CN114089418B - 高地层倾角条件下低序级断层的地震识别方法 - Google Patents

Abstract

本发明涉及油田开发技术领域，特别是涉及一种高地层倾角条件下低序级断层的地震识别方法。其包括以下步骤：对叠后地震数据进行分频扩散滤波处理；对处理后的地震数据进行梯度特征属性计算，得到地震数据的水平、垂直及对角梯度数据；对地震数据进行倾角属性计算，得到地震数据的倾角数据；利用倾角数据判断地层是否倾斜及其倾斜方向，进而根据不同情况进行梯度替换；将地震图像分为稳定同相轴和非稳定同相轴，并根据不同情况对梯度替换后的梯度数据进行梯度修正，构建地震数据的结构张量；计算边缘检测因子，进行高地层倾角条件下低序级断层的地震识别。本发明方法有效实现高了地层倾角条件下低序级断层的地震识别。

Description

高地层倾角条件下低序级断层的地震识别方法

技术领域

本发明涉及油田开发技术领域，特别是涉及一种高地层倾角条件下低序级断层的地震识别方法。

背景技术

随着复杂断块油藏开发的不断深入，低序级断层对复杂断块油藏开发的影响越来越大，一方面低序级断层控制了复杂断块油藏剩余油的分布，另一方面低序级断层则影响了复杂断块油藏开发过程中，油水井注采关系的调整，因此，低序级断层的精细解释对复杂断块油藏的开发至关重要。对低序级断层的精细解释常常需要结合断层属性，但常规断层属性在地层倾角较大位置处存在较大的断层识别误差，例如相干属性在高倾角地层处断层识别的分辨率降低，无法有效识别断层，而蚂蚁体属性在高倾角地层处则受地层倾斜的影响，容易产生断层假象，导致属性识别断层的准确度降低。因此，当地层倾角较大时，常规断层属性的适用性变差。

基于结构导向的梯度属性边缘检测是当前地震资料解释技术中相对较新的技术，众多学者对边缘检测技术在地震资料处理中的实际应用做了大量研究。边缘检测是起源于图像处理领域的一门重要技术，主要用于检测图像中灰度值突变区域。引申到地震勘探领域，地震资料中的不连续性区域反映在图像中即为边缘特征。因此将边缘检测技术用于地震资料不连续信息的检测非常有意义。目前，边缘检测技术广泛用于薄地层识别、裂缝检测、砂体边界识别、断层边界识别中。

传统的边缘检测技术同样无法解决高倾角地层处的断层识别问题，其原因是在倾斜地层位置处，稳定倾斜地层的水平及垂直梯度特征与断层的水平及垂直梯度特征一致，而传统的边缘检测技术主要是利用了地震数据的水平梯度及垂直梯度。因此，需要提供一种高层倾角条件下地层处低序级断层的地震识别方法。

发明内容

本发明的主要目的是提供一种高层倾角条件下地层处低序级断层的地震识别方法。本发明方法通过对传统的基于梯度属性的边缘检测技术进行优化改进，提高边缘检测技术在高倾角地层处的断层识别精度，实现高地层倾角条件下低序级断层的地震识别。

为实现上述目的，本发明采用以下技术方案：

本发明提供一种高地层倾角条件下低序级断层的地震识别方法，其包括以下步骤：对叠后地震数据进行分频扩散滤波处理；对处理后的地震数据进行梯度特征属性计算，得到地震数据的水平、垂直及对角梯度数据；对地震数据进行倾角属性计算，得到地震数据的倾角数据；利用倾角数据判断地层是否倾斜及其倾斜方向，进而根据不同情况进行梯度替换；将地震图像分为稳定同相轴和非稳定同相轴，并根据不同情况对梯度替换后的梯度数据进行梯度修正，构建地震数据的结构张量；计算边缘检测因子，进行高地层倾角条件下低序级断层的地震识别。

为实现上述目的，本发明还可采用以下技术方案：

优选地，在叠后地震数据进行分频扩散滤波处理过程中引入最大曲率属性作为断层保护因子。高品质地震数据是低序级断层地震识别的基础，既需要较高的信噪比，也需要保证分辨率。因此，本发明将小波分频处理方法和各向异性扩散滤波方法相结合，有效提高了处理后地震数据的信噪比及分辨率，同时保护了断层等边界信息。

