CN111650643A - 地震断层机器学习模型训练集提取方法和系统 - Google Patents
地震断层机器学习模型训练集提取方法和系统 Download PDFInfo
- Publication number
- CN111650643A CN111650643A CN202010637933.7A CN202010637933A CN111650643A CN 111650643 A CN111650643 A CN 111650643A CN 202010637933 A CN202010637933 A CN 202010637933A CN 111650643 A CN111650643 A CN 111650643A
- Authority
- CN
- China
- Prior art keywords
- seismic
- data
- fault
- horizon
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 66
- 238000010801 machine learning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005755 formation reaction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
-
- 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
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/642—Faults
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/643—Horizon tracking
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断层机器学习模型训练集提取方法和系统,包括:对三维地震数据体进行层位追踪,得到目标层位;对目标层位进行层位解释,得到目标层位的每个数据点的标签信息;标签信息包括以下任一项:断层点,非断层点;基于标签信息,对目标层位的每个数据点进行分组操作,得到第一集合和第二集合;分别对第一集合和第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集;将第一地震属性数据集和第二地震属性数据集确定为地震断层机器学习模型的训练集。本发明缓解了现有技术中存在的训练集提取过程效率低下的技术问题。
Description
技术领域
本发明涉及地质构造和地震勘探技术领域,尤其是涉及一种地震断层机器学习模型训练集提取方法和系统。
背景技术
矿区的地质构造通常利用人工地震的方法进行探测,构造解释是地震解释的基础,同时断层解释是构造解释的重中之重,断层诊断在地质勘探中具有重要意义。常规的断层解释通过观察地震剖面上振幅、相位和时差等特征识别断层,由于小断层在时间剖面上的微小变化,难以肉眼识别,同时结果受解释人员主观因素影响较大,解释工作的细微误差,会导致实际生产中损失大量的人力物力。地震属性是由叠前或叠后地震数据,经过数学变换而导出的表征地震波几何形态、运动学特征、动力学特征以及各种统计特征的一些参数。地震属性在构造解释,地层岩性解释等领域得到了广泛应用。地震属性包含更多的地质信息,能够解释时间剖面难解释的小断层。
用于断层解释的地震属性种类繁多,其中相干属性与曲率属性是常用于断层解释的地震属性。方差体属性使用相邻地震道信号的相似性来描述地层的横向不均匀性,因此可以表示地层的不连续性;地层曲率属性反映地层受构造应力挤压时层面弯曲的程度,曲率的绝对值越大,说明弯曲程度越大,小构造越发育。方差体和曲率体都被用于解释断层,方差体常用于解释发生错断的断层,而曲率体常用于解释褶曲性的断层,故某一种属性只能解释地质现象的某一个方面。
因此,需要挑选能够识别横向不连续体且具有断层地质意义的地震属性,采用多属性融合识别断层的方法,既能避免单一属性的局限性,也能解决人工解释不能识别的小断层问题;多属性融合的优点是把大量的地震属性信息整合在一起,可充分挖潜数据内含信息,去除重复冗杂信息,提高断层解释的精度和效率。将这些地震属性数据作为机器学习算法输入的训练与测试数据,使用神经网络算法自动识别地震小构造,能够帮助提高识别断层的效率,达到提高生产效率的目的。但是在对机器学习模型进行训练时,需要提取大量的地震属性数据作为训练集。现有技术中,先对地震数据提取地震属性数据集,然后再进行断层解释,标注断层点的位置信息,这个过程会耗费大量的人力,效率低下。
