CN110231652A - 一种基于密度的含噪声应用空间聚类的地震相提取方法 - Google Patents
一种基于密度的含噪声应用空间聚类的地震相提取方法 Download PDFInfo
- Publication number
- CN110231652A CN110231652A CN201910474774.0A CN201910474774A CN110231652A CN 110231652 A CN110231652 A CN 110231652A CN 201910474774 A CN201910474774 A CN 201910474774A CN 110231652 A CN110231652 A CN 110231652A
- Authority
- CN
- China
- Prior art keywords
- seismic
- density
- noise
- clustering
- application space
- 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
- 208000035126 Facies Diseases 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 238000005192 partition Methods 0.000 claims abstract description 3
- 230000008859 change Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims 1
- 238000007621 cluster analysis Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 37
- 238000004458 analytical method Methods 0.000 description 30
- 238000005516 engineering process Methods 0.000 description 27
- 239000004576 sand Substances 0.000 description 24
- 230000008021 deposition Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 235000018185 Betula X alpestris Nutrition 0.000 description 2
- 235000018212 Betula X uliginosa Nutrition 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101000684437 Homo sapiens Selenoprotein M Proteins 0.000 description 1
- 102100023647 Selenoprotein M Human genes 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000011161 development 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
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002023 wood Substances 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
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
本发明公开了一种基于密度的含噪声应用空间聚类的地震相提取方法，包括如下步骤：S1、对实际地震资料进行处理，消除地震信号中的噪声，提高信噪比；S2、基于地震沉积学原理，沿目标层顶底界均匀分割的形成地层切片；S3、基于地层切片，提取能够表达真实目标层储层特征变化地震波形信息；S4、对获取的地震波形数据进行标准化和归一化，达到消除不同属性特征参量突变造成的影响；S5、通过基于密度的含噪声应用空间聚类方法，完成目标层地震波形数据的空间聚类分析，并形成相应的地震相图，提高了现有的沿层按时窗提取地震波形的精度，满足了波形信息随储层特征变化的要求，为地震波形聚类分析奠定物质基础。
Description
技术领域
本发明属于地球物理勘探地震相分析技术领域，特别涉及一种基于密度的含噪声应用空间聚类的地震相提取方法。
背景技术
信号处理技术在现代生产生活中有着广泛的应用，在通信、医疗、军事工业、地质勘探等等领域发挥着重要的作用。尤其是在能源勘探领域，信号处理技术几乎贯穿整个系统。地震相分析是地震信号处理的一个重要应用，地震相分析是根据地震信号的不同模式对地下储层，岩石构造进行探测，而对信号进行分类是其中的关键技术。通过将地震采集获取的信号划分为不同的类别，可实现对地层属性构造的分析，从而更利于油气的勘探。
地震相分析的方法就是通过在划分地震层序的基础上，利用各种地震参数之间的差别以及参数之间的关系，将地震层序划分为不同的区域，然后再进行推断地质结构。地震相分析中应考虑的参数有：反射振幅、主反射频率、反射极性、层速度、反射连续性、反射结构、反射丰度、地震相单元几何、与其它单元的关系。地震数据就是首先通过地表检波器接收到反射信号，然后将地震信号的细微变化和地下结构信息进行映射，该操作通过信号分类技术来完成，所示采集到的地震波形。地震相数据的解释是直接的，也是间接的。直接解释的目的是找出引起地震相单元地震特征的地质原因。所以，直接解释可能旨在预测岩性、孔隙度、流体含量，相对年龄，超压页岩、类型分层，对应的地震相单元及其地质背景地质体几何。间接解释的目的是得出一些关于沉积过程和环境、沉积物搬运方向和地质演化(海侵、消退、沉降、隆起、侵蚀)方面的结论。除了提供地震相分类，地震信号分类还通过同时评估瞬时属性，相似性及声阻抗的和AVO多属性分析相结合来更好地表达地下信息。地震相分析结果可在地震相剖面和地震相图上显示。根据该区现有的地震资料和地质条件，地震相图可能有不同的类型，如显示不同地震相单元分布的一般地震相图、砂泥岩比图、交错层理方向图和古迁移图等。
传统的地震波运动学常以人的视觉为基础提取几何特征参数进行地震相的识别，其结果因人而异，因此精度不高，满足不了目前油田储层预测的要求。因此地震多属性综合应用技术自然成了地震勘探重要手段。地震多属性综合应用分析技术从地震数据中提取多种有用的信息。以这些信息为基础的技术以广泛应用于储层预测、油气藏动态监测、油气藏特征描述等领域，并取得了很好的效果。
