首页|卷积神经网络在AVA反演应用中影响因素研究

卷积神经网络在AVA反演应用中影响因素研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
从基于卷积神经网络开展AVA(振幅随入射角变化)反演问题出发,建立网络训练所需的数据集,分析不同超参数调整对预测结果的影响,确定这些超参数的最佳设置值,并总结超参数调整规律.最后通过对比 3 种不同卷积神经网络模型的预测结果,寻找出适用于叠前参数反演问题的最佳网络.最终形成一套完备的基于叠前角度域道集数据应用卷积神经网络进行弹性参数预测工作流程.结果表明,基于本文构建的训练数据集,选取的卷积神经网络结构以及设置的超参数组合预测得到的弹性参数结果具有较高的精度.
Research on influencing factors of deep learning in AVA inversion application
Starting from the AVA(amplitude-versus-angle)inversion based on convolutional neural networks(CNNs),by generating extensive datasets for network training,we analyze the effects of different hyperparameters on prediction outcomes,identify the optimal settings,and establish guidelines for hyperparameter adjustment.By comparing the prediction perform-ance of three distinct CNN models,we identify the optimal network architecture for prestack parameter inversion,and propose a workflow for elastic parameter prediction using CNN applied to pre-stack angle-domain gathers.Numerical examples dem-onstrate that the prediction accuracy of elastic parameters is the highest when using the constructed training data set,the se-lected CNN architecture,and the optimized hyperparameters.

prestack inversiontraining data sethyperparameter tuningconvolutional neural network

李振春、孙加星、杨继东、黄建平、于由财、徐洁

展开 >

深层油气全国重点实验室(中国石油大学(华东)),山东青岛 266580

中国石油大学(华东)地球科学与技术学院,山东青岛 266580

叠前反演 训练数据集 超参数设置 卷积神经网络

中石油重大科技合作项目国家自然科学基金项目国家自然科学基金项目国家重点研发计划"十四五"重大项目优秀青年科学基金项目国家创新群体项目

ZD2019-183-00341774133420741332019YFC0605503C2021QNLM0200014192202841821002

2024

10.3969/j.issn.1673-5005.2024.04.006

中国石油大学学报(自然科学版)
中国石油大学

中国石油大学学报(自然科学版)

CSTPCD北大核心
影响因子：1.169
ISSN：1673-5005
年,卷(期)：2024.48(4)
  • 3