CN113671571A - 基于深度自适应聚类的叠前地震数据反射模式分析方法 - Google Patents

Abstract

本发明公开了一种基于深度自适应聚类的叠前地震数据反射模式分析方法，包括以下步骤：S1、对叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式；S2、训练深度自适应聚类网络；S3、利用训练好的深度自适应聚类网络对地震数据进行反射模式分析。本发明引入图像领域的自适应聚类网络，能够提高神经网络对地震数据中有效信息的提取能力，可以快速分类出大量地震反射模式数据，节省了宝贵的钻探资源，提高了钻探的效率，有效减少人为操作，对于地下油气藏的位置能够给出指导意见。

Description

基于深度自适应聚类的叠前地震数据反射模式分析方法

技术领域

本发明属于地震数据分析技术领域，特别涉及一种基于深度自适应聚类的叠前地震数据反射模式分析方法。

背景技术

基于地震反射信号的地震相分类技术是目前进行地下油气藏预测的主要手段。地震反射模式分析方法是通过分析油气藏和非油气藏的反射信号差异。从而得到地下油气藏的具体位置的一种重要技术。地震反射模式分析方法作为一种智能化地震相分析技术，已经成为地震相分析领域举足轻重的方向，地震反射模式分析方法通常使用的是叠后地震数据，由于以前计算机算力不足，叠后地震数据通过叠加道集，缩减地震数据的数据量并压制噪声，叠后数据可以在算力较低的情况下得到反射模式分析结果。但是这也造成了叠前地震数据中的一些细微的地震信息损失，随着电子信息领域的高速发展，地震数据采集技术的提高，叠前地震数据的数据质量得到了提高，使得利用叠前地震数据进行叠前反射模式分析成为了新的发展方向。

基于前人的研究进展，目前叠前地震数据反射模式分析方法存在过于依赖特征提取方法，而忽略了特征学习和聚类的结合的问题。本发明将多维地震数据聚类问题重构为一个二元成对分类框架，以判断成对二维地震数据是否属于同一类。在本发明的神经网络结构中，相似度是通过深度卷积网络(ConvNet)生成的二维数据标签特征之间的距离来计算的。通过在深度自适应聚类中引入约束，可以用于地震数据反射模式聚类。实现了地震数据反射模式分析领域的新的方法的尝试，并提升了效果，为利用机器学习算法进行叠前地震数据反射模式分析提供条件。

目前利用神经网络进行叠前地震信号识别分类的方法主要有：F Qian et al.(2018)深度卷积自编码器进行无监督地震相分析，M Liuet al.(2020)使用监督卷积神经网络和半监督生成对抗网络的地震相分类等卷积神经网络。卷积神经网络(CNN)在叠前地震相分类中取得了很多不错的成果。

在现有的CNN网络结构中，大多数是对数据进行特征提取而后进行聚类，往往忽略了特征学习和聚类的结合。

发明内容

本发明的目的在于克服现有技术的不足，提供一种引入自适应分类网络，能够提高神经网络对地震数据中有效信息的提取能力，可以快速分类出大量地震反射模式数据，节省钻探资源，提高钻探的效率的基于深度自适应聚类的叠前地震数据反射模式分析方法。

本发明的目的是通过以下技术方案来实现的：基于深度自适应聚类的叠前地震数据反射模式分析方法，包括以下步骤：

S1、对叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式；

S2、训练深度自适应聚类网络；

S3、利用训练好的深度自适应聚类网络对地震数据进行反射模式分析：将叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式，然后将二维数据矩阵集输入地震相分类网络中，得到地震相分类结果。