发明内容
有鉴于此,本发明的目的在于提供一种地震断层机器学习模型训练集提取方法和系统,以缓解了现有技术中存在的训练集提取过程效率低下的技术问题。
第一方面,本发明实施例提供了一种地震断层机器学习模型训练集提取方法,包括:对三维地震数据体进行层位追踪,得到目标层位;所述三维地震数据体为地震数据的叠后数据体;对所述目标层位进行层位解释,得到所述目标层位的每个数据点的标签信息;所述标签信息包括以下任一项:断层点,非断层点;基于所述标签信息,对所述目标层位的每个数据点进行分组操作,得到第一集合和第二集合;所述第一集合为所述标签信息为断层点的数据点集合,所述第二集合为所述标签信息为非断层点的数据点集合;分别对所述第一集合和所述第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集;将所述第一地震属性数据集和所述第二地震属性数据集确定为地震断层机器学习模型的训练集。
进一步地,所述方法还包括:基于所述训练集,对地震断层机器学习模型进行训练,得到训练之后的断层识别模型。
进一步地,所述方法还包括:对所述目标层位进行层位内插操作,得到连续性修正之后的目标层位。
进一步地,所述第一地震属性数据集包括以下至少之一:所述第一集合中的数据点的体属性数据集,所述第一集合中的数据点的层属性数据集;所述第二地震属性数据集包括以下至少之一:所述第二集合中的数据点的体属性数据集,所述第二集合中的数据点的层属性数据集。
第二方面,本发明实施例还提供了一种地震断层机器学习模型训练集提取系统,包括:层位追踪模块,层位解释模块,分组模块,地震属性提取模块和确定模块,其中,所述层位追踪模块,用于对三维地震数据体进行层位追踪,得到目标层位;所述三维地震数据体为地震数据的叠后数据体;所述层位解释模块,用于对所述目标层位进行层位解释,得到所述目标层位的每个数据点的标签信息;所述标签信息包括以下任一项:断层点,非断层点;所述分组模块,用于基于所述标签信息,对所述目标层位的每个数据点进行分组操作,得到第一集合和第二集合;所述第一集合为所述标签信息为断层点的数据点集合,所述第二集合为所述标签信息为非断层点的数据点集合;所述地震属性提取模块,用于分别对所述第一集合和所述第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集;所述确定模块,用于将所述第一地震属性数据集和所述第二地震属性数据集确定为地震断层机器学习模型的训练集。
进一步地,所述系统还包括:训练模块,用于基于所述训练集,对地震断层机器学习模型进行训练,得到训练之后的断层识别模型。
进一步地,所述层位追踪模块,还用于对所述目标层位进行层位内插操作,得到连续性修正之后的目标层位。
进一步地,所述第一地震属性数据集包括以下至少之一:所述第一集合中的数据点的体属性数据集,所述第一集合中的数据点的层属性数据集;所述第二地震属性数据集包括以下至少之一:所述第二集合中的数据点的体属性数据集,所述第二集合中的数据点的层属性数据集。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面,本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面所述方法。
本发明提供了一种地震断层机器学习模型训练集提取方法和系统,包括:对三维地震数据体进行层位追踪,得到目标层位;对目标层位进行层位解释,得到目标层位的每个数据点的标签信息;标签信息包括以下任一项:断层点,非断层点;基于标签信息,对目标层位的每个数据点进行分组操作,得到第一集合和第二集合;分别对第一集合和第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集;将第一地震属性数据集和第二地震属性数据集确定为地震断层机器学习模型的训练集。本发明通过先对地震数据进行层位解释,然后对层位的数据点进行分组,再对每组数据点进行地震属性提取的方式,可以快速得到标签信息为断层点或非断层点的地震属性数据集,提高了用于机器学习模型训练的训练集的提取效率,缓解了现有技术中存在的训练集提取过程效率低下的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种地震断层机器学习模型训练集提取方法的流程图;
图2为本发明实施例提供的一种层位追踪结果示意图;
图3为本发明实施例提供的一种波性特征追踪示意图;
图4为本发明实施例提供的一种地震数据剖面上的断层的示意图;
图5为本发明实施例提供的一种断层边界标定示意图;
图6为本发明实施例提供的一种地震断层机器学习模型训练集提取系统的示意图;
