CN110490111A - 一种基于局部线性嵌入的地震强反射层分离方法 - Google Patents

一种基于局部线性嵌入的地震强反射层分离方法 Download PDF

Info

Publication number
CN110490111A
CN110490111A CN201910739582.8A CN201910739582A CN110490111A CN 110490111 A CN110490111 A CN 110490111A CN 201910739582 A CN201910739582 A CN 201910739582A CN 110490111 A CN110490111 A CN 110490111A
Authority
CN
China
Prior art keywords
seismic data
reflecting layer
point
strongly reflecting
sample point
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
Application number
CN201910739582.8A
Other languages
English (en)
Other versions
CN110490111B (zh
Inventor
唐青松
周路
杨巍
杨应
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201910739582.8A priority Critical patent/CN110490111B/zh
Publication of CN110490111A publication Critical patent/CN110490111A/zh
Application granted granted Critical
Publication of CN110490111B publication Critical patent/CN110490111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于局部线性嵌入的地震强反射层分离方法，包括以下步骤：S1：选择目标区域内的强反射层进行层拉平处理；S2：将层拉处理后的地震数据作为输入数据，采用LLE方法寻找相对于每个样本点xi的欧氏距离最近的k个样本点，其中xi为输入地震数据的每个采样点，将其规定为所求点的近邻点xj，k是一个预先给定的值；解决了以往方法计算过程比较复杂、计算效率不高、最优参数选取不易和没有达到较为理想的最优效果的问题。

