CN111796324A - 地震全层位追踪方法及装置 - Google Patents

地震全层位追踪方法及装置 Download PDF

Info

Publication number
CN111796324A
CN111796324A CN201910280939.0A CN201910280939A CN111796324A CN 111796324 A CN111796324 A CN 111796324A CN 201910280939 A CN201910280939 A CN 201910280939A CN 111796324 A CN111796324 A CN 111796324A
Authority
CN
China
Prior art keywords
horizon
fragments
layer
seismic data
dimensional seismic
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
CN201910280939.0A
Other languages
English (en)
Other versions
CN111796324B (zh
Inventor
苏明军
洪忠
韩青云
邓弢
崔向丽
钱峰
胡光岷
徐云泽
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.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
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 Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN201910280939.0A priority Critical patent/CN111796324B/zh
Priority to US16/843,152 priority patent/US11531130B2/en
Publication of CN111796324A publication Critical patent/CN111796324A/zh
Application granted granted Critical
Publication of CN111796324B publication Critical patent/CN111796324B/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
    • 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
    • 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
    • G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
    • G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种地震全层位追踪方法及装置，该方法包括：获取三维地震数据；从三维地震数据中提取层位极值点，构建样本空间；将样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到三维地震数据各层位对应的层位碎片；建立层位碎片之间的拓扑一致性；基于拓扑一致性，对三维地震数据各层位对应的层位碎片进行融合，得到三维地震数据的全层位追踪结果。本发明去除了三维地震数据中部分不同层位之间局部连通产生的影响，避免了全层位追踪时产生的串层现象，通过建立拓扑一致性对产生的层位碎片进行融合，提高了层位碎片融合的精度，具有更好的全层位追踪效果。

