基于卷积神经网络的储层识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-14页 |
| 1.1 选题依据及研究意义 | 第9页 |
| 1.2 国内外研究动态 | 第9-12页 |
| 1.2.1 储层识别技术的发展 | 第9-10页 |
| 1.2.2 深度学习理论与卷积神经网络 | 第10-12页 |
| 1.3 本文主要研究内容与技术路线 | 第12-14页 |
| 第2章 深度学习与相关技术 | 第14-23页 |
| 2.1 人工神经元 | 第14-15页 |
| 2.2 BP神经网络 | 第15-17页 |
| 2.3 梯度下降法 | 第17-19页 |
| 2.4 深度学习库——TensorFlow | 第19-21页 |
| 2.5 计算加速环境 | 第21-23页 |
| 2.5.1 GPU计算 | 第21-22页 |
| 2.5.2 CUDA与cuDNN | 第22-23页 |
| 第3章 卷积神经网络与卷积自编码的理论基础 | 第23-42页 |
| 3.1 卷积神经网络基础理论 | 第23-31页 |
| 3.1.1 卷积 | 第24-27页 |
| 3.1.2 池化 | 第27页 |
| 3.1.3 稀疏连接 | 第27-28页 |
| 3.1.4 权值共享 | 第28-29页 |
| 3.1.5 激活函数 | 第29-31页 |
| 3.2 自编码网络基础理论 | 第31-36页 |
| 3.2.1 逐层学习 | 第32-33页 |
| 3.2.2 自动编码器 | 第33-36页 |
| 3.3 卷积自编码计算模型 | 第36-41页 |
| 3.3.1 卷积自编码 | 第36-37页 |
| 3.3.2 训练模型 | 第37-40页 |
| 3.3.3 在MNIST手写字体集上的实验 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于地震数据深度学习的储层检测方法 | 第42-65页 |
| 4.1 数据集 | 第42-46页 |
| 4.1.1 工区概况 | 第42-44页 |
| 4.1.2 数据预处理 | 第44-45页 |
| 4.1.3 数据读取与TFRecord | 第45-46页 |
| 4.2 DCAE网络模型试算 | 第46-52页 |
| 4.2.1 模型训练 | 第46-49页 |
| 4.2.2 模型重建 | 第49-50页 |
| 4.2.3 PCA聚类分析 | 第50-52页 |
| 4.3 特征的相关性分析 | 第52-60页 |
| 4.3.1 特征图的提取 | 第52-57页 |
| 4.3.2 相关性评价函数 | 第57-60页 |
| 4.4 特征图与储层信息提取 | 第60-64页 |
| 4.4.1 特征图 | 第60-62页 |
| 4.4.2 储层特征分析 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-75页 |
| 攻读学位期间取得学术成果 | 第75页 |
