CN108415077A - 新的边缘检测低序级断层识别方法 - Google Patents
新的边缘检测低序级断层识别方法 Download PDFInfo
- Publication number
- CN108415077A CN108415077A CN201810141769.3A CN201810141769A CN108415077A CN 108415077 A CN108415077 A CN 108415077A CN 201810141769 A CN201810141769 A CN 201810141769A CN 108415077 A CN108415077 A CN 108415077A
- Authority
- CN
- China
- Prior art keywords
- low order
- edge detection
- formula
- attribute
- order fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003708 edge detection Methods 0.000 title claims abstract description 48
- 238000005516 engineering process Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000003325 tomography Methods 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000000452 restraining effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000011160 research Methods 0.000 abstract description 5
- 238000012880 independent component analysis Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000000926 separation method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
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
本发明提供一种新的边缘检测低序级断层识别方法,包括:在时间空间域应用三维多级盲源分离与保构造滤波相结合的去噪技术压制随机噪声,提高地震资料的信噪比;在时间域应用多道相干算法进行倾角搜索估计地层倾角值;在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来估计地层倾角;沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性;根据结构导向坎尼属性数据体,通过连井剖面和沿层切片等形式进行低序级断层的地震识别。该新的边缘检测低序级断层识别方法对基于三维多级盲源分离与保构造滤波组合去噪的结构导向坎尼属性边缘检测低序级断层识别方法开展研究,提高低序级断层的识别能力。
Description
技术领域
本发明涉及低序级断层地震识别的地质勘探领域,特别是涉及到一种新的边缘检测低序级断层识别方法。
背景技术
随着油田勘探开发程度的不断提高,断块型油气藏的地位越来越重要,其中的低序级断层日益受到重视,因为它改造了构造细节,控制了油水关系和剩余油分布,严重影响油藏开发技术的应用,因而这种低序级断层成为了油田勘探开发不能回避和绕不过的问题,必须开展针对性的研究。
在低序级断层研究方面,除了利用钻井资料识别断点做井间对比之外,完整的断层和断裂系统研究还是要依靠三维地震资料及相应的解释技术。由于低序级断层的水平断距和垂直落差都很小,一般只有5-10m甚至更小,因而在地震剖面上很难有明显的同相轴错断特征,通常只有微错断甚至是微扭动,在一般的构造解释中很容易被当作局部构造变化而被忽略,因而需要专门的解释技术来提取和强化小断层的地震特征,得到关于断层的清晰和直观的图像,避免因为解释人员经验所导致的结果不合理性。
对于低序级断层解释技术方面的检索和调研显示,国内外主要的识别与描述方法技术基本都是基于地震属性分析,所应用的属性类型主要有地震相干/方差体属性、倾角和方位角属性、混沌属性、蚂蚁体属性,以及地震曲率属性、GRB属性融合等。这些属性技术各有优缺点,如相干/方差体属性的分辨率有限,蚂蚁体属性结果中假断层影响严重且不易识别,倾角和方位角属性以及地震曲率则是需要事先解释好层位,时间周期较长,而且效果好坏与解释结果有关。基于结构导向的梯度属性边缘检测是当前地震资料解释技术中相对比较新的技术,是基于结构导向的梯度属性提取与边缘检测的联合。
边缘检测是起源于图像处理领域的一门重要技术,主要用于检测图像中灰度值突变区域。引申到地震勘探领域,地震资料中的不连续性区域反映在图像中即为边缘特征。因此将边缘检测技术用于地震资料不连续信息的检测非常有意义。
边缘检测技术在地震资料处理中的应用已经有了十几年的历史。众多学者对边缘检测技术的实际应用做了大量研究,提出了多种基于不同算法的、适用于不同尺度地质体的边缘检测技术,如基于高阶伪希尔伯特变换算法的边缘检测技术、小尺度特征地震边缘检测技术等。
国内边缘检测技术方面的文章多数应用于二维地震图像,包括薄地层识别、剖面同相轴自动识别及检测、初至波同相轴提取、裂缝检测以及砂体边界识别等,对于其在三维地震资料中的应用未作出深入研究;国外方面,一些学者提出将边缘检测技术应用到三维地震资料处理中的方法,涉及到盐丘边界识别、断层边界识别等。
根据梯度属性极大值做边缘检测具有原理简单、计算量小的优点,被广泛应用于图像处理领域,代表算子有Sobel算子、Facet模型曲面拟合算子等。上述常规算子如果直接用于三维地震数据地质体边界识别,并不能取得良好的效果,其原因有两点:1)常规算子将地震资料的不连续性信息不加筛选的全部检测出来,这导致地震资料中连续性很好的地层边界信息对小断层、微裂缝边界的检测有着很强的干扰.2)常规边缘检测算子检测梯度值为绝对梯度值,这使得小地质体边界的弱反射信息淹没在强背景地层边界反射信息中。
Y.Luo(1996)提出了差分算子思想,该思想对沿层边缘检测的实现有着重要的指导意义。基于该思想,Aqrawi(2011)利用互相关方法求取地层倾角,然后将倾角约束Sobel边缘检测算子应用于断层和盐丘边界检测中,取得很好效果。借鉴Aqrawi思想,利用梯度结构张量方法估计得到局部地层区域的倾角和方位角,利用得到的倾角和方位角信息作为约束,使用二维边缘检测算子实现三维数据中的沿层不连续性检测。经过实际资料处理,并与结构导向方差属性对比分析证明,结构导向坎尼属性边缘检测算子检测结果最精细,包含边界信息最丰富,对小断层、微裂缝的识别最准确,可以作为一种低序级断层精细解释的工具。