地震相是三维空间中特定沉积体地震反射参数的综合响应，由于在相变带地震反射参数(如反射结构、振幅、连续性、频率和层速度)与相邻单元不同,它产生的反射特征变化表征了沉积物的岩性组合、层理和沉积特征的变化。Brown等首次提出基于三维地震时间切片分析和解释沉积相的方法(参照非专利文献1)。沉积学家Wolfgang Schlager提出利用三维地震研究古代沉积形态平面展布的基本方法，并将古代沉积在地震时间切片上的响应与现代的密西西比河三角洲的航拍照片进行对比(参照非专利文献2)，其方法和Posamentier提出的等比例切片类似(参照非专利文献3)。曾洪流等提出了有关地层切片的方法、理论模型研究(参照非专利文献4)和实际地震资料解释与应用效果(参照非专利文献5)，并于首次使用了“地震沉积学”这个名称(参照非专利文献6、7)。主流的地层切片技术主要用地震振幅属性进行地震相划分，但由于地震数据分辨率和信噪比的影响，地震振幅属性在实际应用中存在不确定性和多解性。目前，较为先进的地震相划分方法是基于机器学习的地震相定量分析方法，主要包括两种：有监督分类和无监督聚类分析(参照非专利文献8、9)。有监督聚类方法需要根据有限的钻井资料和地震数据建立训练分类器，然后使用该训练器对无井区域的地震数据进行预测的过程，但是由于训练样本较少，地震波形或者地震属性与已知的储层含气性特征很难建立准确的关系模型，导致预测的精度降低(参照非专利文献10、11、12)。徐海等提出了高精度层序地层格架约束下的基于波形相对变化的波形－微相定量表征综合解释技术，首先利用主成分分析法(Principal ComponentAnalysis,PCA)降维，然后采用有监督和无监督自组织神经网络方法(Self-OrganizingMap,SOM)实现波形聚类分析(参照非专利文献13)。李辉等基于自组织神网络波形聚类的方法识别出主河道、河道侧翼等不同叠合模式砂体边界(参照非专利文献14)。白博等则是在计算能够突出贝壳灰岩内部反射特征的伪阻抗体的基础上，开展伪阻抗波形聚类分析，预测贝克灰岩展布(参照非专利文献15)。刘爱群等在分频属性分析确定砂体边界的基础上，结合已知油气田的波形特征，开展聚类分析进一步确定有利储层(参照非专利文献16)。林年添等则利用不同卷积核卷积升维形成各类纵、横波地震属性，再利用聚类分析法进行无监督学习对纵、横波地震属性降维，然后以聚合属性作为支持向量机的学习集进行含油气储层地震预测(参照非专利文献17)。陈雷等提出了一种基于相似性传播聚类与主成分分析的地震断层识别方法，并可对断层进行"量化"解释(参照非专利文献18)。但是仍然存在一定的不足，需要事先给定地震波形聚类类别的数量,无法有效识别出噪声点，并且无法满足空间中以任意形状分布的波形聚类，因此聚类分析的精度无法保证。因此，亟需一种能考虑到振幅、频率、相位等综合因素变化对地震相变的影响，同时具有更高的分类精度，分类也更加符合地质规律的地震相提取方法。
引文列表
非专利文献
非专利文献1:Brown A R,Dahm C G,and Graebner R J.A stratigraphic casehistory using three-dimensional seismic data in the Gulf ofThailand.Geophysical Prospecting,1981,29(3):327～349.
非专利文献2:Wolfgang Schlager.The future of applied sedimentarygeology.Journal of Sedimentary Research,2000,70(1):2～9.
非专利文献3:Posamentier H W,Dorn GA,ColeM J,Beierle CW and Ross SP.Imaging elements of depositional systems with 32D seismic data:A casestudy:Gulf Coast Section SEPM Foundation,17th Annual Research Conference,1996.213～228.
非专利文献4:Zeng Hongliu,Backus M M,Barrow KT,et al.Stratal slicing,Part I:Realistic 3-D seismic model.Geophysics,1998,63(2):502～513.
非专利文献5:Zeng Hongliu,Henry S C,Riola J P.Stratal slicing,Part II:Real 3-D seismic data.Geophysics,1998,63(2):514～521.
非专利文献6:Zeng Hongliu,Hentz T F,Wood L J.Stratal slicing ofMiocene-Pliocene sediments in Vermilion Block 50-Tiger Shoal area,offshoreLouisiana.The Leading Edge,2001,20(4):408～418.
非专利文献7:Zeng Hongliu.Ambrose W A.Seismic sedimentology andregional depositional systems in Mioceno Norte,Lake Maracaibo,Venezuela.TheLeading Edge,2001,20(11):1 260～1 269.
非专利文献8:Hall,B.Facies classification using machine learning,THELEADING EDGE,2016,October,906–909,doi:10.1190/tle35100906.1.
非专利文献9:A.Eric,B.John.Seismic Waveform Classification:Techniquesand Benefits[J].CSEG Recorder,March 2004,26-29.
非专利文献10:T.Coleou,M.Poupon,K.Azbel.Unsupervised seismic faciesclassification:A review and comparison of techniques and implementation[J].The Leading Edge,2003,22(10):942-953.
