CN111273350B - 一种基于独立成分分析的薄互层地震切片分离方法 - Google Patents
一种基于独立成分分析的薄互层地震切片分离方法 Download PDFInfo
- Publication number
- CN111273350B CN111273350B CN202010161378.5A CN202010161378A CN111273350B CN 111273350 B CN111273350 B CN 111273350B CN 202010161378 A CN202010161378 A CN 202010161378A CN 111273350 B CN111273350 B CN 111273350B
- Authority
- CN
- China
- Prior art keywords
- seismic
- slice
- component analysis
- thin interbed
- independent component
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 36
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 20
- 239000004576 sand Substances 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 239000002131 composite material Substances 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
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
本发明提出了一种基于独立成分分析的薄互层地震切片分离方法，包括以下步骤：对薄互层3D地震数据的地震切片进行稀疏化变换；将从地震切片中提取砂体切片问题建模为图像盲分离问题，利用稀疏变换后的地震地震切片估计分离矩阵；估计砂体切片及对应的复合反射信号进行。利用本发明的方法能够自动分离出所有砂体切片，不受砂体层数的限制，提高了薄互层地震切片的分析精度和效率。
Description
技术领域
本发明属于地震切片分析领域，具体涉及一种基于独立成分分析的薄互层地震切片分离方法。
背景技术
由于地震数据是有限频带的，传统的地震解释方法以分辨和追踪同相轴为主要技术手段，在薄互层地震资料解释中难以获得满意的结果。利用地震剖面，解释人员不能在纵向上对薄层砂体进行识别和分辨，但通过地震切片技术，以横向分辨率换取纵向分辨率，可以对砂体空间分布进行识别。地震切片已经有许多成功的应用，应用到薄互层砂体识别时，同相轴不同相位的地震切片由于不同砂体的信号相互混叠，如何找到合适的地震切片是薄互层砂体预测面临的一个重要问题。零值点位置地震切片技术【1】(李国发等，2014)识别出的零值点地震切片与单层砂体具有较好的对应关系，但只在两层砂体情况下得到单一的砂体切片，更多地层情况下只能去掉一层砂体的影响。由于传统的零值点位置地震切片技术需要在大量地震切片中人工确定零值点位置，工作量大，Luo等【2】提出了一种利用无监督学习的方法来自动确定更小零值点位置的搜索范围。
本发明将薄互层3D地震数据体建模为多个砂体切片的混合信号，提出了一种基于独立成分分析【3】的薄互层地震切片分离方法，自动分离出所有砂体切片，不受砂体层数的限制，提高了薄互层地震切片的分析精度和效率。
参考文献
[1]李国发，王亚静，熊金良等.薄互层地震切片解释几个问题的讨论：以一个三维地质模型为例.石油地球物理勘探，2014，49(2)：388－393.
[2]Chunmei Luo,Shanshan Wei,Sanyi Yuan,Zhaohui Song,Weibin Song,andShangxu Wang.An Unsupervised Learning Method for Estimating Zero-Crossing-Time，IEEE Geoscience and Remote Sensing Letters,DOI:10.1109/LGRS.2019.2942166.
[3]A.
Fast and Robust Fixed-Point Algorithms forIndependent Component Analysis.IEEE Transactions on Neural Networks10(3):626-634,1999.
发明内容
一种基于独立成分分析的薄互层地震切片分离方法，包括以下步骤：
步骤1：对薄互层3D地震数据的地震切片进行稀疏化变换；
步骤2：将从地震切片中提取砂体切片问题建模为盲信号分离问题，利用步骤1稀疏变换后的地震地震切片估计分离矩阵；
步骤3：估计砂体切片及对应的复合反射信号。
在步骤1中，对薄互层3D地震数据p(x,y,t)中的每一个时间t对应的2D切片，利用2D线性稀疏算子S{}对其进行稀疏化变换，得到e(x,y,t)＝S{p(x,y,t)},t＝1:T，，T是地震切片的数量。
2D线性稀疏算子是图像的一阶或二阶微分算子、LOG或DOG算子。
在步骤2中，假设薄互层中共有N个砂体，对应的砂体切片为q(x,y,i)，则每个砂体切片可以从地震切片中分离出来，得到
写成矩阵形式为Q＝WP，其中，N<T，i＝1:N，W＝[w(t,i)]为分离矩阵，Q＝[q(x,y,i)]为源信号矩阵，P＝[p(x,y,t)]为混合信号矩阵；利用稀疏变换得到S{Q}＝WS{P}，利用稀疏化后的地震切片S{P}来估计分离矩阵W。
利用步骤2估计的分离矩阵，直接得到砂体切片估计Q＝WP；对分离矩阵W求逆，得到混合矩阵M，由混合矩阵的每一列，得到每个砂体对应的复合反射信号。
求解步骤2中的盲信号分离问题时利用独立成分分析方法，例如FASTICA。
附图说明
图1为本发明的一种基于独立成分分析的薄互层地震切片分离方法流程图；
图2(a)-图2(f)展示了本发明的合成数据试验，由10个砂体构成。其中，图2(a)为真实砂体的一个垂直剖面图；图2(b)为真实砂体切片图；图2(c)为人工合成的3D薄互层数据体中的和图2(a)对应的剖面图；图2(d)为部分地震切片；图2(e)为本发明方法估计的砂体切片；图2(f)是和图2(e)中砂体切片对应的复合反射信号。
具体实施方式
下面结合附图对本发明的方法做详细的说明。
图1示出了本发明的一种基于独立成分分析的薄互层地震切片分离方法的流程图，如图所示，本发明包括如下步骤：
步骤1：对薄互层3D地震数据的地震切片进行稀疏化变换。
对薄互层3D地震数据p(x,y,t)中的每一个时间t对应的2D切片，t＝1:T，T是地震切片的数量，利用2D线性稀疏算子S{}对其进行稀疏化变换，得到e(x,y,t)＝S{p(x,y,t)}。2D线性稀疏算子可以是图像的一阶或二阶微分算子，如Roberts、Sobel、Prewitt、Laplace等，考虑到地震切片上存在噪声，也可以采用LOG、DOG等算子，本发明的实施例部分采用了LOG算子。
步骤2：分离矩阵估计。
将从地震切片中提取砂体切片问题建模为盲信号分离问题。假设薄互层中共有N个砂体，N<T，对应的砂体切片为q(x,y,i)，则每个砂体切片可以从地震切片中分离出来，
写成矩阵形式为：
Q＝WP (1)
式中，W＝[w(t,i)]为分离矩阵，Q＝[q(x,y,i)]为源信号矩阵，P＝[p(x,y,t)]为混合信号矩阵。
式(1)中，只有地震切片P是已知的混合信号矩阵，分离矩阵W和砂体切片(源信号矩阵)Q是未知的，所以是一个图像盲分离问题。
为了求解一个盲信号分离问题，独立成分分析技术假设源信号是相互独立的。相对于原始砂体切片，其稀疏变换后的切片之间具有更好的独立性，能够得到更好的分离矩阵的估计。对地震切片施加稀疏变换后，式(1)变为S{Q}＝WS{P}，本发明利用稀疏变换后的地震切片来估计分离矩阵W，所采用方法为独立成分分析方法，例如FASTICA方法【3】。
步骤3：砂体切片及对应的复合反射信号估计。
利用步骤2步估计的分离矩阵和地震切片，直接得到砂体切片估计为Q＝WP。
对分离矩阵W求逆，得到混合矩阵M，由混合矩阵的每一列，得到每个砂体对应的复合反射信号。
下面通过具体的实验仿真来说明本发明的方法。
图2(a)-图2(f)展示了本发明的合成数据试验,由10个砂体构成。图2(a)为真实砂体的一个垂直剖面图，图2(b)为10个真实砂体切片图，图2(c)为人工合成的3D薄互层数据体中的与图2(a)对应的剖面。从图中可以看出，在地震剖面上，难以识别单个砂体信号。图2(d)为部分地震切片，可以看出地震切片是由多个砂体切片混合而成的。图2(e)为本发明估计的砂体切片，图2(f)是和图2(e)中的砂体切片对应的复合反射信号。由于独立成分分析方法进行盲图像分离时，分离出的源图像存在排列次序和尺度的不确定性，所以从图2的试验结果可以看出，估计的砂体切片和实际砂体切片存在排列次序和尺度不同，但空间几何形态是非常相似的，证明了本发明的有效性。利用现有的砂体反演技术，砂体排列顺序和厚度可以利用每个砂体对应的复合反射信号来求解。
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于独立成分分析的薄互层地震切片分离方法，其特征在于，包括以下步骤：
步骤1：对薄互层3D地震数据p(x，y，t)中的每一个时间t对应的2D切片，利用2D线性稀疏算子S{ }进行稀疏化变换，得到e(x，y，t)＝S{p(x，y，t)}，其中，t＝1：T，T是地震切片的数量；
步骤2：将从地震切片中提取砂体切片问题建模为盲信号分离问题，利用所述步骤1稀疏变换后的地震切片来估计分离矩阵，假设薄互层中共有N个砂体，对应的砂体切片为q(x，y，i)，则每个砂体切片可以从地震切片中分离出来，得到
写成矩阵形式为Q＝WP；其中，N＜T，i＝1:N，W＝[w(t，i)]为分离矩阵，Q＝[q(x，y，i)]为源信号矩阵，P＝[p(x，y，t)]为混合信号矩阵；利用稀疏变换得到S{Q}＝WS{P}，利用稀疏化后的地震切片S{P}来估计分离矩阵W；
步骤3：估计砂体切片及对应的复合反射信号。
2.如权利要求1所述的一种基于独立成分分析的薄互层地震切片分离方法，其特征在于：所述2D线性稀疏算子是图像的一阶或二阶微分算子、LOG或DOG算子。
3.如权利要求1所述的一种基于独立成分分析的薄互层地震切片分离方法，其特征在于：利用所述步骤2估计的分离矩阵，得到砂体切片估计Q,其中，Q＝WP；对分离矩阵W求逆，得到混合矩阵M，由混合矩阵的每一列得到每个砂体对应的复合反射信号。
4.如权利要求1所述的一种基于独立成分分析的薄互层地震切片分离方法，其特征在于：求解所述步骤2中的盲信号分离问题时利用独立成分分析方法。
5.如权利要求4所述的一种基于独立成分分析的薄互层地震切片分离方法，其特征在于：所述独立成分分析方法为FASTICA。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010161378.5A CN111273350B (zh) | 2020-03-10 | 2020-03-10 | 一种基于独立成分分析的薄互层地震切片分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010161378.5A CN111273350B (zh) | 2020-03-10 | 2020-03-10 | 一种基于独立成分分析的薄互层地震切片分离方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111273350A CN111273350A (zh) | 2020-06-12 |
| CN111273350B true CN111273350B (zh) | 2021-09-24 |
Family
ID=71002351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010161378.5A Active CN111273350B (zh) | 2020-03-10 | 2020-03-10 | 一种基于独立成分分析的薄互层地震切片分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111273350B (zh) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070274155A1 (en) * | 2006-05-25 | 2007-11-29 | Ikelle Luc T | Coding and Decoding: Seismic Data Modeling, Acquisition and Processing |
| CN101908148A (zh) * | 2009-06-05 | 2010-12-08 | 北京师范大学 | 一种基于频域稀疏成分分析的盲图像分离法 |
| JP5764380B2 (ja) * | 2010-04-29 | 2015-08-19 | エフ イー アイ カンパニＦｅｉ Ｃｏｍｐａｎｙ | Ｓｅｍ画像化法 |
| CN102879823B (zh) * | 2012-09-28 | 2015-07-22 | 电子科技大学 | 一种基于快速独立分量分析的地震属性融合方法 |
| JP2015034715A (ja) * | 2013-08-08 | 2015-02-19 | 公益財団法人鉄道総合技術研究所 | 地震動と列車振動の混合波形の分離方法 |
| CN104636313B (zh) * | 2014-12-16 | 2017-12-29 | 成都理工大学 | 一种冗余扩展单源观测信号的盲信号分离方法 |
| CN106405637B (zh) * | 2015-07-28 | 2018-06-12 | 中国石油化工股份有限公司 | 一种用于砂泥岩薄互层砂体厚度预测的方法及系统 |
| CN105354807B (zh) * | 2015-11-23 | 2019-03-01 | 南昌大学 | 一种基于解析稀疏表示的图像盲分离方法 |
| CN110326340B (zh) * | 2017-02-21 | 2022-04-26 | 杜塞尔多夫华为技术有限公司 | 多切片网络中的切片激活技术 |
-
2020
- 2020-03-10 CN CN202010161378.5A patent/CN111273350B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111273350A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103792576A (zh) | 一种基于梯度结构张量的储层非均质检测方法及设备 | |
| Araya-Polo et al. | Fast and accurate seismic tomography via deep learning | |
| Sime et al. | Automated processing to derive dip angles of englacial radar reflectors in ice sheets | |
| Cui et al. | VP and VS prediction from digital rock images using a combination of U-Net and convolutional neural networks | |
| Pham | The semi-variogram and spectral distortion measures for image texture retrieval | |
| EP3470885B1 (en) | Method of processing seismic images of the subsurface | |
| EP3211594B1 (en) | Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods | |
| Ayala-Cabrera et al. | Towards the visualization of water supply system components with GPR images | |
| EP3217354B1 (en) | Seismic modeling system providing seismic survey data frequency domain inpainting and related methods | |
| Warner et al. | Pine Island Glacier (Antarctica) velocities from Landsat7 images between 2001 and 2011: FFT-based image correlation for images with data gaps | |
| CN113408540B (zh) | 一种合成孔径雷达图像叠掩区提取方法及存储介质 | |
| Mahadik et al. | Fault detection and optimization in seismic dataset using multiscale fusion of a geometric attribute | |
| CN111273350B (zh) | 一种基于独立成分分析的薄互层地震切片分离方法 | |
| RU2746691C1 (ru) | Система интеллектуального определения тектонических нарушений по сейсмическим данным на основе сверточных нейронных сетей | |
| CN110954958A (zh) | 裂缝与断层的预测方法及系统 | |
| Han et al. | Algorithm for Intelligent Recognition Low-Grade Seismic Faults Using Codec Target Edges | |
| Lyu et al. | A buried hill fault detection method based on 3D U-SegNet and transfer learning | |
| Mitchell et al. | A semi-automatic approach for estimating bedrock and surface layers from multichannel coherent radar depth sounder imagery | |
| Lv et al. | Application of the transfer learning method in multisource geophysical data fusion | |
| Zhang et al. | Separation of potential field data using 3-D principal component analysis and textural analysis | |
| Liu et al. | 3D seismic waveform of channels extraction by artificial intelligence | |
| Ip | Experimental determination of porosity and permeability properties of terrigenous reservoirs for creation and validation of a digital core model | |
| Wang et al. | Seafloor classification based on deep-sea multibeam data—Application to the southwest Indian Ridge at 50.47° E | |
| Abdimanap et al. | Enhancing Core Image Classification Using Generative Adversarial Networks (GANs) | |
| CN113392705A (zh) | 一种基于卷积神经网络的沙漠地区管道泄漏目标识别方法 |
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 |