Description

一种基于局部线性嵌入的地震强反射层分离方法
技术领域
本发明涉及地震强反射层分离方法领域，特别是一种基于局部线性嵌入的地震强反射层分离方法。
背景技术
地震勘探是寻找油气的主要手段，利用地震资料进行储层预测和流体识别一直是油气勘探领域的主要研究领域。但是，地震资料中通常含有不同程度的强反射波干扰，从而屏蔽了储层的有效反射信息，如：目标砂体顶部含灰或因泥岩脱水等作用形成的高速层干扰；在沙泥页岩层发育区，上下界面较大的波阻抗差异导致了强反射同相轴的出现，强反射同相轴严重屏蔽了下部储层的弱信号；煤系地层沉积时，往往会造成煤层和目标储层存在上下叠置关系，从而导致有效砂体反射信息淹没于煤层反射之中；由于地质沉积间断面会引起不整合破碎带强反射屏蔽不整合附近的有效砂体反射等。针对上述地质沉积环境可知，由于其地球物理特征主要表现为较强的反射波同相轴，严重屏蔽了相邻储层的弱反射信号，降低了储层预测的精度，成为亟待解决的问题。常规处理的地震资料很难满足复杂储层精细解释的需求。
强反射层在实际资料分析中普遍存在，传统描述这类储层的方法是按照一定时窗提取属性，直接进行分析和描述，但是由于强反射层对下部储层的屏蔽作用，下伏地层的地震响应特征淹没在上部强反射波形特征中，直接提取地震平面属性无法有效识别相应含油气储层的分布范围，这大大影响了储层预测成果的精度。
后来，为了解决这个问题，有研究人员提出使用匹配追踪算法(MatchingPursuitAlgorithm)对强反射层进行分离，取得了一定的效果，但是，匹配追踪法对地震信号进行处理时，受数据噪音影响严重，造成分解出的原子不稳定，波形多变，处理结果的横向不稳定性和非唯一性，很难保证空间上较强的连续性，并没有达到较为理想的最优效果。
为了找到更好的去除强反射层的方法，我们从另一个角度—特征提取的角度，提出了一种基于局部线性嵌入(Locally Linear Embedding,LLE)的方法来进行强反射层的分离的新方法，取得了比较理想的效果。
局部线性嵌入(Locally LinearEmbedding,以下简称LLE)是一种降维方法，LLE在降维时保持了样本的局部特征，与常用的线性降维方法PCA、LDA等相比，特征提取能力更强，更具有普遍意义。
LLE是一种针对非线性数据的一种新的降维技术，它的基本思想是，把数据集看做是由许多相互邻接的局部线性块拼接而成即假设数据集为某一局部线性流形的采样,这种局部线性块或邻域概要的描述了高维数据集的本征属性,从而抓住了这种特性,也就抓住了高维数据集的根本特征,LLE方法便是以此为出发点的。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于局部线性嵌入的地震强反射层分离方法，解决了以往方法计算过程比较复杂、计算效率不高、最优参数选取不易和没有达到较为理想的最优效果的问题。
本发明采用的技术方案是，一种基于局部线性嵌入的地震强反射层分离方法，包括以下步骤：
S1：选择目标区域内的强反射层进行层拉平处理；
S2:将层拉平后的地震数据作为输入数据，采用LLE方法寻找相对于每个样本点xi的欧氏距离最近的k个样本点，其中xi为输入地震数据的每个采样点，将其规定为所求点的近邻点xj，k是一个预先给定的值；
S3：由每个样本点的近邻点xj计算出该样本点的局部重建权值矩阵，从而提取地震数据的强背景反射特征，特征中包含强反射层的部分，
式中，xi表示输入地震数据的每个采样点；xj表示xi的邻近点；wij表示重构权值；
S4：由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，利用特征向量重构地震数据，得到仅包含强反射层的地震数据，
式中，yi表示输入地震数据降维后的低维空间映射；yj表示xi的邻近点降维后的低维空间映射；
S5：在原层拉平地震数据中减去得到的仅包含强反射层的层拉平地震数据，得到去除强反射层后的层拉平地震数据zi；
zi＝xi-yi
式中，xi为原层拉平地震数据，yi为得到的仅包含强反射层的层拉平地震数据，zi为去除强反射层后的层拉平地震数据；
S6：通过与实际储层响应特征判断是否去除强反射过量，若是，去除地震数据中没有储层反射特征，对去除掉的特征向量值整体乘以系数后，再叠加到去除强反射层后的层拉平地震数据zi中得到地震数据Z’i；若否，则系数根据实际地震反射特征匹配情况进行判断，通常Z’i取0.1-0.5；
S7：对得到的地震数据Z’i进行一次反层拉平处理，得到最终去除强反射层的地震数据。
优选地，S2的LLE方法包括以下步骤：
S21：寻找相对于每个样本点xi的欧氏距离最近的k个样本点规定为所求点的近邻点,k是一个预先给定的值；
S22：由每个样本点的近邻点xi计算出该样本点的局部重建权值矩阵；
式中，xi表示输入地震数据的每个采样点；xj表示xi的邻近点；wij表示重构权值；
S23：由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值
式中，yi表示输入地震数据降维后的低维空间映射；yj表示xi的邻近点降维后的低维空间映射。
优选地，S6实际储层响应特征为过井点地震振幅值。
本发明基于局部线性嵌入的地震强反射层分离方法的有益效果如下：
1.本发明采用的是另一种方式，采用特征提取的方式，以LLE的降维方法来提取并分离强反射层，分离效果理想，计算效率较高，适合工业流程。另外，在特征提取前，采用了层拉平的技术来对要提取分离的强反射层特征进行了一定的增强，提升了处理效果。
2.本发明受数据噪声影响小，实现简单，参数容易选择，计算效率高，适合大量数据计算。
3.地震数据除强反射层外损失小，分离效果好，分离的稳定性和连续性要优于匹配追踪法，对处理后的储层预测和流体识别有很大的帮助。
附图说明
图1为本发明基于局部线性嵌入的地震强反射层分离方法的总流程框图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于局部线性嵌入的地震强反射层分离方法，包括以下步骤：
S1：选择目标区域内的强反射层进行层拉平处理；
S2:将层拉平后的地震数据作为输入数据，采用LLE方法寻找相对于每个样本点xi的欧氏距离最近的k个样本点，其中xi为输入地震数据的每个采样点，将其规定为所求点的近邻点xj，k是一个预先给定的值；
S3：由每个样本点的近邻点xj计算出该样本点的局部重建权值矩阵，从而提取地震数据的强背景反射特征，特征中包含强反射层的部分，
式中，xi表示输入地震数据的每个采样点；xj表示xi的邻近点；wij表示重构权值；
S4：由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，利用特征向量重构地震数据，得到仅包含强反射层的地震数据，
式中，yi表示输入地震数据降维后的低维空间映射；yj表示xi的邻近点降维后的低维空间映射；
S5：在原层拉平地震数据中减去得到的仅包含强反射层的层拉平地震数据，得到去除强反射层后的层拉平地震数据zi；
zi＝xi-yi
式中，xi为原层拉平地震数据，yi为得到的仅包含强反射层的层拉平地震数据，zi为去除强反射层后的层拉平地震数据；
S6：通过与实际储层响应特征判断是否去除强反射过量，若是，去除地震数据中没有储层反射特征，对去除掉的特征向量值整体乘以系数后，再叠加到去除强反射层后的层拉平地震数据zi中得到地震数据Z’i；若否，则系数根据实际地震反射特征匹配情况进行判断，通常Z’i取0.1-0.5；
S7：对得到的地震数据Z’i进行一次反层拉平处理，得到最终去除强反射层的地震数据。
本实施方案的S2的LLE方法包括以下步骤：
S21：寻找相对于每个样本点xi的欧氏距离最近的k个样本点规定为所求点的近邻点,k是一个预先给定的值；
S22：由每个样本点的近邻点xi计算出该样本点的局部重建权值矩阵；
式中，xi表示输入地震数据的每个采样点；xj表示xi的邻近点；wij表示重构权值；
S23：由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值
式中，yi表示输入地震数据降维后的低维空间映射；yj表示xi的邻近点降维后的低维空间映射。
本实施方案的S6实际储层响应特征为过井点地震振幅值。
本实施方案在实施时，步骤一，选择目标区域内的强反射层进行层拉平处理，目的是突出强能量层的几何特征，比如连续性等等；
步骤二，将层拉平后的地震数据作为输入数据，采用LLE方法寻找相对于每个样本点xi(其中xi为输入地震数据的每个采样点)的欧氏距离最近的k个样本点，将其规定为所求点的近邻点xj，k是一个预先给定的值，该过程是求K近邻的过程，这个过程使用了和KNN算法一样的求最近邻的方法；
步骤三，由每个样本点的近邻点xj计算出该样本点的局部重建权值矩阵，从而提取地震数据的强背景反射特征，即特征中包含强反射层的部分；
式中，xi—输入地震数据的每个采样点；xj—xi的邻近点；wij—重构权值；
步骤四，由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，最后利用特征向量重构地震数据，得到仅主要包含强反射层的地震数据；
式中，yi—输入地震数据降维后的低维空间映射；yj—xi的邻近点降维后的低维空间映射；
步骤五，在原层拉平地震数据中减去第二步得到的仅包含强反射层的层拉平地震数据，得到去除强反射层后的层拉平地震数据。
zi＝xi-yi
式中，xi为原层拉平地震数据，yi为得到的仅包含强反射层的层拉平地震数据，zi为去除强反射层后的层拉平地震数据；
步骤六，通过与实际储层响应特征判断是否去除强反射过量，其具体判断特征为过井点地震振幅值，如该井为储层位置表现为振幅异常值，去除后该处振幅异常得到很好的保留，则判断为去除适度，反之，即为去除过量，如果去除地震数据中没有储层反射特征，则对去除掉的特征向量值整体乘以系数后，再叠加到步骤五中得到地震数据中。系数根据实际地震反射特征匹配情况进行判断，通常取0.1-0.5。
步骤七，将处理后的层拉平地震数据，即步骤六得到的地震数据进行一次反层拉平处理，得到最终去除强反射层的地震数据。