非专利文献11:S.Bhattacharya,T.R.Carr,M.Pal.Comparison of supervisedand unsupervised approaches for mudstone lithofacies classification:Casestudies from the Bakken and Mahantango-Marcellus Shale,USA[J].Journal ofNatural Gas Science&Engineering,2016,33:1119-1133.
非专利文献12:M.Saggaf,M.Marhoon.Seismic facies mapping by competitiveneural networks[C].SEG Technical Program Expanded Abstracts,San Antonio,2001,1544-1547.
非专利文献13:徐海，都小芳，高君，等.基于波形聚类的沉积微相定量解释技术研究[J].石油物探，2018，57(5)：744-755；
Xu Hai,Du Xiaofang,Gao Jun,et al.Quantitative interpretation ofsedimentary microfaacies based on waveform clustering:a case study of Xoilfield,Middle East[J].Geophysical Prospecting for Petroleum,2018,57(5):744-755.
非专利文献14:李辉，罗波，何雄涛，等.基于地震波形聚类储集砂体边界识别与预测[J].工程地球物理学报，2017，14(5):573-577；
Li Hui,Luo Bo,He Xiongtao,Xiao Jianling.Boundary Identification andPrediction of Sand Body Based On Seismic Waveform[J].Chinese Journal ofEngineering Geophysics.2017,14(5):573-577.
非专利文献15:白博，舒梦珵，康洪全，等.基于伪阻抗体波形聚类的贝克灰岩储层预测方法[J].物探化探计算技术.2015，37(6):724-727；
Bai Bo,Shu Meng-cheng,Kang Hong-quan,Luo Zong-qiang,Cheng Tao,JiaHuai-cun.Coquina reservoir prediction method of seismic pseudo–impedancewaveform clustering[J].2015，37(6):724-727.
非专利文献16:刘爱群，陈殿远，任科英.分频与波形聚类分析技术在莺歌海盆地中深层气田区的应用[J].地球物理学进展，2013,28(1):0338-0344.
Liu Ai-qun,Chen Dian-yuan,Ren Ke-ying,Frequency decomposition andwaveform cluster analysis techniques Yinggehai Basin gas field in the deeparea of application[J].Progress in Geophys.(in Chinese),2013,28(1):0338-0344.
非专利文献17:C刘爱群，陈殿远，任科英.分频与波形聚类分析技术在莺歌海盆地中深层气田区的应用[J].地球物理学进展，2013,28(1):0338-0344.
Liu Ai-qun,Chen Dian-yuan,Ren Ke-ying,Frequency decomposition andwaveform cluster analysis techniques Yinggehai Basin gas field in the deeparea of application[J].Progress in Geophys.(in Chinese),2013,28(1):0338-0344.
非专利文献18:陈雷,肖创柏,禹晶,王真理,李学良.基于相似性传播聚类与主成分分析的断层识别方法[J].石油地球物理勘探，2017，52(4)：826-833；
Chen Lei,Xiao Chuangbai,Yu Jing,Wang Zhenli,Li Xueliang.Faultrecognition based on affinity propagation clustering and principal componentanalysis.OGP,2017,52(4):826-833
非专利文献19:郭兆裕.脉冲雷达信号分选算法加速技术研究(D).哈尔滨工业大学，2018.Guo Zhaoyu.Research on acceleration technology of pulse radar signalsorthing algorithm(D).Harbin Institute of Technology,2018.
非专利文献20:韩兴磊.住宅非侵入式负荷监测算法研究(D).华南理工大学,2018Han Xinglei.Research on Non-Intrusive Load Monitoring Algorithms inResidential Building(D).South China University of Technology,2018.
