CN109001801A - 基于多次迭代蚁群算法的断层变尺度识别方法 - Google Patents
基于多次迭代蚁群算法的断层变尺度识别方法 Download PDFInfo
- Publication number
- CN109001801A CN109001801A CN201810855375.4A CN201810855375A CN109001801A CN 109001801 A CN109001801 A CN 109001801A CN 201810855375 A CN201810855375 A CN 201810855375A CN 109001801 A CN109001801 A CN 109001801A
- Authority
- CN
- China
- Prior art keywords
- tomography
- ant
- group algorithm
- successive ignition
- tracking
- 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
- 238000003325 tomography Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000011161 development Methods 0.000 claims abstract description 19
- 238000011160 research Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 20
- 230000001427 coherent effect Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 15
- 230000002708 enhancing effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000002844 melting Methods 0.000 claims 1
- 230000008018 melting Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012800 visualization 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
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
本发明提供一种基于多次迭代蚁群算法的断层变尺度识别方法,包括:步骤1,进行地震数据体的预处理;步骤2,根据预处理的地震数据体,运用改进的相干体算法对实际地震资料进行处理;步骤3,运用多次迭代蚁群算法经过多次试验确定不同尺度断层识别的各参数门槛值和权重系数;步骤4,绘制研究区断层平面图;步骤5,推广应用,半定量进行断层变尺度识别。该基于多次迭代蚁群算法的断层变尺度识别方法可以有效的提高断层解释的精度和可靠性,能够满足不同勘探开发阶段对断裂系统解释的要求。
Description
技术领域
本发明涉及地球物理勘探及综合研究领域,特别是涉及到一种基于多次迭代蚁群算法的断层变尺度识别方法。
背景技术
断层解释是油气勘探构造解释的关键,断层解释的精确性和合理性直接影响构造解释的精度。长期以来,研究人员围绕断层系统的精确描述做出了大量的努力,提出并应用了很多的描述方法,成功地从三维地震数据中提取了许多突出断层信息的不连续属性体。当前识别断层的方法主要有以下几类:(1)沿层地震属性识别,包括沿层相干属性、沿层倾角方位角属性、沿层剩余振幅属性等;(2)地震体属性识别,如相干体、方差体、曲率体属性、边缘检测技术、波形分析技术和人工神经网络等;(3)衍生属性识别,如优势频带相干与分频相位分析技术等;(4)综合技术识别,如三维可视化以及虚拟现实技术等。每类方法各有优劣,如相干体技术应用最广泛,能较好地检测发育程度较大的断层具有一定的抑制噪声能力,但其对于小断层或资料品质较差的地震资料,断层检测效果仍不理想。断层追踪的传统方法只是对原始地震数据所能刻画的所有尺度断层综合进行追踪,不具有针对不同级别的断层进行变尺度分析的能力。为此我们发明了一种新的基于多次迭代的蚁群算法对断层进行不同尺度下的识别与描述,以期解决以上技术问题。
发明内容
本发明的目的是提供一种可以有效的提高断层解释的精度和可靠性,能够满足不同勘探开发阶段对断裂系统解释的要求的基于多次迭代蚁群算法的断层变尺度识别方法。
