CN104424393B - 一种基于主成分分析的地震数据储层反射特征加强方法 - Google Patents
一种基于主成分分析的地震数据储层反射特征加强方法 Download PDFInfo
- Publication number
- CN104424393B CN104424393B CN201310412443.7A CN201310412443A CN104424393B CN 104424393 B CN104424393 B CN 104424393B CN 201310412443 A CN201310412443 A CN 201310412443A CN 104424393 B CN104424393 B CN 104424393B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- geological data
- matrix
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供了一种基于主成分分析的地震数据储层反射特征加强方法,属于地震勘探领域。本方法包括:(1)将叠后地震道资料按照矩阵形式写成一个m×n维样本数据矩阵;(2)对所述样本矩阵进行标准化处理得到标准化处理后的样本矩阵;(3)将所述标准化处理后的样本矩阵转化为样本协方差矩阵,然后获取地震数据的本征值及特征向量;(4)特征向量序列的选择;(5)地震数据重构:舍去反映目标区构造、地层信息的第一特征向量和第二特征向量,然后重构地震数据。
Description
技术领域
本发明属于地震勘探领域,具体涉及一种基于主成分分析的地震数据储层反射特征加强方法。
背景技术
随着地震勘探数据采集方法和装备的改进、数据处理技术的提高和解释方法的发展,地震储层预测方法所提供的资料日益丰富和可靠,利用地震资料进行储层预测已成为油气勘探开发的必要手段。当地震波通过地下不均匀介质时,表现出地震波场的异常,使得地震波的特征参数、如波的传播速度、波的振幅、频率及相位均发生明显的变化,可以根据地震波的这些信息变化来预测、判断地下储层及含油气信息。
但是,如何从纷繁复杂的地震波场变化特征提取对我们有用的能够反映储层、油气特征的地震信息?地球物理学家运用了各种方法技术和手段,其中包括地震属性技术、叠前叠后地震资料反演技术,但这些方法技术一般依赖于较为明显的地震反射特征异常。因此,当在储层附近存在显著的地层(如泥岩与碳酸盐岩、煤层的强阻抗反射界面)变化时,其强烈的地震反射特征常常淹没了较弱的储层反射信息,使得地震属性、反演方法难以实现储层信息异常特征提取。
塔河油田奥陶系碳酸盐岩缝洞储集体在地震剖面上所表现的串珠、杂乱和空白反射特征是地震属性储层预测的关键。但由原始地震资料知道,由于塔河油田中下奥陶统表层具有强烈的岩溶作用,其与上覆地层存在强烈的阻抗差,地震波强烈的反射同相轴淹没了表层岩溶储层的反射特征,造成所计算的大部分地震属性在奥陶系层位附近缝洞储集体异常不明显,如强振幅聚类检测串珠状缝洞体异常信息淹没在奥陶系表层强反射之中,而储层信息更弱的弱反射、空白反射及红波谷反射更加无法检测,极大地影响着表层岩溶储层的地震属性预测和表征。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种基于主成分分析的地震数据储层反射特征加强方法,针对塔河油田主体区中下奥陶统碳酸盐岩缝洞型储层地震反射特征识别的难点问题(本发明方法同样适用于具有类似问题的油田区块),如残丘构造下的杂乱、表层弱、空白等地震反射特征,基于地震反射数据中不同成分信息所反映地质特征的差异,设计主成分分析法去除反映中下奥陶统顶界面的地震强反射同相轴,从而实现地震数据反射特征加强处理,强化岩溶表层缝洞储层地震反射信息,同时又能够保持缝洞体微小细节如边界、边角等特征,更好地突出杂乱、表层弱、空白红波谷等地震反射特征,提高原始地震数据的图像清晰度及地震属性的识别能力。
本发明是通过以下技术方案实现的:
一种基于主成分分析的地震数据储层反射特征加强方法,包括:
(1)将叠后地震道资料按照矩阵形式写成一个m×n维样本数据矩阵,如下:
其中,Sij表示第i道的第j个样点的地震数据;
(2)对所述样本矩阵进行标准化处理得到标准化处理后的样本矩阵;
(3)将所述标准化处理后的样本矩阵转化为样本协方差矩阵,然后获取地震数据的本征值及特征向量;
(4)特征向量序列的选择:将所述样本协方差矩阵的所有本征值按降序排列,按降序排列后的本征值序列所对应的特征向量序列也呈降序排列,选择呈降序排列的特征向量序列中不同范围内的一组特征向量即可实现特征向量序列的选择;
(5)地震数据重构:舍去反映目标区构造、地层信息的第一特征向量和第二特征向量,然后重构地震数据。
