.png){kind=icon}
返回
Utilizing conditional generative adversarial networks for data augmentation in logging evaluation
.png){kind=icon}
PRE
AI
DOI：10.1063/5.0255353.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
测井对于储层和流体表征至关重要，其通过整合岩层的地球物理属性实现。传统评价方法在参数选择上存在困难，影响了预测精度和泛化能力。机器学习，特别是条件生成对抗网络（CGAN），提供了一种稳健的替代方案，解决了有标签和无标签测井数据之间的差异，这种差异可能导致评价偏差。本研究应用CGAN进行数据增强，以优化输入特征，改善测井解释。我们在中国的济阳坳陷实施了这一方法，使用包含194个数据点的数据集，每个数据点由18个测井曲线特征和来自NY1井的对应总有机碳测量值组成。该方法旨在通过针对性的数据增强来提升测井解释的准确性和可靠性。我们通过综合分析验证了增强数据的可靠性，包括数据特征评估、统计检验、互信息分析、相似性测量和一致性测试。结果表明，我们的数据增强策略是有效的，为测井解释和未来储层评估提供了稳健的框架。该方法的有效性和可靠性表明其在地震评价和工程开发等领域的广泛应用前景。这项研究不仅弥合了有标签和无标签数据之间的差距，还利用先进的机器学习来提升地球物理评价结果。它强调了创新数据增强在储层表征和地球物理勘探进展中的重要性。
Keyword:
SHALE
MODEL
IDENTIFICATION
PREDICTION
BASIN
OIL
期刊
IF:
4.3
论文数:
2.9W
被引数:
8.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏A Survey of Mix-based Data Augmentation: Taxonomy, Methods, Applications, and Explainability基于混合的数据增强调查: 分类，方法，应用和可解释性
PREAI
分享收藏Understanding the disparities in Mathematics performance: An interpretability-based examination理解数学成绩差异：一项基于可解释性的研究
OAAI
OAAI分享收藏分享收藏
查看更多内容