CN112444868B

CN112444868B - 一种基于改进的k均值算法的地震相分析方法

Info

Publication number: CN112444868B
Application number: CN201910816018.1A
Authority: CN
Inventors: 郑四连; 刘百红; 陈金焕; 段文超
Original assignee: China Petroleum and Chemical Corp; Sinopec Geophysical Research Institute
Current assignee: China Petroleum and Chemical Corp; Sinopec Geophysical Research Institute
Priority date: 2019-08-30
Filing date: 2019-08-30
Publication date: 2024-04-09
Anticipated expiration: 2039-08-30
Also published as: CN112444868A

Abstract

本发明提供了一种基于改进的K均值算法的地震相分析方法、计算机存储介质及计算机设备，该方法包括以下步骤：在目的层的叠后地震数据体中选择待分成K个类的N道地震数据；根据每个数据点隶属于自身所在类的程度，利用迭代算法在所述N道地震数据中找出K个类的簇中心；分别计算N道地震数据中的每个待分类的数据点上的数据与K个类的簇中心的数据的距离，然后根据计算的距离，将每个待分类的数据点划分到与其距离最近的簇中心所在的类；基于分类结果分析目的层沉积相平面分布规律。该方法效果稳定，能逐道进行某一层内实际地震数据的对比，细致地刻画地震信号的横向变化，从而得到地震异常体的平面分布规律。

Description

一种基于改进的K均值算法的地震相分析方法

技术领域

本发明属于油气及煤层气地震勘探与开发，尤其是一种基于改进的K均值算法的地震相分析方法、计算机存储介质及计算机设备。

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。然而，由于目的层深埋于地下，因此所采用的研究手段和研究方法与露头区的沉积相研究相比有很大不同。

在地下相分析中只有通过岩石资料才能够观察到目的的沉积相标志，而钻井取心一般都不是连续进行的，并且一口探井的全井取心率往往只有百分之几到百分之十几，这给沉积相研究造成很大困难。利用电测井资料进行测井相分析虽可对全井做出连续的沉积相解释，但其多解性较强，因此除上述两种资料外，还迫切需要从其它资料中获取更多的信息以提高沉积相解释的准确性。

更重要的是，即使单井相分析的资料足够充分，但采用传统研究方法所得到的毕竟只是一部分信息，而如地层叠置模式、沉积体外形等重要信息并没有利用。进一步看，即使解释完全正确，但毕竟只是“一孔之见”。要想进一步掌握沉积相的平面展布特征就必须有大量的足够密集的钻孔，而这在勘探阶段恰恰难以满足。因此迫切需要一种仅用少量钻孔就能较好地掌握沉积相平面变化特征的新手段、新方法。

地震相分析正是为满足上述迫切需要而产生的。地震相就是在地震反射时间剖面上所表现出来的反射波的面貌。地震相分析则是根据地震相特征进行沉积相的解释推断。在石油勘探及某些煤田、盐矿勘探中，地震勘探资料是必不可少的重要基础资料。这些资料一般在勘探初期就可获得，且一般都能覆盖整个盆地，其中具有极为丰富的地层、构造和沉积相信息，因此是地下地质分析中极为宝贵的基础资料。地震相分析作为地震地层学的一个重要组成部分，诞生于1977年左右，并在世界上迅速传播。十几年来它在广泛的实践中不断发展完善，已成为地下相分析不可缺少的锐利武器。

地震相分析的方法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，这一过程称为地震相分析。

地震相分析和识别有两种方法，第一种方法是通过人工观测地震反射特征，并与所建立的标准地震相特征进行比较，判别属于何种地震相。这种方法一般应用于局部地震资料解释和分析中，解释和识别精度比较低。另外一种方法则是应用地震数据处理技术和计算机技术以及一定的数学方法对地震数据体或者地震属性数据进行分析和计算，提取出能够反映沉积相变化的地震相，这是一种高效、先进、定量的地震相识别方法。

地震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，而且传统的K均值算法是硬分类方法，即严格地限定了某个数据点i上的数据X_i只属于第k类，而与其它类绝不相干。实际上，这个数据或者样本与其他类也可能很像，但不是最像，那么这就是说该数据或者样本可能不仅仅属于一个类，它可能属于多个类，只是对不同的类，其隶属程度不同。

