CN109884697A - 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法 - Google Patents
基于完备总体经验模态分解的砂砾岩沉积相地震预测方法 Download PDFInfo
- Publication number
- CN109884697A CN109884697A CN201910216645.1A CN201910216645A CN109884697A CN 109884697 A CN109884697 A CN 109884697A CN 201910216645 A CN201910216645 A CN 201910216645A CN 109884697 A CN109884697 A CN 109884697A
- Authority
- CN
- China
- Prior art keywords
- glutenite
- sedimentary facies
- mode decomposition
- overall experience
- earthquake prediction
- 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
Abstract
本发明提供一种基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,包括:步骤1,针对叠后三维地震数据体,采用完备总体经验模态分解方法,将地震资料分解为多个固有模态函数分量;步骤2,采用重构算法得到具有一定频率成分的各模态函数分量;步骤3,对重构得到的各模态函数分量在时间空间域进行保构造平滑滤波;步骤4,进行沿层地震属性提取算法研究,建立砂砾岩地震相识别标志;步骤5,构建砂砾岩沉积相敏感特征参数,实现砂砾岩沉积相地震预测。该基于完备总体经验模态分解的砂砾岩沉积相地震预测方法充分利用了地震资料内在的丰富信息,提高了砂砾岩沉积相的预测能力。
Description
技术领域
本发明涉及砂砾岩地震识别和预测的地质勘探开发领域,特别是涉及到一种基于完备总体经验模态分解的砂砾岩沉积相地震预测方法。
背景技术
砂砾岩油藏十分复杂,储层物性、含油性和产能等差异大,高效勘探开发难度大。例如,埕南断裂带套尔河地区大斜722井在沙三下见到较好的工业油流,但随后在其东北部钻探的大722-1井,储层迅速减薄,物性变差导致失利。分析认为,砂砾岩沉积亚(微)相在纵横向的剧烈变化导致了储层的强非均质性,产能差异大。砂砾岩油藏勘探关键是沉积亚(微)相的识别与预测。
砂砾岩主要发育于断陷陡坡带,其形成的沉积过程和构造背景决定了砂砾岩油气藏的特殊性。砂砾岩具有近源、快速堆积的特征,由多期扇体叠置而成,纵向上沉积厚度变化大,储层非均质性极强,地震反射杂乱,难以有效识别各期砂砾岩。
适用于非线性和非平稳信号分析的经验模态分解(EMD),已在信号处理研究中受到广泛关注。EMD是Hilbert-Huang变换(HHT)的核心技术,HHT由经验模态分解(EMD)和Hilbert变换两部分组成,其基本思想是首先利用核心技术EMD将信号分解为若干个含有不同频率分量的固有模态函数(IMF),然后对各IMF分量进行Hilbert谱分析获取相应的瞬时属性或Hilbert谱,汇总所有IMF的Hilbert谱就能得到原始信号的Hilbert谱。由于EMD分解出的IMF是单分量信号或窄带信号,符合Ville提出的瞬时频率定义,因此获得的瞬时属性具有明显的物理意义,这便是HHT在非平稳信号的时频分析中所具有的关键优势。HHT不受傅里叶变换理论的约束,克服了基于该理论发展起来的时频分析方法的一些缺陷,具有很好的自适应性和时频聚集性,能够细致刻画时变非平稳信号在各时刻的频率特性,提供更为精细的时频谱,在地震资料的处理和解释中已得到广泛的应用。
针对EMD方法存在的问题,如停止准则、端点效应、模态混叠等,国内外众多学者提出了许多不同的改进方案。针对EMD原算法中的停止准则、端点效应等问题,Rilling等对EMD算法做了细致研究和探讨,并提出了新的改进算法。针对端点效应问题,Huang等在提出EMD算法的同时也提出了一种在数据序列两端添加特征波的数据延拓方法,可以有效地改善三次样条拟合所造成的端点效应。针对EMD的模态混叠问题,国内外一些学者也提出了不同的解决方案。例如,Wu和Huang通过分析大量EMD分解白噪声实验结果的统计特性,提出了一种EMD的改进算法—总体经验模态分解(EEMD),它是一种噪声辅助分析方法,基本思想是利用高斯白噪声的频谱均匀分布和零均值特性,首先向原始数据中多次添加相同量级的白噪声,然后进行EMD分解并对分解后的结果进行加总平均,以此降低添加的白噪声影响,使有用信号在相应的尺度上得到自动映射,从而在一定程度上克服了间歇信号导致的模态混叠效应。
