基于Inception模块 (Inception-BiGRU) 的双向门式循环单元网络通过数据记录预测缺失的数据
Youzhuang Sun1, Junhua Zhang1, Zhengjun Yu2
1College of Earth Science and Technology, China University of Petroleum, Qingdao 266555, China.
ACS omega
|August 7, 2023
概括
这项研究引入了一种新的Inception-BiGRU模型,以准确地完成缺少的声学 (AC) 记录数据. 这种方法通过克服记录故障造成的数据差距来增强储水库的解释.
科学领域:
- 地质物理学 地质物理学
- 石油工程是石油工程中的一个.
- 数据科学数据科学数据科学
背景情况:
- 声学 (AC) 记录数据对于水库分析,桥梁地震和井记录信息至关重要.
- 由于设备故障或钻井问题而缺少交流数据,妨碍了准确的水库表征.
- 重新记录通常是不切实际的和昂贵的,需要数据完成方法.
研究的目的:
- 开发一种准确的方法来使用其他可用的记录参数来完成缺少的交流日志记录数据.
- 利用深度学习,通过高分辨率的反转档案来改进水库地质解释.
主要方法:
- 开发了一个混合深度学习模型Inception-BiGRU.
- 开始模块从日志记录数据中提取功能.
- 一个双向封闭的循环单元网络处理这些特征来预测缺失的交流数据,考虑顺序依赖.
主要成果:
- 与GRU和LSTM等传统模型相比,Inception-BiGRU模型在完成AC记录数据方面表现出更高的准确性.
- 该模型有效地利用提取的特征和顺序数据特征进行准确的预测.
结论:
- 发明-BiGRU模型为充满挑战的AC日志数据完成问题提供了强大而准确的解决方案.
- 这种方法提供了一个有价值的新策略,用于在数据缺口的情况下进行水库表征和定量评估.
更多相关视频
06:21Author Spotlight: Understanding Processing of Olfactory and Spatial Information by Brain with Real-Time Behavioral Analysis
Published on: September 20, 2024
824
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
