CN104914467A - 提取分类模型道的地震相聚类分析方法 - Google Patents

Abstract

本发明公开了一种提取分类模型道的地震相聚类分析方法，它包括以下步骤：基于地震波形数据通过神经网络和粒子群聚类计算得到初始分类模型道；基于初始分类模型道通过相关性分析后得到新的分类模型道，并利用新的分类模型道对原始数据进行聚类分析，得到地震相分类图；基于地震相分类图预测地下油气的展布。本发明通过两步法优化分类模型道，有效保证分类结果的稳定性以及有效的区分神经元的类别，最终实现了对地震相的客观分析，使得地震数据中大量信息得到准确的解读。

Description

提取分类模型道的地震相聚类分析方法

技术领域

本发明涉及地球物理勘探地震相分析技术领域，特别涉及一种提取分类模型道的地震相聚类分析方法。

背景技术

地震相一般是指在某种特定的沉积环境所形成的地震反射特征所构成的具有相似形态的相带。沉积环境包括有海相或陆相，它带能够控制储层分布和发育。地震相分析技术能够从地震的角度来表征沉积相的形态，目前在地震储层特征描述和检测的技术中已成为是一种不可或缺的方法。监测获取的地震数据中包含波形的振幅、相位和频率等相关信息，是地下地岩体、物性、流体性质、结构和构造的综合响应。换句话说，地下物理参数的变化总是对应着地震波形形状的变化。传统的地震相分析方法主要对地震反射结构、构型和外形进行分析。该方法需要有经验的地质人员对地震数据集进行解读，费时费力，且地震数据中隐含的大量信息难以用肉眼识别。

随着地震属性技术的发展，模式识别与地震波形特征分析和神经网络方法的结合开辟了地震相分析的新途径。在模式识别中，一般使用时间域的波形分类，它是利用自组织神经网络对实际地震资料进行训练，经过训练后的网络达到稳定状态，从而得到分类模型道和地震相分类图。这种地震波形聚类方法需要人为预先给定地震相的类别数，难以根据地震数据自身特点自适应判定地震相的类别数。同时，对于空间中的线性不可分类别的划分难于得到准确的结果。在地震相聚类分析中一般常用的方法是K均值聚类方法和自组织神经网络聚类分析的方法。K均值聚类方法是通过随机分配样本空间类别，计算样本空间初始类别中心，比较原始数据与样本空间类别中心的距离，重新分配样本空间类别，通过反复迭代实现分类结果，这种方法易受原始数据极值和初始分类中心的影响，导致分类结果的不确定性。自组织网络方法通过训练数据使神经网络达到最终的稳定状态，相同类别的神经元相互靠近，不同类别的神经元相互疏离，由此达到类别的划分。但是这种自组织神经网络方法对于特征相似的类别，不能有效区分，常常导致神经元上划分的类别数大于实际的类别数。

发明内容

为了克服现有技术的上述缺陷，本发明所要解决的技术问题是提供了一种提取分类模型道的地震相聚类分析方法，其能够解决分类结果的不确定性和无法有效区分相似类别神经元的问题

本发明的具体技术方案是：

一种提取分类模型道的地震相聚类分析方法，其特征在于，它包括以下步骤：基于地震波形数据通过神经网络和粒子群聚类计算得到初始分类模型道；基于初始分类模型道通过相关性分析后得到新的分类模型道，并利用新的分类模型道对原始数据进行聚类分析，得到地震相分类图；基于地震相分类图预测地下油气的展布。

优选地，在步骤基于地震波形数据通过神经网络和粒子群聚类计算得到初始分类模型道中，它包括以下步骤：

对剔除不良数据后的地震波形数据进行归一化处理；

选定多个神经网络的神经元数目，并对每一个神经元数目下的神经网络进行随机初始化权值；

基于归一化处理后的地震波形数据和不同神经元数目的神经网络得到每个地震道到各个神经元的距离；

基于每个地震道到各个神经元的距离得到最近的神经元，基于神经网络的稳定程度和最近的神经元更新邻近神经元；

基于地震波形数据和更新邻近神经元后的神经网络通过K均值和粒子群寻优方法得到不同神经元数目的神经网路中最优神经元数目的神经网络；

基于地震波形数据中的地震道通过最优神经元数目的神经网络对地震道赋予相应的类别，进而计算得到地震波形数据的初始分类模型道。

优选地，在步骤对剔除不良数据后的地震波形数据进行归一化处理中，具体为采用极差标准化的方法进行归一化处理，其具体公式如下：

$A_{norm}=\frac{A_i-A_{min}}{A_{\max }-A_{min}}$

其中，A_i为每个样点值，A_min为每个地震道的幅度最小值，A_max为每个地震道的幅度最大值，A_norm为归一化处理后的地震波形数据中地震道的幅度。

优选地，在步骤基于归一化处理后的地震波形数据和不同神经元数目的神经网络得到每个地震道到各个神经元的距离中，具体为将归一化处理后的地震波形数据逐个代入不同神经元数目的神经网络对不同的神经网络进行训练，计算地震波形数据中每个地震道到各个神经元的距离，具体公式如下：

