CN112444855B - 一种基于高斯混合模型的地震相分析方法及存储介质 - Google Patents
一种基于高斯混合模型的地震相分析方法及存储介质 Download PDFInfo
- Publication number
- CN112444855B CN112444855B CN201910818527.8A CN201910818527A CN112444855B CN 112444855 B CN112444855 B CN 112444855B CN 201910818527 A CN201910818527 A CN 201910818527A CN 112444855 B CN112444855 B CN 112444855B
- Authority
- CN
- China
- Prior art keywords
- seismic data
- class
- classified
- seismic
- mixture model
- 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
- 239000000203 mixture Substances 0.000 title claims abstract description 81
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 208000035126 Facies Diseases 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 238000005192 partition Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
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
本发明公开了基于高斯混合模型的地震相分析方法及存储介质。基于高斯混合模型的地震相分析方法,包括:对于给定的叠后地震数据体,选择待分类地震数据;对所述待分类地震数据分类成K类分类地震数据,并对K类分类地震数据分别定义类别值;利用K类分类地震数据和其分别对应的类别值训练高斯混合模型;利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析。本发明实施例的基于高斯混合模型的地震相分析方法及存储介质,可以准确地对目标地震数据的波形进行分类,通过逐道对某一层目标地震数据进行分类,可以细致地刻画目标地震数据的横向变化,得到地震异常体的平面分布规律,从而进行沉积相的解释。
Description
技术领域
本发明属于油气及煤层气勘探地震数据处理技术领域,特别涉及一种基于高斯混合模型的地震相分析方法及存储介质。
背景技术
在石油、煤炭等地下沉积矿产的勘探开发中,沉积相研究具有极为重要的意义。在地下相分析中通过岩石资料能够观察到目的层的沉积相标志,通过地震相分析仅用少量钻孔就能较好地掌握沉积相平面变化特征,是现在研究沉积相的一种重要手段。
地震相是在地震反射时间剖面上所表现出来的反射波的面貌,地震相分析就是识别每个层序内独特的地震反射波组特征及其形态组合,并将其赋予一定的地质含义,进而进行沉积相的解释。
地震信号波形是地震数据的基本性质,它包含了所有的定性和定量信息,如反射模式、相位、频率和振幅等信息,是地震信息的总体特征,其动态变化蕴含了丰富的内在信息,能够真实地反映地下结构的特征。波形分类法是最常采用的地震相分析方法,通过对地震信号波形进行分类,可以实现对地震相的划分。
传统的波形分类方法有K均值和自组织神经网络方法,它们都采用无监督的学习方法,并且是直接对样本或者观测数据进行分类,即按照内在相似性将数据划分为多个类别使得类内相似性大,类间相似性小。这种无监督的学习方法对地震信号波形进行分类时不够准确。另一方面它们都属于硬分类方法,即严格地限定了某个数据点上的数据只属于某类,而与其它类绝不相干,这也与实际不符。
因此,需要提供一种基于高斯混合模型的地震相分析方法及存储介质,其能够准确的对地震信号波形进行分类。
发明内容
本发明所要解决的技术问题之一是如何提供一种准确的基于高斯混合模型的地震相分析方法及存储介质,其能够对地震信号波形进行分类。
为了解决上述技术问题,本申请的实施例首先提供了一种基于多层感知器的地震相分析方法,其包括:
对于给定的叠后地震数据体,选择待分类地震数据;
对所述待分类地震数据分类成K类分类地震数据,并对K类分类地震数据分别定义类别值;
利用K类分类地震数据和其分别对应的类别值训练高斯混合模型;
利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析。
优选地,所述给定的叠后地震数据体包括时间域的地震数据或深度域的地震数据。
优选地,对于给定的叠后地震数据体,选择待分类地震数据,包括:
对于给定的叠后地震数据体,根据给定中心点和时窗大小选择待分类地震数据,或
对于给定的叠后地震数据体,根据给定解释层位和时窗大小选择待分类地震数据。
优选地,利用K类分类地震数据和其分别对应的类别值训练高斯混合模型,包括:
第一步骤,对高斯混合模型的参数进行初始化,所述参数包括各类的簇中心、每个K类分类地震数据隶属于各类的概率值、各类在K类中出现的概率值;
第二步骤,根据经过初始化的参数计算每个K类分类地震数据隶属于各类的计算概率值;
第三步骤,根据每个K类分类地震数据隶属于各类的计算概率值计算各类的计算簇中心、每个K类分类地震数据与各类的簇中心的计算协方差矩阵、各类在K类中出现的计算概率值;
将第三步骤得到的值对应替换第一步骤中对应参数的值,并重复第二步骤和第三步骤,直到满足停止条件。