目前低序级断层识别面临的难题主要有:
(1)在低序级断层解释方面,如果地层界面及地震反射连续性较好,其表现为断层特征不明显,难以识别;如果界面及反射连续性较差,分叉、合并、断开现象严重,似乎随处可开断层,同样难以识别。
(2)多条小断层在剖面上的组合形式多样,且信号分布离散,相互影响,使得断层解释更加困难。
(3)低序级断层平面组合方式多解性强,不利于组合成合理的断裂系统,不利于分析油水关系。
为此我们发明了一种新的新的边缘检测低序级断层识别方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种基于三维多级盲源分离与保构造滤波组合去噪的结构导向坎尼属性边缘检测低序级断层识别方法。
本发明的目的可通过如下技术措施来实现:新的边缘检测低序级断层识别方法,该新的边缘检测低序级断层识别方法包括:步骤1,根据叠后地震数据体在时间空间域应用三维多级盲源分离与保构造滤波相结合的去噪技术压制随机噪声,提高地震资料的信噪比;步骤2,在时间域应用多道相干算法进行倾角搜索估计地层倾角值,在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来估计地层倾角;步骤3,基于时间-频率域混合倾角扫描,沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性;步骤4,根据结构导向坎尼属性数据体,通过连井剖面和沿层切片等形式进行低序级断层的地震识别。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,在时间空间域应用三维多级盲源分离与保构造滤波组合去噪技术压制随机噪声;将独立分量分析ICA技术与稀疏编码SparseCoding算法结合,构成三维多级盲源分离的ICA-SC算法。
在步骤1中,ICA-SC算法包括的步骤如下:
①采用ICA方法估计一个正交矩阵w,对地震数据x左乘w,使得ICA变换后的数据满足稀疏分布;
②使用收缩函数通过极大似然估计的方法计算目标数据的各个稀疏分量
极大似然估计MLD表达式为:
M(x)=sign(x)max(0,|x-σ2|l'(x))
l(x)=-lnp(x)
其中x为地震数据,s为尺度函数,记为s=E{x2},p(x)为拉普拉斯概率分布函数,l(x)为稀疏惩罚函数,σ2表示目标数据中噪音的方差;
由此可以得到拉普拉斯密度模型对应的收缩函数:
③对正交矩阵w求逆,得到
基于保构造平滑的基本理论,针对三维地震数据体中的样点,选取一系列具有不同构造方位和形状的分析窗,对分析窗中的数据采用三维高斯加权平均来取代常规的算数平均,进一步求取标准差并选取标准差最小的分析窗为最优时窗;
三维高斯加权平均求取均值公式如下:
式中x、y和t分别为横测线、纵测线以及时间变量,u为分析窗口中的原始地震数据,σx,σy,σt是尺度参数,决定着平滑程度,其值越大,高斯滤波器的频带就越宽,平滑程度就越好;通过调节尺度参数,在边缘特征模糊与平滑过程中由于噪声所引起的过多的突变量之间取得折衷。
在步骤2中,在水平面建立一定面积的分析区域,在该分析区域中包含J道地震数据,假设一个t时刻的地震平面波,令p和q为x轴和y轴方向上的视倾角,将(xj,yj,t)为中心点,则上述时窗内的平均道的能量和全部道能量比为相似系数σ(p,q,t)由公式给出:
式中:j表示道数,(xj,yj)表示该点在坐标轴上的坐标,u代表地震数据,利用上述公式通过倾角扫描方式计算出视倾角。
在步骤2中,地层倾角在地震记录中表现为时间上的延迟,利用傅里叶变换的时延特性来计算地层倾角,假设在地面上接收到的某一道地震记录为x(t),与它相邻的地震记录的时间延迟为t0,则相邻地震记录道y(t)=x(t-to),对x(t)的傅里叶变换由公式:
X
再依据傅里叶变换的时延特性公式:
求对应于不同角频率的时间延迟公式:
上式中,X(ω)、Y(ω)为相邻地震记录的傅里叶变换,ω为角频率,i为虚数单位;设有效频段的起始值、终止值分别为ωstart,ωend,选择地震记录主频附近的频段,其中包含N个角频率值,则这两道地震记录之间的时间延迟t0公式:
即上式表明,最终得到的时间延迟值是各个不同频率下对应的时延值的平均值。
在步骤3中,依据几何关系进行倾角扫描,计算出倾角、方位角两个数据体,然后转换成沿着X,Y方向的延迟时间,生成结构导向属性体。
在步骤3中,把数据体内的每一点都当成是目标点,分别提取一个大小为(2n+1)×(2n+1)的局部窗口;然后沿着地层法线对称地提取K个局部窗口,窗口总数为2K+1个。
在步骤3中,利用坎尼算子模板分别求取每个局部窗口的不同方向的坎尼属性,并对不同方向的属性值进行平方求和,然后沿着法线方向对所有局部窗口求得的坎尼属性作和,最后按能量对结果进行归一化处理。
在步骤3中,采用以下步骤计算结构导向坎尼属性:
(a)设二维高斯滤波函数为:
G(x,y)=(1/2πσ2)exp(-(x2+y2)/2σ2)
式中:x,y表示该点在坐标轴上的坐标,σ为高斯标准差,它决定了平滑程度,把梯度矢量▽G的2个滤波卷积模板分解为2个一维的行列滤波器:
式中:kx,ky表示x,y方向上的空间波数;
这两个卷积模板分别与原始地震数据f(x,y)运算:
即:
fs=f(x,y)×G(x,y)
(b)经过步骤(a)处理的像素点I(x,y)的方向和强度是基于2×2模板的一次微分的有限差分得到的,x、y的偏微分Px[i,j]、Py[i,j]为:
Px[i,j]=(I[i,j+11-I[i,j]+I[i+1,j+11-I[i+1,j1)/2
Py[i,j]=(I[i,j]-I[i+1,j]+I[i,j+1]-I[i+1,j+1])/2
其中:I(x,y)为像素点坐标(x、y)上的灰度值;
利用坐标转换可以把梯度的方向和强度变换到极坐标下,以二阶范数为基础来表示如下:
梯度的方向表示成:
θ[i,j]=arctan(Py[i,j]/Px[i,j])
(c)利用非极大抑制处理经过步骤二处理的图像,设像素点为I(i,j),而其梯度方向设为0(i,j),梯度方向0(i,j)为四个区域中方向的一个,将像素点I(i,j)分别与四个不同方向的相邻数据点比较大小从而计算局部区域内的极大值;若I(i,j)的梯度方向在方向4区中,则分别将其梯度强度M(i,j)和4区中右上角、左下角的两个点的梯度强度比较大小,如果不是最大值则将I(i,j)的M(i,j)置为“0”,相反地就将其置为“1”;
(d)分别设置两个阀值V1和V2给非极大抑制后的图像数据,像素点梯度幅值小于V1的将其值置成“0”,从而生成“图像A”;接着再运算寻找到幅值小于V2的置成“0”,生成“图像B”;由于V2>V1,“图像B”干扰噪音相对很小,可是同时也导致了边缘丢失;而相应的“图像A”边缘信息比较丰富;把“图像A”的边缘信息填补到“图像B”中以连接边缘线,这就是双阀值的确定与边缘链接的过程。
