CN105510970A - 获取地震相最佳分类数目的方法 - Google Patents

Abstract

提供一种获取地震相最佳分类数目的方法，包括：(A)提取地震信号的波形特征值；(B)根据地震信号的波形特征值确定地震信号的多尺度奇异性特征；(C)将多个预设地震相聚类组数目中的每个预设地震相聚类组数目作为无监督聚类的聚类数目，针对每个预设地震相聚类组数目，分别对所述地震信号的多尺度奇异性特征进行无监督聚类，以获取在每个预设地震相聚类组数目下的地震相聚类结果(D)基于所述地震相聚类结果，通过K均值聚类算法对所述地震相聚类结果进行处理，以得到地震相的最佳分类数目。根据所述方法，能够自动获取地震相的最佳分类数目，使得地震相自动划分结果更加客观。

Description

获取地震相最佳分类数目的方法

技术领域

本发明总体来说涉及地震资料解释领域。更具体地讲，涉及一种获取地震相最佳分类数目的方法。

背景技术

基于地震信号的波形分类处理是地震解释人员进行地下储层和地层结构分析的重要手段。合理且准确的地震信号波形分类结果能够真实地反映地下储层和地层结构构造，从而有利于地震解释人员对地下构造进行准确的构造解释。通常，波形分类处理的常用方式是基于地震道的形状变换将地震数据的样点值的变化转换成地震道形状的变化，由于地层的任何物性参数的变化总是反映在地震道波形形状的变化上，因此，这些变化可指示目标区域内的地震信号形状的多样性，如果将波形相似的地震道归为一类，波形不同的归为不同的类，那么可通过图上颜色的分布来真实地反映地下储层和地层结构构造。

“相”(facies)的本意指“面貌”或“特征”，而“地震相”反映的是地震反射的面貌或特征，通常以地震反射的振幅、频率、连续性及反射结构等参数作为地震相的定义依据。地震相分析即是对这些反射参数的进行识别、描述和地质解释。地震相分析的目的是，以层序或体系域为单位，确定地震层序或体系域内部地震反射参数的变化，以便确定沉积相或流体性质的横向变化。

传统的地震相分析大多采用定性的人工识别方法，对地震相进行分类和填图，称之为“相面法”。近年来，随着地震属性分析、神经网络等方法的引入，地震相分析向定量化方向发展。现有的基于神经网络的地震相识别方法通常采用的是自组织映射的神经网络(SOM)、曼哈顿距离等聚类分析方法，算法中模拟人脑思维，识别不同目标的特征，并且使得有可能与其它相似的种类保持关系。因此，能够对地震波形自行自动识别与划分，并且能较好地解决了地震相识别问题，而在地震资料解释过程中，不仅要实现地震相的自动分类还要提供地震相的分类数目，但是，现有的聚类算法无法确定地震相的最佳分类数目。

发明内容

本发明示例性实施例的目的在于提供一种获取地震相最佳分类数目的方法，根据所述方法，能够克服现有的聚类算法无法确定地震相的最佳分类数目的缺陷。

根据本发明的示例性实施例，提供一种获取地震相最佳分类数目的方法，包括：(A)提取地震信号的波形特征值；(B)根据地震信号的波形特征值确定地震信号的多尺度奇异性特征；(C)将多个预设地震相聚类组数目中的每个预设地震相聚类组数目作为无监督聚类的聚类数目，针对每个预设地震相聚类组数目，分别对所述地震信号的多尺度奇异性特征进行无监督聚类，以获取在每个预设地震相聚类组数目下的地震相聚类结果；(D)基于所述地震相聚类结果，通过K均值聚类算法对所述地震相聚类结果进行处理，以得到地震相的最佳分类数目。

可选地，所述地震信号的波形特征值指示反映地震波波形形状的特征值。

可选地，步骤(B)包括：对所述地震信号的波形特征值进行离散小波变换，将变换后得到的地震信号的模极大值连线的幅值作为地震信号的多尺度奇异性特征。

可选地，步骤(C)包括：将多个预设地震相聚类组数目中的每个预设地震相聚类组数目作为无监督聚类的聚类数目，针对每个预设地震相聚类组数目，分别利用自组织神经网络算法对所述地震信号的多尺度奇异性特征进行无监督聚类，以获取每个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组，其中，每个聚类组包括多个成员。