图7为本发明实施例提供的另一种地震断层机器学习模型训练集提取系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例一:
图1是根据本发明实施例提供的一种地震断层机器学习模型训练集提取方法的流程图。如图1所示,该方法具体包括如下步骤:
步骤S102,对三维地震数据体进行层位追踪,得到目标层位;三维地震数据体为地震数据的叠后数据体。
步骤S104,对目标层位进行层位解释,得到目标层位的每个数据点的标签信息;标签信息包括以下任一项:断层点,非断层点。
步骤S106,基于标签信息,对目标层位的每个数据点进行分组操作,得到第一集合和第二集合;第一集合为标签信息为断层点的数据点集合,第二集合为标签信息为非断层点的数据点集合。
步骤S108,分别对第一集合和第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集。
可选地,第一地震属性数据集包括以下至少之一:第一集合中的数据点的体属性数据集,第一集合中的数据点的层属性数据集;第二地震属性数据集包括以下至少之一:第二集合中的数据点的体属性数据集,第二集合中的数据点的层属性数据集。
步骤S110,将第一地震属性数据集和第二地震属性数据集确定为地震断层机器学习模型的训练集。
本发明实施例提供的一种地震断层机器学习模型训练集提取方法,通过先对地震数据进行层位解释,然后对层位的数据点进行分组,再对每组数据点进行地震属性提取的方式,可以快速得到标签信息为断层点或非断层点的地震属性数据集,提高了用于机器学习模型训练的训练集的提取效率,缓解了现有技术中存在的训练集提取过程效率低下的技术问题。
可选地,本发明实施例提供的方法在步骤S110之后,还包括:
基于训练集,对地震断层机器学习模型进行训练,得到训练之后的断层识别模型。
具体地,将第一地震属性数据集和第二地震属性数据集作为机器学习算法输入的训练集和测试集,对地震断层机器学习模型进行训练,得到训练之后的断层识别模型。然后利用训练之后的断层识别模型实现对断层的识别。
可选地,本发明实施例提供的方法在步骤S104之后,还包括:
对目标层位进行层位内插操作,得到连续性修正之后的目标层位。
下面以Geoframe软件提取训练集为例,说明本发明实施例提供的一种地震断层机器学习模型训练集提取方法的具体实施方式。
首先利用Geoframe软件对三维地震数据体进行层位追踪,采用的是基于波性特征的自动追踪。
具体地,在三维工区的Inline和Crossline测线上放置“种子点”,用来约束控制层位自动追踪的计算,然后定义追踪范围,接着定义层位自追踪拾取位置参数,寻找搜索时窗内特征点的相似波形结构特征(波谷、波峰、零交叉点等),但在地震道与地震道之间不进行相关计算,一道一道地搜索定义的波谷、波峰以及零交叉点等,以此进行层位自动追踪并进行命名。层位追踪结果如图2所示。
在地震剖面中,地震波的波峰或者波谷位置的同向轴往往是地下地质界面的反应,波性特征层位自动追踪方法的原理基于此,寻找波谷或波峰最大值追踪。
图3是根据本发明实施例提供的一种波性特征追踪示意图。如图3所示,假设某一道的特征种子点位置为t,则波形特征追踪方法的步骤为:
(1)指定一个搜索时间范围,假设为{t-Md,t+Md},Md是一种子点为中心向上或向下搜索的最大距离,一般设置为20ms,若设置过小,有可能会搜索不到满足条件的结果;而设置过大,会使搜索结果有多个,有可能大大偏离自动搜索结果。
(2)以当前特征种子点开始搜索,先向上搜索,当遇到第一个波峰值(这里以波峰为例)时,把当前位置记录下来,假设为Ts;接着向下搜索,当遇到第一个波峰值时,同样把当前位置记录下来,假设为Tx。
(3)根据向上和向下搜索的波峰位置,计算上下波峰离种子点的时间距离,假设分别为Ds和Dx,其中Ds=|Ts-t|,Dx=|Tx-t|。
如果Ds>Dx,使最终搜索点位置为t=Tx;相反,如果Ds<Dx,使最终搜索点位置为t=Ts。当Ds=Dx时,不能确定t的最优搜索拾取位置,这个时候就需要依靠前一道的追踪信息进行优选。
如果前一道(x-1)的搜索点已被调整到最优位置,这样就可以以上一道的搜索结果为这一道(第x道)的新搜索点(种子点)位置,然后按照上述方法上下搜索两个新波峰,最后根据波峰离种子点的距离选取最优调整位置;如果Ds仍然等于Dx,就按照前一道如果选取的是上波峰,那么此道也选取上波峰,反之亦然。
然后,对目标层位进行层位解释,得到目标层位的每个数据点的标签信息。