优选地,所述停止条件包括:各类的计算簇中心的变化满足第一阈值;或
关于每个K类分类地震数据与各类的簇中心的目标函数满足第二阈值。
优选地,对高斯混合模型的参数进行初始化,包括:
将各类的簇中心初始化为随机数,将每个K类分类地震数据隶属于各类的概率值初始化为0,将各类在K类中出现的概率值初始化为均匀的值。
优选地,关于每个K类分类地震数据与各类的簇中心的目标函数为其中,Xj是第j个隶属于第k类分类地震数据,μk是第k个类的簇中心,Sk是第k类分类地震数据。
优选地,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析,包括:
目标地震数据输入训练好的高斯混合模型后,计算所述目标地震数据隶属于各类的概率值,将隶属于各类的概率值中的最大值对应的类别作为目标地震数据所属的类别。
优选地,利用训练好的多层感知器对目标地震数据进行分类以进行地震相分析,包括:
利用训练好的多层感知器对目标地震数据进行分类,并且根据分类结果形成岩石物理参数或者沉积相平面分布规律图。
本发明实施例还公开了一种存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
基于高斯混合模型的地震相分析方法,其包括:对于给定的叠后地震数据体,选择待分类地震数据;对所述待分类地震数据分类成K类分类地震数据,并对K类分类地震数据分别定义类别值;利用K类分类地震数据和其分别对应的类别值训练高斯混合模型;利用训练好的高斯混合模型对目标地震数据进行分类,目标地震数据输入高斯混合模型后可以得到对应的分类结果,利用分类结果可以进行地震相分析。本申请的基于高斯混合模型的地震相分析方法,可以有监督的学习对目标地震数据的波形进行分类,通过逐道对某一层目标地震数据进行分类,每种类别体现了地下结构的一种特征即“地震相”,分类结果体现了地下结构的特征分布,可以细致地刻画目标地震数据的横向变化,得到地震异常体的平面分布规律,从而进行沉积相的解释。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1是根据本发明实施例一的基于高斯混合模型的地震相分析方法的流程示意图;
图2是根据本发明实施例一的基于高斯混合模型的地震相分析方法的步骤S3的流程示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本发明的保护范围之内。
一种基于高斯混合模型的地震相分析方法,其包括:对于给定的叠后地震数据体,选择待分类地震数据;对所述待分类地震数据分类成K类分类地震数据,并对K类分类地震数据分别定义类别值;利用K类分类地震数据和其分别对应的类别值训练高斯混合模型;利用训练好的高斯混合模型对目标地震数据进行分类,目标地震数据输入高斯混合模型后可以得到对应的分类结果,利用分类结果可以进行地震相分析。本申请的基于高斯混合模型的地震相分析方法,可以有监督的学习对目标地震数据的波形进行分类,通过逐道对某一层目标地震数据进行分类,每种类别体现了地下结构的一种特征即“地震相”,分类结果体现了地下结构的特征分布,可以细致地刻画目标地震数据的横向变化,得到地震异常体的平面分布规律,从而进行沉积相的解释。
下面以具体的实施例对本发明作进一步说明。
如图1所示,为本发明实施例的一种基于高斯混合模型的地震相分析方法,其包括:
S1,对于给定的叠后地震数据体,选择待分类地震数据。
给定的叠后地震数据体包括时间域的地震数据或深度域的地震数据。在一些实施例中,对于给定的叠后地震数据体,根据给定中心点和时窗大小选择待分类地震数据。在一些实施例中,对于给定的叠后地震数据体,根据给定解释层位和时窗大小选择待分类地震数据。
例如,对于时间域的地震数据,根据给定中心点和时窗大小,选取以给定中心点为时窗中心、时窗大小为时窗长度的数据块作为待分类地震数据。或者,例如,对于深度域的地震数据,根据给定解释层位和时窗大小,选取以给定解释层位为时窗中心、时窗大小为时窗长度的数据块作为待分类地震数据。
S2,对待分类地震数据分类成K类分类地震数据,并对K类分类地震数据分别定义类别值。
例如,将待分类地震数据展示在计算机的屏幕上时,用户可以根据展示的待分类地震数据观察得出K类分类地震数据,并在计算机上操作,例如将分别代表K类分类地震数据的数据点圈出来,计算机响应用户的操作并记录K类分类地震数据的数据点,进而计算机对K类分类地震数据对应类别值或者标签。这样,利用待分类地震数据就可以形成包括K类分类地震数据和类别值的样本数据,利用样本数据可以对高斯混合模型进行训练。其中,用户还可以根据展示的待分类地震数据和沉积相类别数得出K类分类地震数据并在计算机上操作,从而计算机响应该操作而存储K类分类地震数据和对应的类别值。
例如,在给定N道地震数据集D,把地震数据集D分成代表不同地震相的K类分类地震数据。K类分类地震数据分别对应K(K≤N)个分区,Sk表示分区后每个区的数据集合。其中,一个分区称为一个簇,每个簇代表一种地震相。计算机可以存储K个分区分别对应的簇,并将簇与类别值分别对应。
其中,地震数据集D中的数据点可以根据数据点序号和数据点上数据的变量序号(地震道的长度)来表示。
S3,利用K类分类地震数据和其分别对应的类别值训练高斯混合模型。
将K类分类地震数据和其分别对应的类别值输入高斯混合模型,训练高斯混合模型,具体地,是对高斯混合模型中的参数进行训练,例如对第k类在K类中出现的概率pk(0<pk<1,并且)、第k类的簇中心μk、第k类分类地震数据与各类的簇中心的计算协方差矩阵Σk。
S4,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析。
