地球物理学报  2018, Vol. 61 Issue (1): 293-303   PDF    
多波地震深度学习的油气储层分布预测案例
付超1,2, 林年添1,2 , 张栋3, 文博4, 魏乾乾5, 张凯1     
1. 山东省沉积成矿作用与沉积矿产重点实验室, 山东科技大学地球科学与工程学院, 山东青岛 266590;
2. 海洋国家实验室海洋矿产资源评价与探测技术功能实验室, 山东青岛 266071;
3. 海底科学与探测技术教育部重点实验室, 中国海洋大学地球科学学院, 山东青岛 266100;
4. 山东科瑞机械制造有限公司, 山东东营 257000;
5. 山东省煤田地质局, 济南 250104
摘要:有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法(Deep Learning Method).首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明:本论文方案不仅具有可行性,且具有有效性.
关键词: 多波地震      卷积神经网络      支持向量机      深度学习      油气储层预测     
Prediction of reservoirs using multi-component seismic data and the deep learning method
FU Chao1,2, LIN NianTian1,2, ZHANG Dong3, WEN Bo4, WEI QianQian5, ZHANG Kai1     
1. Shandong Provincial Key Laboratory of Depositional Mineralization and Sedimentary Minerals, College of Geological Sciences and Engineering, Shandong University of Science and Technology, Shandong Qingdao 266590, China;
2. Laboratory for Marine Mineral Resources, Qingdao National Laboratory for Marine Science and Technology, Shandong Qingdao 266071, China;
3. Key Lab of Submarine Geosciences and Prospecting Techniques, MOE and College of Marine Geosciences, Ocean University of China, Qingdao 266100, China;
4. Kerui Machinery Manufacturing Company Limited of Shandong, Shandong Dongying 257000, China;
5. Shandong Bureau of Coal Geology, Ji'nan 250104, China
Abstract: The accuracy of forecasted characteristics and distribution of hydrocarbon reservoirs is a key in quantitative interpretation of seismic data, which can be improved by analyzing the sensitivity difference of compressive P and converted PS waves in seismic properties of reservoirs. Based on this consideration, this work proposed a deep learning method to predict the distribution and features of hydrocarbon reservoirs with a combination of a convolution neural network and a support vector machine. All possible outliers of multi-component seismic attributes, which might reduce the number of variants in the network, are eliminated firstly in accordance with the Wright criterion. Second, using the verified clustering and unsupervised algorithms, the hidden layer is constructed to enhance network sharing and extract hydrocarbon features. Finally, with the network penalized well-log data as the input of the support vector machine, the C3 convolution layer attributes after downsampling are adopted as the learning set to predict the desired hydrocarbon characteristics. This novel method has been applied to predict carbonate rock reservoirs of late Triassic in XGR Formation of the HG structure in an oil filed, resulting in enhanced resolution and improved lateral distribution of hydrocarbon reservoirs which coincides roughly with the real drilling data. The feasibility and effectiveness of this approach is corroborated by the application.
Key words: Multi-component seismic data    Convolution neural network    Support vector machine    Deep learning    Prediction of hydrocarbon distribution    
0 引言

Hinton等(2006)于2006年提出的深度学习概念以来,深度学习越来越受到人们的关注.尤其在AlphaGo对弈世界围棋高手均取得比赛的胜利之后,使得深度学习在各领域再一次掀起了一股研究与应用的热潮.国内外各大网络技术公司如英伟达、谷歌、百度、阿里等都投入了大量精力致力于与深度学习相关的人工智能研究工作.深度学习算法在医药(Cosma et al., 2017)、交通(Polson and Sokolov, 2017)、农业(Song et al., 2016)、图像处理(Li et al., 2016b)等领域均取得了良好的应用效果.那么,是否可以将深度学习应用于地震油气储层的预测呢?