在目标层位上进行断层解释:在目标层位所处的一定范围工区内寻找存在断层的标志(同向轴上表现为错段、数目增减或消失、形状突变等),将鼠标放在需要激活的断层线上点击右键,选择active,激活断层,进行标定和修改。图4为本发明实施例提供的一种地震数据剖面上的断层的示意图。
将目标层位的断层标定之后,便对每一处断层上的断点,在目标层位的每一处断层处,右键所选层位并激活,利用左键连线选取断层的上盘,右键点击Contact-UP,标定此断层的上盘,利用左键连线选取断层的下盘,右键点击Contact-Dn标定此断层的下盘。
在Basemap界面Edit中选择Fault Boundaries,将层位中所上的断层断点里划定一个断层边界拟合起来。图5为根据本发明实施例提供的一种断层边界标定示意图。
之后对目标层位进行层位内插操作,得到连续性修正之后的目标层位。
具体地,在base map中选择tools选项,之后选择attribute interpolation,选择polygon,对所选的层位解释结果进行线性内插。
然后基于标签信息,对目标层位的每个数据点进行分组操作。通过选择目标层位的标签信息为非断层点的数据点,然后删除,将剩下的数据点的集合确定为第一集合;选择目标层位的标签信息为断层点的数据点,然后删除,将剩下的数据点的集合确定为第二集合。
具体地,在Geoframe软件的操作为:在base map上选择post,然后选择horizons,选择所选的层位,显示time attribute,之后点击post选项,点击attribute erase,删除base map中的断层和陷落柱等,然后提取断层属性。
最后对于分组之后的数据点分别进行地震属性提取操作。
地震属性提取的方法通常有两种:即沿单道同相轴拾取界面属性,或由地震数据体导出属性得到体积属性。属性体、属性剖面这类属性是按剖面(或体)处理的,是一个体文件(或剖面文件),属性值对应空间位置,可以用于常规地震剖面方式的显示与使用。
对地震数据的叠后数据体进行地震属性体计算,包括体属性计算和层属性计算。
(1)体属性计算。
体积属性(即体属性)是指地震数据体经过计算得到的数据体,也称为地震剖面属性,如经过特别处理的三瞬属性、相干属性以及波阻抗属性等。地震数据体由完整的三维地震体属性构成,具有重要的应用价值。
可选地,方差体属性(variance cube)是利用统计学的原理,利用三维地震数据体中相邻道之间地震信号的相关性,计算得到样点的方差值,提取数据体中的不连续信息,用来识别小断层和陷落柱等岩性变化的点。方差体是通过量化处理地震数据体的相干属性生成的数据体,突出强调地震数据的不相关性。方差体的计算实际上是求取加权移动的方差值,得到三维数据体中每个时间样点的方差。方差值越大,说明相似性越差,即可能存在断层。
方差体运算有加法运算和乘法运算,这里以乘法运算为例阐述计算方法:以采样点为中心,取上下各1/2时窗长度内的样点数,求出参与运算的各道时窗长度内所对应采样点的振幅平均值,再求出同一时刻参与运算的各道每个采样点的振幅值与上述得到的振幅平均值的方差和。计算时窗上下两端取值为0,当前采样点取值为1,中间个点权值由线性内插得到,将此作为整个时窗的权重函数。将得到的方差和乘上三角形权重函数的加权值,再进行归一化处理,即得到当前样本点的方差值。
可以通过如下算式计算方差体属性:
一般情况下,方差体高值对应的位置,常发育断层,值越高,说明断层尺度越大,因此,大多数情况下,可以根据方差值确定有无断层发育。
可选地,瞬时频率(Instantaneous frequency)为相位的时间导数,w=d(phase)/dt,瞬时频率的时间导数被称为相位加速度。瞬时频率由瞬时相位的时间变化率计算得到,瞬时频率与子波的频率不同,它通常用于估计地震波的衰减情况,与相位和振幅无关,能够测量地质区间旋回,也能用来分析断层间的互相关性。
可选地,瞬时振幅(Instantaneous amplitude)的属性特征为提供声阻抗差的信息,横向变化常与岩性有关。在解释中,用于振幅异常的品质分析;用于检测断层、地下矿床、薄层调谐效应;可以从复合波中分辨出厚层反射。
可选地,瞬时相位(Instantaneous phase)描述了复相位图中实部和虚部之间的角度。瞬时相位是不连续的,从+180°到-180°的反转可引起锯齿状波形。在层位解释中,进行地震地层层序和特征的识别;加强同相轴的连续性,因此使得断层更易被发现。
可选地,曲率属性能够指示地层的沉积环境,岩溶特征以及地层的不连续性构造,曲率体能够显现出方差体不能显现的断层信息。在地震中应用以Lisle(1994)揭示曲率体和露头实测裂缝之间存在相关性为开端,使地面地震数据预测裂缝成为可能,曲率体能够显现出方差体不能显现的断层信息。曲率表示曲线上某一点的弯曲程度的数值,曲率越大,弯曲程度越大。在数学上为曲线上某一点的曲率半径的倒数,表达式为:
曲率表示曲线上某一点的弯曲程度的数值,曲率越大,弯曲程度越大。在二维平面中,曲率定义为曲线正切圆半径的倒数。将背斜定义为具有正曲率,背斜定义为具有负曲率,直线部分曲率为0。曲率有高斯曲率、主曲率、最大曲率、最小曲率、最正曲率、最负曲率和走向曲率(strike curvature)之分。Lisle(1994)预测高斯曲率体对应于开启性裂缝,Hart(2000)发现走向曲率体与开启性裂缝具有很强的相关性。这些都表明了曲率体在预测裂缝方面具有可行性,因此用曲率体预测断层理论上是可行的。
混沌体属性
混沌体属性即chaos,混沌信号组分包含在地震数据中,用地层倾角和方位角估计方法衡量“杂乱”程度。属性值的范围从0到1。地震信号在断层处,反射杂乱,因此地震数据的嘈杂程度可以用来指示断层和地层的不连续性。
可选地,反射强度属性是由时窗内的平均振幅乘以采样间隔计算得到的,即当原始的地震数据保持频率特征时,反射强度能够划分振幅特征。平均能量、最大振幅和反射强度都是与振幅相关的属性,但是前两者为层属性,而反射强度为体属性。
可选地,能量半时属性体(Energy Half Time)的定义是:在给定的分析时窗内,计算能量达到1/2时的相对时间位置。能量半时可用来测定窗内能量累积的速度,可以指示岩相和岩性的变化。
(2)层属性的计算。
可选地,平均能量属性(Avg Seismic Energy)是在时窗内,以一定采样间隔提取振幅值,求取每一道的平均能量是通过对时窗内的振幅值平方相加,然后除以时窗内的采样数,即地震波在传播过程中,在同一连续反射界面的能量相差不大,然而地震波遇到断层或裂缝时,由于岩石相对破碎,会产生多个方向的反射同时吸收较多的能量,与同一反射界面连续的位置相比能量变弱很多,常常相差不止一个量级。因此,理论上根据平均能量的变化情况,能够识别断层是否存在。
可选地,最大振幅属性是在时窗内计算波峰和波谷值,得到最大波峰和最大波谷值,画一个通过最大波峰或波谷值和其两边的两个采样点的一条抛物线,沿着抛物线内插得到最大振幅值。振幅的大小反映反射波的强弱,由于断层能够吸收能量和发散反射波能量,导致反射波能量变弱,振幅减小,所以当振幅的变化趋势从降低到升高的过程时,最小值处可能存在断层。
可选地,平均振幅(Avg Amplitude)的求取方法是,对分析时窗内的振幅值相加,总数除以非零采样点数得到的。
可选地,平均波峰振幅(Avg Peak Amplitude)是对每一道在分析时窗里的所有正振幅相加,得到总数除以时窗里的正振幅值采样数得到的。
可选地,振幅的平方差(Variance in Amplitude)的求取办法是,对分析时窗内的每个振幅值减去平均值累加,总数除以非零采样点数得到的。
可选地,振幅的立方差(Skew in Amplitude)的求取办法是,对分析时窗内的所有采样点求取平均值,然后减去每道的平均值,计算差值立方,求出这些值的总和,除以采样点数就可得到。
可选地,最大波峰振幅(Maximum Peak Amplitude)的计算方法是,对于每一道,PAL在分析时窗里做一抛物线,恰好通过最大正的振幅值和它两边的两个采样点,沿着这曲线内插可得到最大波峰值振幅值。
可选地,均方根振幅(RMS Amplitude)是将振幅平方的平均值开方。由于振幅值在平均前平方,因此,它对特别大的振幅非常敏感。
通过上述地震属性提取过程,得到第一集合中的数据点对应的第一地震属性数据集,即为断层点的地震属性数据集,以及得到第二集合中的数据点对应的第二地震属性数据集,即为非断层点的地震属性数据集。相比现有技术中的先提取地震属性数据,然后再对地震属性进行层位解释,以区分断层点数据和非断层点数据的方式,本发明实施例提供的方法可以使得提取地震属性的效率更高。
最后将选择好的地震属性数据集分为训练集和数据集两部分,作为网络输入,利用机器学习算法(如支持向量机)构建断层识别模型,并进行模型的输出预测,在模型构建的过程中利用参数优化算法对模型的重要的参数进行优化。实现其自动识别地质构造,并分析识别构造的准确率。将预测的平面和剖面与人工解释的结果进行对比,主要从断层的分布形态、小断层的响应情况、断层识别的准确率等方面进行比较;通过实际工区的解释情况,分析机器学习算法模型较传统的人工解释识别断层的优势。
实施例二:
图6是根据本发明实施例提供的一种地震断层机器学习模型训练集提取系统的示意图。如图6所示,该系统包括:层位追踪模块10,层位解释模块20,分组模块30,地震属性提取模块40和确定模块50。
具体地,层位追踪模块10,用于对三维地震数据体进行层位追踪,得到目标层位;三维地震数据体为地震数据的叠后数据体。