尽管EEMD改善了EMD所存在的问题,但同时也引入了其它问题,如分解出的IMF并非唯一解,不是完全符合IMF的最初定义;完备性较差,分解得到的IMFs的总和不能完美重构原始信号;若使噪声影响尽可能小则须计算成本比较大。基于以上问题,Yeh等对EEMD算法做了进一步改进,提出了一种互补集合经验模态分解(CEEMD),这种方法与EEMD相似,只不过向原始信号中加入的是正负成对形式的白噪声,以便更好地消除重构信号中的残余噪声,侧重于分解完备性的提高。Torres等提出了一种自适应噪声的完备总体经验模态分解(CEEMD),该方法同样是一种噪声辅助分析方法,但其实现不同于EEMD。CEEMD的基本思想是在分解的每一阶段添加一个特定白噪声,并且计算一个唯一残差来获得每个符合定义的固有模态分量(IMF),因此分解过程是完备的。CEEMD不仅可以提供更好的模态分离,原始信号的精确重构,而且具有较高的计算效率,相比EMD以及EEMD更具优越性。
采用完备总体模态分解方法,将地震资料分解成不同频率的固有模态函数分量,通过测井与地质认识找出对砂砾岩敏感程度较高的分量,采用希尔伯特变换计算出瞬时属性,并与原始地震数据的瞬时属性进行对比分析,建立“测井相—岩石物理相—地震相”三相联合的沉积相带精细雕刻技术。
目前,砂砾岩沉积相地震预测存在较大问题,主要表现在以下三个方面:
(1)砂砾岩各类的沉积亚(微)相在测井及各类岩石物理参数上差异较小,缺乏精细的相带识别与划分标准。
(2)砂砾岩各类沉积亚(微)相的地震响应特征不清,敏感特征参数的差异不明。
(3)沉积亚(微)相的地震预测技术缺乏。
为此我们发明了一种新的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种建立“测井相—岩石物理相—地震相”三相联合的砂砾岩沉积相带精细雕刻技术,提高砂砾岩沉积相的预测能力的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法。
本发明的目的可通过如下技术措施来实现:基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,该基于完备总体经验模态分解的砂砾岩沉积相地震预测方法包括:步骤1,针对叠后三维地震数据体,采用完备总体经验模态分解方法,将地震资料分解为多个固有模态函数分量;步骤2,采用重构算法得到具有一定频率成分的各模态函数分量;步骤3,对重构得到的各模态函数分量在时间空间域进行保构造平滑滤波;步骤4,进行沿层地震属性提取算法研究,建立砂砾岩地震相识别标志;步骤5,构建砂砾岩沉积相敏感特征参数,实现砂砾岩沉积相地震预测。
本发明的目的还可通过如下技术措施来实现:
步骤1包括:
(1)固有模态函数分量IMF1(t)的求取方法是使用经验模态分解方法对添加了不同噪声实现的目标信号x(t)重复分解I次,然后计算加总平均值并将其定义为x(t)的IMF1(t),
式中:t为时间变量,x(t)为地震信号,ω(t)为待添加的高斯白噪声信号,ε为待添加的高斯白噪声的标准方差,I为添加噪声的次数,i为求和变量,E()用来计算I个信号的均值,IMF(t)为分解得到的模态函数分量;
(2)记k为所划分的沉积相种类数目,对于k=1,计算一阶残差r1(t):
r1(t)=x(t)-IMF1(t)
(3)利用经验模态分解(EMD)实现r1(t)+ε1E1(ωi(t)),直到满足第一个IMF(t)条件,计算出总体平均值并定义为IMF2(t):
(4)对于k=2,...,K,计算k阶残差rk(t):
rk(t)=rk-1(t)-IMFk(t)
式中K是IMF(t)分量的总数目;
(5)使用EMD提取出rk(t)+εkEk(ωi(t))的IMF1(t)分量,并计算出总体平均值获得目标信号的IMF(k+1)(t):
(6)重复步骤(4)(5)继续筛选过程,直到残差信号变得单调或不能再被分解为止,则得到最终残差R(t):
式中K是IMF(t)分量的总数目。
在步骤2中,根据需要选择相应的模态函数分量进行重构,重构得到的模态函数分量具有一定的频率成分,重构的信号为:
式中i1,i2分别为所选择用于重构的起止模态函数分量编号,IMFk(t)为分解得到的第k个模态函数分量,y(t)为重构后的信号。
在步骤3中,滤除经验模态分解过程中加入随机噪音,提高各模态函数分量的信噪比。
在步骤3中,在输入数据时,Di就是第i个样本的振幅,标准差σ计算公式为:
式中:m是指窗口的下标,n是指窗口里采样点数,Di是指第i点的值,这里指采样点的振幅,Dm是指每个窗口里n个采样点的平均值或中间值;
选择标准差最小的那个窗口,它的平均值Dm就作为第i个分析点的输出值;每个分析点反复做这个步骤,得到最后的输出。
在步骤4中,针对原始地震数据体以及各模态函数分量数据体,进行沿层地震属性提取算法研究,通过对井旁地震道分解得到的固有模态函数及其时频谱进行分析对比,建立砂砾岩地震相识别标志。
在步骤5中,通过对原始地震数据体以及各模态函数分量数据体这些数据体提取的沿层地震属性分析,构建砂砾岩沉积相敏感特征参数,用于对砂砾岩沉积相进行多属性地震预测,砂砾岩沉积相多属性地震预测采用的是K平均法算法。
步骤5包括:
5a,进行判断样本的归类;
5b,设置初始重心;
5c,进行重心的修改。
在步骤5a中,用欧基里德距离,即判断空间中任意两点x和y之间的类似度,距离越小,则x和y愈相近;用欧式距离判断样本与重心的类似度;对于输入的一个样本来说,计算出它与所有重心的距离,选出距离最小所对应的那个重心,N个重心就有N类,则样本就落入这个重心的势力圈内,也就归入了这一类。
步骤5b包括:
①当K=1时,Z1(0)为模最大的样本向量与模最小的样本向量的平均值;其中K是当前划分的沉积相种类数目;
②当K=2时,Z1(0)为模最小的样本向量,Z2(0)为模最大的样本向量;
