CN110646846A - Vit介质各向异性参数确定方法、装置和设备 - Google Patents

Vit介质各向异性参数确定方法、装置和设备 Download PDF

Info

Publication number
CN110646846A
CN110646846A CN201910917641.6A CN201910917641A CN110646846A CN 110646846 A CN110646846 A CN 110646846A CN 201910917641 A CN201910917641 A CN 201910917641A CN 110646846 A CN110646846 A CN 110646846A
Authority
CN
China
Prior art keywords
vit
medium
data
determining
parameter
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
CN201910917641.6A
Other languages
English (en)
Other versions
CN110646846B (zh
Inventor
刘国昌
李洁丽
李超
陈小宏
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.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN201910917641.6A priority Critical patent/CN110646846B/zh
Publication of CN110646846A publication Critical patent/CN110646846A/zh
Application granted granted Critical
Publication of CN110646846B publication Critical patent/CN110646846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/624—Reservoir parameters

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

本申请提供了一种VIT介质各向异性参数确定方法、装置和设备，其中，该方法包括：将目标工区的地震数据转化为共中心点道集；根据所述共中心点道集，确定倾角场信息；根据所述地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；根据所述VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。在本申请实施例中，可以根据倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据。利用机器学习聚类算法自动确定最大似然VIT介质各向异性参数，有效降低了人工和时间成本，可以高效、精确地确定VIT介质的各向异性参数。

Description

VIT介质各向异性参数确定方法、装置和设备
技术领域
本申请涉及地震勘探技术领域，特别涉及一种VIT介质各向异性参数确定方法、装置和设备。
背景技术
建立地下各向异性介质模型是勘探地球物理中最重要的问题之一，准确的VTI介质(Vertical Transverse Isotropy，垂直对称横向各向同性介质)各向异性参数对VTI介质偏移反演具有重要意义，VTI介质各向异性参数也可以直接作为岩性指标指导油藏开发。
现有的VTI介质各向异性参数分析方法，一般采用从地震道集利用三参数谱进行扫描以获得速度和各向异性参数。其中，三参数谱需要人工拾取，在数据较多的情况下人工操作的工作量较大，需要耗费较多时间，并且人工拾取具有不确定因素。因此采用现有的VTI介质各向异性参数分析方法无法高效、准确地确定VTI介质各向异性参数。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种VIT介质各向异性参数确定方法、装置和设备，以解决现有技术中无法高效、准确地确定VTI介质各向异性参数问题。
本申请实施例提供了一种VIT介质各向异性参数确定方法，包括：获取目标工区的地震数据；将所述地震数据转化为共中心点道集；根据所述共中心点道集，确定所述地震数据的倾角场信息；根据所述地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；根据所述VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。
在一个实施例中，根据所述VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数，包括：确定所述VIT介质各向异性参数散点数据中各个散点数据的有效度；将所述VIT介质各向异性参数散点数据中有效度小于预设阈值的散点数据删除，得到目标VIT介质各向异性参数散点数据；利用机器学习聚类算法，确定所述目标VIT介质各向异性参数散点数据的聚类中心；根据所述目标VIT介质各向异性参数散点数据的聚类中心，确定所述最大似然VIT介质各向异性参数。
在一个实施例中，在确定最大似然VIT介质各向异性参数之后，还包括：根据所述目标VIT介质各向异性参数散点数据的聚类中心，通过三次样条插值，得到所述地震数据的VIT介质各向异性参数剖面。
在一个实施例中，确定所述VIT介质各向异性参数散点数据中各个散点数据的有效度，包括：确定所述VIT介质各向异性参数散点数据中各个散点数据在所述共中心点道集中对应的地震道；确定所述各个散点数据在所述共中心点道集中对应的地震道与零炮检距道之间的局部相似度；将所述各个散点数据在所述共中心点道集中对应的地震道与零炮检距道之间的局部相似度作为所述各个散点数据的有效度。
在一个实施例中，根据所述地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据，包括：根据所述地震数据的倾角场信息，确定局部斜率；根据所述局部斜率和所述VTI介质旅行时曲线，通过递归算法预测所述共中心点道集中各个地震道的零偏移距旅行时；根据所述各个地震道的零偏移距旅行时和所述局部斜率，计算所述VIT介质各向异性参数散点数据。
在一个实施例中，按照以下公式，根据所述各个地震道的零偏移距旅行时和所述局部斜率，计算所述VIT介质各向异性参数散点数据：
Figure BDA0002216571640000021
Figure BDA0002216571640000022
其中，参数s反映VIT介质的各向异性程度；t0为所述各个地震道的零偏移距旅行时；p为所述局部斜率；t为双程旅行时；x为偏移距；η为各向异性参数。
在一个实施例中，将所述地震数据转化为共中心点道集，包括：确定所述地震数据是否为炮记录；在确定所述地震数据为炮记录的情况下，获取所述目标工区的观测系统参数；根据所述目标工区的观测系统参数，将所述地震数据转化为共中心点道集。
本申请实施例还提供了一种VIT介质各向异性参数确定装置，包括：获取模块，用于获取目标工区的地震数据；转化模块，用于将所述地震数据转化为共中心点道集；第一确定模块，用于根据所述共中心点道集，确定所述地震数据的倾角场信息；第二确定模块，用于根据所述地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；处理模块，用于根据所述VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。
在一个实施例中，所述处理模块包括：第一确定单元，用于确定所述VIT介质各向异性参数散点数据中各个散点数据的有效度；第一处理单元，用于将所述VIT介质各向异性参数散点数据中有效度小于预设阈值的散点数据删除，得到目标VIT介质各向异性参数散点数据；第二确定单元，用于利用机器学习聚类算法，确定所述目标VIT介质各向异性参数散点数据的聚类中心；第三确定单元，用于根据所述目标VIT介质各向异性参数散点数据的聚类中心，确定所述最大似然VIT介质各向异性参数。
在一个实施例中，还包括：第二处理单元，用于根据所述目标VIT介质各向异性参数散点数据的聚类中心，对所述目标VIT介质各向异性参数散点数据进行三次样条插值，得到所述地震数据的VIT介质各向异性参数剖面。
本申请实施例还提供了一种VIT介质各向异性参数确定设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述VIT介质各向异性参数确定方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述VIT介质各向异性参数确定方法的步骤。
本申请实施例提供了一种VIT介质各向异性参数确定方法，可以通过将目标工区的地震数据转化为共中心点道集，并根据转化得到的共中心点道集，确定地震数据的倾角场信息。由于倾角场信息表示地震数据中的视射线参数或视慢度，包含地下速度信息，因此，可以根据地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据。进而可以根据VIT介质各向异性参数散点数据，利用机器学习聚类算法，自动确定最大似然VIT介质各向异性参数，有效降低了人工和时间成本，从而可以高效、精确地确定VIT介质的各向异性参数。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：
图1是根据本申请实施例提供的VIT介质各向异性参数确定方法的步骤示意图；
图2是根据本申请具体实施例提供的VIT介质各向异性参数确定方法的步骤示意图；
图3是根据本申请具体实施例提供的共中心点道集示意图；
图4是根据本申请具体实施例提供的局部斜率剖面示意图；
图5是根据本申请具体实施例提供的零炮检距旅行时示意图；
图6是根据本申请具体实施例提供的VIT介质各向异性参数剖面示意图；
图7是根据本申请实施例提供的VIT介质各向异性参数确定装置的结构示意图；
图8是根据本申请实施例提供的VIT介质各向异性参数确定设备的结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域的技术人员知道，本申请的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本申请公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
考虑到现有的VTI介质各向异性参数分析方法，一般采用从地震道集利用三参数谱进行扫描以获得速度和各向异性参数。其中，三参数谱需要人工拾取，在数据较多的情况下人工操作的工作量较大，需要耗费较多时间，并且人工拾取具有不确定因素。因此采用现有的VTI介质各向异性参数分析方法无法高效、准确地确定VTI介质各向异性参数。
基于以上问题，本发明实施例提供了一种VIT介质各向异性参数确定方法，如图1所示，可以包括以下步骤：
S101：获取目标工区的地震数据。
在地震勘探中，可以在地表用炸药爆炸等方式产生人工地震激发地震波，并采用地震检波器和地震勘探仪器进行目标工区地震数据的采集。其中，上述目标工区的地震数据可以为炮记录，即对激发一炮所产生的数据进行采集得到的炮记录。在一些实施例中，上述目标工区的地震数据也可以为以不同检波点接收的数据进行采集和记录，可以理解的是上述目标工区的地震数据还可以采用其它的形式进行记录，本申请对此不作限定。
S102：将地震数据转化为共中心点道集。
可以将上述获取的目标工区的地震数据转化为共中心点道集(CMP道集，CommonMiddle Point)，其中，地震资料采集中，若地下界面为水平界面，则共反射点在地面的投影必为炮集中拥有共反射点接受距的中心点，因此称为共中心点。把不同炮集中拥有共中心点的道抽取出来，形成的集合可以称为共中心点道集。
在获取得到上述目标工区的地震数据之后，可以确定地震数据是否为炮记录，在确定地震数据为炮记录的情况下，可以先获取目标工区的观测系统参数，并根据目标工区的观测系统参数，将上述地震数据转化为共中心点道集。其中，上述观测系统参数可以包括但不限于以下至少之一：观测系统类型、观测方位角、接收道数、道距、炮检距、接收线距、炮线距等。在一个实施例中，可以根据上述观测系统参数对炮记录进行抽道集，得到共中心点道集记录。
S103：根据共中心点道集，确定地震数据的倾角场信息。
在一个实施例中，可以根据上述共中心点道集，利用平面波分解滤波器进行局部斜率估计，从而可以获得上述地震数据的倾角场信息，其中，倾角场信息中可以包含局部地震倾角，将局部地震倾角对偏移距进行求导可以得到局部斜率。
地层倾角场信息对于地震采集、处理、解释都具有重要意义。在采集阶段地层倾角场信息可以用于指导观测系统设计；在处理阶段地层倾角可以用于速度分析、速度建模等；在油藏描述阶段真实的地层倾角信息有助于研究地质构造和沉积环境，进而追踪地下油气的分布情况。在一些实施例中，还可以采用局部倾斜叠加法、复地震道分析法、结构张量法、相干估计法等计算地层倾角场，可以根据实际情况确定具体的计算方法。
S104：根据地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据。
由于在VIT介质中地震波速度随方向的变化程度受各向异性参数影响，地表观测到的地震波旅行时包含了地下介质空间速度和各向异性参数的信息，根据VTI介质旅行时曲线可以反演地下介质空间速度和各向异性参数。因此，可以根据地震数据的倾角场信息和VTI介质旅行时曲线，确定零偏移距旅行时，进而可以根据零偏移距旅行时和倾角场信息确定VIT介质各向异性参数散点数据，其中，上述VIT介质各向异性参数散点数据可以为构造的零偏移距旅行时和VIT介质各向异性参数的分布数据，即可以表示为在以零偏移距旅行时和VIT介质各向异性参数为横纵坐标的平面内的多个数据点。
在一个实施例中，可以采用平面波预测方法获得零偏移距旅行时，具体的，可以根据上述地震数据的倾角场信息确定局部斜率，地震反射层的局部斜率表示地震记录中的视射线参数或视慢度，它们包含地下速度信息，因此，可以用于估计VTI介质各向异性参数。对于上述共中心点道集中的每一条地震道可以利用相邻的地震道递归的预测不同地震道的零偏移距旅行时，即可以对每一条地震道根据局部倾角走向从它的邻道进行预测，从而追踪预测不同地震道的零偏移距旅行时。在一个实施例中可以采用以下公式预测不同地震道的零偏移距旅行时：
P1,k＝Pk-1,k…Pi,j…P2,3P1,2
其中，上述Pi,j(1≤i≤k,1≤j≤k)为从第i地震道到第j地震道的预测因子，k为上述共中心点道集中地震道的总道数。对于每一个地震道i，可以获得一个零偏移距旅行时t0,i。
在一个实施例中，VTI介质三参数非双曲旅行时近似方程中VTI介质旅行时曲线的多种近似的其中一种近似，可以采用VTI介质三参数非双曲旅行时近似方程记录不同地震道的零偏移距旅行时t0,i，其中，VTI介质三参数非双曲旅行时近似方程可以如下式中所示：
其中，上述t(x)为双程旅行时(s，秒)；上述x为射线在水平投影的距离，即偏移距(m，米)；上述v为动校正速度(m/s，米/秒)；上述参数s为反映VIT介质的各向异性程度，数值通常介于1到2之间；上述t0为各个地震道的零偏移距旅行时，是t和x的函数。
进一步的，根据地震数据的倾角场信息和上述VTI介质三参数非双曲旅行时近似方程对偏移距x求导，可以确定局部斜率p，如下述公式中所示：
Figure BDA0002216571640000062
在一个实施例中，可以按照以下公式，根据各个地震道的零偏移距旅行时和局部斜率，计算VIT介质各向异性参数散点数据：
Figure BDA0002216571640000071
Figure BDA0002216571640000072
其中，参数s为反映VIT介质的各向异性程度，数值通常介于1到2之间；t0为各个地震道的零偏移距旅行时；p为局部斜率；t为双程旅行时；x为偏移距；η为各向异性参数。由于局部斜率p和零偏移距旅行时t0均为t和x的函数，因此可以定义一个从{P(t,x),t0(t,x)}到{t0,η}的映射，从而可以得到各向异性参数散点数据{t0,η}。
S105：根据VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。
由于各向异性参数散点数据{t0,η}的分布密度代表了估计的各向异性参数的可靠性，分布的点越密集表明参数的可靠性越大，因此，在一个实施例中，可以利用聚类算法自动确定各向异性参数散点数据{t0,η}的聚类中心，进而可以确定最大似然VIT介质各向异性参数。其中，上述聚类算法是一种机器学习技术，它涉及到数据点的分组，对于给定的一组数据点，可以使用聚类算法将每个数据点划分为一个特定的组。在一些实施例中，上述聚类算法可以包括但不限于一下至少之一：K-MEANS聚类算法、均值偏移聚类算法、DBSCAN聚类算法、使用高斯混合模型的期望最大化聚类、层次聚类算法等。
上述各向异性参数散点数据{t0,η}中可能存在一些无效的样本数据，本说明书实施例中可以先计算上述各向异性参数散点数据中各散点数据各个散点数据的有效度，将有效度小于预设阈值的散点数据删除，即将低相似度和无关数据点进行阈值去除，从而得到目标VIT介质各向异性参数散点数据，其中，上述预设阈值可以为大于等于0小于等于1的数据值，具体的可以根据实际情况确定，本申请对此不作限定。进一步的，可以利用机器学习聚类算法，确定目标VIT介质各向异性参数散点数据的至少一个聚类中心，聚类中心代表了聚类密度较高的地方，与聚类中心对应的各向异性参数相较于其他数据点对应的各向异性参数更加准确，因此，可以根据目标VIT介质各向异性参数散点数据的聚类中心，确定最大似然VIT介质各向异性参数。
在一个实施例中，可以确定各个散点数据在共中心点道集中对应的地震道与零炮检距道之间的局部相似度，其中，零炮检距道是共中心点道集中的炮检距为零的地震道。可以使用局部相似性来评价各个散点数据的有效度，以将无效点删除，即可以将各个散点数据在共中心点道集中对应的地震道与零炮检距道之间的局部相似度作为各个散点数据的有效度。为了提高确定聚类中心的效率和精度，在一个实施例中，可以基于上述局部相似度采用相似度加权K-MEANS聚类算法，确定最大似然VIT介质各向异性参数。
在一个实施例中，在得到最大似然VIT介质各向异性参数之后，可以根据目标VIT介质各向异性参数散点数据的聚类中心，通过三次样条插值，得到地震数据的VIT介质各向异性参数剖面，从而可以根据地震数据的VIT介质各向异性参数剖面进行高精度VTI介质参数建模，以更好的进行地震数据解释。其中，上述三次样条插值(简称Spline插值)是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程。
从以上的描述中，可以看出，本申请实施例实现了如下技术效果：可以通过将目标工区的地震数据转化为共中心点道集，并根据转化得到的共中心点道集，确定地震数据的倾角场信息。由于倾角场信息表示地震数据中的视射线参数或视慢度，包含地下速度信息，因此，可以根据地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据。进而可以根据VIT介质各向异性参数散点数据，利用机器学习聚类算法，自动确定最大似然VIT介质各向异性参数，有效降低了人工和时间成本，从而可以高效、精确地确定VIT介质的各向异性参数。
下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。
本发明实施提供了一种VIT介质各向异性参数确定方法，如图2所示，可以包括：
步骤1：将原始采集的地震数据抽取道集转化为共中心点道集。
步骤2：根据共中心点道集，利用倾角预测技术估计地震数据局部倾角属性体，获得叠前地震数据的倾角场信息。
步骤3：根据倾角场信息，通过预测映射技术获得零偏移距双程旅行时和VIT介质各向异性参数散点分布。
步骤4：利用机器学习聚类算法将VIT介质各向异性参数散点分布转化为最大似然各向异性参数。
其中，上述步骤1中，如果输入地震数据为炮记录，需要通过观测系统参数将地震记录转化为共中心点道集，转化得到的共中心点道集如图3中所示。
上述步骤2中，可以利用地震数据同相轴的倾角和局部地震倾角的关系，利用倾角预测技术获得地震数据倾角场信息，其中，地震数据同相轴的倾角和局部地震倾角相同，上述倾角场信息中可以包括：局部斜率，局部斜率如图4中所示。
上述步骤3中，通过预测映射技术获得零偏移距双程旅行时和各向异性参散点分布，包括：利用倾角预测技术得到的局部斜率p，沿局部斜率移动每个地震道，可以从相邻地震道中进行预测。通过递归算法预测不同地震道的零炮检距旅行时，即
P1,k＝Pk-1,k…Pi,j…P2,3P1,2
其中，上述Pi,j(1≤i≤k,1≤j≤k)为从第i地震道到第j地震道的预测因子，k为上述共中心点道集中地震道的总道数。对于每一个地震道i，可以获得一个零偏移距旅行时t0,i。一个地震道的预测包括沿主要地震道斜率移动原始轨迹，预测映射可以通过追踪预测地震道的旅行时信息，递归地将给定记录道中的信息传播到相邻记录道。其中，预测得到的零炮检距旅行时剖面如图5中所示。
对于VTI介质，VTI介质三参数非双曲近似方程如下式所示：
t(x)为双程旅行时(s，秒)；上述x为射线在水平投影的距离，即偏移距(m，米)；上述v为动校正速度(m/s，米/秒)；上述参数s为反映VIT介质的各向异性程度，数值通常介于1到2之间；上述t0为各个地震道的零偏移距旅行时，是t和x的函数。VTI介质三参数非双曲近似方程被用于记录偏移距x的所有样本的零偏移距旅行时t0(t,x)。
根据VTI介质三参数非双曲近似方程，对偏移距x的求导获得局部斜率关系：
Figure BDA0002216571640000101
参数s和各向异性参数η可通过以下公式计算得到：
Figure BDA0002216571640000102
从上述公式中可以看出，各向异性参数η与局部斜率p和零偏移距旅行时t0,i有关，而局部斜率和零偏移距旅行时均是x和t的函数，即p(t,x)和t0(t,x)。p(t,x)通过倾角预测技术获得，t0(t,x)通过预测映射技术获得，通过定义一个从{p(t,x),t0(t,x)}到{t0,η}的映射，可以获得各向异性参数散点数据。
上述步骤4中，利用机器学习聚类算法将散点分布转化为最大似然各向异性参数，包括：由于各向异性参数散点{t0,η}的分布密度代表了估计的各向异性参数的可靠性，点越密集表明参数的可靠性越大，可以利用机器学习中相似性加权聚类算法来确定这些散点{t0,η}的中心。聚类中心代表了聚类密度较高的地方，因此与聚类中心相对应的各向异性参数比其它地方更准确，利用聚类算法可以获得最大似然各向异性参数。
进一步的，在利用机器学习聚类算法将散点分布转化为最大似然各向异性参数之前，为了选择有效的样本点，可以首先计算叠前地震道和零炮检距道之间的局部相似性。其中，局部相似性可以被定义为两个最小二乘反演γ1和γ2的乘积，采用如下公式进行计算：
γ2＝γ1×γ2
Figure BDA0002216571640000104
其中，a和b是两个离散的信号向量，a·b是a和b的标量乘积，γ为局部相似性。可以将上述局部相似度大于等于预设阈值的散点数据删除，构造新的{t0,η}分布。最后再利用相似度加权K-均值聚类算法，自动估计最大似然各向异性参数η。在得到最大似然VIT介质各向异性参数之后，可以根据目标VIT介质各向异性参数散点数据的聚类中心，通过三次样条插值，得到地震数据的VIT介质各向异性参数剖面，从而可以根据地震数据的VIT介质各向异性参数剖面进行高精度VTI介质参数建模，其中，上述VIT介质各向异性参数剖面如图6中所示。
基于同一发明构思，本申请实施例中还提供了一种VIT介质各向异性参数确定装置，如下面的实施例。由于VIT介质各向异性参数确定装置解决问题的原理与VIT介质各向异性参数确定方法相似，因此VIT介质各向异性参数确定装置的实施可以参见VIT介质各向异性参数确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图7是本申请实施例的VIT介质各向异性参数确定装置的一种结构框图，如图7所示，可以包括：获取模块701、转化模块702、第一确定模块703、第二确定模块704和处理模块705，下面对该结构进行说明。
获取模块701，可以用于获取目标工区的地震数据；
转化模块702，可以用于将地震数据转化为共中心点道集；
第一确定模块703，可以用于根据共中心点道集，确定地震数据的倾角场信息；
第二确定模块704，可以用于根据地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；
处理模块705，可以用于根据VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。
在一个实施例中，上述处理模块705可以包括：第一确定单元，用于确定VIT介质各向异性参数散点数据中各个散点数据的有效度；第一处理单元，用于将VIT介质各向异性参数散点数据中有效度小于预设阈值的散点数据删除，得到目标VIT介质各向异性参数散点数据；第二确定单元，用于利用机器学习聚类算法，确定目标VIT介质各向异性参数散点数据的聚类中心；第三确定单元，用于根据目标VIT介质各向异性参数散点数据的聚类中心，确定最大似然VIT介质各向异性参数。
在一个实施例中，上述VIT介质各向异性参数确定装置还可以包括：第二处理单元，用于根据目标VIT介质各向异性参数散点数据的聚类中心，对目标VIT介质各向异性参数散点数据进行三次样条插值，得到地震数据的VIT介质各向异性参数剖面。
本申请实施方式还提供了一种电子设备，具体可以参阅图8所示的基于本申请实施例提供的VIT介质各向异性参数确定方法的电子设备组成结构示意图，电子设备具体可以包括输入设备81、处理器82、存储器83。其中，输入设备81具体可以用于输入目标工区的地震数据。处理器82具体可以用于将地震数据转化为共中心点道集；根据共中心点道集，确定地震数据的倾角场信息；根据地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；根据VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。存储器83具体可以用于存储地震数据的倾角场信息、VTI介质旅行时曲线、VIT介质各向异性参数散点数据和最大似然VIT介质各向异性参数等参数。
在本实施方式中，输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。输入设备还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
本申请实施方式中还提供了一种基于VIT介质各向异性参数确定方法的计算机存储介质，计算机存储介质存储有计算机程序指令，在计算机程序指令被执行时可以实现：获取目标工区的地震数据；将地震数据转化为共中心点道集；根据共中心点道集，确定地震数据的倾角场信息；根据地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；根据VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。
在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、缓存(Cache)、硬盘(Hard DiskDrive，HDD)或者存储卡(Memory Card)。存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。
虽然本申请提供了如上述实施例或流程图的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。的方法的在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本申请的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种VIT介质各向异性参数确定方法，其特征在于，包括：
获取目标工区的地震数据；
将所述地震数据转化为共中心点道集；
根据所述共中心点道集，确定所述地震数据的倾角场信息；
根据所述地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；
根据所述VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。
2.根据权利要求1所述的方法，其特征在于，根据所述VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数，包括：
确定所述VIT介质各向异性参数散点数据中各个散点数据的有效度；
将所述VIT介质各向异性参数散点数据中有效度小于预设阈值的散点数据删除，得到目标VIT介质各向异性参数散点数据；
利用机器学习聚类算法，确定所述目标VIT介质各向异性参数散点数据的聚类中心；
根据所述目标VIT介质各向异性参数散点数据的聚类中心，确定所述最大似然VIT介质各向异性参数。
3.根据权利要求2所述的方法，其特征在于，在确定最大似然VIT介质各向异性参数之后，还包括：
根据所述目标VIT介质各向异性参数散点数据的聚类中心，通过三次样条插值，得到所述地震数据的VIT介质各向异性参数剖面。
4.根据权利要求2所述的方法，其特征在于，确定所述VIT介质各向异性参数散点数据中各个散点数据的有效度，包括：
确定所述VIT介质各向异性参数散点数据中各个散点数据在所述共中心点道集中对应的地震道；
确定所述各个散点数据在所述共中心点道集中对应的地震道与零炮检距道之间的局部相似度；
将所述各个散点数据在所述共中心点道集中对应的地震道与零炮检距道之间的局部相似度作为所述各个散点数据的有效度。
5.根据权利要求1所述的方法，其特征在于，根据所述地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据，包括：
根据所述地震数据的倾角场信息，确定局部斜率；
根据所述局部斜率和所述VTI介质旅行时曲线，通过递归算法预测所述共中心点道集中各个地震道的零偏移距旅行时；
根据所述各个地震道的零偏移距旅行时和所述局部斜率，计算所述VIT介质各向异性参数散点数据。
6.根据权利要求5所述的方法，其特征在于，按照以下公式，根据所述各个地震道的零偏移距旅行时和所述局部斜率，计算所述VIT介质各向异性参数散点数据：
Figure FDA0002216571630000022
其中，参数s反映VIT介质的各向异性程度；t0为所述各个地震道的零偏移距旅行时；p为所述局部斜率；t为双程旅行时；x为偏移距；η为各向异性参数。
7.根据权利要求1所述的方法，其特征在于，将所述地震数据转化为共中心点道集，包括：
确定所述地震数据是否为炮记录；
在确定所述地震数据为炮记录的情况下，获取所述目标工区的观测系统参数；
根据所述目标工区的观测系统参数，将所述地震数据转化为共中心点道集。
8.一种VIT介质各向异性参数确定装置，其特征在于，包括：
获取模块，用于获取目标工区的地震数据；
转化模块，用于将所述地震数据转化为共中心点道集；
第一确定模块，用于根据所述共中心点道集，确定所述地震数据的倾角场信息；
第二确定模块，用于根据所述地震数据的倾角场信息和VTI介质旅行时曲线，确定VIT介质各向异性参数散点数据；
处理模块，用于根据所述VIT介质各向异性参数散点数据，利用机器学习聚类算法，确定最大似然VIT介质各向异性参数。
9.根据权利要求8所述的装置，其特征在于，所述处理模块包括：
第一确定单元，用于确定所述VIT介质各向异性参数散点数据中各个散点数据的有效度；
第一处理单元，用于将所述VIT介质各向异性参数散点数据中有效度小于预设阈值的散点数据删除，得到目标VIT介质各向异性参数散点数据；
第二确定单元，用于利用机器学习聚类算法，确定所述目标VIT介质各向异性参数散点数据的聚类中心；
第三确定单元，用于根据所述目标VIT介质各向异性参数散点数据的聚类中心，确定所述最大似然VIT介质各向异性参数。
10.根据权利要求9所述的装置，其特征在于，还包括：
第二处理单元，用于根据所述目标VIT介质各向异性参数散点数据的聚类中心，对所述目标VIT介质各向异性参数散点数据进行三次样条插值，得到所述地震数据的VIT介质各向异性参数剖面。
11.一种VIT介质各向异性参数确定设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至7中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。
CN201910917641.6A 2019-09-26 2019-09-26 Vti介质各向异性参数确定方法、装置和设备 Active CN110646846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910917641.6A CN110646846B (zh) 2019-09-26 2019-09-26 Vti介质各向异性参数确定方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910917641.6A CN110646846B (zh) 2019-09-26 2019-09-26 Vti介质各向异性参数确定方法、装置和设备

Publications (2)

Publication Number Publication Date
CN110646846A true CN110646846A (zh) 2020-01-03
CN110646846B CN110646846B (zh) 2020-07-03

Family

ID=68992787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910917641.6A Active CN110646846B (zh) 2019-09-26 2019-09-26 Vti介质各向异性参数确定方法、装置和设备

Country Status (1)

Country Link
CN (1) CN110646846B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141633A (zh) * 2010-12-10 2011-08-03 中国科学院地质与地球物理研究所 各向异性三维叠前时间偏移方法
CN102213769A (zh) * 2010-04-07 2011-10-12 中国石油天然气集团公司 一种利用三维垂直地震剖面资料确定各向异性参数的方法
MX2014001419A (es) * 2011-08-05 2014-03-21 Halliburton Energy Serv Inc Sistema y metodo para determinar anisotropia de onda de corte en una formacion transversalmente isotropica con un eje de simetria vertical.
CN103713315A (zh) * 2012-09-28 2014-04-09 中国石油化工股份有限公司 一种地震各向异性参数全波形反演方法及装置
CN104914465A (zh) * 2015-06-02 2015-09-16 中国石油天然气股份有限公司 火山岩裂缝定量预测方法及装置
US9213122B2 (en) * 2010-09-24 2015-12-15 Schlumberger Technology Corporation Single well anisotropy inversion using velocity measurements
CN106227929A (zh) * 2016-07-19 2016-12-14 长江大学 基于各向异性的非平稳建模方法
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN110208854A (zh) * 2019-06-28 2019-09-06 中国地质调查局沈阳地质调查中心 一种vti介质中等效各向异性参数的获取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102213769A (zh) * 2010-04-07 2011-10-12 中国石油天然气集团公司 一种利用三维垂直地震剖面资料确定各向异性参数的方法
US9213122B2 (en) * 2010-09-24 2015-12-15 Schlumberger Technology Corporation Single well anisotropy inversion using velocity measurements
CN102141633A (zh) * 2010-12-10 2011-08-03 中国科学院地质与地球物理研究所 各向异性三维叠前时间偏移方法
MX2014001419A (es) * 2011-08-05 2014-03-21 Halliburton Energy Serv Inc Sistema y metodo para determinar anisotropia de onda de corte en una formacion transversalmente isotropica con un eje de simetria vertical.
CN103713315A (zh) * 2012-09-28 2014-04-09 中国石油化工股份有限公司 一种地震各向异性参数全波形反演方法及装置
CN104914465A (zh) * 2015-06-02 2015-09-16 中国石油天然气股份有限公司 火山岩裂缝定量预测方法及装置
CN106227929A (zh) * 2016-07-19 2016-12-14 长江大学 基于各向异性的非平稳建模方法
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN110208854A (zh) * 2019-06-28 2019-09-06 中国地质调查局沈阳地质调查中心 一种vti介质中等效各向异性参数的获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱成宏: ""2006年SEG年会反映的各向异性研究新进展"", 《勘探地球物理进展》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN110646846B (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
Liu et al. Deep-learning seismic full-waveform inversion for realistic structural models
CN109709603B (zh) 地震层位识别与追踪方法、系统
US8855987B2 (en) Method for optimization with gradient information
WO2020123084A1 (en) Machine learning-augmented geophysical inversion
EP2165221A1 (en) Method for velocity analysis using waveform inversion in laplace domain for geophysical imaging
US11181653B2 (en) Reservoir characterization utilizing ReSampled seismic data
US20220283329A1 (en) Method and system for faster seismic imaging using machine learning
Wang et al. Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network
CN111381275A (zh) 一种地震数据的初至拾取方法和装置
Yablokov et al. Uncertainty quantification of multimodal surface wave inversion using artificial neural networks
CN108508481B (zh) 一种纵波转换波地震数据时间匹配的方法、装置及系统
US20230125277A1 (en) Integration of upholes with inversion-based velocity modeling
US10605940B2 (en) Method for selecting horizon surfaces
CN110646846B (zh) Vti介质各向异性参数确定方法、装置和设备
CN109100803B (zh) 微断裂的确定方法和装置
US11119233B2 (en) Method for estimating elastic parameters of subsoil
EA030770B1 (ru) Система и способ адаптивной сейсмической оптики
CN111487679B (zh) 横波速度预测方法、装置和设备
US20200271810A1 (en) Hybrid Residual Moveout Error Estimation
CN109633744B (zh) 地震子波的提取方法、装置、设备及存储介质
CN114402233A (zh) 正演沉积模型的自动校准
RU2664503C1 (ru) Способ формирования куба или разреза площадок, способ автоматического прослеживания горизонтов/годографов и способ автоматического выявления зон тектонических деформаций и зон трещиноватости
CN115079257A (zh) 基于融合网络的q值估计及地震衰减补偿方法
US11255993B2 (en) Variable aperture estimation using bottom-up ray tracing
CN112987091A (zh) 储层检测方法、装置、电子设备和存储介质

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