CN104011566A - 用于分析地质构造的特性的基于小波变换的系统和方法 - Google Patents

Abstract

本发明涉及一种用于分析地质构造的特性的方法，其包括：在处理器处获得代表地质构造的地层、结构或物理特性的至少其中之一的数据；在处理器处对所获得的数据或者从所获得的数据解释出或导出的数据的至少一部分应用小波变换，从而导出代表所获得的数据的一个或多个小波变换系数；在处理器处将所获得的数据或者从所获得的数据解释出或导出的数据当中的至少一项或多项分割成各个片段；在处理器处，在小波变换的一个或多个尺度下在每一个片段上确定所获得的数据或者从所获得的数据解释出或导出的数据的变异性度量，其中所述变异性度量至少是基于对应于每一个片段的小波变换系数；以及在处理器处基于所确定的变异性度量对每一个片段进行分析，从而产生地质构造的地层、结构或物理分类。

Description

用于分析地质构造的特性的基于小波变换的系统和方法

技术领域

本发明总体上涉及分析地质构造的特性，更具体来说涉及利用小波变换来确定地质构造的地层、结构或物理分类。

背景技术

地质构造通常表现出沉积异质性，从而使得确定储藏属性的分布具有挑战性。

因此希望有一种以高度一致性和准确性自动分析地质构造的物理或地层特性的方法和系统。

发明内容

一个实施例包括一种用于分析地质构造的特性的方法。所述方法包括：在处理器处获得代表地质构造的地层、结构或物理特性的至少其中之一的数据；在处理器处对所获得的数据或者从所获得的数据解释出或导出的数据的至少一部分应用小波变换，其中包括而不限于从所解释出的数据导出的数据，从而导出代表所获得的数据的一个或多个小波变换系数；在处理器处将所获得的数据或者从所获得的数据解释出或导出的数据当中的至少一项或多项分割成各个片段；在处理器处，在小波变换的一个或多个尺度下在每一个片段上确定所获得的数据或者从所获得的数据解释出或导出的数据的变异性度量，其中所述变异性度量至少是基于对应于每一个片段的小波变换系数；以及在处理器处基于所确定的变异性度量对每一个片段进行分析，从而产生地质构造的地层、结构或物理分类。

另一个实施例包括一种存储有用于分析地质构造的特性的指令的计算机可读介质，其中包括在由至少一个处理器执行时使得所述处理器施行以下步骤的机器可执行代码：在处理器处获得代表地质构造的地层、结构或物理特性的至少其中之一的数据；在处理器处对所获得的数据或者从所获得的数据解释出或导出的数据的至少一部分应用小波变换，从而导出代表所获得的数据的一个或多个小波变换系数；在处理器处将所获得的数据或者从所获得的数据解释出或导出的数据当中的至少一项或多项分割成各个片段；在处理器处，在小波变换的一个或多个尺度下在每一个片段上确定所获得的数据或者从所获得的数据解释出或导出的数据的变异性度量，其中所述变异性度量至少是基于对应于每一个片段的小波变换系数；在处理器处基于所确定的变异性度量对每一个片段进行分析，从而产生地质构造的地层、结构或物理分类；以及在存储器设备中存储所述地质构造的地层、结构或物理分类。

附图说明

在结合附图阅读后面的详细描述时，本领域技术人员将更容易认识到这里所描述的其他特征，其中：

图1是根据一个实施例的将要分析的示例性地质构造的图示；

图2是根据一个实施例的与计算机通信的探测器的示意图；

图3是根据一个实施例的用于分析地质构造的特性的方法的流程图；

图4是根据一个实施例的示出了图3中的方法的细节的流程图；

图5是根据一个实施例的示出了图3中的方法的细节的流程图；

图6是根据一个实施例的示出了重新分类处理的细节的流程图；

图7是根据一个实施例的示出了图6中的重新分类处理的阶段1的细节的流程图；

图8是根据一个实施例的示出了图6中的重新分类处理的阶段2的细节的流程图；

图9示出了根据一个实施例的被用于预测斜坡相的示例性数据的曲线图；

图10示出了根据一个实施例的使用自上而下方法的分类结果；以及

图11示出了根据一个实施例的被用于利用自下而上方法预测斜坡相的示例性数据的曲线图。

具体实施方式

地质构造通常表现出沉积、结构或物理异质性。可以通过相或类别来描述沉积或物理异质性的类型，这是一种在对油气储藏进行建模方面有用的概念。有时通过裂缝密度来定量地描述例如裂缝之类的结构异质性，这给出关于每单位深度的裂缝数目的局部化估计。可以通过视觉分析以定量方式标明具有高裂缝密度的区段，从而得到具有两个或更多类别的分类，其例如对于低裂缝存在被标记为“0”，并且对于高裂缝存在被标记为“1”。这样的高裂缝密度的区段处在对于油气勘探感兴趣的特定沉积环境中。

由于沉积异质性，在对碳酸盐田的斜坡环境进行建模方面的储藏属性的分布常常具有挑战性。近来，将模拟露头岩层(analog outcrop)观察与地震级别架构、核心数据和钻井记录解释相关联的地质解释已被应用于斜坡相的分类。在人工联系不同类型的数据方面已经确立了平台相、上方、中部和下方斜坡相的其中一些地层和物理属性。

图1示意性地示出了在热带海洋环境中最初沉积在海平面以下的示例性地质构造100的相结构的一个实例。在该例中，所述相结构宽泛地包括被示出为相1、相2和相3的三个相，但是在其他地质构造中也可以存在其他数目的相。地质构造100包括露头岩层构造，但是也可以代表地下碳酸盐斜坡构造。收集并且分析与地质构造100的地层、结构和/或物理特性相关联的数据。这样的数据收集可以例如利用对于图像的视觉检察或者在现场通过人工方式来施行，或者利用测量探测器来施行，或者使用这些技术的组合。此外，可以利用计算系统或设备中的处理器来处理所获得的数据，并且可以对于从与地质构造100的特性相关联的所获得的数据解释出或导出的数据实施进一步的分析。从地质构造解释出的地层数据的实例包括层理倾角或地层倾角、沉积相以及从沉积相的并置规则导出的沉积环境的形态元素。

如图2中所示，由探测器110获得的数据(例如钻孔数据)以及/或者从中解释出或导出的数据通常被存储在本地存储器设备中或者通过连线(但是所述连接也可以是无线连接)被中继到例如可以位于钻井设施处的计算机250，其中可以通过计算机250的总线260(其可以是任何适当类型)接收数据并且例如存储在硬盘、光盘、闪存、临时RAM存储装置或其他介质之类的计算机可读存储设备270上，以便利用计算机250的处理器280进行处理。从由探测器110提供的所测量的数据解释出或导出的数据的实例包括来自电阻率图像的地层倾角解释测井，经过内插和过滤的地层倾角解释测井，或者通过线性滤波(比如通过小波变换)从电阻率图像获得的测井。应当提到的是，尽管这里讨论了钻孔数据，但是也可以使用从对于地质构造100的视觉检察直接获得的其他类型的数据或者从中导出或解释出的数据来分析地质构造100的物理和地层特性，正如后面所讨论的那样。