可选地,层位追踪模块10,还用于对目标层位进行层位内插操作,得到连续性修正之后的目标层位。
层位解释模块20,用于对目标层位进行层位解释,得到目标层位的每个数据点的标签信息;标签信息包括以下任一项:断层点,非断层点。
分组模块30,用于基于标签信息,对目标层位的每个数据点进行分组操作,得到第一集合和第二集合;第一集合为标签信息为断层点的数据点集合,第二集合为标签信息为非断层点的数据点集合。
地震属性提取模块40,用于分别对第一集合和第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集。
可选地,第一地震属性数据集包括以下至少之一:第一集合中的数据点的体属性数据集,第一集合中的数据点的层属性数据集;第二地震属性数据集包括以下至少之一:第二集合中的数据点的体属性数据集,第二集合中的数据点的层属性数据集。
确定模块50,用于将第一地震属性数据集和第二地震属性数据集确定为地震断层机器学习模型的训练集。
本发明实施例提供的一种地震断层机器学习模型训练集提取系统,通过先对地震数据进行层位解释,然后对层位的数据点进行分组,再对每组数据点进行地震属性提取的方式,可以快速得到标签信息为断层点或非断层点的地震属性数据集,提高了用于机器学习模型训练的训练集的提取效率,缓解了现有技术中存在的训练集提取过程效率低下的技术问题。
可选地,图7是根据本发明实施例提供的另一种地震断层机器学习模型训练集提取系统的示意图。如图7所示,该系统还包括:训练模块60,用于基于训练集,对地震断层机器学习模型进行训练,得到训练之后的断层识别模型。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行上述实施例一中的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种地震断层机器学习模型训练集提取方法,其特征在于,包括:
对三维地震数据体进行层位追踪,得到目标层位;所述三维地震数据体为地震数据的叠后数据体;
对所述目标层位进行层位解释,得到所述目标层位的每个数据点的标签信息;所述标签信息包括以下任一项:断层点,非断层点;
基于所述标签信息,对所述目标层位的每个数据点进行分组操作,得到第一集合和第二集合;所述第一集合为所述标签信息为断层点的数据点集合,所述第二集合为所述标签信息为非断层点的数据点集合;
分别对所述第一集合和所述第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集;
将所述第一地震属性数据集和所述第二地震属性数据集确定为地震断层机器学习模型的训练集。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述训练集,对地震断层机器学习模型进行训练,得到训练之后的断层识别模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述目标层位进行层位内插操作,得到连续性修正之后的目标层位。
4.根据权利要求1所述的方法,其特征在于,所述第一地震属性数据集包括以下至少之一:所述第一集合中的数据点的体属性数据集,所述第一集合中的数据点的层属性数据集;所述第二地震属性数据集包括以下至少之一:所述第二集合中的数据点的体属性数据集,所述第二集合中的数据点的层属性数据集。
5.一种地震断层机器学习模型训练集提取系统,其特征在于,包括:层位追踪模块,层位解释模块,分组模块,地震属性提取模块和确定模块,其中,
所述层位追踪模块,用于对三维地震数据体进行层位追踪,得到目标层位;所述三维地震数据体为地震数据的叠后数据体;
所述层位解释模块,用于对所述目标层位进行层位解释,得到所述目标层位的每个数据点的标签信息;所述标签信息包括以下任一项:断层点,非断层点;
所述分组模块,用于基于所述标签信息,对所述目标层位的每个数据点进行分组操作,得到第一集合和第二集合;所述第一集合为所述标签信息为断层点的数据点集合,所述第二集合为所述标签信息为非断层点的数据点集合;
所述地震属性提取模块,用于分别对所述第一集合和所述第二集合中的数据点进行地震属性提取,得到第一地震属性数据集和第二地震属性数据集;
所述确定模块,用于将所述第一地震属性数据集和所述第二地震属性数据集确定为地震断层机器学习模型的训练集。
6.根据权利要求5所述的系统,其特征在于,所述系统还包括:训练模块,用于基于所述训练集,对地震断层机器学习模型进行训练,得到训练之后的断层识别模型。
7.根据权利要求5所述的系统,其特征在于,所述层位追踪模块,还用于对所述目标层位进行层位内插操作,得到连续性修正之后的目标层位。
