典型文献
UNet++和迁移学习相结合的复杂断裂识别方法研究
文献摘要：
随着计算机和人工智能技术发展,卷积神经网络(Convolutional Neural Networks,CNN)在断层识别中的应用越来越广泛.但是常规CNN网络难以获得大量实际的断层样本,只能依赖人工合成的断层数据训练网络,导致预测模型难以满足不同类型断层的识别要求.为此,本文提出了一种结合UNet++网络和迁移学习的复杂断裂系统识别方法,该方法首先利用大量合成的断层样本训练UNet++网络,然后利用少量人工标注的实际断层样本通过模型微调的方式实现迁移学习,使网络学习到更多的实际断层的特征.将方法应用到大港油田自来屯三维工区进行断层的识别,应用效果证明迁移学习后的UNet++网络能大大减少断层漏识别和错误识别的情况,提高断层识别的准确性,这也验证了本文方法的有效性和可行性.
文献关键词：
自来屯工区;地震精细解释;UNet++网络;迁移学习;断层识别
中图分类号：
作者姓名：
芦凤明;孟瑞刚;张军华;王静;李健;王作乾;刘璐;常健强;王芮
作者机构：
中国石油大港油田勘探开发研究院,天津 300280;中国石油大学(华东)地球科学与技术学院,青岛 266580
文献出处：
引用格式：
[1]芦凤明;孟瑞刚;张军华;王静;李健;王作乾;刘璐;常健强;王芮-.UNet++和迁移学习相结合的复杂断裂识别方法研究)[J].地球物理学进展,2022(03):1100-1111
A类：
自来屯工区
B类：
UNet++,迁移学习,断裂识别,人工智能技术发展,Convolutional,Neural,Networks,断层识别,难以获得,人工合成,层数,数据训练,断裂系统,系统识别,样本训练,模型微调,网络学习,大港油田,大大减少,误识,地震精细解释
AB值：
0.331327
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。
