CN112764103A - 一种基于稀疏编码特征dbscan聚类地震相分析方法 - Google Patents
一种基于稀疏编码特征dbscan聚类地震相分析方法 Download PDFInfo
- Publication number
- CN112764103A CN112764103A CN202010655675.5A CN202010655675A CN112764103A CN 112764103 A CN112764103 A CN 112764103A CN 202010655675 A CN202010655675 A CN 202010655675A CN 112764103 A CN112764103 A CN 112764103A
- Authority
- CN
- China
- Prior art keywords
- seismic
- facies
- analysis
- data
- dbscan
- 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
- 208000035126 Facies Diseases 0.000 title claims abstract description 75
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 13
- 238000007621 cluster analysis Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 9
- 230000009467 reduction Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 37
- 239000004576 sand Substances 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 16
- 238000011160 research Methods 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 9
- 230000008021 deposition Effects 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 235000015076 Shorea robusta Nutrition 0.000 description 1
- 244000166071 Shorea robusta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- 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
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
本发明公开了一种基于稀疏编码特征DBSCAN聚类地震相分析方法,该方法包括如下步骤:均匀分割的形成地层切片,基于地层切片,提取地震波形信息,利用稀疏编码方法对实际地震资料进行有效处理,对所获地震数据进行标准化和归一化,完成目标层地震波形数据的空间聚类分析,并形成相应的地震相图。本发明提供了一种高可靠性的目标层地震波形的提取方法,相比于传统的沿层按固定时窗提取具有更高的精度和明确地质含义;用于地震数据的有效降维处理,以及为特征提取工作奠定基础,更适合大数据的分析和应用,可提升聚类分析的效果,不需要事先知道要形成的簇类的数量,并且能够识别出噪声点,提高聚类分析的精度。
Description
技术领域
本发明涉及一种地震相分析方法,尤其涉及一种基于稀疏编码特征 DBSCAN聚类地震相分析方法。
背景技术
随着油气勘探开发复杂程度的增加和地震解释技术的日趋成熟,地震油气预测技术正朝着精细和实用的方向发展,这就要求人们不断地提高认识水平,用科学的方法来了解和掌握油气存在的未知状况,从现有的地球物理、地质、油藏开发等地震资料中提取和挖掘出更多新的信息来进行油气的预测研究。目前最有效的地震资料解释方法之一就是地震相分析。地震相分析是地震信号处理的一个重要应用,地震相分析是根据地震信号的不同模式对地下储层,岩石构造进行探测,而对信号进行分类是其中的关键技术。通过将地震采集获取的信号划分为不同的类别,可以实现对地层属性构造的分析,从而更利于油气的勘探。
地震相分析的方法就是通过在划分地震层序的基础上,利用各种地震参数之间的差别以及参数之间的关系,将地震层序划分为不同的区域,然后再进行推断地质结构。地震相分析中应考虑的参数有:反射振幅、主反射频率、反射极性、层速度、反射连续性、反射结构、反射丰度、地震相单元几何、与其它单元的关系。地震数据就是首先通过地表检波器接收到反射信号,然后将地震信号的细微变化和地下结构信息进行映射,该操作可以通过信号分类技术来完成,所示采集到的地震波形。地震相数据的解释可以是直接的,也可以是间接的。直接解释的目的是找出引起地震相单元地震特征的地质原因。所以,直接解释可能旨在预测岩性、孔隙度、流体含量,相对年龄,超压页岩、类型分层,对应的地震相单元及其地质背景地质体几何。间接解释的目的是得出一些关于沉积过程和环境、沉积物搬运方向和地质演化(海侵、消退、沉降、隆起、侵蚀)方面的结论。除了提供地震相分类,地震信号分类还可以通过同时评估瞬时属性,相似性及声阻抗的和AVO多属性分析相结合来更好地表达地下信息。地震相分析结果可在地震相剖面和地震相图上显示。根据该区现有的地震资料和地质条件,地震相图可能有不同的类型,如显示不同地震相单元分布的一般地震相图、砂泥岩比图、交错层理方向图和古迁移图等。