Description

地震全层位追踪方法及装置
技术领域
本发明涉及地球物理勘探领域，尤其涉及一种地震全层位追踪方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
地震层位追踪是三维地震解释的基础，层位追踪方法的效率和准确性直接影响后续的地震解释和储层预测的效果。传统的三维地震层位人工追踪方法是对二维地震剖面进行逐条解释，最终通过对基于二维剖面的层位线插值形成三维地震层位。这种人工追踪方式，存在两点不足：一是地震解释人员的思路会局限于二维剖面，而不是从三维视角上进行层位解释，由于地质结构以三维的方式存在于三维空间中，人工解释在反映地址结构全貌上存在严重不足；二是人工层位追踪耗时耗力，其追踪效果取决于地震信号质量、地震-地质条件及地震解释人员的经验。
为了克服三维地震层位人工追踪方法的不足，现有技术公开了一种基于种子点的层位自动追踪方法。该方法通过在线、道号剖面上设立“种子点”作为自动追踪的起始点和控制约束点，根据波形的特征(振幅、连续性)或相似性进行层位自动拾取。从本质上来说，基于种子点的层位自动追踪方法是一种半自动追踪方法。该方法同样耗时耗力并且没有充分利用三维地震资料而获得全局上的层位追踪结果。地震全层位追踪方法能够将地震解释人员从耗时耗力的手工拾取层位的工作中解放出来，并且能够充分利用三维地震数据而获得三维空间上的全局最优层位追踪结果。
目前国内外提出的地震全层位追踪方法一般只考虑到地震数据的局部信息，在地质结构比较简单的区域表现尚可，面对复杂的地质区域无法满足地震勘探的要求，例如，面对断层时会有一定的局限性，且在复杂地震-地质条件下，层位追踪容易产生串层现象。
发明内容
本发明实施例提供一种地震全层位追踪方法，用以解决现有的地震全层位追踪方法对复杂地质区域的层位追踪时，存在串层现象的技术问题，该方法包括：获取三维地震数据；从三维地震数据中提取层位极值点，构建样本空间；将样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到三维地震数据各层位对应的层位碎片；建立层位碎片之间的拓扑一致性；基于拓扑一致性，对三维地震数据各层位对应的层位碎片进行融合，得到三维地震数据的全层位追踪结果。
本发明实施例还提供一种地震全层位追踪装置，用以解决现有的地震全层位追踪方法对复杂地质区域的层位追踪时，存在串层现象的技术问题，该装置包括：三维地震数据获取模块，用于获取三维地震数据；层位极值点提取模块，用于从三维地震数据中提取层位极值点，构建样本空间；聚类处理模块，用于将样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到三维地震数据各层位对应的层位碎片；层位碎片拓扑一致性建立模块，用于建立层位碎片之间的拓扑一致性；层位碎片融合模块，用于基于拓扑一致性，对三维地震数据各层位对应的层位碎片进行融合，得到三维地震数据的全层位追踪结果。
本发明实施例还提供一种计算机设备，用以解决现有的地震全层位追踪方法对复杂地质区域的层位追踪时，存在串层现象的技术问题，该计算机设备包括存储器、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的地震全层位追踪方法。
本发明实施例还提供一种计算机可读存储介质，用以解决现有的地震全层位追踪方法对复杂地质区域的层位追踪时，存在串层现象的技术问题，该计算机可读存储介质存储有执行上述地震全层位追踪方法的计算机程序。
本发明实施例中，在获取到三维地震数据后，从三维地震数据中提取全部层位的层位极值点，并根据提取出来的层位极值点构建样本空间；在样本空间中的层位极值点进行聚类的时候，首先将样本空间等分为多个具有重合部分的子空间，然后对各个子空间进行聚类处理，得到三维地震数据各层位对应的层位碎片；在得到三维地震数据各层位对应的层位碎片后，建立层位碎片之间的拓扑一致性，并基于层位碎片之间的拓扑一致性，对各层位对应的层位碎片进行融合，得到三维地震数据全层位追踪结果。
通过本发明实施例，将由层位极值点构成的样本空间划分为多个子空间后，对各个子空间进行层位极值点的聚类处理，可以去除三维地震数据中部分不同层位之间局部连通产生的影响，进而避免地震全层位追踪时产生的串层现象。由于减少了串层现象，产生了层位碎片化，对此本发明实施例通过建立拓扑一致性对层位碎片进行融合，提高了层位碎片融合的精度，具有更好的全层位追踪效果。
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。在附图中：
图1为本发明实施例中提供的一种地震全层位追踪方法流程图；
图2为本发明实施例中提供的一种采用结构导向滤波处理算法对研究工区地震数据去噪前的示意图；
图3为本发明实施例中提供的一种采用结构导向滤波处理算法对研究工区地震数据去噪后的示意图；
图4为本发明实施例中提供的一种三维地震数据地震道波形示意图；
图5为本发明实施例中提供的一种层位极值点在三维空间的分布示意图；
图6为本发明实施例中提供的一种基于patch-wise的DBSCAN聚类原理示意图；
图7为本发明实施例中提供的一种采用传统DBSCAN聚类算法进行层位追踪的效果示意图；
图8为本发明实施例中提供的一种采用基于patch-wise的DBSCAN聚类算法进行层位追踪的效果示意图；
图9为本发明实施例中提供的一种曲面细化为带标签特征点的原理示意图；
图10为本发明实施例中提供的一种基于拓扑一致性对各层曲面上层位碎片进行融合的示意图；
图11为本发明实施例中提供的一种对研究工区进行地震全层位追踪结果的剖面图；
图12为本发明实施例中提供的一种对研究工区进行地震全层位追踪结果后某一层位的三维立体图；
图13为本发明实施例中提供的一种地震全层位追踪装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
三维地震图像是通过地震勘探得到的，反映了勘探地区的地质构造。三维地震勘探是探测一块面积下的地质情况，三维勘探形成的地震图像有地表上的两个方向和向地下延伸的方向。三维地震图像可以用于分析一块区域下的地质结构和储藏结构。层位追踪就是三维地震图像中查找所有属于同一个层位的点，因而，层位追踪过程可以看成是对层位点的分类过程。
本发明实施例中提供了一种地震全层位追踪方法，可以适用但不限于复杂地质构造区域的地震勘探。图1为本发明实施例中提供的一种地震全层位追踪方法流程图，如图1所示，该方法包括如下步骤：
S101，获取三维地震数据。
需要说明的是，三维地震图像中的数据是三维振幅数据，由于振幅数据会受到噪声的影响，振幅数据中的结构信息会受到噪声的影响，由此，作为一种可选的实施方式，在获取三维地震数据之后，本发明实施例提供的地震全层位追踪方法还可以包括：采用结构导向滤波算法对三维地震数据进行去噪处理。利用结构导向滤波算法对振幅数据进行预处理，经过滤波处理后的振幅数据能在保留原来结构信息的基础上有效的减少噪声，使得振幅数据中的结构信息更加明显，然后在振幅数据上进行层位位置查找，结合地震数据的波形特征在三维地震图像准确地找出振幅所在位置，为后续的层位追踪做准备。