在步骤3中,计算延迟时间时,依据几何关系,先计算出倾角、方位角两个数据体θ(x,y,t)、φ(x,y,t),然后把θ(x,y,t)和φ(x,y,t)转变成沿着x、y方向的延迟时间和转化公式为:
τy=tan(θ)cosφ。
本发明中的新的边缘检测低序级断层识别方法,针对低序级断层识别的研究难点,在深入分析低序级断层地质特点和地震响应特征的基础上,对基于三维多级盲源分离与保构造滤波组合去噪的结构导向坎尼属性边缘检测低序级断层识别方法开展研究,提高低序级断层的识别能力。该方法包括根据叠后地震数据体在时间空间域应用三维多级盲源分离与保构造滤波相结合的去噪技术压制随机噪声,提高地震资料的信噪比;采用多道相干算法进行倾角搜索估计地层倾角值;沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性,形成一种有效的低序级断层识别方法。本发明中的新的边缘检测低序级断层识别方法可以识别原始剖面中存在的大小断层,而常规的方差属性只能在地震同相轴较平、断裂明显的断层有识别效果,在地层倾斜或者地层倾角变换剧烈的地方对断层的识别效果很差;和相干属性对比来看,结构导向坎尼属性边缘检测结果噪声干扰更小,特别是在地层较陡或者地层产状波动较大(即地层倾角变化大)的地方,结构导向坎尼属性边缘检测结果更佳。
附图说明
图1为本发明的新的边缘检测低序级断层识别方法的一具体实施例的流程图;
图2为本发明的一具体实施例中低序级断层地质模型的示意图;
图3为本发明的一具体实施例中不含噪声的模拟剖面的示意图;
图4为本发明的一具体实施例中含50%噪声的模拟剖面的示意图;
图5为本发明的一具体实施例中一级盲源分离出来的有效信号的示意图;
图6为本发明的一具体实施例中二级盲源分离出来的有效信号的示意图;
图7为本发明的一具体实施例中三级盲源分离出来的有效信号的示意图;
图8为本发明的一具体实施例中分离出来的噪声的示意图;
图9为本发明的一具体实施例中不含噪时的断层识别结果的示意图;
图10为本发明的一具体实施例中含噪30%(信噪比2.3)时的断层识别结果的示意图;
图11为本发明的一具体实施例中含噪30%(信噪比2.3)去噪后的断层识别结果的示意图;
图12为本发明的一具体实施例中含噪50%(信噪比1)时的断层识别结果的示意图;
图13为本发明的一具体实施例中含噪50%(信噪比1)去噪后的断层识别结果的示意图;
图14为本发明的一具体实施例中原始地震剖面的示意图;
图15为本发明的一具体实施例中去噪后的地震剖面的示意图;
图16为本发明的一具体实施例中结构导向坎尼属性剖面的示意图;
图17为本发明的一具体实施例中结构导向坎尼属性边缘检测断层识别结果的示意图;
图18为本发明的一具体实施例中坎尼属性沿梯度方向非极大抑制处理模板示意图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合附图所示,作详细说明如下。
如图1所示,图1为本发明的新的边缘检测低序级断层识别方法的流程图。
步骤101,在时间空间域应用三维多级盲源分离与保构造滤波组合去噪技术压制随机噪声,提高叠后资料的信噪比。
地震资料信噪比是决定数据有效性的基础,而随机噪音是影响资料信噪比的重要因素。
实际地震数据体都会受到随机噪音和相干噪音的干扰。一方面,需要设计一种滤波器,应用这种滤波器对地震数据体进行噪音压制、同时避免沿着断层和其它不连续体平滑。另一方面,平滑滤波预处理对边缘检测的效果具有重要意义,有利于探明地震资料中复杂构造的边缘。因为边缘检测是基于空间数据的衍生算法,通常来讲大部分为了强化地震资料中局部快速变化的边缘检测算法对于随机噪声很敏感。对于特殊区域像地下断层或裂缝周围的数据一般很复杂,这些区域的地震资料常包含比其他区域更多的噪声,在这样的区域里如果采用传统的方法去噪会引起边界模糊或反射同相轴的畸变。因此,本发明将三级盲源分离去噪技术与保构造滤波技术结合起来,形成有效的组合去噪技术压制随机噪声,提高叠后地震资料的信噪比。
地震资料中有效信号反映地下地质体的信息并具有一定的连续性,而随机噪音则无固定频率与视速度,因此可以认为二者彼此统计独立。因此,可假设地震记录中的有效信号与随机噪音为源信号,并且二者具有统计独立和非高斯分布的特性。这样就可以通过独立分量分析(ICA)技术对地震记录中的有效信号与噪音进行分离。
随机变量采用ICA分离后,能够使得各个分量间最大限度的接近统计独立,即认为各个分量具有最强的非高斯性。根据极大似然估计的原理,满足非高斯分布的含噪随机变量,当噪音方差较小的情况下,其非高斯性越强则估计越准确。所以先对含噪的资料进行ICA分离,能够有效地增强信号的非高斯性,这样再通过极大似然估计就能达到减少估计误差的目的。基于这些特性,可将ICA技术与稀疏编码(Sparse Cod ing)算法结合,构成三维多级盲源分离的ICA-SC算法。
含噪ICA模型为x=As+N,式中x表示含噪地震记录,S表示源信号,A表示混合矩阵,N表示噪音且通常假设其为高斯噪音。通过极大似然估计的方法,做正交ICA分解,可得到估计的分离矩阵w,可将式x=As+N转换为:
wx=wAs+wN
式中的w为正交矩阵,即通过ICA估计混合矩阵A的最佳正交逆矩阵。而干扰项wN仍然满足高斯分布且白化的。通过ICA变换,能够使得各个分量为非高斯的。故ICA技术与稀疏编码理论的交点就在于,通过ICA变换使得目标数据满足稀疏分布的要求。值得一提的是拉普拉斯分布就是典型的稀疏分布,这恰恰是ICA变换的优势所在。这样两种算法的结合的基本思路就是:选取合适的“收缩函数”,通过向量形式进行极大似然估计。在稀疏编码理论中收缩函数的选择取决于目标数据xi的先验概率分布,因此不同的密度模型对应不同的收缩函数,并且不同的密度模型其稀疏性也不同。
拉普拉斯模型的概率分布及收缩函数:
假设目标数据x满足单位方差,则典型的拉普拉斯的概率分布为:
式中s为尺度函数,记为s=E{x2}。收缩函数的求取过程是,根据目标数据(稀疏分量)的概率分布,求解稀疏惩罚函数的一阶导数,再带入极大似然估计公式得到对应的收缩函数。求解如下:
l(x)=-lnp(x)
式中的l(x)为稀疏惩罚函数。极大似然估计(MLD)表达式为:
M(x)=sign(x)max(0,x-σ2l'(x))
由此可以得到拉普拉斯密度模型对应的收缩函数:
式中的σ2表示目标数据中噪音的方差。
稀疏编码理论去噪的原理就是:根据有效信号的非高斯性(该模型为拉普拉斯分布)及噪音信号的高斯性中假设了噪音信号满足高斯分布),通过收缩函数达到压制噪音的目的。
ICA-SC算法的计算机实现的步骤如下:
①采用ICA方法估计一个正交矩阵w,对目标数据x左乘w,使得ICA变换后的数据满足稀疏分布;
②使用收缩函数计算目标数据的各个稀疏分量
③对正交矩阵w求逆,得到
经盲源分离出来的随机噪声,基本不含有效信号,从而能够有效保证去噪后有效信息基本不受损失;随着多级分离,有效信号的信噪比明显增强,反射波同相轴变得清晰、连续,横向波形特征的稳定性得到提高。