图3总体上示出了根据一个实施例的用于分析地质构造100的特性的方法的流程图300。图3中的流程图300以及图4-8中的后续的流程图代表用于实施分析地质构造100的特性的方法的示例性机器可读指令。后面对于流程图300所描述的步骤或处理是用于实施根据本公开内容中描述的实施例的方法的示例性机器可读指令。在一个实例中，所述机器可读指令包括用于由以下各项执行的算法：(a)处理器、(b)控制器以及/或者(c)一个或多个其他适当的处理设备。所述算法可以被实例化在存储于有形介质上的软件中，所述有形介质比如有闪存、CD-ROM、软盘、硬盘、数字视频(通用)盘(DVD)、蓝光盘或者其他存储器设备，但是本领域技术人员将很容易认识到，整个所述算法和/或其各个部分可以替换地由除了处理器之外的其他设备来执行，并且/或者可以被具体实现在固件或专用硬件中。举例来说，所述算法可以由专用集成电路(ASIC)、可编程逻辑设备(PLD)、现场可编程逻辑设备(FPLD)、现场可编程门阵列(FPGA)、分立逻辑等等来实施。举例来说，用于分析地质构造100的特性的方法的任何或所有组件可以由软件、硬件和/或固件来实施。此外，这里所描述的其中一些或所有机器可读指令可以被人工实施。此外，虽然这里在流程图中描述并说明了本发明的一个实施例，但是本领域技术人员将很容易认识到，可以替换地使用实施所述示例性机器可读指令的许多其他方法。举例来说，在一些步骤中可以改变执行顺序，并且/或者例如可以根据具体地质构造改变、去除或组合所描述的其中一些步骤。

现在参照图3，在方块302中，处理器280实施获得代表地质构造100的物理、结构或地层特性当中的一项或多项的数据。在一个实施例中，处理器280从探测器110、远程地或者从本地获得数据以进行处理，并且从所获得的数据导出或解释出数据。仅作为举例，这样的所获得的数据包括地质构造100的地层倾角解释、电阻率或电导率以及/或者孔隙度。由处理器280获得的数据可以被转换成图形形式，从而作为用于显示和/或进一步处理的图像数据。所述图形数据可以被存储为全彩色数据(例如24比特JPEG数据)，或者可以是单色或灰度数据。图像数据(或图像测井)可以代表例如利用诸如来自Schlumberger(Houston，TX)的FULLBORE FORMATIN MICROIMAGER(FMI)^TM的工具在钻井中的多个位置当中的每一个位置处获得的电阻率迹线。由处理器280对从所获得的数据导出的电阻率迹线进行归一化。可以为所测量或经过处理的电阻率数值指派一种颜色，以便获得电阻率画面。图像数据可以包括若干条带，例如沿着图9中的第3列向下延伸的八个条带，其代表钻井壁面的展开的圆柱形表面。这八个条带代表来自利用探测器110获得的八个传感器衬垫的FMI^TM数据，其中每个传感器衬垫提供二十四条数据迹线，但是取决于工具和显示模式也可以使用其他数目的迹线和衬垫。举例来说，所述颜色或对比度尺度可以被选择成使得图9的第3列中的图像数据的较暗区域代表导电性相对较强的区段，并且较亮区域代表电阻性相对较强的区段。图像对比度可以作为构造中的变化的孔隙度和流体类型或水盐度的结果而出现，这是因为油和淡水具有高度电阻性，而盐水则具有高度导电性，并且孔隙度非常低的岩石与填充有卤水的高孔隙度岩石相比具有较少导电路径。围绕钻井壁面的图像中的异质特征可能是由于钻井壁面中的开口填充有钻探泥浆，其可能是基于水(导电性)或基于油(电阻性)的。因此，取决于钻探泥浆与构造的相对电阻率，张开裂缝可能表现为明亮或黯淡特征。取决于其填充物的电阻率，愈合的或胶结的或者部分地胶结的裂缝可能会表现出对比度。在几何方面，图像中的裂缝特征是正弦或接近正弦的特征或者此类特征的某些部分(对于部分地愈合或胶结的裂缝)，这是因为裂缝是横截圆柱形或接近圆柱形的钻井壁面的平面特征。

在方块304中，根据一个实施例，分析从地质构造100获得的数据以及/或者从中解释出或导出的数据或者其某些部分，以便利用在处理器280处应用的小波变换技术确定地质构造100的物理、地层和/或其他特性。小波变换是将(例如来自探测器110的)原始信号或者从中解释出或导出的数据与满足已知的可采纳条件的一族零均值函数或小波进行卷积的线性变换。属于一个小波族的函数具有彼此类似的形状，但是在时间(或深度)变量方面被平移和/或扩张。小波变换的结果被称作小波系数，其由位置和尺度索引。如等式(1)中所示，通过将母小波Ψ(t)偏移数字数值x并且将其缩放数字数值a而从其获得一族小波：

${\mathrm{\ψ}}_{a,x}\left(t\right)=\frac{1}{\sqrt{a}}\mathrm{\ψ}\left(\frac{t-x}{a}\right)---\left(1\right)$

一旦选择了一族小波，随后如等式(2)中所示定义函数f(t)的连续小波变换(在这里对于实函数f(t)、Ψ(t)示出)：

$\mathrm{Wf}(x,a)=\frac{1}{\sqrt{a}}{\∫}_{-\∞}^{\∞}f\left(t\right)\mathrm{\ψ}\left(\frac{t-x}{a}\right)\mathrm{dt}---\left(2\right)$

其中Wf(x,a)是小波系数。对于某些应用，可以选择把等式(2)中的参数a、x的数值限制到作为获得的离散数值，其中a₀>1是扩张步骤，x₀≠0是平移步骤，并且m、n是整数。正如本领域技术人员所知，离散小波变换与离散小波相关联。

小波族的大多数应用利用其以很少的非零小波系数高效地近似特定函数类别的能力。最细微尺度下的较小量值的系数通常对应于信号的平滑部分，而例如突然的信号改变则通常伴随有在这样的改变的位置附近具有较大量值的局部最大值或最小值的小波系数。

在一个实施例中，利用具有两个消失矩的Daubechies小波施行小波变换，但是也可以使用其他类型的母小波(例如Morlet小波)，正如本领域技术人员根据本公开内容能够设想到的那样。在另一个实施例中，对于具有中等到高度视倾角的电阻率图像的情况，在应用小波变换之后对所获得的数据或者从中解释出或导出的属性进行深度重新调节。

在方块306中，由处理器280实施将所获得的数据或者从所获得的数据解释出或导出的数据当中的至少一项或多项分割成一个或多个片段。例如可以通过基于小波变换的电阻率图像分割来施行初始分割，或者通过本领域技术人员已知的并且发现对于手边的数据足够灵敏的另一种可用分割方法来施行，或者在不用担心损失相边界位置准确度的情况下可以通过简单的均匀分解来施行。例如如果对于分割不使用小波变换，则方块306和304可以互换。正如后面关于变异性度量所讨论的那样，可以将其长度短于感兴趣的属性中的特性变化的长度的片段与邻近片段归并，以避免计算出在统计方面具有过少样本的片段中可能出现的具有误导性的高变异性度量。在一个实施例中，这一长度是3英尺。