需要注意的是，信号去噪方法有很多种，如基于频域的低通滤波、基于空间域的中值滤波以及小波去噪等，使用这些常规的去噪方法对三维地震数据进行去噪处理会平滑掉一些地质结构信息以及细节信息，而这些结构信息又是进行层位追踪所关心的，本发明实施例在进行三维地震数据降噪中使用结构导向滤波算法，该算法在降噪的同时能够保留三维地震数据中的结构信息和边缘信息，在结构导向滤波算法中将三维地震数据中每个数据点的主测线方向(inline)、联络测线方向(crossline)和时间方向(time)的值看作是该数据点在三维空间中的位置(x,y,z)，振幅的大小看成该数据点的数据值，这样三维地震数据可以看成函数u(x,y,z)。需要注意的是，主测线方向和联络测线方向是地震解释人员为了方便数据分析和整理人为规定的两个方向，在三维地震数据中起到正交坐标系的作用。
Figure BDA0002021633370000051
分别代表x，y，z方向上的偏导数，定义结构张量S为：
Figure BDA0002021633370000052
为了使结构张量会具有一定的鲁棒性，将其与小尺度高斯核进行卷积，可以表示如下：
Sσ＝S(Gσ×u(t)) (2)
其中，Gσ表示小尺度高斯核；Sσ半正定矩阵，对Sσ进行特征值分解得到：
Figure BDA0002021633370000053
λ1、λ2和λ3为Sσ三个方向上的特征值，且λ1≥λ2≥λ3≥0；v1、v2和v3表示对应的特征向量，结构导向滤波算法为了保护边缘结构，扩散作用与各个位置上的梯度相平行的朝向处受到抑制；为了压制噪声，并且使得沿着扩散方向上的图像信号得到加强和突出，在与梯度方向正交的朝向处展开扩散过程。通过与梯度朝向正交的两个特征向量v2和v3的各个分量v21、v22、v31和v32构造扩散张量D：
Figure BDA0002021633370000054
这样结构导向滤波方程为：
Figure BDA0002021633370000063
其中，div(·)表示散度函数；t用来调整扩散方程的迭代次数，c∈[0,1]代表迭代步长，Gσ为高斯核函数，
Figure BDA0002021633370000061
表示梯度，为了突出三维地震数据中的边缘结构和不连续信息，在结构导向滤波中引入不连续因子，不连续因子为：
Figure BDA0002021633370000062
其中，diag(·)表示主对角元素和，S0表示原始数据的结构张量，S表示当前迭代过程中的结构张量，不连续因子f在边缘结构和间断结构附近时取值趋向于0，在远离边缘结构时取值趋向于1，引入不连续因子后结构导向滤波算法迭代公式为：
Figure BDA0002021633370000064
例如，图2和图3分别为采用结构导向滤波处理算法对研究工区地震数据去噪前和去噪后的示意图；从滤波前后对比图可以看出结构导向滤波可以有效去除地震数据中的噪声，而且在去除噪声的同时保留了地震数据中原有的边缘结构信息和细节信息。
S102，从三维地震数据中提取层位极值点，构建样本空间。
需要说明的是，三维地震数据就是地震波形在inline方向、crossline方向剖面上的分布，地震波在底层的岩石物理特性变化比较大的地方反射比较强烈，传回地面的反射波强度大，反映在三维地震图像中就是波形振幅较大的地方；在底层的岩石物理特性变化不明显的地方，地震波反射较小，这样传回地面的反射波强度较小，反映在三维地震图像中就是波形振幅较小的地方。由于不同地层之间波阻抗会发生明显的变化，因此，当地震传播到两个地层的交界处时会产生很强的反射波，反映在三维地震图像中是波形的振幅较大，因而，一般认为层位位于三维地震图像中极大值处。
层位极值点是层位与每道地震数据的交点，也是层位在每道数据中的位置。三维空间中层位的连续性并不是绝对的，层位的连续性会受到断层等复杂地质结构的影响，三维地震图像中多个层位极值点连接在一起组成一块连续的层位碎片，完整的层位可以看成是空间中一些连续的层位碎片拼接而成的。
作为一种可选的实施方式，上述S102可以具体包括如下步骤：根据三维地震数据，确定每道地震数据对应的地震波形；查找每道地震波形的振幅极大值点，其中，每个振幅极大值点对应一个层位极值点；根据查找到的振幅极大值点，构建样本空间。
需要说明的是，将三维地震数据体看成函数u(x,y,z)，当inline和crossline编号固定时可以确定一道数据u(x0,y0,z)，一道地震数据表现为一个地震波形，地震波形的极大值处便是层位极值点位置，图4示出了几个从三维地震数据中抽取的波形数据，通过查找波形的极大值和极小值位置确定了层位极值点的位置，处理三维数据体中每一道数据便得到三维地震数据体中所有的极值点，设地震波形上的第i个点的值记为ki，如果第i个点是极大值点，第i个点满足条件ki-1＜ki,ki+1＜ki，利用这个关系可以很方便地得到数据体中所有的层位极值点。
由图4可以看出，由于层位在三维空间呈层状分布，这些层位对应的层位极值点在三维空间中也大致呈层状分布，对于同属于一个层位的极值点在水平方向上相互邻接，分别属于不同层位的极值点在垂直方向上有一定的间隙。也即三维地震数据中全部层位极值点，在水平方向大致呈连续分布，在垂直方向成层状分布。
图5为本发明实施例中提供的一种层位极值点在三维空间的分布示意图，如图5所示，三维数据体中层位极值点在三维空间中的分布具有如下性质：在水平方向具有一定的连续性，在垂直方向大体呈层状分布，不同层位之间的层位极值点之间有一定的间隙。
S103，将样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到三维地震数据各层位对应的层位碎片。
需要说明的是，在对三维地震数据处理提取到全部层位的层位极值点，并构建样本空间后，本发明实施例采取改良的基于密度的聚类算法(DBSCAN，Density-BasedSpatial Clustering of Applications with Noise)，即基于块级别(patch-wise)的DBSCAN算法对样本空间进行聚类处理，与传统DBSCAN聚类方法不同的是，基于patch-wise的DBSCAN聚类方法将数据空间划分为等大的相互之间有重合部分的小空间，在每个小空间运用DBSCAN算法，得到很多个patch，若相邻的patch之间追踪出相同的极值点个数超过阈值，则融合两个小碎片。
需要注意的是，DBSCAN聚类算法是通过在数据空间内利用数据稀疏的区域将稠密的数据划分为聚类簇。在数据空间中稠密的定义是数据对象在一定领域内的对象的数量。由于地震数据三维空间中属于同一层位的点的密度大于不同层位之间的密度。基于DBSCAN算法将空间中密度大的层位点聚合起来，即可得到连续性好的层位段。
因而，作为一种可选的实施方式，上述S103可以具体包括如下步骤：将样本空间等分为多个具有重合部分的子空间；基于DBSCAN聚类算法，对每个子空间中的层位极值点进行聚类处理，追踪出每个子空间中各层位对应的层位极值点；判断相邻两个子空间重合部分共有层位极值点个数是否超过预设阈值；将重合部分共有层位极值点个数超过预设阈值的两个相邻子空间融合，得到三维地震数据各层位对应的层位碎片。