进一步地，所述深度自适应聚类网络包括依次顺连的输入层、卷积层1、卷积层2、池化层、卷积层3、全连接层1、全连接层2和输出层。

进一步地，所述S2包括以下子步骤：

S21、将二维矩阵数据集划分为n/m批样本，n为二维矩阵数据集中样本总数量，初始化k＝1；

S22、从二维矩阵数据集X中选择第k批样本Xk，每批样本包含m个二维矩阵数据，输入深度自适应聚类网络进行训练；

S23、建立叠前二维矩阵数据深度聚类的目标函数E(w)，其值为深度聚类网络的优化方向，表示为：

其中t_ij为二进制变量；w为优化模型函数中的参数；P(t_ij，g(x_i，x_j；w))用来计算t_ij和g(x_i，x_j；w)之间的相似度，其计算公式为：

g(x_i，x_j；w)表示两个二维矩阵数据x_i和x_j之间的距离；

S24、计算两个二维矩阵数据x_i和x_j之间的距离g(x_i，x_j；w)：

g(x_i，x_j；w)＝f(x_i；w)·f(x_j；w)＝l_i·l_j (3)

其中，l_i、l_j分别表示二维矩阵数据x_i、x_j的标签特征，l_i、l_j是x_i、x_j的e维标签特征；对l_i、l_j有

并且l_ih≥0，l_jh≥0，l_ih、l_jh分别表示l_i、l_j中第h个元素；|| ||₂表示求二范数，i≠j；f(x_i；w)、f(x_j；w)是映射函数，表示将输入二维地震数据形映射成标签特征；l_i、l_j通过卷积神经网络计算得到；

S25、添加二进制变量t_ij：

u(λ)和l(λ)是选取样本的阈值，t_ij＝1表示样本矩阵x_i和x_j属于同一类，t_ij＝0表示样本矩阵x_i和x_j不属于同一类；

其中当w固定时，将目标函数W(w)简化为E(λ)：

根据梯度下降算法，在每次迭代中，λ的更新规则写为：

其中η是λ的学习率；

S26、将目标函数重写为下列形式：

v_ij是一个指标系数：

S27、通过最小化目标函数(7)更新w；令k＝k+1，若k>n/m则执行S28，否则返回S22；

S28、样本全部训练结束后，根据(6)更新λ，判断l(λ)>u(λ)是否成立，若是则执行S3，否则返回S21。

本发明的有益效果是：本发明立足于数据条件复杂的叠前地震反射模分析，由于叠前地震数据信号本身带来的难识别，难分类，信噪比低等特点，导致对叠前地震数据对分类系统的要求比叠后地震数据高，因此不仅要保证高识别率还要考虑滤除噪音和其他无关信息的干扰。本发明引入自适应分类网络，能够提高神经网络对地震数据中有效信息的提取能力，可以快速分类出大量地震反射模式数据，节省了宝贵的钻探资源，提高了钻探的效率，有效减少人为操作，对于地下油气藏的位置能够给出指导意见。

附图说明

图1为本发明的基于深度自适应聚类的叠前地震数据反射模式分析方法的流程图；

图2为本发明深度自适应聚类网络的结构图；

图3为YM工区数据的均方根振幅；

图4为YM工区深度自适应聚类效果；

图5为YML工区数据的均方根振幅；

图6为YML工区深度自适应聚类效果；

图7为ZG工区数据的均方根振幅；

图8为ZG工区深度自适应聚类效果；

具体实施方式

本发明将图像领域的深度自适应聚类网络与地震反射模式分析相结合，进行网络结构的改变，将四维地震数据分拆成二维数据张量，使得网络能够对输入的二维张量数据进行重构。然后利用叠前多维地震预处理后的数据训练改进后的DAC网络，利用生成的DAC网络模型进行聚类，最终形成地震相图。下面结合附图和具体实施例进一步说明本发明的技术方案。

