CN112578449A - 深反射地震剖面随机介质参数确定方法、装置和电子设备 - Google Patents
深反射地震剖面随机介质参数确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112578449A CN112578449A CN202011451064.5A CN202011451064A CN112578449A CN 112578449 A CN112578449 A CN 112578449A CN 202011451064 A CN202011451064 A CN 202011451064A CN 112578449 A CN112578449 A CN 112578449A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic section
- autocorrelation function
- dimensional
- autocorrelation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 175
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims description 53
- 238000005070 sampling Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 241001123248 Arma Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 15
- 230000003595 spectral effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种深反射地震剖面随机介质参数确定方法、装置和电子设备,涉及地质勘探的技术领域,在获取到深反射地震剖面数据之后,首先将其拆分成多个子地震剖面数据,然后基于现代谱分析方法确定目标子地震剖面数据的自相关函数,进而求解目标子地震剖面数据的随机介质参数,最后根据所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。本发明先将深反射地震剖面数据拆分成相对较短的数据,然后采用现代谱分析方法求解短数据的自相关函数,其计算误差远小于直接进行自相关函数计算的方法,进而使得求解得到的随机介质参数更精确,有效的缓解了现有技术中的深反射地震剖面随机介质参数确定方法存在的准确性差的技术问题。
Description
技术领域
本发明涉及地质勘探的技术领域,尤其是涉及一种深反射地震剖面随机介质参数确定方法、装置和电子设备。
背景技术
深反射地震剖面中的反射能量弱、同相轴连续性差、多成带状分布,这对地质构造、岩性信息的提取和地震资料的解释带来了巨大的困难。对地壳露头和大陆深钻测井的研究表明,地壳深部物质呈现出多尺度的非均质性。应用统计学原理,这种非均质特性可以用随机介质模型来进行描述。深反射地震资料继承了地下介质这种随机分布的非均质性,因此有可能通过深反射地震资料估算得到随机介质参数,从而为深反射地震资料解释提供依据。
随机介质参数的估算方法分为两步,首先计算自相关函数,然后利用自相关函数最优化求解随机介质参数,其中,自相关函数是对无限长整个随机序列的统计描述。现有技术在计算自相关函数时,往往直接进行自相关函数计算,也即,通过截取随机序列的一段数据进行自相关运算,这相当于认为截取外的数据为零,利用这种算法估算的自相关函数与实际的自相关函数存在误差,进而难以保证求解的随机介质参数的准确性。
综上所述,现有技术中的深反射地震剖面随机介质参数确定方法存在准确性差的技术问题。
发明内容
本发明的目的在于提供一种深反射地震剖面随机介质参数确定方法、装置和电子设备,以缓解了现有技术中的深反射地震剖面随机介质参数确定方法存在的准确性差的技术问题。
第一方面,本发明提供一种深反射地震剖面随机介质参数确定方法,包括:获取深反射地震剖面数据;利用预设数据采样窗口对所述深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据;基于现代谱分析方法确定目标子地震剖面数据的自相关函数;其中,所述目标子地震剖面数据为所述所有子地震剖面数据中的任意一个;基于所述自相关函数确定所述目标子地震剖面数据的随机介质参数;基于所述所有子地震剖面数据的随机介质参数确定所述深反射地震剖面数据的随机介质参数。
在可选的实施方式中,所述预设数据采样窗口包括:二维数据采样窗口。
在可选的实施方式中,基于现代谱分析方法确定目标子地震剖面数据的自相关函数,包括:利用现代谱分析方法确定第一一维数据的功率谱和第二一维数据的功率谱;其中,所述第一一维数据为所述目标子地震剖面数据的所有横向一维数据中的任意一组数据,所述第二一维数据为所述目标子地震剖面数据的所有纵向一维数据中的任意一组数据;将所述第一一维数据的功率谱进行傅里叶反变换,得到所述第一一维数据对应的一维自相关函数,以及,将所述第二一维数据的功率谱进行傅里叶反变换,得到所述第二一维数据对应的一维自相关函数;基于所有横向一维数据的一维自相关函数和所有纵向一维数据的一维自相关函数确定所述目标子地震剖面数据的自相关函数。
