计算机技术与发展2023，Vol.33Issue(9) ：175-181.DOI:10.3969/j.issn.1673-629X.2023.09.026

基于深度残差收缩网络的油气柱高度预测

Oil and Gas Column Height Prediction Based on Deep Residual Shrinkage Network

杜睿山 程永昌 孟令东
计算机技术与发展2023，Vol.33Issue(9) ：175-181.DOI:10.3969/j.issn.1673-629X.2023.09.026
✕
  • 维普
  • 万方数据

基于深度残差收缩网络的油气柱高度预测

Oil and Gas Column Height Prediction Based on Deep Residual Shrinkage Network

杜睿山 1程永昌 2孟令东3
扫码查看

作者信息

  • 1. 东北石油大学 计算机与信息技术学院,黑龙江 大庆 163318;油气藏及地下储库完整性评价黑龙江省重点实验室(东北石油大学),黑龙江 大庆 163318
  • 2. 东北石油大学 计算机与信息技术学院,黑龙江 大庆 163318
  • 3. 油气藏及地下储库完整性评价黑龙江省重点实验室(东北石油大学),黑龙江 大庆 163318
  • 折叠

摘要

油藏的含油气柱高度在很大程度上反映了圈闭中油气层的丰富程度.石油含量高度的估计,对于钻前储量评价、井位优化部署等都有着一定重要性.为了提升油气柱高度预测精度,展开基于神经网络模型的油气柱高度预测方法的研究,并侧重于一维残差收缩网络的研究,因为一维的卷积核侧重对每一维特征的提取,更符合本实验数据的特性;其次模型使用了残差块,该模块使用链接跳跃方法来绕过输入信息直接输出来保护信息完整性,进而缓解梯度损失和网络退化问题;软阈值作为非线性变换层插入到深层结构中,以消除不重要的特征,来提高从高噪声数据中学习特征的能力.同时,为了验证模型的有效性,对目前应用较为广泛的模型,如CNN、1DCNN、GoogLeNet、DenseNet、1DRSN在圈闭数据上的应用进行了比较和分析.1DRSN预测准确率达到84.0%,优于其他模型,表明该模型对油气柱高度预测有更加准确的结果.

关键词

油气柱高度/卷积神经网络/深度学习/软阈值/一维残差收缩网络

Key words

oil and gas column height/convolutional neural network/deep learning/soft thresholding/1DRSN

引用本文复制引用

基金项目

国家自然科学基金青年科学基金(41702156)

东北石油大学引导性创新基金(2020YDL-04)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量6
段落导航相关论文