在方块308中，由处理器280确定小波变换的一个或多个尺度下的每一个片段上的所获得的数据或者从所获得的数据解释出或导出的数据的变异性度量v。在一个实施例中，所述变异性度量至少基于对应于每一个片段的小波变换系数。在其他实施例中，可以由处理器280使用例如标准偏差之类的附加参数来计算变异性度量。作为小波变换的一个或多个尺度下的小波变换系数的量值的平方的片段平均值来获得所测量的数据或者从所测量的数据解释出或导出的一项或多项属性的变异性度量。在一个实施例中，如下计算一个片段上的函数f(x)的变异性度量，其代表所测量的数据或者从所测量的数据解释出或导出的属性，其中包括从所解释出的数据导出的数据：

$v=\frac{1}{N}\underset{i}{\mathrm{\Σ}}{\left|\mathrm{Wf}(x_i,a)\right|}^2---\left(3\right)$

其中，Wf(x_i,a)是尺度a下的点x_i处的函数f(x)的小波系数，并且N是给定片段中的采样点x_i,i＝1...N的数目。在函数f(x)取决于两个变量的情况下(比如在探究电阻率图像的方位角依赖性时)，等式(3)被修改成包括与方位角有关的变量上的求和，并且所述系数涉及二维小波变换。如本领域技术人员所知，取决于具体应用和数据类型，等式(3)中的尺度a下的离散小波系数可以仅包含细节小波系数或“母函数”系数或者全部二者。后一种系数是利用相应尺度下的平滑函数(经过重新缩放的平滑函数)对信号f(x)进行平滑而获得的。在正交离散小波变换的情况下，作为在两个相继尺度和下平滑的信号的差异获得尺度下的点x_i处的细节小波系数(detail wavelet coefficient)。在该实施例中，对于单一尺度a下的离散小波变换计算所述变异性度量。但是应当认识到，可以作为尺度上和坐标x_i上的二重和来计算更加一般性的变异性度量，其中所述和中的尺度跨越一定长度尺度范围，在所述范围内，信号在将由高变异性度量表征的相的区段中具有显著变化。在斜坡相的情况下，该相被称作“第一相”，但是应当认识到，更一般来说可以选择通过这种方式识别出任何相，前提是在其中存在该相的区段中给出具有高变异性度量的属性。还应当认识到，在我们的方法中可以使用类似的变异性度量，其中将所述变异性度量计算为被取作连续变量(在所测量的信号或者从中解释出或导出的信号的连续小波变换中)的尺度和坐标上的二重积分。

对于与所有其他区段相比在第一相的区段内具有非常大的数值的函数f(x)，包括母函数小波系数的变异性度量可能是有利的，而在第一相的区段中具有与别处类似的片段平均值的函数则更好地通过仅包括细节系数的变异性度量来标识。对于在一个区段内是恒定的信号，其经过平滑后在远离区段边缘的所有点处、在小于去到边缘的距离的尺度下与原始信号相同，因此其在这样的点处的细节系数是零，而母小波系数则不需要是零。

关于信号在其上对于特定相具有显著变化的长度尺度的知识在理想情况下来自于具有核心的校准的区段，也就是其中先验地知道存在该相的区段。举例来说，各个尺度可以是从1/32英尺到32英尺。在一个实施例中，使用小波变换系数来计算经过内插和平滑的倾角解释测井的变异性度量。被用于经过平滑和内插的倾角解释测井的变异性度量的小波变换系数的一个或多个尺度属于对应于地质构造100的地层倾角改变的尺度量级。举例来说，在一个实施例中，对应于地层倾角改变的尺度量级处于1到32英尺的范围内，但是根据地质构造100的具体结构也可以使用其他范围。在裂缝区块检测的实施例中，在对电阻率图像应用小波变换时，可以使用从1/32英尺到10英尺的尺度。这一范围内的较小尺度适于检测在图像中表现出高于构造的电阻性的裂缝。举例来说，在利用基于油的钻探泥浆所钻探的钻井中，这通常是页岩中的张开裂缝的情况。这一范围内的较大尺度例如可用于在高度电阻性的构造中利用基于水的泥浆钻探的钻井中的溶解扩大的裂缝。

在一个实施例中，可以通过查看能够被地质解释(即不考虑与噪声有关的变化)的图像数据测井的细微尺度变化来视觉地选择尺度。也就是说，选择少数几个尺度以作为该相发生在其中的片段内的变异性的代表。这些尺度可能受到所分析的钻井记录的分辨率的限制。对于不同的地质环境可以选择附加的和/或不同的尺度。还可以利用软件或程序使得尺度选择自动化，其中所述软件或程序在已知表现出感兴趣的地质变化的一部分数据上自动施行对于最具相关性的长度尺度的搜索，这是通过使得作为尺度的函数的变异性度量最大化而实现的，或者还可以使用另一种方法。在这种情况下，可以在与其他尺度进行比较之前，在每一个尺度下归一化变异性度量。可以通过所有数据上的给定尺度下的平均变异性度量来进行所述归一化。

可以在针对计算变异性度量所选择的尺度上或者在一个可比较的尺度上对从探测器110获得的数据或者其中的某些部分进行滤波，以便例如通过低通滤波消除噪声。举例来说，可以通过对由地质学家从电阻率图像挑选或者由本领域技术人员已知的自动化分析工具挑选的地层倾角进行内插和平滑来获得经过平滑、内插的所解释出的地层倾角测井。为了避免在其中图像中的噪声可能影响了倾角挑选的准确度(特别是在高倾角下)的地质区段中获得错误较大的倾角变异性度量，可以在小波变换的计算之前对经过内插的所解释出的倾角测井进行平滑。用于平滑的尺度被选择在1到10英尺的范围内，这取决于噪声在其上看起来会影响倾角挑选的最大长度尺度。

在方块310中，处理器280分析每一个片段中的所计算的变异性度量，以便产生地质构造100的地层、结构或物理分类。对于所述变异性度量的分析在其核心处具有基于其某一项属性的变异性度量的各个片段的比较，从而允许对各个片段进行排序。为了将所述排序置于一定情境中，也就是说识别出用以基于具有第一属性的更高或更低变异性度量来分离各相的有意义的阈值，这一分析可以施加作为对应于所有片段的该属性的平均变异性度量的阈值(或者对应于该属性的变异性度量的另一个全局或局部统计量)，或者其可以涉及识别出对应于至少一个相的起始片段，而不是预期与之对应的第一属性的变异性度量在所有片段当中是最高的相(“第一相”)。所述起始片段被选择成根据特定属性的相应的相的代表性片段，其被具体实施为对于所有片段当中的该属性的片段平均值通过最高或最低数值或者仅具有处于特定范围内的数值(这一标准被称作“区分条件”)来进行选择。应当认识到，为此目的可以将一项属性定义为(除了第一属性之外的)另一项属性的变异性度量。