图6为本发明实施例中提供的一种基于patch-wise的DBSCAN聚类原理示意图，如图6所示，基于patch-wise的DBSCAN聚类算法包括如下两步：
第一步，根据预定的网格尺寸(根据三维地震数据中串层部分的一般大小来确定网格大小)对样本空间在inline-crossline平面进行网格划分，得到网格点(种子点)，如图7中所示的种子点A和种子点B。以种子点A为例，对周围区域(左边斜线区域)进行DBSCAN聚类得到一个块区域，其他种子点以此类推。图7中右边斜线区域为以种子点B进行DBSCAN聚类得到的块区域；
第二步，根据种子点A和种子点B分别追出来的块区域的重叠部分来判断是否可以融合，若两个块区域的重叠部分(共有极值点数)大于预设阈值(最少共有点数目)，则两者可以融合。图7为本发明实施例中提供的一种采用传统DBSCAN聚类算法进行层位追踪的效果示意图，图8为本发明实施例中提供的一种采用基于patch-wise的DBSCAN聚类算法进行层位追踪的效果示意图，如图7和图8所示，与传统的DBSCAN聚类方法相比，一个本身完整的层位被处理成很多小的层位碎片。
S104，建立层位碎片之间的拓扑一致性。
由于地质结构以层状分布，同一地层在局部区域的波阻抗相近，因而同一地层在局部区域反射波相同，反映在三维地震图像中同一层位的波形特征具有空间上的横向连续性。
需要说明的是，本发明实施例通过应用中轴变换或形态学细化将层位曲面缩小到拓扑相似的线，进而将大的层位曲面分解成小的拓扑一致的碎片。由于细化应用于四连通感，线段之间的交点都至少拥有三个直接邻接点。二次应用形态学细化来去除这些交点，进而将这些原始的曲面缩减到一些未连接的、特征化的点，这些点很容易被打上一些唯一的标识符或者标签。这些指定的标签随后被传播回原始曲面，这个过程被普遍成为反向传播或者简单地被成为传播。
作为一种可选的实施方式，上述S104可以具体包括如下步骤：将各层位曲面上的层位碎片细化为线段，其中，一个层位曲面为一个层位上所有层位极值点所在的曲面；去除各层位曲面上线段之间的交点；将各层位曲面上去除交点后的线段细化为特征点；为各层位曲面上不同的特征点添加不同的标签；将各层曲面上特征点的标签反向传播到相应层位曲面，得到不同标签的层位碎片；将各层曲面上不同标签的层位碎片调整为拓扑一致性。
可选地，将各层曲面上不同标签的层位碎片调整为拓扑一致性，可以具体包括如下步骤：建立重叠表，其中，重叠表用于记录各层位曲面上不同标签层位碎片之间的重叠情况；识别出重叠表中拓扑不一致的层位碎片；删除重叠表中拓扑不一致的层位碎片；将重叠表中剩余层位碎片进行拓扑排序。
需要注意的是，层位碎片的拓扑不一致可以包括局部不一致或全局不一致，由此，作为一种可选的实施方式，识别出重叠表中拓扑不一致的层位碎片，可以包括但不限于如下两种情形：如果同一层曲面上不同标签的层位碎片存在自重叠关系，或上下层曲面上不同标签的层位碎片存在重叠关系，则识别为局部不一致的层位碎片；如果多层曲面上不同标签的层位碎片具有循环重叠关系，则识别为全局不一致的层位碎片。
图9展示了一个完整的曲面细化为带标签特征点的处理过程，从多值曲面(S901)到由形态学细化形成的线(S902)，到线段节点的去除(S903)，到二次使用形态学细化将线化为点(S904)，到给点打上标签(S905)，最后将点的标签反向传播给曲面(S906)。
被打上同一个标签的点组成一个碎片。图9的结果是S906中的一组八个碎片，对应于S905中的八个特征点。通过相应的构造，这些碎片的大小会小于或者等于他们的父曲面大小，因为每个特征点都会与相邻的特征点竞争以获取更多的点。为了提高效率，可以提前实施反向传播，例如，使用简单的野火算法(wildfire algorithm)或者控制匹配算法(controlled marching algorithm)，同时将波形相似性、垂直邻近性和曲面的局部曲率作为限制条件。控制匹配算法相对于野火算法的优势在于：它在平坦的区域可以很快的传播标签，而在复杂的区域传播得相对缓慢，因此可以产生一系列更均匀的碎片。
此次需要进一步说明的是，标签反向传播完成后所得到的碎片虽然大致是连续的，但是不能保证是拓扑一致的。为了更好地执行阶段三中的拓扑融合，最好将这些碎片调整为拓扑一致的。发掘拓扑不一致的首选方法是建立一个重叠表，利用这个重叠表记录碎片之间的重叠情况：哪些碎片有重叠以及以何种方式重叠。通过重叠表的建立以及后续的检验，那些自重叠以及上下重叠关系冲突(局部不一致)的曲面将会很容易被识别出来。最后，通过尝试对重叠表中剩余碎片项进行拓扑排序，可以找到很多由三个或更多碎片组成的集合，这些碎片集合具有循环的上下重叠关系(全局不一致)。如果没有出现循环重叠关系，那么拓扑排序就成功了；而如果全局不一致情况存在，那么这个拓扑排序是不合理的，进而将返回一个具有不一致关系的碎片列表。
最后，编辑修正被识别出的拓扑不一致的碎片。修正方法有三种：第一种修正方法是删除不一致的碎片；第二种修正方法是仅仅删除引起重叠冲突的根源碎片；第三种修正方法是反复将那么不一致的碎片分解成更小的碎片，直到所有的不一致情况都得以解决。第二种方法可能需要多次重新计算，因为有些碎片可能因为删除的操作断开了连接，并且可能需要对所需要得到的碎片进行重新标记。实践证明，简单的删除不一致的碎片似乎取得了更好的效果，因为往往一致的碎片比不一致的碎片多得多，而那些不一致的碎片通常都更小且处于边缘区域。修正了不一致的碎片后，最好重新构建重叠表来计量这些变化。
S105，基于拓扑一致性，对三维地震数据各层位对应的层位碎片进行融合，得到三维地震数据对应的全层位追踪结果。
在相邻曲面保持拓扑一致性的基础上，将邻近的小碎片融合成大的碎片。首要任务是确认哪些碎片是相互连接的(即在数据体内以某种方式彼此邻接，但是被打上了不同的标号)。我们称这些碎片为相邻碎片，并且将这些碎片记录在邻接表中，作为进一步融合大碎片的候选集，最终融合形成一个完整的曲面。比如，通过细化的方式来分离出不同的碎片并且缩减成一系列具有不同特征的点。如果曲面是一个规整的矩形，并且这个矩形的各个方向都有较为一致的连接，然后细化过程可能会产生五个特征点，在反向传播后形成五个碎片。值得注意的是，不同的碎片并不意味着它们之间不能一致地连接。大多数被融合到一起的碎片之前都是关联性良好的曲面的一部分，并且它们周围存在很多相邻碎片。融合碎片候选集的排列顺序将直接影响所得到的拓扑一致曲面的数量、形状和质量。以两个相互重叠的碎片为例，如果有第三个碎片与二者都相邻，则不能同时与二者都融合，因为将会导致融合碎片自重叠，这种情况下只能与二者其一融合。这个特定的选择将会影响后序融合的效果。
这种情况下，邻接表中相邻的碎片对将优先被放入融合的序列。通常考虑相邻碎片之间的相关系数和碎片所在波形的传播方向去建立一个融合序列。具体的选择顺序如下：走向一致的相邻碎片将被首先融合，因为它们最有可能属于同一层位；相反的，走向差别较大的碎片将最后融合，因为它们可能与噪音伪影或非地层事件有关，如断层与流体接触。还有一种更为高级的排序方式，它是基于在碎片邻近位置提取的次级地震属性间的统计相似性来判断。
作为第一种可选的实施方式，上述S105具体可以包括如下步骤：获取邻接表，其中，邻接表中包含相互连接却具有不同标签的层位碎片；基于邻接表，确定层位碎片的融合顺序；根据融合顺序，三维地震数据各层位对应的层位碎片进行融合。