所述步骤(2)是这样实现的:
利用下面公式对所述样本矩阵S进行标准化处理得到标准化处理后的样本矩阵:
其中,
样本均值
样本标准差
所述步骤(3)是这样实现的:
利用下式将标准化处理后的样本矩阵转化为样本协方差矩阵:
然后,基于公式(1)获得地震数据的本征值及特征向量:
其中,协方差矩阵Cm×n的本征值λj,即对角矩阵Dm×n的值,矩阵Um×n的列向量ujk是相应的特征向量,是Cm×n分解后产生的n阶正交矩阵。
所述步骤(5)中的舍去反映目标区构造、地层信息的第一特征向量和第二特征向量是这样实现的:
选择呈降序排列的特征向量序列中的前面的k个特征向量,且k值不包含1和2,则相当于舍去第一特征向量和第二特征向量。
所述步骤(5)中的重构地震数据是这样实现的:
对每道地震数据均利用公式(2)计算出该道地震数据在其余特征向量上的投影之和,所有投影之和构成了重构的地震数据S*,该重构的地震数据S*就是储层反射特征加强的地震数据体;
所述公式(2)如下:
公式(2)表示第J道数据sj(t)在提取的特征向量ujk上的投影之和。
与现有技术相比,本发明的有益效果是:塔河油田主体区奥陶系油藏地震数据中第一、第二分量主要反映区域构造及地层信息,利用主成份分析法去除主要反映区域地层信息的一、二分量后,岩溶表层缝洞储层的地震反射信息更加清晰。通过处理前后地震剖面和所计算属性对比可以看出,地震剖面中无论是储层之上的平层强反射或者是储层表面的强反射能量都大大减弱,而原有储层反射特征并未减弱,相反,弱反射、红波谷反射以及串珠反射特征得到加强,储层异常受非储层因素的干扰降低,所计算地震属性更清晰地反映了缝洞储层特征,证明本发明方法对储层信息加强有效。在塔河油田奥陶系缝洞储层预测中取得了较明显的效果。
附图说明
图1本发明方法的步骤框图。
图2-1主成分分析结果重构地震数据反射特征对比中的原始地震剖面。
图2-2主成分分析结果重构地震数据反射特征对比中的第一分量重构剖面。
图2-3主成分分析结果重构地震数据反射特征对比中的第二分量重构剖面。
图2-4主成分分析结果重构地震数据反射特征对比中的第三分量重构剖面。
图3-1主成分分析岩溶表层强反射去除前的相应属性异常。
图3-2主成分分析岩溶表层强反射去除后的相应属性异常。
图4-1主成分分析储层红波谷反射信息加强前的相应属性异常。
图4-2主成分分析储层红波谷反射信息加强后的相应属性异常。
具体实施方式
下面结合附图对本发明作进一步详细描述:
本发明针对塔河油田奥陶系碳酸盐岩缝洞型油藏勘探开发中面临的缝洞储集体预测问题,基于主成分分析法对叠后地震数据体进行分解,通过把输入地震数据段分解成若干个分量。去除主要反映区域构造、地层信息的第一、二地震分量,强化岩溶表层缝洞储层的地震反射信息。
实际应用中以叠后地震数据体为样本矩阵,在对样本矩阵标准化处理的基础上,通过样本协方差矩阵的奇异值分解获得地震数据信息的本征值及特征向量,其中本征值的排列顺序指示了地震数据所包含信息成分的类别,基于储层地震反射响应特征,去除反映区域构造、地层信息的分量,完成样本矩阵在剩余特征向量上的投影即可获得储层反射信息加强的地震数据体。
(1)技术原理
主成分分析运算就是一种确定一个坐标系统的正交变换,在这个新的坐标系统下,变换数据点的方差沿新的坐标轴得到了最大化。这些坐标轴经常被称为是主成分。主成分分析运算是一个利用了数据集的统计性质的特征空间变换,这种变换在无损或很少损失了数据集的信息的情况下降低了数据集的维数。
其基本原理为:
若sj(t)表示地震资料的第J道数据,通过选择适当的比例因子ujk使得结果代表了原始地震资料的最大信息。其选择过程即为下面所介绍的过程,即ujk为相应的特征向量(又称为本征向量),其对应的本征值呈降序排列,根据需要可取前面k个特征向量即能够最大程度还原原始地震信息。
其中,而ujk是地震数据矩阵Sm×n(其中第J道数据为sj(t))的协方差矩阵的特征向量。
其中特征向量ujk可由协方差矩阵Cm×n通过奇异值分解实现:
基于上式,可获得协方差矩阵Cm×n的本征值λj(即对角矩阵Dm×n的值),矩阵Um×n的列向量ujk是相应的特征向量。
当仅利用前面的k个特征向量时(对应本征值λj按降序排列)(根据本征值λj按降序排列特征,第一主成分、第二主成分、第三主成分、…、第k主成分、…也是按照地震数据所包含的主要信息呈降序排列的,因此,仅利用前k个特征向量即能还原原始地震信号特征),第J道数据sj(t)在提取的特征向量Ujk上的投影之和:
公式(2)得到的结果称为主分量。最大本征值λ1对应的最大特征向量uj1就是第一个主成分,这个特征向量就是数据有最大方差分布的方向,第二主成分也就是第二大本征值对应的特征向量,数据点沿着这个方向方差有第二大变化……
