蚂蚁追踪技术在辛34断块解释中的应用

东辛油田辛34断块断裂复杂,多数为低级序断裂,识别难度较大,利用蚂蚁追踪技术对辛34断块内断层进行自动追踪解释.地震资料构造平滑处理之后,利用方差体属性检测地震数据在空间上的不连续性,在方差体属性基础上生成蚂蚁属性体,将自动解释成果与人工解释成果进行对比.结果表明:蚂蚁属性体虽含有断裂假象,但其平面和剖面断层的空间展布痕迹较清晰;三维断片编辑后可直接转化为解释数据并用于构造模型建立;自动解释成果与人工解释成果相差不大,对于某些低级序断层,蚂蚁自动解释识别能力更强,蚂蚁属性体断裂痕迹可以有效地指导断裂平面及剖面解释,使得解释效果更加精确;验证了该方法的实用性和有效性,可以辅助人工解释.

义34区块施工工艺

在义34区块多口井成功钻探的基础上,本文总结了该区块提高机械钻速的方法和技术措施,为该区块今后钻井作业高效优质的施工提供有益的借鉴。

黄河口凹陷渤中34—1复杂断块区构造特征及储层预测

渤中34-1浅层复杂断块区处于郯庐走滑断裂带内,受其影响和控制该区断层较发育。根据新近系发育的断层走向,可将其划分为两套断层组合:NE向断层组合和NW向断层组合。其中NE向断层组合为走滑断裂右行扭动拉张分量作用下产生的一系列正断层,与长期活动的主断层形成“Y”字型组合,是油气运移的主要通道;NW向断层组合为走滑断层右行扭动应力作用下形成的一系列压扭性断层,具有较好的封堵性,有利于油气的聚集和保存。该区主要含油气层位明化镇组下段为厚层泥岩夹砂岩的浅水河控三角洲和曲流河沉积环境,砂岩储层在地震剖面上表现为强反射,依据振幅、能量等属性可较好地预测储层。由于该区域存在两种不同采集方式的三维地震区,为了消除单属性预测储层的不足,采用了多参数聚类分析的方法,获得了比较好的效果。

基于卷积神经网络的水稻氮素营养诊断

为了快速、准确诊断和识别水稻氮素胁迫程度,对水稻进行大田栽培试验。以超级水稻‘两优培九’为试验对象,设置0、210、300和390 kg·hm^(-2)共4个施氮水平处理,通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像,在卷积神经网络(convolutional neural network,CNN)ResNet34的每个残差块中加入SE block(squeeze-and-excitation block)模块,并将在图像数据集ImageNet(ImageNet large scale visual recognition challenge)上训练得到的权重参数迁移到水稻氮素营养诊断的识别模型中,ResNet34的特征提取层保持原结构,模型结尾的池化层替换为全局平均池化层,利用改进后的网络对水稻图像进行特征提取,训练得到最优的权重参数。结果表明,改进后的网络对水稻幼穗分化期的模型测试准确率达到98.13%,齐穗期的准确率达到99.46%,且模型的收敛速度更快,相比于改进前的网络准确率均提升了7%以上。以上结果表明,通过在ResNet34残差块中加入SE block并基于迁移学习的方法对水稻氮素营养诊断方法是可行的,能有效对水稻幼穗分化期和齐穗期的氮素营养进行诊断识别,为农作物的营养诊断识别提供了参考。