本发明以新的视角提出一种利用改进的K均值算法进行地震波形分类的方法，逐道进行某一层内实际地震数据的对比，细致地刻画地震信号的横向变化，从而得到地震异常体的平面分布规律，为之后油气储量的评估提供科学依据。

发明内容

针对上述问题，本发明提出了一种基于改进的K均值算法的地震相分析方法，以及计算机存储介质和计算机设备。

根据本发明的第一个方面，本发明的一种基于改进的K均值算法的地震相分析方法，包括以下步骤：

S100，在目的层的叠后地震数据体中选择待分成K个类的N道地震数据；

S200，根据簇类指示因子，利用迭代算法在所述N道地震数据中找出K个类的簇中心；其中，所述簇类指示因子表示一个数据点上的数据隶属于一个类的程度；

S300，分别计算N道地震数据中的每个待分类的数据点上的数据与K个类的簇中心的数据的距离，然后根据计算的距离，将每个待分类的数据点划分到与其距离最近的簇中心所在的类；

S400，基于分类结果分析目的层沉积相平面分布规律。

根据本发明的实施例，上述步骤S100中，目的层的叠后地震数据体为时间域或者深度域的叠后地震数据体。

根据本发明的实施例，上述步骤S100包括以下步骤：

根据给定的时窗中心和时窗长度，为目的层的叠后地震数据体设置数据时窗；

取数据时窗中的N道数据作为待分成K类的N道地震数据。

根据本发明的实施例，上述步骤S100包括以下步骤：

解释目的层的构造层位，将解释层位作为时窗中心；

取数据时窗中的N道数据作为待分成K类的N道地震数据。

根据本发明的实施例，上述步骤S200包括以下步骤：

S210，在所述N道地震数据中随机选取K个数据点作为K个类的初始的簇中心；

S220，计算所述N道地震数据中除所选K个数据点外的每个待分类的数据点上的数据与K个类的簇中心的数据的距离d_i,k，i＝1,2,…,N，k＝1,2,…,K；

S230，对于每个待分类的数据点，根据距离d_i,k，i＝1,2,…,N，k＝1,2,…,K，将待分类的数据点划分到与其距离最近的簇中心所在的类，并计算分类后的数据点的簇类指示因子r_i,k；其中，所述簇类指示因子r_i,k表示第i个数据点的数据隶属于第k类的程度；

S240，对于每个类，分别基于类中的各个数据点的簇类指示因子重新确定该类的新的簇中心；

S250，对于每个类，分别判断类的新的簇中心是否满足预设条件，若不满足预设条件，则重复步骤S220至S240，直至类的新的簇中心满足预设条件。

根据本发明的实施例，上述步骤S200中，所述距离为欧氏距离或曼哈顿距离或闵可夫斯基距离。

根据本发明的实施例，上述簇类指示因子r_i,k定义为：

式中，d_i,k和d_i,j分别为||X_i-m_k||²和||X_i-m_j||²，是欧氏距离的平方，X_i为数据点i上的数据，m_k为第k个类的簇中心，m_j为第j个类的簇中心。

根据本发明的实施例，上述步骤S240中，对于每个类，基于类中的各个数据点的簇类指示因子重新确定该类的新的簇中心，具体为：

基于类中的各个数据点的簇类指示因子，按照下式计算该类的数据平均值,取该类的数据平均值作为该类的新的簇中心

其中，X_i为数据点i上的数据，r_i,k为簇类指示因子。

根据本发明的实施例，上述步骤S250中，所述预设条件包括：

新的簇中心与前次计算的簇中心相同或者目标函数小于给定阈值。

根据本发明的实施例，上述步骤S400包括以下步骤：

根据分类结果形成平面上离散的地震相，对地震相图进行岩石物理参数或沉积相标定，根据标定的地震相图形成目的层岩石物理参数或者沉积相空间变化的定量图。

根据本发明的另一方面，本发明还提供一种计算机存储介质，其中存储有用于实现上述方法的计算机程序。

根据本发明的另一方面，本发明还提供一种计算机设备，包括存储器和处理器，所述处理器用于执行所述存储器中存储的计算机程序，所述计算机程序用于实现上述方法。

与现有技术相比，本发明提供的基于改进的K均值算法的地震相分析方法等具有如下优点或有益效果：

本发明通过逐道进行某一层内实际地震数据的对比，细致地刻画地震信号的横向变化，从而得到地震异常体的平面分布规律。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、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