保构造平滑去噪方法在压制干扰的同时能更精确地凸显地质构造信息,为地震解释提供构造信息更丰富、更精确的资料,将其用于边缘检测,可以取得良好的应用效果。
基于保构造平滑的基本理论,针对三维地震数据体中的样点,选取一系列具有不同构造方位和形状的分析窗。最优分析窗的评价标准不是固定的,为了凸显不同的构造或者达到特殊的应用目的,可以先对分析窗进行取舍,然后用于计算,如为了观察近乎直立的岩层或者断层,水平的分析窗可以舍弃;为了加强地震层位便于自动追踪,垂直的分析窗可以舍弃。要从参与计算的分析窗中选取一个最优的,较为常用的是最小标准差准则。高斯函数在时间域和频率域都有良好的分辨率,并且其参数具有良好的尺度性质,因此对分析窗中的数据采用三维高斯加权平均来取代常规的算数平均,进一步求取标准差并选取标准差最小的分析窗为最优时窗。
三维高斯加权平均求取均值公式如下:
式中x、y和t分别为横测线、纵测线以及时间变量,u为分析窗口中的原始地震数据,σx,σy,σt是尺度参数,决定着平滑程度,其值越大,高斯滤波器的频带就越宽,平滑程度就越好。通过调节尺度参数,可在边缘特征模糊(过平滑)与平滑过程中由于噪声所引起的过多的突变量(欠平滑)之间取得折衷。
步骤102,在时间域应用多道相干算法进行倾角搜索估计地层倾角值;在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来估计地层倾角。
多道相干算法利用了多道地震数据,因此精度更高,其是在水平面建立一定面积的分析区域,一般为矩形或者椭圆形,在该分析区域中包含J道地震数据,假设一个t时刻的地震平面波,令p和q为x轴和y轴方向上的视倾角,将(xj,yj,t)为中心点,则上述时窗内的平均道的能量和全部道能量比为相似系数σ(p,q,t)由公式给出:
式中:j表示道数,(xj,yj)表示该点在坐标轴上的坐标,利用上述公式可以通过倾角扫描方式计算出视倾角。
地层倾角在地震记录中表现为时间上的延迟,因此可以利用傅里叶变换(FT)的时延特性来计算地层倾角。假设在地面上接收到的某一道地震记录为x(t),与它相邻的地震记录的时间延迟为t0,则相邻地震记录道y(t)=x(t-to),对x(t)的傅里叶变换由公式:
再依据傅里叶变换的时延特性公式:
求对应于不同角频率的时间延迟公式:
上式中,X(ω)、Y(ω)为相邻地震记录的傅里叶变换,ω为角频率,i为虚数单位。
理论上,每个频率对应的时延值应该相同,即对应任意ω,tω=t0。但实际计算中(尤其在使用低信噪比的地震资料时)各个频率对应的时间延迟值可能是不相同的。故本方法先求取地震波有效频段对应的时间延迟值的算术平均值,并将算术平均值与空间采样间隔的比值作为估计的地层倾角值(单位为ms/m)。设有效频段的起始值、终止值分别为ωstart,ωend,一般选择地震记录主频附近的频段,其中包含N个角频率值,则这两道地震记录之间的时间延迟t0公式:
即上式表明,最终得到的时间延迟值是各个不同频率下对应的时延值的平均值。
步骤103,基于时间-频率域混合倾角扫描,沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性;
(1)结构导向属性体的计算
依据几何关系进行倾角扫描,计算出倾角、方位角两个数据体,然后转换成沿着X,Y方向的延迟时间,生成结构导向属性体。
把数据体内的每一点都当成是目标点,分别提取一个大小为(2n+1)×(2n+1)的局部窗口(中心窗口)。然后沿着地层法线对称地提取K个局部窗口(窗口总数为2K+1个)。
(2)结构导向坎尼属性的计算
结构导向坎尼属性的求取采用以下方法:利用坎尼算子模板分别求取每个局部窗口的不同方向的坎尼属性值,并对不同方向的坎尼属性进行平方求和,然后沿着法线方向对所有局部窗口求得的坎尼属性作和,最后按能量对结果进行归一化处理,具体采用以下步骤计算结构导向坎尼属性:
(1)设二维高斯滤波函数为:
G(x,y)=(1/2πσ2)exp(-(x2+y2)/2σ2)
式中:x,y表示该点在坐标轴上的坐标,σ为高斯标准差,它决定了平滑程度,把梯度矢量▽G的2个滤波卷积模板分解为2个一维的行列滤波器:
式中:kx,ky表示x,y方向上的空间波数。
这两个卷积模板分别与原始地震数据f(x,y)运算:
即:
fs=f(x,y)×G(x,y)
(2)经过步骤(1)处理的像素点I(x,y)的方向和强度是基于2×2模板的一次微分的有限差分得到的,x、y的偏微分Px[i,j]、Py[i,j]为:
Px[i,j]=(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,j])/2
Py[i,j]=(I[i,j]-I[i+1,j]+I[i,j+1]-I[i+1,j+1])/2
其中:I(x,y)为像素点坐标(x、y)上的灰度值。
利用坐标转换可以把梯度的方向和强度变换到极坐标下,以二阶范数为基础来表示如下:
梯度的方向表示成:
θ[i,j]=arctan(Py[i,j]/Px[i,j])
(3)利用非极大抑制处理经过步骤二处理的图像,设像素点为I(i,j),而其梯度方向设为0(i,j),如图18所示。梯度方向0(i,j)为四个区域中方向的一个,将像素点I(i,j)分别与四个不同方向的相邻数据点比较大小从而计算局部区域内的极大值。若I(i,j)的梯度方向在方向4区中,则分别将其梯度强度M(i,j)和4区中右上角、左下角的两个点的梯度强度比较大小,如果不是最大值则将I(i,j)的M(i,j)置为“0”,相反地就将其置为“1”。
(4)分别设置两个阀值V1和V2给非极大抑制后的图像数据,像素点梯度幅值小于V1的将其值置成“0”,从而生成“图像A”;接着再运算寻找到幅值小于V2的置成“0”,生成“图像B”。由于V2>V1,“图像B”干扰噪音相对很小,可是同时也导致了边缘丢失;而相应的“图像A”边缘信息比较丰富。把“图像A”的边缘信息填补到“图像B”中以连接边缘线。这就是双阀值的确定与边缘链接的过程。
步骤104,根据结构导向坎尼属性数据体,通过连井剖面和沿层切片等形式进行低序级断层的地震识别。
以下为应用本发明的几个具体实施例:
实施例1:针对低序级断层地质模型正演模拟剖面的边缘检测低序级断层识别。
步骤1,设计低序级断层地质模型(图2),图3是正演模拟剖面,对加入50%噪声的模拟剖面(图4),在时间空间域应用三维多级盲源分离技术分别得到一级盲源分离出来的有效信号(图5)、二级盲源分离出来的有效信号(图6)、三级盲源分离出来的有效信号(图7)以及最终分离出的噪声(图8),从图8可以看出经盲源分离出来的随机噪声,基本不含有效信号,从而有效保证了去噪后有效信息基本不受损失;随着多级分离,有效信号的信噪比明显增强,反射波同相轴变得清晰、连续,横向波形特征的稳定性得到提高。
步骤2,在时间域应用多道相干算法进行倾角搜索估计地层倾角值;在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来估计地层倾角;