优选地，利用Sobel算子计算地震数据的梯度特征属性。

优选地，利用以下公式进行地震数据倾角属性计算：

式中：dip为反映地层倾角的属性值，fx为地震数据的水平梯度，fy为地震数据的垂直梯度。

优选地，在计算得到地震数据的倾角属性数据后，通过对地层倾斜程度不同处的数据统计分析，确定倾斜地层的判别标准：当倾角值介于-40～25度之间时，地层为近水平地层，当倾角值≥25度时，地层为上倾地层，当倾角值≤-40时，地层为下倾地层。

优选地，对于近水平地层，不进行梯度替换，对于倾斜地层，则将沿着地层方向的对角梯度替换原来的水平梯度，垂直地层方向的对角梯度替换原来的垂直梯度。

优选地，将地震图像分为稳定同相轴、非稳定同相轴的方法为：通过对地震数据的原始水平及垂直梯度的绝对值进行统计分析，确定水平梯度及垂直梯度阈值，当水平及垂直梯度同时小于阈值时，认为是稳定同相轴；其他情况认为是非稳定同相轴；

进一步优选地，非稳定同相轴主要包括了同相轴零相位和断层。

进一步优选地，同相轴零相位和断层的判识方法为：对于断层，其替换后的水平梯度总是大于垂直梯度；对于同相轴零相位，其替换后的水平梯度总小于垂直梯度。

优选地，对于稳定同相轴，采用完全绝对平方公式进行梯度修正：

对于非稳定同相轴采用不完全绝对平方梯度公式进行梯度修正：

式中：f_x为地震数据的水平梯度，f_y为地震数据的垂直梯度，f_s,x为修正后的水平梯度，f_s,y为修正后的垂直梯度。

优选地，基于修正后的梯度数据，构建地震数据的初始结构张量：

式中：S_σ为地震数据的初始结构张量；

进而初始结构张量进行大尺度高斯滤波，得到滤波后结构张量：

S_ρ＝G_ρ*S_σ (5)

式中，G_ρ为尺度为ρ的高斯核函数，*为卷积运算符，S_σ为初始结构张量，S_ρ为滤波后结构张量，且ρ>σ。

优选地，计算边缘检测因子的方法为：根据构建的地震数据结构张量，计算得到地震数据的初始结构张量和滤波后结构张量；对上述两个结构张量分别进行特征值分解，计算其特征值之和，进而计算边缘检测因子：

式中：Tr表示矩阵的迹，其值为矩阵特征值的和，S_σ为初始结构张量，S_ρ为滤波后的结构张量。

本发明研究发现：稳定倾斜地层与断层的对角梯度特征存在明显差异，其中稳定倾斜地层处沿地层的对角梯度小于垂直地层的对角梯度，而断层处沿地层的对角梯度则大于垂直梯度层的对角梯度。基于此，本发明提供了一种高地层倾角条件下低序级断层的地震识别方法。

与现有技术相比，本发明具有以下优势：

本发明所述方法计算得到的边缘检测因子有效提高了在高倾角地层处的断层识别分辨率，消除了倾斜稳定地层引起的断层识别分辨率较差的问题；本发明计算所得边缘检测因子有效提高了在高倾角地层处的断层识别精度，消除了倾斜地层同相轴零相位引起的断层识别出现较大误差的问题。

本发明所述方法除了考虑到地层倾角大、构造复杂对断层识别的影响，还考虑了地震剖面自身的特征，即同相轴零相位也可能会造成边缘检测方法出现一定的断层识别误差，进一步完善了基于结构张量分析的边缘检测方法在低序级断层识别中的应用。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明的一实施例中一种高地层倾角条件下低序级断层的识别方法流程示意图；

图2为本发明的一实施例中利用Sobel算子计算地震数据梯度特征属性的模板图；

图3为本发明的一实施例中不同倾角属性结果对比图：a为原始地震数据图；b为基于Gepscope提取的倾角属性剖面图；c为基于梯度方位角公式计算的倾角剖面图；d为基于本发明实施例所述公式(1)计算得到的倾角剖面图；

