检索结果-南通市图书馆

基于改进pix2pix GAN的多次波压制算法

在线全文

学校读者我要写书评

暂无评论

石油地球物理勘探 2024年第4期59卷 664-674页

作者：张全吕晓雨雷芩黄懿璇彭博李艳西南石油大学计算机科学学院四川成都610500 西南石油大学智能油气实验室四川成都610500 油气藏地质及开发工程国家重点实验室(西南石油大学) 四川成都610500

有效压制地震多次波是地震资料处理过程中的重要环节,尽管已有多种多次波压制方法,但是传统的多次波压制方法依赖先验地质构造信息且需要大量的计算,导致多次波压制效率较低,对于复杂地质条件下的多次波压制更具挑战。为此,提出将改进pi... 详细信息

有效压制地震多次波是地震资料处理过程中的重要环节,尽管已有多种多次波压制方法,但是传统的多次波压制方法依赖先验地质构造信息且需要大量的计算,导致多次波压制效率较低,对于复杂地质条件下的多次波压制更具挑战。为此,提出将改进pix2pix GAN运用于多次波压制问题中,利用神经网络的特征学习能力,提高多次压制波的精度。这种改进的pix2pix GAN结合ResNet与U-Net作为网络的生成器,以避免深层网络引起的梯度消失或梯度爆炸现象。并在生成器中引入SE注意力机制,改进的生成器能够更好的感知地震波中一次波与多次波的特征,提升生成器性能。此外,使用多尺度判别器对更精细的地震图像细节特征和纹理信息做出真假判别。网络的输入为全波场数据,标签为一次波数据,使用两个简单地层模型和一个公开的Sigbee2B模型合成的数据集训练网络。实验结果表明,改进的pix2pix GAN比pix2pix GAN的多次波压制效果更好;网络训练一旦完成,即可有效提升多次波压制速度。

关键词：多次波消除深度学习注意力机制 ResNet Sigbee2B

可解释机器学习在油气领域人工智能中的研究进展与应用展望

在线全文

学校读者我要写书评

暂无评论

天然气工业 2024年第9期44卷 114-126页

作者：闵超文国权李小刚赵大志李昆成西南石油大学理学院西南石油大学人工智能研究院油气藏地质及开发工程全国重点实验室·西南石油大学

人工智能作为战略性新兴产业及新质生产力正迅速地渗透入油气领域,并有望成为行业发展的新引擎和制高点。“黑盒”的机器学习模型缺乏透明度和可解释性,导致现有机器学习方法在油气领域的认可度和信任度不高,制约了以机器学习为核心的... 详细信息

人工智能作为战略性新兴产业及新质生产力正迅速地渗透入油气领域,并有望成为行业发展的新引擎和制高点。“黑盒”的机器学习模型缺乏透明度和可解释性,导致现有机器学习方法在油气领域的认可度和信任度不高,制约了以机器学习为核心的人工智能在油气田中的融合和发展。为此,系统介绍了可解释机器学习方法在油气田勘探开发过程的研究现状,阐述了机器学习模型的可解释性是促进油气领域人工智能大规模应用的关键,以及事后可解释方法在油气机器学习方法上的局限性,并对技术的应用进行了展望。研究结果表明:(1)利用Shapley加性解释(SHAP)和模型无关局部解释(LIME)等事后可解释方法进行煤层气产能主控因素实例验证,指出了可解释的油气田特征指标还不足以完全指导可解释模型的构建和分析,需要基于本质可解释思路建立符合油气田勘探开发自身特点的本质可解释机器学习方法;(2)利用机理模型、因果推断和反事实解释等本质可解释方法,分析油气田数据和模型参数之间的因果关系,构建了本质可解释机器学习方法;(3)选取典型煤层气压裂数据进行产能预测实例验证,发现因果推断能有效挖掘地质参数、施工参数和产能之间的本质关系,且基于因果关系建立的机器学习模型可以实现预测泛化性能提升。结论认为,基于事后可解释和本质可解释机器学习方法不仅是未来油气领域人工智能发展的必然趋势,而且是解决人工智能在油气领域现场落地的“瓶颈”问题及关键技术。

关键词：油气田勘探开发人工智能机器学习可解释机器学习事后可解释本质可解释

基于图卷积门控循环单元网络模型的交通速度预测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2024年第2期41卷 109-116页