传统的地震波运动学常以人的视觉为基础提取几何特征参数进行地震相的识别,其结果因人而异,因此精度不高,满足不了目前油田储层预测的要求。那么地震多属性综合应用技术自然成了地震勘探重要手段。地震多属性综合应用分析技术可以从地震数据中提取多种有用的信息。以这些信息为基础的技术以广泛应用于储层预测、油气藏动态监测、油气藏特征描述等领域,并取得了很好的效果。正如Sheriff(1982)所说“地震相是由沉积环境(如海或陆相)所形成的地震特征”。地震相是由特定地震反射参数所限定的三维空间中的地震反射单元,它是特定沉积相或地质体的地震响应。其常用的地震参数(如反射结构、振幅、连续性、频率和层速度)与相邻单元不同,它代表产生其反射沉积物的一定岩性组合、层理和沉积特征。因此,地震相是地下地质体的一个综合反映。
传统的地震相划分主要利用单属性(参数)定性定量分析:停留在简单的地震地层划分和以振幅、频率、连续性等地震波形特征划分沉积相方法上,是人工方法通过肉眼对地震剖面上的反射特征进行观察和描述。其主要根据地震相的一些主要常用标志如振幅、视频率、连续性等,地震反射结构和地震相单元外形和几何属性去定性划分地震相。
发明内容
本发明的目的在于提供一种基于稀疏编码特征DBSCAN聚类地震相分析方法,解决现有技术存在的缺憾。
本发明采用如下技术方案实现:
一种基于稀疏编码特征DBSCAN聚类地震相分析方法,其特征在于,该方法包括如下步骤:
(1)基于地震沉积学原理,沿目标层顶底界均匀分割的形成地层切片;
(2)基于地层切片,提取能够表达真实目标层储层特征变化地震波形信息;
(3)利用基于KSVD字典学习算法的稀疏编码方法对实际地震资料进行有效处理,重点是降低地震信号中维度,去除噪声,提高信噪比,同时提高计算效率;
(4)对所获地震数据进行标准化和归一化,以消除不同属性特征参量突变造成的影响;
(5)利用基于密度的聚类方法,完成目标层地震波形数据的空间聚类分析,并形成相应的地震相图。
进一步的,在步骤5)中,利用基于密度的DBSCAN聚类算法,完成目标层地震波形数据的空间聚类分析,并形成相应的地震相图。
本发明的有益技术效果是:
1、本发明提供了一种高可靠性的目标层地震波形的提取方法,即基于地震沉积学地层切片方法的地震波形提取方法,相比于传统的沿层按固定时窗提取具有更高的精度和明确地质含义;
2、本发明提供一种基于KSVD字典学习算法的稀疏编码方法,用于地震数据的有效降维处理,以及为特征提取工作奠定基础;
3、本发明提供的算法是基于机器学习的聚类分析算法,更适合大数据的分析和应用,通过对地震数据的标准化和归一化,可提升聚类分析的效果;
4、本发明所述的算法与通常所用的K-means、SVM、神经网络等方法相比,DBSCAN不需要事先知道要形成的簇类的数量;
5、本发明与K-means、SVM、神经网络方法相比,DBSCAN可以发现任意形状的簇类,并且DBSCAN能够识别出噪声点,提高聚类分析的精度。
附图说明
图1是本发明基于地层切片提取目标层波形特征并进行DBSCAN波形聚类分析的流程图。
图2为物理模型采集示意图,水深:水层高(北)150mm,水层高(南) 150mm;模型高(北)115mm,模型高(南)115mm。
图3为模型砂体空间展布图。
图4为实际模型的垂直切面及砂体厚度分布图。
图5为不同层砂体的平面展布图。
图6是实际观测的物理模型数据经过时间偏移处理获得的地震剖面及解释层位和地层切片。
图7为沿目标层提取的沿层波形特征图。
图8为利用地层切片结合均方根振幅属性提取得到的地震相划分图。
图9为利用地层切片结合DBSCAN波形聚类分析技术得到的地震相划分图。
图10是在横向上可分辨两个地质体之间的最小水平距离(Fresnel 带)。
图11是菲涅耳带示意图中OR0O的传播时间最短路径。
图12是三种切片(地层切片、时间切片、沿层切片)的对比。
图13是DBSCAN密度聚类示意图。
具体实施方式
通过下面对实施例的描述,将更加有助于公众理解本发明,但不能也不应当将申请人所给出的具体的实施例视为对本发明技术方案的限制,任何对部件或技术特征的定义进行改变和/或对整体结构作形式的而非实质的变换都应视为本发明的技术方案所限定的保护范围。
所谓地震相分析就是根据地震反射资料解释沉积相,其主要是根据一系列地震反射参数,按一定程序对地震相单元进行识别和作图,并解释这些地震相所代表的沉积相及沉积体系。但由于地震数据本身有限和存在误差,地震属性应用中依然广泛存在不确定性和多解性。随着地震技术的不断发展,利用稀疏编码方法从地震数据中提取丰富的地震属性参数,再利用DNSCAN进行地震多属性聚类分析,能在一定程度上减少地震解释的多解性。
稀疏编码(coding-Sparse)是一种经典的无监督特征提取技术,用于寻找数据最简洁的表示方法。稀疏编码已广泛应用于信号处理和数值优化等领域,在人工智能、计算机视觉和模式识别等方面获得了长足的发展。在地震信号处理领域,稀疏性可以作为先验信息来促进线性反演问题的求解,因此已在地震数据特征提取、噪声压制、不规则及缺失数据重构、反褶积、偏移成像、面波压制等方面得到广泛应用。