8.根据权利要求5所述的系统,其特征在于,所述第一地震属性数据集包括以下至少之一:所述第一集合中的数据点的体属性数据集,所述第一集合中的数据点的层属性数据集;所述第二地震属性数据集包括以下至少之一:所述第二集合中的数据点的体属性数据集,所述第二集合中的数据点的层属性数据集。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637933.7A CN111650643B (zh) | 2020-07-03 | 2020-07-03 | 地震断层机器学习模型训练集提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637933.7A CN111650643B (zh) | 2020-07-03 | 2020-07-03 | 地震断层机器学习模型训练集提取方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650643A true CN111650643A (zh) | 2020-09-11 |
CN111650643B CN111650643B (zh) | 2021-03-12 |
Family
ID=72347667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010637933.7A Active CN111650643B (zh) | 2020-07-03 | 2020-07-03 | 地震断层机器学习模型训练集提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650643B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130201A (zh) * | 2020-09-27 | 2020-12-25 | 北京中恒利华石油技术研究所 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
CN112433249A (zh) * | 2020-12-08 | 2021-03-02 | 中国石油天然气集团有限公司 | 层位追踪方法及装置、计算机设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997011392A1 (fr) * | 1995-09-19 | 1997-03-27 | Elf Aquitaine Production | Methode de reconnaissance automatique de facies sismiques |
CN104570083A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 基于多维地震属性的地质体自动识别方法 |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
-
2020
- 2020-07-03 CN CN202010637933.7A patent/CN111650643B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997011392A1 (fr) * | 1995-09-19 | 1997-03-27 | Elf Aquitaine Production | Methode de reconnaissance automatique de facies sismiques |
CN104570083A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 基于多维地震属性的地质体自动识别方法 |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
Non-Patent Citations (3)
Title |
---|
吉寅,等: "基于PCA和SVM算法的地震小断层识别", 《中国地球科学联合学术年会2019》 * |
孙振宇,等: "基于SVM算法的地震小断层自动识别", 《煤炭学报》 * |
王静,等: "卷积神经网络在断层识别中的研究及应用", 《中国地球科学联合学术年会2019》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130201A (zh) * | 2020-09-27 | 2020-12-25 | 北京中恒利华石油技术研究所 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