作者：谌贵辉彭娇李忠兵陈伍刘会康韩春阳刘安东西南石油大学工程学院四川南充637001 西南石油大学电气信息学院四川成都610500

准确的交通预测能够有效解决交通堵塞和环境污染等问题,然而现有预测方法无法充分表征交通数据的特征。针对以上问题,提出一种序列到序列图卷积门控循环单元(Seq2Seq-GCGRU)模型,用于提取交通速度的时空特性和预测。模型由三部分组成,... 详细信息

准确的交通预测能够有效解决交通堵塞和环境污染等问题,然而现有预测方法无法充分表征交通数据的特征。针对以上问题,提出一种序列到序列图卷积门控循环单元(Seq2Seq-GCGRU)模型,用于提取交通速度的时空特性和预测。模型由三部分组成,分别用于建模带有时间偏移的交通速度周周期、日周期及临近期信息,还提出一种新的seq2seq训练方法以克服已有方法不适用于时间序列的缺陷。实验结果表明,对比其他常见的交通流预测模型,所提算法具有更高的预测精度,均方根误差(RMSE)与平均绝对误差(MAE)指标至少分别降低25%和24%。

关键词：交通速度预测图卷积序列到序列时空相关性

在线全文

学校读者我要写书评

暂无评论

基于融合多模态特征的深层煤岩气产量预测

天然气工业 2024年第10期44卷 140-149页

作者：郭子熙张舒马骉康芸玮李曙光陈东陈怡羽陈博文赵金洲油气藏地质及开发工程全国重点实验室·西南石油大学清华大学数学科学系西南石油大学计算机与软件学院北京市100084 四川省油气勘探开发智能化工程研究中心数据挖掘与知识管理南充市重点实验室·西南石油大学中国石油集团川庆钻探工程有限公司井下作业公司西南石油大学理学院中国石油煤层气有限责任公司中联煤层气国家工程研究中心中国石油西南油气田公司

深层煤岩气生产在井型、压裂工艺、排采方式等方面显著区别于浅层煤层气,针对浅层煤层气建立的产量预测模型无法处理多元异构的深层煤岩气数据,且难以适应深层煤岩气的生产方式。为此,基于卷积自编码结合空间金字塔池化提取深层煤岩气... 详细信息

深层煤岩气生产在井型、压裂工艺、排采方式等方面显著区别于浅层煤层气,针对浅层煤层气建立的产量预测模型无法处理多元异构的深层煤岩气数据,且难以适应深层煤岩气的生产方式。为此,基于卷积自编码结合空间金字塔池化提取深层煤岩气二维地质特征,采用PointNet++提取深层煤岩气缝网三维特征,拼接得到的完整数据矩阵再经近邻传播法(Affinity Propagation,AP)聚类后划分训练集和测试集,最后将注意力机制融入长短时记忆网络(Long Short-Term Memory,LSTM)建模,建立了预测深层煤岩气产量的深度学习新模型并通过不同算法和消融实验对比分析了新模型的泛化能力。研究结果表明:①提出的特征提取方法能够有效解决深层煤岩气数据多元异构、多尺度等问题。②对比深度神经网络(Deep Neural Networks,DNN)、门控循环单元(Gated Recurrent Unit,GRU)、LSTM、数值模拟、BP神经网络,融入三维特征提取及注意力机制的AP-LSTM预测产量的准确率最高。③融入三维特征提取,AP-LSTM预测产量的数据波动得到有效抑制;融入注意力机制,AP-LSTM预测产量的趋势得到改善。④基于研究区块建立的模型迁移到新的区块预测产量,仍具备较高的准确率。结论认为,缝网特征是影响深层煤岩气产量的重要因素,注意力机制有助于AP-LSTM区分自喷和抽吸,融入三维特征提取及注意力机制的AP-LSTM适应了深层煤岩气的生产方式,具有良好的普适性,能够为深层煤岩气规模化开发提供技术支撑。

关键词：深层煤岩气深度学习长短时记忆网络三维特征提取注意力机制产量预测

在线全文

学校读者我要写书评

暂无评论

基于布尔矩阵分解和神经网络的多标签学习

昆明理工大学学报（自然科学版） 2024年第2期49卷 49-61页

作者：霍一帆王轩董小铭于洪闵帆西南石油大学计算机与软件学院四川成都610500 西南石油大学网络与信息化中心四川成都610500 西南石油大学理学院四川成都610500 重庆邮电大学计算智能重庆市重点实验室重庆400065 西南石油大学机器学习研究中心四川成都610500