对于目标地震数据进行分类时,可以将目标地震数据输入训练好的高斯混合模型中,高斯混合模型会输出目标地震数据隶属于各类的概率值,隶属于各类的概率值中的最大值对应的类别即为目标地震数据对应的类别,利用目标地震数据和对应的类别可以进行地震相分析。
将感兴趣的目标地震数据输入训练好的高斯混合模型中,利用高斯混合模型可以得到其对应的类别,每个类别对应一种“地震相”,利用目标地震数据对应的类别,可以细致地刻画目标地震数据的横向变化,得到地震异常体的平面分布规律,从而进行沉积相的解释。
具体地,步骤S3中,利用K类分类地震数据和其分别对应的类别值训练高斯混合模型,包括:
S31,对高斯混合模型的参数进行初始化,参数包括各类的簇中心、每个K类分类地震数据隶属于各类的概率值、各类在K类中出现的概率值。
在一些实施例中,对高斯混合模型的参数进行初始化,包括:
将各类的簇中心初始化为随机数,将每个K类分类地震数据隶属于各类的概率值初始化为0,将各类在K类中出现的概率值初始化为均匀的值。
例如,随机选取K个地震数据点作为初始的K类的簇中心μk。对选取的K个地震数据点,其隶属于各类的概率值ri,k初始化为0。各类在K类中出现的概率值初始化为均匀的值
S32,根据经过初始化的参数计算每个K类分类地震数据隶属于各类的计算概率值。
例如,根据各类的簇中心μk,分别计算随机选取的K个地震数据点与各类的簇中心的协方差矩阵Σk,进而计算随机选取的K个地震数据点隶属于各类的计算概率值其中,N(Xi|μk,Σk),N(Xi|μj,Σj)是矢量高斯函数,具有如下形式
S33,根据每个K类分类地震数据隶属于各类的计算概率值计算各类的计算簇中心、每个K类分类地震数据与各类的簇中心的计算协方差矩阵、各类在K类中出现的计算概率值。
例如,由上一步计算得到的ri,k,对每类计算中间值N表示地震数据点序号。
针对每类,分别计算计算簇中心
针对每类,分别计算随机选取的K个地震数据点与各类的簇中心的计算协方差矩阵
针对每类,分别计算其出现的概率其中,/>S34,将第三步骤得到的值对应替换第一步骤的值,并重复第二步骤和第三步骤,直到满足停止条件。
例如,接下来,类似于步骤S32和S33,利用步骤S33得到的数据参考步骤S32再次计算每个K类分类地震数据隶属于各类的计算概率值,进而根据得到的值参考步骤S33,再次计算各类的计算簇中心、每个K类分类地震数据与各类的簇中心的计算协方差矩阵、各类在K类中出现的计算概率值,根据上面的规律,重复步骤S32和步骤S33,直到满足停止条件。
在一些实施例中,停止条件包括:各类的计算簇中心的变化满足第一阈值,或
关于每个K类分类地震数据与各类的簇中心的目标函数满足第二阈值。
例如,各类的计算簇中心的变化小于第一阈值,则满足停止条件。
或者,关于每个K类分类地震数据与各类的簇中心的目标函数小于第二阈值,例如,关于每个K类分类地震数据与各类的簇中心的目标函数为其中,Xj是第j个隶属于第k类分类地震数据,μk是第k个类的簇中心,Sk是第k类分类地震数据。
根据上述方法,可以确定高斯混合模型的参数,即训练高斯混合模型。利用训练好的高斯混合模型,可以对目标地震数据进行分类。
在一些实施例中,步骤S4,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析,包括:
目标地震数据输入训练好的高斯混合模型后,计算所述目标地震数据隶属于各类的概率值,将隶属于各类的概率值中的最大值对应的类别作为目标地震数据所属的类别。
例如,对未知类型的数据x进行分类时,就是将数据x输入训练好的高斯混合模型,高斯混合模型输出数据x隶属于各类的概率值,其中隶属于各类的概率值中的最大值对应的类别为未知数据x所属的类别。
进一步地,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析,包括:
利用训练好的高斯混合模型对目标地震数据进行分类,并且根据分类结果形成岩石物理参数或者沉积相平面分布规律图。
由于每一类别都具有沉积相或者岩石物理参数的意义,可以利用目标地震数据的分类结果形成岩石物理参数或者沉积相平面分布规律图。对地震相进行岩石物理参数或沉积相标定后,在解释结果中加入数据,可以将定性的地震相图变为表现所选岩石物理参数或者沉积相空间变化的定量图。
本发明实施例公开了一种存储介质,其存储有执行上述任一项所述方法的程序。其中,程序包括:对于给定的叠后地震数据体,选择待分类地震数据;对所述待分类地震数据分类成K类分类地震数据,并对K类分类地震数据分别定义类别值;利用K类分类地震数据和其分别对应的类别值训练高斯混合模型;利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析的步骤,具体步骤与上面的基于高斯混合模型的地震相分析方法的步骤相同,在此不再赘述。
在一个实施例中,所述给定的叠后地震数据体包括时间域的地震数据和深度域的地震数据。
在一个实施例中,对于给定的叠后地震数据体,选择待分类地震数据,包括:
对于给定的叠后地震数据体,根据给定中心点和时窗大小选择待分类地震数据,或
对于给定的叠后地震数据体,根据给定解释层位和时窗大小选择待分类地震数据。
在一个实施例中,利用K类分类地震数据和其分别对应的类别值训练高斯混合模型,包括:
第一步骤,对高斯混合模型的参数进行初始化,参数包括各类的簇中心、每个K类分类地震数据隶属于各类的概率值、各类在K类中出现的概率值;
第二步骤,根据经过初始化的参数计算每个K类分类地震数据隶属于各类的计算概率值;
第三步骤,根据每个K类分类地震数据隶属于各类的计算概率值计算各类的计算簇中心、每个K类分类地震数据与各类的簇中心的计算协方差矩阵、各类在K类中出现的计算概率值;
将第三步骤得到的值对应替换第一步骤的值,并重复第二步骤和第三步骤,直到满足停止条件。
在一个实施例中,停止条件包括:各类的计算簇中心的变化满足第一阈值,或