本发明的目的可通过如下技术措施来实现:基于多次迭代蚁群算法的断层变尺度识别方法,该基于多次迭代蚁群算法的断层变尺度识别方法包括:步骤1,进行地震资料的预处理;步骤2,根据预处理的地震资料,运用改进的相干体算法对实际地震资料进行处理;步骤3,运用多次迭代蚁群算法经过多次试验确定不同尺度断层识别的各参数门槛值和权重系数;步骤4,绘制研究区断层平面图;步骤5,推广应用,半定量进行断层变尺度识别。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,首先进行降噪处理,降低噪音的影响,其次进行方差体和边界增强,探测地震上的不连续点,并对不连续进行增强,得到增强的地震数据体。
在步骤1中,所述的地震资料是指经过叠前时间偏移处理或叠后时间偏移处理的地震资料;所述的预处理,为运用解释软件中的地震处理模块,进行构造平滑体的处理,以降低噪音影响,增强反射连续性;随后在构造平滑体的基础上进行方差体处理,探测不连续点,并对不连续点进行强化处理。
在步骤2中,利用改进算法的相干体与倾角体进行融合,得到新的融合属性体,通过调整融合分类阀值的比例,预测断层发育位置这些因素,并按影响因子的大小进行断层分级。
在步骤2中,改进的方法:基于本征结构相干性估计公式为:
式中C3表示改进后的基于本征结构的相干属性,Tr(C)表示协方差矩阵C特征值的和,λmax表示最大本征向量对应的本征值,J表示分析窗口内的地震道的数量,∑Cjj代表了分析时窗口内的所有能量,∑λj代表了分析窗口内所有地震道的所有能量。
在步骤2中,所述的融合属性是在断层增强体的基础上提取的,将改进算法后的相干体与倾角体进行融合,融合公式如下:
f(A)=K1f(Acor)+K2f(Adip),
式中f(A)为融合属性,f(Acor)为相干体属性,K1为相干体属性影响因子,f(Adip)为倾角体属性,K2为倾角体属性影响因子;根据融合属性体提取不同地层的断层平面图,统计断层的断距和断层的发育规模,根据这两个因素将断层进行变尺度分类;分类结果为,如果断层的断距大于15m,发育规模大于20m时定义为大尺度断层;如果断距小于15m,发育规模小于200m时定义为小尺度断层。
在步骤3中,针对断层变尺度分类标准,对断层进行分级描述;由于蚁群算法需要不同参数共同参与控制,所以需对不同尺度下断层的蚁群算法进行门槛值设定;设定的参数包括追踪的方向、追踪步长、正常步数、异常步数、允许偏差数和终止标准;将这些参数进行多次试验寻找出最优参数组合以便得出不同尺度断层识别的最佳迭代次数Nc。
步骤3包括:
(a)进行追踪方向的估计,按照计算范围来分可以分为基于点的方向和基于块的方向;
(b)通过追踪步长、正常步数、异常步数、允许偏差数和终止标准这五个参数来控制蚂蚁的追踪;
(c)确定蚁群算法的最佳参数组合;
(d)运用多次迭代蚁群算法对不同级别断层进行自动追踪描述。
在步骤a中,采用基于块的方向,具体计算方法如下:①以蚂蚁初始点为中心提取一个为w*w的小块;
②运用公式计算小块中每一个数据点的梯度Gx(x,y)和Gy(x,y),式中I(x,y)为该点的属性值;
③运用公式计算此小数据块的梯度:
④用公式计算此数据的主方向:
式中Gx(x,y)和Gy(x,y)表示每个数据点的梯度,I(x,y)、I(x+1,y)、I(x-1,y)表示在(x,y)、(x+1,y)、(x-1,y)点处的属性值,θ表示该组数据的主方向;
通过运用上述计算方法,得到蚂蚁追踪的主方向,以此确定出蚂蚁追踪的搜索范围,增强蚁群追踪的目标性。
在步骤b中,这五个参数是为了增强断层的连续性和改善断层属性的信噪比而设定的,如果蚂蚁在追踪路径是在断层上时,蚂蚁的追踪路径就会较长,否则蚂蚁的追踪进程很快就会被终止,这样就能有效的增强信噪比。
在步骤c中,蚂蚁初始分布范围n直接决定了蚂蚁的数目,也直接决定了所需追踪的时间;对于断距大于15m的大断层为主的工区,分布范围应该选n(15,30),而对于断距小于15m的局部小断裂发育区,分布范围应该选取n(0,15);选择蚂蚁的追踪步长在3-5之间,在不影响分辨率的前提下,提高追踪效率;通过多次试验,最终得出改进的蚁群算法的最佳参数组合。
在步骤d中,选取最佳迭代次数Nc,以运用多次迭代蚁群算法对不同级别断层进行自动追踪描述;最佳迭代次数Nc的确定以实际工区的具体情况为基准。
在步骤4中,根据最佳迭代次数Nc,对研究区进行多次蚂蚁追踪,得到断层平面图,该断层平面图呈现了断裂系统特征,图像清晰,易于进行断面的提取,达到了绘制研究区断层平面图的要求。
在步骤5中,根据所需的不同迭代次数再反推到实际工区中,按照步骤4的方法对多块工区进行半定量的断层变尺度识别。