发明内容
本发明的目的是提供一种基于密度的含噪声应用空间聚类的地震相提取方法，基于地震沉积学原理的地层切片技术沿地层切片提取波形信息，有效的提高了现有的沿层按时窗提取地震波形的精度，能较好的满足波形信息随储层特征变化的要求，为地震波形聚类分析奠定物质基础。
为了解决上述问题，本发明提供一种基于密度的含噪声应用空间聚类的地震相提取方法，所述方法包括如下步骤：
S1、对实际地震资料进行常规处理，消除地震信号中的噪声，提高信噪比；
S2、基于地震沉积学原理，沿目标层顶底界均匀分割的形成地层切片；
S3、基于地层切片，按时窗提取能够表达真实目标层储层特征变化地震波形信息，所述时窗采样点数为5、7、9、11、15、21；
S4、对获取的地震波形数据进行标准化和归一化，达到消除不同属性特征参量突变造成的影响；
S5、通过基于密度的含噪声应用空间聚类方法，完成目标层地震波形数据的空间聚类分析，并形成相应的地震相图。
进一步地，所述对实际地震资料进行常规处理为获取反射层的旅行时信息。
进一步地，所述对实际地震资料进行常规处理中还进行叠前时间偏移处理，形成偏移剖面。
与现有技术相比，本发明具有以下显著效果：
1、本发明基于地震沉积学地层切片方法的地震波形提取方法，相比于传统的沿层按固定时窗提取具有更高的精度和明确地质含义；
2、本技术方案提供的算法是基于机器学习的聚类分析算法，更适合大数据的分析和应用，通过对地震数据的标准化和归一化，提升聚类分析的效果；
3、本技术方案所述的算法与通常所用的K-means、SVM、神经网络等方法相比，本发明采用DBSCAN(密度的含噪声应用空间聚类)不需要事先知道要形成的簇类的数量；
4、本发明的技术方案与K-means、SVM、神经网络方法相比，DBSCAN(密度的含噪声应用空间聚类)可以发现任意形状的簇类，并且能够识别出噪声点，提高聚类分析的精度。
附图说明
图1是本发明基于密度的含噪声应用空间聚类的地震相提取方法的流程图；
图2是本发明实施例的物理模型采集示意图；
图3为本发明实施例的模型砂体空间展布图；
图4为本发明实施例的实际模型的垂直切面及砂体厚度分布图；
图5为本发明实施例中不同层砂体的平面展布图；
图6是本发明实施例中实际观测的物理模型数据经过时间偏移处理获得的地震剖面及解释层位和地层切片；
图7是本发明实施例中沿目标层提取的沿层波形特征图；
图8是本发明实施例中利用地层切片结合均方根振幅属性提取的物理模型数据地震相划分图；
图9是本发明实施例中利用地层切片结合DBSCAN波形聚类分析技术得到的物理模型数据地震相划分图；
图10是本发明实施例中利用地层切片结合均方根振幅属性提取得到的南海某工区地震相划分图；
图11是本发明实施例中利用地层切片结合DBSCAN波形聚类分析技术得到的南海某工区地震相划分图；
图12是本发明实施例的两个地质体之间的最小水平距离切面图；
图13是菲涅耳带的示意图；
图14是本发明实施例中三种地层切片的对比图；(a)为时间切片穿过倾斜的标准时间界面；(b)为沿层切片在横向厚度变化时，穿过另一个标准时间界面；(c)为地层切片与两个标准时间界面的倾向大体一致的标准时间界面；
图15是DBSCAN密度聚类的示意图；
图16是本发明实施例的DBSCAN和K-Means聚类分析对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明是在研究了以下问题的基础之上提出的：
1、时间切片是沿某一固定地震旅行时对地震数据体进行切片显示，切片方向是沿垂直于时间轴的方向，即沿着或平行于追踪地震同相轴所得的层位进行切片；沿层切片是沿某一个没有极性变化的反射界面的切片，即沿着或平行于追踪地震同向轴所得的层位进行的切片，它更倾向于具有地球物理意义。
2、地层切片技术就是以追踪的两个等时沉积界面为顶、底，在顶、底间等比例地内插出一系列的层位，再沿这些内插出的层位逐一生成切片。地层切片技术考虑了沉积速率随平面位置的变化，比时间切片和沿层切片更加合理而且更接近于等时沉积界面。
3、基于地层切片的传统的振幅属性分析，不能准确反映储层的横向变化，对储层特征的细微变化信息反应不全面；
4、本发明基于地层切片的理论，结合DBSCAN波形聚类分析，可以更精细的反映储层的横向变化，对储层特征的细微变化信息反应全面。本发明首先利用叠前时间偏移数据，在断面波归位，绕射波收敛的基础上，通过构造精细解释，再结合地层切片技术，将构造顶底的目标层划分成不同沉积特征的地层切片，基于地层切片按一定的时窗(5、7、9、11、15、21样点数)提取表达地层特征变化的波形特征向量，利用DBSCAN波形聚类分析算法，获得表达地震相分布的聚类分析结果。
如图1所示，为本发明实施例开展基于地层切片的密度的含噪声应用空间聚类波形聚类地震相划分的流程，具体包括如下：
首先，对地震数据进行必要的处理，对于常规处理来说，很小的时移和噪声不会影响叠加效果，但是对于波形特征聚类分析处理而言，它将对波形聚类的结果造成较大的误差，从而导致聚类分析进行地震相划分时出现错误。
其次，利用地层切片技术，在叠前偏移数据体上，将解释的构造顶底界面作为约束，计算出按比例分割的地层切片。
最后，利用地层切片，结合目的层位置，选择合适的时窗，提取沿层波形特征向量，在此基础上，基于无监督机器学习的DBSCAN波形聚类分析，实现地震信号的波形聚类，基于聚类分析结果，解释地震相的分布。
本技术主要针对以现代沉积学和地球物理学为理论基础，利用三维地震资料，经过层序地层、地层切片和地震属性分析，研究地层岩性宏观特征、沉积结构，确定储层岩性、储层空间形态和储层质量，研究沉积岩性、沉积体几何形态以及储层质量是地层切片的理论基础。
由于地震垂向分辨率的局限，小于1/4波长的地质体无法在剖面上得以识别。但一般沉积体系都具有宽度远远大于厚度这一特征(Galloway，1983)，这种特征会影响到地层的地震响应，使之所产生的波形特征存在差异，因而利用属性等技术，是可以在平面空间上勾勒出地质体的分布的。这就是说，利用地震垂向分辨率难以确定的薄层砂体，可以利用地震水平分辨率来确定，即地球物理学中“菲涅耳带”的概念。