可选地，在步骤(C)中，通过以下步骤获取任意一个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组：(C1)初始化自组织神经网络，其中，所述自组织神经网络包括多个神经元，对每个神经元随机初始化参考权值向量，给定学习率函数的初值和初始邻域尺寸；(C2)提供输入样本中的一个时间点的地震信号的多尺度奇异性特征以确定获胜神经元，其中，所述输入样本为地震信号的多尺度奇异向特征，输入样本中与所有神经元所对应的参考权值向量的欧式距离最小的神经元为获胜神经元；(C3)更新获胜神经元和其邻域内其他神经元的权值向量，其中，学习率函数和邻域函数随着迭代次数衰减；(C4)重复步骤(C2)至(C3)进行迭代，当满足最大迭代次数时，无监督聚类过程结束，输出所述任意一个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组。

可选地，步骤(D)包括：(D1)利用所述获取的每个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组来确定每个预设地震相聚类数目下的K均值聚类评估指标；(D2)将多个预设地震相聚类组数目下的K均值聚类评估指标中的最小K均值聚类评估指标所对应的地震相预设聚类数目作为地震相最佳分类数目。

可选地，在步骤(D1)中，通过下面的等式确定一个预设地震相聚类组数目下的K均值聚类评估指标：

${\mathrm{DBI}}_K=\frac{1}{K}\underset{p=1}{\overset{K}{\Σ}}\underset{l\≠p}{\max }\left(\frac{S_p+S_l}{d_{pl}}\right),$

其中，DBI_K表示在预设地震相聚类组数目为K时的K均值聚类评估指标，S_p表示第p聚类组中的每个成员与第p聚类组的聚类中心的平均距离，S_l表示第l聚类组中的每个成员与第l聚类组的聚类中心的平均距离，d_pl表示第p聚类组的聚类中心与第l聚类组的聚类中心之间的距离。

在根据本发明示例性实施例的获取地震相最佳分类数目的方法中，能够获取地震相的最佳分类数目，使得地震相自动划分的结果更加客观，很好地满足了复杂地下地质情况勘探的需求。

附图说明

通过下面结合附图进行的详细描述，本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚，其中：

图1示出根据本发明示例性实施例的获取地震相最佳分类数目的方法的流程图；

图2示出根据本发明示例性实施例的获取任意一个预设地震相聚类数目下的所述地震信号的多尺度奇异性特征的聚类组的步骤的流程图；

图3示出根据本发明示例性实施例的通过K均值聚类算法对所述地震相聚类结果进行处理以得到地震相的最佳分类数目的步骤的流程图。

具体实施方式

现将详细参照本发明的示例性实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。

图1示出根据本发明示例性实施例的获取地震相最佳分类数目的方法的流程图。这里，作为示例，所述方法可由用于获取地震相最佳分类数目的设备来实现，也可完全通过计算机程序来实现。

如图1所示，在步骤S100，提取地震信号的波形特征值。作为示例，所述地震信号的波形特征值可指示反映地震波波形形状的特征值。这里，所提取的地震信号的波形特征值可以是多个不同时间点的地震信号的波形特征值。

在步骤S200，根据地震信号的波形特征值确定地震信号的多尺度奇异性特征。这里，作为示例，可对所述地震信号的波形特征值进行离散小波变换，将变换后得到的地震信号的模极大值连线的幅值作为地震信号的多尺度奇异性特征。

在步骤S300，将多个预设地震相聚类组数目中的每个预设地震相聚类组数目作为无监督聚类的聚类数目，针对每个预设地震相聚类组数目，分别对所述地震信号的多尺度奇异性特征进行无监督聚类，以获取在每个预设地震相聚类组数目下的地震相聚类结果。

这里，所述多个预设地震相聚类组数目可以是根据经验预先设置的。作为示例，可将多个预设地震相聚类组数目中的每个预设地震相聚类组数目作为无监督聚类的聚类数目，针对每个预设地震相聚类组数目，分别利用自组织神经网络算法对所述地震信号的多尺度奇异性特征进行无监督聚类，以获取每个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组，其中，每个聚类组包括多个成员。

