基于循环神经网络的测井曲线重构技术研究

测井是石油天然气勘探开发中的重要组成部分。实际测井过程中,由于仪器损坏等原因,易产生密度、声波等测井曲线严重失真问题,不利于测井资料的解释和处理工作。传统重构缺失数据的方法不仅难以实现而且成本较大,针对传统重构数据方法的问题,采用循环神经网络对真实的测井曲线进行重构。首先,分析出与缺失曲线相关性较高的一条或多条测井曲线,找出测井曲线之间的内在关系。然后,找出与缺失测井曲线相关性较高的曲线进行训练,最后对缺失测井曲线进行重构。结果表明:循环神经网络能有效的对缺失测井曲线实现高精度重构,在实际测井过程中具有一定应用价值。

基于改进的希尔伯特黄变换在地震数据处理中的应用研究

针对非线性非平稳的地震数据,希尔伯特黄变换(Hilbert-Huang Transform,HHT)存在较好的应用效果。传统的HHT受到经验模态分解(Empirical Mode Deco mposition,EMD)模态混叠的限制,为此提出一种改进的希尔伯特变换的方法,其通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)解决EMD存在的问题,避免了模态混叠现象,可以获得更丰富的特征。在地震数据处理中通过Hilbert谱可以展示更多的有效信息,刻画在整个时间上的局部特征,在简单信号和实际应用中是一种有效的分析工具。

基于机器学习的岩性分类识别研究

岩性识别是确定孔隙度和含油饱和度确定的基础,也为储层特征研究、储量计算和地质建模提供可靠的依据。大量丰富的地层岩性信息被包含在测井资料中,因此本文提出一种利用机器学习中的聚类算法对岩心资料进行岩石类型划分的方法,再使用分类算法对没有岩心数据的井段进行自动岩性分类,从而实现对整个井段的岩性自动分类识别。这种自动岩性识别和预测的流程,岩性分类划分合理,可以清楚的知道每种岩石物理特性,预测模型准确度高。

MFCCs和DTW在拼音相似度中的研究

汉语拼音的模糊匹配在关键词匹配、语音纠错等场景占据着重要地位,而传统的模糊匹配方法无法计算不同声母、韵母之间的听觉相似度,只能简单地将其作为相同和不同的两种情形处理,这在实际使用中,容易受方言、发音习惯等因素影响匹配正确率。文章针对该问题,提出了一种基于梅尔频率倒谱系数(MFCCs)和加入惩罚系数的动态时间序列规整(DTW)的方法,计算汉语拼音中各部分的相似度。MFCCs能够提取声音频谱中符合人耳听觉特性的特征,而DTW方法能够计算时间序列的相似度。根据实验表明,该方法能较好地区分出汉语拼音中发音相似的音标,能够提高各种拼音模糊匹配场景的匹配性能和准确率。