在一个实施例中，在图3的方块306中所获得的经过分割的数据按照第一属性的变异性度量的递减顺序被分类为属于第一相，直到满足停止条件为止。仅仅作为举例，所述停止条件可以声明，当前所考虑的将被分类的一个片段上的第一属性的变异性度量低于先前被分类为属于除了第一相之外的各相的至少其中一个片段上的第一属性的变异性度量的数值。

对于基于电阻率图像的变异性度量的相分类，对于变异性度量的分析可以涉及在具有高于特定数值(或阈值)的变异性度量的所有片段当中识别出具有电阻率图像的预期高变异性度量的相(例如高度裂缝区段)，以及识别出术语其他各相的所有其他片段。在一个实施例中，所述阈值被确定为所有其他相的起始片段中的最高变异性度量数值。

在斜坡相分类的情况下，对于变异性度量的分析是一个多步骤规程，其中实施第一粗糙分类，随后是对地质构造100中的不同各相的步进式重新分类，以便改进最终分类的准确度。所述粗糙分类涉及识别出至少一个其他相的起始片段，以及识别出其起始片段所处的位置最靠近的每两相之间的边界，其是处于这些起始片段之间的其中一个片段边界处。对于其起始片段是数据序列中的第一个或最后一个起始片段的相，可以为其指派比对应的数据末端更加靠近的边界，以避免将直到该数据末端的所有片段指派给该起始片段的相，从而避免发生这样的指派将给出其对应属性的区分条件未得到满足的片段块的情况。因此，从分类中排除了数据末端处的潜在地低质量数据。进行步进式重新分类以便还允许再进入的现象，其中例如通常出现在下方斜坡相片段之上的上方斜坡相可能出现在下方斜坡相以下。

在图4中以一些细节描述了利用变异性度量对所获得的数据进行分析。在方块402中，处理器280实施在地质构造100的多个相中选择第一相，以及从所获的数据解释出或导出的一项或多项属性当中选择具有对应于第一相的预期的或已知的最高变异性度量的第一属性。在一个实施例中，第一相是中间斜坡相，并且第一属性是碳酸盐环境中的地层倾角解释。所述地层倾角可以从电阻率图像测井来解释，或者在电阻率图像测井不可用的情况下可以从合理地靠近的露头岩层来解释。在另一个实施例中，第一属性是从电阻率图像测井、密度图像测井或者声学图像测井导出的。第一属性的实例可以包括作为深度和围绕钻孔的传感器数目的函数的归一化图像，第二属性的实例则可以包括对于给定深度处或者以该深度为中心的片段中的图像数值的小波系数导出的小波系数分布的宽度。对于声学图像测井，可以使用幅度图像或时间图像。在方块404中，处理器280实施将所有片段当中的具有所选第一属性的变异性度量的最高或最大数值的片段识别为对应于第一相的起始片段。举例来说，对于中间斜坡相，具有最高倾角变异性的片段被识别为对应于中间斜坡相的起始片段。在方块406中，处理器280实施选择所述多个相当中的不同于先前选择的第一相的其中一个剩余相。当在方块402中选择的第一相是中间斜坡相时，所述剩余相是下方斜坡、上方斜坡和平台相。

在方块408中，处理器280实施在根据现有的地质知识预期满足区分条件的一项或多项属性当中选择一项属性(其被称作第二属性)，其中包括属于所选相的各个区段上的对应于所选相预期片段平均值范围、最大片段平均值范围或者最小片段平均值范围。在一个实施例中，第二属性可以与第一属性相同。在一个实施例中，当在步骤406中选择的相是下方斜坡相时，第二属性是地层倾角解释，并且所述区分条件是平均地层倾角解释处于0°到20°的范围内。在一个实施例中，当在步骤406处选择的相是上方斜坡相时，第二属性是电阻率，并且对应于上方斜坡相的区分条件是电阻率平均值在上方斜坡相中是所有各相当中最大的。在另一个实施例中，当在步骤406处选择的相是上方斜坡相时，第二属性是孔隙度，并且对应于上方斜坡相区分条件是孔隙度平均值在该相中是所有各相当中最小的。举例来说，孔隙度可以从经过内插的核心样本孔隙度均匀地重采样，或者可以从钻孔测量获得。

在方块410中，处理器280实施将满足对应于所选相的区分条件的一个或多个片段当中的一个片段识别为所选相的起始片段。所述一个片段不应当已被分类为对应于另一个相的起始片段。在斜坡相分类的情况下，对于起始片段的此类识别成为自上而下方法中的对于上方、中间和下方斜坡相的单一序列的粗糙初步辨识的一部分。在方块412中，处理器280检查是否还有任何剩余相。如果是的话，则所述流程回到方块406。如果不是的话，则所述流程继续到后面参照图5描述的方块510。接下来，处理器280实施将每一个片段分类为两个最靠近的起始片段的其中一个相。这是通过图5所示的循环中的起始片段邻域而实现的。

参照图5，在方块510中，选择用于在当前循环遍历中考虑的相(其被称作“相F”)。只有已为之识别出起始片段的那些相才被考虑。一般来说，相选择的顺序可以是任意的，只要考虑到起始片段的全部两侧的扩大的可能性即可。在一个实施例中，图5的基本上所有步骤都被应用于所选相，其中另一个相在所述步骤的先前遍历中所选的相的相同侧具有更加靠近的起始片段，其不同之处在于，图5中的涉及第一相的步骤被修改成在以下条件下应用于所选相：其片段块的另一个边界尚未通过与在从步骤510开始到步骤530的步骤循环的其中一次先前遍历中所选的相的接触而被固定。在另一个实施例中，在针对图5的步骤集合510-530的预处理中，所述扩大处理开始于最靠近一个数据末端的起始片段，其中对于起始片段的选择不排除在后面的步骤集合510-530中选择其对应相。这一预处理是通过在类似于图5中的步骤512到525的处理中将相邻片段添加到对应的数据末端而实现的，其不同之处在于当验证步骤516没有被满足时的情况被直接从该序列中取出并且被移到步骤530上，而不是移到步骤518上。这样做是为了使得当相邻片段未能满足所述验证处理时，从分类中排除对应末端处的潜在地低质量数据。对于斜坡相，在第一次循环遍历中选择第一相，并且对于后面的遍历选择在来自前一次遍历的相的起始片段下方具有最靠近的起始片段的相，或者如果到达数据末端并且还有更多的具有未指派的相邻片段的起始片段，则从中选择其起始片段最靠近第一相的起始片段的相。在一个实施例中，后一种情况即是选择上方斜坡相的情况。开始于方块512并且实施结束于步骤530的各个步骤，处理器280朝向其他相的起始片段和数据末端当中的最近者迭代地实施扩大当前所选相的片段块，这在第一相的情况下涉及在第一相块的上方侧和下方侧同时这样做，直到对于该相满足扩大停止标准为止。这是通过逐一地添加在步骤512处选择的相邻片段而实现的，其中开始于所选相的起始片段的相邻片段，随后在步骤514和516中实施验证处理，直到满足扩大停止标准为止(步骤524)。相邻片段被选择成邻近已经被分类为属于所选相的片段块的一个片段，其中该片段既不是对应于另一个相的起始片段，也不是位于已经被识别成属于在该次遍历或任何先前遍历中所选择的相的片段块中。如果没有剩余的片段将在步骤512到524的序列中被尝试作为相邻片段，则该循环在步骤525处退出，并且在步骤510的下一次执行处继续到选择另一个相(如果可用的话，如在步骤530中检查)之前，通过步骤526进行对于所选相的邻域的分析。在步骤526中，处理器280把经历了所述循环中的验证步骤的最后一个相邻片段以及处于该片段与所述最后一个相邻片段的与所选相的起始片段所处的一侧相对的该侧的最靠近的起始片段之间的各个片段当中的其余未分类的片段分类成属于这样的最靠近的起始片段的相。