稀疏编码对地震数据进行处理主要有以下几个优势:(1)稀疏编码中的压缩感知数据重构理论指出假设信号满足稀疏性,即使以远小于 Nyquist频率的采样率对信号进行压缩处理,也有可能精确重构出原始信号。这可以降低数据采集高额的成本,采集时用一组感知基去对信号进行抽象,在后续的数据处理中使用少量观测数据就可以实现信号的高分辨率重建。(2)使用较少的样本数据,也可以提高后续的数据处理速度,这为高效且可靠地处理大量地震数据提供了可能。(3)稀疏编码理论已成功应用于图像处理领域的各个方面,在图像特征提取、去噪、重建等方面取得了较好的效果。那么,对于数据构成和特征相似、严格带限的地震信号,这方面的方法也同样适用。
地震信号的数据量大、维数高,包含了较多的噪声信息,利用基于 KSVD字典学习算法的稀疏编码技术,可以有效降低地震信号维度、提高信噪比,为进一步特征提取奠定基础。DBSBCAN是一种比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据中发现任意形状的聚类,减小地震波形聚类的多解性,提高地震相划分的精度。
基于稀疏编码的数据表示方法具有强大的信号处理和特征提取能力。将稀疏编码运用到地震数据处理中来是一个开创性的思路,打开了地震信号处理领域的一个新局面。随着计算机等相关技术的发展,利用波形分类,再辅以振幅、相位等多地震属性的综合分析,日渐成为主要手段。现阶段多属性(参数)交叉分析:用多属性(参数)使用神经网络、聚类分析、构造属性、遗传算法、支持向量机(SVM)等一种或几种方法结合起来,相互验证,以提高地震相分析的可靠性。
本实施例将图5是模型设计时不同层砂体的展布,也可以看成是一种相分布,利用本技术得到的结果与传统方法得到的结果对比图如图8 (现有技术)和图9(本发明)所示。地质模型是基于经抽象化改造后设计的砂体形态模型(见图3),主要模拟三个油层、六小段的砂体的空间叠置,七层不同的砂体模式如:菱形砂体、哑铃状砂体、肠状砂体、朵状砂体、肾状砂体及指状砂体等,各个砂体在空间位置上叠置,砂体厚度很薄且均不同。模型按1:10000的空间比例制作,即实际的地质体是模型的10000倍。整个模型的模拟为8000×6400m2,150m内设计了七层薄砂体,每层厚10-15m,且每一层的砂体展布各不相同,有蛇形、朵形、指形、肾形、肠形、哑铃形及菱形等。实际模拟地质模型中有7层地层,砂体是三维形态,整个模型也是三维模型,实际模拟地质区域为8000m ×6400m×2200m。基层速度为2800m/s左右,砂层速度为2700m/s左右,泥层速度约为2400m/s左右。表1给出了各地层的速度和密度参数。图3 给出了砂体空间形态视图。图4给出了模型中线砂体厚度剖面。图6是对观测数据进行偏移处理后的某条剖面及在剖面上解释的层位旅行时和地层切片,图7是沿层提取的波形特征,图8是用传统地层切片技术进行的地震相划分,图9是用本方法基于地层切片概念提取的信息进行的地震相划分,从划分效果上看,本发明能够表现更多的相变细节,对不同厚度的地层可以划分出不同的类型。上述结果说明在基于地层切片分析的基础上,加入DBSCAN聚类分析技术,提高了地震相划分精度,从而验证了本技术方案对于提升地震相划分精度的有效性。
表1模型各层速度参数
Brown等(1981)首先阐明通过三维地震的水平地震成像可以产生高分辨率的沉积相图像。荷兰沉积学家Wolfgang Schlager指出,三维地震提供了研究古代沉积形态平面展布的简单方法,并将密西西比河三角洲的航拍照片与古代沉积在地震切片上的响应进行对比。自20世纪90年代起,大量研究证实地震地貌学是沉积成像研究的有力工具。地震地貌成像是沿沉积界面(地质时间界面)提取振幅,反映地震工区内沉积体系的展布范围。这样的地震切片称为地层切片,这与1996年Posamentier 提出的等比例切片比较类似。1998年,曾洪流等在Geophysics上连续发表两篇有关地层切片的文章,第1篇文章主要介绍了方法和理论模型研究;第2篇文章是实际地震资料的解释与应用。这两篇文章发表以后,在2001年,曾洪流等先后在“The Leading Edge”上又发表了几篇文章,并在当年The leading Edge第11期上发表的文章中使用了“地震沉积学”这个名称。从此,越来越多的人开始认识地震沉积学。2005年2月,地震沉积学国际会议在休斯敦召开,地震沉积学越来越受到人们的关注标志着这门新学科的发展进入了一个新的阶段。
利用地层切片识别沉积相的关键有两个,一是通过单井沉积相来标定地震相,建立二者的联系;二是由单井相推断研究区沉积环境,并建立此沉积环境下的一般沉积相模式,在沉积相模式的指导下将地震振幅的平面响应转化成沉积相的平面展布。曾洪流等在Tiger沿岸地区 Vermilion 50区块做的地层切片,利用研究区内三口井井点位置的沉积相与地震振幅的关系建立起沉积相与地震相的对应关系,通过这种标定在切片中清楚地识别出了中新统上部三角洲沉积体系的平面展布。
Zeng Hongliu等人以美国德州Powder horn Field为例,由已知110多口井的地质、地球物理资料,根据沉积相与储层描述理论以及地球物理声学特性,模拟出构造面积近120km2的岩性空间变化,以及与沉积相分析结果相匹配的复杂三维多层介质地质模型,应用切片技术沿地震同相轴提取“等时”数据与实际地层界面对比,提取地震波振幅响应及波阻抗信息与地层的岩性变化进行比较,对切片的等时问题及地震属性随岩性的变化等问题进行了系统的研究,认为不恰当的切片应用方法会产生时间穿时现象,根据这样的等时界面提取的地震属性解释岩性等将会导致错误的结论。