从下面描述的实施例并参考附图，本发明的其它优点和细节将变得显而易见。以下是示意图并示出：

图1是本发明实施例的基于改进的K均值算法的地震相分析方法的流程图。

具体实施方式

实施例一

如图1所示，本发明提出了一种基于改进的K均值算法的地震相分析方法，在本实施例中，该方法主要包括以下步骤：

其中，目的层的叠后地震数据体为时间域或者深度域的叠后地震数据体。

S200，根据每个数据点隶属于自身所在类的程度，利用迭代算法在所述N道地震数据中找出K个类的簇中心；

所述步骤S200主要包括以下步骤：

S230，对于每个待分类的数据点，根据距离d_i,k，i＝1,2,…,N，k＝1,2,…,K，将待分类的数据点划分到与其距离最近的簇中心所在的类，并计算分类后的数据点的簇类指示因子r_i,k；其中所述簇类指示因子r_i,k表示分类后的数据点隶属于自身所在类的程度；

S300，分别计算N道地震数据中的每个待分类的数据点上的数据与步骤S250所确定的K个类的簇中心的数据的距离，然后根据计算的距离，将每个待分类的数据点划分到与其距离最近的簇中心所在的类；

S400，基于分类结果分析目的层沉积相平面分布规律。

具体地，波形分类结果形成了平面上离散的“地震相”，对地震相图进行岩石物理参数或沉积相标定，从而在解释结果中加入数值，使得定性的地震相图变成表现所选岩石物理参数或者沉积相空间变化的定量图。

实施例二

在此实施例中，首先根据在某一目的层段内地震信号的横向可变性，利用改进的K均值算法对地震道形状进行分类，分类结果形成离散的“地震相”。然后对地震相进行岩石物理参数或者沉积相的对比标定，从而实现利用地震资料来刻画岩石物理参数或者沉积相平面分布规律。

在给定N道地震数据集D以及要区分的地震相种类数K的条件下，把地震数据组织成K(K≤N)个分区，S_k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。

具体过程如下。

首先，对于给定的叠后地震数据体(时间域或者深度域都可以)，选择要用于分类的数据。

选择的方式可以有两种：第一种方式是给定中心点和时窗大小，选取以中心点为时窗中心，时窗大小为时窗长度的数据块作为分类数据。第二种方式是给定解释层位(需要事先解释好构造层位)和时窗大小，以解释层位为时窗中心，时窗大小为时窗长度的数据块为分类数据。这样就产生了地震数据集D。

假设想要把N个数据点上的P维数据X分成K类，则数据可以表示成X_ij，其中i＝1,2,…,N表示数据点序号，j＝1,2,…,P表示每个数据点上数据的变量序号(地震道的长度)。

一般采用标准欧氏距离作为两个数据之间的相似度度量：

当然，也可以采用其他距离，例如曼哈顿距离或者闵可夫斯基距离：

来引入一个簇类指示因子。

簇类指示因子r_i,k来表明数据点i上的数据X_i是否属于第k个类。

如果数据点i上的数据X_i属于第k个类，这就意味着，X_i与第k个类的簇中心m_k最近。其中簇类指示因子r_i,k为下面的形式：

其中，||X_i-m_k||²以及||X_i-m_j||²实际上就是欧氏距离的平方，可以将其分别表示为d_i,k和d_i,j。

然后，采用改进的K均值算法进行地震波形分类。

所述改进K均值算法为：

1)随机选取K个数据点作为初始的K个簇的中心；并将各个数据点上的簇类指示因子r_i,k置为0。

2)分别计算其余所有点上的数据与K个簇中心数据的距离d_i,k，i＝1,2,…,N，k＝1,2,…,K。

3)对于每个点，根据所计算距离，将其划分到与其最近的簇中心所在的簇，并按照计算每个数据点隶属于各个类的程度，即相应的簇类指示因子r_i,k；

其中，β是个常数，通常取自然数，它会影响同一个数据对同一个簇类中小的隶属程度：小的β会使r_i,k随距离衰减快，而大的β会使r_i,k随距离衰减慢。

4)对于每个类，重新计算其簇中心：

即对于每个类，根据下式计算该类中数据的平均值作为该类的新的簇中心；

其中，X_i为数据点i上的数据，r_i,k为簇类指示因子。

5)不断地重复2、3、4步，直到簇中心不再变化或者目标函数的值小于某个阈值，其中，所述目标函数为

6)当簇中心不再变化或者目标函数的值小于某个阈值时，计算每个欲分类数据点上的数据与K个类的簇中心的数据的距离d_i,k，找出这K个距离中的最小值所对应的类，即为该数据点所对应的类别。