所述验证处理开始于步骤514。在该步骤处，把其他相的最靠近的起始片段以及处于该片段与在这一扩大中所考虑添加的相邻片段之间的各个片段分组到该其他相的所谓的相邻相块中。这被称作相邻相块的识别，但是这样的识别术语并不意味着分类本身。如果在对于添加所考虑的相邻片段与数据末端之间没有其他相的起始片段，则在一个片段块不包含任何相的起始片段并且其两个不同边界是扩大后的片段块的一个边界和所获得的数据的一个末端的情况下，则处理器280将该片段块识别为一个相邻末端块。

随后在步骤516处，如果所选相是第一相，则处理器280验证所选相的扩大后的片段块与邻近该扩大后的片段块的各个相邻相块和各个相邻末端片段块相比具有第一属性的总体最高的变异性度量(正如对于方块402所讨论的那样)。如果所选相不是第一相，则在同一步骤中，处理器280验证所选相的扩大后的片段块(其在这里被称作所选相块)与邻近该扩大后的片段块的各个相邻相块和各个相邻末端片段块相比满足对应于所选相的第二属性的区分条件(正如对于方块408所讨论的那样)。

如果步骤516处的验证失败，则在添加位于所选相F的片段块与相邻片段一侧的相邻相块而不是相F的块(对于相邻相块的相，其在这里被称作“相F1”)之间的更多片段的方向上的扩大停止。在相F1的块所处的一侧，对于相F的片段块不再有相邻片段，这是因为当前所考虑的相邻片段未能满足对应于包括到相F的块中的标准。如果F不是第一相，则相F的块的另一侧的最近相邻片段已被分类到其中一个先前所选的相中。如果F是第一相，并且如果这是将被考虑分类为F的相邻片段第一次未能通过验证，则在相F块的另一侧可能有相邻片段满足将被分类为F的条件并且继续扩大。出于这些原因，所述处理进入块518，其中处理器检查是否满足所选相是第一相F并且这是步骤516处的验证第一次失败。如果这是正确的话，则所述处理接下来进入步骤520，而如果这是错误的话，则退出对应于相邻片段选择的循环，并且所述处理进入步骤526。在全部这两个步骤中，处理器280实施把处在所选相F的块与相邻相F1块的起始片段之间的先前未被分类的各个片段分类为属于相F1。在步骤520的情况下，当前所考虑的相邻片段已被拒绝包括到相F的块中，因此将被分类为相F1。在步骤526中，如果所述处理由于不满足步骤516中的条件而来到步骤526则将是相同的情况，但是应当提到的是，如图5所示，步骤526也适用于在最后一个所考虑的相邻片段被分类为相F的情况下退出相邻片段选择循环的那些处理线程(例如经过步骤522并且通过停止标准或者通过由于数据末端或另一个相的起始片段而不再有相邻片段可用从而退出的线程)。

如果步骤516处的验证成功，则所述处理进入步骤522，其中处理器280把所考虑的相邻片段分类为属于所选相F。随后，所述处理加入完成步骤520的进程并且进入步骤523。在所选相不是第一相的情况下，步骤523检查所选相的块是否具有相邻末端块。如果这是正确的话，则所述处理跳过其中调查是否满足停止标准的步骤524，并且在步骤525处继续选择下一个相邻片段。这对于在挑选具有最靠近先前选择的相的起始片段的相的方法中所选择的具有靠近数据末端的块的相来说非常重要，这是因为其仅具有一个相邻相块。当另一相邻片段不可用(例如处于数据末端)或者当步骤516处的验证失败时，这种情况中的扩大将停止。如果步骤523中的查询没有得到满足，则处理器继续到步骤524。所述扩大停止标准包括一项要求，即在邻近对应于包含在对应相邻相的各个片段块中的起始片段的相的扩大后的片段块的相邻相片段块中：1)如果所述相邻相块的相不是第一相，则步骤408的区分条件得到满足；并且2)如果所述相邻相块的相是第一相，则第一属性的变异性度量是最大值。如果其没有得到满足，则所述处理移动到步骤525，从而开始选择所选相块的相邻片段(如果这样的片段可用的话)的另一次扩大迭代。如果停止标准得到满足，则扩大停止，并且所述处理移动到步骤526以便对所选相块与相邻相F1块的起始片段之间的剩余片段进行分类，正如前面已经讨论的那样。

在步骤526之后，处理器280检查是否有任何其他具有起始片段但是还没有被选择的相(在步骤530中用于继续开始于510的循环)。如果是的话，则处理器280在步骤510处选择其中一个剩余相，并且通过再次实施步骤512到530来迭代地实施所选相的片段块的扩大。所述迭代扩大是通过在所选相的片段块的末端添加一个片段而实现的，其中所述末端不接触所选相与在步骤510处的先前循环遍历中所选择的任何相之间的边界，从而使得步骤516处的验证得到满足。在一个实施例中，循环512到530的第二次遍历将选择具有第一相下方的最靠近的起始片段的该相。当不再存在具有起始片段但是尚未被选择的剩余相时，开始于步骤510的循环在步骤530处退出。

在斜坡相的情况下，可选的是在朝向数据的顶端(即在去到上方斜坡相的边界处)的方向上实施中间斜坡相的另一次迭代扩大。这一步骤被称作中间斜坡相与上方斜坡相之间的边界的微调。这是通过在一项验证之后将一个相邻片段从上方斜坡相块添加到中间斜坡相块而实现的，所述验证包括进行以下验证：1)所述相邻片段不是起始片段；2)在下方斜坡相的块以及上方斜坡相和中间斜坡相的新块当中，第一属性的变异性度量在中间斜坡相块中是最高的，并且在上方斜坡相块中满足对应于上方斜坡相的区分条件；以及3)根据作为所选相的上方斜坡的第二属性是电阻率、电导率还是孔隙度，上方斜坡相的新块上的第二属性的片段平均值高于(对于电阻率)或低于(对于电导率或孔隙度)在所述片段被从中取出以考虑用于中间斜坡相块的扩大之前的上方斜坡相的块上的情况。一旦这一验证失败，则所述扩大停止。