关于每个K类分类地震数据与各类的簇中心的目标函数满足第二阈值。
在一个实施例中,对高斯混合模型的参数进行初始化,包括:
将各类的簇中心初始化为随机数,将每个K类分类地震数据隶属于各类的概率值初始化为0,将各类在K类中出现的概率值初始化为均匀的值。
在一个实施例中,关于每个K类分类地震数据与各类的簇中心的目标函数为其中,Xj是第j个隶属于第k类分类地震数据,μk是第k个类的簇中心,Sk是第k类分类地震数据。
在一个实施例中,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析,包括:
目标地震数据输入训练好的高斯混合模型后,计算所述目标地震数据隶属于各类的概率值,将隶属于各类的概率值中的最大值对应的类别作为目标地震数据所属的类别。
在一个实施例中,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析,包括:
利用训练好的高斯混合模型对目标地震数据进行分类,并且根据分类结果形成岩石物理参数或者沉积相平面分布规律图。
本申请的存储介质,存储基于高斯混合模型的地震相分析方法的程序,可以对目标地震数据的波形进行分类,通过逐道对某一层目标地震数据进行分类,每种类别体现了地下结构的一种特征即“地震相”,分类结果体现了地下结构的特征分布,可以细致地刻画目标地震数据的横向变化,得到地震异常体的平面分布规律,从而进行沉积相的解释。
以上所述,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,任何熟悉该技术的人员在本发明所揭露的技术范围内,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 (10)
1.一种基于高斯混合模型的地震相分析方法,其特征在于,包括:
对于给定的叠后地震数据体,选择待分类地震数据;
对所述待分类地震数据分类成K类分类地震数据,并对K类分类地震数据分别定义类别值;其中,每类对应一种地震相;
具体为:将待分类地震数据展示在计算机的屏幕上时,用户根据展示的待分类地震数据观察得出K类分类地震数据,并在计算机上操作,将分别代表K类分类地震数据的数据点圈出来,计算机响应用户的操作并记录K类分类地震数据的数据点,进而计算K类分类地震数据对应的类别值;
利用K类分类地震数据和其分别对应的类别值训练高斯混合模型;其中,所述利用K类分类地震数据和其分别对应的类别值训练高斯混合模型包括:第一步骤,对高斯混合模型的参数进行初始化,所述参数包括各类的簇中心μk、每个K类分类地震数据隶属于各类的概率值ri,k、各类在K类中出现的概率值第二步骤,根据经过初始化的参数计算每个K类分类地震数据隶属于各类的计算概率值/>其中,N(Xi|μk,Σk),N(Xi|μj,Σj)是矢量高斯函数;第三步骤,根据每个K类分类地震数据隶属于各类的计算概率值计算各类的计算簇中心/>每个K类分类地震数据与各类的簇中心的计算协方差矩阵/>各类在K类中出现的计算概率值/>其中,/>将第三步骤得到的值对应替换第一步骤中对应参数的值,并重复第二步骤和第三步骤,直到满足停止条件;
利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析。
2.根据权利要求1所述的基于高斯混合模型的地震相分析方法,其特征在于,所述给定的叠后地震数据体包括时间域的地震数据或深度域的地震数据。
3.根据权利要求2所述的基于高斯混合模型的地震相分析方法,其特征在于,对于给定的叠后地震数据体,选择待分类地震数据,包括:
对于给定的叠后地震数据体,根据给定中心点和时窗大小选择待分类地震数据,或
对于给定的叠后地震数据体,根据给定解释层位和时窗大小选择待分类地震数据。
4.根据权利要求1所述的基于高斯混合模型的地震相分析方法,其特征在于,所述停止条件包括:
各类的计算簇中心的变化满足第一阈值。
5.根据权利要求1所述的基于高斯混合模型的地震相分析方法,其特征在于,所述停止条件包括:
关于每个K类分类地震数据与各类的簇中心的目标函数满足第二阈值。
6.根据权利要求1所述的基于高斯混合模型的地震相分析方法,其特征在于,对高斯混合模型的参数进行初始化,包括:
将各类的簇中心初始化为随机数,将每个K类分类地震数据隶属于各类的概率值初始化为0,将各类在K类中出现的概率值初始化为均匀的值。
7.根据权利要求5所述的基于高斯混合模型的地震相分析方法,其特征在于,关于每个K类分类地震数据与各类的簇中心的目标函数为:
其中,Xj是第j个隶属于第k类分类地震数据,μk是第k个类的簇中心,Sk是第k类分类地震数据。
8.根据权利要求1所述的基于高斯混合模型的地震相分析方法,其特征在于,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析,包括:
在目标地震数据输入训练好的高斯混合模型后,计算所述目标地震数据隶属于各类的概率值,将隶属于各类的概率值中的最大值对应的类别作为目标地震数据所属的类别。
9.根据权利要求1所述的基于高斯混合模型的地震相分析方法,其特征在于,利用训练好的高斯混合模型对目标地震数据进行分类以进行地震相分析,包括:
利用训练好的高斯混合模型对目标地震数据进行分类,并且根据分类结果形成岩石物理参数或者沉积相平面分布规律图。
10.一种存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818527.8A CN112444855B (zh) | 2019-08-30 | 2019-08-30 | 一种基于高斯混合模型的地震相分析方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818527.8A CN112444855B (zh) | 2019-08-30 | 2019-08-30 | 一种基于高斯混合模型的地震相分析方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112444855A CN112444855A (zh) | 2021-03-05 |