本发明是在研究了以下问题的基础之上提出的:
1)时间切片是沿某一固定地震旅行时对地震数据体进行切片显示,切片方向是沿垂直于时间轴的方向,即沿着或平行于追踪地震同相轴所得的层位进行切片;沿层切片是沿某一个没有极性变化的反射界面的切片,即沿着或平行于追踪地震同向轴所得的层位进行的切片,它更倾向于具有地球物理意义。
2)地层切片技术就是以追踪的两个等时沉积界面为顶、底,在顶、底间等比例地内插出一系列的层位,再沿这些内插出的层位逐一生成切片。地层切片技术考虑了沉积速率随平面位置的变化,比时间切片和沿层切片更加合理而且更接近于等时沉积界面。
3)基于地层切片的传统的振幅属性分析,不能准确反映储层的横向变化,对储层特征的细微变化信息反应不全面;
4)本发明基于地层切片的理论,利用稀疏编码方法,结合DBSCAN 波形聚类分析,可以更精细的反映储层的横向变化,对储层特征的细微变化信息反应全面。本发明首先利用叠前时间偏移数据,在断面波归位,绕射波收敛的基础上,通过构造精细解释,结合地层切片技术,将构造顶底的目标层划分成不同沉积特征的地层切片,基于地层切片按一定的时窗(5、7、9、11、15、21样点数)提取表达地层特征变化的波形特征向量,利用基于KSVD字典学习的稀疏编码方法,对地震数据进行有效降维处理,再利用DBSCAN波形聚类分析算法,获得表达地震相分布的聚类分析结果。
如图1所示,为本发明实施例开展基于地层切片的DBSCAN波形聚类地震相划分的流程,具体包括如下:
1-1、对地震数据进行必要的处理,对于常规处理来说,很小的时移和噪声不会影响叠加效果,但是对于波形特征聚类分析处理而言,它将对波形聚类的结果造成较大的误差,从而导致聚类分析进行地震相划分时出现错误。
1-2、利用地层切片技术,在叠前偏移数据体上,将解释的构造顶底界面作为约束,计算出按比例分割的地层切片。
1-3、利用地层切片,结合目的层位置,选择合适的时窗,提取沿层波形特征向量,截取相应的地震数据,利用稀疏编码方法进行降维去噪处理,在此基础上,基于无监督机器学习的DBSCAN波形聚类分析,实现地震信号的波形聚类,基于聚类分析结果,解释地震相的分布。
本发明主要针对以现代沉积学和地球物理学为理论基础,利用三维地震资料,经过层序地层、地层切片和地震属性分析,研究地层岩性宏观特征、沉积结构,确定储层岩性、储层空间形态和储层质量,研究沉积岩性、沉积体几何形态以及储层质量是地层切片的理论基础。
由于地震垂向分辨率的局限,小于1/4波长的地质体无法在剖面上得以识别。但一般沉积体系都具有宽度远远大于厚度这一特征(Galloway, 1983),这种特征会影响到地层的地震响应,使之所产生的波形特征存在差异,因而利用属性等技术,是可以在平面空间上勾勒出地质体的分布的。这就是说,利用地震垂向分辨率难以确定的薄层砂体,可以利用地震水平分辨率来确定,即地球物理学中“菲涅耳带”的概念。
地震勘探分辨率包括垂直分辨率和水平分辨率,只有垂直分辨率和水平分辨率都提高了,地震勘探的精度才提高了。垂直分辨率是指可分辨垂向地层厚度的时间。两个振幅相同、极性相反的尖脉冲间距趋近于四分之一波长时,两者相长干涉,而不能分辨。随着埋深加大,波长加长,分辨率降低。水平分辨率是指利用地震资料,在横向上可分辨两个地质体之间的最小水平距离(Fresnel带)(图10)。根据物理地震学观点,地面检波点接收到的反射信号不是来自一个点,而是来自一个面上的所有绕射波叠加的结果(图11)。
图11中OR0O是传播时间最短的路径,OR1O的传播时间比最短传播时间大T/2,在这个圆内到达反射面的各个子波都是同向相加,能量比较强,这个半径为R0R1的圆的范围称为第一菲涅耳,R0R1称为第一菲涅耳带;该图中OR2O的传播时间比OR0O大1T,这个圆与通过R1的圆之间的环形区称为第二菲涅耳带,R0R2为第二菲涅耳带半径;第二菲涅耳带中各点对应的传播时间与最短传播时间之差在T/2与1T之间,以此类推,传播时间与最短时间之差在1T与3T/2之间的各点属于第三菲涅耳带,R0R3为第三菲涅耳带半径。小于菲涅耳带记录到的反射波不可分辨,大于这个范围反射波才可分辨。影响分辨率的因素:(1)地震子波延续时间和相位:具有相同振幅谱的各种子波中,零相位子波的分辨率最高;在同样频带内,混合相位子波的最小相位子波分辨率都不高。(2)记录仪器设备和观测系统:检波器、记录仪器设备、采样间隔、记录道数、覆盖次数和震源等都影响地震记录的分辨率。(3)影响分辨率的地质因素,如岩石的吸收作用、层间多次反射和表层低速层的影响等。
一、地层切片技术
切片的分类:
从沉积面(地质时代界面)上所提取的地震振幅能表示整个地震探区中某沉积体系的总体延伸,这种地震界面显示被称为地层切片。地层切片能很容易地拾取振幅型或结构异常型沉积体系,如现代海底峡谷和盆地扇、嵌入厚层页岩的河道、天然堤体系、硅质碎屑岩系内的薄灰岩层,这些部位的等时地震异常容易识别和追踪。但在一个地震异常极少的三维地震数据中要拾取地层切片,难度较大。目前使用的切片方法主要有三种:时间切片、沿层切片和地层切片。
1、时间切片:时间切片是沿某一固定地震旅行时对地震数据体进行切片显示,切片方向是沿垂直于时间轴的方向,即沿着或平行于追踪地震同相轴所得的层位进行切片。
2、沿层切片:沿层切片是沿某一个没有极性变化的反射界面的切片,即沿着或平行于追踪地震同向轴所得的层位进行的切片,它更倾向于具有地球物理意义。
