深层碳酸盐岩微相的准确识别对储层表征和甜点预测至关重要.深层碳酸盐岩储层具有成分复杂、微相类别多等特点,引起储层微相识别难度大,准确率低等问题.本文拟以深层碳酸盐岩储层的常规测井曲线、元素录井曲线和矿物解释成果曲线为输入...深层碳酸盐岩微相的准确识别对储层表征和甜点预测至关重要.深层碳酸盐岩储层具有成分复杂、微相类别多等特点,引起储层微相识别难度大,准确率低等问题.本文拟以深层碳酸盐岩储层的常规测井曲线、元素录井曲线和矿物解释成果曲线为输入,基于残差长短时记忆网络监督模型(Residual Long Short-term Memory,ResLSTM),构建输入测井曲线与碳酸盐岩储层微相的非线性映射关系,对深层碳酸盐岩微相进行智能识别.测试结果表明:(1)本文提出的ResLSTM网络中引入的残差结构有效地解决了网络传播过程中的梯度消失和梯度爆炸问题,和传统LSTM网络相比,利用本文提出的ResLSTM网络进行深层碳酸盐岩储层微相预测,精度提升超过10%;(2)针对储层中的薄互层段,ResLSTM模型的微相预测精度达92.4%,体现了ResLSTM模型的强鲁棒性.展开更多
文摘深层碳酸盐岩微相的准确识别对储层表征和甜点预测至关重要.深层碳酸盐岩储层具有成分复杂、微相类别多等特点,引起储层微相识别难度大,准确率低等问题.本文拟以深层碳酸盐岩储层的常规测井曲线、元素录井曲线和矿物解释成果曲线为输入,基于残差长短时记忆网络监督模型(Residual Long Short-term Memory,ResLSTM),构建输入测井曲线与碳酸盐岩储层微相的非线性映射关系,对深层碳酸盐岩微相进行智能识别.测试结果表明:(1)本文提出的ResLSTM网络中引入的残差结构有效地解决了网络传播过程中的梯度消失和梯度爆炸问题,和传统LSTM网络相比,利用本文提出的ResLSTM网络进行深层碳酸盐岩储层微相预测,精度提升超过10%;(2)针对储层中的薄互层段,ResLSTM模型的微相预测精度达92.4%,体现了ResLSTM模型的强鲁棒性.
文摘针对真实环境下声音异常检测域偏移的问题,提出一种基于时间频率注意力(time frequency-attention,TF-ATTN)网络和长短期记忆(long short-term memory,LSTM)的网络模型TF-LSTM。通过Kullback-Leibler(KL)散度抽离出对数梅尔谱输入特征中偏离均值帧最大的帧,利用TF-ATTN网络分别捕获特征元素在时间和频率维度的长距离依赖关系,最终通过LSTM模块预测抽离帧,计算与原始抽离帧的重构误差。在ToyADMOS2数据集上的实验结果表明:与基线模型(自编码器)相比,TF-LSTM模型在7种声源数据集上的源域AUC(area under the curve)、目标域AUC与p AUC(partial AUC)三项指标上均表现更优,目标域AUC提升1.24%~79.24%,目标域p AUC提升0.17%~24.03%。