$d\left(t\right)={\[\underset{i=1}{\overset{N}{\Σ}}{\left(x_i\right(t)-m_{ij}(t\left)\right)}^2\]}^{1/2}$

其中，m_ij(t)为连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震波形数据矩阵的行数。

优选地，在步骤基于每个地震道到各个神经元的距离得到最近的神经元，基于神经网络的稳定程度和最近的神经元更新邻近神经元中，基于每个地震道到各个神经元的距离得到最近的神经元的具体公式如下：

$m_{winner}=\underset{i}{min}\left\{d\left(t\right)\right\}=\underset{i}{min}\left\{{\[\underset{i=1}{\overset{N}{\Σ}}{\left(x_i\right(t)-m_{ij}(t\left)\right)}^2\]}^{1/2}\right\}$

基于神经网络的稳定程度和最近的神经元更新邻近神经元，具体为选择最近的神经元作为最佳匹配单元更新邻近神经元，更新准则和邻域函数分别如下：

m_ij(t+1)＝m_ij(t)+αh(m_winner,m_ij)(x_i(t)-m_ij(t))

$h=e^{-\frac{1}{2}\left(\frac{\sqrt{{(i-n)}^2+{(j-m)}^2}}{r}\right)}$ 或 $h=\left\{\begin{array}{cc}1,& \sqrt{{(i-n)}^2+{(j-m)}^2}\≤r\\ 0,& \sqrt{{(i-n)}^2+{(j-m)}^2}>r\end{array}\right.$

其中，m_ij(t)为未更新的连接权值，m_ij(t+1)为更新后的连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震波形数据矩阵的行数，m_winner为最近的神经元，m_ij为第i个神经元连接第j个样本的权重值，α为学习速率，h为邻域函数，n、m是除i、j外的其它的神经元的位置，r表示邻域函数的半径，m_ij表示神经元在二维神经网络上的位置。

优选地，在步骤基于地震波形数据和更新邻近神经元后的神经网络通过K均值和粒子群寻优方法得到不同神经元数目的神经网路中最优神经元数目的神经网络中，对于更新邻近神经元后的神经网络，对其给定初始的粒子数目，粒子更新自己的速度和位置的方式表示如下：

V_i'＝V_i+c₁·Rand()·(pbest[i]-X_i)+c₂·rand()·(gbest[i]-X_i)

X′_i＝X_i+V_i

其中，c₁和c₂为常数，表示学习因子，Rand()和rand()为[0,1]上的随机数，V′_i是更新后的粒子的速度，X′_i是更新后的粒子位置；

将地震波形数据代入粒子更新后的神经网络，计算不同神经网络下的拟合度函数1/J，当拟合度函数值最小时，该拟合度函数值对应的神经网络为最优神经元数目的神经网络，拟合度函数的具体计算公式如下：

$1/J=1/\underset{j=1}{\overset{k}{\Σ}}{\left(\underset{m_i\∈w_j}{\Σ}{(m_i-m^{wj})}^2\right)}^{1/2}$

其中，m^wj为第w_j类的样本中心，m_i为类内样本，k为神经元的分类数目。

优选地，在步骤基于地震波形数据中的地震道通过最优神经元数目的神经网络对地震道赋予相应的类别，进而计算得到地震波形数据的初始分类模型道中，具体为将同类别的地震道进行相加再求取平均值，将平均值作为地震数据的初始分类模型道，公式如下：

${\mathrm{Model}}_i=\frac{1}{k_s}\underset{j=1}{\overset{s}{\Σ}}{A}_j$

其中，Model_i为第i个模型道，s为某类别的总道数，A_j为相应道的幅值，k_s为每类的总道数。

优选地，在步骤基于初始分类模型道通过相关性分析后得到新的分类模型道中，初始分类模型道相关性分析中的相关系数具体计算过程如下：

$r=\frac{\underset{j=1}{\overset{K}{\Σ}}(x_j-mean\left(x_j\right))({\mathrm{Model}}_i-mean\left({\mathrm{Model}}_i\right))}{\sqrt{\underset{j=1}{\overset{K}{\Σ}}{(x_j-mean(x_j\left)\right)}^2}\sqrt{\underset{j=1}{\overset{K}{\Σ}}{({\mathrm{Model}}_i-mean({\mathrm{Model}}_i\left)\right)}^2}}$

基于满足相关性要求的初始分类模型道合并得到新的分类模型道的计算过程如下：

${\mathrm{Model}}_{new}=\frac{1}{p}\underset{i=1}{\overset{m}{\Σ}}{\mathrm{Model}}_i$

其中，x_j为地震道，K为地震道的采样点数，Model_i为模型道，m和p为满足相似度要求的模型道的数量，Model_new是满足相似度要求的模型道合并求平均后得到的新的分类模型道。

优选地，在步骤利用新的分类模型道对原始数据进行聚类分析，得到地震相分类图中，具体包括以下步骤：

基于新的分类模型道进行相关性分析得到每道的加权系数，加权系数计算的具体公式如下，

$W_i=\underset{j=1}{\overset{M}{\Σ}}{x}_i\left(j\right)Model\_new\left(j\right)/\underset{j=1}{\overset{M}{\Σ}}{x}_i{\left(j\right)}^2$