③当K≥3时,Z1(0)为模最小的样本向量,Z2(0)为模最大的样本向量,其余的为最大样本向量与最小样本向量中间的随机值;
在步骤5c中,选择N个重心,然后根据重心的势力圈形成模式,再计算新模式的重心,即修改重心。
在步骤5c中,当判断出所有样本归为C类,对其中的第i个重心进行修改;将归入第i类的样本值相加,求出总和,同时统计出样本数N;用总和除以样本数N,即为新的重心值。
本发明中的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,针对砂砾岩沉积相地震预测的研究难点,在深入分析测井相、岩石物理相、地震相标准识别量版的基础上,通过完备总体经验模态分解方法(CEEMD),将地震资料分成若干个固有模态函数,通过测井与地质认识找出反映砂砾岩沉积相的分量,采用高阶谱时频分析、波形分类、属性聚类等技术手段,建立“测井相—岩石物理相—地震相”三相联合的砂砾岩沉积相带精细雕刻技术,提高砂砾岩沉积相的预测能力。
本发明中的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,包括针对叠后地震数据体,采用完备总体经验模态分解方法(CEEMD),将地震资料分成若干个固有模态函数,通过测井与地质认识找出反映砂砾岩沉积亚(微)相的分量,采用高阶谱时频分析、波形分类、属性聚类等技术手段,建立“测井相—岩石物理相—地震相”三相联合的沉积相带精细雕刻技术。该方法以地震沉积学为指导,通过将原始地震资料分成若干个固有模态函数分量,再对各模态函数分量进行属性提取和分析,构建沉积亚(微)相敏感特征参数,充分利用了地震资料内在的丰富信息,提高了砂砾岩沉积相的预测能力。
附图说明
图1为本发明的基于完备总体经验模态分解的砂砾岩沉积相地震预测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正方体子窗口中给定方位的分析窗示意图;
图3为本发明的一具体实施例中5×5×5窗口的六边形切片示意图;
图4为本发明的一具体实施例中近岸水下扇地震相识别标志示意图;
图5为本发明的一具体实施例中湖底扇地震相识别标志示意图;
图6为本发明的一具体实施例中原始地震连井剖面示意图;
图7为本发明的一具体实施例中模态分量2连井剖面示意图;
图8为本发明的一具体实施例中模态分量3连井剖面示意图;
图9为本发明的一具体实施例中由模态分量2和模态分量3重构的中高频模态函数分量连井剖面示意图;
图10为本发明的一具体实施例中重构的中高频模态函数分量经保构造滤波后的连井剖面示意图;
图11为本发明的一具体实施例中大斜722井区油层段原始地震波形扭度属性示意图;
图12为本发明的一具体实施例中大斜722井区油层段第二个模态分量波形扭度属性示意图;
图13为本发明的一具体实施例中大斜722井区油层段第二个模态分量能量半时属性示意图;
图14为本发明的一具体实施例中大斜722井区油层段第三个模态分量能量属性示意图;
图15为本发明的一具体实施例中大斜722井区油层段近岸水下扇沉积微相平面分布示意图。
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为本发明的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法的流程图。
步骤101,针对叠后三维地震数据体,采用完备总体经验模态分解方法(CEEMD),将地震资料分解为多个固有模态函数分量。
Huang等于1998年提出一种适应于非线性非平稳信号的时频分析新方法—希尔伯特-黄变换(Hilbert-Huang Transform,HHT),在信号处理研究中受到广泛关注。HHT由经验模态分解(EMD)和Hilbert变换两部分组成,其基本思想是首先利用核心技术EMD将信号分解为若干个含有不同频率分量的固有模态函数(IMF),然后对各IMF分量进行Hilbert谱分析获取相应的瞬时属性(瞬时频率、瞬时振幅)或Hilbert谱,汇总所有IMF的Hilbert谱就会得到原始信号的Hilbert谱。由于EMD分解出的IMF是单分量信号或窄带信号,符合Ville提出的瞬时频率定义,因此获得的瞬时属性具有明显的物理意义,这便是HHT在非平稳信号的时频分析中所具有的关键优势。HHT不受傅里叶变换理论的约束,克服了基于该理论发展起来的时频分析方法的一些缺陷,具有很好的自适应性和时频聚集性,能够细致刻画时变非平稳信号在各时刻的频率特性,提供更为精细的时频谱,在地震资料的处理和解释中已得到广泛的应用。
针对EMD原算法中的停止准则、端点效应等问题,Rilling等对EMD算法做了细致研究和探讨,并提出了新的改进算法。针对端点效应问题,Huang等在提出EMD算法的同时也提出了一种在数据序列两端添加特征波的数据延拓方法,可以有效地改善三次样条拟合所造成的端点效应。针对EMD原算法中的包络拟合问题,Chen等采用B样条函数来替代三次样条函数插值,筛选EMD的局部均值曲线。此外,还有一些包络曲线拟合的改进算法被不少国内外学者提出,例如约束三次样条插值法、高次样条插值法等。针对EMD算法中的模态混叠问题,Wu和Huang通过分析大量EMD分解白噪声实验结果的统计特性,提出了一种EMD的改进算法—总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),它是一种噪声辅助分析方法,基本思想是利用高斯白噪声的频谱均匀分布和零均值特性,首先向原始数据中多次添加相同量级的白噪声,然后进行EMD分解并对分解后的结果进行加总平均,以此降低添加的白噪声影响,使有用信号在相应的尺度上得到自动映射,从而在一定程度上克服了间歇信号导致的模态混叠效应。实践证明,该方法在各领域中的应用效果均优于EMD。