此时，图10的第9列中所示出的粗糙分类已经实现，其也被称作自上而下方法分类，这是因为其假设上方、中间和下方斜坡相从钻井向下最多出现一次。

进行步进式重新分类以便允许再进入现象，其中一个相的各个单独的块可以在钻井中出现。所述重新分类开始于在没有其在钻井中的相对位置的情况下获得关于每一个片段的信息，为此原因其被称作自下而上方法。这样的信息被使用在重新分类的初始阶段中，随后被置于自上而下方法分类的情境中，从而产生最终的分类。对于各个单独片段的重新分类是基于以下各项的至少其中之一：从对于每一个单独片段以及与该单独片段相邻的一个或多个片段获得的数据解释出或导出的一项或多项属性的对应变异性度量，对应的片段长度，以及每一个单独片段相对于第一相与自上而下方法分类中的附加相之间的边界的对应的相对位置，从而在上方斜坡、中间斜坡、下方斜坡和/或平台相方面产生经过修正的地层分类。应当提到的是，可以使用除了前面列出的之外的附加标准，正如本领域技术人员根据本公开内容所能设想到的那样。在对应于斜坡相分类的一个实施例中，在图6中示意性地示出了重新分类。

参照图6，在步骤640中，处理器280实施选择与再进入第一相(中间斜坡相)块有关的最小长度。这一选择可以作为第一相的预定义的地质方面已知的最小长度从现有的地质知识获得，从而预期第一(中间斜坡)相中的任何更长的间隔会表现出中间斜坡相的地层倾角特性，也就是说具有其倾角高于特定数值以及与任何低倾角相块相比的高倾角变异性度量的区段。或者可以在微调中间与上方斜坡之间的边界的可选步骤之前，从离开步骤530时的自上而下方法分类中的中间斜坡相的长度进行自动选择。在一个实施例中，所选择的最小长度是10m，但是不同的地质构造将对于所选最小长度适当地给出通常处于2m到50m范围内的不同阈值，正如本领域技术人员根据本公开内容所能设想到的那样。在步骤642中，处理器280可以实施选择高倾角阈值(“HIGHDIP”)，从而使得中间斜坡相的包括在地质上识别出的相继片段的一个区段中的长于所选最小长度的任何间隔预期会表现出具有高于所述高倾角阈值的倾角的各个区段。在一个实施例中，所述高倾角阈值是35°。此外，在步骤642中还选择低倾角阈值(“LOWDIP”)。对于下方斜坡相属性是地层倾角解释的情况，该阈值被选择成对应于下方斜坡相的区分条件中的倾角范围当中的最高倾角。在其他情况中，可以输入一个处于15°到20°之间的数值以作为固定LOWDIP选择的参数。从这一点，重新分类在四个阶段中继续：1)倾角阈值处理(在图6中被称作阶段1的步骤，其具有在图7中详细描述的步骤700到712)；2)通过倾角变异性度量进行排序以及在倾角定义类型方面进行分类(在图6中被称作阶段2并且在图8中详细描述的步骤)，其中处理器280实施把地质上识别出的相继片段当中的每一个片段分类为其中一种倾角定义类型，这是通过按照倾角数值以及按照中间斜坡属性的变异性度量进行排序而实现的；3)通过地质规则将各个片段合并成不同倾角定义类型的各个块(在图6中被称作阶段3的步骤)；以及4)最终分类阶段，其通过地质规则把每一个块的倾角定义类型与斜坡相相关联，并且产生斜坡相的最终地层分类(在图6中被称作阶段4的步骤)。在该实施例中，所述重新分类使用关于以下各方面的信息：1)每一个片段中的倾角最大值以及对应于每一个片段的倾角变异性度量，以便为每一个片段指派一种倾角定义类型；2)关于何种倾角定义类型的片段可以被合并到单一倾角定义类型块中(此外还考虑到其厚度)的地质规则；3)关于特定倾角定义类型的片段可以在粗糙分段中位于何处以便与邻居合并的地质规则；4)在上方斜坡作为第二相的情况下，对应于在阶段3的末尾形成的所有块的第二属性的块平均值；以及5)关于合并块如何基于其倾角类型、电阻率或其长度转换成斜坡相的地质规则。

在一个实施例中，倾角定义类型有：1)低倾角类型，从而该类型的给定片段中的所有倾角低于所选的LOWDIP阈值；2)可变中间倾角类型，其中在所述片段中存在高于所选低倾角阈值的倾角，但是不存在高于高倾角阈值的倾角，并且倾角变异性度量高于任何低倾角类型的片段中的情况；3)可变高倾角相，其中在所述片段中存在高于高倾角阈值的倾角，并且倾角变异性度量高于任何低倾角类型的片段中的情况；4)稳定中间倾角相，其中在所述片段中存在高于低倾角阈值的倾角，但是不存在高于高倾角阈值的倾角，并且倾角变异性度量低于其中一些低倾角类型的片段中的情况；以及5)稳定高倾角相，其中在所述片段中存在高于高倾角阈值的倾角，并且倾角变异性度量低于其中一些低倾角类型的片段中的情况。

在图7中仅作为举例示出的重新分类阶段1的一个实施例中，为每一个片段指派低倾角、中间倾角和高倾角类别当中的一个倾角类型类别，其中各个类别被如下定义。低倾角类别与低倾角类型重合，中间倾角类别包括可变中间倾角类型和稳定中间倾角类型，并且高倾角类别包括可变高倾角类型和稳定高倾角类型。将每一个片段(在步骤700中选择)指派到一个类别是如下进行的：测试所述片段中的任意点处的地层倾角是否具有高于HIGHDIP的数值(步骤702)，如果没有的话，则测试其是否具有大于LOWDIP的数值(步骤706)，其中针对类别定义进行适当的指派。应当理解的是，关于步骤702和706以及进行适当指派的顺序的选择可以是任意的，只要所述指派符合类别定义即可，并且片段选择的顺序也可以是任意的。

在图8中仅作为举例示出的重新分类阶段2的一个实施例中，倾角类型的指派是如下进行的：首先在步骤820中从其中一个最高倾角变异性度量到其中一个最低倾角变异性度量对各个片段进行排序，按照该顺序识别出中间倾角(步骤828)和高倾角(步骤830)类别片段中的可变倾角类型，直到遇到低倾角类别片段为止(步骤824)，以及在剩余的中间倾角(步骤840)和高倾角(步骤838)类别片段当中指派稳定倾角类型。稳定倾角类型片段当中的倾角变异性低于被分类为可变高倾角和可变中间倾角类型的任何片段的倾角变异性。