步骤3,基于时间-频率域混合倾角扫描,沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性;
步骤4,为了检测本发明中边缘检测低序级断层识别算法的抗噪能力,在模拟剖面中加入30%(信噪比2.3)和50%(信噪比1)的噪声,分别对不含噪剖面、含噪剖面、组合去噪后的剖面计算结构导向坎尼属性体,完成对低序级断层的地震识别(图9-13)。
步骤1的作用:由于噪音对断层检测算法有很大的影响,采用基于三维多级盲源分离与保构造滤波组合去噪技术压制随机噪声,能够提高地震资料的信噪比,增强低序级断层的识别能力。
步骤2的目的是在时间域应用多道相干算法进行倾角搜索估计,步骤3的目的是在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来,获得地层倾角的精确估计,沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性,从而有效消除界面倾角的影响。
步骤4的作用:通过计算得到的结构导向坎尼属性进行边缘检测,突出低序级断层在横向上的变化,为低序级断层的识别提供更加准确、可靠的信息。
本实施例有效压制了随机噪声,提高了地震资料的信噪比,同时考虑了构造复杂,倾角较大等特点,通过倾角扫描提取结构导向坎尼属性进行边缘检测,消除了界面倾角的影响,突出低序级断层在横向上的变化,为低序级断层的识别提供更加准确、可靠的信息。
实施例2:针对实际工区的边缘检测低序级断层识别。
步骤1,对原始地震数据体(图14),在时间空间域应用基于三维多级盲源分离与保构造滤波组合去噪处理,得到去噪后的地震数据体(图15),有效信号的信噪比明显增强,反射波同相轴变得清晰、连续,横向波形特征的稳定性得到提高。
步骤2,在时间域应用多道相干算法进行倾角搜索估计地层倾角值;在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来估计地层倾角;
步骤3,基于时间-频率域混合倾角扫描,沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性(图16);
步骤4,对组合去噪后的地震数据体计算结构导向坎尼属性体,完成对低序级断层的地震识别(图17)。
步骤1的作用:由于噪音对断层检测算法有很大的影响,采用基于三维多级盲源分离与保构造滤波组合去噪技术压制随机噪声,能够提高地震资料的信噪比,增强低序级断层的识别能力。
步骤2的目的是在时间域应用多道相干算法进行倾角搜索估计,步骤3的目的是在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来,获得地层倾角的精确估计,沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性,从而有效消除界面倾角的影响。
步骤4的作用:通过计算得到的结构导向坎尼属性进行边缘检测,突出低序级断层在横向上的变化,为低序级断层的识别提供更加准确、可靠的信息。
本实施例有效压制了随机噪声,提高了地震资料的信噪比,同时考虑了构造复杂,倾角较大等特点,通过倾角扫描提取结构导向坎尼属性进行边缘检测,消除了界面倾角的影响,突出低序级断层在横向上的变化,为低序级断层的识别提供更加准确、可靠的信息。
通过上述流程实现了基于三维多级盲源分离与保构造滤波组合去噪的结构导向坎尼属性边缘检测低序级断层的识别,该方法与目前常用的断层识别相比,充分考虑了地震资料信噪比达不到解释低序级断层的条件下,如何有效压制随机噪声,提高叠后资料的信噪比,同时考虑了构造复杂,倾角较大等特点,通过倾角扫描提取结构导向的梯度属性进行边缘检测,可以消除界面倾角的影响,突出低序级断层在横向上的变化,为低序级断层的识别提供更加准确、可靠的信息。
Claims (10)
1.新的边缘检测低序级断层识别方法,其特征在于,该新的边缘检测低序级断层识别方法包括:
步骤1,根据叠后地震数据体在时间空间域应用三维多级盲源分离与保构造滤波相结合的去噪技术压制随机噪声,提高地震资料的信噪比;
步骤2,在时间域应用多道相干算法进行倾角搜索估计地层倾角值,在频率域应用地层倾角在地震记录上表现的时间延迟,对其进行傅里叶变换的时延特性来估计地层倾角;
步骤3,基于时间-频率域混合倾角扫描,沿地层倾角在局部层拉平的基础上计算分析窗内结构导向坎尼属性;
步骤4,根据结构导向坎尼属性数据体,通过连井剖面和沿层切片这些形式进行低序级断层的地震识别。
2.根据权利要求1所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤1中,在时间空间域应用三维多级盲源分离与保构造滤波组合去噪技术压制随机噪声;将独立分量分析ICA技术与稀疏编码SparseCoding算法结合,构成三维多级盲源分离的ICA-SC算法。
3.根据权利要求2所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤1中,ICA-SC算法包括的步骤如下:
①采用ICA方法估计一个正交矩阵w,对地震数据x左乘w,使得ICA变换后的数据满足稀疏分布;
②使用收缩函数通过极大似然估计的方法计算目标数据的各个稀疏分量
极大似然估计MLD表达式为:
M(x)=sign(x)max(0,|x|-σ2|l'(x)|)
l(x)=-ln p(x)
其中x为地震数据,s为尺度函数,记为s=E{x2},p(x)为拉普拉斯概率分布函数,l(x)为稀疏惩罚函数,σ2表示目标数据中噪音的方差;
由此可以得到拉普拉斯密度模型对应的收缩函数:
③对正交矩阵w求逆,得到
基于保构造平滑的基本理论,针对三维地震数据体中的样点,选取一系列具有不同构造方位和形状的分析窗,对分析窗中的数据采用三维高斯加权平均来取代常规的算数平均,进一步求取标准差并选取标准差最小的分析窗为最优时窗;
三维高斯加权平均求取均值公式如下:
式中x、y和t分别为横测线、纵测线以及时间变量,u为分析窗口中的原始地震数据,σx,σy,σt是尺度参数,决定着平滑程度,其值越大,高斯滤波器的频带就越宽,平滑程度就越好;通过调节尺度参数,在边缘特征模糊与平滑过程中由于噪声所引起的过多的突变量之间取得折衷。
4.根据权利要求1所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤2中,在水平面建立一定面积的分析区域,在该分析区域中包含J道地震数据,假设一个t时刻的地震平面波,令p和q为x轴和y轴方向上的视倾角,将(xj,yj,t)为中心点,则上述时窗内的平均道的能量和全部道能量比为相似系数σ(p,q,t)由公式给出:
式中:j表示道数,(xj,yj)表示该点在坐标轴上的坐标,u代表地震数据,利用上述公式通过倾角扫描方式计算出视倾角。