在可选的实施方式中,基于所述自相关函数确定所述目标子地震剖面数据的随机介质参数,包括:计算所有横向一维数据的一维自相关函数的平均值,得到横向平均自相关函数,以及,计算所有纵向一维数据的一维自相关函数的平均值,得到纵向平均自相关函数;基于所述横向平均自相关函数确定横向自相关长度,以及,基于所述纵向平均自相关函数确定纵向自相关长度;基于所述横向自相关长度和纵向自相关长度确定所述随机介质参数。
在可选的实施方式中,基于所述横向平均自相关函数确定横向自相关长度,以及,基于所述纵向平均自相关函数确定纵向自相关长度,包括:利用最优化算法对所述横向平均自相关函数进行处理,得到横向自相关长度,以及,利用所述最优化算法对所述纵向平均自相关函数进行处理,得到纵向自相关长度;其中,所述最优化算法包括以下任一种:最小二乘拟合法,蒙特卡洛反演,特征向量法。
在可选的实施方式中,所述现代谱分析方法包括以下任一种:AR模型频谱法,MA模型频谱法,ARMA模型频谱法,Prony模型频谱法。
第二方面,本发明提供一种深反射地震剖面随机介质参数确定装置,包括:获取模块,用于获取深反射地震剖面数据;采样模块,用于利用预设数据采样窗口对所述深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据;第一确定模块,用于基于现代谱分析方法确定目标子地震剖面数据的自相关函数;其中,所述目标子地震剖面数据为所述所有子地震剖面数据中的任意一个;第二确定模块,用于基于所述自相关函数确定所述目标子地震剖面数据的随机介质参数;第三确定模块,用于基于所述所有子地震剖面数据的随机介质参数确定所述深反射地震剖面数据的随机介质参数。
在可选的实施方式中,所述预设数据采样窗口包括:二维数据采样窗口。
第三方面,本发明提供一种电子设备,包括存储器、处理器,所述存储器上存储有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前述实施方式中任一项所述的方法的步骤。
第四方面,本发明提供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前述实施方式中任一项所述的方法。
本发明提供的深反射地震剖面随机介质参数确定方法,包括:获取深反射地震剖面数据;利用预设数据采样窗口对深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据;基于现代谱分析方法确定目标子地震剖面数据的自相关函数;其中,目标子地震剖面数据为所有子地震剖面数据中的任意一个;基于自相关函数确定目标子地震剖面数据的随机介质参数;基于所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。
现有技术中,在对随机介质参数进行估算时,往往直接截取随机序列的一段数据进行自相关运算,导致估算的自相关函数与实际的自相关函数存在误差,进而难以保证求解的随机介质参数的准确性。与现有技术相比,本发明提供了一种深反射地震剖面随机介质参数确定方法,在获取到深反射地震剖面数据之后,首先将其拆分成多个子地震剖面数据,然后基于现代谱分析方法确定目标子地震剖面数据的自相关函数,进而求解目标子地震剖面数据的随机介质参数,最后根据所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。本发明先将深反射地震剖面数据拆分成相对较短的数据,然后采用现代谱分析方法求解短数据的自相关函数,其计算误差远小于直接进行自相关函数计算的方法,进而使得求解得到的随机介质参数更精确,有效的缓解了现有技术中的深反射地震剖面随机介质参数确定方法存在的准确性差的技术问题。
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深反射地震剖面随机介质参数确定方法的流程图;
图2为本发明实施例提供的一种自相关函数的计算误差与数据长度关系的示意图;
图3为本发明实施例提供的一种多道一维自相关函数与相应的平均自相关函数的示意图;
图4为本发明实施例提供的一种多道一维自相关函数对应的平均自相关函数中轴线与二维自相关函数中轴线相比较的示意图;
图5为本发明实施例提供的一种利用AR模型频谱法与常规经典谱估计方法求解自相关函数的对比图;
图6(a)为本发明实施例提供的一种三层vonkarman型随机介质速度模型示意图;
图6(b)为本发明实施例提供的一种图6(a)模型的合成地震记录示意图;
图6(c)为本发明实施例提供的一种对合成地震剖面的相关长度估算结果示意图;
图7为本发明实施例提供的一种深反射地震剖面随机介质参数确定装置的功能模块图;