3、地层切片:地层切片则是以追踪的两个等时沉积界面为顶底,在顶底间按线性比例内插出一系列的层位,沿这些内插出的层位逐一生成切片。这种方法产生的切片能容易地拾取振幅型或结构异常型沉积体系,特别是对河流、三角洲砂体的识别吻合性较高。地层切片技术考虑了沉积速率随平面位置的变化,比时间切片和沿层切片更加合理而且更接近于等时沉积界面。
二、三种切片的对比:
假如地层是席状且平卧的,时间切片就足够了;假如地层是席状但并非平卧状态,则沿层切片更合适;假如地层既不是席状的也不呈平卧状,则必须选地层切片。地层切片比时间切片和沿层切片更接近于地质时间界面,如图12。
图12中三种切片的对比:(a)时间切片穿过倾斜的标准时间界面。(b) 沿层切片在横向厚度变化时,穿过另一个标准时间界面。(C)地层切片与两个标准时间界面的倾向大体一致。
油气勘探开发的地震解释实践证明,地震属性的时间切片可以辅助地层岩性解释和沉积相的解释,但存在很大的局限性,并且应用条件十分苛刻,一般情况下,实际地震数据几乎难于满足要求。沿层切片在某些情况下贴近于真实的属性提取方式,这种方式除了图12中表示的平行于顶界面的方式,还有平行于底界面的方式,这种提取属性切片的方式与三维地质建模过程中定义层间地层产状的方式相近。如果,我们在层序地层学解释过程中仅仅解释了层序边界这样一些主要地质界面,那么,年代地层框架的精度(等时界面的时间跨度)就不能满足生成地层切片的需要。但是,沿层切片仍然是属性切片的主要手段。
地层切片的优势在于对目的层段进行精细的沉积研究,其技术关键并不是生成地层切片体,而是如何建立年代地层的框架模型。在建立年代地层框架的过程中,需要确定选择哪些地质等时界面进行拾取和追踪;在等时界面的解释过程中,始终不要忘记复杂的地质特征(断层、上超、下超、底超和角度不整合等)的定义;对于构造和地层关系越复杂的地区,越需要在年代地层框架模型中加入更多的等时界面。换句话说,就是“只有在年代地层框架模型包括了所有沉积控制作用的地质等时界面的情况下,才能使用地层切片提取”。根据地层切片的定义,结合高分辨率层序地层学的相关理论,我们认为同一地质时期沉积的地层厚度的变化往往与沉积物体积分配作用和相分异作用有关,而地震沉积学正是研究地层的沉积演化规律的,所以,遵循这个规律提取的地层切片体对地震沉积学研究至关重要。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法,和 K-Means,BIRCH这些一般只适用于凸样本集的聚类相比,DBSCAN既可以适用于凸样本集,也可以适用于非凸样本集。下面我们就对DBSCAN 算法的原理做一个总结。
(1)密度聚类的基本原理:
DBSCAN是一种基于密度的聚类算法,这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本,他们之间的紧密相连的,也就是说,在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类,这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别,则我们就得到了最终的所有聚类类别结果。
(2)DBSCAN密度定义:
DBSCAN是如何描述密度聚类的呢?DBSCAN是基于一组邻域来描述样本集的紧密程度的,参数(ε,MinPts)用来描述邻域的样本分布紧密程度。其中,ε描述了某一样本的邻域距离阈值,MinPts描述了某一样本的距离为ε的邻域中样本个数的阈值。
假设我的样本集是D=(x1,x2,...,xm),则DBSCAN具体的密度描述定义如下:
1)ε-邻域:xj∈D,其ε-邻域包含样本集D中与xj的距离不大于ε的子样本集,即Nε(xj)={xi∈D{xi∈D|distance(xi,xj)≤ε},这个子样本集的个数记为|Nε(xj)|;
2)核心对象:对于任一样本xj∈D,如果其ε-邻域对应的Nε(xj)至少包含MinPts个样本,即如果|Nε(xj)|≥MinPts,则xj是核心对象。
3)密度直达:如果xi位于xj的ε-邻域中,且xj是核心对象,则称xi由 xj密度直达。注意反之不一定成立,即此时不能说xj由xi密度直达,除非且xi也是核心对象。
4)密度可达:对于xi和xj,如果存在样本样本序列p4,p2…pT,满足p4= xi,pT=xj,且由pT+4由pT密度直达,则称xj由xi密度可达。也就是说,密度可达满足传递性。此时序列中的传递样本p4,p2…pT-4均为核心对象,因为只有核心对象才能使其他样本密度直达。注意密度可达也不满足对称性,这个可以由密度直达的不对称性得出。
5)密度相连:对于xi和xj,如果存在核心对象样本xk,使xi和xj均由xk密度可达,则称xi和xj密度相连。注意密度相连关系是满足对称性的。
从图13中可以很容易看出理解上述定义,图中MinPts=5,灰色的点都是核心对象,因为其ε-邻域至少有5个样本。黑色的样本是非核心对象。所有核心对象密度直达的样本在以灰色核心对象为中心的超球体内,如果不在超球体内,则不能密度直达。图中用箭头连起来的核心对象组成了密度可达的样本序列,在这些密度可达的样本序列的ε-邻域内所有的样本相互都是密度相连的。
(3)DBSCAN密度聚类思想
DBSCAN的聚类定义很简单:由密度可达关系导出的最大密度相连的样本集合,即为我们最终聚类的一个类别,或者说一个簇。这个 DBSCAN的簇里面可以有一个或者多个核心对象。如果只有一个核心对象,则簇里其他的非核心对象样本都在这个核心对象的ε-邻域里;如果有多个核心对象,则簇里的任意一个核心对象的ε-邻域中一定有一个其他的核心对象,否则这两个核心对象无法密度可达。这些核心对象的ε-邻域里所有的样本的集合组成的一个DBSCAN聚类簇。