本发明中的基于多次迭代蚁群算法的断层变尺度识别方法,主要针对目前对不同尺度的断层缺少一种变尺度分析的有效方法而提出的。该方法首先对地震资料进行预处理,得到增强的地震数据体。然后利用改进算法的相干体与倾角体进行融合,得到新的融合属性体,通过调整融合分类阀值的比例,预测断层发育位置等因素,并按影响因子的大小进行断层分级。根据断层变尺度的分类标准,通过多次试验寻找最优的参数组合共同控制蚁群追踪以便得出不同尺度下断层识别的最佳迭代次数Nc。本发明是将蚁群追踪算法进行多种形式的迭代与筛选,选取出适当的属性体,针对不同级别的断层进行变尺度的追踪与描述。结果表明,大尺度的追踪属性体能较好的刻画大尺度断层的展布及其特征,而小尺度的追踪属性体对非连续性细节信息显示更丰富,能够反映出原始数据体不易识别的一些微小断层。因此,该方法可以有效的提高断层解释的精度和可靠性,能够满足不同勘探开发阶段对断裂系统解释的要求。
附图说明
图1为本发明的基于多次迭代蚁群算法的断层变尺度识别方法的—具体实施例的流程图;
图2为本发明的—具体实施例中预处理前的地震剖面图;
图3为本发明的—具体实施例中预处理后的地震剖面图;
图4为本发明的—具体实施例中经过改进的相干算法得到的大尺度断裂系统平面图;
图5为本发明的—具体实施例中经过1次迭代蚁群算法的小尺度断裂系统平面图;
图6为本发明的—具体实施例中经过多次迭代蚁群算法的断裂体系立体展示图;
图7为采用本发明的多次迭代蚂蚁追踪技术的效果图;
图8为传统蚂蚁追踪技术的效果图;
图9为本发明的—具体实施例中过x972井的原始剖面图;
图10为利用本发明对该剖面处理后的断层显示情况的示意图;
图11为本发明的—具体实施例中工区沙三上4砂组顶面构造图;
图12为利用本发明后工区断层平面组合情况的示意图。
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为本发明的基于多次迭代蚁群算法的断层变尺度识别方法的流程图。
在步骤101,进行地震数据体的预处理。首先进行降噪处理,降低噪音的影响,其次进行方差体和边界增强,主要目的是探测地震上的不连续点,并对不连续进行增强。所述的地震资料是指经过叠前时间偏移处理或叠后时间偏移处理的地震资料;所述的预处理,通常是运用解释软件中的地震处理模块,进行构造平滑体的处理,以降低噪音影响,增强反射连续性;随后在构造平滑体的基础上进行方差体处理,探测不连续点,并对不连续点进行强化处理。最终得到处理后的地震数据体以便进行下一步。流程进入到步骤102。
在步骤102,根据预处理的地震数据体,运用改进的相干体算法对实际地震资料进行处理,该方法能够得出分辨率和清晰度更高的结果,为后续的断层自动识别与追踪提供了更为可靠的基础。改进的相干体算法是通过多道本征分解处理来计算波形相似性的一种方法,虽然该算法计算速度较低,但它具有比相似系数算法更高的分辨率。在算法分析中,首先从给定的分析时窗内提取多道地震数据生成样点矢量,由这些矢量构成矩阵:
式中(N,J)表示第N行J列的样本点,d11表示地震数据在第1行第1列生成的样本点矢量,dN*J表示地震数据在第N行J列生成的样本点矢量。
该矩阵对应的协方差矩阵为:
式中,CN*J表示协方差矩阵,N和J分别表示x方向和y方向上的相邻地震道之间的时移量,dnJ表示地震道沿着视倾角处的内插值。
该协方差矩阵是一个对称的半正定矩阵,其所有的本征值大于或等于0。计算协方差矩阵的本征值和本征向量,那么基于本征结构相干性估计可定义为:
式中C3表示改进后的基于本征结构的相干属性,Tr(C)表示协方差矩阵C特征值的和,λmax表示最大本征向量对应的本征值,J表示分析窗口内的地震道的数量,∑Cjj代表了分析时窗口内的所有能量,∑λj代表了分析窗口内所有地震道的所有能量。
改进后的相干体算法计算出的断层附近的相干值更尖锐,分辨率更高,更清晰的反映断层在平面上展布特征。将改进算法的相干体与倾角体进行融合,
融合公式如下:
f(A)=K1f(Acor)+K2f(Adip),
式中f(A)为融合属性,f(Acor)为相干体属性,K1为相干体属性影响因子,f(Adip)为倾角体属性,K2为倾角体属性影响因子。
融合算法如下:对相干体和倾角体进行分类函数f(x)的运算,计算分类的阀值,按照最优化原则,即该阀值能将属性中的不同分类正确地分开,并且折中考虑使样本错分率最小和分类间隔最大。不断修改分类阀值,直到不同分类中的样本点误差都收敛至可接受的范围内。通过融合的属性体,预测断层的发育位置、发育规模,并分析断层的断距大小,综合考虑以上因素最终将断层进行分级。分级结果为:大尺度断层=if{H>15m,Scale>200m},即如果断层的断距大于15m,发育规模大于200m时定义为大尺度断层;小尺度断层=if{H<15m,Scale<200m},即如果断距小于15m,发育规模小于200m时定义为小尺度断层。
在步骤103,运用多次迭代蚁群算法经过多次试验确定不同尺度断层识别的各参数门槛值和权重系数。针对断层变尺度分类标准,对断层进行分级描述。由于蚁群算法需要不同参数共同参与控制,所以需对不同尺度下断层的蚁群算法进行门槛值设定。设定的参数包括追踪的方向、追踪步长、正常步数、异常步数、允许偏差数和终止标准等。这几个参数主要是为了增强断层的连续性和改善断层属性的信噪比而设定的,如果蚂蚁的追踪路径是在断层上时,蚂蚁的追踪路径就会较长,否则蚂蚁的追踪进程很快就会被终止,这样就可以有效的增强信噪比。将这些参数进行多次试验寻找出最优参数组合以便得出不同尺度断层识别的最佳迭代次数Nc。