最后，利用波形分类结果进行沉积相分析。

实施例三

此外，本发明还提供一种计算机存储介质，其中存储有用于实现上述方法的计算机程序。

实施例四

此外，本发明还提供一种计算机设备，其包括存储器和处理器，所述处理器用于执行所述存储器中存储的计算机程序，其中所述计算机程序用于实现上述方法。

上述实施例充分说明了本发明的优势，利用改进的K均值算法进行地震波形分类的方法，逐道进行某一层内实际地震数据的对比，细致地刻画地震信号的横向变化，从而得到地震异常体的平面分布规律。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“实施例”意指结合实施例描述的特定特征、或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“实施例”并不一定均指同一个实施例。

本领域的技术人员应该明白，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域的技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储介质(RAM)、内存、只读存储介质(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM或技术领域内所公知的任意其它形式的存储介质中。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims

1.一种基于改进的K均值算法的地震相分析方法，其特征在于，包括以下步骤：

S200，根据簇类指示因子，利用迭代算法在所述N道地震数据中找出K个类的簇中心；其中，所述簇类指示因子表示一个数据点上的数据隶属于一个类的程度；其中，步骤S200包括以下步骤：

S220，计算所述N道地震数据中除所选K个数据点外的每个待分类的数据点上的数据与K个类的簇中心的数据的欧氏距离d_i,k，i＝1,2,…,N，k＝1,2,…,K；

S230，对于每个待分类的数据点，根据欧氏距离d_i,k，i＝1,2,…,N，k＝1,2,…,K，将待分类的数据点划分到与其距离最近的簇中心所在的类，并计算分类后的数据点的簇类指示因子r_i,k；其中，所述簇类指示因子r_i,k表示第i个数据点的数据隶属于第k类的程度；所述簇类指示因子r_i,k定义为：

式中，d_i,k为||X_i-m_k||²，是第i个数据点上的数据与第k个类的簇中心的数据之间距离的平方；d_i,j为||X_i-m_j||²，是第i个数据点上的数据与第j个类的簇中心的数据之间距离的平方；X_i为第i个数据点上的数据；m_k为第k个类的簇中心；m_j为第j个类的簇中心，j≠k；β为常数，取自然数，小的β会使r_i,k随距离衰减快，大的β会使r_i,k随距离衰减慢；

S240，对于每个类，分别基于类中的各个数据点的簇类指示因子重新确定该类的新的簇中心；其中，在步骤S240中，对于每个类，基于类中的各个数据点的簇类指示因子重新确定该类的新的簇中心，具体为：基于类中的各个数据点的簇类指示因子，按照下式计算该类的数据平均值，取该类的数据平均值作为该类的新的簇中心m_k，

其中，X_i为第i个数据点上的数据，r_i,k为簇类指示因子；

S250，对于每个类，分别判断类的新的簇中心是否满足预设条件，若不满足预设条件，则重复步骤S220至S240，直至类的新的簇中心满足预设条件；

S400，基于分类结果分析目的层沉积相平面分布规律。

2.根据权利要求1所述的方法，其特征在于，所述步骤S100中，目的层的叠后地震数据体为时间域或者深度域的叠后地震数据体。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤S100包括以下步骤：

取数据时窗中的N道数据作为待分成K类的N道地震数据。

4.根据权利要求1或2所述的方法，其特征在于，所述步骤S100包括以下步骤：

解释目的层的构造层位，将解释层位作为时窗中心；

取数据时窗中的N道数据作为待分成K类的N道地震数据。

5.根据权利要求1所述的方法，其特征在于，在步骤S250中，所述预设条件包括：

新的簇中心与前次计算的簇中心相同或者目标函数的值小于给定阈值。

6.根据权利要求1所述的方法，其特征在于，所述步骤S400包括以下步骤：

7.一种计算机存储介质，其特征在于，其中存储有用于实现上述权利要求1至6中任意一项所述方法的计算机程序。

8.一种计算机设备，包括存储器和处理器，所述处理器用于执行所述存储器中存储的计算机程序，所述计算机程序用于实现上述权利要求1至6中任意一项所述方法。