CN109272029B - 井控稀疏表征大规模谱聚类地震相划分方法 - Google Patents
井控稀疏表征大规模谱聚类地震相划分方法 Download PDFInfo
- Publication number
- CN109272029B CN109272029B CN201811010363.8A CN201811010363A CN109272029B CN 109272029 B CN109272029 B CN 109272029B CN 201811010363 A CN201811010363 A CN 201811010363A CN 109272029 B CN109272029 B CN 109272029B
- Authority
- CN
- China
- Prior art keywords
- data
- points
- matrix
- spectral clustering
- seismic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种井控稀疏表征大规模谱聚类地震相划分方法,包括以下步骤:S1、输入测井数据和测井数据所对应的岩相标签;S2、输入地震数据所得属性体,对该数据按照地震数据采样方式进行网格化,将网格化坐标进行随机采样,得到k个采样点及其对应的属性曲线;S3、以测井数据作为标签数据,采用支持向量机或神经网络方法训练分类器;S4、以随机选择点和测井数据点作为地标点,进行基于地标点的谱聚类操作,可得到井控谱聚类地震相划分结果。本发明在基于地标点的大规模数据谱聚类方法中,通过加入测井(钻井)数据作为地标点,可以明确谱聚类方法应用于地震相划分的地质含义,提高地震相划分精度。
Description
技术领域
本发明属于石油勘探技术领域,特别涉及一种井控稀疏表征大规模谱聚类地震相划分方法。
背景技术
油藏描述的核心技术是随机建模。随机建模就是利用计算机,以地质统计学为基础,结合三维可视化技术,将储层的空间结构真实的展示出来。由于测井数据、地震资料等原始数据的局限性,使得对地下的复杂结构的认知具有一定程度的不确定性。
传统的地质建模技术以测井数据为核心,辅以地震资料、层位解释数据等,在建立合适的变差函数之后使用序贯模拟、指示模拟等方法建立随机模型。若在此过程中运用地震相分析技术提前对区域进行分类,在不同地震相区域上单独建模,并且充分利用测井数据和地震资料,就可以更好的反映真实的地质情况。
谱聚类方法是近年来一种流行的机器学习聚类方法,对数据可以进行有效的聚类。谱聚类方法应用于对地震相的分类,可以取得与实际地震资料吻合的结果。因此有足够理由相信,谱聚类方法将成为地震相划分技术中一种重要、有效的方法。但是地震相划分中如果直接采用谱聚类方法不具有直观的地质意义,难以解释。
发明内容
本发明的目的在于克服现有技术的不足,提供一种在基于地标点的大规模数据谱聚类方法中,通过加入测井(钻井)数据作为地标点,可以明确谱聚类方法应用于地震相划分的地质含义,提高地震相划分精度的井控稀疏表征大规模谱聚类地震相划分方法。
本发明的目的是通过以下技术方案来实现的:井控稀疏表征大规模谱聚类地震相划分方法,包括以下步骤:
S1、输入测井数据和测井数据所对应的岩相标签;
S2、输入地震数据所得属性体,对该数据按照地震数据采样方式进行网格化,将网格化坐标进行随机采样,得到k个采样点及其对应的属性曲线,随机采样点不包含井点所在位置;
S3、以测井数据作为标签数据,采用支持向量机或神经网络方法训练分类器,并将该分类器用于对前述步骤随机选择点位置提取出的曲线进行分类操作;
S4、以随机选择点和测井数据点作为地标点,进行基于地标点的谱聚类操作,可得到井控谱聚类地震相划分结果。
进一步地,所述步骤S4具体实现方法为:选择一定数量代表性数据点作为地标,并将原始数据点表示为这些地标的稀疏线性组合;然后利用基于地标的稀疏表示来高效地计算谱聚类中的特征向量从而加速谱聚类;具体包括以下子步骤:
S41、设计具有如下属性的邻接矩阵:W=ZTZ,其中Z∈Rp×n是稀疏的且p远小于n;
S42、导出Z,在O(p3+p2n)中计算图拉普拉斯矩阵的特征向量;Z的每一列都是原始输入相对于新基向量组U的p维表示;因此,W=ZTZ是用新的表示法表示的数据X=UZ的相似矩阵;
S43、对于任一数据点,近似表示成
其中uj是U矩阵的第j个列向量,zji是矩阵Z的第j行i列的元素;用下式计算zji,
上式中K是一个计算相似度的核函数;
S44、通过SVD方法分解矩阵:
Z=A∑BT,
中间矩阵为p乘p对角矩阵,其组成元素为被分解矩阵的p个奇异值,即特征值的算术平方根;A是p*p的左奇异矩阵,其列向量称为左奇异向量,B是n*p的右奇异矩阵,其列向量为右奇异向量;根据数学定理可知B的列向量是W的特征向量;A的列向量是ZZT的特征向量;ZZT的维度是p乘p,计算A只需O(p3)的时间;
有了A之后,B通过下式被计算出来:
BT=∑-1ATZ
通过B求解W的特征向量。