图8为本发明实施例提供的一种电子设备的示意图。
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,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
深反射地震剖面中的反射能量弱、同相轴连续性差、多成带状分布,这对地质构造、岩性信息的提取和地震资料的解释带来了巨大的困难。且针对浅部沉积盆地水平层状介质的地震解释方法和技术不完全适于深部非均匀介质,深反射地震资料解释需要新的技术来支撑。研究表明,可以利用深反射地震资料估算得到随机介质参数,从而为深反射地震资料解释提供依据。
随机介质参数的估算,首先计算自相关函数,然后利用自相关函数最优化求解随机介质参数。现有技术在计算自相关函数时,往往直接进行自相关函数计算,具体为通过截取随机序列的一段数据进行自相关运算,这相当于认为截取外的数据为零,利用这种算法估算的自相关函数与实际的自相关函数存在误差,进而难以保证求解的随机介质参数的准确性。有鉴于此,本发明实施例提供了一种深反射地震剖面随机介质参数确定方法,用以缓解现有技术中的深反射地震剖面随机介质参数确定方法存在的准确性差的技术问题。
实施例一
图1为本发明实施例提供的一种深反射地震剖面随机介质参数确定方法的流程图,如图1所示,该方法具体包括如下步骤:
步骤S102,获取深反射地震剖面数据。
步骤S104,利用预设数据采样窗口对深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据。
具体的,由于深反射地震剖面具有非均质性,为了能够得到较准确的随机介质参数,在获取到深反射地震剖面数据之后,首先利用预设数据采样窗口对深反射地震剖面数据进行滑动采样,进而得到多个子地震剖面数据,也即,所有子地震剖面数据的并集为深反射地震剖面数据,本发明实施例不对滑动采样的步长进行具体限制,子地震剖面数据之间可以存在交集,也可以没有交集。
滑动采样得到子地震剖面数据后,在后续数据处理过程就可以将一个子地震剖面理解为均匀介质进行研究,从而为每一个子地震剖面计算出相应的随机介质参数,但是,如果不进行滑动采样,不将获取到的深反射地震剖面数据进行拆分,而是直接计算整个剖面数据(深反射地震剖面数据)的自相关函数,那么在求解之后只能得到一组随机介质参数,也就相当于将整个深反射地震剖面视为均匀介质,这样得到的结果没有研究意义。
步骤S106,基于现代谱分析方法确定目标子地震剖面数据的自相关函数。
维纳-辛钦定理指出一个随机序列的功率谱密度是该随机序列自相关函数傅里叶变换。因此,可以通过先求得随机功率谱,然后进行傅里叶反变换计算自相关函数。因为经典谱估计的分辨率正比于信号的有效长度,也即,信号有效长度越短,经典谱估计的分辨率越低;信号有效长度越长,经典谱估计的分辨率越高。所以如果采用经典谱估计的方法确定功率谱,由于经典谱对短数据(地震剖面数据相对于无限长的随机序列就可以理解为短数据)的频谱分辨率不高,则会导致求得的自相关函数存在较大的误差。
如果给定自相关函数构造出一个随机序列,通过数值计算表明,只有当随机序列的数据空间长度大于2000倍相关长度(相关长度是随机介质参数中的一个)时,其直接计算自相关结果与给定自相关函数的均方根误差小于3%,才能保证最优化求得的自相关函数参数的可靠性。图2示出了自相关函数的计算误差与数据长度关系的示意图,从图2中可以看出,数据长度越长,计算误差越小。
现代谱分析方法通过利用一些先验信息(或假设)来选择一个严格的可外推的数据模型,使得该数据模型可以较好地拟合实际观测到的数据样本,或者至少是实际过程的一种良好的近似。现代谱的这种数据模型观点特别有利于解决短数据长度或具有慢时变谱性质的一类过程的谱分析。
因此,在得到所有子地震剖面数据之后,利用现代谱分析方法对目标子地震剖面数据进行处理,进而得到目标子地震剖面数据的自相关函数,其中,目标子地震剖面数据为所有子地震剖面数据中的任意一个。
步骤S108,基于自相关函数确定目标子地震剖面数据的随机介质参数。
步骤S110,基于所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。
在得到目标子地震剖面数据的自相关函数之后,就可以利用上述自相关函数求解目标子地震剖面数据的随机介质参数,一般地,可以利用自相关函数最优化求解随机介质参数,主要方法有最小二乘拟合(Poppeliers,2004)、蒙特卡洛反演(Scholer,2010)和特征向量法(顾元,2013)等,下文中将对本发明实施例所采用的求解方法进行具体介绍。
利用上述方法可以将所有子地震剖面数据的随机介质参数求解出来,也即,确定出深反射地震剖面数据的随机介质参数。
本发明提供的深反射地震剖面随机介质参数确定方法,包括:获取深反射地震剖面数据;利用预设数据采样窗口对深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据;基于现代谱分析方法确定目标子地震剖面数据的自相关函数;其中,目标子地震剖面数据为所有子地震剖面数据中的任意一个;基于自相关函数确定目标子地震剖面数据的随机介质参数;基于所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。