其中，x_i为合并后新类别的第p类中的第i道数据，M代表每一道的采样点，Model_new(j)表示第p类的模型道，W_i为第i道的加权系数，

基于加权系数和新的分类模型道得到最终的分类模型道，具体过程如下，

对新的分类模型道中的每类的地震道进行加权，具体计算公式如下，

x′_i＝W_i·x_i

其中，W_i为第i道的加权系数，x_i代表合并后新类别的第p类中的第i道数据，x_i'为加权后新类别的第p类中的第i道数据，

将同类加权后的地震类相加得到相应的最终的分类模型道，具体计算公式如下，

$Model\_final=\underset{i=1}{\overset{p}{\Σ}}{x}_i^{\′}$

其中，x_i'为加权后新类别的第p类中的第i道数据，Model_final为最终的分类模型道，

将归一化处理后地震波形数据中的地震道与最终的分类模型道进行对比得到地震相分类图。

本发明具有以下显著有益效果：本发明提出了一种提取分类模型道的地震相聚类分析方法，通过引入粒子群优化来降低K均值分类的不确定性，通过对神经网络和粒子群划分得到分类模型道，再对分类模型道进行相关性分析，合并冗余的分类模型道。以上通过两步法优化分类模型道，有效保证分类结果的稳定性以及有效的区分神经元的类别，最终实现了对地震相的客观分析，使得地震数据中大量信息得到准确的解读。

附图说明

在此描述的附图仅用于解释目的，而不意图以任何方式来限制本发明公开的范围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本发明的理解，并不是具体限定本发明各部件的形状和比例尺寸。本领域的技术人员在本发明的教导下，可以根据具体情况选择各种可能的形状和比例尺寸来实施本发明。

图1为本发明提取分类模型道的地震相聚类分析方法的流程图。

图2为本发明提取分类模型道的地震相聚类分析方法中第一步的流程图。

图3为本发明提取分类模型道的地震相聚类分析方法中第二步的流程图。

图4为实施例中部分初始分类模型道的示意图。

图5为实施例中部分新的分类模型道的示意图。

图6为实施例中地震相的分类图的结果图。

具体实施方式

结合附图和本发明具体实施方式的描述，能够更加清楚地了解本发明的细节。但是，在此描述的本发明的具体实施方式，仅用于解释本发明的目的，而不能以任何方式理解成是对本发明的限制。在本发明的教导下，技术人员可以构想基于本发明的任意可能的变形，这些都应被视为属于本发明的范围。

图1为本发明提取分类模型道的地震相聚类分析方法的流程图，如图1所示，一种提取分类模型道的地震相聚类分析方法，它的手段为引入粒子群优化来降低K均值分类的不确定性，通过对神经网络和粒子群划分得到分类模型道，然后再通过对分类模型道进行相关性分析，合并冗余的分类模型道得到地震相聚类结果。整体而言，通过上述两步法优化分类模型道，实现了自适应地震相聚类分析。本发明方法包括以下步骤：

S101：基于地震波形数据通过神经网络和粒子群聚类计算得到初始分类模型道。

图2为本发明提取分类模型道的地震相聚类分析方法中第一步的流程图，如图2所示，其具体包括以下步骤，

S201：获取地震波形原始数据；基于地震波形原始数据，剔除地震波形原始数据中的不良数据得到地震波形数据；对剔除不良数据后的地震波形数据进行归一化处理；

在步骤S201中，获取地震波形数据，由于地震资料中存在大量的坏道、空道。一道地震数据相当于一个时间序列，坏道与空道常常是由于地震采集或处理不当产生的，这里需要将异常大的地震道或为零的地震道剔除掉；并除去地震资料中的噪声或野值，主要包括中值滤波(去除孤立噪声)和定向构造滤波(突出构造特征)。所以需要对地震波形数据进行处理，将不良数据进行剔除。获取的地震波形数据可以为时间域的地震数据、频率域的地震数据、叠后地震数据或叠前地震数据。获取的地震波形数据内容中包括地震道，其涉及样点值、地震道的幅度最小值、地震道的幅度最大值等。

在步骤对剔除不良数据后的地震波形数据进行归一化处理中，具体为采用极差标准化的方法进行归一化处理，其具体公式如下：

$A_{norm}=\frac{A_i-A_{min}}{A_{\max }-A_{min}}$

其中，A_i为每个样点值，A_min为每个地震道的幅度最小值，A_max为每个地震道的幅度最大值，A_norm为归一化处理后的地震波形数据中地震道的幅度。

S202：选定多个神经网络的神经元数目，并对每一个神经元数目下的神经网络进行随机初始化权值。

步骤202可以在S201之前、之后或同时处理。在步骤202中，可以选定多个神经网络的神经元数目，例如可以设置4个神经网络的神经元数目，分别为8、16、32、64等。单个神经网络下的神经元数目并不是越多越好，通过测试不同数目下神经元的聚类效果，来判断神经元的数目，这样既能保证方法的有效性，又能节约运算时间。所以这里神经元的数目的选择是由小到大，通过最终的结果，确定最合适的神经元数目。然后再对每个数目下的神经网络进行随机初始化权值，随机初始化神经网络的权值就是将其附上随机数，即权值为介于0到1之间的随机数，以此完成神经网络的设置。