在该步骤主要的关键点有4个:(1)首先要进行追踪方向的估计,按照计算范围来分可以分为基于点的方向和基于块的方向,本发明采用基于块的方向,具体计算方法如下:①以蚂蚁初始点为中心提取一个为w*w的小块。
②运用公式计算小块中每一个数据点的梯度Gx(x,y)和Gy(x,y),式中I(x,y)为该点的属性值。
③运用公式计算此小数据块的梯度:
④用公式计算此数据的主方向:
式中Gx(x,y)和Gy(x,y)表示每个数据点的梯度,I(x,y)、I(x+1,y)、I(x-1,y)表示在(x,y)、(x+1,y)、(x-1,y)点处的属性值,θ表示该组数据的主方向。
最终得到蚂蚁追踪的主方向,确定出蚂蚁追踪的搜索范围,增强蚁群追踪的目标性。
(2)通过追踪步长、正常步数、异常步数、允许偏差数和终止标准这五个参数来控制蚂蚁的追踪。这几个参数主要是为了增强断层的连续性和改善断层属性的信噪比而设定的,如果蚂蚁在追踪路径是在断层上时,蚂蚁的追踪路径就会较长,否则蚂蚁的追踪进程很快就会被终止,这样就可以有效的增强信噪比。
(3)确定蚁群算法的最佳参数组合。蚂蚁初始分布范围n直接决定了蚂蚁的数目,也直接决定了所需追踪的时间。对于断距大于15m的大断层为主的工区,分布范围应该选n(15,30),而对于断距小于15m的局部小断裂发育区,分布范围应该选取n(0,15)。蚂蚁的追踪步长选择在3-5之间比较合适,在不影响分辨率的前提下,大大提高追踪效率。通过多次试验,最终得出改进的蚁群算法的最佳参数组合。
(4)运用多次迭代蚁群算法对不同级别断层进行自动追踪描述。蚂蚁追踪有两种方式,分别为被动蚂蚁追踪和主动蚂蚁追踪,被动蚂蚁追踪是一种保守的估计断层的方法,只会沿着信号较强的方向进行估计,对于区域断层估计比较有效,主动蚂蚁追踪允许蚂蚁以更加灵活的方式去探测断层,对于探测主要大断层和小断层比较有效。但是仅仅使用一次被动追踪或者主动追踪往往无法获得比较好的效果,所以本发明采用了多次迭代法进行进一步研究。该方法的关键是选取最佳迭代次数Nc,合理的迭代次数可以获得较好的追踪结果。最佳迭代次数的获得需要进行多次反复试验,对于大尺度断层发育的区域,迭代次数不宜过多,而对于小尺度断层发育区域,应多进行几次的迭代运算,通过多次迭代的蚁群算法,能够将细小断层追踪出来,但如果次数过多,则会造成许多假象,将地层倾角的影响错误的判断为断层。最佳迭代次数Nc的确定应该以实际工区的具体情况为基准。
在步骤104,绘制研究区断层平面图;首先,对研究区进行第一次被动蚂蚁追踪,此次追踪是一种保守的估计断层的方法,只会沿着信号较强的方向进行估计,对于区域断层估计比较有效。从第一次的追踪效果图上可以看出,追踪出来的蚂蚁体比较破碎,连续性差,还会出现干扰断层,所以不能达到断层描述的要求,需要进行第二次追踪。第二次追踪是在第一次追踪的基础之上,采用主动蚂蚁追踪的方式,此种方式允许蚂蚁以更加灵活的方式去探测断层,对于探测断距较小的局部小断裂比较有效。通过进行第二次追踪,追踪效果得到了较大的提高,但仍未完全去除干扰断层的影响,效果需进一步提高。因此,在二次追踪的基础上进行第三次的蚂蚁追踪,此次追踪采用被动追踪方式,以期去掉杂乱断层的干扰。通过三次迭代后的蚂蚁追踪出的断层平面图,极大地呈现了断裂系统特征,图像清晰,比较容易进行断面的提取,达到了绘制研究区断层平面图的要求。该研究区的最佳迭代次数为2次。
在步骤105,推广应用,半定量进行断层变尺度识别。通过步骤104,表明研究区的蚂蚁算法的最佳迭代次数为2次,通过2次的迭代处理后,最终得到的蚂蚁体切片可以满足绘制断层平面图的要求,该方法即能将大于15m的大断层进行良好的识别,也能将断距小于15m的小断层进行区分,具有良好的推广应用价值。因此,本次研究又选取了另外三块工区进行试验,通过多次试验得出结论,这三块工区的最佳迭代次数分别是2次、4次和3次。根据所需的不同迭代次数再反推到实际工区中,按照步骤4的方法可对这三块工区进行半定量的断层变尺度识别。
按照上述流程图1,可得到研究区基于多次迭代蚁群算法的断层变尺度识别的最终方法。在该方法中,首先要对地震数据体进行预处理,图2为预处理之前的原始剖面,通过降噪处理,降低噪音的影响,并进行方差体和边界增强,目的是增强地震上不连续点。图3为处理后的地震剖面,该剖面与图2相比较,增强了地震同相轴的连续性,可以更准确的识别断点。
根据预处理的地震数据体(图3),并运用改进的相干体算法对实际地震资料进行处理,在处理过程中,不断的修改分类阀值,直到不同分类中的样本点误差都收敛至可接受的范围内,通过融合的属性体,预测断层的发育位置和发育规模,得到图4所示的研究区内大尺度断层发育平面图,识别出的断层断距大于15m,发育规模大于200m。通过图4可以对研究区的断层发育情况大致了解。
