CN114114399B - 一种基于Bayes统计决策的智能速度谱解释与建模方法 - Google Patents

Abstract

本发明公开了一种基于Bayes统计决策的智能速度谱解释与建模方法，利用从速度谱及叠加剖面提取的层位信息及统计信息，根据层位属性聚类形成的类簇，借助处理人员的先验认识以及基本的地质规律缩小可拾取的范围，关键是基于道集拉平程度判断在参数约束范围内进行参数搜索，并根据参数统计结果进行质量控制，最后插值、平滑形成合理的速度场。本发明的智能背景速度建模的自动化程度高，只需设置先验参数即可工作，为后续精细建模提供可靠的初始速度场，效率较高，即可节省数据处理人员的体力劳动。

Description

一种基于Bayes统计决策的智能速度谱解释与建模方法

技术领域

本发明属于地球勘探技术领域，具体涉及一种基于Bayes统计决策的智能速度谱解释与建模方法。

背景技术

速度分析和速度建模是地震处理成像的关键步骤，基于CMP道集的背景速度估计是稳健的。目前拾取与建模仍然要依靠人工完成，存在耗时多，工作量大，出现人为偶然误差的情况。在当前数据规模已十分巨大的情况下，研究自动化智能化的初始背景速度估计方法是很有必要的，也对拾取效率和精度提出更高的要求，但是很多自动化估计方法没有充分利用数据信息或形成一套合理的拾取决策框架。

因为道集的偏移和叠加都需要提供可靠的速度信息，而反过来可以利用叠加或偏移的像域数据可以作为一种速度分析的手段。早在1967年Garotta等提出了基于共反射点双曲时距曲线的速度分析方法。Taner等(1969)给出了借助速度谱的叠加速度分析方法。一般的叠加速度分析方法是利用速度谱做的，拾取位置可以参考能量团极大处。Toldi(1989)较早的探索了自动拾取的方法，初始模型经过扰动，自动寻找叠加能量最大的速度函数。这种寻找最佳速度的问题，可建立误差泛函并用优化方法求取，Lumley(1992)就探索了基于Monte Carlo层速度扰动自动拾取方法。考虑到邻道约束，也要后道参考前道拾取的方法提出(张志让，1994)。林年添等(2004)提出了向前做最大“能量团”的积分并向后递归计算最优解的方法。拾取建模是一个决策过程，很多人借助人工智能方法实现。可利用多属性包括avo、连续相邻道来过滤噪声，基于距离聚类找到各属性中心作为拾取结果(Smith，2017)。Chen(2018)也实现了K均值聚类拾取方法。郑浩等(2020)直接将速度谱作为神经网络的输入数据,将时间域层速度作为标签数据，实现速度谱到模型的映射。

检索已有的技术发现，一些发明只是基于单个道集的信息进行拾取，或者没有充分利用统计信息和层位信息对拾取参数进行约束。公布号为CN112464728A的中国发明专利《基于无监督学习的地震速度谱自动拾取方法及装置》根据预处理后的叠加速度谱进行拾取，沿时间方向上在每个时间采样点设置时空窗，采用加权的K-mean聚类算法对时空窗内的谱数据进行聚类，能够自适应地确定速度谱能量团的中心位置。虽然提供了一种自动化拾取方法，但没有体现在层位约束下按照层位进行拾取。公布号为CN111624653A的发明专利《地震速度拾取方法与装置》实现了高效的基于能量团的自动拾取，虽然参考了相邻道集的信息，但是拾取依据的信息不够充分，拾取决策不够合理。

致力于克服现有技术的不足，本发明将速度谱数据的解释及建模过程实现自动化，能够高效地基于CMP道集形成合理的背景速度模型。其中包含一套完整的速度拾取与背景速度建模流程，在拾取的决策过程中体现人的先验认识，并且将从速度谱数据体以及叠加剖面数据体中提取的统计信息加以利用帮助形成合理的决策。

发明内容

为解决现有技术存在的缺陷，本发明提供一种基于Bayes统计决策的智能速度谱解释与建模方法。从而完成基于多信息的自动化速度谱解释与建模。本发明利用从速度谱及叠加剖面提取的层位信息及统计信息，根据层位属性聚类形成的类簇，借助处理人员的先验认识以及基本的地质规律缩小可拾取的范围，关键是基于道集拉平程度判断在参数约束范围内进行参数搜索，并根据参数统计结果进行质量控制，最后插值、平滑形成合理的速度场。