S203：基于归一化处理后的地震波形数据和不同神经元数目的神经网络得到每个地震道到各个神经元的距离。

将归一化处理后的地震波形数据逐个代入不同神经元数目的神经网络对不同的神经网络进行训练，计算地震波形数据中每个地震道到各个神经元的距离，具体公式如下：

$d\left(t\right)={\[\underset{i=1}{\overset{N}{\Σ}}{\left(x_i\right(t)-m_{ij}(t\left)\right)}^2\]}^{1/2}$

其中，m_ij(t)为连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震波形数据矩阵的行数。

一般而言，输入的地震数据为一个N*M的矩阵，地震波形数据矩阵是由归一化处理后地震波形数据构成的矩阵，1≤i≤N，1≤j≤M，m_ij(t)为随机初始化得到。

S204：基于每个地震道到各个神经元的距离得到最近的神经元，基于神经网络的稳定程度和最近的神经元更新邻近神经元。

根据上述步骤中计算得到的地震波形数据中每个地震道到各个神经元的距离得到最近的神经元，其具体公式如下：

$m_{winner}={\min }_i\left\{d\left(t\right)\right\}={\min }_i\left\{{\[\underset{i=1}{\overset{N}{\Σ}}{\left(x_i\right(t)-m_{ij}(t\left)\right)}^2\]}^{1/2}\right\}$

其中，m_ij(t)为未更新的连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震波形数据矩阵的行数，m_winner为最近的神经元。

然后，选择最近的神经元作为最佳匹配单元，学习速率为α，邻域函数为h，更新邻近神经元，更新准则具体如下：

m_ij(t+1)＝m_ij(t)+αh(m_winner,m_ij)(x_i(t)-m_ij(t))

领域函数的计算如下：

$h=e^{-\frac{1}{2}\left(\frac{\sqrt{{(i-n)}^2+{(j-m)}^2}}{r}\right)}$ 或 $h=\left\{\begin{array}{cc}1,& \sqrt{{(i-n)}^2+{(j-m)}^2}\≤r\\ 0,& \sqrt{{(i-n)}^2+{(j-m)}^2}>r\end{array}\right.$

其中，m_ij(t)为未更新的连接权值，m_ij(t+1)为更新后的连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，m_winner为最近的神经元，m_ij为第i个神经元连接第j个样本的权重值，α为学习速率，h为邻域函数，n、m是除i、j外的其它的神经元的位置，r表示邻域函数的半径，m_ij表示神经元在二维神经网络上的位置。

S205：基于地震波形数据和更新邻近神经元后的神经网络通过K均值和粒子群寻优方法得到不同神经元数目的神经网路中最优神经元数目的神经网络。

在上述步骤中不断的循环更新邻近神经元，直至神经网络的连接权值处于稳定不再发生变化，即神经网络稳定。对于更新后稳定的神经网络，对其给定初始的粒子数目，例如M个，第i(i＝1,2，...,M)个粒子位置可以表示为X_i，它所经历的最好位置记为pbest[i]，它的速度用V_i表示，群体中最好粒子的位置的索引号用g表示，其位置表示为gbest[i]。粒子群算法是一种最优化的算法，它是为了寻找目标函数的最优解。粒子更新自己的速度和位置的方式表示如下：

V′_i＝V_i+c₁·Rand()·(pbest[i]-X_i)+c₂·rand()·(gbest[i]-X_i)

X′_i＝X_i+V_i

其中，c₁和c₂为常数，表示学习因子，Rand()和rand()为[0,1]上的随机数，V′_i是更新后的粒子的速度，X′_i是更新后的粒子位置。

将地震波形数据代入粒子更新后的神经网络，计算不同神经网络下的拟合度函数1/J，当拟合度函数值最小时，该拟合度函数值对应的神经网络为最优神经元数目的神经网络，拟合度函数的具体计算公式如下：

$1/J=1/\underset{j=1}{\overset{k}{\Σ}}{\left(\underset{m_i\∈w_j}{\Σ}{(m_i-m^{wj})}^2\right)}^{1/2}$

其中，m^wj为第w_j类的样本中心，m_i为类内样本，k为神经元的分类数目。

S206:基于地震波形数据中的地震道通过最优神经元数目的神经网络对地震道赋予相应的类别，进而计算得到地震波形数据的初始分类模型道。

通过最优神经元数目的神经网络对地震道赋予相应的类别，具体为在神经网络的聚类过程中能够确定神经元，知道该神经元对应的最近的样本，如此将这些样本附上相应的类别。基于不同类别的地震道进而计算得到地震波形数据的初始分类模型道，具体为将同类别的地震道进行相加再求取平均值，将平均值作为地震数据的初始分类模型道，具体公式如下：