尽管EEMD改善了EMD所存在的问题,但同时也引入了其它问题,如分解出的IMF并非唯一解,不是完全符合IMF的最初定义;完备性较差,分解得到的IMFs的总和不能完美重构原始信号;若使噪声影响尽可能小则须计算成本比较大。基于以上问题,2010年,Yeh等对EEMD算法做了进一步改进,提出了一种互补集合经验模态分解(Complementary EnsembleEmpirical Mode Decomposition,CEEMD),这种方法与EEMD相似,只不过向原始信号中加入的是正负成对形式的白噪声,以便更好地消除重构信号中的残余噪声,侧重于分解完备性的提高。2011年,Torres等提出了一种自适应噪声的完备总体经验模态分解(CompleteEnsemble Empirical Mode Decomposi tion,CEEMD),该方法同样是一种噪声辅助分析方法,但其实现不同于EEMD。CEEMD的基本思想是在分解的每一阶段添加一个特定白噪声,并且计算一个唯一残差来获得每个符合定义的固有模态分量(IMF),因此分解过程是完备的。CEEMD不仅可以提供更好的模态分离,原始信号的精确重构,而且具有较高的计算效率,相比EMD以及EEMD更具优越性。
完备总体经验模态分解算法包括的步骤如下:
(1)固有模态函数分量IMF1(t)的求取方法是使用经验模态分解方法对添加了不同噪声实现的目标信号x(t)重复分解I次,然后计算加总平均值并将其定义为x(t)的IMF1(t),
式中:t为时间变量,x(t)为地震信号,ω(t)为待添加的高斯白噪声信号,ε为待添加的高斯白噪声的标准方差,I为添加噪声的次数,i为求和变量,E()用来计算I个信号的均值,IMF(t)为分解得到的模态函数分量。
(3)利用经验模态分解(EMD)实现r1(t)+ε1E1(ωi(t)),直到满足第一个IMF(t)条件,计算出总体平均值并定义为IMF2(t):
(4)对于k=2,...,K,计算k阶残差rk(t):
rk(t)=rk-1(t)-IMFk(t)
式中K是IMF(t)分量的总数目。
(5)使用EMD提取出rk(t)+εkEk(ωi(t))的IMF1(t)分量,并计算出总体平均值获得目标信号的IMF(k+1)(t):
(6)重复步骤(4)(5)继续筛选过程,直到残差信号变得单调或不能再被分解为止,则得到最终残差R(t):
式中K是IMF(t)分量的总数目。
步骤102,采用重构算法得到具有一定频率成分的各模态函数分量。采用重构算法得到具有一定频率成分的各模态函数分量。
根据需要选择相应的模态函数分量进行重构,重构得到的模态函数分量具有一定的频率成分,重构的信号可以被表达为:
式中i1,i2分别为所选择用于重构的起止模态函数分量编号,IMFk(t)为分解得到的第k个模态函数分量,y(t)为重构后的信号。
步骤103,对重构得到的各模态函数分量在时间空间域进行保构造平滑滤波,滤除经验模态分解过程中加入的随机噪音,提高各模态函数分量的信噪比。
保构造平滑是沿着一组方位分析窗进行地震数据的平滑,选出最好的平滑结果。为了使计算简单、有效率,把一个邻近子窗口看成一个中心体,它的大小可以是3×3×3或5×5×5等。一个子窗口里的所有数据点一定放在规则的网格里,且为了避免插值以节省计算时间。
图2是用于平滑的正方体子窗口:(a)是六个相对面间的三个切片,(b)是十二条棱间的六个切片,(c)是八个角间以中间点为中心的四个切片,加起来总共有十三个预先给定了方位的分析窗。在保构造平滑滤波过程中,可以使用所有13个定向或其中的一部分。每个定位切片的数据点都是不同的,角间对着的切片呈六边形(如图3);尽管七个点是在规则的网格上,但它们没有平行于任何一个轴。表1列举了一些像这样六边形切片的性质。
表1六边形切片的几何属性
在输入数据中,Di就是第i个样本的振幅,下面给出标准差σ计算公式:
式中:m是指窗口的下标,n是指窗口里采样点数,Di是指第i点的值(这里指采样点的振幅),Dm是指每个窗口里n个采样点的平均值或中间值。
选择标准差最小的那个窗口,它的平均值Dm就作为第i个分析点的输出值。每个分析点都要反复做这个步骤,然后得到最后的输出。
步骤104,针对原始地震数据体以及各模态函数分量数据体等多个数据体,提取沿层地震属性,表2列举了所提取的沿层地震属性名称。
表2提取的43种地震属性名称
通过对井旁地震道分解得到的固有模态函数及其时频谱进行分析对比,图4、图5分别是建立的砂砾岩地震相识别标志。
步骤105,通过对原始地震数据体以及各模态函数分量数据体等多个数据体提取的沿层地震属性分析,构建砂砾岩沉积相敏感特征参数,用于对砂砾岩沉积相进行多属性地震预测,砂砾岩沉积相多属性地震预测采用的是K平均法算法(K-Neareast NeighborAlgorithm,K-NN方法),该算法是一种模式聚类法。它的分类原理同Kohonen聚类网络差不多,只是它们的权值修改不同。K平均中的重心就相当于Kohonen聚类网络中的权值,它是通过修改重心,使合适的样本落入合适的重心的势力圈内,而使得类间距减小,类内距增大,来实现聚类的。