下面，将结合图2来详细描述根据本发明示例性实施例的获取任意一个预设地震相聚类数目下的所述地震信号的多尺度奇异性特征的聚类组的步骤。

图2示出根据本发明示例性实施例的获取任意一个预设地震相聚类数目下的所述地震信号的多尺度奇异性特征的聚类组的步骤的流程图。

如图2所示，在步骤S310，初始化自组织神经网络，其中，所述自组织神经网络包括多个神经元，对每个神经元随机初始化参考权值向量，给定学习率函数的初值和初始邻域尺寸。

在步骤S320，提供输入样本中的一个时间点的地震信号的多尺度奇异性特征以确定获胜神经元，其中，所述输入样本为地震信号的多尺度奇异向特征，输入样本中与所有神经元所对应的参考权值向量的欧式距离最小的神经元为获胜神经元。

在步骤S330，更新获胜神经元和其邻域内其他神经元的权值向量，其中，学习率函数和邻域函数随着迭代次数衰减。

在步骤S341，重复步骤S320至S330进行迭代，并判断是否满足最大迭代次数，这里，作为示例，当满足预定条件时，认为满足最大迭代次数，预定条件具体以下项中的任意一项：提供了全部的输入样本、学习率减小到0、达到预期的目标函数。

当满足最大迭代次数时，执行步骤S342，输出一个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组。

当不满足最大迭代次数时，继续重复执行步骤S320至步骤S330，继续输入样本中的一个时间点的地震信号的多尺度奇异性特征以确定获胜神经元，更新获胜神经元和其邻域内其他神经元的权值向量，这里，应注意，所述时间点并非上一次的时间点，而是另一个时间点。应理解，可利用上述方式获取所有的预设地震相聚类组数目下的地震信号的多尺度奇异性特征的聚类组。

再次参照图1，此外，在获取到每个预设地震相聚类组数目下的的所述地震信号的多尺度奇异性特征的聚类组后，在步骤S400，基于所述地震相聚类结果，通过K均值聚类算法对所述地震相聚类结果进行处理，以得到地震相的最佳分类数目。

具体说来，一个最佳的聚类结果应该是使得同一聚类组中的成员间的距离最小，同时不同聚类组中的成员间的距离最大。下面，将结合图3来详细说明如何得到地震相的最佳分类数目的步骤。

图3示出根据本发明示例性实施例的通过K均值聚类算法对所述地震相聚类结果进行处理以得到地震相的最佳分类数目的步骤S400的流程图。

如图3所示，在步骤S410，利用所述获取的每个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组来确定每个预设地震相聚类数目下的K均值聚类评估指标。

这里，可通过下面的等式1来确定一个预设地震相聚类组数目下的K均值聚类评估指标：

${\mathrm{DBI}}_K=\frac{1}{K}\underset{p=1}{\overset{K}{\Σ}}\underset{l\≠p}{\max }\left(\frac{S_p+S_l}{d_{pl}}\right)$ 等式1

其中，DBI_K表示在预设地震相聚类组数目为K时的K均值聚类评估指标，S_p表示第p聚类组中的每个成员与第p聚类组的聚类中心的平均距离，S_l表示第l聚类组中的每个成员与第l聚类组的聚类中心的平均距离，d_pl表示第p聚类组的聚类中心与第l聚类组的聚类中心之间的距离。

本领域技术人员可以理解，根据本发明示例性实施例的任意一个地震相聚类数目下的K均值聚类评估指标的计算方法并不限于上述等式1，还可以利用其它方法来确定所述K均值聚类评估指标。

这里，作为示例，一个聚类组的平均距离可通过下面的等式2来确定：

$S_p=\frac{\underset{i}{\Σ}\left|\right|x_i-c_p\left|\right|}{N_p}$ 等式2

其中，S_p表示第p聚类组中的每个成员与第p聚类组的聚类中心的平均距离，N_p表示第p聚类组中的成员个数，c_p表示第p聚类组的聚类中心的位置，x_i表示第p聚类组中的任意一个成员的位置。这里，应理解，可利用等式2来确定所有聚类组的平均距离。