本发明的有益效果是:本发明在基于地标点的大规模数据谱聚类方法中,通过加入测井(钻井)数据作为地标点,可以明确谱聚类方法应用于地震相划分的地质含义,提高地震相划分精度。所提方案充分利用了已知实际测井数据,选取的地标点更具真实性和代表性。分类结果不但与实际地震资料吻合,分辨率也明显高于随机选取地标点和k-means聚类中心作为地标点的方法。
附图说明
图1为本发明的井控稀疏表征大规模谱聚类地震相划分方法的流程图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
谱聚类算法是一种重要的无监督聚类算法。相比传统的k-means算法,谱聚类对数据分布的适应性更强,适合处理非凸线性不可分问题以及稀疏和高维数据。谱聚类算法是近年来聚类学习领域的一大热点,其以谱图理论为基础,将聚类问题转化为图的最优划分问题。与传统聚类方法相比,谱聚类能对任意形状的数据样本进行最优聚类的特点使其近年来应用广泛。
主要思想是:将数据看作空间中的点,点之间可以连边,边的权重有高有低。对所有数据点组成的图进行切图,要求切图原则为尽可能让不同子图(由原图点的集合的子集和边集的子集构成的图)间边权重和尽可能低,子图内边权重和尽可能高,每一个子图代表一类。
下面为常规谱聚类算法步骤:
输入:数据集合D,构造邻接矩阵,降维后维度k,聚类个数k
输出:聚类结果C
(1)构建相似矩阵S、邻接矩阵W和度矩阵D;
(2)计算拉普拉斯矩阵L;
(3)计算L的最小的k个特征值及对应的特征向量矩阵A;
(4)对矩阵A进行标准化得到B;
(5)对标准化后的矩阵B进行k均值聚类,得到聚类结果C。
如图1所示,本发明的一种井控稀疏表征大规模谱聚类地震相划分方法,包括以下步骤:
S1、输入测井数据和测井数据所对应的岩相标签;
S2、输入地震数据所得属性体,对该数据按照地震数据采样方式进行网格化,将网格化坐标进行随机采样,得到k个采样点及其对应的属性曲线,随机采样点不包含井点所在位置;
S3、以测井数据作为标签数据,采用支持向量机或神经网络方法训练分类器,并将该分类器用于对前述步骤随机选择点位置提取出的曲线进行分类操作;
S4、以随机选择点和测井数据点作为地标点,进行基于地标点的谱聚类操作,可得到井控谱聚类地震相划分结果。
所述步骤S4具体实现方法为:选择一定数量代表性数据点作为地标,并将原始数据点表示为这些地标的稀疏线性组合;然后利用基于地标的稀疏表示来高效地计算谱聚类中的特征向量从而加速谱聚类;具体包括以下子步骤:
S41、设计具有如下属性的邻接矩阵:W=ZTZ,其中Z∈Rp×n是稀疏的且p远小于n;
S42、导出Z,在O(p3+p2n)中计算图拉普拉斯矩阵的特征向量,而无需将整个相似性矩阵明确地存储在主存储器中,这节省了大量的计算量和存储空间。
观察可知Z的每一列都是原始输入相对于新基向量组U的p维表示。因此,W=ZTZ是用新的表示法表示的数据(X=UZ)的相似矩阵,并且自然可以被用作邻接矩阵来加速谱聚类。然而计算Z和U十分耗时,特别X矩阵十分稠密时更是如此。为了解决这个问题(如何避免迭代求U和Z),我们注意到基向量(U的列向量)与原始数据点具有相同的维数m。将基向量作为数据集的地标点(能表征原始数据集特征的点),即地标点作为基向量,避免了迭代。从数据集中选择地标点的最有效方法是随机抽样。除了随机选择之外,还可以使用k-means算法首先对所有数据点进行聚类,然后使用聚类中心作为地标点。假设已经有了地标矩阵U,可以来计算矩阵Z.通过修正U,优化问题就变成了一个稀疏约束线性回归问题。有很多算法可以解决这个问题,此处可以简单地使用Nadaraya-Watson核回归来计算表示矩阵Z。
S43、对于任一数据点,近似表示成
其中uj是U矩阵的第j个列向量,zji是矩阵Z的第j行i列的元素;
一个自然地假设是如果数据点Xi和地标点uj离得近的话zji应该大一点。我们可以强化这一假设,如果地标点uj不是离数据点xi的最近的r(远小于p)个地标之一,我们设置zji为0.这一限制自然会导致矩阵Z会很稀疏。设<i>表示U的子矩阵,它包含了离数据点xi最近的r个地标向量;用下式计算zji,
上式中K是一个计算相似度的核函数,比如常用的高斯核函数等;
S44、有了基于地标的稀疏表示矩阵Z(p乘n矩阵),通过如下方式计算图的邻接矩阵,W=ZTZ;
通过SVD方法分解矩阵:
Z=A∑BT,
中间矩阵为p乘p对角矩阵,其组成元素为被分解矩阵的p个奇异值,即特征值的算术平方根;A是p*p的左奇异矩阵,其列向量称为左奇异向量,B是n*p的右奇异矩阵,其列向量为右奇异向量;根据数学定理可知B的列向量是W的特征向量;A的列向量是ZZT的特征向量;ZZT的维度是p乘p,计算A只需O(p3)的时间,时间比较短。
有了A之后,B通过下式被计算出来:
BT=∑-1ATZ
通过B求解W的特征向量。总的时间是O(p3+p2n),从原来的O(n3)显着减少,其中p(地标点的数量)远小于n(有了B就有了W的特征向量,问题求解完毕)。