(1)判断样本归类的方法
与Kohonen网络一样,用欧基里德距离,即判断空间中任意两点x和y之间的类似度,距离越小,则x和y愈相近。用欧式距离判断样本与重心的类似度。对于输入的一个样本来说,计算出它与所有重心的距离,选出距离最小所对应的那个重心,N个重心就有N类,则样本就落入这个重心的势力圈内,也就归入了这一类。
(2)初始重心的设置
K平均方法的初始重心设置影响着分类效果,因此具体实现时初始重心的设置是这样的:
①当K=1时,Z1(0)为模最大的样本向量与模最小的样本向量的平均值;
②当K=2时,Z1(0)为模最小的样本向量,Z2(0)为模最大的样本向量;
③当K≥3时,Z1(0)为模最小的样本向量,Z2(0)为模最大的样本向量,其余的为最大样本向量与最小样本向量中间的随机值。
(3)重心的修改
刚开始适当选择N个重心,然后根据重心的势力圈形成模式,再计算新模式的重心,即修改重心。方法如下:例如判断出所有样本归为C类,对其中的第i个重心进行修改。将归入第i类的样本值相加,求出总和,同时统计出样本数N。用总和除以样本数N,即为新的重心值。
以下为应用本发明的具体实施例:
实施例:针对实际工区的大斜722井区油层段近岸水下扇沉积微相地震识别和平面划分。
步骤1,对原始地震数据体(图6),采用完备总体经验模态分解方法,将地震资料分解为多个固有模态函数分量(图7,图8)。
步骤2,采用重构算法得到具有一定频率成分的各模态函数分量(图9);
步骤3,对重构得到的各模态函数分量在时间空间域进行保构造平滑滤波,滤除经验模态分解过程中加入的随机噪音,提高各模态函数分量的信噪比(图10);
步骤4,对原始地震数据体以及各模态函数分量数据体,进行沿层地震属性提取算法研究(图11-图14),通过对井旁地震道分解得到的固有模态函数及其时频谱进行分析对比,建立大斜722井区油层段近岸水下扇沉积微相识别标志。(图4,图5)。
步骤5,构建大斜722井区油层段近岸水下扇沉积微相敏感特征参数,实现大斜722井区油层段近岸水下扇沉积微相地震预测。(图15)。
步骤1的作用:通过对原始地震数据体的完备总体经验模态分解方法,不仅可以提供更好的模态分离,而且得到的时频谱最为精细、准确,相比EMD以及EEMD更具优越性。
步骤2的目的是通过对分解后得到的固有模态函数分量,采用重构算法获得具有一定频率成分的各模态函数分量,用于后续沉积微相地震预测所需的沿层地震属性提取与分析。
步骤3的作用:对重构得到的各模态函数分量在时间空间域进行保构造平滑滤波,滤除经验模态分解过程中加入的随机噪音,提高各模态函数分量的信噪比,使得提取的沿层属性更加准确、可靠。
步骤4的作用:通过对原始地震数据体以及各模态函数分量数据体,提取沿层地震属性,可进行井旁地震道固有模态函数及其时频谱的分析对比,从而建立起近岸水下扇沉积微相识别标志。
步骤5的作用:通过对原始地震数据体以及各模态函数分量数据体等多个数据体提取的沿层地震属性分析,构建近岸水下扇沉积微相敏感特征参数,用于对近岸水下扇沉积微相进行地震预测。
本实施例通过将原始地震资料分成若干个固有模态函数分量,再对各模态函数分量进行属性提取和分析,构建大斜722井区油层段近岸水下扇沉积微相敏感特征参数,充分利用了地震资料内在的丰富信息,提高了近岸水下扇沉积微相的预测能力。
通过上述流程实现了基于完备总体经验模态分解的砂砾岩沉积相地震预测,该方法与目前常用的地震相分析分析方法相比,充分挖掘了地震资料内在的丰富信息,通过将原始地震资料分成若干个固有模态函数分量,再对各模态函数分量进行属性提取和分析,构建砂砾岩沉积相敏感特征参数,提高了砂砾岩沉积相的预测能力。
Claims (12)
1.基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,该基于完备总体经验模态分解的砂砾岩沉积相地震预测方法包括:
步骤1,针对叠后三维地震数据体,采用完备总体经验模态分解方法,将地震资料分解为多个固有模态函数分量;
步骤2,采用重构算法得到具有一定频率成分的各模态函数分量;
步骤3,对重构得到的各模态函数分量在时间空间域进行保构造平滑滤波;
步骤4,进行沿层地震属性提取算法研究,建立砂砾岩地震相识别标志;
步骤5,构建砂砾岩沉积相敏感特征参数,实现砂砾岩沉积相地震预测。
2.根据权利要求1所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,步骤1包括:
(1)固有模态函数分量IMF1(t)的求取方法是使用经验模态分解方法对添加了不同噪声实现的目标信号x(t)重复分解I次,然后计算加总平均值并将其定义为x(t)的IMF1(t),
式中:t为时间变量,x(t)为地震信号,ω(t)为待添加的高斯白噪声信号,ε为待添加的高斯白噪声的标准方差,I为添加噪声的次数,i为求和变量,E()用来计算I个信号的均值,IMF(t)为分解得到的模态函数分量;
(2)记k为所划分的沉积相种类数目,对于k=1,计算一阶残差r1(t):
r1(t)=x(t)-IMF1(t)
(3)利用经验模态分解实现r1(t)+ε1E1(ωi(t)),直到满足第一个IMF(t)条件,计算出总体平均值并定义为IMF2(t):
