基于深度学习的岩性识别研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 岩性识别研究现状 | 第7-8页 |
| 1.2.2 深度学习研究现状 | 第8-9页 |
| 1.3 论文主要工作 | 第9-10页 |
| 1.4 论文结构 | 第10-11页 |
| 第2章 基本原理与方法 | 第11-19页 |
| 2.1 深度学习相关概念 | 第11-15页 |
| 2.1.1 受限玻尔兹曼机 | 第11-12页 |
| 2.1.2 深度信念网络 | 第12-13页 |
| 2.1.3 卷积神经网络 | 第13-14页 |
| 2.1.4 循环神经网络 | 第14-15页 |
| 2.2 岩性识别相关概念 | 第15-18页 |
| 2.2.1 地震属性 | 第15-16页 |
| 2.2.2 岩性 | 第16页 |
| 2.2.3 岩性识别方法 | 第16-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 基于CNN-BRNN的岩性识别 | 第19-33页 |
| 3.1 数据预处理 | 第19-24页 |
| 3.1.1 地震属性特征计算 | 第19-23页 |
| 3.1.2 岩性解释 | 第23页 |
| 3.1.3 数据预处理流程 | 第23-24页 |
| 3.2 基于CNN-BRNN的岩性识别 | 第24-28页 |
| 3.2.1 网络结构设计 | 第24-25页 |
| 3.2.2 算法描述 | 第25-28页 |
| 3.3 实验与分析 | 第28-31页 |
| 3.3.1 SEGY地震数据 | 第28-29页 |
| 3.3.2 模型对比实验 | 第29-30页 |
| 3.3.3 岩性剖面识别 | 第30-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于深度信念网络的岩性识别 | 第33-47页 |
| 4.1 深度信念网络简介 | 第33-37页 |
| 4.1.1 BBRBM | 第33-35页 |
| 4.1.2 GBRBM | 第35页 |
| 4.1.3 深度信念网络 | 第35-37页 |
| 4.2 基于深度信念网络的岩性分类模型 | 第37-40页 |
| 4.2.1 PCD算法改进 | 第37-38页 |
| 4.2.2 地震数据的多采样点描述 | 第38页 |
| 4.2.3 算法描述 | 第38-40页 |
| 4.3 实验与分析 | 第40-45页 |
| 4.3.1 PCD算法改进实验 | 第40-42页 |
| 4.3.2 多采样点对比实验 | 第42-45页 |
| 4.4 应用与分析 | 第45-46页 |
| 4.4.1 GeoScope | 第45页 |
| 4.4.2 岩性识别应用 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 工作总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 附录A 攻读硕士学位期间的工作成果 | 第52-53页 |
| 致谢 | 第53页 |
