人工智能技術(shù)在石油勘探上的應(yīng)用研究

目錄
“新一代人工智能理論、技術(shù)及應(yīng)用叢書”序
前言
第1章 物探領(lǐng)域發(fā)展現(xiàn)狀 1
1.1 物探技術(shù)簡介 1
1.2 發(fā)展歷史 2
1.3 研究現(xiàn)狀 4
1.4 相關(guān)研究機(jī)構(gòu)介紹 6
1.5 物理方法相關(guān)技術(shù)介紹 9
1.6 結(jié)合人工智能領(lǐng)域的物探技術(shù) 11
1.7 本章小結(jié) 11
第2章 石油勘探數(shù)據(jù)簡介與應(yīng)用分析 12
2.1 數(shù)據(jù)類型 12
2.1.1 石油勘探數(shù)據(jù) 12
2.1.2 測井?dāng)?shù)據(jù) 15
2.1.3 生產(chǎn)數(shù)據(jù) 19
2.2 石油勘探數(shù)據(jù)集 20
2.2.1 F3區(qū)塊 20
2.2.2 Volve 22
2.2.3 模擬數(shù)據(jù) 23
2.3 地震資料處理的三個基本階段 25
2.4 地震反演 26
2.4.1 簡介 26
2.4.2 地震反演技術(shù)的發(fā)展歷程 28
2.4.3 基于人工智能的地震反演技術(shù)的研究現(xiàn)狀 29
2.5 地震相分類 30
2.5.1 地震相參數(shù) 30
2.5.2 機(jī)器學(xué)習(xí)地震相分類 31
2.5.3 圖像分割地震相分類 31
2.6 生產(chǎn)預(yù)測和井連通性 32
2.6.1 生產(chǎn)預(yù)測 32
2.6.2 連通性概念 33
2.6.3 連通性靜態(tài)分析方法 33
2.6.4 連通性動態(tài)分析方法 34
2.6.5 連通性分析模型研究 35
2.6.6 井間連通通路的研究 38
2.7 本章小結(jié) 39
第3章 特征工程算法原理與分析 40
3.1 數(shù)據(jù)預(yù)處理 40
3.1.1 空值處理 40
3.1.2 野值處理 41
3.1.3 Z-Score標(biāo)準(zhǔn)化 42
3.1.4 Min-Max歸一化 43
3.2 特征選擇 43
3.2.1 Filter方法 43
3.2.2 拉普拉斯算子方法 44
3.2.3 Lasso算法 45
3.2.4 方差過濾 46
3.2.5 譜特征選擇 47
3.2.6 多簇特征選擇 48
3.3 特征抽取 48
3.3.1 主分量分析 48
3.3.2 *立成分分析 50
3.3.3 局部保持投影算法 51
3.3.4 局部線性嵌入 52
3.3.5 奇異值分解 53
3.3.6 t-SNE 54
3.3.7 非負(fù)矩陣分解 55
3.3.8 領(lǐng)域保持嵌入算法 56
3.4 特征工程在H6上的應(yīng)用 58
3.4.1 H6地震屬性數(shù)據(jù) 58
3.4.2 降維屬性可視化 59
3.5 本章小結(jié) 65
第4章 典型無監(jiān)督機(jī)器學(xué)習(xí)算法原理與應(yīng)用 66
4.1 K均值 66
4.1.1 算法簡介 66
4.1.2 算法流程 66
4.1.3 算法優(yōu)缺點 67
4.2 譜聚類 67
4.2.1 算法簡介 67
4.2.2 算法流程 68
4.2.3 算法優(yōu)缺點 68
4.3 模糊 C 均值聚類算法 68
4.3.1 算法簡介 68
4.3.2 算法流程 69
4.3.3 算法優(yōu)缺點 69
4.4 密度聚類算法 69
4.4.1 算法簡介 69
4.4.2 算法流程 70
4.4.3 算法優(yōu)缺點 71
4.5 高斯混合模型 71
4.5.1 算法簡介 71
4.5.2 算法流程 72
4.5.3 算法優(yōu)缺點 72
4.6 BIRCH聚類 72