现有技术中,在对随机介质参数进行估算时,往往直接截取随机序列的一段数据进行自相关运算,导致估算的自相关函数与实际的自相关函数存在误差,进而难以保证求解的随机介质参数的准确性。与现有技术相比,本发明提供了一种深反射地震剖面随机介质参数确定方法,在获取到深反射地震剖面数据之后,首先将其拆分成多个子地震剖面数据,然后基于现代谱分析方法确定目标子地震剖面数据的自相关函数,进而求解目标子地震剖面数据的随机介质参数,最后根据所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。本发明先将深反射地震剖面数据拆分成相对较短的数据,然后采用现代谱分析方法求解短数据的自相关函数,其计算误差远小于直接进行自相关函数计算的方法,进而使得求解得到的随机介质参数更精确,有效的缓解了现有技术中的深反射地震剖面随机介质参数确定方法存在的准确性差的技术问题。
上文中对本发明实施例提供的深反射地震剖面随机介质参数确定方法进行了简要的描述,下面对其中涉及的相关方法步骤进行具体介绍。
在一个可选的实施方式中,预设数据采样窗口包括:二维数据采样窗口。
具体的,本发明实施例选取M*N的数据采样窗口对深反射地震剖面数据进行滑动采样,分别求解每个窗口内的子地震剖面数据的自相关函数,再根据自相关函数求解随机介质参数,就可以认为该值为窗口中心的随机介质参数。
二维数据采样窗口大小只能通过试算求得,窗口越大求自相关函数理论上应该越准确;但地下结构是多变的,窗口太大相当于整个窗口内的不同参数都被平均了。降低了对了地下复杂构造的反应。
在一个可选的实施方式中,上述步骤S106,基于现代谱分析方法确定目标子地震剖面数据的自相关函数,具体包括如下步骤:
步骤S1061,利用现代谱分析方法确定第一一维数据的功率谱和第二一维数据的功率谱。
在计算目标子地震剖面数据的自相关函数时,已知目标子地震剖面数据是二维数据,且二维自相关运算非常费时,为求得较为准确的相关函数,还需要较大的计算数据。因此,本发明实施例为了提高计算效率、计算精度和计算稳定性,采用多道一维平均自相关函数来替代二维自相关函数的求取。求取一维自相关函数之前,需要先求解功率谱。
因此,在本发明实施例中,首先利用现代谱分析方法确定第一一维数据的功率谱和第二一维数据的功率谱,其中,第一一维数据为目标子地震剖面数据的所有横向一维数据中的任意一组数据,第二一维数据为目标子地震剖面数据的所有纵向一维数据中的任意一组数据,也就是说,如果二维数据采样窗口是M*N,那么目标子地震剖面数据就是M行N列的二维数据,横向一维数据为M组,纵向一维数据为N组,本步骤求得的功率谱为M+N个。
步骤S1062,将第一一维数据的功率谱进行傅里叶反变换,得到第一一维数据对应的一维自相关函数,以及,将第二一维数据的功率谱进行傅里叶反变换,得到第二一维数据对应的一维自相关函数。
在得到所有横向一维数据的功率谱和所有纵向一维数据的功率谱之后,将第一一维数据的功率谱进行傅里叶反变换,得到第一一维数据对应的一维自相关函数,同时也将第二一维数据的功率谱进行傅里叶反变换,得到第二一维数据对应的一维自相关函数,因此,本步骤执行结束,共获得M+N个一维自相关函数。
步骤S1063,基于所有横向一维数据的一维自相关函数和所有纵向一维数据的一维自相关函数确定目标子地震剖面数据的自相关函数。
也就是说,如果二维数据采样窗口是M*N,那么基于现代谱分析方法能够确定出的目标子地震剖面数据的自相关函数为M+N个一维自相关函数。
在一个可选的实施方式中,上述步骤S108,基于自相关函数确定目标子地震剖面数据的随机介质参数,具体包括如下步骤:
步骤S1081,计算所有横向一维数据的一维自相关函数的平均值,得到横向平均自相关函数,以及,计算所有纵向一维数据的一维自相关函数的平均值,得到纵向平均自相关函数。
上文中已经介绍了,为了提高计算精度和计算效率,本发明实施例采用多道一维平均自相关函数来替代二维自相关函数的求取,因此,在得到目标子地震剖面数据的M+N个一维自相关函数之后,将M个横向一维数据的一维自相关函数的平均值作为横向平均自相关函数,将N个纵向一维数据的一维自相关函数的平均值作为纵向平均自相关函数。图3示出了多道一维自相关函数与相应的平均自相关函数的示意图,图3中粗实线为多道平均值,虚线为单道自相关值。
步骤S1082,基于横向平均自相关函数确定横向自相关长度,以及,基于纵向平均自相关函数确定纵向自相关长度。
Von Karman型自相关函数是地质上常用的模型,Von Karman型自相关函数的二维表达式为:其中,a表示横向自相关长度,b表示纵向自相关长度,v表示赫斯特数,Kv表示v阶的第三类贝塞尔函数,Γ表示伽马函数。
