一、有监督的人工神经网络油气预测(论文文献综述)
何玉荣,宋志超,张燕明,肖元相[1](2021)在《机器学习在水力压裂作业中的应用综述》文中认为水力压裂是一种广泛使用的油气井增产技术,总结机器学习在水力压裂作业中的应用研究,重点讨论机器学习在工程实际中的应用价值。分析经典机器学习算法、机器学习对水力压裂作业中的参数预测与评估以及机器学习对水力压裂作业的产能预测与优化等。讨论机器学习算法辅助水力压裂分析,提高水力压裂产率,并通过机器学习算法将数据转换为可用信息辅助工程师决策。最后提出机器学习在水力压裂作业中的发展方向是建立数据集的公共平台,将机器学习算法、优化算法与物理建模混合使用,为基于机器学习的高效水力压裂技术发展提供支持。
黄家宸,张金川[2](2021)在《机器学习预测油气产量现状》文中研究说明机器学习是一种通用的数据驱动分析方法,也是一个重要的油气大数据分析利用手段。油气勘探开发作为具有悠久历史和庞大数据基础的重要领域,具有很大的数据挖掘潜力。利用油气田大数据分析技术可以帮助决策者进行投资分析、风险评估、生产优化,带来巨大的经济效益。机器学习方法早已被研究人员尝试应用于油气领域相关研究,随着机器学习算法的发展,许多应用场景被不断提出,但针对具体场景的通用方案仍在探索中。笔者从最基本原理着手介绍了机器学习的建模过程,梳理了用于油气田大数据分析的3类主要机器学习方法的发展历史,结合油气田大数据的特点,讨论了油气田大数据分析利用的核心内容、目标及优势,分析了机器学习在油气领域的主要应用场景,总结了目前典型油气产量预测中存在的问题及对策。
陈威[3](2021)在《基于模型的地震反演技术在陆相薄层砂体预测中应用》文中研究表明
祁泉淏[4](2021)在《地下油气管网异常数据识别及智能监测研究》文中进行了进一步梳理地下油气运输管道是一种重要的油气运输装置,在国民经济和建设中发挥着不可或缺的作用。但由于管道中运输的油气属于甲类危险品,具有易燃易爆的特点,且地下环境也相对复杂,导致管道极易发生损伤和破坏,可能造成严重的资源损失和环境污染,甚至带来重大的人身伤亡。目前学术界关于地下油气管网管理的研究,多限于建立其安全评估体系和“事发-预警”类型监测系统,只能被动地降低埋线管道发生事故时的损失,并未充分挖掘油气管道运行数据所蕴含的潜在信息。因此如何运用数据分析及处理技术对地下油气管网各关键节点建立智能在线监测和评估体系,实现对风险的提前预警,是当前需要深入研究的问题。本研究以地下油气管网风险处置的端口前移为目的,结合休哈特控制图理论和概率神经网络(PNN)的特性,融合BP神经网络建立风险判定模型,最终通过挖掘油气管网数据的潜在规律实现对地下油气管网的智能监测。本文的研究工作主要体现在如下四个方面:首先,针对传统地下油气管网“预防-处置”、“事发-预警”的管理模式,利用休哈特控制图筛选异常数据,并结合概率神经网络实时处理数据的特点,通过探测危险源逐步演化的转化行为,实现风险处置端口前移;其次,提出误差反馈型概率神经网络(EF-PNN),通过优化输入层与模式层的权重矩阵改进概率神经网络,同时实现空间复杂度的降低和计算精度的提升,并通过开源数据集算例验证了EF-PNN在计算效率和精度两方面都有显着提升;第三,结合EF-PNN和BP网络,提出新的分类准则。其中将EF-PNN作为前置异常数据划分决策器,并通过将训练数据进行有效划分训练多个BP网络,提高了BP网络处理其对应数据的运算效率和识别精度;最后,应用本系统方法对实际工业中的油气管网数据进行处理,通过结果进一步说明改进模型在实际工业当中应用的有效性。本研究通过管理学思想与机器学习方法结合,为解决地下油气管网设施安全的智能监测提供新方法、新思路,为智能在线预警理论领域提供新的研究方法,为改进机器学习算法处理数据能力提供新的途径。
董新桐[5](2021)在《基于深度学习的复杂陆地地震数据噪声压制方法研究》文中指出地震勘探是油气藏资源开发的重要手段之一。与其他物探方法(重、磁、电)相比,地震勘探可以更加精准、详细地刻画整套地层的构造信息,因此其被广泛应用于国内外众多大型油气田的开发。近年来,由于油气勘探重点逐渐转向复杂油气藏开发、探测深度进一步加深以及非常规地区油气开发等一系列因素,实际获取的地震资料的质量不是十分理想。具体来说,反射有效信号经常受到大量规则和不规则噪声的干扰,难以识别。这些噪声严重影响地震资料的信噪比和分辨率,给后期的反演、成像、解释以及最终的油气勘探带来了巨大的困难。如何压制地震资料中的背景噪声、恢复有效信号,进而提升地震资料的整体质量是一个有待解决的技术问题。深度学习是一种从数据本征出发、基于海量训练数据驱动的数据处理技术,它可以更加有效地处理一些常规机器学习难以处理的高维、冗杂、高噪的复杂数据。深度学习中最具代表性的技术便是卷积神经网络(convolutional neural network;CNN);它可以通过多次卷积运算提取数据的内在高维特征,具有局部感知以及权值共享两大显着优势。近年来,CNN在图像去噪、图像超分辨重构、模式识别、自动驾驶、数据融合、数据增强等诸多领域取得了较好的应用效果,但现阶段CNN在地震资料处理中的应用还相对较少,其巨大的应用潜力尚待挖掘。