-
题名基于L_(1-2)范数的时移波阻抗反演方法
- 1
-
-
作者
李文瑾
李景叶
王永平
-
机构
中国石油大学(北京)油气资源与工程全国重点实验室
中国石油大学(北京)地球物理学院
-
出处
《石油科学通报》
2024年第6期921-930,共10页
-
基金
国家重点研发计划“二氧化碳强化油藏开采与地质储集一体化关键技术及应用示范”(2022YFE0206700)项目资助。
-
文摘
超临界CO_(2)注入到地下储集空间后会引起封存空间属性的强烈变化,此时会在叠后时移地震数据上表现出明显的时移响应信息。时移波阻抗反演是利用叠后时移差异数据计算差异波阻抗,识别储层变化的一种有效方法。储层参数变化通常是局部性的,因此差异波阻抗通常会表现出明显的块状特征,即差异波阻抗反射率具有稀疏性质。常规时移波阻抗反演方法中使用的L_(2)或L_(1)正则化约束项的稀疏性不足,导致对于时移差异的边界刻画不清晰的问题。本文提出将具有更加稀疏特性的L_(1-2)范数作为先验约束条件加入差异波阻抗反演中以增强反演结果在阻抗界面处的刻画清晰程度。通过模型测试分析,L_(1-2)范数约束相比L_(1)范数和L_(2)范数在垂向上具有最高的反演分辨率。同时为了克服采用单道反演方法可能造成的反演结果横向连续性差的问题,本文引用f-x滤波方法对结果进行改善。本文方法应用于模型数据和挪威Sleipner深部咸水层CO_(2)地质封存的结果表明,基于L_(1-2)范数约束的时移波阻抗反演方法能够有效且精确地表征时移地震差异响应,可以用作CO_(2)地质封存监测的一种手段。
-
关键词
差异反演
l_(1-2)范数
贝叶斯框架
CO_(2)地质封存
稀疏
-
Keywords
difference inversion
l_(1-2)norm
Bayesian framework
CO_(2)geological storage
sparse
-
分类号
P631.4
[天文地球—地质矿产勘探]
P618.13
[天文地球—矿床学]
-
-
题名稀疏统计学习及其最新研究进展综述
被引量：2
- 2
-
-
作者
张红英
董珂臻
-
机构
西安交通大学数学与统计学院
-
出处
《西南师范大学学报（自然科学版）》
CAS
2023年第4期1-12,共12页
-
基金
国家自然科学基金面上项目(12171386,11671007)。
-
文摘
稀疏性意谓可以仅用少数位于低维子空间的参数(特征变量)近似表示高维空间的复杂物理过程,是实际应用中普遍存在的性质.稀疏统计学习旨在探索高维数据的稀疏性,并进行统计建模和推断.文章综述了基于回归分析的稀疏统计学习模型及其最新研究进展.主要介绍了各类带有凸或非凸正则项的稀疏回归模型,特别是L_(1/2)正则化框架的算法和应用.近10年来,深度学习取得革命性进展,结合传统稀疏统计学习模型与深度神经网络的研究逐渐受到了广泛的关注.文章主要介绍了基于稀疏建模的深度学习方法和数据驱动的稀疏统计分析方法,前者包括深度网络展开等,后者则包括深度哈希学习及深度典型相关分析.最后,文章进行了总结,并展望了未来可能的研究方向.
-
关键词
稀疏性
正则化框架
正则项
l_(1/2)正则化框架
深度学习
深度网络展开
-
Keywords
sparsity
regularization framework
regularization terms
l_(1/2)-regularization framework
deep learning
deep unfolding networks
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
