基于机器学习的测井曲线补全与生成研究
发布时间：2023-06-04 19:57
机器学习算法尤其是神经网络,已经成为工程领域建模的有力工具。这些方法可以从更高维度拟合不同变量之间的高度非线性映射关系,尤其适用于工程中有观测数据,但是变量间映射关系过于复杂,导致传统物理模型或者经验模型无法有效解决的问题。神经网络在工程中的一个重要的应用领域是石油工程,尤其是可以应用于对勘探开发至关重要的测井。测井是一种用来描述并分析地下情况的物理测量手段,对于油气勘探和开发具有重要意义。地质学家和工程师可以基于测井数据建立精确的地质模型,并设计勘探开发策略。然而,测井曲线的采集往往是昂贵且耗时的,在实际测量中由于各种客观原因,经常出现测井数据缺失的问题,也可能出于成本考虑而放弃测量某些整条测井曲线。因此,测井曲线的补全与生成是一个具有学术和工程价值的研究。然而,由于地层情况复杂且存在各向异性,所以不同测井曲线之间的映射关系极为复杂,无论是传统的物理模型还是经验模型,都难以准确描述测井曲线之间的关系,无法对残缺测井曲线进行补全或者对未测量的测井曲线进行生成。在本论文中,我们针对测井曲线补全和生成的问题,提出了利用机器学习方法的高效解决方案。同时,我们发现机器学习算法直接应用于工程领域...
【文章页数】：138 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 引言
1.1 研究背景
1.2 相关研究进展
1.2.1 机器学习研究进展
1.2.2 测井曲线与机器学习结合研究进展
1.2.3 数据同化方法研究进展
1.3 论文概要
1.4 论文结构
第二章 人工神经网络
2.1 全连接神经网络(FCNN)
2.2 长短期记忆神经网络(LSTM)
2.3 物理约束神经网络(PC-LSTM)
2.3.1 机理模拟网络结构
2.3.2 基于地层信息的自适应分层归一化
2.3.3 端到端预测模型架构
2.4 本章小结
第三章 集合神经网络
3.1 贝叶斯模型架构
3.2 集合随机最大似然算法(EnRML)
3.3 集合神经网络(ENN)
3.3.1 集合神经网络(ENN)与贝叶斯神经网络(BNN)的对比
3.3.2 集合神经网络(ENN)和蒙特卡洛神经网络(MCNN)的对比
3.3.3 集合神经网络(ENN)和集合平均法的对比
3.4 本章小结
第四章 集合长短期记忆神经网络
4.1 模型参数传递机制
4.2 过度收敛问题与模型参数扰动方法
4.3 标准化观测值保比例扰动方法
4.4 本章小结
第五章 基于循环神经网络的测井曲线生成实验
5.1 实验背景及目的
5.2 基于LSTM补全测井曲线
5.2.1 数据准备
5.2.2 模型设计
5.2.3 实验结果分析
5.3 基于串级LSTM生成测井曲线
5.3.1 数据准备
5.3.2 串级长短期记忆神经网络(Cascaded LSTM)
5.3.3 实验结果分析
5.4 本章小结
第六章 基于物理约束神经网络构建地质力学参数场实验
6.1 实验背景及目的
6.2 数据准备与地质力学测井曲线生成模型
6.3 物理约束效果评价分析
6.4 基于PC-LSTM构建三维地质力学场
6.5 基于PC-LSTM构建拓展的三维地质力学场
6.6 本章小结
第七章 集合神经网络性能评价及应用实验
7.1 实验背景及目的
7.2 简易数据集实验与不确定性分析
7.3 强非线性理想数据集实验与ENN合理性验证
7.3.1 ENN效果和收敛性分析
7.3.2 网络结构、训练数据量与观测误差的影响分析
7.4 基于真实数据的泛化测试
7.5 本章小结
第八章 基于集合长短期记忆神经网络生成测井曲线实验
8.1 问题背景与参数选取
8.2 EnLSTM与标准LSTM对比实验
8.3 本章小结
第九章 总结与讨论
参考文献
附录A 集合长短期记忆神经网络预测电网负荷实验
A.1 问题背景与数据准备
A.2 参数选取
A.3 EnLSTM与标准LSTM对比实验
A.4 电网负荷中基于物理机理的无量纲化趋势
A.5 基于无量纲化趋势的EnLSTM实验
A.6 附录小结
博士期间发表和完成的论文
致谢
本文编号：3830914
【文章页数】：138 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 引言
1.1 研究背景
1.2 相关研究进展
1.2.1 机器学习研究进展
1.2.2 测井曲线与机器学习结合研究进展
1.2.3 数据同化方法研究进展
1.3 论文概要
1.4 论文结构
第二章 人工神经网络
2.1 全连接神经网络(FCNN)
2.2 长短期记忆神经网络(LSTM)
2.3 物理约束神经网络(PC-LSTM)
2.3.1 机理模拟网络结构
2.3.2 基于地层信息的自适应分层归一化
2.3.3 端到端预测模型架构
2.4 本章小结
第三章 集合神经网络
3.1 贝叶斯模型架构
3.2 集合随机最大似然算法(EnRML)
3.3 集合神经网络(ENN)
3.3.1 集合神经网络(ENN)与贝叶斯神经网络(BNN)的对比
3.3.2 集合神经网络(ENN)和蒙特卡洛神经网络(MCNN)的对比
3.3.3 集合神经网络(ENN)和集合平均法的对比
3.4 本章小结
第四章 集合长短期记忆神经网络
4.1 模型参数传递机制
4.2 过度收敛问题与模型参数扰动方法
4.3 标准化观测值保比例扰动方法
4.4 本章小结
第五章 基于循环神经网络的测井曲线生成实验
5.1 实验背景及目的
5.2 基于LSTM补全测井曲线
5.2.1 数据准备
5.2.2 模型设计
5.2.3 实验结果分析
5.3 基于串级LSTM生成测井曲线
5.3.1 数据准备
5.3.2 串级长短期记忆神经网络(Cascaded LSTM)
5.3.3 实验结果分析
5.4 本章小结
第六章 基于物理约束神经网络构建地质力学参数场实验
6.1 实验背景及目的
6.2 数据准备与地质力学测井曲线生成模型
6.3 物理约束效果评价分析
6.4 基于PC-LSTM构建三维地质力学场
6.5 基于PC-LSTM构建拓展的三维地质力学场
6.6 本章小结
第七章 集合神经网络性能评价及应用实验
7.1 实验背景及目的
7.2 简易数据集实验与不确定性分析
7.3 强非线性理想数据集实验与ENN合理性验证
7.3.1 ENN效果和收敛性分析
7.3.2 网络结构、训练数据量与观测误差的影响分析
7.4 基于真实数据的泛化测试
7.5 本章小结
第八章 基于集合长短期记忆神经网络生成测井曲线实验
8.1 问题背景与参数选取
8.2 EnLSTM与标准LSTM对比实验
8.3 本章小结
第九章 总结与讨论
参考文献
附录A 集合长短期记忆神经网络预测电网负荷实验
A.1 问题背景与数据准备
A.2 参数选取
A.3 EnLSTM与标准LSTM对比实验
A.4 电网负荷中基于物理机理的无量纲化趋势
A.5 基于无量纲化趋势的EnLSTM实验
A.6 附录小结
博士期间发表和完成的论文
致谢
本文编号：3830914
本文链接：https://www.wllwen.com/shoufeilunwen/gckjbs/3830914.html