通过某种方式确定碎片的融合顺序后，拓扑融合的工作就可以展开了。根据融合顺序，三维地震数据各层位对应的层位碎片进行融合，可以包括如下步骤：获取与第一层位碎片待融合的第二层位碎片，其中，第二层位碎片为与第一层位碎片相邻的层位碎片；判断第二层位碎片是否存在自重叠关系；在第二层位碎片不存在自重叠关系的情况下，遍历重叠表，验证第二层位碎片的局部一致性；在局部一致性验证通过的情况下，验证第二层位碎片的全局一致性；在全局一致性验证通过的情况下，将第一层位碎片和第二层位碎片融合为一个层位；重复上述步骤，直到将所有层位碎片融合。
图10为本发明实施例中提供的一种基于拓扑一致性对各层曲面上层位碎片进行融合的示意图，如图10所示，首先，选择一对相邻的碎片作为融合和选项，并且假定这个碎片对是一个曲面的一部分(即一个碎片的重叠关系适用于另一个碎片，反之亦然)。如果通过图10所示的流程过程导致了拓扑不一致，那么融合将不能进行。如果合并要进行下去，则需要通过用一个碎片的标签去替换另一个来调整重叠表和邻接表的顺序。在假设融合之后评估三个一致性条件的计算复杂度差别巨大，其中自重叠可以很容易得到验证。局部一致性的验证需要遍历检验整个重叠表。对全局一致性的验证需要利用拓扑排序，这个过程是计算复杂度最高的。如图8所示，三个一致性验证是按照计算复杂度的大小顺序进行级联的。候选融合碎片只有通过了计算复杂度较小的验证才能进入下一步计算复杂度较高的验证。其次，如果碎片通过了拓扑排序，那么这个待融合碎片具有全局一致性，进而是拓扑一致的，所做假设成立，重叠表和邻接表将得到相应的修改，然后依次对后序的碎片对执行上述处理流程。如果拓扑排序或者其他任意一个验证失败，那么融合的假设不成立，将继续对下一个碎片对执行上述操作。
以某三维地震工区叠后地震数据为测试数据，测试表明，在复杂工区数据中，本发明有效避免了串层现象，并取得了高质量的全层位自动追踪结果。图11为本发明实施例中提供的一种对研究工区进行地震全层位追踪结果的剖面图，由图11可以看出，通过本发明实施例提供的地震全层位追踪方法追踪出的层位间没有串层现象；图12为本发明实施例中提供的一种对研究工区进行地震全层位追踪结果后某一层位的三维立体图，由图12可以看出，通过本发明实施例提供的地震全层位追踪方法追踪出的层位较为平滑和连续。
本发明实施例应用机器学习和图论方法，实现了三维地震全层位自动追踪，具有如下优点：①在极值点层次，通过基于patch-wise的DBSCAN机器学习算法,去除三维数据中部分不同层位之间的局部连通产生的影响,来避免由于层位之间局部连通导致的串层现象；②在层位碎片层次，通过图论理论建立碎片间的拓扑一致性对层位碎片进行融合，来提高碎片融合的精度，具有更好的层位追踪效果。
本发明实施例中还提供了一种地震全层位追踪装置，如下面的实施例所述。由于该装置实施例解决问题的原理与地震全层位追踪方法相似，因此该装置实施例的实施可以参见方法的实施，重复之处不再赘述。
图13为本发明实施例中提供的一种地震全层位追踪装置示意图，如图13所示，该装置包括：三维地震数据获取模块131、层位极值点提取模块132、聚类处理模块133、层位碎片拓扑一致性建立模块134和层位碎片融合模块135。
其中，三维地震数据获取模块131，用于获取三维地震数据；层位极值点提取模块132，用于从三维地震数据中提取层位极值点，构建样本空间；聚类处理模块133，用于将样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到三维地震数据各层位对应的层位碎片；层位碎片拓扑一致性建立模块134，用于建立层位碎片之间的拓扑一致性；层位碎片融合模块135，用于基于拓扑一致性，对三维地震数据各层位对应的层位碎片进行融合，得到三维地震数据对应的全层位追踪结果。
在一种可选的实施例中，本发明实施例提供的地震全层位追踪装置还可以包括：去噪模块，用于采用结构导向滤波算法对三维地震数据进行去噪处理。
在一种可选的实施例中，本发明实施例提供的地震全层位追踪装置中，层位极值点提取模块132具体可以包括：地震波形确定模块，用于根据三维地震数据，确定每道地震数据对应的地震波形；波形振幅极大值点查找模块，用于查找每道地震波形的振幅极大值点，其中，每个振幅极大值点对应一个层位极值点；层位极值点确定模块，用于根据查找到的振幅极大值点，构建样本空间。
在一种可选的实施例中，本发明实施例提供的地震全层位追踪装置中，聚类处理模块133具体可以包括：样本空间划分模块，用于将样本空间等分为多个具有重合部分的子空间；子空间聚类处理模块，用于基于DBSCAN聚类算法，对每个子空间中的层位极值点进行聚类处理，追踪出每个子空间中各层位对应的层位极值点；子空间融合判断模块，用于判断相邻两个子空间重合部分共有层位极值点个数是否超过预设阈值；子空间融合模块，用于将重合部分共有层位极值点个数超过预设阈值的两个相邻子空间融合，得到三维地震数据各层位对应的层位碎片。
在一种可选的实施例中，本发明实施例提供的地震全层位追踪装置中，层位碎片拓扑一致性建立模块134具体包括：第一处理模块，用于将各层位曲面上的层位碎片细化为线段，其中，一个层位曲面为一个层位上所有层位极值点所在的曲面；第二处理模块，用于去除各层位曲面上线段之间的交点；第三处理模块，用于将各层位曲面上去除交点后的线段细化为特征点；第四处理模块，用于为各层位曲面上不同的特征点添加不同的标签；第五处理模块，用于将各层曲面上特征点的标签反向传播到相应层位曲面，得到不同标签的层位碎片；第六处理模块，用于将各层曲面上不同标签的层位碎片调整为拓扑一致性。
基于上述实施例，作为一种可选的实施方式，第六处理模块具体可以包括：重叠表建立模块，用于建立重叠表，其中，重叠表用于记录各层位曲面上不同标签层位碎片之间的重叠情况；拓扑不一致层位碎片识别模块，用于识别出重叠表中拓扑不一致的层位碎片；拓扑不一致层位碎片删除模块，用于删除重叠表中拓扑不一致的层位碎片；拓扑排序模块，用于将重叠表中剩余层位碎片进行拓扑排序。
进一步地，上述拓扑不一致层位碎片识别模块可以包括：第一识别子模块，用于如果同一层曲面上不同标签的层位碎片存在自重叠关系，或上下层曲面上不同标签的层位碎片存在重叠关系，则识别为局部不一致的层位碎片；第二识别子模块，用于如果多层曲面上不同标签的层位碎片具有循环重叠关系，则识别为全局不一致的层位碎片。
在一种可选的实施例中，本发明实施例提供的地震全层位追踪装置中，层位碎片融合模块135具体可以包括：邻接表获取模块，用于获取邻接表，其中，邻接表中包含相互连接却具有不同标签的层位碎片；融合顺序确定模块，用于基于邻接表，确定层位碎片的融合顺序；层位碎片融合处理模块，用于根据融合顺序，三维地震数据各层位对应的层位碎片进行融合。
