陈伟
- 作品数：21 被引量：51H指数：3
- 供职机构：长江大学更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：天文地球石油与天然气工程自动化与计算机技术金属学及工艺更多>>
- 多层长短期记忆神经网络孔隙度预测
- 地震储层预测是以地震信息为内在条件,结合测井资料等来对油气储层进行预测的技术。在类别上地震储层预测包含物性预测、岩相预测、岩性预测和含油气性的综合分析,这其中地震数据的噪声对储层预测有很大的影响。从理论上来说想要预测油气...
- 陈伟杨柳青
- 关键词：孔隙度预测储层参数预测地震储层预测测井数据人工神经网络
- 基于残差收缩网络的地震数据增强方法
- 2025年
- 高品质地震数据对地震反演和解释任务至关重要。深度学习技术已被广泛用于提升地震数据质量,但现有方法常以结果为导向而可解释性低,且可复现性低限制了研究结果的验证性。以地震数据特性及特定处理任务为出发点设计独特网络以用于地震数据增强,为神经网络在地震勘探中的“黑箱”特性提供见解。该网络采用全卷积、非下采样框架来适应地震数据的高局部相关性和低全局相关性。网络结合改进的残差收缩模块来提高信噪比,并使用绝对最大归一化进行分布域变换使数据符合地震子波均值为零的正态分布的特性。以基于公开合成地震数据进行训练并用公开真实地震数据测试的策略,通过使用信噪比、局部相似性和频谱分析证实了网络在衰减随机噪声、保真度和相对保幅方面的有效性。易复现且严格控制变量的多项对比实验证实了所提出的网络在不同噪声水平下的鲁棒性和对真实地震数据的泛化能力。
- 陈伟陈名德郭锐杨浪
- 基于PCA与K-SVD的地震数据去噪方法
- 2025年
- 噪声干扰严重影响地震信号的质量,研究优秀的地震数据去噪方法是地震勘探领域一项具有挑战的任务。针对传统字典学习K-SVD去噪算法在处理地震数据时的局限性,文中提出了一种结合主成分分析(PCA)和K-SVD的地震数据去噪方法。首先,利用PCA对地震数据降维处理,将高维地震数据转换到更低维度的特征空间,有效提取地震信号的主要特征,减少数据冗余,降低计算复杂度;其次,通过PCA与K-SVD联合将信号表示为一组稀疏的基向量线性组合,捕获地震信号的稀疏性质,有效去除噪声;最后,在模拟数据和实际地震数据集上对比三种方法的有效性。数据试算和实际数据试验结果表明,基于PCA与K-SVD的地震数据去噪方法在去除地震数据中噪声的同时,能够保留地震信号的重要特征,显著提高了地震数据的信噪比,与传统KSVD算法相比,不仅有更低的计算成本,而且能够实现更好的去噪效果,为地震数据的去噪处理提供了一种新思路。
- 胡海鹏徐振旺未晛郭乃川卢仙娜陈伟
- 关键词：主成分分析去噪
- 一种面波数据的处理方法、装置、设备及介质
- 本发明涉及了一种面波数据的处理方法、装置、设备及介质，一种面波数据的处理方法，包括：将目标工区内的原始地震数据转换为多个基函数；根据所述多个基函数修正预先生成的空间模型，其中，空间模型是由多个基函数生成的；根据修正后的空...
- 啜晓宇陈伟葛良胜田玉昆陈英富杜治利靳胜凯马一行杨舒齐
- 基于卷积门控循环单元网络的储层参数预测方法被引量：30
- 2019年
- 储层参数是储层评价的一项重要内容。针对传统储层预测方法难以摆脱线性方程的束缚及预测精度不高的问题,将卷积神经网络与门控循环单元网络相结合,提出了卷积门控循环单元网络模型。该模型不仅具备卷积神经网络局部感知的特性,还具备门控循环单元网络长期记忆的功能,从而具有表达数据时空特征的能力。基于某井区A井已知井段测井资料建立卷积门控循环单元网络孔隙度预测模型,预测该井区未知深度段的孔隙度,并提出变学习率训练方法。实验证明,与单一的卷积神经网络模型、门控循环单元网络模型相比,卷积门控循环单元网络模型能够更有效地提取数据特征,预测精度更高,可为储层参数的预测提供新的思路。
- 宋辉陈伟李谋杰陈伟
- 关键词：储层参数预测孔隙度循环神经网络
- 一种白色荧光粉及其制备方法、应用
- 本申请提供了一种白色荧光粉及其制备方法、应用，属于荧光粉技术领域，其中，荧光粉的化学式为Sr<Sub>1‑x</Sub>Ca<Sub>x</Sub>Gd<Sub>1‑y‑z</Sub>AlO<Sub>4</Sub>：yD...