${\mathrm{Model}}_i=\frac{1}{k_s}\underset{j=1}{\overset{s}{\Σ}}{A}_j$

其中，Model_i为第i个模型道，s为某类别的总道数，A_j为相应道的幅值，k_s为每类的总道数。

分类模型道可以是一个点，也可以是一个地震道(一维数组)，也可以是一个地震道集(多维数组)，例如叠前道集。

在上述过程中，通过进行粒子群寻优方法，进而降低了分类的不确定性，使得对地震道的分类更为准确；其次，通过上述方法得到的神经网络在分类时，其分类得到的类别数比自组织网络方法的更为准确，不会出现划分的类别数大于实际的类别数。

S102：基于初始分类模型道通过相关性分析后得到新的分类模型道，并利用新的分类模型道对原始数据进行聚类分析，得到地震相分类图。

图3为本发明提取分类模型道的地震相聚类分析方法中第二步的流程图，如图3所示，其具体包括下列步骤：

S301：基于初始分类模型道通过相关性分析得到新的分类模型道。

在进行相关性分析中，选择相似性度量方法可以包括相关系数、皮尔森相关系数和信息熵三种方法。

在本步骤中采用了相关系数方法，进行分析比较初始分类模型道相关性分析中的相关系数具体计算过程如下：

$r=\frac{\underset{j=1}{\overset{K}{\Σ}}(x_j-mean\left(x_j\right))({\mathrm{Model}}_i-mean\left({\mathrm{Model}}_i\right))}{\sqrt{\underset{j=1}{\overset{K}{\Σ}}{(x_j-mean(x_j\left)\right)}^2}\sqrt{\underset{j=1}{\overset{K}{\Σ}}{({\mathrm{Model}}_i-mean({\mathrm{Model}}_i\left)\right)}^2}}$

其中，x_j为地震道，K为地震道的采样点数，Model_i为模型道。

对满足相关性要求的初始分类模型道进行合并，得到新的分类模型道。一般而言，对相关系数大于等于0.9的初始分类模型道进行合并，舍去相关系数小于0.1的初始分类模型道，如此，保证新的分类模型道的质量。合并过程的具体计算过程如下：

${\mathrm{Model}}_{new}=\frac{1}{p}\underset{i=1}{\overset{m}{\Σ}}{\mathrm{Model}}_i$

其中，x_j为地震道，K为地震道的采样点数，Model_i为模型道，m和p为满足相关性要求的模型道的数量，Model_new是满足相关性要求的模型道合并求平均后得到的新的分类模型道。

S302：基于新的分类模型道进行相关性分析得到每道的加权系数。

根据新的分类模型道进行模型道的相关性分析，计算出每道的加权系数，每道的加权系数的计算具体公式如下：

$W_i=\underset{j=1}{\overset{M}{\Σ}}{x}_i\left(j\right)Model\_new\left(j\right)/\underset{j=1}{\overset{M}{\Σ}}{x}_i{\left(j\right)}^2$

其中，x_i为合并后新类别的第p类中的第i道数据，M代表每一道的采样点，Model_new(j)表示第p类的模型道，W_i为第i道的加权系数。

S303：基于加权系数和新的分类模型道得到最终的分类模型道。

基于加权系数和新的分类模型道进行聚类分析得到最终的分类模型道，包括以下步骤：通过加权系数对新的分类模型道中的每类的地震道进行加权，具体计算公式如下：

x′_i＝W_i·x_i

其中，W_i为第i道的加权系数，x_i代表合并后新类别的第p类中的第i道数据，x_i'为加权后新类别的第p类中的第i道数据，

将同类加权后的地震类相加得到相应的最终的分类模型道，具体计算公式如下：

$Model\_final=\underset{i=1}{\overset{p}{\Σ}}{x}_i^{\′}$

其中，x_i'为加权后新类别的第p类中的第i道数据，Model_final为最终的分类模型道。

S304：将归一化处理后地震波形数据中的地震道与最终的分类模型道进行对比得到地震相分类图。

S103：基于地震相分类图预测地下油气的展布。

地震相分类图能够指示地下特定沉积相或岩性体的地震响应。这种沉积相带或特殊岩性体的分布控制着油气的展布，所以沉积相的预测对于储层流体的预测能够提供了依据。

本发明提出的一种提取分类模型道的地震相聚类分析方法，通过引入粒子群优化来降低K均值分类的不确定性，通过对神经网络和粒子群划分得到分类模型道，再对分类模型道进行相关性分析，合并冗余的分类模型道。以上通过两步法优化分类模型道，实现了对地震相的客观分析，使得地震数据中大量信息得到准确的解读。

在下述实施例中，本发明的工作原理如下：

本实施例中，研究区块位于塔里木盆地中部，良里塔格族的礁滩相碳酸盐岩储层为主要目的层段，埋深约为5000米，主要岩性为泥质灰岩，地震资料的主频约为20Hz。根据发明内容所述的步骤对其进行处理：