基于上述实施例，作为一种可选的实施方式，层位碎片融合处理模块具体可以包括：层位碎片加载单元，用于获取与第一层位碎片待融合的第二层位碎片，其中，第二层位碎片为与第一层位碎片相邻的层位碎片；自重叠验证单元，用于判断第二层位碎片是否存在自重叠关系；局部一致性验证单元，用于在第二层位碎片不存在自重叠关系的情况下，遍历重叠表，验证第二层位碎片的局部一致性；全局一致性验证单元，用于在局部一致性验证通过的情况下，验证第二层位碎片的全局一致性；层位碎片融合处理单元，用于在全局一致性验证通过的情况下，将第一层位碎片和第二层位碎片融合为一个层位；循环控制单元，用于控制循环执行层位碎片加载单元、自重叠验证单元、局部一致性验证单元和全局一致性验证单元的功能，直到将所有层位碎片融合。
本发明实施例还提供一种计算机设备，用以解决现有的地震全层位追踪方法对复杂地质区域的层位追踪时，存在串层现象的技术问题，该计算机设备包括存储器、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的地震全层位追踪方法。
本发明实施例还提供一种计算机可读存储介质，用以解决现有的地震全层位追踪方法对复杂地质区域的层位追踪时，存在串层现象的技术问题，该计算机可读存储介质存储有执行上述地震全层位追踪方法的计算机程序。
综上所述，本发明实施例基于分层机器学习方法，采取改良的基于patch-wise的DBSCAN算法，去除三维数据中部分不同层位之间的局部连通产生的影响,从而避免追踪时产生的串层现象。由于减少了串层现象，不可避免的会产生层位碎片化，对此通过建立碎片间的拓扑一致性对碎片进行融合，可得到更好的层位追踪效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种地震全层位追踪方法，其特征在于，包括：
获取三维地震数据；
从所述三维地震数据中提取层位极值点，构建样本空间；
将所述样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到所述三维地震数据各层位对应的层位碎片；
建立层位碎片之间的拓扑一致性；
基于所述拓扑一致性，对所述三维地震数据各层位对应的层位碎片进行融合，得到所述三维地震数据的全层位追踪结果。
2.如权利要求1所述的方法，其特征在于，在获取三维地震数据之后，所述方法还包括：
采用结构导向滤波算法对所述三维地震数据进行去噪处理。
3.如权利要求1所述的方法，其特征在于，从所述三维地震数据中提取层位极值点，构建样本空间，包括：
根据所述三维地震数据，确定每道地震数据对应的地震波形；
查找每道地震波形的振幅极大值点，其中，每个振幅极大值点对应一个层位极值点；
根据查找到的振幅极大值点，构建样本空间。
4.如权利要求1所述的方法，其特征在于，将所述样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到所述三维地震数据各层位对应的层位碎片，包括：
将所述样本空间等分为多个具有重合部分的子空间；
基于DBSCAN聚类算法，对每个子空间中的层位极值点进行聚类处理，追踪出每个子空间中各层位对应的层位极值点；
判断相邻两个子空间重合部分共有层位极值点个数是否超过预设阈值；
将重合部分共有层位极值点个数超过预设阈值的两个相邻子空间融合，得到所述三维地震数据各层位对应的层位碎片。
5.如权利要求1所述的方法，其特征在于，建立层位碎片之间的拓扑一致性，包括：
将各层位曲面上的层位碎片细化为线段，其中，一个层位曲面为一个层位上所有层位极值点所在的曲面；
去除各层位曲面上线段之间的交点；
将各层位曲面上去除交点后的线段细化为特征点；
为各层位曲面上不同的特征点添加不同的标签；
将各层曲面上特征点的标签反向传播到相应层位曲面，得到不同标签的层位碎片；
将各层曲面上不同标签的层位碎片调整为拓扑一致性。
6.如权利要求5所述的方法，其特征在于，将各层曲面上不同标签的层位碎片调整为拓扑一致性，包括：
建立重叠表，其中，所述重叠表用于记录各层位曲面上不同标签层位碎片之间的重叠情况；
识别出重叠表中拓扑不一致的层位碎片；
删除重叠表中拓扑不一致的层位碎片；
将重叠表中剩余层位碎片进行拓扑排序。
7.如权利要求6所述的方法，其特征在于，识别出重叠表中拓扑不一致的层位碎片，包括：
如果同一层曲面上不同标签的层位碎片存在自重叠关系，或上下层曲面上不同标签的层位碎片存在重叠关系，则识别为局部不一致的层位碎片；
如果多层曲面上不同标签的层位碎片具有循环重叠关系，则识别为全局不一致的层位碎片。
8.如权利要求7所述的方法，其特征在于，基于所述拓扑一致性，对所述三维地震数据各层位对应的层位碎片进行融合，得到所述三维地震数据的全层位追踪结果，包括：
获取邻接表，其中，所述邻接表中包含相互连接却具有不同标签的层位碎片；
基于所述邻接表，确定层位碎片的融合顺序；
根据所述融合顺序，所述三维地震数据各层位对应的层位碎片进行融合。
9.如权利要求8所述的方法，其特征在于，根据所述融合顺序，所述三维地震数据各层位对应的层位碎片进行融合，包括：
获取与第一层位碎片待融合的第二层位碎片，其中，所述第二层位碎片为与所述第一层位碎片相邻的层位碎片；
判断所述第二层位碎片是否存在自重叠关系；
在所述第二层位碎片不存在自重叠关系的情况下，遍历所述重叠表，验证所述第二层位碎片的局部一致性；
在局部一致性验证通过的情况下，验证所述第二层位碎片的全局一致性；
在全局一致性验证通过的情况下，将所述第一层位碎片和所述第二层位碎片融合为一个层位；
重复上述步骤，直到将所有层位碎片融合。
10.一种地震全层位追踪装置，其特征在于，包括：
三维地震数据获取模块，用于获取三维地震数据；
层位极值点提取模块，用于从所述三维地震数据中提取层位极值点，构建样本空间；
聚类处理模块，用于将所述样本空间等分为多个具有重合部分的子空间，对每个子空间中的层位极值点进行聚类处理，得到所述三维地震数据各层位对应的层位碎片；
层位碎片拓扑一致性建立模块，用于建立层位碎片之间的拓扑一致性；
层位碎片融合模块，用于基于所述拓扑一致性，对所述三维地震数据各层位对应的层位碎片进行融合，得到所述三维地震数据的全层位追踪结果。
11.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述地震全层位追踪方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至9任一所述地震全层位追踪方法的计算机程序。
CN201910280939.0A 2019-04-09 2019-04-09 地震全层位追踪方法及装置 Active CN111796324B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910280939.0A CN111796324B (zh) 2019-04-09 2019-04-09 地震全层位追踪方法及装置
US16/843,152 US11531130B2 (en) 2019-04-09 2020-04-08 Seismic full horizon tracking method, computer device and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910280939.0A CN111796324B (zh) 2019-04-09 2019-04-09 地震全层位追踪方法及装置