CN112444855B true CN112444855B (zh) | 2024-04-09 |
Family
ID=74735322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910818527.8A Active CN112444855B (zh) | 2019-08-30 | 2019-08-30 | 一种基于高斯混合模型的地震相分析方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112444855B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104280771A (zh) * | 2014-10-27 | 2015-01-14 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于em算法的三维地震数据波形的半监督聚类方法 |
CN108897042A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 有机质含量地震预测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7039239B2 (en) * | 2002-02-07 | 2006-05-02 | Eastman Kodak Company | Method for image region classification using unsupervised and supervised learning |
BRPI0716098A2 (pt) * | 2006-08-31 | 2013-09-24 | Shell Int Research | mÉtodo e produto de programa de computador para interpretar uma pluralidade de vetores de atributo m-dimensionais, mÉtodo para produzir hidrocarbonetos a partir de uma formaÇço de subsuperfÍcie |
GB2534931A (en) * | 2015-02-06 | 2016-08-10 | Foster Findlay Ass Ltd | A method for determining sedimentary facies using 3D seismic data |
-
2019
- 2019-08-30 CN CN201910818527.8A patent/CN112444855B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104280771A (zh) * | 2014-10-27 | 2015-01-14 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 一种基于em算法的三维地震数据波形的半监督聚类方法 |
CN108897042A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 有机质含量地震预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
Unsupervised seismic facies using Gaussian mixture models;Bradley C. Wallet et al.;Interpretation;第SE94-SE96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112444855A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Deep-learning seismology | |
Saporetti et al. | Machine learning approaches for petrographic classification of carbonate-siliciclastic rocks using well logs and textural information | |
Brazell et al. | A machine-learning-based approach to assistive well-log correlation | |
Aminzadeh | Applications of AI and soft computing for challenging problems in the oil industry | |
Xie et al. | Towards optimization of boosting models for formation lithology identification | |
Kim et al. | Attribute selection in seismic facies classification: Application to a Gulf of Mexico 3D seismic survey and the Barnett Shale | |
