序级断层;深度学习;VNet
中图分类号：
作者姓名：
路鹏飞;杜文龙;李丽;程丹华;郭爱华
作者机构：
东华理工大学信息工程学院,江西南昌330013;山东省煤田地质局第三勘探队,山东泰安271000;中国石油青海油田分公司勘探开发研究院,甘肃敦煌736202;中国石油冀东油田分公司勘探开发研究院,河北唐山063004
文献出处：
引用格式：
[1]路鹏飞;杜文龙;李丽;程丹华;郭爱华-.基于VNet深度学习架构的低序级断层智能识别方法)[J].石油地球物理勘探,2022(06):1276-1286
A类：
B类：
VNet,深度学习架构,低序级断层,智能识别方法,断层识别,油气勘探开发,相干体,谱分解,曲率,蚂蚁,边缘检测,断距,全卷积神经网络,FCN,深度学习方法,UNet,模型深度,下采样,感受野,大尺度,小尺度断层,正演模拟,模拟数据,地震数据,损失函数,迭代次数,模型权重,模型训练,效果对比,模型方法
AB值：
0.341222
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