地震勘探分辨率包括垂直分辨率和水平分辨率，只有垂直分辨率和水平分辨率都提高了，地震勘探的精度才提高了。垂直分辨率是指可分辨垂向地层厚度的时间。两个振幅相同、极性相反的尖脉冲间距趋近于四分之一波长时，两者相长干涉，而不能分辨。随着埋深加大，波长加长，分辨率降低。水平分辨率是指利用地震资料，在横向上可分辨两个地质体之间的最小水平距离(Fresnel带)(图12)。根据物理地震学观点，地面检波点接收到的反射信号不是来自一个点，而是来自一个面上的所有绕射波叠加的结果(图11)。
图13中OR0O是传播时间最短的路径，OR1O的传播时间比最短传播时间大T/2，在这个圆内到达反射面的各个子波都是同向相加，能量比较强，这个半径为R0R1的圆的范围称为第一菲涅耳，R0R1称为第一菲涅耳带；该图中OR2O的传播时间比OR0O大1T，这个圆与通过R1的圆之间的环形区称为第二菲涅耳带，R0R2为第二菲涅耳带半径；第二菲涅耳带中各点对应的传播时间与最短传播时间之差在T/2与1T之间，以此类推，传播时间与最短时间之差在1T与3T/2之间的各点属于第三菲涅耳带，R0R3为第三菲涅耳带半径。小于菲涅耳带记录到的反射波不可分辨，大于这个范围反射波才可分辨。
影响分辨率的因素：
(1)地震子波延续时间和相位：具有相同振幅谱的各种子波中，零相位子波的分辨率最高；在同样频带内，混合相位子波的最小相位子波分辨率都不高。
(2)记录仪器设备和观测系统：检波器、记录仪器设备、采样间隔、记录道数、覆盖次数和震源等都影响地震记录的分辨率。
(3)影响分辨率的地质因素，如岩石的吸收作用、层间多次反射和表层低速层的影响等。
所述地层切片技术，其切片的分类：
从沉积面(地质时代界面)上所提取的地震振幅能表示整个地震探区中某沉积体系的总体延伸，这种地震界面显示被称为地层切片。地层切片能很容易地拾取振幅型或结构异常型沉积体系，如现代海底峡谷和盆地扇、嵌入厚层页岩的河道、天然堤体系、硅质碎屑岩系内的薄灰岩层，这些部位的等时地震异常容易识别和追踪。但在一个地震异常极少的三维地震数据中要拾取地层切片，难度较大。目前使用的切片方法主要有三种：时间切片、沿层切片和地层切片。
1、时间切片
时间切片是沿某一固定地震旅行时对地震数据体进行切片显示，切片方向是沿垂直于时间轴的方向，即沿着或平行于追踪地震同相轴所得的层位进行切片。
2、沿层切片
沿层切片是沿某一个没有极性变化的反射界面的切片，即沿着或平行于追踪地震同向轴所得的层位进行的切片，它更倾向于具有地球物理意义。
3、地层切片
地层切片则是以追踪的两个等时沉积界面为顶底，在顶底间按线性比例内插出一系列的层位，沿这些内插出的层位逐一生成切片。这种方法产生的切片能容易地拾取振幅型或结构异常型沉积体系，特别是对河流、三角洲砂体的识别吻合性较高。地层切片技术考虑了沉积速率随平面位置的变化，比时间切片和沿层切片更加合理而且更接近于等时沉积界面。
三种切片的对比
结合图14所示，假如地层是席状且平卧的，时间切片就足够了；假如地层是席状但并非平卧状态，则沿层切片更合适；假如地层既不是席状的也不呈平卧状，则必须选地层切片。地层切片比时间切片和沿层切片更接近于地质时间界面。
油气勘探开发的地震解释实践证明，地震属性的时间切片可以辅助地层岩性解释和沉积相的解释，但存在很大的局限性，并且应用条件十分苛刻，一般情况下，实际地震数据几乎难于满足要求。沿层切片在某些情况下贴近于真实的属性提取方式，这种方式除了图14中表示的平行于顶界面的方式，还有平行于底界面的方式，这种提取属性切片的方式与三维地质建模过程中定义层间地层产状的方式相近。如果，我们在层序地层学解释过程中仅仅解释了层序边界这样一些主要地质界面，那么，年代地层框架的精度(等时界面的时间跨度)就不能满足生成地层切片的需要。但是，沿层切片仍然是属性切片的主要手段。
地层切片的优势在于对目的层段进行精细的沉积研究，其技术关键并不是生成地层切片体，而是如何建立年代地层的框架模型。在建立年代地层框架的过程中，需要确定选择哪些地质等时界面进行拾取和追踪；在等时界面的解释过程中，始终不要忘记复杂的地质特征(断层、上超、下超、底超和角度不整合等)的定义；对于构造和地层关系越复杂的地区，越需要在年代地层框架模型中加入更多的等时界面。换句话说，就是“只有在年代地层框架模型包括了所有沉积控制作用的地质等时界面的情况下，才能使用地层切片提取”。根据地层切片的定义，结合高分辨率层序地层学的相关理论，我们认为同一地质时期沉积的地层厚度的变化往往与沉积物体积分配作用和相分异作用有关，而地震沉积学正是研究地层的沉积演化规律的，所以，遵循这个规律提取的地层切片体对地震沉积学研究至关重要。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。
(参考非专利文献19、20)DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本之间是紧密相连的，即该类别任意样本周围不远处一定有同类别的样本存在。将紧密相连的样本划为一类，就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，则就得到了最终的所有聚类类别结果。DBSCAN是基于一组邻域来描述样本集的紧密程度的，参数(ε,MinPts)用来描述邻域的样本分布紧密程度。其中，ε描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为ε的邻域中样本个数的阈值。假设样本集是D＝(x1,x2,…,xm)，则DBSCAN具体的密度描述定义如下：
1、ε-邻域：xj∈D，其ε-邻域包含样本集D中与xj的距离不大于ε的子样本集，即Nε(xj)＝{xi∈D{xi∈D|distance(xi,xj)≤ε},这个子样本集的个数记为|Nε(xj)|；
2、核心对象：对于任一样本xj∈D，如果其ε-邻域对应的Nε(xj)至少包含MinPts个样本，即如果|Nε(xj)|≥MinPts，则xj是核心对象。
3、密度直达：如果xi位于xj的ε-邻域中，且xj是核心对象，则称xi由xj密度直达。注意反之不一定成立，即此时不能说xj由xi密度直达,除非且xi也是核心对象。