本发明利用的决策信息丰富，且操作简便。大大减少了人工成本的情况下，即为后续精细速度建模工作提供优化的初始模型。利用基于其生成的速度场能够获得较高质量的叠加或时间偏移剖面。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供一种基于Bayes统计决策的智能速度谱解释与建模方法，包括以下步骤：

步骤1：基于CMP道集形成速度谱数据体和类叠加剖面，基于类叠加剖面提取层位结构；

步骤2：利用提取的层位形成以层位属性为核心的K均值聚类算法，对局部窗内的速度谱数据体预处理后进行聚类获得属于不同层位的类簇；

步骤3：再利用统计信息和先验信息约束拾取点的拾取范围，以两拾取点间时窗内的道集拉平效果最优为拾取目标，拾取点在约束范围内小范围扰动获得最优拾取结果；

步骤4：在所有CMP道集拾取完成后统计邻域同层拾取情况，在结构约束下对拾取点质量控制，经过插值和平滑，得到最后的模型。

作为本发明的一种优选技术方案，步骤1包含如下具体步骤：

A11：CMP数据分块读取，获取道头信息，包含CDP号、偏移距、线号；

A12：设定速度扫描的上下限以及间隔，计算相似谱数据、排列形成谱数据体，基于不同速度扫描的结果自动校正叠加，再将所有结果加权叠加形成类叠加剖面；

A13：基于图像特征提取层位结构。

作为本发明的一种优选技术方案，对分块数据进行步骤2的处理，步骤2包含如下具体步骤：

A21：聚类前对速度谱数据体的预处理，包括阈值滤波，基于提取层位结构位置的筛选，以及基于邻近拾取结果统计特征的筛选；

A22：根据提取层位位置计算预处理后的数据样本的层位属性，用其衡量样本与各层位的距离，通过K均值聚类形成以不同层位结构为核心的类簇。

作为本发明的一种优选技术方案，对分块数据中每一个CMP道集的数据实现步骤3的处理，用于参数优选的步骤3包含如下具体步骤：

A31：利用统计信息和先验信息约束拾取点的拾取范围，其中包括层速度变化率约束，均方根速度变化趋势约束以及基于相邻道拾取参数的横向约束；

A32：根据设计的约束信息，去除不满足任意约束条件的样本，保证拾取样本参数在合理范围内；

A33：以两拾取点间时窗内的道集拉平效果最优为拾取目标，设计目标函数用于衡量各道与中心道之间的时差之和，拾取点在约束范围内进行扫描搜寻目标函数极小值，以获得最优拾取结果。

作为本发明的一种优选技术方案，对步骤1中不同分块的CMP数据，分别完成步骤2、步骤3所有流程，直到所有CMP数据完成拾取，进入步骤4。

作为本发明的一种优选技术方案，利用统计信息形成合理速度场的步骤4包含如下具体步骤：

A41：统计局部范围内同一层位拾取参数的均值方差，基于拾取统计结果的质量控制，将计算出方差过大的拾取参数用统计均值代替。

A42：不同CMP道集间插值，或沿时间插值，进行高斯平滑以形成变化趋势平缓的速度场。

A43：输出平滑前后的时间域均方根速度场。

本发明相较于现有技术，具有以下有益效果：

(1)基于原始道集形成多种高维空间信息，形成了拾取决策的有效基础；

(2)本发明中的拾取决策参考了多种基于邻域数据的一阶、二阶统计量，以及基于操作员对拾取这一行动已有的先验信息，达到信息的有效利用，决策依据的信息充分，以及建模的合理化、有效化；

(3)本发明的智能背景速度建模的技术方案自动化程度高，只需设置先验参数即可工作，为后续精细建模提供可靠的初始速度场，效率较高，即可节省数据处理人员的体力劳动。

附图说明

图1为一种基于Bayes统计决策的智能速度谱解释与建模方法的流程图。

图2是本发明的速度谱数据体示意图。

图3是本发明的类叠加剖面示意图。

图4是本发明的预处理后聚类结果示意图。

图5是本发明的邻道自动拾取结果示意图。

图6是本发明的整体插值后速度场示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

以获取宏观速度模型为目标，根据对介质构造信息的了解情况，大都是对横向缓变沉积形成的地层建模，本发明基于层状速度模型参数表达宏观速度模型，模型通过界面和层速度所表达。

为获得一个平滑的、呈现地质结构特点的速度模型，(T,V)对的合理性是最重要的，精度不是第一位的；(T,V)对的合理性就体现在建立的背景速度模型与大的地质背景能保持一致，反射层的约束是必不可少的。