当z=0时,此时φ(x,0)相当于相关长度为a的一维Von Karman型自相关函数。同理,x=0时,此时φ(0,z)相当于相关长度为b的一维Von Karman型自相关函数。因此,根据横向平均自相关函数即可求解横向自相关长度,根据纵向平均自相关函数即可求解横向自相关长度。
步骤S1083,基于横向自相关长度和纵向自相关长度确定随机介质参数。
在本发明实施例中,深反射地震剖面的随机介质参数包括横向自相关长度和纵向自相关长度。
在一个可选的实施方式中,上述步骤S1082,基于横向平均自相关函数确定横向自相关长度,以及,基于纵向平均自相关函数确定纵向自相关长度,具体包括如下内容:
利用最优化算法对横向平均自相关函数进行处理,得到横向自相关长度,以及,利用最优化算法对纵向平均自相关函数进行处理,得到纵向自相关长度;其中,最优化算法包括以下任一种:最小二乘拟合法,蒙特卡洛反演,特征向量法。
图4示出了多道一维自相关函数对应的平均自相关函数中轴线与二维自相关函数中轴线相比较的示意图,图4中,实线表示二维自相关函数的中轴线,虚线表示多道一维自相关函数对应的平均自相关函数的中轴线,从图4可以明显看出,平均自相关函数与二维自相关函数中轴线几乎一致,也就是说利用多道一维自相关函数求平均替代二维自相关函数的方法并不影响计算结果的准确性。
在一个可选的实施方式中,现代谱分析方法包括以下任一种:AR模型频谱法,MA模型频谱法,ARMA模型频谱法,Prony模型频谱法。
具体的,求解功率谱的现代谱分析方法可以有多种选择,本发明实施例不对其进行具体限制,可以采用AR(Autoregressive)模型频谱法求得地震剖面的功率谱,然后通过傅里叶反变换求得自相关函数。图5示出了利用AR模型频谱法与常规经典谱估计方法求解自相关函数的对比图,图5中,虚线表示AR模型频谱法求得的自相关函数,波动较大的实线为常规经典谱估计方法求得的自相关函数,较为平滑的实线为预先给定的自相关函数。
通过与其他经典谱分析方法对比,当数据长度缩短至自相关长度的25倍时,AR估算的自相关函数误差依然较小,其他方法误差已经十分巨大。证明了该方法适用于短数据自相关函数的求取,为准确的参数估计奠定了基础。
综上所述,本发明实施例提供的深反射地震剖面随机介质参数确定方法,通过将深反射地震剖面数据拆分成相对较短的数据,并利用现代谱分析方法求解短数据的自相关函数,有效地减小了自相关函数的计算误差,进而缓解了现有技术中的深反射地震剖面随机介质参数确定方法存在的准确性差的技术问题;并且本发明实施例采用多道一维平均自相关函数来替代二维自相关函数的求取,不仅提高了计算精度还提高了计算效率。
为了检验本发明方法的可靠性和纵横方向上的分辨率,发明人设计了两个随机介质模型,并采用褶积法合成地震记录剖面进行了横向随机介质参数估算。
图6(a)为三层vonkarman型随机介质速度模型示意图,平均速度分别为2000m/s、4000m/s和6000m/s,横向相关长度分别为100m、200m和300m,其余参数均相同。图6(b)为图6(a)模型的合成地震记录示意图,可以在3000ms和6000ms位置清晰看到界面反射,其余位置均是杂乱的反射。图6(c)为对合成地震剖面的相关长度估算结果示意图,通过图6(c)可看出已经很好的区分了不同相关长度的三个层位,揭示了杂乱无章的反射背后的规律。
实施例二
本发明实施例还提供了一种深反射地震剖面随机介质参数确定装置,该深反射地震剖面随机介质参数确定装置主要用于执行上述实施例一所提供的深反射地震剖面随机介质参数确定方法,以下对本发明实施例提供的深反射地震剖面随机介质参数确定装置做具体介绍。
图7是本发明实施例提供的一种深反射地震剖面随机介质参数确定装置的功能模块图,如图7所示,该装置主要包括:获取模块10,采样模块20,第一确定模块30,第二确定模块40,第三确定模块50,其中:
获取模块10,用于获取深反射地震剖面数据。
采样模块20,用于利用预设数据采样窗口对深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据。
第一确定模块30,用于基于现代谱分析方法确定目标子地震剖面数据的自相关函数;其中,目标子地震剖面数据为所有子地震剖面数据中的任意一个。
第二确定模块40,用于基于自相关函数确定目标子地震剖面数据的随机介质参数。
第三确定模块50,用于基于所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。
现有技术中,在对随机介质参数进行估算时,往往直接截取随机序列的一段数据进行自相关运算,导致估算的自相关函数与实际的自相关函数存在误差,进而难以保证求解的随机介质参数的准确性。与现有技术相比,本发明实施例提供了一种深反射地震剖面随机介质参数确定装置,在获取到深反射地震剖面数据之后,首先将其拆分成多个子地震剖面数据,然后基于现代谱分析方法确定目标子地震剖面数据的自相关函数,进而求解目标子地震剖面数据的随机介质参数,最后根据所有子地震剖面数据的随机介质参数确定深反射地震剖面数据的随机介质参数。本发明实施例先将深反射地震剖面数据拆分成相对较短的数据,然后采用现代谱分析方法求解短数据的自相关函数,其计算误差远小于直接进行自相关函数计算的方法,进而使得求解得到的随机介质参数更精确,有效的缓解了现有技术中的深反射地震剖面随机介质参数确定方法存在的准确性差的技术问题。
