CN106997060A - 一种基于Shearlet‑fastICA的地震多属性融合方法 - Google Patents
一种基于Shearlet‑fastICA的地震多属性融合方法 Download PDFInfo
- Publication number
- CN106997060A CN106997060A CN201710444836.4A CN201710444836A CN106997060A CN 106997060 A CN106997060 A CN 106997060A CN 201710444836 A CN201710444836 A CN 201710444836A CN 106997060 A CN106997060 A CN 106997060A
- Authority
- CN
- China
- Prior art keywords
- frequency sub
- fusion
- ica
- band
- low frequency
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 238000012880 independent component analysis Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 10
- 230000001427 coherent effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000011282 treatment Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公布了一种基于Shearlet‑fastICA的地震多属性融合方法,其特征在于:步骤S1:将地震属性经预处理后进行Shearlet变换,确定空间域中不同地震属性数据的初始低频子带系数和初始高频子带系数;步骤S2:分别将所述初始低频、高频子带系数利用ICA基函数从空间域映射至ICA域;步骤S3:在ICA域融合以确定融合低频子带系数和融合高频子带系数;步骤S4:将所述融合低频、高频子带系数从ICA域映射回空间域,并进行Shearlet重构得到地震属性融合结果。经过融合后的属性数据消除了彼此的冗余性,更加清晰、明显的刻画了地质体的相关特征,为后续储层预测和构造解释提供了强有力的技术支撑。
Description
技术领域
本发明属于勘探地球物理领域,具体地说是涉及一种基于Shearlet-fastICA(shearlet-fast independent component analysis,剪切波变换—快速独立分量分析)的地震多属性融合方法。
背景技术
地震属性可以有效地描述目标层的地质特性,为储层预测、流体识别、油藏描述、油藏流体动态检测等提供有利的基础数据。在地震属性储层预测时,若遇到复杂的地质解释问题,只运用单一的地震属性进行分析,不仅会出现多解性及局限性问题,导致属性分析的最终结果精确度不高且缺乏可信度,而且大量的地震属性数据会使属性集合的空间维数变高,数据中相关甚至重复的部分产生大量的冗余信息。因此,为了有目的性的改善运用单一属性分析储层时出现的多解性现象,使有益目标层的反射特征得到突出,对地震众多属性进行融合是十分必要的。目前有多种常用于地震属性融合的方法,包括早期简单的人工叠合及近期较多使用的多元线性回归法,人工神经网络法,多分辨率融合方法,井属性提取,和主成分分析法等。但是仅通过多属性融合后的属性集空间维数虽然得到了降低,但是属性集中任然包含许多与预测储层无关的不敏感属性信息。因此,需要选择出于目标层而言敏感程度最高的地震属性进行融合,以便能够减少属性数据间具有的冗余程度,尽量满足高精度储层预测的目标。与常用的基于ICA(independent component analysis,独立分量分析)算法的属性融合相比,本发明算法快速,性能高,综合融合效果好,考虑了不同属性数据的尺度信息,将原始的地震属性数据经Shearlet变换分解成具有方向性的,不同尺度频率,能够分级的对属性数据进行后续处理。同时能将多属性间冗余信息的问题消除,避免构造解释的多解性问题,使融合后的数据基本包含了单一属性暗含的全部地质信息。而且该方法适用于多维数据,能够精确地表达数据边缘的方向。基于上述优点,提供了一种基于Shearlet-fastICA算法的地震多属性融合方法。
发明内容
本发明的目的就是针对现有技术不足,提出了一种基于Shearlet-fastICA的地震多属性融合方法,能够在综合考虑不同属性数据尺度信息的基础上,对不同地震属性数据进行有效融合。经过融合后的属性数据消除了彼此的冗余性,更加清晰、明显的刻画了地质体的相关特征,为后续储层预测和构造解释提供了强有力的技术支撑。
一种基于Shearlet-fastICA的地震多属性融合方法,包括如下步骤:
步骤S1:将利用地震属性可视化分析系统提取得到的地震属性分别进行极差正规化预处理后进行Shearlet变换,确定空间域中不同地震属性数据的初始低频子带系数和初始高频子带系数;
步骤S2:根据地震属性反映的目标情况,分别将所述初始低频子带系数和初始高频子带系数进行平滑分块,并从中随机的挑选出不少于1000的属性块作为FastICA算法的输入,利用计算得到的基函数完成从空间域至ICA域的映射,确定所述ICA域中不同地震属性数据的目标低频子带系数和目标高频子带系数;
步骤S3:分别将不同地震属性数据的目标低频子带系数进行ICA域的融合以确定融合低频子带系数,并对目标高频子带系数进行ICA域的融合以确定融合高频子带系数;
步骤S4:将所述融合低频子带系数和所述融合高频子带系数从ICA域映射回空间域,并进行Shearlet重构以得到地震属性融合结果。
附图说明
图1为本发明的流程图;
图2为总能量属性;
图3为相干体属性;
图4为图2和图3中数据的融合处理结果。
具体实施方式
结合附图1-4,对本发明作进一步的描述:一种基于Shearlet-fastICA的地震多属性融合方法,具体实施方案包括如下步骤:
步骤S1:经地震属性可视化分析系统软件提取得到总能量属性,如图2所示,经地震属性可视化分析系统软件提取得到相干体属性,如图3所示。对待融合的不同地震属性分别进行标准化预处理,以消除不同量纲,不同变化范围,不同数值大小带来的影响。若地震属性之后进行Shearlet变换,变换时先用Haar小波对数据进行分解,分解后可得低频子带系数和不同尺度下的高频子带系数。然后对各个尺度下的高频子带系数采用带方向和尺度变化的窗函数进行剖分得到不同方向下的高频系数。在本次研究中采用极差正规化的方法进行标准化。即:
上式中代表原始数据的是xij,而经过标准化之后的数据用表示,代表的是在所有待融合数据中第i个属性的所有观测数据中的最小值,代表第i个地震属性的所有观测数据中的最大值。
步骤S2:将各种属性的低频子带系数和高频子带系数分别应用FastICA算法进行变换,使属性数据从空间域映射至ICA域。
步骤S21:选取尺寸大小为N0×N0的窗对经过处理后步骤S1中的数据进行平滑分块。分块时按照从上至下,从左至右的原则进行。将每个地震属性划分出的属性块按列存储成N0 2×1形式的向量,标记成那么所有经过标准化的待融合地震属性块就组成了一个集合并从中根据每一属性块的均值和集合的维数随机的选出不少于1000个的属性块P。窗函数的表达式为:
步骤S22:将步骤S21中选出的P个属性块作为FastICA算法的输入,利用牛顿迭代公式计算出分离矩阵W和混合矩阵A。在求分离矩阵W的时候是逐个进行求解的。当求出前n-1个向量后,第n个向量的W求解如下:
步骤S23:实现属性数据从空间域到ICA域的映射,现以集合中第i个属性块数据作为范例加以说明:
①对分别求出其均值,其中t为对一个地震属性进行分块处理后的总块数,并将它们的均值记为m1i,m2i,…mni。
②将各减去其均值m1i,m2i,…mni,得到去均值后的
③利用求出独立属性块,只要按照这三步就能求出所有独立的属性块,完成到ICA域的映射。
上述ICA基函数的目标函数选用介于峰度和负熵这两个典型非高斯性度量之间的较好折中函数——负熵的近似。具有概念简单、计算快捷、统计特性明确、鲁棒性的优点。而目标函数的优化方法选用基于固定点迭代理论的fastICA算法,通过快速寻优迭代找出非高斯性最大值。采用牛顿迭代的方式对采样得到的大量与观测变量相关的数据点实行批处理操作,并从观测数据中逐一地将独立分量挨个分离出来。避开了常规ICA梯度算法中需要选取参数和步长的步骤,而且适用于任何非线性函数,能够通过选取不同的线性函数改变和提高整个算法的性能。
步骤S3:在ICA域完成属性融合操作。不同融合规则对融合的数据做出了不同的取舍,决定了对所需融合结果有利的那些数据。最大绝对值融合规则取数据中的最大绝对值做为融合结果,该方法下的多属性融合结果侧重于保持边界信息,忽略了常值背景中的信息,使得融合后的地震资料中出现毛糙的现象。均值融合规则即取数据的均值作为融合结果,结果中略微缺少了一些细节信息,保留了常值背景中的信息,总体来说融合后的地震资料比较平滑。针对具体目标要求,采取基于区域的融合规则。该方法灵活、便捷,有针对性的对不同区域的数据采用各异的融合方法,综合了取均值和最大值融合两种规则下的融合效果,不仅保留了常值背景下的信息还反映了地质体的边界信息。同样以第i个属性块为例:
①均值融合规则:
②最大绝对值融合规则:
Ri(j)=max(|SS1i(j)|,|SS2i(j)|,|SS3i(j)|,…|SSni(j)|)
③基于区域的融合规则:对于第i个属性块数据来说,取其在ICA域中的均值作为指示因子:
利用上述计算的Ei(j)推测相应结构中的边界。因为FastICA倾向于关注边界信息,所以大值的Ei(j)对应于结构中的主要活动区域,即边界。相反,小值的Ei(j)对应于结构中的几乎恒定的背景。利用这一观点,将整个数据分割成两个部分,分别为:包含详情的活动区域和包含背景信息的非活动区域。用来描述一个区域是“有效”或“无效”的阈值可以尝试设置成2meant{Ek(t)}。Ei(j)大于2meant{Ek(t)}的部分采取保持边界特征的最大绝对值融合规则,Ei(j)小于2meant{Ek(t)}的部分采取均值融合规则。利用上述步骤求取的是第i个属性块的融合结果,按此方法类推,便能求出所有属性块在ICA域的融合结果。
步骤S4:利用求出的混合矩阵A将ICA域的融合结果映射回到空间域:
上式中Ri为ICA域中的融合结果,I是单位矩阵。将Shearlet变换分解得到的shearlet高频子带系数进行方向局部化的反变换后相加,得到不同尺度下的重构高频系数。对分解后的低频系数和重构后的高频系数按位置进行合成,从而得到最后的属性融合结果。经上述S1-S4步骤处理后得到总能量属性和相干体属性融合图像,如图4所示。
通过以上流程,能够使各融合数据间互不相关,消除了数据间的冗余,有效地融合地震多属性,并且与单一地震属性相比融合结果中包含了更多的地质信息,使原始的单一属性中的信息在融合结果中得到综合。图2为总能量属性,图3为相干体属性,图4为选用基于区域的规则对图2和图3融合处理得到的结果,从图中可以看出,经过融合后的属性结果能够全面地揭示数据间的本质结构,不仅反映出了总能量属性包含的砂岩空间分布情况,相干体属性包含的断层分布情况,而且在融合结果中能够清晰的看出研究区域中砂岩与断层的相互切割关系,这无疑有利于反映储层的真实情况及后续的进一步处理。
本发明的有益效果是:充分考虑不同属性数据的尺度信息,同时考虑消除多属性间的冗余,采用基于Shearlet-fastICA的地震多属性融合方法,通过实际数据的处理结果表明该方法相比传统方法而言具有更好的针对性,可以有效地融合地震多属性数据。
本发明不局限于上述具体实施方式,根据上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,本发明还可以做出其它多种形式的等效修改、替换或变更,均属于本发明的保护范围。
Claims (1)
1.一种基于Shearlet-fastICA的地震多属性融合方法,其特征在于包括以下步骤:
步骤S1:将利用地震属性可视化分析系统提取得到的地震属性分别进行极差正规化预处理后进行Shearlet变换,确定空间域中不同地震属性数据的初始低频子带系数和初始高频子带系数;
步骤S2:根据地震属性反映的目标情况,分别将所述初始低频子带系数和初始高频子带系数进行平滑分块,并从中随机的挑选出不少于1000的属性块作为FastICA算法的输入,利用计算得到的基函数完成从空间域至ICA域的映射,确定所述ICA域中不同地震属性数据的目标低频子带系数和目标高频子带系数;
步骤S3:分别将不同地震属性数据的目标低频子带系数进行ICA域的融合以确定融合低频子带系数,并对目标高频子带系数进行ICA域的融合以确定融合高频子带系数;
步骤S4:将所述融合低频子带系数和所述融合高频子带系数从ICA域映射回空间域,并进行Shearlet重构以得到地震属性融合结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710444836.4A CN106997060A (zh) | 2017-06-14 | 2017-06-14 | 一种基于Shearlet‑fastICA的地震多属性融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710444836.4A CN106997060A (zh) | 2017-06-14 | 2017-06-14 | 一种基于Shearlet‑fastICA的地震多属性融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106997060A true CN106997060A (zh) | 2017-08-01 |
Family
ID=59436279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710444836.4A Pending CN106997060A (zh) | 2017-06-14 | 2017-06-14 | 一种基于Shearlet‑fastICA的地震多属性融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106997060A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632661A (zh) * | 2019-09-24 | 2019-12-31 | 中海石油(中国)有限公司上海分公司 | 一种油气储层预测方法、装置、设备及存储介质 |