Claims (3)

1.一种基于局部线性嵌入的地震强反射层分离方法，其特征在于，包括以下步骤：
S1：选择目标区域内的强反射层进行层拉平处理；
S2：将层拉处理后的地震数据作为输入数据，采用LLE方法寻找相对于每个样本点xi的欧氏距离最近的k个样本点，其中xi为输入地震数据的每个采样点，将其规定为所求点的近邻点xi，k是一个预先给定的值；
S3：由每个样本点的近邻点xi计算出该样本点的局部重建权值矩阵，从而提取地震数据的强背景反射特征，特征中包含强反射层的部分，
式中，xi表示输入地震数据的每个采样点；xj表示xi的邻近点；wij表示重构权值；
S4：由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，利用特征向量重构地震数据，得到仅包含强反射层的地震数据，
式中，yi表示输入地震数据降维后的低维空间映射；yj表示xi的邻近点降维后的低维空间映射；
S5：在原层拉平地震数据中减去得到的仅包含强反射层的层拉平地震数据，得到去除强反射层后的层拉平地震数据zi；
zi＝xi-yi
式中，xi为原层拉平地震数据，yi为得到的仅包含强反射层的层拉平地震数据，zi为去除强反射层后的层拉平地震数据；
S6：通过与实际储层响应特征判断是否去除强反射过量，若是，去除地震数据中没有储层反射特征，对去除掉的特征向量值整体乘以系数后，再叠加到去除强反射层后的层拉平地震数据zi中得到地震数据Zi；若否，则系数根据实际地震反射特征匹配情况进行判断，通常Zi取0.1-0.5；
S7：对得到的地震数据Zi进行一次反层拉平处理，得到最终去除强反射层的地震数据。
2.根据权利要求1所述的基于局部线性嵌入的地震强反射层分离方法，其特征在于，所述S2的LLE方法包括以下步骤：
S21：寻找相对于每个样本点xi的欧氏距离最近的k个样本点规定为所求点的近邻点，k是一个预先给定的值；
S22：由每个样本点的近邻点xi计算出该样本点的局部重建权值矩阵；
式中，xi表示输入地震数据的每个采样点；xj表示xi的邻近点；wij表示重构权值；
S23：由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值
式中，yi表示输入地震数据降维后的低维空间映射；yj表示xi的邻近点降维后的低维空间映射。
3.根据权利要求1所述的基于局部线性嵌入的地震强反射层分离方法，其特征在于，所述S6实际储层响应特征为过井点地震振幅值。
CN201910739582.8A 2019-08-12 2019-08-12 一种基于局部线性嵌入的地震强反射层分离方法 Active CN110490111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910739582.8A CN110490111B (zh) 2019-08-12 2019-08-12 一种基于局部线性嵌入的地震强反射层分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910739582.8A CN110490111B (zh) 2019-08-12 2019-08-12 一种基于局部线性嵌入的地震强反射层分离方法