针对两种复杂地震资料:塔里木地区沙漠地面地震资料以及分布式光纤传感器(distributed optical fiber acoustic sensor;DAS)地震资料,本文开展基于CNN的地震资料消噪技术研究,利用网络训练、损失误差最小化、多种损失并重、正演模拟、同时结合低秩方法以及高阶统计量判定等手段分别为上述两种复杂地震资料构建针对性基于深度学习的消噪模型,建立含噪地震资料到去噪地震资料的最优非线性映射关系,并通过模拟和实际实验验证深度学习方法在地震资料去噪中的有效性。在塔里木地区的沙漠地面地震勘探中,有效信号往往受到大量不规则随机噪声以及规则面波干扰,整个地震资料通常表现为低信噪比(signal-to-noise ratio;SNR);此外,有效信号、随机噪声以及面波在低频段存在严重的频谱混叠现象。针对该地震资料的噪声压制问题,本文以在图像去噪中表现优异的前馈去噪卷积神经网络(feed-forward denoising convolutional neural network;DnCNNs)为基础,利用高阶统计量判定为DnCNNs构建适合沙漠地震资料去噪的自适应训练集,同时通过SNR和均方根误差(root mean square error;RMSE)的最优化选取合适的网络深度以及训练块大小,最终实现随机噪声和面波的彻底压制以及有效信号的完整恢复。此外,当网络深度达到一定程度时,DnCNNs会出现过拟合现象。为了进一步增强其去噪表现,我们将DnCNNs与鲁棒主成分分析(robust principal component analysis;RPCA)相结合。RPCA是一种基于核范数最小化的低秩矩阵分解方法,它可以通过降低含噪数据的秩实现噪声压制与信号的恢复。我们利用RPCA分解得到含噪沙漠地震资料的最优低秩矩阵和稀疏矩阵;并通过基于DnCNNs的有效信号预测模型得到两个矩阵中的有效信号。这样通过RPCA分解“变相”加深网络的深度,从而进一步提升DnCNNs的去噪表现。DAS是一种新型光纤地震检波器。与传统电子检波器相比,它具有高空间分辨率、方便长期大规模布设、高性价比、抗电磁干扰等诸多优势。但是,在DAS接收的实际地震资料中,背景噪声能量往往要明显强于有效信号,整个DAS地震资料的SNR较低。此外,DAS地震资料中背景噪声包括光缆与接收面之间不良耦合所造成的强相干噪声以及DAS本身的光学仪器噪声,这两类噪声是全新的地震背景噪声,在传统动圈检波器接收的地震资料中从未出现。针对DAS地震资料的消噪问题,本文提出两个针对性的降噪神经网络。其一,我们采用生成对抗网络(generative adversarial network;GAN)的基本思路,利用去噪器和鉴别器共同组成卷积对抗去噪网络(convolutional adversarial denoising network;CAND);在CADN中,将去噪器的均方误差损失和去噪器与鉴别器之间的对抗损失相结合,通过多次测试确定两种损失的最优权重关系,进而构建全新损失函数;最终通过损失函数最小化实现去噪器参数的最优化,利用优化之后的去噪器预测DAS地震资料中的有效信号,进而实现信噪分离。其二,我们利用卷积单元、批标准化单元、泄露线性整流单元、残差学习共同组成CNN的基本网络框架,利用地球物理方法正演模拟和被动源数据分别构建高真实性的DAS有效信号训练集和噪声集;同时在损失函数中引入能量比矩阵增强网络对于不同SNR的DAS地震数据的适应能力;最终实现在低SNR、复杂背景噪声下有效信号的完整恢复。本文以CNN为基础,针对两种复杂地震资料的消噪问题,构建对应的消噪策略。模拟与实际试验均表明本文提出这些基于深度学习的降噪方法能够有效压制多种复杂地震背景噪声,同时实现低SNR条件下有效信号的完整恢复,进而为后期的反演、精细成像、地震属性分析等工作打下坚实的基础。
李默[6](2021)在《地震勘探数据的噪声消减算法研究》文中指出能源矿产是人类赖以生存和发展的重要物质基础之一,攸关国计民生和国家安全。推动能源地质勘探和开发利用方式变革,对于保障我国经济社会可持续发展具有重要的战略意义。随着油气勘探领域的发展,以及油气勘探的不断深入,近年来全球油气资源勘探的重点已转向对复杂油气藏地区和非常规油气的开采。这使得地震勘探获得的数据存在严重的噪声污染问题。噪声污染会降低地震资料的信噪比、加大地震资料处理技术的难度并且影响后续的地震资料解释,并最终影响油气判断。因此,对野外采集得到的原始地震数据进行降噪处理方法研究,使得地震数据的质量得到保证,已经成为当前相关领域下的迫切要求。本文基于时频分析算法和机器学习理论,以沙漠地区地震勘探数据中的噪声压制和低信噪比的地面微地震数据噪声消减为研究对象,构建了相应的去噪策略。油气资源对于国民经济发展有重要作用,被沙漠覆盖的塔里木盆地作为我国最大的油气后备基地,是目前最为重要的地震勘探地区。文章首先对沙漠环境地震勘探中噪声的一些特性进行了分析介绍,沙漠地区地震勘探资料中的噪声具有非平稳、非高斯、非线性、频率低的特性,此外,低频噪声与有效信号频带大量重叠,以上这些原因导致沙漠地区噪声压制比较困难。因此,单一的滤波技术已经难以应对复杂低品质沙漠地震资料的处理。为了有效提取低品质地震资料中的微弱地震信号,亟待寻求新的技术和方法来更加准确的提取地震信号,提高信噪比。经验曲波变换是一种全新的时频分析算法,结合了经验模态分解的自适应性和多尺度几何分析的理论框架。本文提出了一种基于经验曲波变换的沙漠低频噪声消减的方法。