CN104570083A - 基于多维地震属性的地质体自动识别方法 - Google Patents

Abstract

本发明涉及地球物理勘探的基于多维地震属性的地质体自动识别方法。按照采集的地震数据所对应的空间位置关系组成多属性样本集合，用交互操作选出不同的地质体类型训练样本集合，建立地质体模型分类器，应用贝叶斯分类方法对多维地震属性样本集合进行分类，刻画出不同的地质体类型。本发明通过简单的交互采样操作对不同类型的特殊地质体资料实现自动的识别与分析过程。从而减少计算机资源消耗，提高识别的效率和准确性，降低人为干预对识别结果的影响，真实反映地下构造的情况，有利于新油气田的寻找和开发。

Description

基于多维地震属性的地质体自动识别方法

技术领域

本发明涉及地球物理勘探技术，属于地球物理勘探数据处理和解释范畴，具体是基于多维地震属性的地质体自动识别方法。

背景技术

在地球物理勘探处理和解释过程中，特殊地质体的自动识别技术是必备的重要问题，其识别过程通常依赖专家的分析、判断，以人机交互操作的方式实现，这种方法不但大大影响了效率，同时也因人出现了解释结果的不确定性。

20世纪80年代以来，随着高速发展的计算机技术的快速发展，一批以模式识别、神经网络、机器学习、图像分析以及纹理分析技术为主的方法相继被应用到地球物理勘探领域中。例如，自组织神经网络用于波形分类,BP网络用于油气预测和K-Means算法用于地震相聚类分析等。这些方法在一定程度上解决了三维地质体识别过程中，过多依赖专家参与、较多的人工交互操作的不足，同时也较好地克服了地质体识别工作存在复杂性、有限性、不确定性、多解性等问题。然而,这些方法都具有一定的局限性，受到一些假设模型的限制。其主要问题是，消耗的存储空间加大，运算时间较长，方法容易得到局部极值解和识别结果需要专家交互标定等问题。

发明内容

本发明目地是提供一种运算效率非常高，解释准确的基于多维地震属性的地质体自动识别方法。

本发明的具体实施步骤如下：

1）从叠前或叠后地震数据中，按照常规算法提取地质体识别所需的地震属性数据体，组成地震属性数据体数据集合；

所述的地震属性数据包括振幅，相位，曲率，相干以及频谱类属性。

2）对地震属性体数据集合，采用模式识别理论中标准的自动顺序前进算法对地震属性优选进行操作，从中去除对所需识别不同类型的地质体区分较差的地震属性数据体；

自动顺序前进算法是公知公用算法。

3）将地震属性数据体集合中的地震属性数据按照先线号，然后道号，最后时间的先后顺序进行排序；使每一个地震数据的空间位置都与多个地震属性数据相对应，相同空间位置的不同地震属性值为该点不同的物性特征；同一个坐标点位置的不同地震属性值排列后，得到一个多属性样本点，再将所有样本点组成集合，建立一个与地震数据相对应的多维向量样本集合；

所述的多属性样本点的维数由选取的地震属性确定。

4）在每一种地震属性数据中，对不同类型的地质体确定对应的多属性训练样本集；

步骤4）所述的训练样本集的确定采用逐点选取或多边形批量选取的方式。

5）根据多属性训练样本集合，为每一种类型的地质体对象采用自适应模型优化的方式构建不同的参数模型地质体分类器；

步骤5）所述的构建地质体分类器是采用模式识别理论中经典的高斯混合模型统计学习算法对地质体目标参数进行自动学习,根据需要识别的目标地质体类型的不同得到不同的地质体目标得到不同的参数模型地质体分类器。

“高斯混合模型”算法是公知公用算法。

6）用所得到的参数模型地质体分类器对多维向量样本集合中的样本点采用贝叶斯准则进行分类，根据贝叶斯后验概率公式计算每一个多维向量样本点所属的地质体类别；

贝叶斯后验概率公式是公知公用算法。

步骤6）所述的分类采用逐点识别、逐点存储的方式。

7）根据每一个多维向量样本集合中的样本点数据的空间位置以及样本点所属地质体目标的类别，得到表示不同类型地质体的标签数据体；

8）将按照标签数据体用不同的颜色标记，完成地质体自动识别。

传统的波形聚类和无监督多属性联合分析的方法相比较，本发明在针对不同类型地质体的多属性联合采样操作技术，针对不同地质体的训练样本集合与地质体模型分类器的构造，以及根据各种不同的地质体分类器对整个地区的多属性样本按照贝叶斯准则进行分类识别操作等方面具有优势。该方法即继承了传统多维地震属性联合分析技术的各种优点，同时训练样本集合地质意义更加明确，采样操作控制更加简单、快捷，占用存储空间少，运算速度快等优势，极大地满足了解释人员对各种复杂类型的地质体资料进行自动识别与分析的要求。