1、获取地震波形数据，对地震波形数据进行处理，将不良数据进行剔除。再对地震波形数据采用极差标准化的方法进行归一化处理中。选定神经网络的神经元的数目为16、32、64、128，对每个数目下的神经网络进行随机初始化权值。

2、将归一化处理后的地震波形数据逐个代入不同神经元数目的神经网络对不同的神经网络进行训练，计算地震波形数据中每个地震道到各个神经元的距离。

3、基于每个地震道到各个神经元的距离得到最近的神经元，具体公式如下：

$m_{winner}=\underset{i}{min}\left\{d\left(t\right)\right\}=\underset{i}{min}\left\{{\[\underset{i=1}{\overset{N}{\Σ}}{\left(x_i\right(t)-m_{ij}(t\left)\right)}^2\]}^{1/2}\right\}$

其中，m_ij(t)为未更新的连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震波形数据矩阵的行数，m_winner为最近的神经元。

然后，选择最近的神经元作为最佳匹配单元，学习速率为α，邻域函数为h，更新邻近神经元，更新准则具体如下：

m_ij(t+1)＝m_ij(t)+αh(m_winner,m_ij)(x_i(t)-m_ij(t))

领域函数的计算如下：

$h=e^{-\frac{1}{2}\left(\frac{\sqrt{{(i-n)}^2+{(j-m)}^2}}{r}\right)}$ 或 $h=\left\{\begin{array}{cc}1,& \sqrt{{(i-n)}^2+{(j-m)}^2}\≤r\\ 0,& \sqrt{{(i-n)}^2+{(j-m)}^2}>r\end{array}\right.$

其中，m_ij(t)为未更新的连接权值，m_ij(t+1)为更新后的连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，m_winner为最近的神经元，m_ij为第i个神经元连接第j个样本的权重值，α为学习速率，h为邻域函数，n、m是除i、j外的其它的神经元的位置，r表示邻域函数的半径，m_ij表示神经元在2维神经网络上的位置。

当神经网络的连接权值不再发生变化，即神经网络稳定，对于更新后稳定的神经网络，对其给定初始的粒子数目，第i个粒子位置可以表示为X_i，它所经历的最好位置记为pbest[i]，它的速度用V_i表示，群体中最好粒子的位置的索引号用g表示，其位置表示为gbest[i]。粒子更新自己的速度和位置的方式表示如下：

V′_i＝V_i+c₁·Rand()·(pbest[i]-X_i)+c₂·rand()·(gbest[i]-X_i)

X′_i＝X_i+V_i

其中，c₁和c₂为常数，表示学习因子，Rand()和rand()为[0,1]上的随机数，V′_i是更新后的粒子的速度，X′_i是更新后的粒子位置。

4、将地震波形数据代入粒子更新后的神经网络，计算不同神经网络下的拟合度函数1/J，当拟合度函数值最小时，该拟合度函数值对应的神经网络为最优神经元数目的神经网络，如此得到最优神经元数目的神经网络。拟合度函数的具体计算公式如下：

$1/J=1/\underset{j=1}{\overset{k}{\Σ}}{\left(\underset{m_i\∈w_j}{\Σ}{(m_i-m^{wj})}^2\right)}^{1/2}$

其中，m^wj为第w_j类的样本中心，m_i为类内样本，k为每类的总道数。

在本实施例中，神经元数目为64的神经网络的拟合度函数值最小，则选择神经元数目为64的神经网络作为最优神经元数目的神经网络。

5、通过神经元数目为64的神经网络对地震道赋予相应的类别，基于不同类别的地震道计算得到地震波形数据的初始分类模型道。具体为将同类别的地震道进行相加再求取平均值，将平均值作为地震数据的初始分类模型道，计算的具体公式如下：

${\mathrm{Model}}_i=\frac{1}{k_s}\underset{j=1}{\overset{s}{\Σ}}{A}_j$

其中，Model_i为第i个模型道，s为某类别的总道数，A_j为相应道的幅值，k_s为每类别的总道数。图4为实施例中部分初始分类模型道的示意图，如图4所示，给出了本实施例中计算得到的部分的初始分类模型道的数据结果。

6、基于初始分类模型道通过相关性分析后得到新的分类模型道。初始分类模型道的相关性分析中的相关系数具体计算过程如下：

$r=\frac{\underset{j=1}{\overset{K}{\Σ}}(x_j-mean\left(x_j\right))({\mathrm{Model}}_i-mean\left({\mathrm{Model}}_i\right))}{\sqrt{\underset{j=1}{\overset{K}{\Σ}}{(x_j-mean(x_j\left)\right)}^2}\sqrt{\underset{j=1}{\overset{K}{\Σ}}{({\mathrm{Model}}_i-mean({\mathrm{Model}}_i\left)\right)}^2}}$

其中，x_j为地震道，K为地震道的采样点数，Model_i为模型道。

对满足相关性要求的初始分类模型道进行合并，在实施例中，对相关系数大于等于0.9的初始分类模型道进行合并，得到新的分类模型道。合并过程的具体计算过程如下：

${\mathrm{Model}}_{new}=\frac{1}{p}\underset{i=1}{\overset{m}{\Σ}}{\mathrm{Model}}_i$