在一个实施例中，从上方向下开始应用阶段3中的重新分类，并且对短于步骤640的最小所选长度的相同倾角定义类型的片段的每一个块应用合并规则。合并规则是基于地质观察，并且代表基于块厚度和块倾角类型、基于其邻居块的当前厚度和倾角类型以及关于给定块在自上而下方法分类中位于何处的信息向各个片段或者向相同倾角类型片段的各个块重新指派倾角类型的规则。合并规则包括规定当一个短块的上方和下方的相邻块是相同类型的块时应当将所述短块合并到其邻居中(即指派与其邻居相同的类型)，前提是底部块的厚度大于所选最小长度。对于相邻块属于相同倾角类型但是底部块的长度小于最小所选长度的情况，合并规则规定如果相邻块属于可变高倾角类型或者如果相容性条件适用，则将把所述短块合并到其邻居中。

所述相容性条件例如包括适用于既不属于低倾角类型也不属于稳定中间倾角类型的块的规则，前提是其位于在自上而下方法分类中被评估为下方斜坡的区段中，并且相邻块属于低倾角类型，或者来自上方的相邻块属于稳定中间倾角类型并且对于合并所考虑的块不属于可变高倾角类型。这一规则帮助保护稳定中间倾角类型和可变高倾角类型块的出现，这是因为其在阶段4处在辨识上方和中间斜坡相方面会发挥作用。对于短块及其邻居的其他情况可以应用附加的地质规则，并且其中可以包括规定何时把来自处于去到短块的边界处的相邻块的片段合并到短块的合并规则，也就是说为之指派与所述短块相同的倾角类型。这样的规则包括要求短块的扩大导致大于最小所选长度的块，并且从中取得用于合并到短块的片段的相邻块仍然大于最小所选长度。对于每个短块最多进行一次扩大，并且如果满足长度要求的话施行添加一个邻近片段，或者来自同一相邻块的两个邻近片段。这些规则被称作针对手指扩大的合并规则。在一个实施例中，从上方向下施行合并，首先从上方的相邻块的片段考虑手指扩大。在某些情况下，当无法应用手指扩大时，可以实施附加的地质规则以便将短块与上方片段或下方片段合并(其被称作默认规则)。

在一个实施例中，通过识别出电阻率高于任何低倾角类型或稳定中间倾角类型片段中的情况的各个块实现上方斜坡的最终识别。接下来，基于中间斜坡相中的倾角变异性的阈值开始来实施从下方斜坡和平台相最终识别出中间斜坡相，这是由处理器280按照以下顺序实施。低倾角类型块被识别为下方斜坡，并且未被识别为上方斜坡的剩余的可变中间倾角类型和可变高倾角类型块比识别为中间斜坡。具有稳定中间倾角和稳定高倾角的剩余片段被识别为下方斜坡，除非其满足以下条件的其中之一，在这种情况下其被分类为中间斜坡。这些条件是：1)其来自上方和下方的最近邻居都属于上方斜坡或中间斜坡；或者2)其在一个上方或中间斜坡块之上的数据的开头处出现；或者3)其紧接在一个中间斜坡相块的下方出现，并且其所形成的块短语紧接在其上方的中间斜坡相块。第三个条件帮助实施中间斜坡的突然开始的地质规则。

在一个实施例中，从在上方和下方边界处都具有上方斜坡的先前识别出的下方斜坡相的那些片段识别出平台相。应当认识到，在本领域中，还可以通过使用其他数据(例如伽马射线、孔隙度或图像导出的同质性数据)、其他地质规则或地区知识(例如来自核心数据或露头岩层)来实现关于平台相的识别的细化，其将来自另一个位置的数据中的平台相的出现与所考虑的所获得的数据相关。

实例

通过后面给出并且参照图9-11描述的示例性分类方案将认识到在图3-8的流程图中描述的由处理器280实施的处理。图9-11示出了各个列，其中示出了由探测器110的传感器获得的数据以及从所获得的数据解释出或导出的附加数据或属性，以便产生地质构造100中的相的地层分类。

在图9中示出了对于在核心中被分类为碳酸盐环境中的中间斜坡相的区段所获得的数据的一个实例。在图9中，列1表明以英尺计的深度参考测井，列2显示出利用例如由Schlumberger(Houston，TX)提供的HIGH-RESOLUTION LATEROLOG ARRAY TOOL(HRLT)^TM之类的工具测量的中间电阻率测井，列3显示出利用FMI^TM工具测量的电阻率图像，列4示出了通过图像解释在从0到90°的倾角尺度上获得的层理倾角(地层倾角测井)，其指向对应于所解释出的层理方位角，列5显示出从电阻率图像分割找到的边界位置处的非零数值，并且列6显示出对于经过平滑的地层倾角、对于从图5中的边界获得的片段所计算的变异性度量，其中不考虑紧接在短于3英尺的片段下方的那些边界。

参照图10，其中示出了对应于用以预测斜坡相的初始分类的自上而下方法的一个实例。在图10中：列1显示出以英尺计的深度参考，列2显示出利用HRLT^TM工具测量的中间电阻率测井，但是也可以使用其他类型的电阻率测井和工具，列3显示出利用FMI^TM工具测量的电阻率图像测井，但是也可以使用其他类型的工具，列4示出了通过图像解释在从0到90°的倾角尺度上获得的层理倾角(地层倾角测井)，其指向对应于所解释出的层理方位角，列5示出了经过内插和平滑的倾角测井，其中对于平滑使用了5英尺的尺度，列6示出了来自第一衬垫传感器的图像测井的平均(电导率)数值，列7通过在边界位置处显示非零数值并且在别处显示零值而代表从图像测井分割获得的边界，列8代表对于列5的经过平滑的地层倾角测井所计算的变异性度量，其中所述倾角变异性度量是借助于对经过平滑的地层倾角数据的2英尺尺度小波系数应用等式(3)来计算的，列9和10示出了上方、中间和下方斜坡(出于显示的目的在该布局中分别由数值3、4和5表示)两种分类，其中列9中的分类是通过对于获得自上而下方法分类所描述的方法的实施例获得的，列10中的分类是基于核心中的视觉观察并且在该方法开始之前被记录。应当提到的是，示出自上而下方法分类的列9有利地与从列10中的视觉核心分类获得的分类基本上匹配。

参照图11，其中示出了用以预测斜坡相的自下而上方法的一个实例。在图11中，列1显示出以英尺计的深度参考，列2显示出利用FMI^TM工具测量的电阻率图像测井。列3示出了经过内插和平滑的倾角测井，其中对于平滑使用了5英尺的尺度。列4代表对于列5的经过平滑的地层倾角测井所计算的变异性度量，其中所述倾角变异性度量是借助于对经过平滑的地层倾角数据的2英尺尺度小波系数应用等式(3)来计算的。列5代表在阶段3完成之后对应于由倾角定义类型分类数值的改变定义的边界之间的各个块的平均块电导率(来自第一衬垫图像传感器)。列6、列7和列8分别代表从重新分类的节段2、3和4得到的分类，其中阶段4结果通过上方、中间和下方斜坡(其出于显示的目的在该布局中分别由数值3、4和5表示)的斜坡相来表示，阶段2和阶段3结果通过倾角定义类型来表示，所述倾角定义类型通过以下数值来显示。低倾角类型由数值5表示，可变中间倾角由数值4表示，可变高倾角类型由数值3表示，稳定中间倾角由数值2表示，稳定高倾角由数值1表示。列9示出了核心分类并且是基于核心中的视觉观察。

