典型文献
基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法
文献摘要：
密度测井曲线作为常规测井曲线中的一种,有着丰富的地质信息,通过对其进行分析解释,可以获得地层岩性、岩石密度和岩层孔隙度等参数.然而,在实际获取密度测井曲线的过程中,由于仪器故障、人为因素等原因,不可避免的会出现部分密度测井数据失真甚至缺失的情况.针对这一问题,本文提出一种基于条件生成对抗网络(CGAN)的密度测井曲线重构技术解决上述问题,其中条件生成对抗网络的生成器和鉴别器主要由一维卷积网络(1D-CNN)和门控循环单元网络(GRU)构成.通过条件生成对抗网络(CGAN)的对抗式训练方法可以使网络具有更强的学习能力,更加有效的挖掘出测井序列的长期非线性相关性、历史数据之间的关联性等关系.将该方法应用于实际的测井数据中,并与传统的神经网络方法相对比,结果表明本文提出的方法优于传统的神经网络方法,能够生成更加符合实际情况的曲线.
文献关键词：
密度测井曲线重构;卷积网络;门控循环单元网络;条件生成对抗网络
中图分类号：
作者姓名：
段中钰;吴俣;肖勇;李宸泷
作者机构：
北京信息科技大学信息与通信工程学院,北京 100101
文献出处：
引用格式：
[1]段中钰;吴俣;肖勇;李宸泷-.基于CGAN与CNN-GRU组合模型的密度测井曲线重构方法)[J].地球物理学进展,2022(05):1941-1945
A类：
密度测井曲线重构,对抗式训练
B类：
CGAN,GRU,组合模型,重构方法,常规测井,地质信息,分析解释,地层岩性,岩层,孔隙度,仪器故障,人为因素,测井数据,数据失真,条件生成对抗网络,重构技术,中条,生成器,鉴别器,一维卷积网络,1D,门控循环单元网络,训练方法,挖掘出,非线性相关性,历史数据,神经网络方法,符合实际
AB值：
0.242624
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。