该方法首先对沙漠地震信号的傅里叶频谱进行分割,再自适应的构建滤波器组,从而获得若干尺度和方向的经验曲波系数,对经验曲波变换各尺度方向系数的能量谱的分布进行分析,将系数分为信号集中子带和噪声集中子带。对于有效信号集中的子带,利用相干增强各项向异性扩散滤波器处理;对于随机噪声集中的子带,利用阈值处理。通过对系数的细化分类处理,最终使得信号与噪声分离。针对沙漠地震勘探信号中的噪声,本文提出了一种新的去噪思路,在改善滤波性能的同时,需要预先考虑有效同相轴的形态以及空间分布位置,将同相轴定位与滤波相结合的技术将成为地震信号处理领域的新视觉。支持向量机是一种基于VC维(Vapnik-Chervonenkis Dimension)理论与结构风险最小化的机器学习算法,通过在模型复杂度与学习能力之间寻找最佳折中,以获得较高的泛化性能。支持向量机利用核函数将低维的输入空间数据映射到高维特征空间,将低维线性不可分的问题在高维空间下变得线性可分。本文提出一种利用改进粒子群优化支持向量机的定位消噪系统。该方法首先根据有效信号和噪声在相关性上的差异作为分类特征,利用改进粒子群优化支持向量机的方法检测反射同相轴的空间位置。再利用二阶全变分模型对有效信号部分进行去噪,从而实现强噪声背景下沙漠地带有效信号同相轴空间位置和形态的无损伤定位及同相轴噪声消减处理。该算法在模拟沙漠地区地震勘探数据实验和实际沙漠地区获取的地震勘探数据实验中,均取得了理想的去噪效果。在前述算法中,是通过大量的实验筛选方式来选取特征向量的,为了解决人工特征提取效率低的问题,本文对沙漠地区地震数据的特征提取问题进行了进一步的研究。近年来,无监督特征学习被认为是人工设计特征表示的切实可行的替代品。甚至在一些信号处理任务中,所学习到的特征优于针对具体任务而专门设计的特征。因此,提出了一种基于无监督特征提取和时频分析技术相结合的沙漠地震信号去噪模型。该模型首先利用变分模态分解法对沙漠地震信号进行分解,然后将各模态送入无监督特征提取器进行特征提取,最后通过分类器将沙漠地震数据分为有效信号和噪声两部分,选择有效信号部分进行信号重构。模拟数据实验和实际数据实验均表明该去噪算法可以有效的去除沙漠低频噪声保留有效信号。接下来,本文对微地震资料的噪声压制算法进行了研究。随着非常规油气成为全球油气资源勘探开发的新热点。非常规油气资源在我国储量丰富,具有巨大的勘探远景,微地震监测技术以其独有的优势成为非常规油气开采的重要手段。微地震监测技术就是通过观测、分析生产活动中的所产生的微小地震事件来监测生产活动的影响、效果及地下状态的地球物理技术。微地震事件的能量通常介于里氏-3到+1级,而压裂施工现场噪声较强,微地震信号很容易受到其周围噪声的影响或遮蔽,因此采集到的微地震资料具有能量弱,噪声强的特点,常规的滤波方法难以对其进行处理。Shearlet变换是一种新型多尺度几何分析理论,也是多维函数的一种接近最优的稀疏表示方法,具有多分辨率、多尺度化、多方向性和时频局部性的特点,因而能够检测、定位、表示和处理二维及更高维数据。本文基于Shearlet变换理论,充分利用微地震反射信号的时空特征以及在Shearlet域中与随机噪声的差异,构建最优的Shearlet变换域系数重建算法,本文通过微地震有效信号与随机噪声具有不同的奇异性,即在同一方向上,有效信号的Shearlet系数模极大值随着尺度的增大而增大,而随机噪声的模极大值随着尺度的增大而减小,根据这一差异,实现强噪声背景下有效微地震信号的恢复。仿真数据实验和实际微地震勘探数据实验均表明,该算法能够在信噪比较低的微地震资料中恢复出微地震信号。本文深入研究了经验曲波变换、变分模态分解和Shearlet变换这三种时频分析算法,构建了一系列优化滤波方案,另外文章还探讨了机器学习算法,包括有监督的支持向量机算法和无监督的稀疏滤波特征提取算法,建立了一套沙漠地区的地震信号同相轴定位识别的策略,有效的提高了数据的信噪比。为沙漠地震勘探以及微地震勘探应用于石油勘探提供了可靠有力的技术支撑。
李宁,徐彬森,武宏亮,冯周,李雨生,王克文,刘鹏[7](2021)在《人工智能在测井地层评价中的应用现状及前景》文中研究说明测井是求取储层物性参数、发现与评价油气藏、预测油气储量的重要手段。测井技术更新换代、测井技术种类发展多样化、测井数据管理方式多元化等多重因素导致测井信息具有测量种类多、数据量大和多源异构等大数据特征。人工智能技术的快速发展为解决测井地层评价中的多解性、不确定性等难题提供了新的思路和方法,"测井+人工智能"也是一个亟待探索的新领域。在系统回顾人工智能在测井领域的研究现状和进展基础上,重点讨论了有监督机器学习和半监督机器学习、神经网络和深度学习等人工智能技术在测井曲线重构、岩相预测和物性参数计算等测井地层评价中的应用。受样本数量有限、处理流程不完善和自我调节能力较差等因素制约,人工智能在流体研究、储层综合评价等测井领域具有较大的发展空间和广阔的应用前景。