完成以上各项前期工作后,即可开展更细致的小尺度断层描述工作,运用多次迭代蚁群算法经过多次试验确定小尺度断层识别的各参数门槛值和权重系数。首先,对研究区进行第一次被动蚂蚁追踪,此次追踪是一种保守的估计断层的方法,只会沿着信号较强的方向进行估计,对于区域断层估计比较有效。从第一次的追踪效果图上可以看出,追踪出来的蚂蚁体比较破碎,连续性差,还会出现干扰断层,所以不能达到断层描述的要求,需要进行第二次追踪(图5)。第二次追踪是在第一次追踪的基础之上,即为第一次迭代追踪,采用主动蚂蚁追踪的方式,此种方式允许蚂蚁以更加灵活的方式去探测断层,对于探测断距较小的局部小断裂比较有效。通过进行第二次追踪,追踪效果得到了较大的提高,但仍未完全去除干扰断层的影响,效果需进一步提高。因此,在二次追踪的基础上进行第三次的蚂蚁追踪,此次追踪采用被动追踪方式,以期去掉杂乱断层的干扰。通过三次迭代后的蚂蚁追踪出的断层平面图,极大地呈现了断裂系统特征(图6),图像清晰,比较容易进行断面的提取,达到了绘制研究区断层平面图的要求(图7)。将运用多次迭代蚁群算法的所识别出的断层平面图与传统蚂蚁追踪方法得到的效果图相对比(图8)可以看出,新方法明显优于传统方法,无论是大尺度还是小尺度断层均能较易识别出。
运用该方法,对研究区实钻井x972进一步分析。图9为x972井的原始剖面图,从剖面上看,x972北部地震轴仅轻微扭动并不能解释为小断层。通过运用新方法对该地震剖面进行了重新处理(图10),图10中可以较清楚的辨别出x972北部的微小断层。以此为解释依据,可将工区沙三上4砂组顶面构造成图(图11)。图12为利用本发明后工区断层平面组合情况的示意图。
Claims (14)
1.基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,该基于多次迭代蚁群算法的断层变尺度识别方法包括:
步骤1,进行地震资料的预处理;
步骤2,根据预处理的地震资料,运用改进的相干体算法对实际地震资料进行处理;
步骤3,运用多次迭代蚁群算法经过多次试验确定不同尺度断层识别的各参数门槛值和权重系数;
步骤4,绘制研究区断层平面图;
步骤5,推广应用,半定量进行断层变尺度识别。
2.根据权利要求1所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤1中,首先进行降噪处理,降低噪音的影响,其次进行方差体和边界增强,探测地震上的不连续点,并对不连续进行增强,得到增强的地震数据体。
3.根据权利要求1所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤1中,所述的地震资料是指经过叠前时间偏移处理或叠后时间偏移处理的地震资料;所述的预处理,为运用解释软件中的地震处理模块,进行构造平滑体的处理,以降低噪音影响,增强反射连续性;随后在构造平滑体的基础上进行方差体处理,探测不连续点,并对不连续点进行强化处理。
4.根据权利要求1所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤2中,利用改进算法的相干体与倾角体进行融合,得到新的融合属性体,通过调整融合分类阀值的比例,预测断层发育位置这些因素,并按影响因子的大小进行断层分级。
5.根据权利要求4所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤2中,改进的方法:基于本征结构相干性估计公式为:
式中C3表示改进后的基于本征结构的相干属性,Tr(C)表示协方差矩阵C特征值的和,λmax表示最大本征向量对应的本征值,J表示分析窗口内的地震道的数量,∑Cjj代表了分析时窗口内的所有能量,∑λj代表了分析窗口内所有地震道的所有能量。
6.根据权利要求5所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤2中,所述的融合属性是在断层增强体的基础上提取的,将改进算法后的相干体与倾角体进行融合,融合公式如下:
f(A)=K1f(Acor)+K2f(Adip)
式中f(A)为融合属性,f(Acor)为相干体属性,K1为相干体属性影响因子,f(Adip)为倾角体属性,K2为倾角体属性影响因子;根据融合属性体提取不同地层的断层平面图,统计断层的断距和断层的发育规模,根据这两个因素将断层进行变尺度分类;分类结果为,如果断层的断距大于15m,发育规模大于20m时定义为大尺度断层;如果断距小于15m,发育规模小于200m时定义为小尺度断层。
7.根据权利要求1所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤3中,针对断层变尺度分类标准,对断层进行分级描述;由于蚁群算法需要不同参数共同参与控制,所以需对不同尺度下断层的蚁群算法进行门槛值设定;设定的参数包括追踪的方向、追踪步长、正常步数、异常步数、允许偏差数和终止标准;将这些参数进行多次试验寻找出最优参数组合以便得出不同尺度断层识别的最佳迭代次数Nc。