本发明需要基于多尺度的空间信息，利用统计信息和先验认识的约束，在Bayes决策原则下提取合理的(T,V)对。在Bayes决策下，拾取问题是基于观测数据X估计速度参数，这种速度参数能使我们定义的决策风险函数最小。

本发明围绕图1中的流程进行。

在执行之前需要提供CMP道集数据文件目录、输出文件目录、道集基本信息，和处理人员设计的先验参数。首先的步骤是1:先基于CMP道集形成速度谱数据体和类叠加剖面，基于类叠加剖面提取层位结构。

步骤1具体包含步骤如下：

A11：CMP数据分块读取，获取道头信息，包含CDP号、偏移距、线号等。

A12：设定速度扫描的上下限以及间隔，计算相似谱数据、排列形成谱数据体，基于不同速度扫描的结果自动校正叠加，再将所有结果加权叠加形成类叠加剖面。

各CMP道集计算相似系数谱采用以下公式：

式中N代表道数，I为幅值，h为半偏移距，t0为零偏移距旅行时，n代表道号，M为时窗大小。

在生成速度谱数据体的同时，生成类叠加剖面采用以下公式：

其中t0为零偏移距旅行时，x_cmp代表CMP点位置，

代表叠加速度上限，/>

代表叠加速度下限，v_s代表动校正及叠加速度，不同u_stack代表用不同v_s得到的叠加剖面。速度谱数据体如图2所示，类叠加剖面如图3所示。

A13：基于图像特征提取层位结构。

A13中提取层位的方式是基于相干属性。二维剖面中各点的相干值公式如下：

其中u代表振幅，J代表计算相干值用到的相邻道集数，p代表扫描倾角，px_j代表随j变化各道集所取时窗的位移量。计算二维剖面上各点的相干值，要按照一定间隔改变p进行倾角扫描，取σ最大值作为相干值。设置一阈值，提取相干属性值较大的区域作为层位可能位置，在局部窗内统计提取点的数量，去除离散点，保留连续线段作为拾取的层位。

步骤2及3是拾取建模的核心，拾取思路是从整体到局部，先搜索获得每个道集速度大致的拾取位置及范围，再对每个拾取点局部微调以获得最优结果。

步骤2是聚类部分，利用提取的层位形成以层位属性为核心的K均值聚类算法，对局部窗内的速度谱数据体预处理后进行聚类获得属于不同层位的类簇。

由于随机噪声和多次波，速度谱能量团不一定指示真实均方根速度，各道集分开拾取的结果容易沿时间跳变剧烈，出现倒转。因此对其添加了关于层位与速度的先验约束；叠加剖面中蕴含结构信息，应该优先考虑挑选保持与结构位置一致的谱点。

层位约束是指：谱点的时间只能位于从叠加剖面所提取的层位对应的时间附近，去除那些不能指示层位的谱点。以层位属性为核心的聚类方法能够发现数据隐藏的内部结构，按照某种度量方式把数据集分成多个类簇，并使得类内样本尽可能的相似。若每个样本拥有多种不相关的特征，可以利用这些特征在高维上分开数据。本发明基于K-mean方法对速度谱数据体中的样本依据层为信息实现分类，首先经过阈值滤波去除能量弱的样本，类别数根据提取的层位数量决定，并根据道集上提取的层位位置对每一个速度谱上的样本形成层位属性，反映数据点归类为不同层位的可能性。所第i个样本提取的层位属性x_i，j为：

其中j为层位，d为一阈值，dist为样本的时间与提取结构所处时间的间隔。

聚类得到的每个类别的所有样本对应该层位速度参数可能的分布情况，单道的拾取可以认为是不同类别样本的一个组合。

进一步的对分块数据中每一个CMP道集的数据实现步骤3的处理。步骤3真正拾取智能拾取过程，利用统计信息和先验信息约束拾取点的拾取范围，以两拾取点间时窗内的道集拉平效果最优为拾取目标，拾取点在约束范围内小范围扰动获得最优拾取结果。

因此在完成了对层位约束的筛选后，可以将人为拾取的思想作为拾取范围控制的依据。对速度的约束包括(1)均方根速度整体递增性，体现在限制拾取同一道集中相邻两点相对位置关系。(2)层速度非突变，体现在限制同一道集中相邻两拾取点间连线的斜率。(3)邻道层速度、均方根连续性，体现在相邻道拾取点的相对位置不能超过某一范围。对于同一个类簇中的样本，同时考察这些因素，将不符合先验假设的谱点去除。