本发明的采用较灵活的地质体多属性训练样本集合的选取方式：解释人员可以通过人机交互的方式从属性体数据上，用不同的标示符（颜色，符号等）标记出自己感兴趣的不同类型的地质体。在标记过程中，当解释人员在某一种地震属性上标记了地质体样本点，那么在其它地震属性上的相同位置的属性值同时被选中，组成描述当前地质位置信息的多属性样本集合。相比于仅仅从测井资料选取训练样本点的方法，本发明具有更多的灵活性，并且对测井资料较少的地区能选取更多的样本点，提高识别精度。

本发明根据解释人员选取的训练样本集合，对每一种类型的地质体分别构造与之对应的参数模型分类器。不同于传统的无监督多属性分析技术，本发明采用统计学的思想，用部分训练样本集训练参数模型估计不同类型地质体的特征。由于所选择样本点较少，所以运算速度快，计算效率高。由于本发明对每一种类型的地质体分别训练参数模型分类器，其消除了传统分析方法采用全部多属性样本进行训练在彼此不同类型地质体分类器之间产生的干扰。

本发明在生成不同的地质体参数模型分类器之后，对全部多属性样本集合采用贝叶斯准则的方法进行类别标示。在识别精度上，相比于传统算法所采用的欧氏距离准则，其识别的精度更高，稳定性更强。此外，因为本发明对待识别多属性样本仅仅进行一次数据读取操作，能够比传统的神经网络方法和无监督聚类算法得到更高的运算速率。

本发明只存储训练样本集合，所需存储空间极少。而传统的聚类分析算法往往需要将所有数据存储在运算设备上，所需存储空间较大。所以，本发明克服了传统基于聚类算法地震相分析方法不能处理大数据量的三维地震体数据的问题。

附图说明

图1是不同类型地质体识别过程中所用到的地震属性；图1(a)表示Crossline倾角地震属性。图1(b)表示相干地震属性，图1(c)表示最正曲率地震属性，图1(d)表示最负曲率地震属性。

图2是地质体自动识别方法中多个属性体样本集合，2-1表示地震属性数据1，2-2表示地震属性数据2，2-3表示地震属性数据n，2-4不同数据体上相同采样位置的第一个采样点，2-5不同数据体上相同采样位置的第m个采样点。这些样本点用来组成多属性样本点集合。

图3是不同类型地质体在相干地震属性上自适应采样示意图；图3(a)-3-1表示“大裂缝”采样点位置，图3(b)-3-2表示“地下暗河”采样点位置，图3(c)-3-3表示“小裂缝”采样点位置，图3(d)-3-4表示“非裂缝，非地下暗河”采样点位置。其中，任何地质体边界内的所有样本点为所对应类型地质体的训练采样点。

图4是本发明对不同级别裂缝以及地下暗河自动识别实例图；3-1为“大”裂缝，3-2为“小”裂缝，3-3地下暗河。

具体实施方案

本发明所要解决的技术问题是提供一种快速识别复杂类型地质体特征的自适应方法。

以下结合附图详细说明本发明的具体实施方案：

1）采用常规的方法对采集沿层地震数据进行分析，提取地质体识别过程所需的相干、曲率、地层倾角以及常规的振幅、相位以及频谱类地震属性数据体。其中对时频属性的提取参数，采用沿着目标地震层位开一个20ms的时窗（上10ms，下10ms）来提取时频属性。

2）对地震属性体数据集合，采用模式识别理论中标准的自动顺序前进算法对地震属性优选进行操作，从中去除对所需识别不同类型的地质体区分较差的地震属性数据体。在断层、裂缝和河道地质体识别过程中，首先对相干、曲率、振幅、相位以及频谱类属性采用自动顺序前进算法进行地震属性优选，最终确定了相干、最正曲率、最负曲率和地层倾角作为输入地震属性参数进行分析（如图1所示）；