如图1所示，本发明的一种基于深度自适应聚类的叠前地震数据反射模式分析方法，包括以下步骤：

S1、对叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式；叠前地震信号相对于叠后地震信号中含有更多的信息，但是因为叠前地震信号的中含有大量的噪声的信息，导致其信噪比低的缺点，并且叠前数据相对于叠后数据有着数据量庞大的特点，因此叠前地震数据需要对于软硬件的性能要求更高，同时由于叠前数据拥有反射系数随着随入射角的不同出现的较为明显的差异变化趋势等众多特性，因此传统的基于叠后地震数据的地震数据反射模式分析方法不适用于叠前地震数据反射模式分析，为了实现对叠前地震反射模式进行更高效的分析，人工智能方法受到了众多学者地关注。深度自适应聚类方法是利用卷积核自动提取叠前地震数据的二维地震数据特征，其对叠前地震信号的各项特性具有很好的特征提取效果，但是由于叠前地震数据的数据量巨大，因此不可能将其进行一次性处理，所以本发明将四维地震数据拆分为一个二维矩阵集，以适应神经网络的标准输入。

S2、训练深度自适应聚类(DAC)网络；所述深度自适应聚类网络包括依次顺连的输入层、卷积层1、卷积层2、池化层、卷积层3、全连接层1、全连接层2和输出层，如图2所示。网络接受经过预处理地震数据的输入，通过卷积层、池化层、全连接层、和输出层生成标签特征数据。本发明创新性的将图像领域的深度自适应图像聚类网络应用于地震反射模式分析，并减少了网络的卷积层数。本发明的模型采用上述网络进行地震数据标签特征的生成过程中，网络能够适应地震数据的各向异性。在网络生成标签特征样本后，后序进行数据标签特征之间相似度的计算并进行分类，网络采用了最大池化层，用于放大突出有效信号的特征。所有层的激活函数均为ReLU函数：

Relu(x)＝max(0,x)

具体训练过程包括以下子步骤：

S21、将二维矩阵数据集划分为n/m批样本，n为二维矩阵数据集中样本总数量，初始化k＝1；

S22、从二维矩阵数据集X中选择第k批样本Xk，每批样本包含m个二维矩阵数据，输入深度自适应聚类网络进行训练；

S23、建立叠前二维矩阵数据深度聚类的目标函数E(w)，其值为深度聚类网络的优化方向，表示为：

其中t_ij为二进制变量；w为优化模型函数中的参数；P(t_ij，g(x_i，x_j；w))用来计算t_ij和g(x_i，x_j；w)之间的相似度，其计算公式为：

g(x_i，x_j；w)表示两个二维矩阵数据x_i和x_j之间的距离；

S24、计算两个二维矩阵数据x_i和x_j之间的距离g(x_i，x_j；w)：

g(x_i，x_j；w)＝f(x_i；w)·f(x_j；w)＝l_i·l_j (3)

其中，l_i、l_j分别表示二维矩阵数据x_i、x_j的标签特征，l_i、l_j是x_i、x_j的e维标签特征；对l_i、l_j有

并且l_ih≥0，l_jh≥0，l_ih、l_jh分别表示l_i、l_j中第h个元素；|| ||₂表示求二范数，i≠j；f(x_i；w)、f(x_j；w)是映射函数，表示将输入二维地震数据形映射成标签特征；l_i、l_j通过卷积神经网络计算得到；

S25、添加二进制变量t_ij：

u(λ)和l(λ)是选取样本的阈值，t_ij＝1表示样本矩阵x_i和x_j属于同一类，t_ij＝0表示样本矩阵x_i和x_j不属于同一类；

其中当w固定时，将目标函数E(w)简化为E(λ)：

根据梯度下降算法，在每次迭代中，λ的更新规则写为：

其中η是λ的学习率；

S26、将目标函数重写为下列形式：

v_ij是一个指标系数：

S27、通过最小化目标函数(7)更新w；令k＝k+1，若k>n/m则执行S28，否则返回S22；

S28、样本全部训练结束后，根据(6)更新λ，判断l(λ)>u(λ)是否成立，若是则执行S3，否则返回S21。

S3、利用训练好的深度自适应聚类网络对地震数据进行反射模式分析：将叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式，然后将二维数据矩阵集输入地震相分类网络中，得到地震相分类结果。