可选的,预设数据采样窗口包括:二维数据采样窗口。
可选的,第一确定模块30具体用于:
利用现代谱分析方法确定第一一维数据的功率谱和第二一维数据的功率谱;其中,第一一维数据为目标子地震剖面数据的所有横向一维数据中的任意一组数据,第二一维数据为目标子地震剖面数据的所有纵向一维数据中的任意一组数据。
将第一一维数据的功率谱进行傅里叶反变换,得到第一一维数据对应的一维自相关函数,以及,将第二一维数据的功率谱进行傅里叶反变换,得到第二一维数据对应的一维自相关函数。
基于所有横向一维数据的一维自相关函数和所有纵向一维数据的一维自相关函数确定目标子地震剖面数据的自相关函数。
可选的,第二确定模块40包括:
计算单元,用于计算所有横向一维数据的一维自相关函数的平均值,得到横向平均自相关函数,以及,计算所有纵向一维数据的一维自相关函数的平均值,得到纵向平均自相关函数。
第一确定单元,用于基于横向平均自相关函数确定横向自相关长度,以及,基于纵向平均自相关函数确定纵向自相关长度。
第二确定单元,用于基于横向自相关长度和纵向自相关长度确定随机介质参数。
可选的,第一确定单元具体用于:
利用最优化算法对横向平均自相关函数进行处理,得到横向自相关长度,以及,利用最优化算法对纵向平均自相关函数进行处理,得到纵向自相关长度;其中,最优化算法包括以下任一种:最小二乘拟合法,蒙特卡洛反演,特征向量法。
可选的,现代谱分析方法包括以下任一种:AR模型频谱法,MA模型频谱法,ARMA模型频谱法,Prony模型频谱法。
实施例三
参见图8,本发明实施例提供了一种电子设备,该电子设备包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种深反射地震剖面随机介质参数确定方法、装置和电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
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)
1.一种深反射地震剖面随机介质参数确定方法,其特征在于,包括:
获取深反射地震剖面数据;
利用预设数据采样窗口对所述深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据;
基于现代谱分析方法确定目标子地震剖面数据的自相关函数;其中,所述目标子地震剖面数据为所述所有子地震剖面数据中的任意一个;
基于所述自相关函数确定所述目标子地震剖面数据的随机介质参数;
基于所述所有子地震剖面数据的随机介质参数确定所述深反射地震剖面数据的随机介质参数。
2.根据权利要求1所述的方法,其特征在于,所述预设数据采样窗口包括:二维数据采样窗口。
3.根据权利要求2所述的方法,其特征在于,基于现代谱分析方法确定目标子地震剖面数据的自相关函数,包括:
利用现代谱分析方法确定第一一维数据的功率谱和第二一维数据的功率谱;其中,所述第一一维数据为所述目标子地震剖面数据的所有横向一维数据中的任意一组数据,所述第二一维数据为所述目标子地震剖面数据的所有纵向一维数据中的任意一组数据;
将所述第一一维数据的功率谱进行傅里叶反变换,得到所述第一一维数据对应的一维自相关函数,以及,将所述第二一维数据的功率谱进行傅里叶反变换,得到所述第二一维数据对应的一维自相关函数;
基于所有横向一维数据的一维自相关函数和所有纵向一维数据的一维自相关函数确定所述目标子地震剖面数据的自相关函数。
4.根据权利要求3所述的方法,其特征在于,基于所述自相关函数确定所述目标子地震剖面数据的随机介质参数,包括:
计算所有横向一维数据的一维自相关函数的平均值,得到横向平均自相关函数,以及,计算所有纵向一维数据的一维自相关函数的平均值,得到纵向平均自相关函数;
基于所述横向平均自相关函数确定横向自相关长度,以及,基于所述纵向平均自相关函数确定纵向自相关长度;
基于所述横向自相关长度和纵向自相关长度确定所述随机介质参数。
5.根据权利要求4所述的方法,其特征在于,基于所述横向平均自相关函数确定横向自相关长度,以及,基于所述纵向平均自相关函数确定纵向自相关长度,包括:
利用最优化算法对所述横向平均自相关函数进行处理,得到横向自相关长度,以及,利用所述最优化算法对所述纵向平均自相关函数进行处理,得到纵向自相关长度;其中,所述最优化算法包括以下任一种:最小二乘拟合法,蒙特卡洛反演,特征向量法。
6.根据权利要求1所述的方法,其特征在于,所述现代谱分析方法包括以下任一种:AR模型频谱法,MA模型频谱法,ARMA模型频谱法,Prony模型频谱法。
7.一种深反射地震剖面随机介质参数确定装置,其特征在于,包括:
获取模块,用于获取深反射地震剖面数据;
采样模块,用于利用预设数据采样窗口对所述深反射地震剖面数据进行滑动采样,得到所有子地震剖面数据;