4、密度可达：对于xi和xj,如果存在样本序列p1,p2…pT,满足p1＝xi，pT＝xj，且由pT+1由pT密度直达，则称xj由xi密度可达。也就是说，密度可达满足传递性。此时序列中的传递样本p1,p2…pT-1均为核心对象，因为只有核心对象才能使其他样本密度直达。注意密度可达也不满足对称性，这个可以由密度直达的不对称性得出。
5、密度相连：对于xi和xj,如果存在核心对象样本xk，使xi和xj均由xk密度可达，则称xi和xj密度相连。注意密度相连关系是满足对称性的。
所述DBSCAN波形聚类流程：
在具体实现中，假设样本集S＝(s1,s2,…,sm)，DBSCAN首先选择任意一个没有类别的核心点si∈S为种子点，寻找该核心点密度可达的样本子集形成一个聚类簇C1＝(c11,c12,…,c1n)，n≤m。然后再选择另一个没有类别的核心点sj∈S寻找密度可达的样本子集，形成另一个聚类簇C2＝(c21,c22,…,c2n)，n≤m，直到所有核心点都实现类别分类。另外，对于一些不位于任何核心点的ε-邻域内的异常样本点则按噪声点处理。DBSCAN中的距离度量则和K-近邻分类算法的最近邻思想相同，比如用欧氏距离、曼哈顿距离、切比雪夫距离等度量。对于某些样本点，其到达两个核心对象的距离都小于ε，而两个核心对象又不是密度直达，不属于同一类簇，DBSCAN则采用先来后到的原则，该样本就会以先进行聚类的类簇进行标记，因此DBSCAN的算法不是完全稳定的。
结合图15所示，给定ε-邻域和密度阈值MinPts＝5，则密度直达的样本点就在以ε-邻域为半径，以核心样本点为中心的球体内，不在球体内的样本点不能密度直达。图中连接的核心点构成密度可达的样本序列，且在ε-邻域内该序列的所有样本都是密度相连的，因此这些点就可以分为同一类。
为了体现DBSCAN对非凸数据集的聚类优点，我们生成一组三簇随机数据，两组是非凸的，其中图16(a)是3簇随机数，图16(b)是基于K-Means聚类分析的结果，图16(c)是基于DBSCAN聚类分析的结果。从聚类分析效果上看，K-Means对于非凸数据集的聚类表现不好，而DBSCAN则可以准确的区分三类样本，得到满意的聚类结果。从本例可以看出，对于非规则隐蔽型储集体如河道砂体等，其空间展布的形态往往是非凸的，采用DBSCAN进行聚类分析，可获得较好的聚类效果。
结合图2、图5所示，采集区域数据建立物理模型，其区域水深:水层高(北)150mm，水层高(南)150mm；模型高(北)115mm，模型高(南)115mm；模型设计时不同层砂体的展布，作为一种相分布，利用本技术得到的结果与传统方法得到的结果对比图如图8(传统技术)和图9(本技术)所示。如图3所示，地质模型是基于经抽象化改造后设计的砂体形态模型，主要模拟三个油层、六小段的砂体的空间叠置，七层不同的砂体模式如：菱形砂体、哑铃状砂体、肠状砂体、朵状砂体、肾状砂体及指状砂体等，各个砂体在空间位置上叠置，砂体厚度很薄且均不同。模型按1:10000的空间比例制作，即实际的地质体是模型的10000倍。整个模型的模拟为8000×6400m2，150m内设计了七层薄砂体，每层厚10-15m，且每一层的砂体展布各不相同，有蛇形、朵形、指形、肾形、肠形、哑铃形及菱形等。实际模拟地质模型中有7层地层，砂体是三维形态，整个模型也是三维模型，实际模拟地质区域为8000m×6400m×2200m。基层速度为2800m/s，砂层速度为2700m/s，泥层速度约为2400m/s。表1给出了各地层的速度和密度参数。图3给出了砂体空间形态视图。图4给出了模型中线砂体厚度剖面。图6是对观测数据进行偏移处理后的某条剖面及在剖面上解释的层位旅行时和地层切片，图7是沿层提取的波形特征，图8是用传统地层切片技术进行的地震相划分，图9是用本方法基于地层切片概念提取的信息进行的地震相划分，从划分效果上看，本技术能够表现更多的相变细节，对不同厚度的地层可以划分出不同的类型。图10是南海某工区沿地层切片提取的均方根振幅属性，图11是南海某工区沿地层切片提取的波形进行DBSCAN聚类的结果，可以看到，基于密度的聚类获得的地震相图和实际情况更相符，很准确的分出了三个主要的相带。
综上所述，结果说明在基于地层切片分析的基础上，加入DBSCAN聚类分析技术，提高了地震相划分精度，从而验证了本技术方案对于提升地震相划分精度的有效性。
表1模型各层速度参数
Claims (3)
1.一种基于密度的含噪声应用空间聚类的地震相提取方法，其特征在于，所述的方法包括如下步骤：
S1、对实际地震资料进行常规处理，消除地震信号中的噪声，提高信噪比；
S2、基于地震沉积学原理，沿目标层顶底界均匀分割的形成地层切片；
S3、基于地层切片，按时窗提取能够表达真实目标层储层特征变化地震波形信息，所述时窗采样点数为5、7、9、11、15、21；
S4、对获取的地震波形数据进行标准化和归一化处理，达到消除不同属性特征参量突变造成的影响；
S5、通过基于密度的含噪声应用空间聚类方法，完成目标层地震波形数据的空间聚类分析，并形成相应的地震相图。
2.如权利要求1所述的一种基于密度的含噪声应用空间聚类的地震相提取方法，其特征在于，所述对实际地震资料进行常规处理为获取反射层的旅行时信息。
3.如权利要求1所述的一种基于密度的含噪声应用空间聚类的地震相提取方法，其特征在于，所述对实际地震资料进行常规处理中还进行叠前时间偏移处理，形成偏移剖面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910474774.0A CN110231652B (zh) | 2019-06-03 | 2019-06-03 | 一种基于密度的含噪声应用空间聚类的地震相提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910474774.0A CN110231652B (zh) | 2019-06-03 | 2019-06-03 | 一种基于密度的含噪声应用空间聚类的地震相提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110231652A true CN110231652A (zh) | 2019-09-13 |
| CN110231652B CN110231652B (zh) | 2021-09-17 |