深度学习算法(Moyano, 2017)首先提取数据特征,然后将特征抽象化,抽象化的特征以隐藏层的形式表征.采用不同卷积核函数来获得多层感知器,进而得到未知输入的学习输出.由于地震属性特征与地下含油气储层的分布存在联系,所以,可以利用深度学习有效构建地震属性与油气储层分布的联系.此外,以原始地震数据为基础获得地震属性进行油气储层预测(Gholami et al., 2014),至今仍是油气田勘探开发研究的热点.当前,油气储层预测使用较多的方法有聚类分析(Meng et al., 2015)、遗传算法(Li et al., 2016a)、模糊理论(Masoudi et al., 2012)等方法.国外Mohebbi等(2012)Ouadfeul和Aliouane(2016)利用人工神经网络对测井数据进行预测,Cersósimo等(2016)利用人工神经网络通过地震属性对伽马参数进行预测.早在20世纪90年代国内一批学者就已经对人工智能有了初步探索.刘瑞林和马在田(1995)从监督学习和非监督学习角度,利用密度测井、自然电位测井数据作为监督,用BP神经网路算法对油气特征进行分类.陆文凯和牟永光(1996)将测井资料作为监督学习样本,予以推广全区,进而获取横向上的油气预测分类结果.-等(2015)结合自组织神经网络算法(SOM)和粒子群算法(POS),获得地震相聚类结果,该方法降低原始属性维度,提高了求解效率.张向君等(2002)构建了基于结构风险最小化的神经网络,对吉林油田的储层油气特征进行了预测.但这些数据挖掘技术极易陷入过学习或欠学习的状态,神经网络的感受野与权值共享机制不理想,训练样本维度没有得到改善,使得训练效率变低.此外,上述做法都是以纵波地震数据作为学习的基础,而本文采用的网络权值共享机制与多波地震属性则可以提高网络训练效率,降低反演结果的多解性.

支持向量机(SVM)是以结构化风险最小化为基础的模式分类器(Song et al., 2011).小样本的状态下有更高的泛化能力,构建模型的鲁棒性好.然而支持向量机的难点在于参数寻优,本文构建的深度学习网络利用地震属性聚类算法和无监督学习的主成分分析算法提取地震油气特征.结合支持向量机算法对地震油气特征进行检测和学习.一方面对支持向量机的参数进行寻优,最大程度上克服支持向量机参数寻优对预测结果的影响.另一方面,这种非监督的学习方法提高了模型鲁棒性和泛化能力.目前人们使用不同的卷积核函数提取并使用的地震属性多达上百种(Jayadeva et al., 2007; Suo et al., 2011),每种属性所表征的地质意义不同,不同区域构造背景条件下,各类地震属性的敏感度又存在差异.因此,在油气预测之前对属性进行优选优化变得尤为重要.20世纪90年代逐渐掀起了多波多分量勘探技术的热潮,由于转换横波能够反映出岩石骨架特征,且不会因储层含有流体而衰减,而纵波对含有流体的储层较为敏感.因此可利用纵波与转换横波对地下储集性流体的敏感程度的不同进行地震勘探,为人们提供更直接有效的有用信息.地震属性的优选优化方法主要可以分为三种(Marfurt et al., 1998):基于专家经验选取、基于数学理论的选择和基于经验和数学理论的交互式选取.基于专家经验的选取是以本地区区域构造背景为前提,油气藏生成理论为基础,测井录井结果为依托结合前人对工区的研究成果,选取能够表征该地区油气敏感的参数作为油气预测的初始属性集.但该方法多受限于主观因素,某些敏感属性可能被忽略造成预测偏差.而基于数学理论的选择是以数据挖掘为基础,地震属性的相关性、隶属度为依据而降低属性维度,最大程度上降低了主观因素的干扰.国内外学者已经将压缩感知原理(Djelouat et al., 2017)、遗传算法(Fernandez-Lozano et al., 2016)、EM算法、支持向量机(邴萍萍等, 2012; 牟丹等, 2015)等算法应用于地震属性的优选.