Publications (2)

Publication Number Publication Date
CN110490111A true CN110490111A (zh) 2019-11-22
CN110490111B CN110490111B (zh) 2021-10-26

Family

ID=68550404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910739582.8A Active CN110490111B (zh) 2019-08-12 2019-08-12 一种基于局部线性嵌入的地震强反射层分离方法

Country Status (1)

Country Link
CN (1) CN110490111B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253758A1 (en) * 2011-03-31 2012-10-04 Lazaratos Spyridon K Method of Wavelet Estimation and Multiple Prediction In Full Wavefield Inversion
CN102778693A (zh) * 2011-05-13 2012-11-14 中国石油化工股份有限公司 一种基于反射波层拉平提取并消除的绕射波分离处理方法
CN106842298A (zh) * 2015-12-04 2017-06-13 中国石油化工股份有限公司 一种基于匹配追踪的不整合强反射自适应分离方法
CN106932824A (zh) * 2017-03-24 2017-07-07 北京大学 陆地地震勘探资料的降维自适应层间多次波压制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253758A1 (en) * 2011-03-31 2012-10-04 Lazaratos Spyridon K Method of Wavelet Estimation and Multiple Prediction In Full Wavefield Inversion
CN102778693A (zh) * 2011-05-13 2012-11-14 中国石油化工股份有限公司 一种基于反射波层拉平提取并消除的绕射波分离处理方法
CN106842298A (zh) * 2015-12-04 2017-06-13 中国石油化工股份有限公司 一种基于匹配追踪的不整合强反射自适应分离方法
CN106932824A (zh) * 2017-03-24 2017-07-07 北京大学 陆地地震勘探资料的降维自适应层间多次波压制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAM T. ROWEIS ET AL: "Nonlinear dimensionality reduction by locally linear embedding", 《SCIENCE》 *
安鹏等: "基于"匹配追踪"算法的 T2 强反射层影响去除技术应用", 《物探与化探》 *

Also Published As

Publication number Publication date
CN110490111B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
Gersztenkorn et al. Eigenstructure-based coherence computations as an aid to 3-D structural and stratigraphic mapping
Fehmers et al. Fast structural interpretation with structure-oriented filtering
Bekara et al. Random and coherent noise attenuation by empirical mode decomposition
Huang et al. Unveiling the signals from extremely noisy microseismic data for high-resolution hydraulic fracturing monitoring
Du et al. Seismic facies analysis based on self-organizing map and empirical mode decomposition
CN107356965B (zh) 基于加权叠加噪音压制策略的反射系数反演储层预测方法
EP3631524B1 (en) System and method for predicting fault seal from seismic data
CN105116449B (zh) 一种弱反射储层的识别方法
CN106707338B (zh) 一种强屏蔽下储层高精度预测方法
Wu et al. Fast principal component analysis for stacking seismic data
CN113687440A (zh) 基于米兰科维奇旋回的古水深定量恢复方法和存储介质
Allen Jr et al. Determining hydrocarbon distribution using resistivity, Tuscaloosa Marine Shale, southwestern Mississippi
CN108983296A (zh) 一种瞬变电磁和激发极化效应解耦方法
CN114462113B (zh) 基于振幅比的隐蔽河道刻画方法、装置、电子设备及介质
CN104424393B (zh) 一种基于主成分分析的地震数据储层反射特征加强方法
CN109507729A (zh) 依赖频率的avo最优频散流体因子的反演方法
CN117607995A (zh) 利用自然伽马与波阻抗融合的拟阻抗地震岩性反演方法
CN110490111A (zh) 一种基于局部线性嵌入的地震强反射层分离方法
Kumar et al. Automatic lithology modelling of coal beds using the joint interpretation of principal component analysis (PCA) and continuous wavelet transform (CWT)
Ma et al. A Global and Multi-Scale Denoising Method Based on Generative Adversarial Network for DAS VSP Data
CN111487681A (zh) 天然气水合物及下伏游离气储集体地震响应特征分析方法
Cataldo et al. Simultaneous prestack seismic inversion in a carbonate reservoir
CN115327627A (zh) 多信息融合的致密砂岩气分流河道表征方法及装置
CN111694055B (zh) 一种强反射屏蔽下avo属性提取和分析的方法和装置
CN113126156A (zh) 拉东域高角度断裂提取方法、装置、存储介质及设备

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