Family
ID=67858987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910474774.0A Active CN110231652B (zh) | 2019-06-03 | 2019-06-03 | 一种基于密度的含噪声应用空间聚类的地震相提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110231652B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| CN112463776A (zh) * | 2020-11-02 | 2021-03-09 | 中国石油天然气集团有限公司 | 基于深度自编码器的地震数据特征提取及聚类方法及装置 |
| CN112764110A (zh) * | 2020-07-09 | 2021-05-07 | 五季数据科技(北京)有限公司 | 一种基于限制波尔兹曼机特征编码的聚类地震相分析方法 |
| CN112764103A (zh) * | 2020-07-09 | 2021-05-07 | 五季数据科技(北京)有限公司 | 一种基于稀疏编码特征dbscan聚类地震相分析方法 |
| CN114624763A (zh) * | 2020-12-10 | 2022-06-14 | 中国石油天然气股份有限公司 | 地震相图生成方法及装置 |
| CN115047523A (zh) * | 2022-05-27 | 2022-09-13 | 青岛海洋地质研究所 | 一种基于密度聚类算法的地震数据动校正方法 |
| CN115826039A (zh) * | 2022-11-09 | 2023-03-21 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454678A (zh) * | 2013-08-12 | 2013-12-18 | 中国石油天然气股份有限公司 | 一种地震切片等时性的确定方法及系统 |
| CN106443781A (zh) * | 2016-09-08 | 2017-02-22 | 西南石油大学 | 一种预测薄层砂体分布的方法 |
| CN107678060A (zh) * | 2017-08-29 | 2018-02-09 | 中国石油天然气股份有限公司 | 一种地层切片优选方法 |
| CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
-
2019
- 2019-06-03 CN CN201910474774.0A patent/CN110231652B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454678A (zh) * | 2013-08-12 | 2013-12-18 | 中国石油天然气股份有限公司 | 一种地震切片等时性的确定方法及系统 |
| CN106443781A (zh) * | 2016-09-08 | 2017-02-22 | 西南石油大学 | 一种预测薄层砂体分布的方法 |
| CN107678060A (zh) * | 2017-08-29 | 2018-02-09 | 中国石油天然气股份有限公司 | 一种地层切片优选方法 |
| CN109725348A (zh) * | 2017-10-30 | 2019-05-07 | 中国石油化工股份有限公司 | 一种基于地震资料识别沉积相的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘宝国 等: "实用地震沉积学在沉积相分析中的应用", 《石油物探》 * |
| 杨瑞超: "DBSCAN算法在地震相划分中的应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| CN111178320B (zh) * | 2020-01-07 | 2020-11-17 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| CN112764110A (zh) * | 2020-07-09 | 2021-05-07 | 五季数据科技(北京)有限公司 | 一种基于限制波尔兹曼机特征编码的聚类地震相分析方法 |
| CN112764103A (zh) * | 2020-07-09 | 2021-05-07 | 五季数据科技(北京)有限公司 | 一种基于稀疏编码特征dbscan聚类地震相分析方法 |
| CN112463776A (zh) * | 2020-11-02 | 2021-03-09 | 中国石油天然气集团有限公司 | 基于深度自编码器的地震数据特征提取及聚类方法及装置 |
| CN114624763A (zh) * | 2020-12-10 | 2022-06-14 | 中国石油天然气股份有限公司 | 地震相图生成方法及装置 |
| CN115047523A (zh) * | 2022-05-27 | 2022-09-13 | 青岛海洋地质研究所 | 一种基于密度聚类算法的地震数据动校正方法 |
| CN115047523B (zh) * | 2022-05-27 | 2024-05-07 | 青岛海洋地质研究所 | 一种基于密度聚类算法的地震数据动校正方法 |
| CN115826039A (zh) * | 2022-11-09 | 2023-03-21 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
| CN115826039B (zh) * | 2022-11-09 | 2023-07-14 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110231652B (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Brown | Interpretation of three-dimensional seismic data | |