本文通过对原始地震数据采用不同的卷积核函数获得各种地震属性,通过随机梯度下降算法调整卷积核函数并提取油气特征,通过降采样卷积层数据降低地震属性维度,在此基础上,应用可以在小样本情况下具有更强泛化能力的支持向量机算法作为数据的全连接进行地震油气储层预测.以WS-HG地区为实际工区开展实际储层预测,以验证本方法的可行性和有效性.

1 深度学习网络及SVM算法原理

由于储层识别与图像识别存在差异性,故设计了如下深度学习网络进行学习.该网络利用多个卷积模块与降采样模块的组合构成了深度学习网络模型,各激励层均采用ReLu作为激活函数.降维导致图像大小发生的变化采用充零法(zeropadding).如图 1为深度学习网络,该网络左侧为输入(大小为m0*m0).随后是第一卷积层,用C1表示(大小为m1*n1),第一卷积层的输出作为第二降采样层(S2)的输入大小为(m2*n2).之后的第三卷积层,即C3层(大小m3*m3),其中第四层S4降采样层的大小为m4*n4,将降采样层的输出作为SVM学习的输入.最终获得该地震数据的油气特征学习输出.

图 1 深度学习网络 Fig. 1 Deep Learning Networks

支持向量机主要解决二分类问题,其学习策略是最大化分类间隔(Natt et al., 2004),最终将问题转化为一个凸二次规划问题并进行求解.对于回归问题,要找到一个回归的超平面,使得数据集里面的所有数据到该超平面的距离最小.区分样本的超平面方程为

(1)

假设图 2中某个元素到回归超平面的距离为

(2)

图 2 SVM超平面 Fig. 2 Hyperphane of SVM

为了防止数据过拟合,令ε为容忍值.当数据回归到超平面的距离S小于ε时,代价函数的取值为零,代价可以用cost(x)表示, 公式为

(3)

其中d(x)为监督学习标准答案.ξmξm*(m=1, …, M)是松弛因子.则对于松弛因子的约束条件为:

(4)

实际上是要获得最小化的ξmξm*,假定ω的结果是满足正态分布的,由贝叶斯线性回归模型,可对ω的二范数约束(Davorka R.Jandrlic, 2016),则SVR的最优化问题为

(5)

推导后得到:

(6)

即获得要解决的原问题转化为

(7)

其中s.t.为约束条件.

利用拉普拉斯变换可将目标函数与约束条件构建到一个方程中(其中αα*ββ*为拉格朗日乘子),此问题的最优解见式(7),由于此问题满足KKT条件,可以将此问题转换为它的对偶问题求解.因为一方面对偶问题和原问题有近似解,另一方面转换后的对偶问题便于求解.即有:

(8)

对式(8)分别求偏导数则有:

(9)

则将式(9)带入式(8)有:

(10)

通过对构造的拉格朗日函数计算,便可求得到训练模型Mod,对于任意给定的数据Dat,便可得到该数据的预测值.

2 多波地震属性优化法的深度学习网络设计

地震属性优选优化的目的是为了尽可能多地利用对储层敏感的属性,去除储层不敏感或弱敏感的属性对预测结果的影响.张军华等(2007)提出纵波的复合属性和级联属性,取得了一定效果,但仅以纵波作为计算基础的复合、级联属性缺少转换横波对油气藏的表征.多波油气勘探技术利用纵波和转换横波获取地下介质更加充分全面的信息,有助于降低反演结果的多解性,有助于提高油气藏边界刻画的精度,使油气藏的预测更准确.

2.1 降低网络变体数量

在进行深度学习之前,需要对数据进行预处理, 常规降低网络变体数量的做法是去均值处理.对于变体数量的降低,本文采用莱特准则剔除异常值与去均值处理相结合的方法.由于采用的数学算法不同,获得的属性数值范围也存在变化,其变化范围为0~106.为了能对不同量纲的属性进行运算,首要的任务就是对不同属性值进行标准化处理,如利用式(11)可获得归一化后的数据集.在数据归一化之前,要对离群点进行剔除(林年添等, 2013)处理.为了能够量化属性集的离散趋势,采用式(13)离均差的平方和γ来表征,当离均差σ的平方和越大时,表明属性集合D的变异程度越大,即表明属性集D中存在异常值.