梁晓斌[8](2020)在《天然气管道缺陷的智能诊断与风险评估方法研究》文中进行了进一步梳理围绕室内管道与现场管道所采集的磁涡流缺陷数据开展了信号降噪、特征提取、无监督智能诊断和有监督智能诊断的研究。同时由于煤矿采空区管道风险状态难以估计,本文利用风险评估技术对复杂条件下煤矿采空区天然气管道的风险状态进行了深入分析。论文的主要研究内容如下:1.为解决传统降噪方法难以有效去除磁涡流信号噪声的问题,本文构建了基于自适应噪声完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)-最大均方差准则(Maximum Mean Square Variance Criterion,MMSVC)-自适应软阈值(Adaptive Soft Threshold,AST)的降噪体系。该体系通过加入自适应噪声进一步减小了模态效应,MMSVC能够很好地区分固有模态函数(Intrinsic Mode Function,IMF)内的主噪声IMF和主信号IMF,AST可以根据不同的能量分布进行自适应阈值降噪。为验证所提方法的降噪效果,对不同信噪比下的Bumps信号、Doppler信号、Blocks信号、Heavy Sine信号进行了降噪性能测试,并与其他方法进行对比,验证了CEEMDAN-MMSVC-AST降噪体系的优越性能。2.磁涡流信号特征提取的好坏某种程度上决定了后续诊断的精确度。在未知任何先验知识的条件下,为充分提取磁涡流信号中的有效特征,采用了基于时域特征和频域特征的经典分析法,利用主元分析法(Principal Component Analysis,PCA)对22个特征参数进行降维,获取了累计贡献率达到95%的6个主要特征。在已知先验知识的条件下,提出了基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)-相关系数法(Correlation Coefficient Method,CCM)-样本熵(Sample Entropy,SE)的特征提取模型,通过分析与原始信号具有高关联性的IMF差异性,实现不同类型信号的有效区分。3.预先获取未知现场管道缺陷类型的复杂度能够为检测人员的快速诊断指明方向。本文利用基于密度峰值算法(Clustering by Fast Search and Find of Density Peaks,CFSFDP)的方法进行聚类,提出了基于综合系数曲线最大平均变化率的聚类数量选取方法,确定了未知缺陷类型数据的最佳聚类数,实现对无监督类数据的准确聚类。4.传统的花朵授粉算法对反向传播(Back Propagation,BP)网络的优化能力不足。本文提出了基于综合对立算子和无限折叠混沌映射的改进花朵授粉算法,综合对立算子提升了花朵授粉算法的探索能力,无限折叠混沌映射拓展了花朵授粉算法的全局搜索范围。形成了基于改进花朵授粉算法和BP神经网络的高精度智能诊断模型,解决了常规BP神经网络难以有效识别天然气管道缺陷类型的问题。将该智能诊断模型应用于天然气管道未知标签的缺陷识别,验证和分析了该优化模型识别缺陷信号的能力以及工程应用的潜能。5.复杂条件下煤矿采空区管道的风险评估研究很少。本文结合取样回收的多步逆向云变换算法和结构熵权法,建立了适用于煤矿采空区管道的综合风险评估模型。该风险评估模型由两部分组成,一方面,建立了一个简化的快速风险评估模型,一旦关键风险因素出现立即被确定为高风险水平。另一方面,提出了一种综合风险评估方法,并被应用于确定最终的具体风险评估结果。在对某煤矿采空区管道的实地勘察后,利用现场获取的管道及采空区的具体参数信息,对该综合风险评估模型的有效性进行了验证。
王博睿[9](2020)在《机器学习算法在断层识别及地震相波形分类中的应用探讨》文中研究指明随着机器学习方法的不断发展与完善,涌现出了一股以深度学习为首的人工智能浪潮。以卷积神经网络为代表的深度学习方法在图像识别、语义识别等热门人工智能领域大放异彩,也吸引了地震勘探领域的研究者们的兴趣。地震资料解释是地震勘探的重要组成部分,而断层解释与地震相分析是地震资料解释的重要内容。机器学习算法目前在地震资料解释中的应用主要体现在两个方面:实现自动化,提高效率,如断层自动识别,地震相自动分析等;发挥机器算法的“智能化”特点,探索解决一些超越人工解释的效果和精度,如地震属性分析和地震反演等。因此,机器学习算法在断层解释和地震相分析方面可以发挥重要作用。本文是基于相关科研项目中对解决潜山内幕小尺度断裂精细刻画以及复杂地质条件下的地震相分析的需求而确立的。主要针对于深度学习方法在断层识别和地震相分析中的适用性及应用效果展开研究,重点探讨了各种深度学习网络模型的构建与训练、参数的调节,标签数据的产生及有效性、解决过拟合等一些算法方面的问题;探讨了针对不同的应用目的,如何建立深度学习算法模型及方法应用效果等问题。通过本次研究,提高了对深度学习算法中网络模型构建与误差反传机制等关键问题的认识;基于python语言和Tensor Flow框架实现了断层识别和地震相波形分类的卷积神经网络(CNN)计算;改进了CNN网络模型的上采样结构,在不降低识别结果精度的前提下简化了网络结构,使用了残差学习模块对卷积层结构做出改进,通过增加惩罚系数改进了原有损失函数,提高了深度学习网络的泛化能力;通过实际资料的应用表明,基于CNN算法的断层识别精度得到了提高;通过结合有监督与无监督学习各自的特点与优点,建立起有监督与无监督联合的深度学习波形分类方法,在实际资料的应用中提高了地震相分析的可靠性。