3）将地震属性数据体集合中的地震属性数据按照线号，道号，时间的进行排序；使每一个地震数据的空间位置都与多个地震属性数据相对应，相同空间位置的不同地震属性值为该点不同的物性特征；同一个坐标点位置的不同地震属性值排列后，得到一个多属性样本点（如图2中所示，样本点1由不同地震属性中，同一空间位置的属性值组合而成），再将所有样本点组成集合，建立一个与地震数据相对应的多维向量样本集合；所述的多属性样本点的维数由选取的地震属性确定。

4）针对不同类型的地质体确定对应的多属性训练样本集，所述的训练样本集的确定采用逐点选取或多边形批量选取的方式：

当目标区域范围内测井数量较多时，可以采用传统的基于测井资料的采样方式。即，采用测井的位置信息作为地震属性样本中每一个地震属性的空间采样位置信息。而每一个地震属性样本所表示的目标地质体的类别也由测井资料确定。

当目标区域测井数量较少，或者没有测井资料时，可以采用本发明提出的基于地震属性的采样技术。即，对地震属性描述的地质体特征，根据不同地质体特征在不同地震属性体上表现形式的不同，采用交互的方式提取出训练样本集合。在表示目标地质体特征的属性数据上，采用多边形的方式将不同的地质体特征圈定。图3所示为选定的表示不同类型地质体的样本点。

5）根据所选择的多属性训练样本集合，为每一种类型的地质体对象采用自适应模型优化的方式构建不同的参数模型地质体分类器。

由于每一种类型的地质体特征不同，所以每一种地质体的参数模型分类器要采用自动优化方法。针对于图3所示实例，采用一种基于统计模型的机器学习方法--高斯混合模型算法。高斯混合模型算法是已知的算法

一个高斯混合模型可以看成由一些高斯分量线性组合而成的一个复合概率模型。设X=[x₁,x₂,...,x_d]^T是一个d维的随机变量，x表示X的一个实例。那么一个均值为m_i，方差为的Σ_i多维高斯密度函数可以表示成：

$\mathrm{\φ}\left(x_t\right|m_i,{\mathrm{\Σ}}_i)=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{n}{2}}{\left|{\mathrm{\Σ}}_i\right|}^{1/2}}{e}^{-\frac{1}{2}{(x-m_i)}^T{\mathrm{\Σ}}_i^{-1}(x-m_i)}$

在这种情况下，具有k个分量的高斯混合密度函数的联合密度函数可以表示成为:

$p\left(S\right|\mathrm{\Θ})=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\π}}_i\mathrm{\φ}\left(x_t\right|{\mathrm{\θ}}_i)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\π}}_i\mathrm{\φ}\left(x_t\right|m_i,{\mathrm{\Σ}}_i),$     

其中，k是混合模型中分量的个数。参数π_i∈(0,1)(i=1,2,...,k)是混合模型中各个高斯分量的混合比例系数并且它们满足约束条件而表示第i个成分的均值与方差。为了简化表达上面的形式，用Θ表示所有的参数的集合，即

对于给定的概率密度函数P(x|Θ)及独立同分布的样本数据集合S={x¹,x²,...,x^N}，那么似然函数定义为：

$L\left(\mathrm{\Θ}\right|S)=\underset{t=1}{\overset{N}{\mathrm{\Π}}}P\left(x_t\right|\mathrm{\Θ})$

那么，在高斯混合模型的条件下，似然函数的对数形式可以表示为：

$\log p\left(S\right|\mathrm{\Θ})=\log \underset{t=1}{\overset{N}{\mathrm{\Π}}}\mathrm{\φ}\left(x_t\right|{\mathrm{\Θ}}_k)=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\log \underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\π}}_i\mathrm{\φ}\left(x_t\right|{\mathrm{\θ}}_i)$

所谓最大似然估计方法就是找到使得上述最大似然函数取得最大值的参数Θ，即：

${\mathrm{\Θ}}^{*}=\arg \underset{\mathrm{\Θ}}{\max }L\left(\mathrm{\Θ}\right|S)$

在地质体特征的识别过程中，为每一个地质体特征分别建立高斯混合模型分类器。其中，第g个地质体特征的高斯混合模型为：

$p\left(S\right|{\mathrm{\Θ}}_g)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\π}}_i\mathrm{\φ}\left(x_t\right|{\mathrm{\θ}}_i)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\π}}_i\mathrm{\φ}\left(x_t\right|m_i,{\mathrm{\Σ}}_i),$   