那么怎么才能找到这样的簇样本集合呢?DBSCAN使用的方法很简单,它任意选择一个没有类别的核心对象作为种子,然后找到所有这个核心对象能够密度可达的样本集合,即为一个聚类簇。接着继续选择另一个没有类别的核心对象去寻找密度可达的样本集合,这样就得到另一个聚类簇。一直运行到所有核心对象都有类别为止。基本上这就是DBSCAN算法的主要内容了,但是我们还是有三个问题没有考虑:
第一个是一些异常样本点或者说少量游离于簇外的样本点,这些点不在任何一个核心对象在周围,在DBSCAN中,我们一般将这些样本点标记为噪音点。
第二个是距离的度量问题,即如何计算某样本和核心对象样本的距离。在DBSCAN中,一般采用最近邻思想,采用某一种距离度量来衡量样本距离,比如欧式距离。这和KNN分类算法的最近邻思想完全相同。对应少量的样本,寻找最近邻可以直接去计算所有样本的距离,如果样本量较大,则一般采用KD树或者球树来快速的搜索最近邻。
第三种问题比较特殊,某些样本可能到两个核心对象的距离都小于ε,但是这两个核心对象由于不是密度直达,又不属于同一个聚类簇,那么如果界定这个样本的类别呢?一般来说,此时DBSCAN采用先来后到,先进行聚类的类别簇会标记这个样本为它的类别。也就是说DBSCAN的算法不是完全稳定的算法。
(4)DBSCAN聚类算法
本发明主要以现代沉积学和地球物理学为理论基础,利用三维地震资料,经过层序地层、地层切片、稀疏编码处理、地震属性分析,研究地层岩性宏观特征、沉积结构,确定储层岩性、储层空间形态和储层质量,研究沉积岩性、沉积体几何形态以及储层质量是地层切片的理论基础。在前期精细地震资料处理和构造格架层位解释的基础上,结合地震沉积学原理,引入地层切片技术,在此基础上,沿目标层的地层切片,利用基于KSVD字典学习算法的稀疏编码进行降维去噪处理,提取相应的地震波形特征向量,然后基于无监督机器学习的DBSCAN波形聚类分析算法,将沿层波形特征向量进行聚类分析,进而开展地震相划分和解释工作。和传统的基于均方根振幅属性地震相划分技术相比,本方法基于波形变化来描述地震相的划分,从而综合考虑了振幅、频率、相位等综合因素变化对地震相变的影响,具有更高的分类精度,分类也更加符合地质规律,模型数据试验充分的验证了本发明所述技术方案的有效性和可行性。
当然,本发明还可以有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可以根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种基于稀疏编码特征DBSCAN聚类地震相分析方法,其特征在于,该方法包括如下步骤:
(1)基于地震沉积学原理,沿目标层顶底界均匀分割的形成地层切片;
(2)基于地层切片,提取能够表达真实目标层储层特征变化地震波形信息;
(3)利用基于KSVD字典学习算法的稀疏编码方法对实际地震资料进行有效处理,重点是降低地震信号中维度,去除噪声,提高信噪比,同时提高计算效率;
(4)对所获地震数据进行标准化和归一化,以消除不同属性特征参量突变造成的影响;
(5)利用基于密度的聚类方法,完成目标层地震波形数据的空间聚类分析,并形成相应的地震相图。
2.根据权利要求1所述的基于稀疏编码特征DBSCAN聚类地震相分析方法,其特征在于,在步骤5)中,利用基于密度的DBSCAN聚类算法,完成目标层地震波形数据的空间聚类分析,并形成相应的地震相图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010655675.5A CN112764103A (zh) | 2020-07-09 | 2020-07-09 | 一种基于稀疏编码特征dbscan聚类地震相分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010655675.5A CN112764103A (zh) | 2020-07-09 | 2020-07-09 | 一种基于稀疏编码特征dbscan聚类地震相分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112764103A true CN112764103A (zh) | 2021-05-07 |
Family
ID=75693027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010655675.5A Pending CN112764103A (zh) | 2020-07-09 | 2020-07-09 | 一种基于稀疏编码特征dbscan聚类地震相分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112764103A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657125A (zh) * | 2022-11-09 | 2023-01-31 | 河北地质大学 | 地震数据重建与去噪的方法、装置和电子设备 |