属性集为D={x11, x12, …, x1N, x21, …, xMN},N为inline的最大值,M为crossline的最大值.式(11)为

(11)

属性xij的离均差δ

(12)

离均差的平方和γ

(13)

属性集D的标准差用κ表示为

(14)

令:

(15)

由于属性集合D的随机误差是服从正态分布,在任意区间上误差分布在(-η, η)的概率为

(16)

将式(16)代入拉普拉斯函数,公式为

(17)

T=3时,,残差落在(-κ, κ)区间外的概率仅为0.27%.所以选用莱特准则可以合理且有效去除异常值.

2.2 增加网络共享

通过网络中感受野与权值共享可大大降低网络的复杂度,减小网络权值的数量.本文经过C3卷积核函数计算后的地震属性将纵波和转换横波所包含的信息都融入到新构建的属性中,降低了原始属性集的维度.

Karl Pearson所提出的主成分分析法(PCA)是以多个变量间的相关性为依据的一种算法,即通过降低原数据集间的相关性,以获取彼此不相关的各类属性集.使输出的属性集中尽可能的保留原始变量中最具代表性的属性.

假设属性集中有N个点,每个样点包含P组属性,xij表示第j个样点的第i个属性值.首先将属性集D做归一化处理,属性集矩阵为X=(xij)P×N,计算各个属性间的相关系数矩阵,公式为

(18)

使用Jacobi法计算相关系数矩阵R的特征值λj及该特征值对应的特征向量bj(j=1, 2, …, P)获得的主成分为

(19)

计算前Q个特征值所占的累积贡献百分比,公式为

(20)

以累积贡献度为85%来确定Q的大小,则某个样点处经过主成分分析后更新的数值为

(21)

2.3 增加网络罚值

增加网络罚值可以提高网络泛化程度,不论激活函数,还是期望风险评估,都是增加网络罚值,提高模型泛化程度的方法.由于工区内已知测井、钻井记录非常少,所以支持向量机需要输入的学习样本点在某一层位的值非常少.如果井位处的学习样本存在异常值,该样点值会造成SVM在学习时产生偏差,这个存在偏差的模型向全区推广的结果可能导致应用支持向量机回归时会产生错误.从而降低学习能力,学习的效果会受到严重的影响.基于期望风险评估折衷是对原始数据集的校正,使数据集趋于正态分布,公式为

(22)

(23)

(24)

将式(14)、式(23)、式(24)代入式(22)中得到经过期望风险评估后的数值R.

以N1井点处的均方根振幅为例,图 3中半实线上三角形点为原始的属性值,其中第五个点对应圆形标识为井点位置,实线表示期望风险评估后输出的属性值.从中可以看出,如果仅选用第五个点的数值作为学习样本利用支持向量机预测,势必会使预测结果产生误差,因为第五个点没有考虑到周围属性样点对该点属性值的影响.该例表明:与常规方法相比,该方法能够充分利用属性集数据的分布规律,最大程度还原数据的真实性.

图 3 期望风险评估 Fig. 3 Assessment of expectation risk
2.4 利用深度学习法预测多波地震油气储层的基本步骤

步骤一:原始地震属性应用不同的卷积核得到各种属性,获得C1卷积层属性.

步骤二:输入用于训练的样本数据D={x11, x12, …, x1N, x21, …, xMN},执行过程2.1降低网络变体数量,对各地震属性降采样,获取各属性的特征,获取S2池化数据.

步骤三:将获得的数据集利用式(11)进行归一化处理.

步骤四:将步骤三获得的数据集卷积执行过程2.2增加网络的共享,获得C3卷积属性.