在参数模型的优化阶段，所有模型初始参数均采用随机赋值的策略进行初始化。由于每一种地质体的参数模型仅仅使用表示这个地质体特征的训练样本点进行估计，所以对于不同的地质体特征，其得到的参数{Θ}_i各不相同。此方法能够消除其它类别样本点数据对于模型分类器参数的影响，提高了分类器识别能力。

6）用所得到的参数模型地质体分类器根据贝叶斯准则对多维向量样本集合中的样本点依次识别，根据贝叶斯后验概率公式计算每一个多维向量样本点所属的地质体类别，同时得到跟原始地震数据体相对应的地质体类别标签数据体。标签数据体的数值为多维向量样本点所述类别的编号。贝叶斯后验概率公式为本领域已知方法。

其中，贝叶斯准则为：设每个多属性样本数据用一个n维特征向量来描述n个地震属性的值，即：X={x₁,x₂,x₃,...,x_n}，假定有M个地质体特征，分别用C₁,C₂,…，C_M表示。给定一个未知的数据样本X（即没有类标号），若贝叶斯准则将未知的样本X分配给类C_i，则一定是：P(C_i|X)>P(C_j|X)1≤j≤M,j≠i，其中P(·)表示概率。

根据贝叶斯公式，P(C_i|X)可以用下列公式求得：

$1),P\left(C_i\right|X)=\frac{P\left(X\right|C_i)P\left(C_i\right)}{P\left(X\right)}$

在上述公式中，由于P(X)对于所有类为常数，最大化后验概率P(C_i|X)可转化为最大化先验概率P(X|C_i)P(C_i)。通常假设各属性的取值互相独立，这样先验概率P(C₁|X)，P(C₂|X),…,P(C_M|X)可以从训练数据集求得。

根据此方法，对一个未知类别的多属性样本点X，可以先分别计算出X属于每一个类别C_i的概率P(X|C_i)P(C_i)，然后选择其中概率最大的类别作为其类别。

7）根据每一个多维向量样本集合中的样本点数据的空间位置以及样本点所属地质体目标的类别，得到表示不同类型地质体的标签数据体；

8）按照类别标签对自动识别的不同类型的地质体分别用不同的颜色标记，得到最终的地质体特征识别结果（如图4）。

Claims (6)

1.一种基于多维地震属性的地质体自动识别方法，特点是通过以下具体实施步骤实现：

1）从叠前或叠后地震数据中提取地质体识别所需的地震属性数据体，组成地震属性数据体数据集合；

2）对地震属性体数据集合，采用模式识别理论中标准的自动顺序前进算法对地震属性优选进行操作，从中去除对所需识别不同类型的地质体区分较差的地震属性数据体；

3）将地震属性数据体集合中的地震属性数据按照先线号，然后道号，最后时间的先后顺序进行排序；使每一个地震数据的空间位置都与多个地震属性数据相对应，相同空间位置的不同地震属性值为该点不同的物性特征；同一个坐标点位置的不同地震属性值排列后，得到一个多属性样本点，再将所有样本点组成集合，建立一个与地震数据相对应的多维向量样本集合；

4）在每一种地震属性数据中，对不同类型的地质体确定对应的多属性训练样本集；

5）根据多属性训练样本集合，为每一种类型的地质体对象采用自适应模型优化的方式构建不同的参数模型地质体分类器；

6）用所得到的参数模型地质体分类器对多维向量样本集合中的样本点采用贝叶斯准则进行分类，根据贝叶斯后验概率公式计算每一个多维向量样本点所属的地质体类别；

7）根据每一个多维向量样本集合中的样本点数据的空间位置以及样本点所属地质体目标的类别，得到表示不同类型地质体的标签数据体；

8）将按照标签数据体用不同的颜色标记，完成地质体自动识别。

2.跟据权利要求1的方法，特点是步骤1）所述的地震属性数据包括按照常规算法提取的振幅，相位，曲率，相干以及频谱类属性。

3.根据权利要求1的方法，特点是步骤3）所述的多属性样本点的维数由选取的地震属性确定。

4.根据权利要求1的方法，特点是步骤4）所述的训练样本集的确定采用逐点选取或多边形批量选取的方式。

5.根据权利要求1的方法，特点是步骤5）所述的构建地质体分类器是采用模式识别理论中经典的高斯混合模型统计学习算法对地质体目标参数进行自动学习,根据需要识别的目标地质体类型的不同得到不同的参数模型地质体分类器。

6.根据权利要求1的方法，特点是步骤6）所述的分类采用逐点识别、逐点存储的方式。