8.根据权利要求7所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,步骤3包括:
(a)进行追踪方向的估计,按照计算范围来分可以分为基于点的方向和基于块的方向;
(b)通过追踪步长、正常步数、异常步数、允许偏差数和终止标准这五个参数来控制蚂蚁的追踪;
(c)确定蚁群算法的最佳参数组合;
(d)运用多次迭代蚁群算法对不同级别断层进行自动追踪描述。
9.根据权利要求8所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤a中,采用基于块的方向,具体计算方法如下:①以蚂蚁初始点为中心提取一个为w*w的小块;
②运用公式计算小块中每一个数据点的梯度Gx(x,y)和Gy(x,y),式中I(x,y)为该点的属性值;
③运用公式计算此小数据块的梯度:
④用公式计算此数据的主方向:
式中Gx(x,y)和Gy(x,y)表示每个数据点的梯度,I(x,y)、I(x+1,y)、I(x-1,y)表示在(x,y)、(x+1,y)、(x-1,y)点处的属性值,θ表示该组数据的主方向;
通过运用上述计算方法,得到蚂蚁追踪的主方向,以此确定出蚂蚁追踪的搜索范围,增强蚁群追踪的目标性。
10.根据权利要求8所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤b中,这五个参数是为了增强断层的连续性和改善断层属性的信噪比而设定的,如果蚂蚁在追踪路径是在断层上时,蚂蚁的追踪路径就会较长,否则蚂蚁的追踪进程很快就会被终止,这样就能有效的增强信噪比。
11.根据权利要求8所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤c中,蚂蚁初始分布范围n直接决定了蚂蚁的数目,也直接决定了所需追踪的时间;对于断距大于15m的大断层为主的工区,分布范围应该选n(15,30),而对于断距小于15m的局部小断裂发育区,分布范围应该选取n(0,15);选择蚂蚁的追踪步长在3-5之间,在不影响分辨率的前提下,提高追踪效率;通过多次试验,最终得出改进的蚁群算法的最佳参数组合。
12.根据权利要求8所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤d中,选取最佳迭代次数Nc,以运用多次迭代蚁群算法对不同级别断层进行自动追踪描述;最佳迭代次数Nc的确定以实际工区的具体情况为基准。
13.根据权利要求1所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤4中,根据最佳迭代次数Nc,对研究区进行多次蚂蚁追踪,得到断层平面图,该断层平面图呈现了断裂系统特征,图像清晰,易于进行断面的提取,达到了绘制研究区断层平面图的要求。
14.根据权利要求1所述的基于多次迭代蚁群算法的断层变尺度识别方法,其特征在于,在步骤5中,根据所需的不同迭代次数再反推到实际工区中,按照步骤4的方法对多块工区进行半定量的断层变尺度识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810855375.4A CN109001801B (zh) | 2018-07-30 | 2018-07-30 | 基于多次迭代蚁群算法的断层变尺度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810855375.4A CN109001801B (zh) | 2018-07-30 | 2018-07-30 | 基于多次迭代蚁群算法的断层变尺度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109001801A true CN109001801A (zh) | 2018-12-14 |
CN109001801B CN109001801B (zh) | 2021-03-19 |
Family
ID=64597903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810855375.4A Active CN109001801B (zh) | 2018-07-30 | 2018-07-30 | 基于多次迭代蚁群算法的断层变尺度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001801B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728228A (zh) * | 2019-10-09 | 2020-01-24 | 西北大学 | 一种基于蚁群跟踪算法的地震波图像断层识别方法 |