在多标签学习中,利用标签相关性提升预测性能是研究重点.基于矩阵分解的方法通过构建潜在标签,获得从数据到标签空间更本质的映射.然而,实数矩阵分解缺乏语义解释,且常用的线性映射拟合能力有限.因此,本文提出了一种基于布尔矩阵分解和... 详细信息

在多标签学习中,利用标签相关性提升预测性能是研究重点.基于矩阵分解的方法通过构建潜在标签,获得从数据到标签空间更本质的映射.然而,实数矩阵分解缺乏语义解释,且常用的线性映射拟合能力有限.因此,本文提出了一种基于布尔矩阵分解和神经网络的多标签学习方法MLBF.具体而言,布尔矩阵维持了标签关于有/无的语义特征,利用所提出的启发式分解算法效率高且效果好;神经网络提供非线性的拟合能力,且有效利用并行计算资源以应对大数据集.本研究在13个基准数据集上进行了实验,采用了8种流行的算法进行比较,并通过5个常用指标对它们进行了评估.实验结果表明,MLBF在这些指标的平均排名分别为1.92,2.5,2.38,2.23,2.46.

关键词：布尔矩阵分解多标签学习神经网络

深度学习在油气产量预测中的研究进展与技术展望

在线全文

学校读者我要写书评

暂无评论

天然气工业 2024年第9期44卷 88-98页

作者：郭子熙马骉张帅张舒邓慧陈东陈怡羽周嵩锴清华大学数学科学系油气藏地质及开发工程全国重点实验室•西南石油大学中国石油集团川庆钻探工程有限公司井下作业公司西南石油大学计算机与软件学院四川省油气勘探开发智能化工程研究中心数据挖掘与知识管理南充市重点实验室•西南石油大学中联煤层气国家工程研究中心中石油煤层气有限责任公司中国石油化工股份有限公司中原油田普光分公司

随着大数据和人工智能的不断进步,数字和智能化的油气产量预测技术已经成为石油天然气行业发展的新趋势。深度学习与油气产量预测的有效结合为解决非常规油气和复杂场景下的产量预测等问题提供了新的方案与策略。为此,在系统回顾油气产... 详细信息

随着大数据和人工智能的不断进步,数字和智能化的油气产量预测技术已经成为石油天然气行业发展的新趋势。深度学习与油气产量预测的有效结合为解决非常规油气和复杂场景下的产量预测等问题提供了新的方案与策略。为此,在系统回顾油气产量预测技术发展历程的基础上,重点阐述了基于深度学习方法的油气产量预测技术的应用现状及关键流程,归纳了油气产量预测领域的特征工程以及不同场景下的神经网络构建方法,最后深入探讨了智能油气产量预测技术的未来发展方向。研究结果表明:(1)油气产量预测技术发展历程主要划分为传统油气产量预测方法、机器学习方法和深度学习方法 3个阶段;(2)深度学习方法已大量应用于油气产量预测研究中,尤其在复杂地质条件下的非常规油气领域,该技术表现出了良好的应用前景;(3)多样化的神经网络构建方法能够解决不同场景下的精细化油气产量预测需求;(4)需进一步加强人工智能领域与油气领域跨学科理论技术研究,促进两者在理论技术和生产实践等方面的深入融合;(5)智能油气产量预测技术未来可在实时预测与优化、数据融合与增强、物理约束与解释和模型更新与适应等方面开展深度攻关研究。结论认为,深度学习模型可显著提高油气产量预测技术的准确性和可靠性,为复杂气藏及非常规油气开发提供参考和指导,建议继续深化人工智能与油气行业应用等方面的有机结合,以推动油气行业的技术创新和高质量发展。

关键词：机器学习深度学习人工智能产量预测非常规油气

基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

在线全文

学校读者我要写书评

暂无评论

天然气工业 2024年第9期44卷 140-151页

作者：罗山贵赵玉龙肖红林陈伟华贺戈张烈辉杜诚西南石油大学理学院西南石油大学人工智能研究院油气藏地质及开发工程全国重点实验室·西南石油大学 610500 中国石油西南油气田公司致密油气勘探开发项目部中国石油西南油气田公司工程技术研究院中国石油西南油气田公司川西北气矿