马媛媛[10](2020)在《基于机器学习的数据解释和反演方法研究》文中提出随着数据体量及种类的爆炸式增长,油气勘探过程中的地球物理问题已逐渐超出了常规方法技术的能力范围。计算机技术和人工智能的崛起,使得机器学习方法渗透到油气勘探开发的各个环节,带来了新的机遇和挑战。本文主要以机器学习方法为基础,围绕地球物理勘探中的分类问题和回归问题展开研究,主要包括初至波拾取、测井岩性识别和地震反演三个方向。针对初至波拾取问题,提出了一种U-Net网络结构的自动拾取方法。根据地震数据特征改进了U-Net网络结构;引入空间信息约束,使用二维地震数据进行模型训练,以减少异常值,获得更加稳定的拾取结果;实际资料测试表明,该方法的拾取精度明显优于传统的能量比法和同类机器学习算法,可纠正人工拾取过程中的人为误差;同时,该方法在低信噪比情况下仍可获得准确、稳定、高效的拾取结果,具有一定的实际应用价值。针对测井岩性解释问题,首先对比分析了多种监督学习算法在岩性识别中的应用效果,说明了集成学习类监督学习算法的优越性;针对小样本量情况,改进半监督学习方法,通过数据扩充来避免过拟合,同时在损失函数中引入与未标记数据相关的项,提高模型对陌生数据的泛化能力;实际资料测试表明,改进后半监督学习方法的岩性识别精度明显高于监督学习算法,与人工解释结果更加吻合,同时能够有效减少人力成本。针对地震反演问题,提出了自动更新和扩充训练集的学习和反演策略,该方法选取井旁地震道作为初始训练集,并从井位出发逐次向远距离进行学习和反演,能够有效解决地震反演过程中标签样本量小这一问题;根据褶积模型,提出了基于数据扩充的训练数据集构建方法,以减小训练模型偏差;基于反距离夹角加权算法计算井权重,引入方位角因素,充分考虑井与井之间的遮挡效应,以获得更加合理的井位权重分布。模型测试与实际资料证明,该方法能够获得高精度的波阻抗反演结果,帮助准确刻画河道砂体分布,体现薄砂体储层横向展布规律和横向不连续特征,反演结果与井资料吻合度高,为储层预测提供可靠依据。
二、有监督的人工神经网络油气预测(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、有监督的人工神经网络油气预测(论文提纲范文)
(1)机器学习在水力压裂作业中的应用综述(论文提纲范文)
1 经典机器学习算法 |
1.1 线性回归 |
1.2 树型算法 |
1.3 神经网络 |
2 机器学习在水力压裂作业中的应用 |
2.1 水力压裂作业中参数预测与评估 |
2.2 水力压裂作业中产能预测与优化 |
3 结论与展望 |
(2)机器学习预测油气产量现状(论文提纲范文)
1 机器学习原理及分类 |
2 油气田大数据分析利用的特点与方法 |
2.1 油气田大数据的特点及其分析利用的内容与目标 |
2.2 数据驱动模型在油气田大数据分析中的优势 |
3 机器学习在油气领域的主要应用场景 |
4 基于机器学习的油气产量预测的现状、问题及对策 |
4.1 研究现状 |
4.2 存在问题 |
4.3 解决对策 |
(4)地下油气管网异常数据识别及智能监测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 地下油气管网监测的研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 相关研究现状 |
1.2.1 监测地下油气管网方法 |
1.2.2 地下油气管网应急事故的处置 |
1.3 研究方法与研究框架 |
1.4 论文创新点 |
2 地下油气管网数据的智能监测方法 |
2.1 地下油气管网的数据问题 |
2.2 地下油气管网数据监测方法 |
2.2.1 常用监测方法 |
2.2.2 监测方法存在的问题 |
2.3 地下油气管网数据在线监测方法 |
2.3.1 地下油气管网数据特征 |
2.3.2 休哈特控制图理论 |
2.3.3 BP网络原理与应用 |
2.3.4 BP网络存在的问题 |
2.4 本章小结 |
3 实时在线的数据划分决策器 |
3.1 概率神经网络相关特性 |
3.1.1 概率神经网络的原理 |
3.1.2 概率神经网络处理地下油气管道数据的特性 |
3.1.3 概率神经网络相关研究现状 |
3.2 误差反馈型概率神经网络 |
3.3 EF-PNN开源数据集验证算例 |
3.4 本章小结 |
4 PNN-BP网络结构 |
4.1 PNN-BP网络的模型搭建 |
4.2 开源数据集验证算例 |
4.3 聚类划分处理BP网络回归 |
4.3.1 聚类算法前置处理原始数据 |
4.3.2 k-means聚类实现BP网络回归过程 |
4.3.3 开源数据集验证算例 |
4.4 本章小结 |
5 实际工业中油气管网应用实例 |
5.1 实际工业案例 |
5.2 案例模型计算 |
5.3 地下油气管网智能监测技术路线 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(5)基于深度学习的复杂陆地地震数据噪声压制方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.2 陆地地震背景噪声分类及特征 |
1.3 国内外地震资料去噪方法研究现状 |
1.4 本文主要工作以及章结安排 |
1.4.1 主要工作 |
1.4.2 章节安排 |
第2章 背景知识介绍 |
2.1 地震勘探基本原理 |
2.1.1 地震勘探基本流程 |
2.1.2 地震波传播规律以及波阻抗定义 |
2.1.3 一次反射地震波时距方程推导 |
2.2 CNN基本知识介绍 |
2.2.1 CNN发展历程 |
2.2.2 CNN常用功能单元 |
2.2.3 常用损失函数 |
2.2.4 CNN的两大优势 |
2.3 传统地震资料去噪方法原理简介 |
2.3.1 shearlet变换基本原理 |
2.3.2 EMD基本原理 |
2.4 去噪效果衡量参数定义 |
第3章 基于自适应DnCNNs的沙漠地震数据消噪研究 |
3.1 沙漠地面地震资料特点及主要噪声干扰 |
3.2 DnCNNs基本结构 |
3.3 自适应DnCNNs基本原理 |
3.3.1 去噪基本原理 |
3.3.2 基于高阶统计量判定的自适应训练集构建 |
3.3.3 自适应DnCNNs网络参数设置以及网络训练流程 |
3.4 自适应DnCNNs模拟实验结果对比与分析 |
3.4.1 模拟仿真记录处理结果分析与对比 |
3.4.2 频域分析 |
3.4.3 多SNR测试实验 |
3.4.4 噪声集重要性检验 |
3.5 实际沙漠地震共炮点记录处理结果对比与分析 |
3.6 本章小结 |
第4章 基于神经网络预测的改进RPCA沙漠地震资料消噪研究 |
4.1 RPCA基本原理 |
4.2 基于神经网络预测的改进RPCA |
4.2.1 改进RPCA降噪原理 |
4.2.2 训练集构建及有效信号预测模型训练流程 |
4.3 基于去噪参数最优化的网络超参数设定 |
4.4 模拟仿真实验结果分析与对比 |
4.4.1 有效信号预测 |
4.4.2 改进RPCA模拟沙漠地震记录去噪结果与对比 |
4.4.3 有效信号保护能力对比 |
4.4.4 F-K谱图对比 |
4.4.5 多SNR鲁棒性检验 |
4.5 实际沙漠共炮点记录处理结果对比与分析 |
4.6 本章小结 |
第5章 基于CADN的 DAS地震数据噪声压制技术研究 |
5.1 DAS原理及数据特点简介 |
5.2 CADN基本结构 |
5.2.1 对抗思想 |
5.2.2 网络基本架构 |
5.2.3 去噪器和鉴别器的基本结构 |
5.3 CADN去噪基本原理 |
5.4 基于损失平衡的网络优化体系构建 |
5.5 神经网络设计与网络训练 |
5.5.1 基于正演模拟的数据集构建 |
5.5.2 网络参数设置及训练流程 |
5.6 模拟DAS地震数据测试与分析 |
5.6.1 去噪结果对比与分析 |
5.6.2 上下行波场F-K谱图对比与分析 |
5.6.3 有效信号保护能力对比 |
5.7 实际井中DAS地震数据处理结果 |
5.8 训练集真实性与充足性作用验证 |
5.9 本章小结 |
第6章 基于有监督深度学习DAS-VSP数据噪声压制方法研究 |
6.1 网络基本结构及去噪原理 |
6.2 基于FM的训练集构建 |
6.3 基于ERM的损失函数构建 |
6.4 模拟DAS-VSP数据处理结果分析 |
6.4.1 模拟去噪结果对比 |
6.4.2 单道对比 |
6.4.3 多SNR测试 |
6.5 实际DAS-VSP数据处理结果对比分析 |
6.6 基于FM的训练集优势验证 |
6.7 本章小结 |
第7章 全文总结及未来工作思考 |
7.1 全文总结 |
7.2 未来工作展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(6)地震勘探数据的噪声消减算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外地震数据去噪方法的研究现状 |
1.2.1 沙漠环境地震资料低频噪声压制算法的研究现状 |
1.2.2 微地震勘探随机噪声消减算法的研究现状 |
1.3 时频分析算法概述 |
1.4 机器学习算法概述 |
1.5 评价指标 |
1.6 本文的主要内容及章节安排 |
第2章 基于经验曲波变换的沙漠地震噪声消减算法研究 |
2.1 沙漠地区地震勘探数据介绍 |
2.2 .曲波变换原理 |
2.3 经验曲波变换原理 |
2.4 傅立叶频谱分割方法 |
2.5 基于能量谱分析的经验曲波变换噪声消减算法研究 |
2.5.1 经验曲波系数的能量谱分析 |
2.5.2 相干各向异性扩散滤波器 |
2.6 合成沙漠地震信号实现算法性能分析 |
2.7 实际沙漠地震记录随机噪声压制实验 |
2.8 本章小节 |
第3章 基于改进PSO-SVM的沙漠地震随机噪声消减框架 |
3.1 沙漠地震信号特征提取 |
3.2 改进PSO-SVM算法模型 |
3.2.1 SVM基本原理 |
3.2.2 改进粒子群优化算法 |
3.3 二阶全变分模型 |
3.4 合成地震记录实现算法性能分析 |
3.5 实际沙漠地震勘探记录随机噪声压制实验 |
3.6 本章小节 |
第4章 基于变分模态分解的无监督特征学习沙漠地震信号去噪算法研究 |
4.1 经验模态分解的基本原理 |
4.2 变分模态分解的基本原理 |
4.3 特征学习原理 |
4.3.1 有监督特征学习和无监督特征学习 |
4.3.2 稀疏滤波 |
4.4 合成地震记录实现算法性能分析 |
4.5 实际沙漠地震勘探记录随机噪声压制实验 |
4.6 本章小节 |
第5章 基于Shearlet变换的地面微地震去噪方法研究 |
5.1 地面微地震信号简介 |
5.2 Shearlet变换基本理论 |
5.2.1 连续Shearlet变换 |
5.2.2 离散Shearlet变换 |
5.3 基于Shearlet变换模极大值微地震随机噪声压制算法研究 |
5.3.1 李氏指数 |
5.3.2 Shearlet系数的模极大值及在尺度上的传播特性 |
5.4 合成微地震记录实现算法性能分析 |
5.5 实际微地震地震记录随机噪声压制 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
作者简介及在学期间的科研成果 |
致谢 |
(7)人工智能在测井地层评价中的应用现状及前景(论文提纲范文)
1 人工智能发展现状 |
2 “测井+人工智能”学术研究现状 |
2.1 主题论文发表趋势 |
2.2 主要研究机构论文发表统计 |
2.3 研究热点关键词 |
3 人工智能在测井地层评价的应用现状 |
3.1 重构测井曲线 |
3.1.1 单级测井曲线重构方法 |
3.1.2 多级测井曲线重构方法 |
3.1.3 复合级测井曲线重构 |
3.2 预测岩相 |
3.2.1 有监督学习预测岩相 |
3.2.2 半监督学习预测岩相 |
3.3 计算物性参数 |
3.3.1 有监督浅层机器学习计算物性参数 |
3.3.2 有监督深层机器学习计算物性参数 |
3.3.3 半监督学习计算物性参数 |
4 人工智能在测井领域的发展趋势 |
5 展望与建议 |
(8)天然气管道缺陷的智能诊断与风险评估方法研究(论文提纲范文)
摘要 |
ABSTRACT |
创新点 |
第1章 绪论 |
1.1 研究背景及存在问题 |
1.1.1 研究背景 |
1.1.2 存在问题 |
1.2 研究意义 |
1.3 国内外研究现状及综述 |
1.3.1 信号降噪方法研究现状 |
1.3.2 无监督智能诊断方法研究 |
1.3.3 有监督智能诊断方法研究 |
1.3.4 管道风险评估方法研究 |
1.4 研究目标、研究内容及技术路线 |
1.4.1 研究目标 |
1.4.2 研究内容 |
1.4.3 技术路线 |
第2章 基于CEEMDAN-MMSVC-AST的信号降噪研究 |
2.1 引言 |
2.2 CEEMDAN-MMSVC-AST算法介绍 |
2.2.1 CEEMDAN分解算法 |
2.2.2 最大均方差准则 |
2.2.3 AST降噪方法 |
2.2.4 实现流程 |
2.3 信号降噪评估准则 |
2.4 仿真信号降噪 |
2.4.1 仿真信号CEEMDAN分解 |
2.4.2 IMF噪声分量识别 |
2.4.3 AST降噪与信号重构 |
2.4.4 降噪方法对比 |
2.5 实例分析 |
2.6 本章小结 |
第3章 磁涡流信号的特征提取方法研究 |
3.1 引言 |
3.2 未知先验知识条件下的经典特征提取 |
3.2.1 时域特征指标 |
3.2.2 频域特征指标 |
3.2.3 基于PCA方法的经典特征参数降维 |
3.3 已知先验知识条件下的时频域特征提取 |
3.4 本章小结 |
第4章 基于CFSFDP算法的无监督智能诊断方法研究 |
4.1 引言 |
4.2 CFSFDP算法 |
4.3 基于CFSFDP算法的无监督智能诊断 |
4.3.1 基于综合系数聚类数量的自适应选择 |
4.3.2 基于聚类分析的天然气管道缺陷识别 |
4.4 本章小结 |
第5章 基于IFPA-BP模型的有监督智能诊断研究 |
5.1 引言 |
5.2 花朵授粉算法 |
5.3 一维混沌映射对比 |
5.3.1 逻辑混沌映射 |
5.3.2 正弦混沌映射 |
5.3.3 高斯混沌映射 |
5.3.4 无限折叠迭代混沌映射 |
5.3.5 李亚普诺夫指数比较 |
5.4 综合对立学习策略 |
5.4.1 对立学习 |
5.4.2 近似对立学习 |
5.4.3 近似映射学习 |
5.4.4 延伸对立学习 |
5.4.5 延伸映射学习 |
5.5 改进的花朵授粉算法 |
5.5.1 算法描述 |
5.5.2 仿真试验与结果分析 |
5.6 IFPA-BP网络模型 |
5.6.1 BP神经网络原理 |
5.6.2 IFPA-BP神经网络模型 |
5.7 实例分析 |
5.8 本章小结 |
第6章 复杂条件下煤矿采空区天然气管道的风险评估 |
6.1 引言 |
6.2 综合风险评估模型 |
6.3 结构熵权法 |
6.4 云模型理论 |
6.4.1 正向云变换算法 |
6.4.2 逆向云变换算法 |
6.4.3 基于取样回收的多步逆向云变换 |
6.5 虚拟云模型理论 |
6.6 采空区管道风险划分标准 |
6.7 实例分析 |
6.8 本章小结 |
第7章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
附录A |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
学位论文数据集 |
(9)机器学习算法在断层识别及地震相波形分类中的应用探讨(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及研究意义 |
1.2 国内外研究现状及发展趋势 |
1.2.1 断层识别研究现状及发展趋势 |
1.2.2 地震相分析的研究现状及发展趋势 |
1.3 研究内容和研究思路 |
1.3.1 研究内容 |
1.3.2 研究思路及技术路线 |
1.4 主要成果与认识 |
第2章 机器学习算法理论 |
2.1 传统机器学习算法 |
2.1.1 自组织映射网络 |
2.1.2 K均值聚类 |
2.1.3 支持向量机 |
2.2 机器学习算法中的参数选择及影响分析 |
2.2.1 轮廓系数 |
2.2.2 Calinski-Harabaz指数 |
2.2.3 聚类效果分析 |
2.3 基于深度学习的机器学习算法 |
2.3.1 多层感知机 |
2.3.2 卷积神经网络 |
2.3.3 全卷积神经网络 |
2.4 小结 |
第3章 基于深度学习的断层自动识别方法研究 |
3.1 神经网络模型构建 |
3.1.1 数据处理 |
3.1.2 模型结构 |
3.1.3 反卷积与上采样对比 |
3.2 模型评估 |
3.2.1 损失函数 |
3.2.2 评估指标 |
3.3 结构优化 |
3.4 小结 |
第4章 基于深度学习的波形分类方法研究 |
4.1 数据预处理 |
4.2 模型构建 |
4.2.1 CNN模型结构 |
4.2.2 标签数据制作 |
4.3 模型训练 |
4.4 小结 |
第5章 实际资料应用效果分析 |
5.1 概述 |
5.2 断层识别应用效果分析 |
5.2.1 研究区概况 |
5.2.2 应用效果分析 |
5.3 地震相波形分类应用效果分析 |
5.3.1 研究区概况 |
5.3.2 应用效果分析 |
结论 |
致谢 |
参考文献 |
攻读学位期间取得学术成果 |
(10)基于机器学习的数据解释和反演方法研究(论文提纲范文)
摘要 |
ABSTRACT |
创新点 |
第1章 绪论 |
1.1 研究目的和意义 |
1.2 国内外研究现状 |
1.2.1 机器学习概述 |
1.2.2 地震勘探中的分类问题 |
1.2.3 地震勘探中的回归问题 |
1.2.4 地震勘探中的聚类问题 |
1.3 本文研究内容和研究思路 |
第2章 机器学习理论基础 |
2.1 数据准备 |
2.1.1 数据预处理 |
2.1.2 特征工程 |
2.2 有监督学习方法 |
2.2.1 卷积神经网络结构 |
2.2.2 全卷积神经网络 |
2.3 无监督学习方法 |
2.3.1 聚类分析流程 |
2.3.2 相似度衡量 |
2.3.3 聚类方法分类 |
2.4 模型训练及评估 |
2.4.1 优化算法性能对比 |
2.4.2 超参数选取 |
2.4.3 模型评估指标 |
第3章 基于U-Net的自动化初至拾取 |
3.1 初至波拾取理论与方法 |
3.1.1 常规初至波拾取方法 |
3.1.2 基于机器学习的初至波拾取方法 |
3.2 基于U-Net的微地震P波和S波初至拾取方法 |
3.2.1 基本网络结构及原理 |
3.2.2 数据获取及预处理 |
3.2.3 参数设置及模型训练 |
3.2.4 P波及S波初至拾取 |
3.2.5 参数敏感性及稳定性分析 |
3.3 基于U-Net的二维初至波自动化拾取方法 |
3.3.1 数据准备及模型训练 |
3.3.2 初至波二维自动化拾取 |
3.4 本章小结 |
第4章 基于机器学习的测井岩性识别 |
4.1 工区地质背景 |
4.2 敏感属性分析 |
4.3 基于监督学习的测井岩性识别 |
4.3.1 数据准备 |
4.3.2 方法原理 |
4.3.3 岩性识别及分析 |
4.4 基于半监督学习的测井岩性识别 |
4.4.1 自学习方法原理 |
4.4.2 基于数据扩充的自学习方法 |
4.4.3 岩性识别及分析 |
4.5 本章小结 |
第5章 基于卷积神经网络的波阻抗反演 |
5.1 基于数据驱动的标签数据集构建 |
5.2 神经网络结构及反演算法流程 |
5.2.1 卷积神经网络结构 |
5.2.2 基于反距离夹角加权的井权重计算方法 |
5.2.3 半监督学习反演算法流程 |
5.3 模型测试 |
5.3.1 模型构建 |
5.3.2 反演结果分析 |
5.4 实际资料应用 |
5.4.1 工区地质特征 |
5.4.2 数据准备 |
5.4.3 反演结果分析 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 认识与结论 |
6.2 存在问题及展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
学位论文数据集 |
四、有监督的人工神经网络油气预测(论文参考文献)
- [1]机器学习在水力压裂作业中的应用综述[J]. 何玉荣,宋志超,张燕明,肖元相. 中国石油大学学报(自然科学版), 2021(06)
- [2]机器学习预测油气产量现状[J]. 黄家宸,张金川. 油气藏评价与开发, 2021(04)
- [3]基于模型的地震反演技术在陆相薄层砂体预测中应用[D]. 陈威. 长江大学, 2021
- [4]地下油气管网异常数据识别及智能监测研究[D]. 祁泉淏. 大连理工大学, 2021(02)
- [5]基于深度学习的复杂陆地地震数据噪声压制方法研究[D]. 董新桐. 吉林大学, 2021
- [6]地震勘探数据的噪声消减算法研究[D]. 李默. 吉林大学, 2021
- [7]人工智能在测井地层评价中的应用现状及前景[J]. 李宁,徐彬森,武宏亮,冯周,李雨生,王克文,刘鹏. 石油学报, 2021(04)
- [8]天然气管道缺陷的智能诊断与风险评估方法研究[D]. 梁晓斌. 中国石油大学(北京), 2020(02)
- [9]机器学习算法在断层识别及地震相波形分类中的应用探讨[D]. 王博睿. 成都理工大学, 2020(04)
- [10]基于机器学习的数据解释和反演方法研究[D]. 马媛媛. 中国石油大学(北京), 2020(02)