QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 3003|回复: 1
打印 上一主题 下一主题

[书籍资源] 基于 LSTM 循环神经网络的岩性识别方法

[复制链接]
字体大小: 正常 放大
杨利霞        

5273

主题

82

听众

17万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    跳转到指定楼层
    1#
    发表于 2020-11-6 11:36 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta
    基于 LSTM 循环神经网络的岩性识别方法

      ^1 `! O. N; L# r) e, P- M' ?) e/ _+ T8 o# x4 p, o# p
    $ J1 q7 w9 Z, Q; j( B6 I
    针对复杂碳酸盐岩储层岩石组分复杂、岩性多样,常规测井岩性识别方法受限等问题,提出利用
    # o9 A% V* F9 F. W长短期记忆神经网络(LSTM)提高岩性识别效果的方法,并结合实际数据进行验证和应用效果分析。+ p6 ]* W1 }' z3 K4 B
    考虑到常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息,从而基于
    6 v0 f+ n3 m+ f' c7 f' Y7 DLSTM方法构建了能够提取和学习岩性沉积序列特征的岩性识别手段。以苏里格气田苏东地区下古生
    ; Q, [  r, D  H, s# n$ T$ r' P界碳酸盐岩储层为例,通过敏感性分析选取自然伽马、光电吸收截面指数、密度、声波时差、补偿中子和
    ( X9 J6 k8 V* w0 N) b电阻率等6种测井参数,构建了基于LSTM的岩性识别模型。结果表明,与朴素贝叶斯、KNN、决策树、
    4 G% h( P- ?9 j; f1 t- |/ hSVM和HMM等传统方法相比,LSTM的岩性识别准确率提升幅度介于1.40%~12.25%。高精度的
    6 ?) u1 N/ v2 z8 T1 T1 A6 E+ ~LSTM岩性识别模型为复杂碳酸盐岩储层的表征和评价提供了数据基础。
    ) e5 N8 c3 O9 Z0 {- H, ^9 F
    + E, o8 D( v; ?1 ]! D% b
    ( I! C# A4 x9 r7 T9 |' l( c# l0 w

    基于 LSTM 循环神经网络的岩性识别方法.pdf

    1.53 MB, 下载次数: 3, 下载积分: 体力 -2 点

    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
    50761488        

    0

    主题

    2

    听众

    46

    积分

    升级  43.16%

    该用户从未签到

    回复

    使用道具 举报

    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2026-4-16 00:49 , Processed in 1.097514 second(s), 64 queries .

    回顶部