在传统的基于地标点的大规模谱聚类算法中,地标点的选取至关重要,通常随机选取一些数据点作为地标点或者用k-means方法产生的聚类中心作为地标点,但是这类方法缺乏地质含义。考虑到地质结构样本点之间的相关性,本发明采用井点和随机选择的井点作为基础数据集,以测井数据点为已知样本,训练分类器,然后应用于随机选择点中,将分类的随机选择点作为地标点再进行谱聚类,这样可以使地标点更具代表性,更具有地质意义,聚类效果也会变的更好。
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原理,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)
1.井控稀疏表征大规模谱聚类地震相划分方法,其特征在于,包括以下步骤:
S1、输入测井数据和测井数据所对应的岩相标签;
S2、输入地震数据所得属性体,对该数据按照地震数据采样方式进行网格化,将网格化坐标进行随机采样,得到k个采样点及其对应的属性曲线,随机采样点不包含井点所在位置;
S3、以测井数据作为标签数据,采用支持向量机或神经网络方法训练分类器,并将该分类器用于对前述步骤随机选择点位置提取出的曲线进行分类操作;
S4、以随机选择点和测井数据点作为地标点,进行基于地标点的谱聚类操作,可得到井控谱聚类地震相划分结果;具体实现方法为:选择一定数量代表性数据点作为地标,并将原始数据点表示为这些地标的稀疏线性组合;然后利用基于地标的稀疏表示来高效地计算谱聚类中的特征向量从而加速谱聚类;具体包括以下子步骤:
S41、设计具有如下属性的邻接矩阵:W=ZTZ,其中Z∈Rp×n是稀疏的且p远小于n;
S42、导出Z,在O(p3+p2n)中计算图拉普拉斯矩阵的特征向量,O(p3+p2n)表示总的计算时间;Z的每一列都是原始输入相对于新基向量组U的p维表示;因此,W=ZTZ是用新的表示法表示的数据X=UZ的相似矩阵;
S43、对于任一数据点,近似表示成
其中uj是U矩阵的第j个列向量,zji是矩阵Z的第j行i列的元素;用下式计算zji,
上式中K是一个计算相似度的核函数,<i>表示U的子矩阵,它包含了离数据点xi最近的r个地标向量;
S44、通过SVD方法分解矩阵:
Z=A∑BT
中间矩阵为p乘p对角矩阵,其组成元素为被分解矩阵的p个奇异值,即特征值的算术平方根;A是p*p的左奇异矩阵,其列向量称为左奇异向量,B是n*p的右奇异矩阵,其列向量为右奇异向量;根据数学定理可知B的列向量是W的特征向量;A的列向量是ZZT的特征向量;ZZT的维度是p乘p,计算A只需O(p3)的时间;
有了A之后,B通过下式被计算出来:
BT=∑-1ATZ
通过B求解W的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010363.8A CN109272029B (zh) | 2018-08-31 | 2018-08-31 | 井控稀疏表征大规模谱聚类地震相划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811010363.8A CN109272029B (zh) | 2018-08-31 | 2018-08-31 | 井控稀疏表征大规模谱聚类地震相划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272029A CN109272029A (zh) | 2019-01-25 |
CN109272029B true CN109272029B (zh) | 2022-02-22 |
Family
ID=65155091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811010363.8A Active CN109272029B (zh) | 2018-08-31 | 2018-08-31 | 井控稀疏表征大规模谱聚类地震相划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272029B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059755B (zh) * | 2019-04-22 | 2023-10-13 | 中国石油大学(华东) | 一种多特征评价准则融合的地震属性优选方法 |
CN112861890B (zh) * | 2019-11-26 | 2024-01-12 | 中国石油化工股份有限公司 | 一种储层评价模型构建方法及储层识别方法 |
CN113703045B (zh) * | 2021-08-27 | 2022-11-15 | 电子科技大学 | 一种基于轻量级网络的地震相识别方法 |
WO2023178553A1 (en) * | 2022-03-23 | 2023-09-28 | Saudi Arabian Oil Company | Method for obtaining geological heterogeneity trends of a geological formation |