其中，x_j为地震道，K为地震道的采样点数，Model_i为模型道，m和p为满足相关性要求的模型道的数量，Model_new是满足相关性要求的模型道合并求平均后得到的新的分类模型道。图5为实施例中部分新的分类模型道的示意图，如图5所示，给出了本实施例中计算得到的部分新的分类模型道的数据结果。

7、基于新的分类模型道进行相关性分析得到每道的加权系数。根据新的分类模型道进行模型道的相关性分析，计算出每道的加权系数，每道的加权系数的计算具体公式如下：

$W_i=\underset{j=1}{\overset{M}{\Σ}}{x}_i\left(j\right)Model\_new\left(j\right)/\underset{j=1}{\overset{M}{\Σ}}{x}_i{\left(j\right)}^2$

其中，x_i为合并后新类别的第p类中的第i道数据，M代表每一道的采样点，Model_new(j)表示第p类的模型道，W_i为第i道的加权系数，

8、基于加权系数和新的分类模型道进行聚类分析得到最终的分类模型道。通过加权系数对新的分类模型道中的每类的地震道进行加权，具体计算公式如下：

x′_i＝W_i·x_i

其中，W_i为第i道的加权系数，x_i代表合并后新类别的第p类中的第i道数据，x_i'为加权后新类别的第p类中的第i道数据，

将同类加权后的地震类相加得到相应的最终的分类模型道，具体计算公式如下：

$Model\_final=\underset{i=1}{\overset{p}{\Σ}}{x}_i^{\′}$

其中，x_i'为加权后新类别的第p类中的第i道数据，Model_final为最终的分类模型道。

9、将归一化处理后地震波形数据中的地震道与最终的分类模型道进行对比，图6为实施例中地震相的分类图的结果图，如图6所示，最后得到地震相分类图，图中的横坐标为inline，竖坐标为xline。

10、根据地震相分类图预测地下油气的展布。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种提取分类模型道的地震相聚类分析方法，其特征在于，它包括以下步骤：

基于地震波形数据通过神经网络和粒子群聚类计算得到初始分类模型道；

基于初始分类模型道通过相关性分析后得到新的分类模型道，并利用新的分类模型道对原始数据进行聚类分析，得到地震相分类图；

基于地震相分类图预测地下油气的展布。

2.根据权利要求1所述的提取分类模型道的地震相聚类分析方法，其特征在于：在步骤基于地震波形数据通过神经网络和粒子群聚类计算得到初始分类模型道中，它包括以下步骤：

对剔除不良数据后的地震波形数据进行归一化处理；

选定多个神经网络的神经元数目，并对每一个神经元数目下的神经网络进行随机初始化权值；

基于归一化处理后的地震波形数据和不同神经元数目的神经网络得到每个地震道到各个神经元的距离；

基于每个地震道到各个神经元的距离得到最近的神经元，基于神经网络的稳定程度和最近的神经元更新邻近神经元；

基于地震波形数据和更新邻近神经元后的神经网络通过K均值和粒子群寻优方法得到不同神经元数目的神经网路中最优神经元数目的神经网络；

基于地震波形数据中的地震道通过最优神经元数目的神经网络对地震道赋予相应的类别，进而计算得到地震波形数据的初始分类模型道。

3.根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，在步骤对剔除不良数据后的地震波形数据进行归一化处理中，具体为采用极差标准化的方法进行归一化处理，其具体公式如下：

$A_{\mathrm{norm}}=\frac{A_i-A_{\min }}{A_{\max }-A_{\min }}$

其中，A_i为每个样点值，A_min为每个地震道的幅度最小值，A_max为每个地震道的幅度最大值，A_norm为归一化处理后的地震波形数据中地震道的幅度。

4.根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，在步骤基于归一化处理后的地震波形数据和不同神经元数目的神经网络得到每个地震道到各个神经元的距离中，具体为将归一化处理后的地震波形数据逐个代入不同神经元数目的神经网络对不同的神经网络进行训练，计算地震波形数据中每个地震道到各个神经元的距离，具体公式如下：

$d\left(t\right)={\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i\left(t\right)-m_{\mathrm{ij}}\left(t\right))}^2\right]}^{1/2}$

其中，m_ij(t)为连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震波形数据矩阵的行数。

5.根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，在步骤基于每个地震道到各个神经元的距离得到最近的神经元，基于神经网络的稳定程度和最近的神经元更新邻近神经元中，基于每个地震道到各个神经元的距离得到最近的神经元的具体公式如下：

$m_{\mathrm{winner}}=\underset{i}{\min }\left\{d\left(t\right)\right\}=\underset{i}{\min }\left\{{\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i\left(t\right)-m_{\mathrm{ij}}\left(t\right))}^2\right]}^{1/2}\right\}$

基于神经网络的稳定程度和最近的神经元更新邻近神经元，具体为选择最近的神经元作为最佳匹配单元更新邻近神经元，更新准则和邻域函数分别如下：

m_ij(t+1)＝m_ij(t)+αh(m_winner,m_ij)(x_i(t)-m_ij(t))