CN115826039A (zh) * | 2022-11-09 | 2023-03-21 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106707335A (zh) * | 2017-03-15 | 2017-05-24 | 中国石油化工股份有限公司胜利油田分公司勘探开发研究院西部分院 | 一种叠后地震信号波形分类方法 |
US20170192115A1 (en) * | 2015-12-30 | 2017-07-06 | Yulia BAKER | Clustering Algorithm For Geoscience Data Fusion |
US20190064378A1 (en) * | 2017-08-25 | 2019-02-28 | Wei D. LIU | Automated Seismic Interpretation Using Fully Convolutional Neural Networks |
CN110231652A (zh) * | 2019-06-03 | 2019-09-13 | 中国海洋石油集团有限公司 | 一种基于密度的含噪声应用空间聚类的地震相提取方法 |
CN110646846A (zh) * | 2019-09-26 | 2020-01-03 | 中国石油大学(北京) | Vit介质各向异性参数确定方法、装置和设备 |
CN111275052A (zh) * | 2020-01-13 | 2020-06-12 | 南京林业大学 | 基于多层次聚合特征提取与融合的点云分类方法 |
-
2020
- 2020-07-09 CN CN202010655675.5A patent/CN112764103A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170192115A1 (en) * | 2015-12-30 | 2017-07-06 | Yulia BAKER | Clustering Algorithm For Geoscience Data Fusion |
CN106707335A (zh) * | 2017-03-15 | 2017-05-24 | 中国石油化工股份有限公司胜利油田分公司勘探开发研究院西部分院 | 一种叠后地震信号波形分类方法 |
US20190064378A1 (en) * | 2017-08-25 | 2019-02-28 | Wei D. LIU | Automated Seismic Interpretation Using Fully Convolutional Neural Networks |
CN110231652A (zh) * | 2019-06-03 | 2019-09-13 | 中国海洋石油集团有限公司 | 一种基于密度的含噪声应用空间聚类的地震相提取方法 |
CN110646846A (zh) * | 2019-09-26 | 2020-01-03 | 中国石油大学(北京) | Vit介质各向异性参数确定方法、装置和设备 |
CN111275052A (zh) * | 2020-01-13 | 2020-06-12 | 南京林业大学 | 基于多层次聚合特征提取与融合的点云分类方法 |
Non-Patent Citations (1)
Title |
---|
张岩;任伟建;唐国维;: "应用结构聚类字典学习压制地震数据随机噪声", 石油地球物理勘探, no. 06, pages 1119 - 1128 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657125A (zh) * | 2022-11-09 | 2023-01-31 | 河北地质大学 | 地震数据重建与去噪的方法、装置和电子设备 |
CN115826039A (zh) * | 2022-11-09 | 2023-03-21 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
CN115826039B (zh) * | 2022-11-09 | 2023-07-14 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
CN115657125B (zh) * | 2022-11-09 | 2024-03-26 | 河北地质大学 | 地震数据重建与去噪的方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wrona et al. | Seismic facies analysis using machine learning | |
Coléou et al. | Unsupervised seismic facies classification: A review and comparison of techniques and implementation | |
Brown | Interpretation of three-dimensional seismic data | |
CN110231652B (zh) | 一种基于密度的含噪声应用空间聚类的地震相提取方法 | |
CN102053270B (zh) | 一种基于沉积地层单元的地震相分析方法 | |
Liu et al. | Multiple-point simulation integrating wells, three-dimensional seismic data, and geology | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