| CN110231652A (zh) | 一种基于密度的含噪声应用空间聚类的地震相提取方法 | |
| Chopra et al. | Emerging and future trends in seismic attributes | |
| US5586082A (en) | Method for identifying subsurface fluid migration and drainage pathways in and among oil and gas reservoirs using 3-D and 4-D seismic imaging | |
| EP2548052B1 (en) | System and method of 3d salt flank vsp imaging with transmitted waves | |
| Maresh et al. | Seismic attenuation of Atlantic margin basalts: Observations and modeling | |
| Bruno et al. | Groundwater characterization in arid regions using seismic and gravity attributes: Al Jaww Plain, UAE | |
| CN112764103A (zh) | 一种基于稀疏编码特征dbscan聚类地震相分析方法 | |
| Okpoli et al. | Integration of Well logs and seismic attribute analysis in reservoir identification on PGS field onshore Niger Delta, Nigeria | |
| CN115857047A (zh) | 一种地震储层综合预测方法 | |
| Lyons et al. | Seismic Exploration for Stratigraphic Traps: Geophysical Exploration Methods | |
| Jia et al. | Advances and challenges of reservoir characterization: A review of the current state-of-the-art | |
| Ningkai et al. | Seismic description and fluid identification of thin reservoirs in Shengli Chengdao extra-shallow sea oilfield | |
| Miall | Basin mapping methods | |
| Williams-Rojas et al. | Geologic controls on reservoir performance in Muspac and Catedral gas fields, southeastern Mexico | |
| Schroeder et al. | Qualitative seismic interpretation | |
| Chinwuko et al. | Integration of seismic attributes in delineation of channel features in Rence field of Niger Delta, Nigeria | |
| Xu et al. | A multiple-point stochastic-based turbidite lobe architecture geomodeling: A case study from L Oilfield, Lower Congo Basin, West Africa | |
| Paulen et al. | Bedrock topography and drift thickness models from the Timmins area, northeastern Ontario: An application of GIS to the Timmins overburden drillhole database | |
| Carrillat et al. | Integrated geological and geophysical analysis by hierarchical classification: combining seismic stratigraphic and AVO attributes | |
| Adlakha | Fracture analysis and modelling of the South Arne field | |
| Yushendri | Quantitative Seismic Interpretation of the Devonian Woodford Shale in Anadarko Basin, Oklahoma | |
| Gadallah et al. | Seismic Interpretation | |
| Maduna | 3D seismic constraints on the strato-structural evolution of the deep-water Orange Basin, South Africa | |
| GOBASHY et al. | Integrated AVO inversion and seismic attributes for tracing hydrocarbon accumulation in Kafr El-Sheikh Formation, South Batra field, Nile Delta, Egypt: A case study |
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 |