CN117950025A (zh) * | 2022-10-26 | 2024-04-30 | 中国石油天然气股份有限公司 | 储层物性参数预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799891A (zh) * | 2012-05-24 | 2012-11-28 | 浙江大学 | 基于地标点表示的谱聚类方法 |
GB2534931A (en) * | 2015-02-06 | 2016-08-10 | Foster Findlay Ass Ltd | A method for determining sedimentary facies using 3D seismic data |
CN108226997A (zh) * | 2017-11-16 | 2018-06-29 | 中国石油天然气集团公司 | 一种基于叠前地震数据的地震相划分方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050288863A1 (en) * | 2002-07-12 | 2005-12-29 | Chroma Energy, Inc. | Method and system for utilizing string-length ratio in seismic analysis |
CN102053270B (zh) * | 2009-10-30 | 2014-04-02 | 中国石油化工股份有限公司 | 一种基于沉积地层单元的地震相分析方法 |
CN103033846B (zh) * | 2011-10-10 | 2016-06-08 | 中国石油化工股份有限公司 | 地质相控制的地震反演系统和地震反演方法 |
CN103487832B (zh) * | 2013-09-12 | 2016-04-06 | 电子科技大学 | 一种三维地震信号中的有监督波形分类方法 |
CN106650766A (zh) * | 2016-09-13 | 2017-05-10 | 电子科技大学 | 基于固有特征分析的三维体波形分类方法 |
CN107578063B (zh) * | 2017-08-21 | 2019-11-26 | 西安电子科技大学 | 基于快速选取地标点的图像谱聚类方法 |
CN107688201B (zh) * | 2017-08-23 | 2019-12-31 | 电子科技大学 | 基于rbm地震叠前信号聚类方法 |
CN107526106B (zh) * | 2017-08-28 | 2021-03-30 | 电子科技大学 | 基于半监督算法的快速地震波形分类方法 |
-
2018
- 2018-08-31 CN CN201811010363.8A patent/CN109272029B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799891A (zh) * | 2012-05-24 | 2012-11-28 | 浙江大学 | 基于地标点表示的谱聚类方法 |
GB2534931A (en) * | 2015-02-06 | 2016-08-10 | Foster Findlay Ass Ltd | A method for determining sedimentary facies using 3D seismic data |
CN108226997A (zh) * | 2017-11-16 | 2018-06-29 | 中国石油天然气集团公司 | 一种基于叠前地震数据的地震相划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109272029A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272029B (zh) | 井控稀疏表征大规模谱聚类地震相划分方法 | |
US11693139B2 (en) | Automated seismic interpretation-guided inversion | |
Wang et al. | A segmentation approach for stochastic geological modeling using hidden Markov random fields | |
Lindsay et al. | Geodiversity: Exploration of 3D geological model space | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
US20200183046A1 (en) | Subsurface models with uncertainty quantification | |