第一确定模块,用于基于现代谱分析方法确定目标子地震剖面数据的自相关函数;其中,所述目标子地震剖面数据为所述所有子地震剖面数据中的任意一个;
第二确定模块,用于基于所述自相关函数确定所述目标子地震剖面数据的随机介质参数;
第三确定模块,用于基于所述所有子地震剖面数据的随机介质参数确定所述深反射地震剖面数据的随机介质参数。
8.根据权利要求7所述的装置,其特征在于,所述预设数据采样窗口包括:二维数据采样窗口。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有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6中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权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451064.5A CN112578449A (zh) | 2020-12-10 | 2020-12-10 | 深反射地震剖面随机介质参数确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451064.5A CN112578449A (zh) | 2020-12-10 | 2020-12-10 | 深反射地震剖面随机介质参数确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112578449A true CN112578449A (zh) | 2021-03-30 |
Family
ID=75131169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011451064.5A Pending CN112578449A (zh) | 2020-12-10 | 2020-12-10 | 深反射地震剖面随机介质参数确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112578449A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2324205C1 (ru) * | 2006-09-27 | 2008-05-10 | Федеральное государственное унитарное предприятие Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья | Способ обработки сейсмических данных |
US20080162093A1 (en) * | 2006-11-12 | 2008-07-03 | Philippe Nivlet | Method of constructing a geological model of a subsoil formation constrained by seismic data |
CA2730580A1 (en) * | 2010-03-22 | 2011-09-22 | Schlumberger Canada Limited | Efficient windowed radon transform |
CA3042690A1 (en) * | 2016-11-02 | 2018-05-11 | Conocophillips Company | Use nuos technology to acquire optimized 2d data |
-
2020
- 2020-12-10 CN CN202011451064.5A patent/CN112578449A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2324205C1 (ru) * | 2006-09-27 | 2008-05-10 | Федеральное государственное унитарное предприятие Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья | Способ обработки сейсмических данных |
US20080162093A1 (en) * | 2006-11-12 | 2008-07-03 | Philippe Nivlet | Method of constructing a geological model of a subsoil formation constrained by seismic data |
CA2730580A1 (en) * | 2010-03-22 | 2011-09-22 | Schlumberger Canada Limited | Efficient windowed radon transform |