此外，任意两个聚类组的聚类中心的距离可通过下面的等式3来确定：

d_pl＝||c_p-c_l||等式3

其中，d_pl表示第p聚类组的聚类中心与第l聚类组的聚类中心之间的距离，c_p表示第p聚类组的聚类中心的位置，c_l表示第l聚类组的聚类中心的位置。这里，应理解，可利用等式3来确定所有聚类组中的任意两个聚类组的聚类中心的距离。

步骤S420，将多个预设地震相聚类组数目下的K均值聚类评估指标中的最小K均值聚类评估指标所对应的地震相预设聚类数目作为地震相最佳分类数目。通过上述方式，可以利用K均值聚类算法获取地震相的最佳分类数目。

综上所述，在根据本发明示例性实施例的获取地震相最佳分类数目的方法中，能够自动获取地震相的最佳分类数目，使得地震相自动划分结果更加客观，很好地满足了复杂地下地质情况勘探的需求。

尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (7)

1.一种获取地震相最佳分类数目的方法，包括：

(A)提取地震信号的波形特征值；

(B)根据地震信号的波形特征值确定地震信号的多尺度奇异性特征；

(C)将多个预设地震相聚类组数目中的每个预设地震相聚类组数目作为无监督聚类的聚类数目，针对每个预设地震相聚类组数目，分别对所述地震信号的多尺度奇异性特征进行无监督聚类，以获取在每个预设地震相聚类组数目下的地震相聚类结果；

(D)基于所述地震相聚类结果，通过K均值聚类算法对所述地震相聚类结果进行处理，以得到地震相的最佳分类数目。

2.如权利要求1所述的方法，其中，所述地震信号的波形特征值指示反映地震波波形形状的特征值。

3.如权利要求1所述的方法，其中，步骤(B)包括：对所述地震信号的波形特征值进行离散小波变换，将变换后得到的地震信号的模极大值连线的幅值作为地震信号的多尺度奇异性特征。

4.如权利要求1所述的方法，其中，步骤(C)包括：将多个预设地震相聚类组数目中的每个预设地震相聚类组数目作为无监督聚类的聚类数目，针对每个预设地震相聚类组数目，分别利用自组织神经网络算法对所述地震信号的多尺度奇异性特征进行无监督聚类，以获取每个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组，其中，每个聚类组包括多个成员。

5.如权利要求4所述的方法，在步骤(C)中，通过以下步骤获取任意一个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组：

(C1)初始化自组织神经网络，其中，所述自组织神经网络包括多个神经元，对每个神经元随机初始化参考权值向量，给定学习率函数的初值和初始邻域尺寸；

(C2)提供输入样本中的一个时间点的地震信号的多尺度奇异性特征以确定获胜神经元，其中，所述输入样本为地震信号的多尺度奇异向特征，输入样本中与所有神经元所对应的参考权值向量的欧式距离最小的神经元为获胜神经元；

(C3)更新获胜神经元和其邻域内其他神经元的权值向量，其中，学习率函数和邻域函数随着迭代次数衰减；

(C4)重复步骤(C2)至(C3)进行迭代，当满足最大迭代次数时，无监督聚类过程结束，输出所述任意一个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组。

6.如权利要求4所述的方法，其中，步骤(D)包括：

(D1)利用所述获取的每个预设地震相聚类组数目下的所述地震信号的多尺度奇异性特征的聚类组来确定每个预设地震相聚类数目下的K均值聚类评估指标；

(D2)将多个预设地震相聚类组数目下的K均值聚类评估指标中的最小K均值聚类评估指标所对应的地震相预设聚类数目作为地震相最佳分类数目。

7.如权利要求6所述的方法，其中，在步骤(D1)中，通过下面的等式确定一个预设地震相聚类组数目下的K均值聚类评估指标：

${\mathrm{DBI}}_K=\frac{1}{K}\underset{p=1}{\overset{K}{\Σ}}\underset{l\≠p}{\max }\left(\frac{S_p+S_l}{d_{pl}}\right),$

其中，DBI_K表示在预设地震相聚类组数目为K时的K均值聚类评估指标，S_p表示第p聚类组中的每个成员与第p聚类组的聚类中心的平均距离，S_l表示第l聚类组中的每个成员与第l聚类组的聚类中心的平均距离，d_pl表示第p聚类组的聚类中心与第l聚类组的聚类中心之间的距离。