步骤五:将步骤四获得的C3卷积层属性,结合PCA算法对C3卷积层属性降采样,获得S4池化层属性.

步骤六:对井点处的属性值执行过程2.3,进而进行增加网络罚值处理,以得到更加贴合数据真实度的SVM的回归器输入,最终获得经深度学习的多波地震属性集.

3 应用实例

由于WS坳陷地下储层的超致密、超高压、超埋深等复杂地质状况,使得在该地区应用常规方法进行有效勘探已经变得越来越困难,而利用多波地震勘探使该区域实现精准勘探成为可能.利用不同的卷积核可以获得原始地震数据的第一卷积层属性,利用C3卷积核获得C3卷积层属性,用于生成C3层的各类属性见表 1、相关算法见表 2及各个符号代表的意义见表 3.获得的C3卷积层属性不仅存在具有纵波油气特征的地震响应特点,同时也存在转换横波油气特征的地震响应.如图 4,即为获得的C3卷积层地震属性,从图 4可以看出,采用不同卷积算法得到的地震属性剖面上均有油气地震响应,但由于所包含的信息不同,对于油气藏的边界刻画不唯一,存在较大的不确定性.

表 1 参与运算的地震属性列表 Table 1 The list of seismic attribute
表 2 获得卷积核的计算方法 Table 2 The method of convolution kernel
表 3 属性名称的符号意义 Table 3 The symbolic meaning of the attribute name
图 4 C3卷积层地震属性图 (a1) F11比值卷积核属性结果;(a2) F12比值卷积核属性结果;(b1) F21差值卷积核属性结果;(b2) F22差值卷积核属性结果;(c1) F31乘积卷积核属性结果;(c2) F32乘积卷积核属性结果;(d1) F41叠合卷积核属性结果;(d2) F42叠合卷积核属性结果;(d3) F43叠合卷积核属性结果. Fig. 4 Seismic attributes of C3 with different convolution kernels (a1) Predicted attributes of F11 by a ratio convolution kernel; (a2) Predicted attributes of F12 by a ratio convolution kernel; (b1) Predicted attributes of F21 by a difference convolution kernel; (b2) Predicted attributes of F22 by a difference convolution kernel; (c1) Predicted attributes of F31 by a product convolution kernel; (c2) Predicted attributes of F32 by a product convolution kernel; (d1) Predicted attributes of F41 by a sum convolution kernel; (d2) Predicted attributes of F42 by a sum convolution kernel; (d3) Predicted attributes of F43 by a sum convolution kernel.

通过支持向量机建立学习样本与油气特征的内在联系,从而将已知井油气特征推广到全区.利用支持向量机学习不仅降低了属性反演的多解性,更使得所刻画的地震油气储层边界更清晰,如图 7.

图 5 S4降采样地震属性 (a) F1主成分属性; (b) F2主成分属性; (c) F3主成分属性. Fig. 5 Seismic attributes of second downsampling (a) The first principal component; (b) The second principal component; (c) The third principal component.
图 6 主成分属性累计贡献率 Fig. 6 Cumulative contribution rates by principal component attributes
图 7 利用深度学习(DL)预测工区含气储层的地震响应 (a)单一纵波深度学习预测结果; (b)纵横波联合深度学习预测结果. Fig. 7 Predicted seismic characteristics in gas-bearing reservoirs by deep learning (a) The deeping learning prediction with pure P-wave only; (b) The deep learning prediction with a combination of P-and SV-waves.

设定贡献率伐值为85%,即得到9种属性(图 4)的主成分分析的累计输出,如图 5.其中F1主成分是第一主成分,F2主成分为第一主成分与第二主成分之和,F3主成分是前三个主成分之和,从而获得S4池化地震属性.以累计输出的前三个主成分属性(如图 5)作为全连接层的输入进行支持向量机学习预测,主成分属性的累计贡献率见图 6.