经过速度及层位结构的约束挑选后，每个类簇内只有符合约束条件的t-v离散数据被保留下来。因为一个道集同相轴拉平的质量与其之上提取的均方根速度有关，采取一种各道集分别逐层拾取的方法以保障在不同层位位置都达到较优的效果。

不同层位上采用谱能量最大的点作为初始拾取点，计算与此点相邻的拾取点间时窗内的用拾取速度拉平道集的效果，在约束范围内扰动拾取点再次计算道集拉平效果进行比较，取目标函数达到极值时的(t,v)作为我们的拾取决策。利用两道互相关求各道与中心道的时延，使整体时延量最小，目标函数为：

其中θ_K代表所求参数，Θ为参数空间，N为道数，u_nmo为基于参数θ_K动校正后的道集，△T_n为互相关值最大时所对应的时延量。

图5展示的是相邻两道经过步骤2，步骤3步骤完成智能拾取的结果。

对A1中不同分块的CMP数据，分别完成步骤2，步骤3所有流程，直到所有CMP数据完成拾取，进入步骤4。

所有CMP点的拾取结果最终支撑起我们所求的速度场。在所有CMP道集拾取完成后统计邻域同层拾取情况，计算拾取速度的统计均值与方差，按照方差去除远离统计均值的离群点，用均值代替，减少横向速度跃变的现象。

利用整个测线上的离散点实施线性插值，构造出规则网格下的速度场数据。插值的结果可能不完美，尤其在转换到层速度进行插值的时候。可以用带方向的高斯滤波方式对插值结果优化,沿着层位方向对层内速度高斯平滑。

图6展示完成整个智能拾取流程后得到的二维均方根速度场。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，包括以下步骤：

步骤1：基于CMP道集形成速度谱数据体和类叠加剖面，基于类叠加剖面提取层位结构；

步骤1包含如下具体步骤：

A11：CMP数据分块读取，获取道头信息，包含CDP号、偏移距、线号；

A12：设定速度扫描的上下限以及间隔，计算相似谱数据、排列形成谱数据体，基于不同速度扫描的结果自动校正叠加，再将所有结果加权叠加形成类叠加剖面；

A13：基于图像特征提取层位结构；

步骤2：利用提取的层位形成以层位属性为核心的K均值聚类算法，对局部窗内的速度谱数据体预处理后进行聚类获得属于不同层位的类簇；

步骤3：利用统计信息和先验信息约束拾取点的拾取范围，以两拾取点间时窗内的道集拉平效果最优为拾取目标，拾取点在约束范围内小范围扰动获得最优拾取结果；

步骤4：在所有CMP道集拾取完成后统计邻域同层拾取情况，在结构约束下对拾取点质量控制，经过插值和平滑，得到最后的模型。

2.根据权利要求1所述的基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，对分块数据进行步骤2的处理，步骤2包含如下具体步骤：

A21：聚类前对速度谱数据体的预处理，包括阈值滤波，基于提取层位结构位置的筛选，以及基于邻近拾取结果统计特征的筛选；

A22：根据提取层位位置计算预处理后的数据样本的层位属性，用其衡量样本与各层位的距离，通过K均值聚类形成以不同层位结构为核心的类簇。

3.根据权利要求1所述的基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，对分块数据中每一个CMP道集的数据实现步骤3的处理，用于参数优选的步骤3包含如下具体步骤：

A31：利用统计信息和先验信息约束拾取点的拾取范围，其中包括层速度变化率约束、均方根速度变化趋势约束以及基于相邻道拾取参数的横向约束；

A32：根据设计的约束信息，去除不满足任意约束条件的样本，保证拾取样本参数在合理范围内；

A33：以两拾取点间时窗内的道集拉平效果最优为拾取目标，设计目标函数用于衡量各道与中心道之间的时差之和，拾取点在约束范围内进行扫描搜寻目标函数极小值，以获得最优拾取结果。

4.根据权利要求1所述的基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，对步骤1中不同分块的CMP数据，分别完成步骤2、步骤3所有流程，直到所有CMP数据完成拾取，进入步骤4。

5.根据权利要求1所述的基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，利用统计信息形成合理速度场的步骤4包含如下具体步骤：

A41：统计局部范围内同一层位拾取参数的均值方差，基于拾取统计结果的质量控制，将计算出方差过大的拾取参数用统计均值代替；

A42：不同CMP道集间插值，或沿时间插值，进行高斯平滑以形成变化趋势平缓的速度场；

A43：输出平滑前后的时间域均方根速度场。

Images