CN111290020A (zh) * | 2020-03-25 | 2020-06-16 | 北京奥能恒业能源技术有限公司 | 基于构造滤波处理、分频属性融合断裂检测方法及装置 |
CN111983681A (zh) * | 2020-08-31 | 2020-11-24 | 电子科技大学 | 一种基于对抗学习的地震波阻抗反演方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879822A (zh) * | 2012-09-28 | 2013-01-16 | 电子科技大学 | 一种基于Contourlet变换的地震多属性融合方法 |
CN103837889A (zh) * | 2013-11-29 | 2014-06-04 | 成都理工大学 | 一种地震属性多源信息融合方法 |
CN104200452A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于谱图小波变换的红外与可见光图像融合方法及其装置 |
CN104504673A (zh) * | 2014-12-30 | 2015-04-08 | 武汉大学 | 基于nsst的可见光与红外图像融合方法及系统 |
CN104899848A (zh) * | 2015-07-02 | 2015-09-09 | 苏州科技学院 | 一种基于黎曼度量的自适应多策略图像融合方法 |
CN105319593A (zh) * | 2014-07-04 | 2016-02-10 | 中国石油化工股份有限公司 | 基于曲波变换和奇异值分解的联合去噪方法 |
CN106597541A (zh) * | 2017-02-22 | 2017-04-26 | 中国石油大学(华东) | 基于Shearlet变换的地震数据重构方法 |
-
2017
- 2017-06-14 CN CN201710444836.4A patent/CN106997060A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879822A (zh) * | 2012-09-28 | 2013-01-16 | 电子科技大学 | 一种基于Contourlet变换的地震多属性融合方法 |
CN103837889A (zh) * | 2013-11-29 | 2014-06-04 | 成都理工大学 | 一种地震属性多源信息融合方法 |
CN105319593A (zh) * | 2014-07-04 | 2016-02-10 | 中国石油化工股份有限公司 | 基于曲波变换和奇异值分解的联合去噪方法 |
CN104200452A (zh) * | 2014-09-05 | 2014-12-10 | 西安电子科技大学 | 基于谱图小波变换的红外与可见光图像融合方法及其装置 |
CN104504673A (zh) * | 2014-12-30 | 2015-04-08 | 武汉大学 | 基于nsst的可见光与红外图像融合方法及系统 |
CN104899848A (zh) * | 2015-07-02 | 2015-09-09 | 苏州科技学院 | 一种基于黎曼度量的自适应多策略图像融合方法 |
CN106597541A (zh) * | 2017-02-22 | 2017-04-26 | 中国石油大学(华东) | 基于Shearlet变换的地震数据重构方法 |
Non-Patent Citations (6)
Title |
---|
XIAOJIE SUN 等: ""Face Recognition Based on Shearlet Transform and FastICA"", 《2014 FOURTH INTERNATIONAL CONFERENCE ON INSTRUCTION AND MEASUREMENT,COMPUTER,COMMUNICATION AND CONTROL》 * |
冯飞 等: ""基于Shearlet变换稀疏约束地震数据重建"", 《石油物探》 * |
孙成禹 等: ""基于独立分量分析基的地震随机噪声压制"", 《石油物探》 * |
普艳香: ""基于信号特征分析的地震多属性融合方法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
纪建 等: ""一种剪切波域的稀疏分量分析方法"", 《西安电子科技大学学报(自然科学版)》 * |
赵涓涓 著: "《基于PET-CT的肺癌早期计算机辅助诊断技术》", 31 May 2015 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632661A (zh) * | 2019-09-24 | 2019-12-31 | 中海石油(中国)有限公司上海分公司 | 一种油气储层预测方法、装置、设备及存储介质 |