选取该区域的10口井作为支持向量机的学习样本,且每口井周围取9个样点运用期望风险评估折衷算法,获得期望风险最小的输入样本值.根据已知测井、钻井及前人研究成果,可将井分为三类,高产井、低产井和干井.为提高预测结果的鲁棒性,在构造低部位的已知非油气区域选取多个样本点作为干井.

把S4降采样后的属性作为池化层(如图 5所示),用获得的井点作为全连接层的监督学习样本,利用SVM回归器将特征运算推广到全区,最终得到的多波地震油气储层分布的预测结果,如图 7b.

仅以纵波地震属性为样本提取特征值后的深度学习储层预测结果如见图 7a,而利用纵横波联合后的DL预测结果见图 7b.图 7b暖色调高值处表示油气有利区(红色为最高值),冷色调(蓝色)低值处表示为非油气富集区.预测结果与实际钻井结果相比较不难看出,传统的DL方法虽能预测油气有利勘探区但存在缺陷,模型的泛化能力差,对油气的边界刻画不清晰,如图 7a.而利用多波地震深度学习预测的油气储层的分布更符合实际情况,所刻画的地震油气储层的边界更清晰,且预测结果更为准确.因此,利用DL对储层预测是较科学且可靠的方法.

根据前人研究成果和收集到的工区试气数据,将产气井(红色圆圈处)标注在图 8上,从图中可以看出,产气井大多位于油气预测概率较高的位置处,仅井N3位于预测区边缘.查找资料得知,井N3在该层位以下有油气产出,故利用本文构建的多波深度学习网络可以对油气储层进行良好的预测.

图 8 HG构造有利油气综合评价图 Fig. 8 Comprehensive evaluation map of hydrocarbon distribution in Member 4 of HGR Formation, HG structure
4 结论

本文所发展的多波地震油气储层分布预测方法,是在模糊数学理论基础之上所构建的深度学习网络.有机融合了聚类分析(CA)及主成分分析(PCA)提取油气特征,利用随机梯度下降(SGD)算法不断修改卷积核函数的参数,是一种能有效刻画地震油气储层分布边界的地震油气储层预测的深度学习方法.该方法在实际应用中,得到了很好的印证,该方法与常规方法相比具有以下几个特征:

(1) 利用莱特准则剔除属性集中的异常值,降低了网络变体数量,将原始数据统一到同一量纲,该方法可以对服从正态分布的属性集进行更有效的校正.

(2) 将期望风险评估算法应用到原始数据样本点的提取,增加了网络罚值,能够充分利用属性集数据的分布规律,最大程度还原数据的真实性,避免了因为输入井点值存在异常,致使支持向量机预测结果与期望输出存在较大差异的现象,充分体现支持向量机在小样本学习中的优势.

(3) 多波地震属性与单一纵波地震属性相比能够包含更多信息,突出油气敏感属性特征压制不敏感属性特征,提取油气敏感特征.

(4) 相对于常规纵波支持向量机属性反演,多波属性深度学习模型泛化能力更强、预测结果精度更高、油气边界刻画更清晰.

该方法所预测结果与实际钻井资料对比表明了该方法的可行性和有效性.

致谢

感谢审稿专家和编辑老师对本文提出的宝贵意见和建议,感谢中国石油化工股份有限公司勘探开发研究院提供的资料,感谢中国石油化工股份有限公司勘探开发研究院的魏修成老师、季玉新总工程师、陈天胜和刘春园高级工程师、刘韬工程师在本文完成过程中提供的支持和帮助.论文完成过程中,更是得到了研究团队中王守进、杨修超、张建彬、赵传伟等学长及丁仁伟、李桂花老师等的帮助,在此深表感谢.

