CN109001799B - 一种自动识别异常道的方法及系统 - Google Patents
一种自动识别异常道的方法及系统 Download PDFInfo
- Publication number
- CN109001799B CN109001799B CN201710422874.XA CN201710422874A CN109001799B CN 109001799 B CN109001799 B CN 109001799B CN 201710422874 A CN201710422874 A CN 201710422874A CN 109001799 B CN109001799 B CN 109001799B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- trace
- seismic
- abnormal
- mean square
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
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
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/123—Passive source, e.g. microseismics
- G01V2210/1232—Earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/123—Passive source, e.g. microseismics
- G01V2210/1234—Hydrocarbon reservoir, e.g. spontaneous or induced fracturing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/129—Source location
- G01V2210/1299—Subsurface, e.g. in borehole or below weathering layer or mud line
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/14—Signal detection
- G01V2210/142—Receiver location
- G01V2210/1425—Land surface
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/65—Source localisation, e.g. faults, hypocenters or reservoirs
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出了一种自动识别异常道的方法及系统,所述方法包括:计算地震记录中每一道的均方根振幅;将地震道的所述均方根振幅取对数;计算对数均方根振幅的均值和标准差;将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。本发明方法能够自动识别出地震道中的强振幅异常道,其基于统计学拉依达准则识别异常值,理论严谨可靠且操作流程简单实用,为微地震事件识别提供了帮助。
Description
技术领域
本申请涉及地面微地震资料预处理及事件识别领域,具体地址,涉及一种基于拉依达准则的异常道识别方法及系统。
背景技术
微地震监测主要监听的是水力压裂造成岩石破裂而发射的地震波,是评价非常规储层压裂改造效果的有效技术手段。地面微地震监测常采用阵列方式进行观测,复杂地表环境以及检波器耦合问题,对采集的数据造成很大的影响,进而可能产生异常道。地面监测微地震资料信噪比很低,微地震事件识别困难,振幅异常道更给微地震事件识别增加了难度。
目前,地震数据的异常道识别主要是由人工肉眼进行识别剔除,存在人为因素引入的误差。地面监测另一特点是多井分段压裂,且观测时间较长,因此采集的数据量很大。庞大的采集数据给人工识别异常道带来了巨大的工作量、且这种工作方式效率低下。显然,依靠人工识别异常道不能满足微地震资料处理的要求。如何快速、有效的识别微地震数据中的异常地震道已成为迫切需要研究的重要问题。
在高密度地震勘探技术中,人们研发了两种异常道自动识别方法:人工神经网络方法和聚类分析方法。这两种方法算法复杂,计算量大,耗时。为了解决地面微地震监测的振幅异常道识别问题,本领域急需一种新的异常道自动识别方法。
发明内容
地面监测微地震资料信噪比很低,振幅异常道即使经过高次数叠加仍会给微地震事件识别增加难度。为了解决现有技术的问题,本发明借鉴统计学原理,给出了基于拉依达准则的自动识别异常道方法,具有现实意义。
根据本发明的一个方面,提供一种自动识别异常道的方法,所述方法包括:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
进一步地,计算地震记录中每一道的均方根振幅,计算表达式为:
式中N为地震道的采样点个数,ai为地震道上第i个采样点的振幅。
进一步地,将地震道的所述均方根振幅取对数,对数均方根振幅满足正态分布,适用拉依达准则进行异常值识别。
进一步地,对数均方根振幅的均值计算公式如下:
式中xi表示第i道的对数均方根振幅。
进一步地,对数均方根振幅的标准差计算公式如下:
式中xi表示第i道的对数均方根振幅。
根据本发明的另一个方面,提供一种自动识别异常道的系统,所述系统包括:存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
根据本发明的又一个方面,提供一种记录介质,所述记录介质中存储有计算机可执行指令;所述计算机可执行指令运行时,执行以下步骤:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
本发明能够自动识别出地震道中的强振幅异常道,其基于统计学拉依达准则识别异常值,理论严谨可靠且操作流程简单实用,为微地震事件识别提供了帮助。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了地面微地震监测观测系统示意图。
图2示出了监测地震记录。
图3(a)示出了均方根振幅统计分布图,图3(b)示出了对数均方根振幅统计分布图。