Xu et al. | Seismic facies analysis: Past, present and future | |
Zahmatkesh et al. | Estimating Vsand and reservoir properties from seismic attributes and acoustic impedance inversion: A case study from the Mansuri oilfield, SW Iran | |
CN112764110A (zh) | 一种基于限制波尔兹曼机特征编码的聚类地震相分析方法 | |
US11668848B2 (en) | Method and system for seismic imaging using S-wave velocity models and machine learning | |
Zhang et al. | Unsupervised-learning based self-organizing neural network using multi-component seismic data: Application to Xujiahe tight-sand gas reservoir in China | |
CN112764103A (zh) | 一种基于稀疏编码特征dbscan聚类地震相分析方法 | |
Bruno et al. | Groundwater characterization in arid regions using seismic and gravity attributes: Al Jaww Plain, UAE | |
Imam et al. | Mapping the geological structures in the Ras El Ush field (Gulf of Suez, Egypt), based on seismic interpretation and 3D modeling techniques | |
Ismail et al. | Unsupervised machine learning and multi-seismic attributes for fault and fracture network interpretation in the Kerry Field, Taranaki Basin, New Zealand | |
Al-Mudhafar | How is multiple-point geostatistics of lithofacies modeling assisting for fast history matching? A case study from a sand-rich fluvial depositional environment of Zubair formation in South Rumaila oil field | |
Dramsch | Machine Learning in 4D Seismic Data Analysis | |
Mehdipour et al. | The Best Scenario for Geostatistical Modeling of Porosity in the Sarvak Reservoir in an Iranian Oil Field, Using Electrofacies, Seismic Facies, and Seismic Attributes | |
CN115857047A (zh) | 一种地震储层综合预测方法 | |
Lorentzen et al. | Mapping Cretaceous faults using a convolutional neural network-A field example from the Danish North Sea. | |
WO2022235345A9 (en) | Multi-task neural network for salt model building | |
Carrillat et al. | Automated mapping of carbonate build-ups and palaeokarst from the Norwegian Barents Sea using 3D seismic texture attributes | |
Carrillat et al. | From 3d seismic facies to reservoir simulation: an example from the Grane field | |
Abu-El Ata et al. | Geologic Causatives and Seismic Attributes Heterogeneities for Structural and Stratigraphic Interplays, Sitra Area, North Western Desert, Egypt |
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 |