参考文献
Bing P P, Cao S Y, Lu J T. 2012. Non-linear AVO inversion based on support vector machine. Chinese Journal of Geophysics, 55(3): 1025-1032. DOI:10.6038/j.issn.0001-5733.2012.03.033
Cersósimo D S, Ravazzoli C L, Martínez R G. 2016. Prediction of lateral variations in reservoir properties throughout an interpreted seismic horizon using an artificial neural network. The Leading Edge, 35(3): 265-269. DOI:10.1190/tle35030265.1
Cosma G, Brown D, Archer M, et al. 2017. A survey on computational intelligence approaches for predictive modeling in prostate cancer. Expert Systems with Applications, 70: 1-9. DOI:10.1016/j.eswa.2016.11.006
Davorka R.Jandrlic. 2016. SVM and SVR-based MHC-binding prediction using a mathematical presentation of peptide sequences. Computational Biology and Chemistry, 65: 117-127. DOI:10.1016/j.compbiolchem.2016.10.011
Djelouat H, Ali A A S, Amira A, et al. 2017. Compressive sensing based electronic nose platform. Digital Signal Processing, 60(1): 350-359.
Fernandez-Lozano C, Cedrón F, Rivero D, et al. 2016. Using genetic algorithms to improve support vector regression in the analysis of atomic spectra of lubricant oils. Engineering Computations, 33(4): 995-1005. DOI:10.1108/EC-03-2015-0062
Gholami R, Moradzadeh A, Rasouli V, et al. 2014. Shear wave velocity prediction using seismic attributes and well log data. Acta Geophysica, 62(4): 818-848.
Hinton G E, Osindero S, Teh Y W. 2006. A fast learning algorithm for deep belief nets. Neural Computation, 18(7): 1527-1554. DOI:10.1162/neco.2006.18.7.1527
Jayadeva, Khemchandani R, Chandra S. 2007. Twin support vector machines for pattern classification. IEEE Transactions on Pattern Analysis and Machine Intelligence, 29(5): 905-910. DOI:10.1109/TPAMI.2007.1068
Li Q, Zhong H Q, Wang Y, et al. 2016a. Integrated development optimization model and its solving method of multiple gas fields. Petroleum Exploration and Development, 43(2): 293-300. DOI:10.1016/S1876-3804(16)30033-7
Li W J, Fu H H, Yu L, et al. 2016b. Stacked Autoencoder-based deep learning for remote-sensing image classification:A case study of African land-cover mapping. International Journal of Remote Sensing, 37(23): 5632-5646. DOI:10.1080/01431161.2016.1246775
Lin N T, Liu H, Li G H, et al. 2013. Auto-picking velocity by path-integral optimization and surface fairing. Chinese Journal of Geophysics, 56(1): 246-254. DOI:10.6038/cjg20130125
Liu R L, Ma Z T. 1995. The current studies on application of neural networks to oil and gas evaluation and predication. Progress in Geophysics, 10(2): 75-84.
Lu W, Mou Y G. 1996. Logging data extrapolation using BP neural network. Oil Geophysical Prospecting, 31(5): 712-715.
Marfurt K J, Scheet R M, Sharp J A, et al. 1998. Suppression of the acquisition footprint for seismic sequence attribute mapping. Geophysics, 63(3): 1024-1035. DOI:10.1190/1.1444380
Masoudi P, Tokhmechi B, Jafari M A, et al. 2012. Application of fuzzy classifier fusion in determining productive zones in oil wells. Energy Exploration & Exploitation, 30(3): 403-415.
Meng F D, Chen S Y, Zhang Y C, et al. 2015. Characterization of motor oil by laser-induced fluorescence. Analytical Letters, 48(13): 2090-2095. DOI:10.1080/00032719.2015.1015073