处理器280根据最小长度要求(例如10m或32.8英尺)以及考虑到一个或多个参数或条件的地质规则来实施合并。在图11中，与列6相比在列7中的5460英尺处的短块的位置处可以看到短块合并的一个实例，其上方块和下方块具有彼此相同的倾角类型，并且下方块不是短块。在相容性条件的一个实例中，大约5690英尺处的阶段2(列6)的块被合并到其邻居(其彼此属于相同的倾角类型)。大约5610处的可变中间倾角类型块也通过应用相容性条件而被合并，这是因为其5605英尺处的稳定中间倾角类型的相邻短块不满足对应于来自其上方邻居或下方邻居的手指扩大的合并规则。这可以通过观察列4中的倾角的变异性度量的改变处的片段边界来理解。大约5605英尺处的块上方的相邻块在阶段2处是大约5590英尺处的短块，其本身首先在阶段3中经历扩大，其中扩大了来自其上方相邻块的大约5570英尺处的一个片段。但是如果该块将失去其大约5600英尺处的两个最下方片段以用于大约5606英尺处的短块的手指扩大，则其将再次变为短块，因此不满足对应于5605英尺处的块的手指扩大要求。对于大约5605英尺处的块，通过来自下方的手指扩大进行合并也是不可能的，这是因为下方的相邻块也是短块。最后，从阶段2改变到阶段3导致区段5200-5260英尺也是通过来自上方的手指扩大进行的合并的实例，首先是对于大约5240-5260英尺处的节段2的短块(随着可变中间倾角类型的5200-5260处的扩大块的出现，其位置是作为一个未示出的稳定高倾角类型块的底部邻居)，随后是对于大约5270英尺处的短块。

在图11的列8中针对位于大约5510-5560英尺处的列7的阶段3的块给出了阶段4重新分类的一个实例，其中关于中间斜坡的突然开始的条件为一个稳定中间倾角类型的块指派中间斜坡相分类，从而使得这样的块无法大于已经辨识出的中间斜坡。如果该块已经其来自上方的中间斜坡邻居，则其在最终分类中将被分类为下方斜坡。

可以从很大的地点范围选择地质构造100。利用不同的实施例，在自动化预测与来自实际视觉观察的核心分类之间(例如图10中的列9和10)有利地达成准确度好于5英尺的优良的一致性。

本领域技术人员将认识到，这里所描述的所公开实施例仅仅是作为举例，并且将存在许多变型。本发明仅由权利要求书限制，其涵盖这里所描述的实施例以及本领域技术人员将会想到的各种变型。

Claims (10)

1.一种用于分析地质构造的特性的方法，其包括：

在处理器处获得代表地质构造的地层、结构或物理特性的至少其中之一的数据；

在处理器处对所获得的数据或者从所获得的数据解释出或导出的数据的至少一部分应用小波变换，从而导出代表所获得的数据的一个或多个小波变换系数；

在处理器处将所获得的数据或者从所获得的数据解释出或导出的数据当中的至少一项或多项分割成各个片段；

在处理器处，在小波变换的一个或多个尺度下在每一个片段上确定所获得的数据或者从所获得的数据解释出或导出的数据的变异性度量，其中所述变异性度量至少基于对应于每一个片段的小波变换系数；以及

在处理器处基于所确定的变异性度量对每一个片段进行分析，从而产生地质构造的地层、结构或物理分类。

2.权利要求1的方法，其中，所述地质构造是地下构造，并且所述获得是利用插入到地下构造的钻孔中的探测器的一个或多个传感器来实施的。

3.权利要求1的方法，其中，所获得的数据或者从所获得的数据解释出或导出的一项或多项属性的变异性度量是作为小波变换的一个或多个尺度下的小波变换系数的量值的平方的片段平均值而获得的。

4.权利要求3的方法，其中，所述分析包括：

对于地质构造的多个相中的第一相，选择从所获得的数据解释出或导出的一项或多项属性当中的第一属性，其对于第一相具有预期或已知的最高变异性度量；以及

将各个片段当中的具有所选第一属性的变异性度量的最大数值的片段识别为对应于第一相的起始片段。

5.权利要求4的方法，其中，所述分析还包括：

对于所述多个相中的剩余各相中的每一个相，基于现有的地质知识对于剩余各相中的所考虑的一个相并且在属于所考虑的该相的各个区段上，从所述一项或多项属性当中选择满足预期片段平均值范围、最大片段平均值或最小片段平均值的区分条件的第二属性；

在剩余各相中的每一个相中识别出尚未被分类为对应于任何相的起始片段的一个片段，从而使得在每一个对应的相中对于所识别出的一个片段满足所述区分条件，其中每一个对应的剩余相中的所识别出的一个片段变为该对应相的起始片段。

6.权利要求5的方法，其中，第一相包括片段块，所述片段块包括所述起始片段，所述方法还包括：

从第一相开始逐一地选择相，并且对于每一个所选相，从被识别为属于该所选相的片段块开始实施：

通过在验证与被识别为属于所选相的片段块邻近的相邻片段的合格性之后逐一地添加相邻片段，迭代地扩大所选相的片段块直到满足扩大停止标准为止；以及

将尚未被分类并且处于上一个合格的相邻片段与另一个相的起始片段之间的所有片段分类为属于该另一个相，其中该另一个相的起始片段是在与上一个合格的相邻片段在相同侧最靠近所选相的起始片段的起始片段。

7.权利要求1的方法，其中，所述一个或多个尺度属于1/32英尺到32英尺范围内的尺度量级。

8.权利要求1的方法，其中，利用具有至少两个消失矩的Daubechies小波施行小波变换。

9.权利要求1的方法，其中，在应用小波变换之后对所获得的数据或者从中解释出或导出的属性进行深度重新调节。

10.一种存储有用于分析地质构造的特性的指令的计算机可读介质，包括在由至少一个处理器执行时使得所述处理器施行以下步骤的机器可执行代码：

在处理器处获得代表地质构造的地层、结构或物理特性的至少其中之一的数据；

在处理器处对所获得的数据或者从所获得的数据解释出或导出的数据的至少一部分应用小波变换，从而导出代表所获得的数据的一个或多个小波变换系数；

在处理器处将所获得的数据或者从所获得的数据解释出或导出的数据当中的至少一项或多项分割成各个片段；

在处理器处，在小波变换的一个或多个尺度下在每一个片段上确定所获得的数据或者从所获得的数据解释出或导出的数据的变异性度量，其中所述变异性度量至少基于对应于每一个片段的小波变换系数；

在处理器处基于所确定的变异性度量对每一个片段进行分析，从而产生地质构造的地层、结构或物理分类；以及

在存储器设备中存储所述地质构造的地层、结构或物理分类。