US10359523B2 (en) | Exploration and extraction method and system for hydrocarbons | |
US20150355353A1 (en) | Detecting subsurface structures | |
Xiao et al. | Conditioning of deep-learning surrogate models to image data with application to reservoir characterization | |
Tzu-hao et al. | Reservoir uncertainty quantification using probabilistic history matching workflow | |
Nesvold et al. | Geomodeling using generative adversarial networks and a database of satellite imagery of modern river deltas | |
Han et al. | Multiple point geostatistical simulation with adaptive filter derived from neural network for sedimentary facies classification | |
US11733424B2 (en) | Systems and methods for identifying subsurface features as functions of feature positions in a subsurface volume of interest | |
Pradhan et al. | Consistency and prior falsification of training data in seismic deep learning: Application to offshore deltaic reservoir characterization | |
Koochak et al. | A variability aware GAN for improving spatial representativeness of discrete geobodies | |
Bazargan et al. | Bayesian model selection for complex geological structures using polynomial chaos proxy | |
Bedi et al. | SFA-GTM: seismic facies analysis based on generative topographic map and RBF | |
Qi* et al. | Segmentation of salt domes, mass transport complexes on 3D seismic data volumes using Kuwahara windows and multiattribute cluster analysis | |
Zhang | Ensemble methods of data assimilation in porous media flow for non-Gaussian prior probability density | |
Golmohammadi et al. | Pattern-based calibration of complex subsurface flow models against dynamic response data | |
Wang et al. | Auto recognition of carbonate microfacies based on an improved back propagation neural network | |
Hardisty | Unsupervised seismic facies using Gaussian mixture models | |
Sang et al. | Seismic facies analysis method based on spectral clustering machine learning | |
Demyanov et al. | Multiple kernel learning approach for reservoir modelling | |
Su et al. | Nonstationary training image partition algorithm based on deep features |
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 |