4.6.1 算法簡介 72
4.6.2 算法流程 72
4.6.3 算法優(yōu)缺點 73
4.7 分層聚類 73
4.7.1 算法簡介 73
4.7.2 算法流程 74
4.7.3 算法優(yōu)缺點 74
4.8 近鄰傳播聚類 74
4.8.1 算法簡介 74
4.8.2 算法流程 75
4.8.3 算法優(yōu)缺點 75
4.9 均值漂移聚類 75
4.9.1 算法簡介 75
4.9.2 算法流程 76
4.9.3 算法優(yōu)缺點 76
4.10 在H6數(shù)據(jù)地震相分類上的對比分析 76
4.11 本章小結(jié) 81
第5章 典型有監(jiān)督機(jī)器學(xué)習(xí)算法原理與應(yīng)用 82
5.1 線性回歸 82
5.2 邏輯回歸 84
5.3 決策樹 85
5.4 支持向量機(jī) 88
5.5 貝葉斯算法 93
5.6 K 近鄰算法 95
5.7 高斯過程 97
5.8 集成學(xué)習(xí) 98
5.8.1 隨機(jī)森林 99
5.8.2 XGBoost 100
5.8.3 糾錯輸出編碼 101
5.9 算法在油藏屬性預(yù)測上的對比分析 102
5.10 算法在H6數(shù)據(jù)地震相分類上的對比分析 110
5.11 本章小結(jié) 115
第6章 深度學(xué)習(xí)算法原理與應(yīng)用 116
6.1 深度學(xué)習(xí)基礎(chǔ)概念 116
6.1.1 深度學(xué)習(xí)發(fā)展歷史 116
6.1.2 BP神經(jīng)網(wǎng)絡(luò) 117
6.1.3 卷積神經(jīng)網(wǎng)絡(luò) 118
6.1.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 119
6.2 神經(jīng)網(wǎng)絡(luò)預(yù)測方法 120
6.2.1 基于CNN的波阻抗反演模型 120
6.2.2 基于LSTM的波阻抗反演模型 121
6.2.3 CNN-LSTM融合結(jié)構(gòu)的波阻抗反演模型 121
6.3 算法在油藏屬性預(yù)測上的對比分析 123
6.4 本章小結(jié) 129
第7章 時間序列算法原理與應(yīng)用 130
7.1 時間序列算法 130
7.1.1 平穩(wěn)的時間序列模型 130
7.1.2 非平穩(wěn)的時間序列模型 131
7.2 數(shù)據(jù)驅(qū)動的建模：人工神經(jīng)網(wǎng)絡(luò) 132
7.3 基于XGBoost的井間動態(tài)連通性模型研究 133
7.3.1 模型分析 133
7.3.2 模型驗證 134
7.4 算法對比分析 135
7.4.1 生產(chǎn)預(yù)測 135
7.4.2 井間連通 139
7.5 本章小結(jié) 139
第8章 SeisAI平臺 140
8.1 平臺體系架構(gòu) 140
8.1.1 Spring Cloud簡介 141
8.1.2 Seismic微服務(wù)簡介 141
8.1.3 File-Service微服務(wù)介紹 142
8.1.4 前臺架構(gòu) 143
8.1.5 SeisAI算法中臺介紹 143
8.2 主要功能展示 144
8.2.1 文件上傳 144
8.2.2 文件分塊上傳 144
8.2.3 文件下載 144
8.2.4 導(dǎo)入SEGY文件 144
8.2.5 Horizon數(shù)據(jù)導(dǎo)入 147
8.2.6 SEGY數(shù)據(jù)導(dǎo)出 148
8.2.7 數(shù)據(jù)挖掘 149
8.2.8 3D數(shù)據(jù)可視化 152
8.2.9 數(shù)據(jù)挖掘可視化 155
8.3 本章小結(jié) 156
參考文獻(xiàn) 157
附錄 161