CN112444859A (zh) * | 2019-08-27 | 2021-03-05 | 中国石油天然气集团有限公司 | 协同异变蚂蚁体的页岩储层断裂识别方法及系统 |
CN112649860A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 一种基于连续蚁群算法的层速度反演方法及系统 |
CN112649868A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 基于蚁群优化算法的断层自动识别方法及系统 |
CN113138413A (zh) * | 2020-01-20 | 2021-07-20 | 中国石油天然气股份有限公司 | 储层边界识别方法、装置、介质及设备 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106074A1 (en) * | 2010-09-30 | 2015-04-16 | Schlumberger Technology Corporation | Box counting enhanced modeling |
CN104933208A (zh) * | 2014-02-21 | 2015-09-23 | 中国石油化工股份有限公司 | 一种不同尺度裂缝油藏数值模拟综合处理方法 |
CN105068141A (zh) * | 2015-06-11 | 2015-11-18 | 中国石油天然气股份有限公司 | 确定断缝系统的岩溶储层分布的方法和装置 |
CN106569267A (zh) * | 2016-10-14 | 2017-04-19 | 中国石油大学(北京) | 一种致密低渗透储层多尺度裂缝模型及建模方法 |
US10139508B1 (en) * | 2016-03-24 | 2018-11-27 | EMC IP Holding Company LLC | Methods and apparatus for automatic identification of faults on noisy seismic data |
-
2018
- 2018-07-30 CN CN201810855375.4A patent/CN109001801B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106074A1 (en) * | 2010-09-30 | 2015-04-16 | Schlumberger Technology Corporation | Box counting enhanced modeling |
CN104933208A (zh) * | 2014-02-21 | 2015-09-23 | 中国石油化工股份有限公司 | 一种不同尺度裂缝油藏数值模拟综合处理方法 |
CN105068141A (zh) * | 2015-06-11 | 2015-11-18 | 中国石油天然气股份有限公司 | 确定断缝系统的岩溶储层分布的方法和装置 |
US10139508B1 (en) * | 2016-03-24 | 2018-11-27 | EMC IP Holding Company LLC | Methods and apparatus for automatic identification of faults on noisy seismic data |
CN106569267A (zh) * | 2016-10-14 | 2017-04-19 | 中国石油大学(北京) | 一种致密低渗透储层多尺度裂缝模型及建模方法 |
Non-Patent Citations (3)
Title |
---|
乐友喜 等: "三参数小波多尺度蚂蚁追踪技术研究与应用", 《物探化探计算技术》 * |
苑书金: "地震相干体技术的研究综述", 《勘探地球物理进展》 * |
赵伟: "基于蚁群算法的三维地震断层识别方法研究", 《中国优秀硕士学位论文全文数据库•信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444859A (zh) * | 2019-08-27 | 2021-03-05 | 中国石油天然气集团有限公司 | 协同异变蚂蚁体的页岩储层断裂识别方法及系统 |
CN110728228A (zh) * | 2019-10-09 | 2020-01-24 | 西北大学 | 一种基于蚁群跟踪算法的地震波图像断层识别方法 |
CN110728228B (zh) * | 2019-10-09 | 2023-05-09 | 西北大学 | 一种基于蚁群跟踪算法的地震波图像断层识别方法 |