Publications (2)

Publication Number Publication Date
CN111796324A true CN111796324A (zh) 2020-10-20
CN111796324B CN111796324B (zh) 2023-02-10

Family

ID=72748516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910280939.0A Active CN111796324B (zh) 2019-04-09 2019-04-09 地震全层位追踪方法及装置

Country Status (2)

Country Link
US (1) US11531130B2 (zh)
CN (1) CN111796324B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687423A (zh) * 2021-08-04 2021-11-23 潜能恒信能源技术股份有限公司 一种基于界面提取的地震资料解释方法和系统
CN113791448A (zh) * 2021-08-26 2021-12-14 电子科技大学成都学院 一种基于地质结构特征的多维数据可视化方法及系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112433249B (zh) * 2020-12-08 2024-06-25 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
CN113031059B (zh) * 2021-03-08 2023-10-13 西安石油大学 基于视觉认知的环境抑制与轮廓结合模型的地震数据同相轴检测方法
CN113219529B (zh) * 2021-04-30 2022-06-14 电子科技大学 边界约束的三维构造地质模型构建方法
CN113256547B (zh) * 2021-05-26 2022-09-23 西安石油大学 一种基于小波技术的地震数据融合方法
CN114486330B (zh) * 2022-01-25 2024-05-10 吴凤萍 一种地质勘探智能取样系统
CN117572494A (zh) * 2022-08-08 2024-02-20 中国石油天然气集团有限公司 一种多波多域自适应地震层位自动追踪方法及装置
CN116736374B (zh) * 2023-06-20 2024-07-02 中海石油(中国)有限公司深圳分公司 多方位地震数据的融合方法、装置、设备和介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053270A (zh) * 2009-10-30 2011-05-11 中国石油化工股份有限公司 一种基于沉积地层单元的地震相分析方法
CN102066980A (zh) * 2008-05-22 2011-05-18 埃克森美孚上游研究公司 地震层位骨架化
US20120254781A1 (en) * 2011-03-29 2012-10-04 Christian Westlye Larsen Immersive interaction model interpretation
CN102819688A (zh) * 2012-08-29 2012-12-12 电子科技大学 基于半监督分类的二维地震数据全层位追踪方法
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
US20130151161A1 (en) * 2010-08-27 2013-06-13 Matthias G. Imhof Seismic Horizon Skeletonization
CN103245972A (zh) * 2012-02-07 2013-08-14 中国石油天然气集团公司 一种在二维空间内确定复杂地质构造的方法
CN103412331A (zh) * 2013-08-30 2013-11-27 电子科技大学 一种三维地震断层自动提取方法
WO2014023737A2 (en) * 2012-08-08 2014-02-13 Total Sa Method for enhancing the determination of a seismic horizon
CN103592681A (zh) * 2013-09-16 2014-02-19 电子科技大学 一种基于信号分类的地震图像层位追踪方法
CN103901467A (zh) * 2014-03-18 2014-07-02 中国石油集团川庆钻探工程有限公司地球物理勘探公司 三维地震数据层位追踪的方法
CN104199092A (zh) * 2014-08-31 2014-12-10 电子科技大学 基于多层次框架的三维全层位自动追踪方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100349010C (zh) 2004-12-29 2007-11-14 中国石油天然气集团公司 三维地质层位自动追踪方法
AU2009308037B2 (en) 2008-10-24 2015-04-30 Exxonmobil Upstream Research Company Tracking geologic object and detecting geologic anomalies in exploration seismic data volume
US20100214870A1 (en) * 2009-02-23 2010-08-26 Randolph Pepper Method and apparatus for dynamic extraction of extrema-based geometric primitives in 3d voxel volumes
CN105223609B (zh) 2015-09-18 2017-09-19 电子科技大学 基于匹配搜索的三维地震图像全层位自动追踪方法
NO347496B1 (en) * 2016-11-17 2023-11-27 Landmark Graphics Corp Multi-z horizon visualization from seismic data