利用第一分量反映目标区最大一级的地层结构分类,第二分量反映目标区次一级的地质岩性/岩相分类。通过逐级去除第一、第二分量后(利用公式(2)计算分量时选择不同的k值范围,即可实现不同分量的计算,相当于逐级去除),第三分量剩余的储层信息被凸显出来,实现了储层地震反射信息的有效加强。
(2)技术实现步骤
技术实现流程如图1所示,具体步骤如下:
①地震数据格式转换
将叠后地震道资料(n道、m个样点)按照矩阵形式写成一个m×n维样本数据矩阵
其中,Sij是地震数据,其表示第i道地震数据的第j个样点。
②对所述样本矩阵进行标准化处理
针对样本矩阵S,利用公式(这个公式中,等号前面大写表示标准化后的地震数据样点,后面小写的是标准化前的地震数据样点)进行标准化处理,其中样本均值样本标准差
③地震数据信息的本征值及特征向量实现
利用下式将标准化处理后的样本矩阵s转化为样本协方差矩阵:
然后,基于公式(1)通过奇异值分解法获得地震数据的本征值及特征向量:
其中,协方差矩阵Cm×n的本征值λj,即对角矩阵Dm×n的值,矩阵Um×n的列向量ujk是相应的特征向量;是Cm×n分解后产生的n阶正交矩阵。
④特征向量选择
基于协方差矩阵本征值的排列顺序,选择指示地震数据所包含信息成分的特征向量序列(在公式(2)中鉴于k值与本征值降序排列相对应(即λ1、λ2、…、λk、…呈降序排列),因此,根据需要选择不同的k值范围即可实现相应特征向量序列选择);
⑤地震数据重构
舍去反映目标区构造、地层信息的第一、二特征向量(利用公式(2)计算分量时选择不同的k值范围,即可实现不同分量的计算,若k值不包含1和2,则相当于舍去第一、二特征向量),基于公式(2)计算地震数据S在其余特征向量上的投影之和,所重构的地震数据S*(公式(2)是单道计算,由公式(2)逐道计算,最终多道计算结果即为重构的地震数据S*)即为储层反射信息加强的地震数据体。
利用本发明方法针对塔河油田6-7区、10区东中下奥陶统开展了约400平方公里的主成分分析叠后地震数据储层反射特征加强处理,实现了杂乱、表层弱、空白等地震反射特征储层识别。其中,图2-1中底部反射层含储层信息;图2-2主要反映地层结构信息;图2-3主要反映岩相/岩性信息;图2-4中储层信息占主导;图3-1的上部为原始地震资料,下部为地震属性串珠反射特征识别;图3-2的上部为去除第一分量重构地震数据,下部为后地震属性串珠反射特征识别;图4-1的上部为原始地震资料,下部为地震属性红波谷反射特征识别;图4-2的上部为去除第一分量重构地震数据,下部为后地震属性红波谷反射特征识别。
实际应用中基于主成分分析法去除主要反映区域构造、地层信息的第一、二地震分量,强化了岩溶缝洞储层的地震反射信息,并通过处理后提取的地震属性更好地预测了缝洞储层分布。
上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (4)
1.一种基于主成分分析的地震数据储层反射特征加强方法,其特征在于:所述方法包括:
(1)将叠后地震道资料按照矩阵形式写成一个m×n维样本数据矩阵,如下:
其中,Sij表示第i道的第j个样点的地震数据;
(2)对所述样本矩阵进行标准化处理得到标准化处理后的样本矩阵;
(3)将所述标准化处理后的样本矩阵转化为样本协方差矩阵,然后获取地震数据的本征值及特征向量;
(4)特征向量序列的选择:将所述样本协方差矩阵的所有本征值按降序排列,按降序排列后的本征值序列所对应的特征向量序列也呈降序排列,选择呈降序排列的特征向量序列中不同范围内的一组特征向量即可实现特征向量序列的选择;
(5)地震数据重构:舍去反映目标区构造、地层信息的第一特征向量和第二特征向量,然后重构地震数据;
其中,所述步骤(5)中的重构地震数据是这样实现的:
对每道地震数据均利用公式(2)计算出该道地震数据在其余特征向量上的投影之和,所有投影之和构成了重构的地震数据S*,该重构的地震数据S*就是储层反射特征加强的地震数据体;
所述公式(2)如下:
<mrow>
<msubsup>
<mi>s</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msub>
<mi>u</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(2)表示第j道数据sj(t)在提取的特征向量ujk上的投影之和。
2.根据权利要求1所述的基于主成分分析的地震数据储层反射特征加强方法,其特征在于:所述步骤(2)是这样实现的:
利用下面公式对所述样本矩阵S进行标准化处理得到标准化处理后的样本矩阵:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
</mfrac>
</mrow>
其中,
样本均值
样本标准差