5.根据权利要求4所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤2中,地层倾角在地震记录中表现为时间上的延迟,利用傅里叶变换的时延特性来计算地层倾角,假设在地面上接收到的某一道地震记录为x(t),与它相邻的地震记录的时间延迟为t0,则相邻地震记录道y(t)=x(t-to),对x(t)的傅里叶变换由公式:
再依据傅里叶变换的时延特性公式:
求对应于不同角频率的时间延迟公式:
上式中,X(ω)、Y(ω)为相邻地震记录的傅里叶变换,ω为角频率,i为虚数单位;设有效频段的起始值、终止值分别为ωstart,ωend,选择地震记录主频附近的频段,其中包含N个角频率值,则这两道地震记录之间的时间延迟t0公式:
即上式表明,最终得到的时间延迟值是各个不同频率下对应的时延值的平均值。
6.根据权利要求1所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤3中,依据几何关系进行倾角扫描,计算出倾角、方位角两个数据体,然后转换成沿着X,Y方向的延迟时间,生成结构导向属性体。
7.根据权利要求6所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤3中,把数据体内的每一点都当成是目标点,分别提取一个大小为(2n+1)×(2n+1)的局部窗口;然后沿着地层法线对称地提取K个局部窗口,窗口总数为2K+1个。
8.根据权利要求7所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤3中,利用坎尼算子模板分别求取每个局部窗口的不同方向的坎尼属性,并对不同方向的属性值进行平方求和,然后沿着法线方向对所有局部窗口求得的坎尼属性作和,最后按能量对结果进行归一化处理。
9.根据权利要求8所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤3中,采用以下步骤计算结构导向坎尼属性:
(a)设二维高斯滤波函数为:
G(x,y)=(1/2πσ2)exp(-(x2+y2)/2σ2)
式中:x,y表示该点在坐标轴上的坐标,σ为高斯标准差,它决定了平滑程度,把梯度矢量的2个滤波卷积模板分解为2个一维的行列滤波器:
式中:kx,ky表示x,y方向上的空间波数;
这两个卷积模板分别与原始地震数据f(x,y)运算:
即:
fs=f(x,y)×G(x,y)
(b)经过步骤(a)处理的像素点I(x,y)的方向和强度是基于2×2模板的一次微分的有限差分得到的,x、y的偏微分Px[i,j]、Py[i,j]为:
Px[i,j]=(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,j])/2
Py[i,j]=(I[i,j]-I[i+1,j]+I[i,j+1]-I[i+1,j+1])/2
其中:I(x,y)为像素点坐标(x、y)上的灰度值;
利用坐标转换可以把梯度的方向和强度变换到极坐标下,以二阶范数为基础来表示如下:
梯度的方向表示成:
θ[i,j]=arctan(Py[i,j]/Px[i,j])
(c)利用非极大抑制处理经过步骤二处理的图像,设像素点为I(i,j),而其梯度方向设为0(i,j),梯度方向0(i,j)为四个区域中方向的一个,将像素点I(i,j)分别与四个不同方向的相邻数据点比较大小从而计算局部区域内的极大值;若I(i,j)的梯度方向在方向4区中,则分别将其梯度强度M(i,j)和4区中右上角、左下角的两个点的梯度强度比较大小,如果不是最大值则将I(i,j)的M(i,j)置为0,相反地就将其置为1;
(d)分别设置两个阀值V1和V2给非极大抑制后的图像数据,像素点梯度幅值小于V1的将其值置成0,从而生成图像A;接着再运算寻找到幅值小于V2的置成0,生成图像B;由于V2>V1,图像B干扰噪音相对很小,可是同时也导致了边缘丢失;而相应的图像A边缘信息比较丰富;把图像A的边缘信息填补到图像B中以连接边缘线,这就是双阀值的确定与边缘链接的过程。
10.根据权利要求9所述的新的边缘检测低序级断层识别方法,其特征在于,在步骤3中,计算延迟时间时,依据几何关系,先计算出倾角、方位角两个数据体θ(x,y,t)、φ(x,y,t),然后把θ(x,y,t)和φ(x,y,t)转变成沿着x、y方向的延迟时间和转化公式为:
τy=tan(θ)cosφ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141769.3A CN108415077B (zh) | 2018-02-11 | 2018-02-11 | 边缘检测低序级断层识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141769.3A CN108415077B (zh) | 2018-02-11 | 2018-02-11 | 边缘检测低序级断层识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108415077A true CN108415077A (zh) | 2018-08-17 |
CN108415077B CN108415077B (zh) | 2021-02-26 |
Family
ID=63128505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810141769.3A Active CN108415077B (zh) | 2018-02-11 | 2018-02-11 | 边缘检测低序级断层识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108415077B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085646A (zh) * | 2018-10-18 | 2018-12-25 | 中国海洋石油集团有限公司 | 一种基于eps相位体属性的三角洲相叠置砂体识别方法 |
CN109164485A (zh) * | 2018-08-31 | 2019-01-08 | 中国石油化工股份有限公司 | 一种影响低序级断层识别精度的定量分析方法 |
CN109884708A (zh) * | 2019-03-20 | 2019-06-14 | 中国石油化工股份有限公司 | 基于构造导向滤波的古生界潜山储层地震预测方法 |
CN111323815A (zh) * | 2020-02-17 | 2020-06-23 | 成都理工大学 | 基于方位角的灰度共生矩阵预测碳酸盐岩裂缝储层的方法 |
CN111582114A (zh) * | 2020-04-29 | 2020-08-25 | 中国海洋石油集团有限公司 | 一种地震断层识别方法、装置、设备和存储介质 |
CN111832636A (zh) * | 2020-06-30 | 2020-10-27 | 中国石油大学(北京) | 基于特征组合的朴素贝叶斯岩相分类方法及装置 |
