CN107422381A

CN107422381A - 一种基于eemd‑ica的地震低频信息流体预测方法

Info

Publication number: CN107422381A
Application number: CN201710842580.2A
Authority: CN
Inventors: 杨巍; 丁家敏; 朱仕军
Original assignee: Southwest Petroleum University
Current assignee: Southwest Petroleum University
Priority date: 2017-09-18
Filing date: 2017-09-18
Publication date: 2017-12-01
Anticipated expiration: 2037-09-18
Also published as: CN107422381B

Abstract

本发明公开了一种基于EEMD‑ICA的地震低频信息流体预测方法，包括：输入地震叠后单道CDP信号，进行EEMD经验模态分解，得到IMF分量；对IMF分量整体平均；识别出存在模态混叠的IMF分量信号；得到模态混叠分量所有的平移信号；对平移信号利用主成分分析进行降维；对PCA降维处理后得到的信号，通过Fast‑ICA计算得到解混后的分量信号；对得到信号分别进行频谱分析，并与原信号进行相似系数计算；对地震CDP数据按照道号，依次进行循环运算；对地震数据低频信息进行强振幅异常分析。本发明的优点在于：有效解决了EEMD的随机性、不稳定性、含噪性的问题，能够得到更加精确的提取地震信号的频率域信息，从而使得低频信息的获取更为准确，提高流体预测的精度。

Description

一种基于EEMD-ICA的地震低频信息流体预测方法

技术领域

本发明涉及油气地震勘探领域领域，特别涉及一种基于EEMD-ICA的地震低频信息流体预测方法。

背景技术

Chapman(2006)等指出在低频范围内，油气储层显示出高异常。Goloshubin利用实际地震数据证实富含油储层使得低频范围内的反射系数显著的增加，拓展了有效地震带宽到更低频端，并表明利用地震波的低频信息预测流体的潜力。

近年来，以瞬时谱分析为基础，利用低频地震信号的振幅(或能量)变化检测储层及识别油气方面出现了一些新的技术进展和成功的应用成果，比较典型的有利用低频阴影、低频振幅异常、瞬时谱能量吸收分析技术、成像属性分析技术等直接检测油气；另外，利用叠前资料的低频谱能量分析进行油气检测已成为一个新的发展趋势。地震波低频信息的潜在意义和应用价值已经越来越受到地球物理勘探界的重视。

低频振幅异常(Low frequency anomalies，LFA)是利用地震波中的低频成分信息直接指示油气储层的分布，也是HCI中的一种油气识别标志。Goloshubin通过实际资料处理证实，反射地震波中的低频成分包含了与油气储层有关的极其重要的信息，对于油气储层检测和指示显示了惊人的成像能力，与钻井结果极其吻合，并指出了常规资料处理中忽视地震信号低频信息的局限性。其它学者也展示了低频振幅异常检测油气储层的成功实例。

挖掘地震资料低频信息的方法有低通滤波、带通滤波、具有时频分辨率的时频分析方法，后者具有瞬时定位分析能力，用于地震资料分析和解释时，被从事地震资料处理和解释的地球物理学者们广泛接受。

地震数据时频分析技术是一种基于频谱分解的地震成像解释方法。时频分析技术通过相关数学变换，将时域信号转换成时频域的信息。时频分析技术可以直接提取地震数据低频信息的信号处理技术。

时频分析技术是提取地震低频信息最直接有效的方法。前人在利用时频分析技术提取地震低频信息方面已经开展了大量工作。

Gabor于1946年引进窗口傅里叶变换改进了傅里叶变换在时－频局部分析方面的不足，但是由于其时－频局部化窗口大小固定不变，这与时－频局部化分析中要求：“反映信号高频成分需要窄的时间窗，反映信号低频成分需要宽的时间窗”不一致。因此国外内学者相继发展了小波变换分析方法用于时－频局部分析。小波分析作为傅里叶变换分析的发展，既保留了傅里叶变换分析的优点，又弥补了傅里叶变换分析的不足。但是小波分析只对信号的低频端信息成分做进一步的分解，而对高频成分，即信号的细节部分不再继续分解，所以小波分析能够很好地表征一大类以低频信息为主要成分的信号，但是不能很好地分解和表示大量细节的信息。

