基于节点映射与标签数据构建的链接预测方法

为改进基于局部或全局信息相似性度量方法中存在的无法全面提取网络结构信息的问题,以及基于网络表示学习的方法不能对链接的不存在性进行度量的问题,提出一种结合节点向量化方法与机器学习分类算法的Net2Vec-CLP框架。使用具有重启机制的随机游走方法获得节点环境序列,将源网络信息转换成向量表示,在此基础上生成标签数据集,使用带sigmoid核映射方法的SVM模型进行二分类预测。实验结果表明,算法在Facebook数据集上较Node2Vec方法AUC值提高了2.47%,在其它数据集上也有可观测的优势。同时,结合二分类思想的方法,其能明确度量不存在链接关系的数据。

岩石物理建模引导的低渗储层参数预测方法

【背景】准确预测储层参数对地下储层表征、气藏模式构建、产能释放及流体运移理解具有关键意义。传统基于岩心测量或数学−岩石物理建模的方法受限于弹性参数反演结果的多解性和低精度,难以满足现代勘探需求。【目的和方法】为提升低渗储层参数预测的准确性,提出了一种岩石物理建模引导的低渗储层参数预测方法。将卷积神经网络(Convolutional Neural Network,CNN)作为深度学习框架,从实际地震数据中直接预测含水饱和度、泥质含量及孔隙度;为解决标签数据稀缺问题,结合岩石物理建模与弹性参数随机扰动技术,生成高质量训练样本,有效扩充了数据集。【结果和结论】理论模型测试表明:在储层参数对岩石物理敏感性较低的情况下,也能实现低渗储层参数的空间分布预测;相比纯数据驱动的深度学习,仅需少量测井数据即可获得高精度的储层参数预测结果。在莺歌海盆地东方区的应用实践表明,该方法优化了钻井部署,助力了低渗领域的重大勘探突破和储量发现。