典型文献
基于深度嵌入网络的地震相聚类技术
文献摘要：
早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷.因此,利用深度学习技术,采用 自编码网络架构,通过嵌入编码(Embed-ding Code)对地震 数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力.鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5％;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3％.
文献关键词：
地震相分析;卷积自编码网络;深度学习;特征表示
中图分类号：
作者姓名：
李祺鑫;罗亚能;马晓强;陈诚;祝彦贺
作者机构：
中海油研究总院有限责任公司,北京100028;东方地球物理公司物探技术研究中心,河北涿州072751
文献出处：
引用格式：
[1]李祺鑫;罗亚能;马晓强;陈诚;祝彦贺-.基于深度嵌入网络的地震相聚类技术)[J].石油地球物理勘探,2022(02):261-267
A类：
B类：
深度嵌入,入网,相聚,聚类技术,基于机器学习,地震属性,主观性,深度学习技术,网络架构,入编,Embed,ding,Code,聚类损失,联合损失函数,地震特征,建地,地震数据,鄂尔多斯盆地,致密气,聚类特征,恢复原,地震信号,均方根振幅,振幅属性,相图,河道,Means,聚类算法,算法预测,符合率,地震相分析,卷积自编码网络,特征表示
AB值：
0.384228
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。