图4为本发明的一实施例中基于地层倾向控制的梯度数据替换流程示意图；

图5为本发明的一实施例中常规断层属性与本发明实施例所述方法计算得到的边缘检测因子剖面对比图；

图6为本发明的一实施例中常规断层属性与本发明实施例所述方法计算得到的边缘检测因子水平切片对比图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。

为了使得本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例详细说明本发明的技术方案。

如图1所示，图1为本发明的一种高地层倾角条件下低序级断层的地震识别方法的流程图。

步骤1：对叠后地震数据进行基于断层保护的分频扩散滤波处理，提高地震数据的信噪比和分辨率；处理过程中引入最大曲率属性作为断层保护因子，在去噪过程中保护断层等边界信息。

步骤2：对去噪处理后的地震数据进行梯度特征属性计算，得到地震数据的水平、垂直及对角梯度数据；利用Sobel算子计算地震数据的梯度特征属性，分别得到地震数据的水平梯度数据、垂直梯度数据以及两个对角梯度数据。图2展示了Sobel算子计算地震数据梯度向量的示意图。

步骤3：对去噪处理后的地震数据进行倾角属性计算，得到地震数据的倾角数据；通过对传统梯度方位角公式的改进，得到新的地层倾角计算公式，利用该公式计算地震数据的倾角属性，进而判断地层是否倾斜及其地层倾向：

式中：dip为反映地层倾角的属性值，fx为地震数据的水平梯度，fy为地震数据的垂直梯度。

图3显示，对比原始地震剖面及软件提取的地层倾角属性公式，基于该公式计算得到的属性剖面不仅可以有效的识别地层是否倾斜，而且可以指示地层的倾斜方向。

步骤4：利用倾角数据判断地层是否倾斜及其倾斜方向，进而根据不同情况进行梯度替换；

在计算得到地震数据的倾角属性数据后，通过对地层倾斜程度不同处的数据统计分析，确定倾斜地层的判别标准：

通过对倾角数据的统计分析显示，当倾角值介于-40～25度之间时，地层为近水平地层，当倾角值≥25度时，地层为上倾地层，当倾角值≤-40时，地层为下倾地层。

对于近水平地层，不用进行梯度替换，而对于倾斜地层，则根据地层倾向，分别将两个对角梯度替换原来的水平及垂直梯度，其中顺着地层方向的对角梯度替换原来的水平梯度，垂直地层方向的对角梯度替换原来的垂直梯度。图4展示了梯度替换的主要流程。

步骤5：将地震图像分为稳定同相轴、同相轴零相位及断层，并根据不同情况对梯度替换后的梯度数据进行梯度修正，构建地震数据的结构张量；

首先通过对地震数据的原始水平及垂直梯度的绝对值进行统计分析，确定水平梯度及垂直梯度阈值，当水平及垂直梯度同时小于阈值时，认为是稳定同相轴，其他情况认为是非稳定同相轴，而非稳定同相轴主要包括了同相轴零相位和断层。

对于稳定同相轴，利用完全绝对平方梯度公式对原始水平及垂直梯度进行修正：

对于非稳定同相轴采用不完全绝对平方梯度公式进行梯度修正：

式中：f_x为地震数据的水平梯度，f_y为地震数据的垂直梯度，f_s,x为修正后的水平梯度，f_s,y为修正后的垂直梯度。

其中对于断层来说，其替换后的水平梯度总是大于垂直梯度，修正后断层的水平梯度为正值，垂直梯度为负值；对于同相轴零相位来说，其替换后的水平梯度总小于垂直梯度，修正后同相轴零相位的水平及垂直梯度均为负值。此时对比可知，修正后稳定同相轴及其零相位的水平及垂直梯度符号相同，而修正后断层的水平及垂直梯度符号相反，其梯度特征存在明显差异，根据该差异可以进行断层与稳定同相轴及其零相位的区分。

基于修正后的梯度数据，构建地震数据的初始结构张量：

式中：S_σ为地震数据的初始结构张量；

进而初始结构张量进行大尺度高斯滤波，得到滤波后结构张量：

S_ρ＝G_ρ*S_σ (5)