3.根据权利要求2所述的基于主成分分析的地震数据储层反射特征加强方法,其特征在于:所述步骤(3)是这样实现的:
利用下式将标准化处理后的样本矩阵转化为样本协方差矩阵:
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
然后,基于公式(1)获得地震数据的本征值及特征向量:
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</msub>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<msubsup>
<mi>V</mi>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mi>T</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,协方差矩阵Cm×n的本征值λj,即对角矩阵Dm×n的值,矩阵Um×n的列向量ujk是相应的特征向量,是Cm×n分解后产生的n阶正交矩阵。
4.根据权利要求3所述的基于主成分分析的地震数据储层反射特征加强方法,其特征在于:所述步骤(5)中的舍去反映目标区构造、地层信息的第一特征向量和第二特征向量是这样实现的:
选择呈降序排列的特征向量序列中的前面的k个特征向量,且k值不包含1和2,则相当于舍去第一特征向量和第二特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310412443.7A CN104424393B (zh) | 2013-09-11 | 2013-09-11 | 一种基于主成分分析的地震数据储层反射特征加强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310412443.7A CN104424393B (zh) | 2013-09-11 | 2013-09-11 | 一种基于主成分分析的地震数据储层反射特征加强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104424393A CN104424393A (zh) | 2015-03-18 |
CN104424393B true CN104424393B (zh) | 2017-10-20 |
Family
ID=52973342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310412443.7A Active CN104424393B (zh) | 2013-09-11 | 2013-09-11 | 一种基于主成分分析的地震数据储层反射特征加强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104424393B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594303B (zh) * | 2018-08-08 | 2019-12-13 | 中国海洋石油集团有限公司 | 一种叠后地震数据绕射波属性提取方法 |
CN112180447A (zh) * | 2019-07-04 | 2021-01-05 | 中国石油天然气集团有限公司 | 一种消除储层强反射屏蔽的方法及系统 |
CN113221955B (zh) * | 2021-04-15 | 2022-06-28 | 哈尔滨工程大学 | 一种针对反应堆物理分析中高维输入参数的不确定性传播方法 |
CN113325472A (zh) * | 2021-05-21 | 2021-08-31 | 成都理工大学 | 基于主成分分析的地震波场次成分提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798891A (zh) * | 2012-08-22 | 2012-11-28 | 电子科技大学 | 基于短时分数阶傅里叶变换的地震信号时频分解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8380435B2 (en) * | 2010-05-06 | 2013-02-19 | Exxonmobil Upstream Research Company | Windowed statistical analysis for anomaly detection in geophysical datasets |
-
2013