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且... 详细信息

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

关键词：致密气沙溪庙组裂缝参数优化混合优化算法深度神经网络自适应学习代理模型

基于FCMFS特征选择算法的煤层气压裂效果预测

在线全文

学校读者我要写书评

暂无评论

西南石油大学学报(自然科学版) 2024年

作者：闵超郭星华青张娜张馨慧西南石油大学理学院西南石油大学人工智能研究院油气藏地质及开发工程全国重点实验室·西南石油大学中国石油西南油气田公司重庆气矿

煤层气压裂效果与特征之间存在的非线性关系难以从机理层面进行分析，针对该问题，开展煤层气压裂效果特征内在联系研究，提出了一种基于FCMFS特征选择算法的煤层气压裂效果预测方法。该方法利用模糊综合评价进行标签标定，并采用遗传... 详细信息

煤层气压裂效果与特征之间存在的非线性关系难以从机理层面进行分析，针对该问题，开展煤层气压裂效果特征内在联系研究，提出了一种基于FCMFS特征选择算法的煤层气压裂效果预测方法。该方法利用模糊综合评价进行标签标定，并采用遗传编程和XGBoost算法进行影响因素特征构造和筛选，包括2个新构造特征（应力比和地质施工遗传因素）以及射孔段厚度、渗透率、破裂压力、煤体结构、含气饱和度和加砂强度等6个特征。实验结果表明，基于FCMFS特征选择算法所构造和筛选的8个特征，结合多种机器学习算法进行煤层气压裂效果预测时，在准确率、召回率、F1分类评价指标上提高了约5%～10%，其中，深度森林算法在训练集和测试集上具有最优的预测分类效果，在3项分类评价指标上均达到95%和80%以上。

关键词：煤层气压裂效果主控因素遗传编程深度森林

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

地质力学参数智能预测技术进展与发展方向

石油科学通报 2024年第3期9卷 365-382页

作者：马天寿张东洋陆灯云谢祥锋刘阳西南石油大学油气藏地质及开发工程全国重点实验室成都610500 中国石油川庆钻探工程有限公司成都610501 西南石油大学石油天然气装备教育部重点实验室成都610500

随着人工智能技术在油气勘探领域应用的不断深入,地质力学参数预测从传统方法向智能化转型已成为必然趋势。本文系统归纳分析了机器学习算法在岩石力学参数直接与间接预测,地层孔隙压力钻前预测、随钻监测和钻后评估,一维地应力和三维... 详细信息

随着人工智能技术在油气勘探领域应用的不断深入,地质力学参数预测从传统方法向智能化转型已成为必然趋势。本文系统归纳分析了机器学习算法在岩石力学参数直接与间接预测,地层孔隙压力钻前预测、随钻监测和钻后评估,一维地应力和三维地应力场预测中的应用现状,对比了不同预测任务下的机器学习模型、输入参数、样本数据量、输出参数以及模型预测性能。研究发现:相比于室内试验、现场测试和经验模型计算,机器学习算法在地质力学参数预测方面的准确性、时效性和适用性具有明显优势;集成模型、深度学习模型和物理约束神经网络模型凭借其准确性、鲁棒性、泛化能力和可解释性,已成为当前研究的热点和重点;但现有研究以一维地质力学参数的钻后预测为主,因而无法有效进行钻前和随钻三维地质力学参数预测。为了加快地质力学参数向智能化、数字化转型,本文提出了一种地质力学参数智能预测框架,该框架考虑地震、测井、录井等多源数据对地质力学参数预测的影响,通过数据+物理双驱动的机器学习模型进行三维地质力学参数的预测,并通过正钻井数据进行模型的实时更新,从而实现区域三维地质力学参数的钻前预测、随钻监测以及钻后评估。此外,分析了地质力学参数智能预测面临的关键技术难题:①实现非结构化数据类型的转换,降低数据集复杂度,确保数据的一致性和可比性;②开展多源数据融合研究,构建包括地震、测井、录井、室内试验、现场测试等方面的多源数据集,并进行数据处理、特征选择等工作;③加强机器学习模型研究以提升性能,采用集成模型提升预测精度,融入机理模型和领域知识提升模型鲁棒性和可解释性。

关键词：地质力学智能预测机器学习岩石力学地层压力地应力