式中，G_ρ为尺度为ρ的高斯核函数，*为卷积运算符，S_σ为初始结构张量，S_ρ为滤波后结构张量，且ρ>σ。

步骤6：基于地层倾向控制下梯度替换及修正后地震数据的结构张量特征值，计算边缘检测因子；

对上述两个结构张量分别进行特征值分解，计算其特征值之和，进而计算边缘检测因子：

式中：Tr表示矩阵的迹，其值为矩阵特征值的和，S_σ为初始结构张量，S_ρ为滤波后的结构张量。

步骤7：基于上述步骤得到的边缘检测因子，进行高地层倾角条件下低序级断层的地震识别。图5和图6展示了传统断层属性与本次发明所述方法计算得到的边缘检测因子的对比结果，对比可知，在地层倾角较大位置处，本发明方法计算所得的边缘检测因子识别断层的分辨率及准确度明显更高。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种高地层倾角条件下低序级断层的地震识别方法，其特征在于，其包括以下步骤：对叠后地震数据进行分频扩散滤波处理；对处理后的地震数据进行梯度特征属性计算，得到地震数据的水平、垂直及对角梯度数据；对地震数据进行倾角属性计算，得到地震数据的倾角数据；利用倾角数据判断地层是否倾斜及其倾斜方向，进而根据不同情况进行梯度替换；将地震图像分为稳定同相轴和非稳定同相轴，并根据不同情况对梯度替换后的梯度数据进行梯度修正，构建地震数据的结构张量；计算边缘检测因子，进行高地层倾角条件下低序级断层的地震识别；

将地震图像分为稳定同相轴、非稳定同相轴的方法为：通过对地震数据的原始水平及垂直梯度的绝对值进行统计分析，确定水平梯度及垂直梯度阈值，当水平及垂直梯度同时小于阈值时，认为是稳定同相轴；其他情况认为是非稳定同相轴；

非稳定同相轴包括同相轴零相位和断层；

同相轴零相位和断层的判识方法为：对于断层，其替换后的水平梯度总是大于垂直梯度，修正后断层的水平梯度为正值，垂直梯度为负值；对于同相轴零相位，其替换后的水平梯度总小于垂直梯度，修正后同相轴零相位的水平及垂直梯度均为负值；

对于稳定同相轴，采用完全绝对平方公式进行梯度修正：

对于非稳定同相轴采用不完全绝对平方梯度公式进行梯度修正：

式中：f_x为地震数据的水平梯度，f_y为地震数据的垂直梯度，f_s,x为修正后的水平梯度，f_s,y为修正后的垂直梯度。

2.根据权利要求1所述方法，其特征在于，在叠后地震数据进行分频扩散滤波处理过程中引入最大曲率属性作为断层保护因子。

3.根据权利要求1所述方法，其特征在于，利用Sobel算子计算地震数据的梯度特征属性。

4.根据权利要求1所述方法，其特征在于，利用以下公式进行地震数据倾角属性计算：

式中：dip为反映地层倾角的属性值，fx为地震数据的水平梯度，fy为地震数据的垂直梯度。

5.根据权利要求1所述方法，其特征在于，在计算得到地震数据的倾角属性数据后，通过对地层倾斜程度不同处的数据统计分析，确定倾斜地层的判别标准：当倾角值介于-40～25度之间时，地层为近水平地层，当倾角值≥25度时，地层为上倾地层，当倾角值≤-40时，地层为下倾地层。

6.根据权利要求5所述方法，其特征在于，对于近水平地层，不进行梯度替换，对于倾斜地层，则将沿着地层方向的对角梯度替换原来的水平梯度，垂直地层方向的对角梯度替换原来的垂直梯度。

7.根据权利要求1所述方法，其特征在于，基于修正后的梯度数据，构建地震数据的初始结构张量：

式中：S_σ为地震数据的初始结构张量；

进而初始结构张量进行大尺度高斯滤波，得到滤波后结构张量：

S_ρ＝G_ρ*S_σ (5)

式中，G_ρ为尺度为ρ的高斯核函数，*为卷积运算符，S_σ为初始结构张量，S_ρ为滤波后结构张量，且ρ>σ。

8.根据权利要求1所述方法，其特征在于，计算边缘检测因子的方法为：根据构建的地震数据结构张量，计算得到地震数据的初始结构张量和滤波后结构张量；对上述两个结构张量分别进行特征值分解，计算其特征值之和，进而计算边缘检测因子：

式中：Tr表示矩阵的迹，其值为矩阵特征值的和，S_σ为初始结构张量，S_ρ为滤波后的结构张量。

Images