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102066980A (zh) * 2008-05-22 2011-05-18 埃克森美孚上游研究公司 地震层位骨架化
CN102053270A (zh) * 2009-10-30 2011-05-11 中国石油化工股份有限公司 一种基于沉积地层单元的地震相分析方法
US20130151161A1 (en) * 2010-08-27 2013-06-13 Matthias G. Imhof Seismic Horizon Skeletonization
US20120254781A1 (en) * 2011-03-29 2012-10-04 Christian Westlye Larsen Immersive interaction model interpretation
CN103245972A (zh) * 2012-02-07 2013-08-14 中国石油天然气集团公司 一种在二维空间内确定复杂地质构造的方法
WO2014023737A2 (en) * 2012-08-08 2014-02-13 Total Sa Method for enhancing the determination of a seismic horizon
CN102819688A (zh) * 2012-08-29 2012-12-12 电子科技大学 基于半监督分类的二维地震数据全层位追踪方法
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
CN103412331A (zh) * 2013-08-30 2013-11-27 电子科技大学 一种三维地震断层自动提取方法
CN103592681A (zh) * 2013-09-16 2014-02-19 电子科技大学 一种基于信号分类的地震图像层位追踪方法
CN103901467A (zh) * 2014-03-18 2014-07-02 中国石油集团川庆钻探工程有限公司地球物理勘探公司 三维地震数据层位追踪的方法
CN104199092A (zh) * 2014-08-31 2014-12-10 电子科技大学 基于多层次框架的三维全层位自动追踪方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
FENG QIAN ET AL.: "A two-step mechanism for automated 3D horizon picking", 《SEG DENVER 2014 ANNUAL MEETING》 *
SU MINGJUN ET AL.: "Technologies of sedimentary information extraction and intelligent interpretation based on 3D seismic data", 《2016 SEG INTERNATIONAL EXPOSITION AND 86TH ANNUAL MEETING》 *
刘化清等: "薄砂体预测的地震沉积学研究方法", 《岩性油气藏》 *
张泉等: "地震 ＤＮＡ 算法的改进及其在地震层位拾取中的应用", 《石油物探》 *
涂先见: "基于信号分类的地震层位追踪方法研究", 《中国优秀博硕士学位论文全文数据库（硕士） 基础科学辑》 *
罗畅: "三维地震图像中的目标特征识别方法研究", 《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》 *
苏照杰: "基于多层次框架的三维地震图像全层位追踪方法研究", 《中国优秀博硕士学位论文全文数据库（硕士） 基础科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687423A (zh) * 2021-08-04 2021-11-23 潜能恒信能源技术股份有限公司 一种基于界面提取的地震资料解释方法和系统
CN113687423B (zh) * 2021-08-04 2024-03-01 潜能恒信能源技术股份有限公司 一种基于界面提取的地震资料解释方法和系统
CN113791448A (zh) * 2021-08-26 2021-12-14 电子科技大学成都学院 一种基于地质结构特征的多维数据可视化方法及系统
CN113791448B (zh) * 2021-08-26 2024-01-23 电子科技大学成都学院 一种基于地质结构特征的多维数据可视化方法及系统

Also Published As

Publication number Publication date
US11531130B2 (en) 2022-12-20
US20200326442A1 (en) 2020-10-15
CN111796324B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
CN111796324B (zh) 地震全层位追踪方法及装置
US10139508B1 (en) Methods and apparatus for automatic identification of faults on noisy seismic data
JP5452587B2 (ja) 震探ホライゾンスケルトン化
CN109859114B (zh) 基于局域平滑性和非局域相似性的三维点云修复方法
Cohen et al. Detection and extraction of fault surfaces in 3D seismic data
BR112020001110A2 (pt) interpretação sísmica automatizada usando redes neurais totalmente convolucionais
US9915742B2 (en) Method and system for geophysical modeling of subsurface volumes based on label propagation
US8566069B2 (en) Method for geologically modeling seismic data by trace correlation
US10073190B2 (en) Method and system for geophysical modeling of subsurface volumes based on computed vectors
US11536862B2 (en) Automatic feature extraction from seismic cubes
US20180031720A1 (en) Method and System for Generating a Subsurface Model
Abdollahifard Fast multiple-point simulation using a data-driven path and an efficient gradient-based search
US9542507B2 (en) Feature detection in seismic volumes
Hamid-Lakzaeian Point cloud segmentation and classification of structural elements in multi-planar masonry building facades
Dassi et al. Efficient geometric reconstruction of complex geological structures
EP3217354A2 (en) Seismic modeling system providing seismic survey data frequency domain inpainting and related methods
US20220334280A1 (en) Multiple horizon extraction
Li et al. Fracture extraction from FMI based on multiscale mathematical morphology
US10317550B2 (en) Fracture and stress characterization using layer thickness variation
EP3579026B1 (en) Method of characterising a subsurface region using multiple point statistics
Liu et al. Horizon extraction using ordered clustering on a directed and colored graph
US10353097B2 (en) Multi-Z polylines intersection points editing
CN115373021A (zh) 一种基于全局视角的地震全层位追踪方法
Kapade et al. Graph Partitioning Based Normalized Cut Methods
WO2023214977A1 (en) Automated fault segment generation

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