Mohebbi A, Kamalpour R, Keyvanloo K, et al. 2012. The prediction of permeability from well logging data based on reservoir zoning, using artificial neural networks in one of an Iranian heterogeneous oil reservoir. Petroleum Science and Technology, 30(19): 1998-2007. DOI:10.1080/10916466.2010.518187
Mou D, Wang Z W, Huang Y L, et al. 2015. Lithological identification of volcanic rocks from SVM well logging data:Case study in the eastern depression of Liaohe Basin. Chinese Journal of Geophysics, 58(5): 1785-1793. DOI:10.6038/cjg20150528
Moyano L G. 2017. Learning network representations. The European Physical Journal Special Topics, 226(3): 499-518. DOI:10.1140/epjst/e2016-60266-2
Natt N K, Kaur H, Raghava G P S. 2004. Prediction of transmembrane regions of β-barrel proteins using ANN-and SVM-based methods. Proteins:Structure, Function and Genetics, 56(1): 11-18. DOI:10.1002/prot.20092
Ouadfeul S A, Aliouane L. 2016. Total organic carbon estimation in shale-gas reservoirs using seismic genetic inversion with an example from the Barnett Shale. The Leading Edge, 35(9): 790-794. DOI:10.1190/tle35090790.1
Polson N G, Sokolov V O. 2017. Deep learning for short-term traffic flow prediction. Transportation Research Part C:Emerging Technologies, 79: 1-17. DOI:10.1016/j.trc.2017.02.024
Song S T, Zhan Z C, Long Z Y, et al. 2011. Comparative study of SVM methods combined with voxel selection for object category classification on fMRI data. PLoS One, 6(2): e17191. DOI:10.1371/journal.pone.0017191
Song X D, Zhang G L, Liu F, et al. 2016. Modeling spatio-temporal distribution of soil moisture by deep learning-based cellular automata model. Journal of Arid Land, 8(5): 734-748. DOI:10.1007/s40333-016-0049-0
Suo C H, Chang S L, Peng Si M, et al. 2011. Study and application of seismic attributes on coal seam thickness prediction. Applied Mechanics and Materials, 138-139: 492-497. DOI:10.4028/www.scientific.net/AMM.138-139
Zhang J H, Zhu H, Gao R T, et al. 2007. Compound attribute as new method for pickup and interpretation of seismic attributes. Xinjiang Petroleum Geology, 28(4): 494-496, 503.
Zhang X J, Li Y M, Liu H. 2002. Oil and gas prediction by neural networks with structure-risk-minimum. Oil Geophysical Prospecting, 37(1): 73-76.
Zhang Y, Zheng X D, Li J S, et al. 2015. Unsupervised seismic facies analysis technology based on SOM and PSO. Chinese Journal of Geophysics, 58(9): 3412-3423. DOI:10.6038/cjg20150933
邴萍萍, 曹思远, 路交通. 2012. 基于支持向量机的非线性AVO反演. 地球物理学报, 55(3): 1025–1032. DOI:10.6038/j.issn.0001-5733.2012.03.033
林年添, 刘洪, 李桂花, 等. 2013. 用于速度自动拾取的路径积分优化法与光顺处理技术. 地球物理学报, 56(1): 246–254. DOI:10.6038/cjg20130125
刘瑞林, 马在田. 1995. 神经网络在油气评价和预测方面的研究现状. 地球物理学进展, 10(2): 75–84.
陆文凯, 牟永光. 1996. 利用BP神经网络进行测井资料外推. 石油地球物理勘探, 31(5): 712–715.
牟丹, 王祝文, 黄玉龙, 等. 2015. 基于SVM测井数据的火山岩岩性识别——以辽河盆地东部坳陷为例. 地球物理学报, 58(5): 1785–1793. DOI:10.6038/cjg20150528
张军华, 朱焕, 高荣涛, 等. 2007. 地震复合属性——地震属性提取与解释新方法. 新疆石油地质, 28(4): 494–496, 503.
张向君, 李幼铭, 刘洪. 2002. 神经网络结构风险最小油气预测. 石油地球物理勘探, 37(1): 73–76.
张, 郑晓东, 李劲松, 等. 2015. 基于SOM和PSO的非监督地震相分析技术. 地球物理学报, 58(9): 3412–3423. DOI:10.6038/cjg20150933