CN111929726A (zh) * | 2019-09-04 | 2020-11-13 | 中国石油天然气股份有限公司 | 地震相干数据体处理方法及装置 |
CN112034512A (zh) * | 2020-09-02 | 2020-12-04 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
CN112578446A (zh) * | 2019-09-30 | 2021-03-30 | 中国石油化工股份有限公司 | 一种地层反射杂乱程度的刻画方法及系统 |
CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及系统 |
CN113419277A (zh) * | 2021-06-21 | 2021-09-21 | 大庆油田有限责任公司 | 一种基于落差梯度属性的地震解释层位的质控方法 |
CN114002739A (zh) * | 2021-11-11 | 2022-02-01 | 中海石油(中国)有限公司 | 基于几何非平行统计属性的边缘检测方法、装置及介质 |
CN114089418A (zh) * | 2020-08-24 | 2022-02-25 | 中国石油化工股份有限公司 | 高地层倾角条件下低序级断层的地震识别方法 |
CN114114408A (zh) * | 2020-08-27 | 2022-03-01 | 中国石油化工股份有限公司 | 一种低序级断层识别方法 |
CN114186592A (zh) * | 2021-12-14 | 2022-03-15 | 电子科技大学 | 一种基于稀疏编码的vsp地震信号耦合噪声降噪方法 |
CN115343763A (zh) * | 2021-05-14 | 2022-11-15 | 中国石油化工股份有限公司 | 基于地震同相轴零相位判别的蚂蚁体属性倾角校正方法 |
CN115880505A (zh) * | 2023-03-08 | 2023-03-31 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200588A (zh) * | 2011-03-22 | 2011-09-28 | 成都理工大学 | 地震资料的波形相似性体曲率分析方法 |
CN102466815A (zh) * | 2010-11-08 | 2012-05-23 | 中国石油化工股份有限公司 | 三叠系碎屑岩油气藏识别方法 |
CN106054250A (zh) * | 2016-06-08 | 2016-10-26 | 成都理工大学 | 基于变频分量扩散滤波融合的地震资料噪声消减方法 |
CN106199710A (zh) * | 2016-06-29 | 2016-12-07 | 中国石油化工股份有限公司 | 基于混合倾角扫描振幅变化率的潜山储层地震识别方法 |
CN109164485A (zh) * | 2018-08-31 | 2019-01-08 | 中国石油化工股份有限公司 | 一种影响低序级断层识别精度的定量分析方法 |
-
2018
- 2018-02-11 CN CN201810141769.3A patent/CN108415077B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102466815A (zh) * | 2010-11-08 | 2012-05-23 | 中国石油化工股份有限公司 | 三叠系碎屑岩油气藏识别方法 |
CN102200588A (zh) * | 2011-03-22 | 2011-09-28 | 成都理工大学 | 地震资料的波形相似性体曲率分析方法 |
CN106054250A (zh) * | 2016-06-08 | 2016-10-26 | 成都理工大学 | 基于变频分量扩散滤波融合的地震资料噪声消减方法 |
CN106199710A (zh) * | 2016-06-29 | 2016-12-07 | 中国石油化工股份有限公司 | 基于混合倾角扫描振幅变化率的潜山储层地震识别方法 |
CN109164485A (zh) * | 2018-08-31 | 2019-01-08 | 中国石油化工股份有限公司 | 一种影响低序级断层识别精度的定量分析方法 |
Non-Patent Citations (1)
Title |
---|
马玉歌,等: "低序级断层结构导向坎尼属性边缘检测识别方法", 《物探与化探》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164485A (zh) * | 2018-08-31 | 2019-01-08 | 中国石油化工股份有限公司 | 一种影响低序级断层识别精度的定量分析方法 |
CN109085646A (zh) * | 2018-10-18 | 2018-12-25 | 中国海洋石油集团有限公司 | 一种基于eps相位体属性的三角洲相叠置砂体识别方法 |
CN109884708B (zh) * | 2019-03-20 | 2021-09-07 | 中国石油化工股份有限公司 | 基于构造导向滤波的古生界潜山储层地震预测方法 |
CN109884708A (zh) * | 2019-03-20 | 2019-06-14 | 中国石油化工股份有限公司 | 基于构造导向滤波的古生界潜山储层地震预测方法 |
CN111929726A (zh) * | 2019-09-04 | 2020-11-13 | 中国石油天然气股份有限公司 | 地震相干数据体处理方法及装置 |
CN112578446A (zh) * | 2019-09-30 | 2021-03-30 | 中国石油化工股份有限公司 | 一种地层反射杂乱程度的刻画方法及系统 |
CN111323815A (zh) * | 2020-02-17 | 2020-06-23 | 成都理工大学 | 基于方位角的灰度共生矩阵预测碳酸盐岩裂缝储层的方法 |
CN111582114A (zh) * | 2020-04-29 | 2020-08-25 | 中国海洋石油集团有限公司 | 一种地震断层识别方法、装置、设备和存储介质 |
CN111582114B (zh) * | 2020-04-29 | 2023-09-01 | 中国海洋石油集团有限公司 | 一种地震断层识别方法、装置、设备和存储介质 |
CN111832636A (zh) * | 2020-06-30 | 2020-10-27 | 中国石油大学(北京) | 基于特征组合的朴素贝叶斯岩相分类方法及装置 |
CN111832636B (zh) * | 2020-06-30 | 2024-04-12 | 中国石油大学(北京) | 基于特征组合的朴素贝叶斯岩相分类方法及装置 |