$h=e^{-\frac{1}{2}\left(\frac{\sqrt{{(i-n)}^2+{(j-m)}^2}}{r}\right)}$ 或 $h=\left\{\begin{array}{cc}1,& \sqrt{{(i-n)}^2+{(j-m)}^2}\≤r\\ 0,& \sqrt{{(i-n)}^2+{(j-m)}^2}>r\end{array}\right.$

其中，m_ij(t)为未更新的连接权值，m_ij(t+1)为更新后的连接权值，x_i(t)为归一化处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震波形数据矩阵的行数，m_winner为最近的神经元，m_ij为第i个神经元连接第j个样本的权重值，α为学习速率，h为邻域函数，n、m是除i、j外的其它的神经元的位置，r表示邻域函数的半径，m_ij表示神经元在二维神经网络上的位置。

6.根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，在步骤基于地震波形数据和更新邻近神经元后的神经网络通过K均值和粒子群寻优方法得到不同神经元数目的神经网路中最优神经元数目的神经网络中，对于更新邻近神经元后的神经网络，对其给定初始的粒子数目，粒子更新自己的速度和位置的方式表示如下：

V′_i＝V_i+c₁·Rand()·(pbest[i]-X_i)+c₂·rand()·(gbest[i]-X_i)

X′_i＝X_i+V_i

其中，c₁和c₂为常数，表示学习因子，Rand()和rand()为[0,1]上的随机数，V_i'是更新后的粒子的速度，X′_i是更新后的粒子位置；

将地震波形数据代入粒子更新后的神经网络，计算不同神经网络下的拟合度函数1/J，当拟合度函数值最小时，该拟合度函数值对应的神经网络为最优神经元数目的神经网络，拟合度函数的具体计算公式如下：

$1/J=1/\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\left(\underset{m_i\∈w_j}{\mathrm{\Σ}}{(m_i-m^{\mathrm{wj}})}^2\right)}^{1/2}$

其中，m^wj为第w_j类的样本中心，m_i为类内样本，k为神经元的分类数目。

7.根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，在步骤基于地震波形数据中的地震道通过最优神经元数目的神经网络对地震道赋予相应的类别，进而计算得到地震波形数据的初始分类模型道中，具体为将同类别的地震道进行相加再求取平均值，将平均值作为地震数据的初始分类模型道，公式如下：

${\mathrm{Model}}_i=\frac{1}{k_s}\underset{j=1}{\overset{s}{\mathrm{\Σ}}}{A}_j$

其中，Model_i为第i个模型道，s为某类别的总道数，A_j为相应道的幅值，k_s为每类的总道数。

8.根据权利要求1所述的提取分类模型道的地震相聚类分析方法，其特征在于：在步骤基于初始分类模型道通过相关性分析后得到新的分类模型道中，初始分类模型道相关性分析中的相关系数具体计算过程如下：

$r=\frac{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}(x_j-\mathrm{mean}\left(x_j\right))({\mathrm{Model}}_i-\mathrm{mean}\left({\mathrm{Model}}_i\right))}{\sqrt{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{(x_j-\mathrm{mean}\left(x_j\right))}^2}\sqrt{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{({\mathrm{Model}}_i-\mathrm{mean}\left({\mathrm{Model}}_i\right))}^2}}$

基于满足相关性要求的初始分类模型道合并得到新的分类模型道的计算过程如下：

${\mathrm{Model}}_{\mathrm{new}}=\frac{1}{p}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{Model}}_i$

其中，x_j为地震道，K为地震道的采样点数，Model_i为模型道，m和p为满足相似度要求的模型道的数量，Model_new是满足相似度要求的模型道合并求平均后得到的新的分类模型道。

9.根据权利要求1所述的提取分类模型道的地震相聚类分析方法，其特征在于：在步骤利用新的分类模型道对原始数据进行聚类分析，得到地震相分类图中，具体包括以下步骤：

基于新的分类模型道进行相关性分析得到每道的加权系数，加权系数计算的具体公式如下，

$W_i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{x}_i\left(j\right)\mathrm{Model}\_\mathrm{new}\left(j\right)/\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{x}_i{\left(j\right)}^2$

其中，x_i为合并后新类别的第p类中的第i道数据，M代表每一道的采样点，Model_new(j)表示第p类的模型道，W_i为第i道的加权系数，

基于加权系数和新的分类模型道得到最终的分类模型道，具体过程如下，

对新的分类模型道中的每类的地震道进行加权，具体计算公式如下，

x′_i＝W_i·x_i

其中，W_i为第i道的加权系数，x_i代表合并后新类别的第p类中的第i道数据，x_i'为加权后新类别的第p类中的第i道数据，

将同类加权后的地震类相加得到相应的最终的分类模型道，具体计算公式如下，

$\mathrm{Model}\_\mathrm{final}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{x}_i^{\′}$

其中，x_i'为加权后新类别的第p类中的第i道数据，Model_final为最终的分类模型道，

将归一化处理后地震波形数据中的地震道与最终的分类模型道进行对比得到地震相分类图。