为了克服小波变换分析的不足，Stockwell(1996)提出S变换分析方法用于局部时－频精细分析。S变换的窗函数不仅能随着频率的增加而自适应地减小分析时窗，并且时窗具有一定的自适应性、不需要满足小波容许性条件，还能与傅里叶变换计算建立直接联系。

针对S变换的小波函数是固定的，不能随具体的应用而调整，缺乏灵活性，高静怀、贺振华、陈学华等相继提出了小波函数变化的广义S变换。广义S变换不仅具有小波分析的特点，并且对信号的细节，及信号的高频部分也能进行很好的时－频分析。从时频分析技术的发展及其各自时频分析技术的优点和时频聚集性能认识到提取地震波高频信息的最佳方法是改进的S变换分析，基于时频聚集性度量准则的一种自适应S变换进行地震数据时频分析。

近年来，经验模态分解EMD方法被逐渐应用于地震信号分析，并用于地震低频信息提取方面。经验模态分解法(EMD)是由Huang等提出的一种非平稳信号分析方法，该方法通过提取复杂信号在每一个时刻局部的振荡模式,按由高到低的自适应频率分解模式寻找信号内蕴的高频信息，进而分解得到若干个平稳信号分量，即模态函数分量(IMF)。EMD分解法其应用领域已经遍及地震、雷达和语音信号处理及图像分析等各个面。

因为EMD的自适应性，缺乏约束条件，使其不可避免的存在缺陷,这种缺陷称为"模态混叠"。任何信号我们都可以看成其由若干个固有模态函数(IMF)组成的,一个模态描述一个单一的震动状态,而如果IMF之间相互重叠，则形成复合信号。在经验模态分析过程中,期望将这些单一的模态干净的分离出来,传统的经验模态分解方法(EMD)由于算法本身的局限性，在分离出来的平稳信号中会包含多个模态，从而造成模态混叠，其结果会造成频谱分析的错误。针对EMD的这一缺陷，Wu和Huang提出了EEMD方法,利用高斯白噪声迭代求取各阶模态函数，EEMD方法在每次迭代时引入噪声，能够部分解决模态混叠现象。

目前，现有的低频信息获取方法主要有傅里叶变换、小波变换、S变换，其中S变换是介于STFT和小波变换之间的一种时频分析方法，它吸收了短时傅立叶变换的思想，引进小波的多分辨分析，改进了短时傅立叶变换中时频分辨率固定的问题，其窗函数与频率(即尺度)自适应地成反比变化，低频部分具有较高的频率分辨率而高频部分具有较高的时间分辨率，满足了地震信号的特征。这种方法中，时间窗口长度取决于频率，S变换的小波基函数是固定的。在实际地震信号处理中，时频分布的特性与地震信号本身及地震子波都有关系，S变换中小波基函数的固定不能满足实际地震数据处理的需求。

对数据分析的最终目标不是找到数据的数学特性，而是挖掘隐藏在数据中的物理表现及其意义。因此，对于非平稳和非线性数据，尤其是地震信号，自适应性是非常重要的。因此，近年来，引入EMD(经验模态分解)方法来进行信号分解，EMD方法不需要预先设定任何基函数，它利用数据自身的时间尺度特征来进行信号的分解。与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的。但是，EMD分解过程中，最大的缺点且是不可避免的就是会产生模态混叠效应，即某个分解的IMF分量信号中包含其他IMF分量的信号。因此，前人将该方法进行了改进，形成了EEMD方法，该方法能够较好的解决模态混叠效应，但是在分解过程中加入随机高斯白噪，造成分解得到的IMF分量存在随机性，且信号中包含了白噪，并不能真实提取地震的低频信息。

发明内容

本发明针对现有技术的缺陷，提供了一种基于EEMD-ICA的地震低频信息流体预测方法，能有效的解决上述现有技术存在的问题。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于EEMD-ICA的地震低频信息流体预测方法,包括以下步骤：

步骤一：输入地震叠后单道CDP信号，进行EEMD经验模态分解，得到IMF分量；将待处理地震单道CDP信号中加入等长度不等幅高斯白噪声，对复合信号EEMD分解，重复操作k次，得到IMF分量c_ik和余项r_ik；