- 朱德生陈伟郑传直徐元林肖刘
- 基于门控循环神经网络模型的孔隙度预测方法
- 一种基于门控循环神经网络模型的孔隙度预测方法，包括以下步骤：S1：构建用于孔隙度预测的基于门控循环神经网络模型；基于门控循环神经网络模型包括GRU层、全连接层；S2：选取多组能表征已知井孔隙度的测井参数作为输入数据，按比...
- 陈伟宋辉
- 文献传递
- 基于深度神经网络的砂岩储层孔隙度预测方法被引量：19
- 2020年
- 为了提高储层参数的预测精度,使用深度神经网络(deep neural networks,DNN)对储层的孔隙度进行预测;在深度神经网络中应用Adam自适应学习率优化器,并与卷积神经网络(convolutional neural network,CNN)和BP神经网络(BP neural network,BPNN)进行预测精度对比;网络训练中引入“丢弃”(dropout)正则化技术随机丢弃每层神经元来减少过拟合现象;采用Relu函数避免深度神经网络在迭代时陷入局部最小值,加速参数更新,增加收敛的鲁棒性。以测井数据为驱动,同时以网络模型的超参数调节对孔隙度预测精度的影响进行实验模拟。实际资料处理表明,随着网络深度增加及参数调试,DNN预测数值与原始数值高度吻合,采用深度神经网络的储层孔隙度预测方法可以应用于利用测井资料开展储层预测的实际生产。
- 杨柳青查蓓陈伟
- 关键词：测井资料储层参数预测人工神经网络
- 基于CEEMD的自适应阈值随机噪声衰减被引量：3
- 2022年
- 为了研究随机噪声压制,将完备集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)与自适应小波阈值去噪方法相结合,提出一种新的随机噪声衰减方法,引入归一化自相关函数分析,确定需要进行自适应小波阈值去噪的固有模态分量,重构各分量及剩余分量,得到去噪后的地震数据。在进行小波阈值处理时,根据不同层数和小波分解次数选取合适的自适应阈值;并且在传统软、硬阈值函数的基础上改进小波阈值函数,克服传统阈值函数存在的缺陷。数值模拟和实际资料结果表明,相较于常规方法,所提方法具有更好的随机噪音衰减效果。
- 代倩倩张卫张卫杨浪陈伟
- 基于轻量化网络和多域损失函数的随机噪声衰减方法
- 2025年
- 随机噪声的存在严重影响了地震数据的质量,对地震解释和反演解析带来了严重干扰,特别是在深层油气勘探过程中有效信号相对较弱的情况下问题更为突出。为了提高地震资料信噪比,设计了具有多尺度特征提取能力的轻量化网络架构,采用并行多尺度大核空洞卷积模块捕获跨尺度局部特征,结合通道—空间双注意力机制建立全局特征关联,然后构建时频域联合优化目标函数,通过自适应权重系数平衡时域均方误差与频域能量损失,在去除随机噪声的同时减少有效信号损失,最后利用数据分块训练策略,将大规模地震数据分割为可并行处理的训练样本集,提升模型泛化能力,最终形成了一种联合轻量化网络与多域损失函数来去除地震数据中随机噪声的方法。研究结果表明:①多域损失函数通过优化时域和频域内的损失值,确保了在抑制噪声的同时最大限度地保护原始信号的完整性和局部细节特征,有效提高了资料的信噪比;②与前馈去噪卷积神经网络(DnCNN)相比,提出的方法在参数量(Params)、浮点运算次数(FLOPs)和训练时长方面均有明显改进,将Params减少了约14.29%,FLOPs减少了约15%,并且训练时间缩短了约40.88%;③多尺度平行大核卷积通过并行3种尺度的空洞卷积,实现了跨尺度局部特征的协同提取,可以更好的处理复杂地震数据。结论认为,提出的新方法不仅能够有效去除地震数据中的随机噪声,而且通过优化网络结构实现了更低的计算成本和更快的训练速度,对提高地震勘探效果有着重要的实践意义。
- 陈伟李安禹李韵竹未晛张庆臣金彦魏龙海
- 关键词：地震资料处理随机噪声多尺度轻量化