(4)对于k=2,...,K,计算k阶残差rk(t):
rk(t)=rk-1(t)-IMFk(t)
式中K是IMF(t)分量的总数目;
(5)使用EMD提取出rk(t)+εkEk(ωi(t))的IMF1(t)分量,并计算出总体平均值获得目标信号的IMF(k+1)(t):
(6)重复步骤(4)(5)继续筛选过程,直到残差信号变得单调或不能再被分解为止,则得到最终残差R(t):
3.根据权利要求1所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤2中,根据需要选择相应的模态函数分量进行重构,重构得到的模态函数分量具有一定的频率成分,重构的信号为:
式中i1,i2分别为所选择用于重构的起止模态函数分量编号,IMFk(t)为分解得到的第k个模态函数分量,y(t)为重构后的信号。
4.根据权利要求1所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤3中,滤除经验模态分解过程中加入随机噪音,提高各模态函数分量的信噪比。
5.根据权利要求4所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤3中,在输入数据时,Di就是第i个样本的振幅,标准差σ计算公式为:
式中:m是指窗口的下标,n是指窗口里采样点数,Di是指第i点的值,这里指采样点的振幅,Dm是指每个窗口里n个采样点的平均值或中间值;
选择标准差最小的那个窗口,它的平均值Dm就作为第i个分析点的输出值;每个分析点反复做这个步骤,得到最后的输出。
6.根据权利要求1所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤4中,针对原始地震数据体以及各模态函数分量数据体,进行沿层地震属性提取算法研究,通过对井旁地震道分解得到的固有模态函数及其时频谱进行分析对比,建立砂砾岩地震相识别标志。
7.根据权利要求1所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤5中,通过对原始地震数据体以及各模态函数分量数据体这些数据体提取的沿层地震属性分析,构建砂砾岩沉积相敏感特征参数,用于对砂砾岩沉积相进行多属性地震预测,砂砾岩沉积相多属性地震预测采用的是K平均法算法。
8.根据权利要求7所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,步骤5包括:
5a,进行判断样本的归类;
5b,设置初始重心;
5c,进行重心的修改。
9.根据权利要求8所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤5a中,用欧基里德距离,即判断空间中任意两点x和y之间的类似度,距离越小,则x和y愈相近;用欧式距离判断样本与重心的类似度;对于输入的一个样本来说,计算出它与所有重心的距离,选出距离最小所对应的那个重心,N个重心就有N类,则样本就落入这个重心的势力圈内,也就归入了这一类。
10.根据权利要求8所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,步骤5b包括:
①当类别K=1时,Z1(0)为模最大的样本向量与模最小的样本向量的平均值,其中K是所划分的沉积相种类数目;
②当K=2时,Z1(0)为模最小的样本向量,Z2(0)为模最大的样本向量;
③当K≥3时,Z1(0)为模最小的样本向量,Z2(0)为模最大的样本向量,其余的为最大样本向量与最小样本向量中间的随机值。
11.根据权利要求8所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤5c中,选择N个重心,然后根据重心的势力圈形成模式,再计算新模式的重心,即修改重心。
12.根据权利要求11所述的基于完备总体经验模态分解的砂砾岩沉积相地震预测方法,其特征在于,在步骤5c中,当判断出所有样本归为C类,对其中的第i个重心进行修改;将归入第i类的样本值相加,求出总和,同时统计出样本数N;用总和除以样本数N,即为新的重心值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216645.1A CN109884697B (zh) | 2019-03-20 | 2019-03-20 | 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910216645.1A CN109884697B (zh) | 2019-03-20 | 2019-03-20 | 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109884697A true CN109884697A (zh) | 2019-06-14 |
CN109884697B CN109884697B (zh) | 2021-06-22 |
Family