- 2013-09-11 CN CN201310412443.7A patent/CN104424393B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798891A (zh) * | 2012-08-22 | 2012-11-28 | 电子科技大学 | 基于短时分数阶傅里叶变换的地震信号时频分解方法 |
Non-Patent Citations (2)
Title |
---|
叠前地震属性的提取与优化;孔国英;《中国优秀硕士学位论文全文数据库基础科学辑》;20120315(第3期);第4.3节 * |
特征提取技术研究及其在人脸识别中的应用;孙涛;《中国优秀硕士学位论文全文数据库信息科技辑》;20071215(第6期);第2.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104424393A (zh) | 2015-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101158724B (zh) | 基于偶极小波的储层厚度预测方法 | |
CN102650701B (zh) | 一种基于偶极子波进行储层波阻抗预测的方法 | |
CN104516018B (zh) | 一种地球物理勘探中岩性约束下的孔隙度反演方法 | |
Du et al. | Seismic facies analysis based on self-organizing map and empirical mode decomposition | |
CN105116449B (zh) | 一种弱反射储层的识别方法 | |
CN103675911B (zh) | 一种基于纵波和转换横波联合反演截距和梯度的方法 | |
CN106842310A (zh) | 叠前地震四参数同步反演方法 | |
CN104424393B (zh) | 一种基于主成分分析的地震数据储层反射特征加强方法 | |
CN105629304B (zh) | 一种基于多属性的砂体叠合模式识别方法 | |
CN107991711A (zh) | 航空时域电磁三维条状随机断裂带模型建立及判别方法 | |
Xia et al. | Application of 3D fine seismic interpretation technique in Dawangzhuang area, Bohai Bay Basin, Northeast China | |
CN105842751A (zh) | 页岩储层裂缝评价方法 | |
CN107356965A (zh) | 基于加权叠加噪音压制策略的反射系数反演储层预测方法 | |
CN105093304A (zh) | 一种地球物理勘探利用测井曲线自动求取岩性曲线的方法 | |
CN106405639A (zh) | 一种叠前地震储层岩性参数的反演方法 | |
CN104297800A (zh) | 一种自相控叠前反演方法 | |
CN102096098A (zh) | 地震属性提取方法 | |
CN106526697A (zh) | 一种三角洲建设与破坏主要转换面识别方法 | |
CN105093308B (zh) | 一种井轨迹设计方法和系统 | |
Liu et al. | Seismic characterization of fault and fractures in deep buried carbonate reservoirs using CNN-LSTM based deep neural networks | |
Singleton | Geophysical data processing, rock property inversion, and geomechanical model building in a Midland Basin development project, Midland/Ector counties, Texas | |
Zellou et al. | Integrated fractured reservoir characterization using neural networks and fuzzy logic: three case studies | |
CN104820237A (zh) | 计算地层的方差体的方法 | |
CN105093330B (zh) | 多地震道积累振幅差分解谱寻找井旁缝洞储集体的方法 | |
Zellou et al. | Integrated fractured reservoir characterization using neural networks and fuzzy logic: Three case studies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |