CN111580156A - 一种地震零值切片自动拾取方法及系统 - Google Patents
一种地震零值切片自动拾取方法及系统 Download PDFInfo
- Publication number
- CN111580156A CN111580156A CN201910123093.XA CN201910123093A CN111580156A CN 111580156 A CN111580156 A CN 111580156A CN 201910123093 A CN201910123093 A CN 201910123093A CN 111580156 A CN111580156 A CN 111580156A
- Authority
- CN
- China
- Prior art keywords
- seismic
- slice
- value
- zero
- slices
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000000203 mixture Substances 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 17
- 239000000463 material Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000004044 response Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000007621 cluster analysis Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000007476 Maximum Likelihood Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009918 complex formation Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 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
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
本发明提供了一种地震零值切片自动拾取方法及系统,包括:通过最大期望算法求解多个地震切片中每个地震切片具有不同聚类数目的混合高斯模型;根据贝叶斯信息准则选取每个地震切片的最优聚类数目;根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和估计区间,本发明可快速、自动拾取零值切片,在效率和精度上都高于人工,节约人力物力。
Description
技术领域
本发明涉及勘探地球物理技术领域,尤其涉及一种地震零值切片自动拾取方法及系统。
背景技术
地震数据“高信噪比、高分辨率、高保真度”三高要求中,高分辨率是资料处理的基本要求,地震数据的分辨率对后续处理以及综合解释有着重要意义。随着油气勘探不断向复杂地区推进,分辨率的高低极大限制勘探工作的进程,尤其普通的处理技术不容易识别薄层及复杂构造,提高分辨率的相关工作势在必行。
对于复杂构造而言,在大部分反射时间段,多个地质体的反射是重叠的,在地震切片上会同时出现多个地质体的反射,但存在这样的时刻,在该时刻某一个地质体地震反射的样点值为零,对应的地震切片上只出现其余几个地质体的反射,该时刻称为地质体的零值时刻,相应切片称为零值切片。零值时刻的提取有助于识别地质体,如薄层砂体、河道,有着提高地震勘探分辨率的潜能。但目前基本通过人工拾取零值切片,拾取过程耗时耗力,当地震切片数量较少时,人为拾取勉强可以实现,但当地震切片数量为成千上万时,人工拾取需要耗费大量的人力物力,时间长成本高。并且,对于传统的人工拾取方法,大多经过对原始数据处理、加工和计算,但是并没有对原始数据本身的特征进行提炼分析。同时,当需要计算的数据不满足先验假设及要求时,传统的人工拾取方法也会受到干扰,导致拾取结果不准确。
发明内容
本发明的一个目的在于提供一种地震零值切片自动拾取方法,快速、自动拾取零值切片,在效率和精度上都高于人工,节约人力物力。本发明的另一个目的在于提供一种地震零值切片自动拾取系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
为了达到以上目的,本发明一方面公开了一种地震零值切片自动拾取方法,包括:
通过最大期望算法求解多个地震切片中每个地震切片具有不同聚类数目的混合高斯模型;
根据贝叶斯信息准则选取每个地震切片的最优聚类数目;
根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间。
优选地,所述根据贝叶斯信息准则选取每个地震切片的最优聚类数目具体包括:
得到不同聚类数目的混合高斯模型的贝叶斯信息量;
确定所述贝叶斯信息量最小的聚类数目为每个地震切片的最优聚类数目。
优选地,所述根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间具体包括:
根据最优聚类数目确定所述多个地震切片中的地质体数量;
根据所述地质体数量确定零值切片对应的聚类数目阈值;
最优聚类数目低于所述聚类数目阈值的连续地震切片为目标零值切片以确定零值切片的估计值和/或估计区间。
优选地,所述方法进一步包括:
选取最优聚类数目低于阈值的目标地震切片的中间时刻作为零值切片的估计值;
选取最优聚类数目低于阈值的目标地震切片对应的时间范围作为零值切片的估计区间。
本发明另一方面公开了一种地震零值切片自动拾取系统,包括:
模型建立模块,用于通过最大期望算法求解多个地震切片中每个地震切片具有不同聚类数目的混合高斯模型;
切片聚类模块,用于根据贝叶斯信息准则选取每个地震切片的最优聚类数目;
零值时刻拾取模块,用于根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间。
优选地,所述切片聚类模块进一步用于得到不同聚类数目的混合高斯模型的贝叶斯信息量,确定所述贝叶斯信息量最小的聚类数目为每个地震切片的最优聚类数目。
优选地,所述零值时刻拾取模块进一步用于根据最优聚类数目确定所述多个地震切片中的地质体数量,根据所述地质体数量确定零值切片对应的聚类数目阈值,最优聚类数目低于所述聚类数目阈值的连续地震切片为目标零值切片以确定零值切片的估计值和/或估计区间。
优选地,所述系统进一步包括估计模块;
所述估计模块用于选取最优聚类数目低于阈值的目标地震切片的中间时刻作为零值切片的估计值,选取最优聚类数目低于阈值的目标地震切片对应的时间范围作为零值切片的估计区间。
零值时刻拾取模块零值时刻拾取模块本发明还公开了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,
所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,
该程序被处理器执行时实现如上所述方法。
本发明通过采用不同聚类数目的混合高斯模型对地震切片的原始数据进行属性聚类分析,得到每个地震切片的最优聚类数目,并通过多个地震切片的最优聚类数目可确定多个地震切片中的零值切片。本发明通过采用混合高斯模型对原始数据进行属性聚类分析,极大地挖掘原始数据本身的属性特征,对数据没有严格的要求与假设。实现零值切片的自动拾取,可以有效取代人工,提高拾取效率和精度,进而提高薄层砂体、河道等地质体识别的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本发明一种地震零值切片自动拾取方法具体实施例的流程图之一;
图2示出本发明一种地震零值切片自动拾取方法具体实施例的流程图之二;
图3示出本发明一种地震零值切片自动拾取方法具体实施例的流程图之三;
图4示出本发明一种地震零值切片自动拾取方法具体实施例的流程图之四;
图5示出本发明一种地震零值切片自动拾取方法具体实施例的流程图之五;
图6示出本发明一种地震零值切片自动拾取方法具体实施例的流程图之六;
图7示出本发明一种地震零值切片自动拾取方法具体实施例中一种零值切片的样例图;
图8示出本发明一种地震零值切片自动拾取方法具体实施例中另一种零值切片的样例图;
图9示出本发明一种地震零值切片自动拾取方法具体实施例中另一种非零值切片的样例图;
图10示出本发明一种地震零值切片自动拾取方法具体实施例样本数据加入10%随机噪声示意图;
图11示出本发明一种地震零值切片自动拾取方法具体实施例样本数据加入10%随机噪声的最优聚类数目统计图;
图12示出本发明一种地震零值切片自动拾取方法具体实施例样本数据加入10%随机噪声的最优聚类数目随时间变化的统计图;
图13示出本发明一种地震零值切片自动拾取方法具体实施例实际三维数据体中的一个切片示意图;
图14示出本发明一种地震零值切片自动拾取方法具体实施例实际三维数据体中最优聚类数目随时间变化的统计图;
图15示出本发明一种地震零值切片自动拾取方法具体实施例实际三维数据体零值时刻的估计值和估计区间与人工精细化处理结果的的对比图;
图16示出本发明一种地震零值切片自动拾取系统具体实施例的结构图之一;
图17示出本发明一种地震零值切片自动拾取系统具体实施例的结构图之二;
图18示出适于用来实现本发明实施例的计算机设备的结构示意图。
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做出创造性劳动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。
根据本发明的一个方面,本实施例公开了一种地震零值切片自动拾取方法。本实施例中,如图1所示,所述方法包括:
S100:通过最大期望算法求解多个地震切片中每个地震切片具有不同聚类数目的混合高斯模型。
S200:根据贝叶斯信息准则选取每个地震切片的最优聚类数目。
S300:根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间。
本发明通过采用混合高斯模型对地震切片的原始数据进行属性聚类分析,得到每个地震切片的最优聚类数目,并通过对所有地震切片的最优聚类数目进行统计分析进一步确定多个零值切片的估计值和估计区间。本发明通过采用混合高斯模型对原始数据进行属性聚类分析,极大地挖掘原始数据本身的属性特征,根据统计学概率进行聚类,属于无监督学习,在没有标签样本的情况下能够实现零值时刻的自动拾取,对数据没有严格的要求与假设。实现零值切片的自动拾取,可以有效取代人工,提高拾取效率和精度,进而提高薄层砂体、河道等地质体识别的精度,对于探索高分辨率识别以及智能拾取技术具有较大的参考意义。
混合高斯模型(GMM)是一种无监督学习算法,常用于聚类。当聚类问题中各个类别的尺寸不同、聚类间有相关关系的时候,往往GMM更合适。对于一个样本来说,GMM得到的是其属于各个类的概率,而不是完全的属于某个类,这种聚类方法被称为软聚类。一般来说,任意形状的概率分布都可以用多个高斯分布函数去近似,因而,GMM的应用也比较广泛。
具体的,如图2所示,S100中通过最大期望算法(EM)得到多个地震切片中每个地震切片的混合高斯模型可包括:
S110:设置初始参数。例如,GMM中的权值、均值与协方差:Φ、μ、Σ。
S120:根据初始参数与地震切片数据得到地震切片属于不同高斯分布的概率分布。
S130:根据所述概率分布重新确定所述初始参数。S130为E-step,E-step中重新确定所述初始参数后,样本点z的概率分布更新公式如下:
其中,p(x(i)|z(i)=j;μ,Σ)和p(x(i)|z(i)=k;μ,Σ)是高斯分布,p(z(i)=j;Φ)和p(z(i)=k;Φ)是多项式分布,对于多项式分布的函数,需要服从∑jΦj=1,j为Φ的数量,特殊的,当只有俩个分布(j=2)时,z服从伯努利分布(两点分布);z(i)代表第i个地震切片样本所属类别,x(i)代表第i个地震切片样本,为给定第i个地震切片样本z属于第j个高斯分布的条件概率,k为聚类的数目。
S140:重复S120和S130直至S130中重新确定的初始参数或概率分布目标函数的变化小于变化阈值。S140为M-step,在M-step中,根据E-step中得到的z的分布,重新对参数进行估计,则有:
其中,m为地震切片的数量,Φj为多项式分布中属于第j类的概率,μj代表第j个高斯分布的均值,Σj代表第j个高斯分布的协方差。
如图3所示,所述S100进一步还包括:
S150:针对每个地震切片求解不同聚类数目的混合高斯模型。具体的,对一个地震切片,可按1,2,3和4等数目进行聚类,得到不同聚类数目的混合高斯模型。
在地震区域的地质识别过程中,对于薄互层或复杂构造而言,在大多数反射时间段内,来自于多个地质体的响应叠加在一起。从切片上看,叠加在一起的地质体响应越多,该切片上的振幅变化越复杂,按照振幅(即颜色)进行聚类分析,该切片对应的聚类数目越多。若某一切片对应某个地质体的零值时刻,即该地质体的响应在某一切片上消失,则该切片上幅值(颜色)的聚类数目相应减少。因而可以对所有地震切片进行聚类分析,根据聚类数目确定零值切片。
在优选的实施方式中,如图4所示,所述S200具体可包括:
S210:得到不同聚类数目的混合高斯模型的贝叶斯信息量。针对每个地震切片不同聚类数目的混合高斯模型,需要选取最优的聚类数目。在优选的实施方式中,可通过贝叶斯信息准则确定每个地震切片的最优聚类数目。
在一个具体例子中,贝叶斯信息量BIC可通过以下公式求得:
BIC=kln(n)-2ln(L)
其中,k为聚类的数目,n为样本数目,L为混合高斯模型的极大似然估计值。
S220:确定所述贝叶斯信息量最小的聚类数目为每个地震切片的最优聚类数目。由于极大似然估计值越大越好,故BIC越小越好,因此为获得最佳聚类数目,选择最小BIC对应的聚类数目即为最佳聚类数目。
在优选的实施方式中,如图5所示,所述S300具体可包括:
S310:根据最优聚类数目确定所述多个地震切片中的地质体数量。
S320:根据所述地质体数量确定零值切片对应的聚类数目阈值。
S330:最优聚类数目低于所述聚类数目阈值的连续地震切片为目标零值切片以确定零值切片的估计值和/或估计区间。
对于包含N个地质体的模型,在大多数反射时间段,N个地质体的响应叠加在一起。从横向上看,大多数切片上,都有来自于地下N个地质体的响应。考虑到地质体的横向分布,切片聚类数目最多为2N。若某一切片对应某个地质体的零值时刻,即某地质体的响应在该切片上为零,则该切片的聚类数目为2N-1;其余大多数切片对应的聚类数目为2N-1+1至2N。因而,可根据所有切片的最优聚类数目进行统计分析,进而判断零值切片对应的聚类数目。以N=3即包含三个地质体的模型为例,根据三个地质体的横向分布关系,切片的最优聚类数目一般不会超过8个。对于某个地质体的零值时刻,只剩下另外两个地质体的叠加,最多4种叠加方式。因而若某个时间段对应的切片聚类数目最多为8个,可以判断地质体有三个,进而提取出聚类数目小于等于4的切片作为目标零值切片。
在优选的实施方式中,如图6所示,所述方法还包括S400,所述S400具体可包括:
S410:选取最优聚类数目低于阈值的目标地震切片的中间时刻作为零值切片的估计值。
S420:选取最优聚类数目低于阈值的目标地震切片对应的时间范围作为零值切片的估计区间。在其他实施方式中,S400也可以仅包括S410和S420中的一个步骤。
受随机噪声影响,零值切片附近的非零值切片都表现出零值切片的特点,从而导致即便是人工拾取,也具有极大的不确定性。为了将这种不确定性考虑在内,提高自动拾取的可靠性,将最优聚类数目低于阈值的目标零值切片的中间时刻作为零值时刻的估计值,而将最优聚类数目低于阈值的目标零值切片对应的时间范围作为零值时刻的估计区间。即根据聚类数目阈值确定低于阈值的所有地震切片为目标零值切片,所有零值切片的时间形成了一个时间范围,将该时间范围的中间时刻作为零值切片的估计值,将该时间范围作为零值切片的估计区间。
在一个具体例子中,针对一个三层模型(厚度分别为8ms和4ms,2ms,间隔为2ms)以及一个201*251*251的实际三维数据体进行零值时刻智能化自动拾取测试。图7和图8分别示出了三层模型的两种零值时刻切片的样例。图9示出了三层模型非零值时刻切片的样例。
图10为信噪比为10%的情形下,一个样本数据的示例。对所有含噪样本进行聚类分析,图11列出了最优聚类数目的分布。尽管对每个切片尝试进行了1-10类的分析,并且有噪声的影响,却仅有极少数切片的最优聚类数目超过23个,可推得地质体数目为3个,进而可以推导聚类数目小于等于23-1即4的切片对应零值切片。
图12中的虚线方框圈出了该部分切片(时刻),可见这些时刻与竖线标明的理论零值时刻具有一定的对应关系。需要强调的是,在含有噪声的情形下地震零值时刻的拾取问题本身具有很大的不确定性,即便是采用人工的方式进行,对于该实例,拾取的零值切片也将达到230-250个(不同的人拾取的结果略有差异),与聚类分析拾取得到的231个零值时刻无论是位置还是数量都很近似。换句话说,截止目前,基于聚类分析进行零值时刻自动拾取已经达到了人工拾取的精度。但考虑到问题本身的不确定性,自动拾取方法进一步给出了零值时刻的估计值和估计区间,如表1所示。可见零值时刻的估计值仅比理论值多了3个,同时估计区间将理论值很好地覆盖在内,相比于传统人工拾取,既提高了拾取的精度,也提高了可靠性。
表1
针对一具有201个251*251的三维数据体进行测试,图13给出了其中一个切片,图14显示了对所有切片进行聚类分析的结果。由于没有切片的聚类数目达到22,多数切片的聚类数目都为21,因而可以推得地下介质仅有1个地质体,进而推得聚类数目小于等于20的切片为零值切片,其时间位置即对应零值时刻。对于实际资料,无法获得理论结果,因而图14并未像图12那样显示理论零值时刻,但将人工拾取结果进一步进行了精细化的处理,将其作为比对标准,图15显示了自动拾取的零值时刻估计值和估计区间(虚线)与该标准(实线)的对比,显然二者匹配良好,表明自动拾取结果达到了人工的精度。
混合高斯模型(GMM)利用了人工智能机器学习的无监督学习技术,无监督学习可以在样本没有标记的情况下,自适应的去学习以及提炼样本的属性特征信息,基于混合高斯模型挖掘原始数据属性并进行聚类分析,并依据贝叶斯准则进行最佳聚类数目优化,从而得出每张地质体切片最佳聚类数目,同时进行后处理精简零值时刻范围,完成零值时刻自动化智能拾取。相对于传统人工拾取方法,混合高斯模型零值切片机器学习自动拾取方法节省了大量的人力物力,较快较准确的完成地质体水平切片零值时刻的拾取,为地质体识别分辨率限制提升提供了可能。
基于相同原理,本实施例还公开了一种地震零值切片自动拾取系统。如图16所示,所述系统包括模型建立模块11、切片聚类模块12和零值时刻拾取模块13。
其中,所述模型建立模块11用于通过最大期望算法求解多个地震切片中每个地震切片具有不同聚类数目的混合高斯模型。
所述切片聚类模块12用于根据贝叶斯信息准则选取每个地震切片的最优聚类数目。
所述零值时刻拾取模块13用于根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间。
本发明通过采用混合高斯模型对地震切片的原始数据进行属性聚类分析,得到每个地震切片的最优聚类数目,并通过多个地震切片的最优聚类数目可确定多个地震切片中的零值切片。本发明通过采用混合高斯模型对原始数据进行属性聚类分析,极大地挖掘原始数据本身的属性特征,根据统计学概率进行聚类,属于无监督学习,在没有标签样本的情况下能够实现零值时刻的自动拾取,对数据没有严格的要求与假设。实现零值切片的自动拾取,可以有效取代人工,提高拾取效率和精度,进而提高薄层砂体、河道等地质体识别的精度,对于探索高分辨率识别以及智能拾取技术具有较大的参考意义。
混合高斯模型(GMM)是一种无监督学习算法,常用于聚类。当聚类问题中各个类别的尺寸不同、聚类间有相关关系的时候,往往GMM更合适。对于一个样本来说,GMM得到的是其属于各个类的概率,而不是完全的属于某个类,这种聚类方法被称为软聚类。一般来说,任意形状的概率分布都可以用多个高斯分布函数去近似,因而,GMM的应用也比较广泛。
具体的,所述模型建立模块11可通过最大期望算法(EM)得到多个地震切片中每个地震切片的混合高斯模型。具体的,所述模型建立模块11可设置初始参数。例如,GMM中的权值、均值与协方差:Φ、μ、Σ。根据初始参数与地震切片数据得到地震切片属于不同高斯分布的概率分布。根据所述概率分布重新确定所述初始参数。重新确定所述初始参数后,样本点z的概率分布更新公式如下:
其中,p(x(i)|z(i)=j;μ,Σ)和p(x(i)|z(i)=k;μ,Σ)是高斯分布,p(z(i)=j;Φ)和p(z(i)=k;Φ)是多项式分布,对于多项式分布的函数,需要服从∑jΦj=1,j为Φ的数量,特殊的,当只有俩个分布(j=2)时,z服从伯努利分布(两点分布);z(i)代表第i个地震切片样本所属类别,为给定第i个地震切片样本z属于第j个高斯分布的条件概率,k为聚类的数目,x(i)代表第i个地震切片样本。
所述模型建立模块11重复确定所述初始参数直至重新确定的初始参数或概率分布目标函数的变化小于变化阈值。根据得到的z的分布,重新对参数进行估计,则有:
其中,m为地震切片的数量,Φj为多项式分布中属于第j类的概率,μj代表第j个高斯分布的均值,Σj代表第j个高斯分布的协方差。
所述模型建立模块11进一步还可用于针对每个地震切片求解不同聚类数目的混合高斯模型。具体的,对一个地震切片,可按1,2,3和4等数目进行聚类,得到不同聚类数目的混合高斯模型。
在地震区域的地质识别过程中,对于薄互层或复杂构造而言,在大多数反射时间段内,来自于多个地质体的响应叠加在一起。从切片上看,叠加在一起的地质体响应越多,该切片上的振幅变化越复杂,按照振幅(即颜色)进行聚类分析,该切片对应的聚类数目越多。若某一切片对应某个地质体的零值时刻,即该地质体的响应在某一切片上消失,则该切片上幅值(颜色)的聚类数目相应减少。因而可以对所有地震切片进行聚类分析,根据聚类数目确定零值切片。
在优选的实施方式中,所述切片聚类模块12可用于得到不同聚类数目的混合高斯模型的贝叶斯信息量,确定所述贝叶斯信息量最小的聚类数目为每个地震切片的最优聚类数目。
针对每个地震切片不同聚类数目的混合高斯模型,需要选取最优的聚类数目。在优选的实施方式中,可通过贝叶斯信息准则确定每个地震切片的最优聚类数目。
在一个具体例子中,贝叶斯信息量BIC可通过以下公式求得:
BIC=kln(n)-2ln(L)
其中,k为聚类的数目,n为样本数目,L为混合高斯模型的极大似然估计值。
由于极大似然估计值越大越好,故BIC越小越好,因此为获得最佳聚类数目,选择最小BIC对应的聚类数目即为最佳聚类数目。
在优选的实施方式中,所述零值时刻拾取模块13进一步可用于根据最优聚类数目确定所述多个地震切片中的地质体数量,根据所述地质体数量确定零值切片对应的聚类数目阈值,最优聚类数目低于所述聚类数目阈值的连续地震切片为目标零值切片以确定零值切片的估计值和/或估计区间。
对于包含N个地质体的模型,在大多数反射时间段,N个地质体的响应叠加在一起。从横向上看,大多数切片上,都有来自于地下N个地质体的响应。考虑到地质体的横向分布,切片聚类数目最多为2N。若某一切片对应某个地质体的零值时刻,即某地质体的响应在该切片上为零,则该切片的聚类数目为2N-1;其余大多数切片对应的聚类数目为2N-1+1至2N。因而,所有切片的最优聚类数目进行统计分析,进而判断零值切片对应的聚类数目。以N=3即包含三个地质体的模型为例,根据三个地质体的横向分布关系,切片的最优聚类数目一般不会超过8个。对于某个地质体的零值时刻,只剩下另外两个地质体的叠加,最多4种叠加方式。因而若某个时间段对应的切片聚类数目最多为8个,可以判断地质体有三个,进而提取出聚类数目小于等于4的切片作为目标零值切片。
在优选的实施方式中,如图17所示,所述系统还包括估计模块14,所述估计模块14可用于选取最优聚类数目低于阈值的目标地震切片的中间时刻作为零值切片的估计值,选取最优聚类数目低于阈值的目标地震切片对应的时间范围作为零值切片的估计区间。在其他实施方式中,估计模块也可以用于确定零值切片的估计值和估计区间的其中一个。
受随机噪声影响,零值切片附近的非零值切片都表现出零值切片的特点,从而导致即便是人工拾取,也具有极大的不确定性。为了将这种不确定性考虑在内,提高自动拾取的可靠性,将最优聚类数目低于阈值的目标零值切片的中间时刻作为零值时刻的估计值,而将最优聚类数目低于阈值的目标零值切片对应的时间范围作为零值时刻的估计区间。即根据聚类数目阈值确定低于阈值的所有地震切片为目标零值切片,所有零值切片的时间形成了一个时间范围,将该时间范围的中间时刻作为零值切片的估计值,将该时间范围作为零值切片的估计区间。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的由客户端执行的方法,或者,所述处理器执行所述程序时实现如上所述的由服务器执行的方法。
下面参考图18,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图18所示,计算机设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种地震零值切片自动拾取方法,其特征在于,包括:
通过最大期望算法求解多个地震切片中每个地震切片具有不同聚类数目的混合高斯模型;
根据贝叶斯信息准则选取每个地震切片的最优聚类数目;
根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间。
2.根据权利要求1所述的自动拾取方法,其特征在于,所述根据贝叶斯信息准则选取每个地震切片的最优聚类数目具体包括:
得到不同聚类数目的混合高斯模型的贝叶斯信息量;
确定所述贝叶斯信息量最小的聚类数目为每个地震切片的最优聚类数目。
3.根据权利要求1所述的自动拾取方法,其特征在于,所述根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间具体包括:
根据最优聚类数目确定所述多个地震切片中的地质体数量;
根据所述地质体数量确定零值切片对应的聚类数目阈值;
最优聚类数目低于所述聚类数目阈值的连续地震切片为目标零值切片以确定零值切片的估计值和/或估计区间。
4.根据权利要求3所述的自动拾取方法,其特征在于,所述方法进一步包括:
选取最优聚类数目低于阈值的目标地震切片的中间时刻作为零值切片的估计值;
选取最优聚类数目低于阈值的目标地震切片对应的时间范围作为零值切片的估计区间。
5.一种地震零值切片自动拾取系统,其特征在于,包括:
模型建立模块,用于通过最大期望算法求解多个地震切片中每个地震切片具有不同聚类数目的混合高斯模型;
切片聚类模块,用于根据贝叶斯信息准则选取每个地震切片的最优聚类数目;
零值时刻拾取模块,用于根据所有地震切片的最优聚类数目的统计分布确定零值切片的估计值和/或估计区间。
6.根据权利要求5所述的自动拾取系统,其特征在于,所述切片聚类模块进一步用于得到不同聚类数目的混合高斯模型的贝叶斯信息量,确定所述贝叶斯信息量最小的聚类数目为每个地震切片的最优聚类数目。
7.根据权利要求5所述的自动拾取系统,其特征在于,所述零值时刻拾取模块进一步用于根据最优聚类数目确定所述多个地震切片中的地质体数量,根据所述地质体数量确定零值切片对应的聚类数目阈值,最优聚类数目低于所述聚类数目阈值的连续地震切片为目标零值切片以确定零值切片的估计值和/或估计区间。
8.根据权利要求7所述的自动拾取系统,其特征在于,所述系统进一步包括估计模块;
所述估计模块用于选取最优聚类数目低于阈值的目标地震切片的中间时刻作为零值切片的估计值,选取最优聚类数目低于阈值的目标地震切片对应的时间范围作为零值切片的估计区间。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,
所述处理器执行所述程序时实现如权利要求1-4任一项所述方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,
该程序被处理器执行时实现如权利要求1-4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910123093.XA CN111580156B (zh) | 2019-02-18 | 2019-02-18 | 一种地震零值切片自动拾取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910123093.XA CN111580156B (zh) | 2019-02-18 | 2019-02-18 | 一种地震零值切片自动拾取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580156A true CN111580156A (zh) | 2020-08-25 |
CN111580156B CN111580156B (zh) | 2022-12-02 |
Family
ID=72125962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910123093.XA Active CN111580156B (zh) | 2019-02-18 | 2019-02-18 | 一种地震零值切片自动拾取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580156B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6151555A (en) * | 1999-03-09 | 2000-11-21 | Schlumberger Technology Corporation | Seismic signal processing method and apparatus for generating a cube of variance values |
US20120084007A1 (en) * | 2010-09-30 | 2012-04-05 | Chevron U.S.A. Inc. | System and method for declustering subsurface data on a per-slice basis |
CN102981182A (zh) * | 2012-11-20 | 2013-03-20 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于无监督分类的二维地震数据全层位自动追踪方法 |
US20130229891A1 (en) * | 2012-03-01 | 2013-09-05 | Transform Software & Services, Inc. | Method and system for image-guided fault extraction from a fault-enhanced seismic image |
CN103439741A (zh) * | 2013-09-16 | 2013-12-11 | 中国石油大港油田勘探开发研究院 | 一种零值法单砂体逐层剥离预测方法 |
CN104991275A (zh) * | 2015-07-09 | 2015-10-21 | 北京诺克斯达石油科技有限公司 | 一种特征切片薄互层分析法 |
US20170061481A1 (en) * | 2015-08-27 | 2017-03-02 | Staples, Inc. | Realtime Feedback Using Affinity-Based Dynamic User Clustering |
CN106526670A (zh) * | 2016-09-21 | 2017-03-22 | 中石化石油工程技术服务有限公司 | 一种碎屑岩储层中地震属性砂体空间分布描述及评价的方法 |
CN107358945A (zh) * | 2017-07-26 | 2017-11-17 | 谢兵 | 一种基于机器学习的多人对话音频识别方法及系统 |
CN108957530A (zh) * | 2018-05-23 | 2018-12-07 | 电子科技大学 | 一种基于地震相干体切片的裂缝自动检测方法 |
-
2019
- 2019-02-18 CN CN201910123093.XA patent/CN111580156B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6151555A (en) * | 1999-03-09 | 2000-11-21 | Schlumberger Technology Corporation | Seismic signal processing method and apparatus for generating a cube of variance values |
US20120084007A1 (en) * | 2010-09-30 | 2012-04-05 | Chevron U.S.A. Inc. | System and method for declustering subsurface data on a per-slice basis |
US20130229891A1 (en) * | 2012-03-01 | 2013-09-05 | Transform Software & Services, Inc. | Method and system for image-guided fault extraction from a fault-enhanced seismic image |
CN102981182A (zh) * | 2012-11-20 | 2013-03-20 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于无监督分类的二维地震数据全层位自动追踪方法 |
CN103439741A (zh) * | 2013-09-16 | 2013-12-11 | 中国石油大港油田勘探开发研究院 | 一种零值法单砂体逐层剥离预测方法 |
CN104991275A (zh) * | 2015-07-09 | 2015-10-21 | 北京诺克斯达石油科技有限公司 | 一种特征切片薄互层分析法 |
US20170061481A1 (en) * | 2015-08-27 | 2017-03-02 | Staples, Inc. | Realtime Feedback Using Affinity-Based Dynamic User Clustering |
CN106526670A (zh) * | 2016-09-21 | 2017-03-22 | 中石化石油工程技术服务有限公司 | 一种碎屑岩储层中地震属性砂体空间分布描述及评价的方法 |
CN107358945A (zh) * | 2017-07-26 | 2017-11-17 | 谢兵 | 一种基于机器学习的多人对话音频识别方法及系统 |
CN108957530A (zh) * | 2018-05-23 | 2018-12-07 | 电子科技大学 | 一种基于地震相干体切片的裂缝自动检测方法 |
Non-Patent Citations (6)
Title |
---|
SANYI YUAN ET AL.: "Inversion-Based 3-D Seismic Denoising for Exploring Spatial Edges and Spatio-Temporal Signal Redundancy", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
ZHOU LIN ET AL.: "Binaural Sound Source Localization based on Sub-band SNR Estimation", 《INTERNATIONAL JOURNAL OF MULTIMEDIA AND UBIQUITOUS ENGINEERING》 * |
张正龙: ""零值时间 " 地震属性切片技术在渤海A油田薄互层储层研究中的应用 ", 《2017年物探技术研讨会》 * |
朱珊珊等: "利用零值地震切片刻画河道砂体", 《中国地球科学联合学术年会 2015》 * |
李国发等: "薄互层地震切片解释中的几个问题—以一个三维地质模型为例", 《石油地球物理勘探》 * |
骆春妹等: "基于反射界面自动拾取的AVA反演方法研究", 《地球物理学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111580156B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
CN106291701B (zh) | 储层检测方法及装置 | |
Soto et al. | DeepPhasePick: a method for detecting and picking seismic phases from local earthquakes based on highly optimized convolutional and recurrent deep neural networks | |
CN111025384B (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN109113729A (zh) | 基于测井曲线的岩性识别方法及装置 | |
CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
CN111381275A (zh) | 一种地震数据的初至拾取方法和装置 | |
CN108369287B (zh) | 确定节点深度和水柱通过速度 | |
US20220206176A1 (en) | System and method for identifying subsurface structures | |
CN106056577B (zh) | 基于mds-srm混合级联的sar图像变化检测方法 | |
Sun et al. | Organic-matter content prediction based on the random forest algorithm: Application to a Lower Silurian shale-gas reservoir | |
Fornasari et al. | A Machine‐Learning Approach for the Reconstruction of Ground‐Shaking Fields in Real Time | |
Zhang et al. | Phase arrival picking for bridging multi-source downhole microseismic data using deep transfer learning | |
CN111580156B (zh) | 一种地震零值切片自动拾取方法及系统 | |
Denisenko et al. | Automated geosteering while drilling using machine learning. Case studies | |
US20230140656A1 (en) | Method and system for determining seismic processing parameters using machine learning | |
Yamada | Estimation of fault rupture extent using near-source records for earthquake early warning | |
Toney et al. | Waveform features strongly control subcrater classification performance for a large, labeled volcano infrasound dataset | |
Adi et al. | Deep Neural Network of Earthquake Signal Identification using Stridenet | |
D’Angelo | Advances in Kth nearest-neighbour clutter removal | |
Fung et al. | Lithology classification using self-organising map | |
Zhao et al. | Characterization of the measurement error in time-lapse seismic data and production data with an EM algorithm | |
CN112505752B (zh) | 基于剪切破裂共轭准则的叠后裂缝储层表征方法 | |
US11846740B2 (en) | First break picking for full wavefield travel-time inversion |
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 |