步骤二：对IMF分量整体平均；

步骤三：令步骤二对原始地震单道CDP信号s(t)进行EEMD分解得到IMF分量结果，所有的IMF分量为f₁(t)、f₂(t)至f_n(t)，对所有IMF分量信号进行频谱分析，识别出存在模态混叠的IMF分量信号f_k(t)；

步骤四：对模态混叠的IMF分量f_k(t)分别平移τ_m个位置，得到模态混叠分量f_k(t)所有的平移信号分别为f_k1(t)、f_k2(t)至f_km(t)；

步骤五：对步骤四得到的f_k1(t)、f_k2(t)至f_km(t)，共计m个平移信号；对这m个平移信号利用主成分分析进行降维；

步骤六：对PCA降维处理后得到的信号，通过Fast-ICA计算得到g_k1(t)、g_k2(t)至g_kn(t)，共计n个信号，得到的信号即为解混后的分量信号；

步骤七：对步骤六得到n个信号分别进行频谱分析，并与原信号进行相似系数计算，去除噪声信号与非相似性冗余信号，保留相似系数最大的单个低频信号分量；

执行公式：

式中：s(t)为源地震CDP信号；g(t)为ICA解混后得到的分量信号；t为CDP信号时间采样点个数；

步骤七：按照步骤一到步骤六，对地震CDP数据按照道号，依次进行循环运算；

步骤八：对得到地震数据低频信息进行强振幅异常分析，强振幅异常区即为流体分布区域。

进一步地，所述步骤二对IMF分量整体平均执行公式：

式中，n为EMD分解的次数，i为信号的采样点个数。

与现有技术相比本发明的优点在于：在EMD、EEMD的算法基础上，利用PCA-ICA的方法进行了IMF信号分量的解混，去掉白噪信号与冗余信号。有效解决了EEMD的随机性、不稳定性、含噪性的问题，能够得到更加精确的提取地震信号的频率域信息，从而使得低频信息的获取更为准确，提高流体预测的精度。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下举实施例，对本发明做进一步详细说明。

步骤二：对IMF分量整体平均，执行公式：

式中，n为EMD分解的次数，i为信号的采样点个数；

步骤三：令步骤二对原始地震单道CDP信号s(t)进行EEMD分解得到IMF分量结果，所有的IMF分量为f₁(t)、f₂(t)至f_n(t)，对所有IMF分量信号进行频谱分析，识别出存在模态混叠(即多个频率信号混合)的IMF分量信号f_k(t)。

步骤四：由于单个模态混叠分量f_k(t)无法利用ICA算法分离出混叠的多个分量。同时，由于时间延迟不影响信号的周期性，所以对模态混叠的IMF分量f_k(t)分别平移τ_m个位置，得到模态混叠分量f_k(t)所有的平移信号分别为f_k1(t)、f_k2(t)、…f_km(t)。

步骤五：对步骤四得到的f_k1(t)、f_k2(t)、…f_km(t)，共计m个平移信号。对这m个平移信号利用主成分分析(Principal Component Analysis，PCA)进行降维。

步骤六：对PCA降维处理后得到的信号，通过Fast-ICA计算得到g_k1(t)、g_k2(t)、…g_kn(t)，共计n个信号，得到的信号即为解混后的分量信号；

定义信号相似系数如下：s(t)为源地震CDP信号，g(t)为ICA解混后得到的分量信号，为步骤六得到的g_k1(t)、g_k2(t)、…g_kn(t)，t为CDP信号时间采样点个数：

执行公式：

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims

1.一种基于EEMD-ICA的地震低频信息流体预测方法,其特征在于包括以下步骤：

步骤二：对IMF分量整体平均；

执行公式：

<mrow> <mi>&sigma;</mi> <mo>=</mo> <mi>&sigma;</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>,</mo> <mi>g</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>s</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mi>s</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mi>g</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> <mo>;</mo> </mrow>

2.根据权利要求1所述的一种基于EEMD-ICA的地震低频信息流体预测方法，其特征在于：所述步骤二对IMF分量整体平均执行公式：

<mrow> <msub> <mi>IMF</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>IMF</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>;</mo> </mrow>

<mrow> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>;</mo> </mrow>

式中，n为EMD分解的次数，i为信号的采样点个数。