ID=66933459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910216645.1A Active CN109884697B (zh) | 2019-03-20 | 2019-03-20 | 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109884697B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110554432A (zh) * | 2019-07-24 | 2019-12-10 | 中国石油化工股份有限公司 | 一种曲流河沉积微相智能预测方法 |
CN111551992A (zh) * | 2020-05-12 | 2020-08-18 | 中国科学院地质与地球物理研究所 | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 |
CN112180468A (zh) * | 2020-11-06 | 2021-01-05 | 中国石油大学(华东) | 一种等时地层模型控制下的砂砾岩体岩相预测方法 |
CN113218839A (zh) * | 2021-04-27 | 2021-08-06 | 江西理工大学 | 一种尾矿库渗透破坏现象监测方法、装置及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698808A (zh) * | 2012-09-28 | 2014-04-02 | 中国石油天然气集团公司 | 一种对地震和测井数据波形极值特征点分离与波形重构方法 |
US20160178772A1 (en) * | 2013-05-27 | 2016-06-23 | Statoil Petroleum As | High Resolution Estimation of Attenuation from Vertical Seismic Profiles |
CN107045144A (zh) * | 2017-05-05 | 2017-08-15 | 西南石油大学 | 一种基于ceemd的高精度频散avo属性计算方法 |
CN107966730A (zh) * | 2016-10-18 | 2018-04-27 | 中国石油化工股份有限公司 | 识别断陷湖盆陡坡带近岸水下扇沉积相带的方法 |
CN108152855A (zh) * | 2017-12-14 | 2018-06-12 | 西南石油大学 | 一种基于eemd-svd的地震流体识别方法 |
CN108333629A (zh) * | 2018-01-24 | 2018-07-27 | 中国矿业大学 | 一种利用经验模态分解和支持向量机定量预测煤厚的方法 |
-
2019
- 2019-03-20 CN CN201910216645.1A patent/CN109884697B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698808A (zh) * | 2012-09-28 | 2014-04-02 | 中国石油天然气集团公司 | 一种对地震和测井数据波形极值特征点分离与波形重构方法 |
US20160178772A1 (en) * | 2013-05-27 | 2016-06-23 | Statoil Petroleum As | High Resolution Estimation of Attenuation from Vertical Seismic Profiles |
CN107966730A (zh) * | 2016-10-18 | 2018-04-27 | 中国石油化工股份有限公司 | 识别断陷湖盆陡坡带近岸水下扇沉积相带的方法 |
CN107045144A (zh) * | 2017-05-05 | 2017-08-15 | 西南石油大学 | 一种基于ceemd的高精度频散avo属性计算方法 |
CN108152855A (zh) * | 2017-12-14 | 2018-06-12 | 西南石油大学 | 一种基于eemd-svd的地震流体识别方法 |
CN108333629A (zh) * | 2018-01-24 | 2018-07-27 | 中国矿业大学 | 一种利用经验模态分解和支持向量机定量预测煤厚的方法 |
Non-Patent Citations (3)
Title |
---|
刘庆敏 等: "基于经验模态分解的地震相分析技术", 《石油地球物理》 * |
宋志慧 等: "辽河海南洼陷沙一二段地震相精细研究", 《东北石油大学学报》 * |
张翔 等: "基于测井资料的经验模态分解法的沉积旋回界面划分", 《石油天然气学报(江汉石油学院学报)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110554432A (zh) * | 2019-07-24 | 2019-12-10 | 中国石油化工股份有限公司 | 一种曲流河沉积微相智能预测方法 |
CN111551992A (zh) * | 2020-05-12 | 2020-08-18 | 中国科学院地质与地球物理研究所 | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 |