图4(a)示出了监测记录,图4(b)示出了叠加记录。
图5(a)示出了异常道识别后的监测记录,图5(b)示出了叠加记录。
图6示出了本发明自动识别异常道的方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本发明针对微地震振幅异常道识别问题,提出了基于拉依达准则的自动识别异常道方法。
具体地,如图6所示,本发明公开一种自动识别异常道的方法,所述方法包括:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
首先,计算地震记录中每一道的均方根振幅。
均方根振幅是地震解释中常用的振幅属性,是评价地震道振幅的有效参数。因此,本发明采用均方分振幅衡量地震道的振幅。均方根振幅(RMS Amplitude)是将振幅平方的平均值再开平方,其计算表达式为
N为地震道的采样点个数,ai为地震道上第i个采样点的振幅。
然后,将地震道的均方根振幅取对数。拉依达准则认为数据总体服从正态分布,地震道的均方根振幅不符合这一假设前提,通过将其进行取对数,对数均方根振幅满足正态分布,在此基础上才能采用拉依达准则进行异常值识别。
进一步地,计算上一步的对数均方根振幅的均值和标准差,其中:
均值计算公式如下:
标准差计算公式如下:
式中xi表示第i道的对数均方根振幅。
标准差是统计学的常用参数,是衡量样本与均值的偏离程度,是异常值剔除常用的参数。标准差是一组数值自平均值分散开来的程度的一种测量观念。一个较大的标准差,代表大部分的数值和其平均值之间差异较大;一个较小的标准差,代表这些数值较接近平均值。
将对数均方根振幅与均值的偏差超过标准差的认为是异常值。这里由于强振幅地震道才是异常道,因此是将对数均方根振幅与均值的正向偏差大于标准差的视为异常值,其对应的地震道为异常道,反之,为正常道。
根据本发明的另一个方面,提供一种自动识别异常道的系统,所述系统包括:存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
根据本发明的又一个方面,提供一种记录介质,所述记录介质中存储有计算机可执行指令;所述计算机可执行指令运行时,执行以下步骤:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
为便于理解本发明实施例的方案及其效果,以下给出一个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
选取涪陵某工区地面监测微地震资料进行试验。图1为观测系统图,共有11条接收测线呈放射状布设,1848个检波器接收。原始地震记录如图2所示,强振幅道为白色线状。图3(a)中可以发现,整个地震记录的均方根振幅分布范围较广且不均匀,大多数地震道的均方根振幅较小。统计分析中的拉依达准则是基于观测数据量大且符合正态分布的假设,而我们的观测数据多达1848个,符合观测数据量大的特点,但是图3(a)显然不符合正态分布规律。经过分析,我们发现对数均方根振幅分布(如图3(b)所示)近似满足正态分布。因此,我们通过将均方根振幅转化到对数域,在对数域进行异常值识别。异常道识别后的结果如图4所示,图4(a)中黑色短线代表地震记录中该道为异常道,分析发现,本发明可以识别出强振幅异常道,且基本满足要求,图4(b)为原始地震记录的叠加道。将异常道识别后,我们将其剔除(设为空道,用零填充),剔除后的地震记录如图5(a)所示,其叠加记录如图5(b)所示。叠加记录通常可以作为微地震事件识别的依据,仔细观察图2可以发现,在750ms左右有个弱微地震事件存在,而在图4(b)中,我们很难识别出微地震事件,经过异常道剔除后,我们在图5(b)中可以通过算法识别出微地震事件。
综上所述,本发明能够自动识别出地震道中的强振幅异常道,其基于统计学拉依达准则识别异常值,理论严谨可靠且操作流程简单实用,为微地震事件识别提供了帮助。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种自动识别异常道的方法,其特征在于,所述方法包括:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
3.根据权利要求1所述的自动识别异常道的方法,其特征在于,将地震道的所述均方根振幅取对数,对数均方根振幅满足正态分布,适用拉依达准则进行异常值识别。
6.一种自动识别异常道的系统,其特征在于,所述系统包括:
存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:
计算地震记录中每一道的均方根振幅;
将地震道的所述均方根振幅取对数;
计算对数均方根振幅的均值和标准差;
将所述对数均方根振幅与所述均值作比较,偏差超过所述标准差的为异常值,其对应的地震道为异常道。
8.根据权利要求6所述的自动识别异常道的系统,其特征在于,将地震道的所述均方根振幅取对数,对数均方根振幅满足正态分布,适用拉依达准则进行异常值识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710422874.XA CN109001799B (zh) | 2017-06-07 | 2017-06-07 | 一种自动识别异常道的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710422874.XA CN109001799B (zh) | 2017-06-07 | 2017-06-07 | 一种自动识别异常道的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109001799A CN109001799A (zh) | 2018-12-14 |
CN109001799B true CN109001799B (zh) | 2020-06-23 |
Family
ID=64573072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710422874.XA Active CN109001799B (zh) | 2017-06-07 | 2017-06-07 | 一种自动识别异常道的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001799B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114391B (zh) * | 2020-09-01 | 2023-08-22 | 中国石油天然气股份有限公司 | 地震数据负面样本识别方法及装置 |