本实施例采用国内油田数据，共三个工区，工区1为YM工区，YM工区数据的均方根振幅如图3所示，YM工区深度自适应聚类效果如图4所示；工区2为YML工区，YML工区数据的均方根振幅如图5所示，YML工区深度自适应聚类效果如图6所示；工区3为ZG工区，ZG工区数据的均方根振幅如图7所示，ZG工区深度自适应聚类效果如图8所示。三个数据集是通过沿层位获取后拉平所得，叠前地震数据反射模式分析分类效果图如下图。通过图3与图4对比，图5与图6对比，图7和图8对比，可以看到深度聚类网络相比于工区数据的均方根振幅效果能够挖掘出更多的细节信息，这是因为深度聚类网络能够提取到更多的地震数据细节特征，从而得到更加精确的叠前反射模式分类结果。这种能够挖掘叠前地震数据细节的特性，对于地震数据采集向着宽方位、宽频带、高密度、全波长方向发展的叠前地震数据反射模式分析这种网络无疑是十分适用的。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.基于深度自适应聚类的叠前地震数据反射模式分析方法，其特征在于包括以下步骤：

S1、对叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式；

S2、训练深度自适应聚类网络；

S3、利用训练好的深度自适应聚类网络对地震数据进行反射模式分析：将叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式，然后将二维数据矩阵集输入地震相分类网络中，得到地震相分类结果。

2.根据权利要求1所述的基于深度自适应聚类的叠前地震数据反射模式分析方法，其特征在于，所述深度自适应聚类网络包括依次顺连的输入层、卷积层1、卷积层2、池化层、卷积层3、全连接层1、全连接层2和输出层。

3.根据权利要求1所述的基于深度自适应聚类的叠前地震数据反射模式分析方法，其特征在于，所述S2包括以下子步骤：

S21、将二维矩阵数据集划分为n/m批样本，n为二维矩阵数据集中样本总数量，初始化k＝1；

S22、从二维矩阵数据集X中选择第k批样本Xk，每批样本包含m个二维矩阵数据，输入深度自适应聚类网络进行训练；

S23、建立叠前二维矩阵数据深度聚类的目标函数E(w)，其值为深度聚类网络的优化方向，表示为：

其中t_ij为二进制变量；w为优化模型函数中的参数；P(t_ij，g(x_i，x_j；w))用来计算t_ij和g(x_i，x_j；w)之间的相似度，其计算公式为：

g(x_i，x_j；w)表示两个二维矩阵数据x_i和x_j之间的距离；

S24、计算两个二维矩阵数据x_i和x_j之间的距离g(x_i，x_j；w)：

g(x_i，x_j；w)＝f(x_i；w)·f(x_j；w)＝l_i·l_j (3)

其中，l_i、l_j分别表示二维矩阵数据x_i、x_j的标签特征，l_i、l_j是x_i、x_j的e维标签特征；对l_i、l_j有

并且l_ih≥0，l_jh≥0，l_ih、l_jh分别表示l_i、l_j中第h个元素；|| ||₂表示求二范数，i≠j；f(x_i；w)、f(x_j；w)是映射函数，表示将输入二维地震数据形映射成标签特征；l_i、l_j通过卷积神经网络计算得到；

S25、添加二进制变量t_ij：

u(λ)和l(λ)是选取样本的阈值，t_ij＝1表示样本矩阵x_i和x_j属于同一类，t_ij＝0表示样本矩阵x_i和x_j不属于同一类；

其中当w固定时，将目标函数E(w)简化为E(λ)：

根据梯度下降算法，在每次迭代中，λ的更新规则写为：

其中η是λ的学习率；

S26、将目标函数重写为下列形式：

v_ij是一个指标系数：

S27、通过最小化目标函数(7)更新w；令k＝k+1，若k＞n/m则执行S28，否则返回S22；

S28、样本全部训练结束后，根据(6)更新λ，判断l(λ)＞u(λ)是否成立，若是则执行S3，否则返回S21。

Images