CN111551992B (zh) * | 2020-05-12 | 2021-02-26 | 中国科学院地质与地球物理研究所 | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 |
CN112180468A (zh) * | 2020-11-06 | 2021-01-05 | 中国石油大学(华东) | 一种等时地层模型控制下的砂砾岩体岩相预测方法 |
CN112180468B (zh) * | 2020-11-06 | 2022-02-22 | 中国石油大学(华东) | 一种等时地层模型控制下的砂砾岩体岩相预测方法 |
CN113218839A (zh) * | 2021-04-27 | 2021-08-06 | 江西理工大学 | 一种尾矿库渗透破坏现象监测方法、装置及系统 |
CN113218839B (zh) * | 2021-04-27 | 2022-07-12 | 江西理工大学 | 一种尾矿库渗透破坏现象监测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109884697B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884697A (zh) | 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法 | |
CN108931814B (zh) | 一种基于多属性融合的基岩裂缝预测的方法 | |
CN114004263B (zh) | 一种特征融合转换的大型设备工况诊断预测方法 | |
Yanhu et al. | A method of seismic meme inversion and its application | |
CN108267784A (zh) | 一种地震信号随机噪声压制处理方法 | |
CN101349764B (zh) | 一种地震旋回分析方法 | |
CN103777243A (zh) | 砂泥岩薄互层储层厚度预测方法 | |
CN104297791A (zh) | 一种基于地震优势频率的反演方法及系统 | |
CN103775075A (zh) | 一种全井段岩性识别方法 | |
CN108072903A (zh) | 一种测井曲线重构方法 | |
CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
Chen | Comprehensive analysis of Oklahoma earthquakes: From earthquake monitoring to 3D tomography and relocation | |
CN109298465B (zh) | 相控砂体结构主体块状砂岩定量区分方法及装置 | |
López et al. | Facies recognition using wavelet based fractal analysis and waveform classifier at the Oritupano-A Field, Venezuela | |
Li et al. | A hybrid filtering method based on a novel empirical mode decomposition for friction signals | |
CN115629417A (zh) | 基于地震沉积学的多尺度融合及相控颗粒滩刻画方法 | |
Ancona-Navarrete et al. | Diagnostics for pairwise extremal dependence in spatial processes | |
Ouadfeul | Automatic lithofacies segmentation using the Wavelet Transform Modulus Maxima lines WTMM combined with the Detrneded Fluctuation Analysis DFA | |
CN112379435A (zh) | 相控岩溶型缝洞集合体刻画方法及装置 | |
Gouda et al. | Litho-Fluid Facies Modeling by Using Logistic Regression. | |
CN111366976A (zh) | 基于尺度导向的地震属性自适应中值滤波方法 | |
CN110096998A (zh) | 一种用于机加工表面形貌特征提取的分解方法 | |
CN109711333A (zh) | 基于信号区段分割的超声信号接收及处理方法 | |
Kpogo-Nuwoklo et al. | Wave spectra partitioning and identification of wind sea and swell events | |
de Oliveira et al. | Ensemble of heterogeneous classifiers applied to lithofacies classification using logs from different wells |
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 |