CN110632661B (zh) * | 2019-09-24 | 2021-07-09 | 中海石油(中国)有限公司上海分公司 | 一种油气储层预测方法、装置、设备及存储介质 |
CN111290020A (zh) * | 2020-03-25 | 2020-06-16 | 北京奥能恒业能源技术有限公司 | 基于构造滤波处理、分频属性融合断裂检测方法及装置 |
CN111983681A (zh) * | 2020-08-31 | 2020-11-24 | 电子科技大学 | 一种基于对抗学习的地震波阻抗反演方法 |
CN111983681B (zh) * | 2020-08-31 | 2021-09-14 | 电子科技大学 | 一种基于对抗学习的地震波阻抗反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CA2793504C (en) | Windowed statistical analysis for anomaly detection in geophysical datasets | |
AU2009314458B2 (en) | Windowed statistical analysis for anomaly detection in geophysical datasets | |
CN109709603A (zh) | 地震层位识别与追踪方法、系统 | |
CN109670533A (zh) | 一种基于卷积神经网络的多尺度测井相识别方法 | |
CN104101902B (zh) | 地震属性聚类方法及装置 | |
CN102879823B (zh) | 一种基于快速独立分量分析的地震属性融合方法 | |
CN109345007B (zh) | 一种基于XGBoost特征选择的有利储层发育区预测方法 | |
CN102879822A (zh) | 一种基于Contourlet变换的地震多属性融合方法 | |
Foxall et al. | Nonparametric measures of association between a spatial point process and a random set, with geological applications | |
CN106997060A (zh) | 一种基于Shearlet‑fastICA的地震多属性融合方法 | |
Bedi et al. | PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction | |
Li et al. | Research on reservoir lithology prediction method based on convolutional recurrent neural network | |
Shakiba et al. | A combined approach based on MAF analysis and AHP method to fault detection mapping: A case study from a gas field, southwest of Iran | |
CN104794528A (zh) | 一种石漠化治理模式案例库管理系统及方法 | |
Zhao et al. | Multifractal theory with its applications in data management | |
CN104200472A (zh) | 基于非局部小波信息的遥感图像变化检测方法 | |
CN114332533A (zh) | 一种基于DenseNet的滑坡图像识别方法和系统 | |
Nenkam et al. | Using homosoils to enrich sparse soil data infrastructure: An example from Mali | |
Ma et al. | Image segmentation based on differential immune clone clustering algorithm | |
Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection | |
CN109242770B (zh) | 图像导引的地震速度插值方法及计算机可读存储介质 | |
WO2014000902A1 (en) | Truncation diagram determination for a pluri-gaussian estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170801 |