CA3042690A1 (en) * | 2016-11-02 | 2018-05-11 | Conocophillips Company | Use nuos technology to acquire optimized 2d data |
Non-Patent Citations (4)
Title |
---|
吴水才: "《医学信号处理及应用》", 31 August 2014, 北京工业大学出版社 * |
杨修伟,朱培民,毛宁波等: "基于FFT-MA的随机介质建模方法", 《地球物理学报》 * |
顾元,朱培民,李辉等: "二维叠后地震数据的平稳随机介质参数估计", 《地球物理学报》 * |
顾元: "三维非平稳随机介质建模与参数估计", 《中国博士学位论文全文数据库基础科学辑(月刊)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10496515B2 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
Artyushenko et al. | Statistical characteristics of envelope outliers duration of non-Gaussian information processes | |
Lashermes et al. | Wavelet leader based multifractal analysis | |
CN113640872B (zh) | 绕射波分离方法、装置和电子设备 | |
Moré et al. | Do you trust derivatives or differences? | |
CN107367640B (zh) | 基于相位信息的非均匀包络未知脉冲边沿估计方法及设备 | |
CN111413741A (zh) | 一种砂岩型铀矿资源量计算方法和装置 | |
CN112578449A (zh) | 深反射地震剖面随机介质参数确定方法、装置和电子设备 | |
CN115616659B (zh) | 微地震事件的类型确定方法、装置和电子设备 | |
EP2863319A1 (en) | Data sampling method and data sampling device | |
CN111830481A (zh) | 雷达回波单分量幅度分布模型参数估计方法及装置 | |
Haskard et al. | A linear mixed model, with non-stationary mean and covariance, for soil potassium based on gamma radiometry | |
CN113945987B (zh) | 病害地质体检测的方法、装置及电子设备 | |
Borovkov et al. | The computational approaches to calculate normal distributions on the rotation group | |
CN114859418A (zh) | 河道砂储层识别方法、装置和电子设备 | |
CN115101135A (zh) | 岩石物理参数敏感度分析方法及装置 | |
Bogusz et al. | Investigation of long-range dependencies in the stochastic part of daily GPS solutions | |
CN113190985A (zh) | 一种分层异质区域内数据误差的分析方法及系统 | |
CN113608261B (zh) | 绕射波成像方法、装置和电子设备 | |
CN113722917A (zh) | 基于垂直剖面上裂变径迹长度分布的热史模拟方法及系统 | |
CN117910883B (zh) | 测井数据质量检测方法、装置、计算设备及存储介质 | |
CN113075156B (zh) | 碳酸盐矿物成分的定量方法、装置及设备、存储介质 | |
CN113570726B (zh) | 多电扣随钻电成像图像生成方法、装置及计算设备 | |
Inyang et al. | Calibration Approach Product Type Estimators of Population Mean in Stratified Sampling with Single Constraint: A Comparison of Three Distance Measures | |
CN113391373B (zh) | 一种杨氏模量的计算方法、装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |
|
RJ01 | Rejection of invention patent application after publication |