CN112649860A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 一种基于连续蚁群算法的层速度反演方法及系统 |
CN112649868A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 基于蚁群优化算法的断层自动识别方法及系统 |
CN113138413A (zh) * | 2020-01-20 | 2021-07-20 | 中国石油天然气股份有限公司 | 储层边界识别方法、装置、介质及设备 |
CN113138413B (zh) * | 2020-01-20 | 2024-01-30 | 中国石油天然气股份有限公司 | 储层边界识别方法、装置、介质及设备 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109001801B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001801A (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
Blakely et al. | Evidence for short geomagnetic polarity intervals in the early Cenozoic | |
CN110441819B (zh) | 一种基于均值偏移聚类分析的地震初至波自动拾取方法 | |
CN104181596B (zh) | 地质层位自动追踪方法及装置 | |
CN105223576B (zh) | 一种基于单矢量潜标的线谱信号目标自动检测方法 | |
US8566069B2 (en) | Method for geologically modeling seismic data by trace correlation | |
RU2012152447A (ru) | Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных | |
NO334533B1 (no) | Fremgangsmåte for avbildning av diskontinuiteter i seismiske data ved bruk av inklinasjons-styring | |
CN105676291B (zh) | 一种基于同相轴优化追踪的多次波匹配衰减方法 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN111582380A (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
CN111381275A (zh) | 一种地震数据的初至拾取方法和装置 | |
CN106569272B (zh) | 一种基于数据性质空间升维的地震属性融合方法 | |
CN112541441A (zh) | 一种融合相关滤波的gm-phd视频多目标跟踪方法 | |
CN109164485A (zh) | 一种影响低序级断层识别精度的定量分析方法 | |
CN108490491A (zh) | 一种基于波形指示反演的滩体预测方法 | |
CN110261905A (zh) | 基于倾角控制的复值相干微断层识别方法 | |
CN113269121B (zh) | 一种基于融合cnn模型的渔船捕捞状态识别方法 | |
CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
Wang et al. | MSSPN: Automatic First Arrival Picking using Multi-Stage Segmentation-Picking Network | |
CN110954958A (zh) | 裂缝与断层的预测方法及系统 | |
CN114488297A (zh) | 一种断层识别方法及装置 | |
CN116201535B (zh) | 油气藏目标井标志地层自动划分方法、装置及设备 | |
Bois | Determination of the nature of reservoirs by use of pattern recognition algorithm with prior learning | |
Wang et al. | Automatic stack velocity picking using an unsupervised ensemble learning method |
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 |