CN112162041A (zh) * | 2020-09-30 | 2021-01-01 | 陕西师范大学 | 一种基于幅度均方根值的高斯分布识别金属材料的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7149630B2 (en) * | 2005-01-13 | 2006-12-12 | Bp Corporation North America Inc. | Method of DMO calculation for use in seismic exploration |
WO2012146894A2 (en) * | 2011-04-26 | 2012-11-01 | Kenneth Rayvenor Lusty Armitage | Oil & gas exploration and production |
CN104316963A (zh) * | 2014-10-21 | 2015-01-28 | 中国石油天然气股份有限公司 | 一种异常道识别方法 |
CN106199705B (zh) * | 2015-05-05 | 2018-08-03 | 中国石油化工股份有限公司 | 地震勘探采集数据的检测方法 |
-
2017
- 2017-06-07 CN CN201710422874.XA patent/CN109001799B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109001799A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | PhasePApy: A robust pure Python package for automatic identification of seismic phases | |
Verdon et al. | Microseismic monitoring using a fiber-optic distributed acoustic sensor array | |
Thingbaijam et al. | Evidence for truncated exponential probability distribution of earthquake slip | |
Yang et al. | Simultaneous earthquake detection on multiple stations via a convolutional neural network | |
GB2590555A (en) | Methods for characterizing and evaluating well integrity using unsupervised machine learning of acoustic data | |
US20140334260A1 (en) | Neural Network Signal Processing of Microseismic Events | |
US11604298B2 (en) | Subsurface fault extraction using undirected graphs | |
CN109001799B (zh) | 一种自动识别异常道的方法及系统 | |
Li et al. | Automatic event detection on noisy microseismograms | |
CN109492775B (zh) | 一种地质构造解释的检测方法,检测装置及可读存储介质 | |
CN105067101A (zh) | 振源识别的基于振动信号的基音频率特征的提取方法 | |
CN107402405B (zh) | 静相位虚源道集构建方法 | |
AU2017366758A1 (en) | Diving wave illumination using migration gathers | |
Chamarczuk et al. | Unsupervised learning used in automatic detection and classification of ambient‐noise recordings from a large‐N array | |
Song et al. | MEANet: Magnitude estimation via physics-based features time series, an attention mechanism, and neural networks | |
CN113989657B (zh) | 基于不变信息样本筛选的耕地范围变化检测方法及装置 | |
CN103914373A (zh) | 一种用于确定模块特征信息所对应的优先级的方法和设备 | |
CN109001798B (zh) | 一种自动识别异常道的方法及系统 | |
CN111123361B (zh) | 垂直地震剖面地震数据规则化重建方法及装置、存储介质 | |
CN106685926A (zh) | 信息系统安全等级测评方法和系统 | |
CN112782758A (zh) | 稀疏采样观测系统的状态确定方法和装置 | |
US20170183962A1 (en) | Identifying Formation Layer Boundaries on Well Log Measurements | |
AU2021100172A4 (en) | Iot based solar energy detection with crescent dunes | |
CN115292660B (zh) | 一种自适应迭代的位场分离方法、系统、设备及计算机可读存储介质 | |
CN113311426A (zh) | 一种用于确定滑坡发生概率的方法及系统 |
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 |