CN114089418A (zh) * | 2020-08-24 | 2022-02-25 | 中国石油化工股份有限公司 | 高地层倾角条件下低序级断层的地震识别方法 |
CN114114408A (zh) * | 2020-08-27 | 2022-03-01 | 中国石油化工股份有限公司 | 一种低序级断层识别方法 |
CN114114408B (zh) * | 2020-08-27 | 2023-12-12 | 中国石油化工股份有限公司 | 一种低序级断层识别方法 |
CN112034512A (zh) * | 2020-09-02 | 2020-12-04 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及系统 |
CN115343763A (zh) * | 2021-05-14 | 2022-11-15 | 中国石油化工股份有限公司 | 基于地震同相轴零相位判别的蚂蚁体属性倾角校正方法 |
CN113419277A (zh) * | 2021-06-21 | 2021-09-21 | 大庆油田有限责任公司 | 一种基于落差梯度属性的地震解释层位的质控方法 |
CN114002739A (zh) * | 2021-11-11 | 2022-02-01 | 中海石油(中国)有限公司 | 基于几何非平行统计属性的边缘检测方法、装置及介质 |
CN114002739B (zh) * | 2021-11-11 | 2024-01-26 | 中海石油(中国)有限公司 | 基于几何非平行统计属性的边缘检测方法、装置及介质 |
CN114186592A (zh) * | 2021-12-14 | 2022-03-15 | 电子科技大学 | 一种基于稀疏编码的vsp地震信号耦合噪声降噪方法 |
CN114186592B (zh) * | 2021-12-14 | 2023-04-07 | 电子科技大学 | 一种基于稀疏编码的vsp地震信号耦合噪声降噪方法 |
CN115880505A (zh) * | 2023-03-08 | 2023-03-31 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108415077B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108415077A (zh) | 新的边缘检测低序级断层识别方法 | |
CN105510964B (zh) | 复杂构造区低级序走滑断层的地震识别方法 | |
Li et al. | A method for low-frequency noise suppression based on mathematical morphology in microseismic monitoring | |
US6735526B1 (en) | Method of combining directional seismic attributes using a supervised learning approach | |
Asjad et al. | A new approach for salt dome detection using a 3D multidirectional edge detector | |
Meldahl et al. | The chimney cube, an example of semi-automated detection of seismic objects by directive attributes and neural networks: Part I; methodology | |
CN104020492B (zh) | 一种三维地震资料的保边滤波方法 | |
CN107356965B (zh) | 基于加权叠加噪音压制策略的反射系数反演储层预测方法 | |
CN105866832B (zh) | 深层致密砂岩气藏的低级序断层的识别方法和装置 | |
Othman et al. | Automated event detection and denoising method for passive seismic data using residual deep convolutional neural networks | |
CN106154327B (zh) | 一种提高隐蔽断层识别精度的方法 | |
CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
CN106054250A (zh) | 基于变频分量扩散滤波融合的地震资料噪声消减方法 | |
CN104977615B (zh) | 一种基于模型统计拾取的深水obc资料多次波压制方法 | |
CN109425891A (zh) | 一种基于地质模型的断裂成像品质检测方法 | |
Rodríguez‐Pradilla et al. | Automated microseismic processing and integrated interpretation of induced seismicity during a multistage hydraulic‐fracturing stimulation, Alberta, Canada | |
MX2014001334A (es) | Sistemas y metodos para detectar ruido del oleaje en un recolector sismico. | |
CN110261905A (zh) | 基于倾角控制的复值相干微断层识别方法 | |
CN112114358B (zh) | 一种基于三维地震资料表征的地下火山通道识别方法 | |
CN109143362A (zh) | 基于共散射角道集的散射波分离方法 | |
CN108508486B (zh) | 一种基于构造演化地层应变的裂缝预测分析方法 | |
CN110727025A (zh) | 一种隐蔽断层的识别方法 | |
Cheng et al. | Multiscale fracture prediction technique via deep learning, seismic gradient disorder, and aberrance: Applied to tight sandstone reservoirs in the Hutubi block, southern Junggar Basin | |
CN114185091A (zh) | 基于频谱分解的蚂蚁体裂缝追踪方法、装置及电子设备 | |
CN109085646A (zh) | 一种基于eps相位体属性的三角洲相叠置砂体识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |