Fluid classification with dynamic graph convolution network by local linear embedding well logging data

物理 嵌入 卷积(计算机科学) 图形 登录中 理论计算机科学 人工智能 人工神经网络 计算机科学 生态学 生物
作者
Youzhuang Sun,Shanchen Pang,Yongan Zhang,Junhua Zhang
出处
期刊:Physics of Fluids [American Institute of Physics]
卷期号:36 (2)
标识
DOI:10.1063/5.0187612
摘要

Fluid prediction is pivotal in exploration, aiding in the identification of targets and estimating reserve potential. To enhance well logging data processing, we employ local linear embedding (LLE) for dimensionality reduction. LLE effectively reduces data dimensionality by identifying local linear relationships and preserving essential local structure in a low-dimensional space, which is particularly advantageous for log data that often contains formation-specific information, including fluid content. The process of dimensionality reduction through LLE retains vital stratigraphic information, which is key for insightful subsequent analyses. Next, we utilize a dynamic graph convolutional network (DGCN) integrated with a multi-scale temporal self-attention (TSA) module for fluid classification on the reduced data. This multi-scale temporal self-attention module is specifically designed to capture time series information inherent in well logging data, allowing the model to autonomously learn and interpret temporal dependencies and evolutionary patterns in the data. This enhances the accuracy of fluid prediction, particularly in the context of varying rock layer characteristics over time. Our methodology, combining LLE with DGCN-TSA, has demonstrated high accuracy in applications such as Tarim Oilfield logging data analysis. It amalgamates advanced technologies with a robust generalization ability. In practical applications, this approach provides steadfast support for oil and gas exploration, significantly contributing to the refinement of fluid prediction accuracy.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
荔枝完成签到 ,获得积分10
5秒前
木木杉完成签到 ,获得积分10
6秒前
chenying完成签到 ,获得积分0
7秒前
时尚东蒽完成签到,获得积分20
8秒前
遇楹完成签到 ,获得积分10
19秒前
内向南风完成签到 ,获得积分10
27秒前
雷九万班完成签到 ,获得积分10
40秒前
PM2555完成签到 ,获得积分10
45秒前
单兰完成签到 ,获得积分10
53秒前
竞鹤发布了新的文献求助10
59秒前
mousehe完成签到,获得积分10
1分钟前
研友_ZA2B68完成签到,获得积分10
1分钟前
松子的ee完成签到 ,获得积分10
1分钟前
橘子小西完成签到 ,获得积分10
1分钟前
平常雨泽完成签到 ,获得积分10
1分钟前
糊涂的青烟完成签到 ,获得积分10
1分钟前
Chloe发布了新的文献求助10
1分钟前
GIPCY完成签到 ,获得积分10
1分钟前
小马甲应助开放道天采纳,获得10
1分钟前
whitepiece完成签到,获得积分10
1分钟前
马大翔完成签到,获得积分10
1分钟前
wonderbgt完成签到,获得积分10
1分钟前
云峤完成签到 ,获得积分10
1分钟前
mzrrong完成签到 ,获得积分10
1分钟前
天才大肥猫完成签到 ,获得积分10
1分钟前
1分钟前
8D完成签到,获得积分10
1分钟前
lx完成签到,获得积分10
1分钟前
缓慢的微笑完成签到 ,获得积分10
1分钟前
WYR发布了新的文献求助10
1分钟前
XZZ完成签到 ,获得积分10
1分钟前
Supermao完成签到 ,获得积分10
1分钟前
月亮是甜的完成签到 ,获得积分10
2分钟前
无限的山水完成签到 ,获得积分10
2分钟前
年糕完成签到 ,获得积分10
2分钟前
高海龙完成签到 ,获得积分10
2分钟前
张尧摇摇摇完成签到 ,获得积分10
2分钟前
和谐的果汁完成签到 ,获得积分10
2分钟前
郭元强完成签到,获得积分10
2分钟前
何晓俊完成签到,获得积分10
2分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052652
求助须知:如何正确求助?哪些是违规求助? 2709874
关于积分的说明 7418298
捐赠科研通 2354492
什么是DOI,文献DOI怎么找? 1246104
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921