Karmakar et al. | Mapping of rock types using a joint approach by combining the multivariate statistics, self-organizing map and Bayesian neural networks: an example from IODP 323 site | |
Priezzhev et al. | Seismic waveform classification based on Kohonen 3D neural networks with RGB visualization | |
Ha et al. | An in-depth analysis of logarithmic data transformation and per-class normalization in machine learning: Application to unsupervised classification of a turbidite system in the Canterbury Basin, New Zealand, and supervised classification of salt in the Eugene Island minibasin, Gulf of Mexico | |
Zeng et al. | Impact of sedimentary facies on machine learning of acoustic impedance from seismic data: Lessons from a geologically realistic 3D model | |
Noh et al. | Explainable deep learning for supervised seismic facies classification using intrinsic method | |
You et al. | Explainable convolutional neural networks driven knowledge mining for seismic facies classification | |
US11525934B2 (en) | Method for identifying subsurface fluids and/or lithologies | |
Garcia et al. | Automatic identification of mantle seismic phases using a convolutional neural network | |
CN112444855B (zh) | 一种基于高斯混合模型的地震相分析方法及存储介质 | |
Hadiloo et al. | SeisART software: seismic facies analysis by contributing interpreter and computer | |
Kourki et al. | Seismic facies analysis from pre-stack data using self-organizing maps | |
Nikravesh | Fuzzy partial differential equations and relational equations: reservoir characterization and modeling | |
CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
Koochak et al. | A variability aware GAN for improving spatial representativeness of discrete geobodies | |
Tse et al. | Unsupervised learning on scientific ocean drilling datasets from the South China Sea | |
Dunham et al. | A seismic petrophysical classification study of the 2-D SEAM model using semisupervised techniques and detrended attributes | |
La Marca et al. | Quantifying uncertainty in unsupervised machine learning methods for seismic facies using outcrop-derived 3D models and synthetic seismic data | |
Zhao et al. | Deep carbonate reservoir characterization using multiseismic attributes: A comparison of unsupervised machine-learning approaches | |
Roubickova et al. | Using machine learning to reduce ensembles of geological models for oil and gas exploration |
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 |