CN112433249A (zh) * | 2020-12-08 | 2021-03-02 | 中国石油天然气集团有限公司 | 层位追踪方法及装置、计算机设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111650643B (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5784334A (en) | Method and system for detecting hydrocarbon reservoirs using amplitude versus offset analysis of seismic signals | |
West et al. | Interactive seismic facies classification using textural attributes and neural networks | |
US6735526B1 (en) | Method of combining directional seismic attributes using a supervised learning approach | |
US9523783B2 (en) | Method and system for presenting seismic information | |
AU742887B2 (en) | Hydrocarbon edge detection using seismic amplitude | |
CA2481907C (en) | Method for morphologic analysis of seismic objects | |
AU2013205639B2 (en) | Adaptive horizon tracking | |
EA020278B1 (ru) | Способ определения качества сейсмических данных | |
US11885922B2 (en) | Adaptive tracking of geological objects | |
CN110320576A (zh) | 超前地质预报方法、装置及存储介质 | |
CN113296166A (zh) | 裂缝模型的构建方法 | |
CN114994758A (zh) | 碳酸盐岩断控储层的波阻抗提取与结构表征方法和系统 | |
CN111650643B (zh) | 地震断层机器学习模型训练集提取方法和系统 | |
NO20121473A1 (no) | System for modellering av geologiske strukturer | |
CN112946752B (zh) | 基于裂缝密度模型预测裂缝概率体的方法 | |
US9921324B2 (en) | Systems and methods employing upward beam propagation for target-oriented seismic imaging | |
EA030770B1 (ru) | Система и способ адаптивной сейсмической оптики | |
CN113848593A (zh) | 一种定量预测含煤地层中岩浆岩侵蚀区的方法 | |
CN113806674A (zh) | 古河道纵向尺度的量化方法、装置、电子设备及存储介质 | |
CN111965707A (zh) | 一种复杂构造含逆掩断裂的地震反演储层预测方法 | |
CN111538080A (zh) | 地震成像的方法 | |
Li et al. | Small-Scale Fracture Detection via Anisotropic Bayesian Ant-Tracking Colony Optimization Driven by Azimuthal Seismic Data | |
CN113495293B (zh) | 油藏流体预测方法及装置 | |
US20230184975A1 (en) | Method and system for determining seismic velocities using global path tracing | |
CN118011487A (zh) | 一种滩相白云岩储层地震预测方法及地震预测设备 |
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 |