CN114152979A - 一种变时窗框架下的地震波形分类方法及装置 - Google Patents
一种变时窗框架下的地震波形分类方法及装置 Download PDFInfo
- Publication number
- CN114152979A CN114152979A CN202010933437.6A CN202010933437A CN114152979A CN 114152979 A CN114152979 A CN 114152979A CN 202010933437 A CN202010933437 A CN 202010933437A CN 114152979 A CN114152979 A CN 114152979A
- Authority
- CN
- China
- Prior art keywords
- seismic
- centroid
- super
- trace
- distance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 21
- 239000010410 layer Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 208000035126 Facies Diseases 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000265 homogenisation Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001126326 Cyanea <Cnidaria> Species 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000013107 unsupervised machine learning 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种变时窗框架下的地震波形分类方法及装置,将地震道视为“像素点”,通过设计算法,将地震数据分割成一系列波形特征相似的相邻地震道组成的不规则地震分区,即“超地震道”。进一步提取“超地震道”的质心,其可代表地震工区的地震参数特征,从而实现地震数据的合理抽稀。后续对抽稀的地震数据进行聚类,解决算法大运算量的问题。
Description
技术领域
本申请属于地震相波形分类技术领域,具体地讲,涉及一种变时窗框架下的地震波形分类方法及装置。
背景技术
地震相分析是对目的层地震反射参数,如振幅、频率、形状、连续性等参数的描述及解释。任何岩性及储层参数的变化都会导致其地震响应的振幅、频率、相位、横向相关性等地震参数发生变化。因此,地震相分析是开展地质单元检测、岩相识别和储层预测的重要工作。
通常,可应用机器学习方法来开展地震相分析,包括有监督地震相分析和无监督地震相分析。为实现地质单元的地震相识别,可应用有监督机器学习方法。随着人工智能的快速发展,各种深度学习神经网络技术被用来实现地震相的检测。为实现岩性识别及储层预测,在井资料比较充足的开发地震工区可应用有监督方法。然而,在多数情况下,地震相分析的工区井资料较为稀疏,主要应用无监督机器学习方法,对沿着目的层提取的地震波形进行分类,即波形聚类。自组织特征映射网络(SOM)及其方法改进是在地震岩相识别和储层预测中应用最广泛的聚类技术。除此之外,也有其他聚类技术,如K-means聚类算法,神经网络聚类,生成拓扑映射等应用于地震相分析中。
以上广泛应用的地震波形分类技术都是基于沿层提取的等厚时窗,适用于地层厚度变化不大的目的层。由于不同的时窗大小会造成不同的波形聚类结果,需要谨慎的选择时窗。沿层等厚时窗如果偏小,则提取的波形信息不完整。沿层等厚时窗如果过偏大,则会引入非目的层段的地震反射信息。当目的层厚度变化较大时,无论怎么调整时窗方式和大小,沿层提取的地震波形都不能完整的包含层间的岩性及岩性组合信息。等时窗波形分类技术则不适用目的层厚度变化的地震工区,因此有必要开发变时窗框架下的地震波形分类技术。
发明内容
本申请提供了一种变时窗框架下的地震波形分类方法及装置,以至少解决目前地震波形分类所依赖的等时窗波形分类技术不适用于目的层厚度变化的地震工区的问题。
根据本申请的一个方面,提供了一种变时窗框架下的地震波形分类方法,包括:
对地震工区内的超像素地震数据进行抽稀获得超地震道质心;
通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心;
计算超像素地震数据中的地震道到各个聚类质心的DTW距离;
根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图。
在一实施例中,对地震工区内的超像素地震数据进行抽稀获得超地震道质心,包括:
确定地震工区内的超像素地震数据中的每个地震道与当前质心点之间的超地震道距离;
计算每个地震道与其他地震道的距离总和并更新质心点;
再次确定每个地震道与当前质心点之间的超地震道距离,直到质心点的变化低于预设值即获得超地震道质心。
在一实施例中,通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心,包括:
通过全连接的方法计算超地震道质心的相似度矩阵;
获取相似度矩阵对应的标准化拉普拉斯矩阵并提取聚类质心。
在一实施例中,根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图,包括:
计算地震道到各个超地震道质心的DTW距离;
筛选最小DTW距离对应的超地震道质心,该超地震道质心的类别即为该地震道的类别;
根据地震工区内所有地震道的类别生成地震波形分类平面图。
根据本申请的另一个方面,还提供了一种变时窗框架下的地震波形分类装置,包括:
数据抽稀单元,用于对地震工区内的超像素地震数据进行抽稀获得超地震道质心;
质心提取单元,用于通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心;
DTW距离计算单元,用于计算超像素地震数据中的地震道到各个聚类质心的DTW距离;
地震波形聚类单元,用于根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图。
在一实施例中,数据抽稀单元包括:
超地震道距离确定模块,用于确定地震工区内的超像素地震数据中的每个地震道与当前质心点之间的超地震道距离;
质心点更新模块,用于计算每个地震道与其他地震道的距离总和并更新质心点;
超地震道质心确定模块,用于再次确定每个地震道与当前质心点之间的超地震道距离,直到质心点的变化低于预设值即获得超地震道质心。
在一实施例中,质心提取单元包括:
相似度矩阵计算模块,用于通过全连接的方法计算超地震道质心的相似度矩阵;
聚类质心提取模块,用于获取相似度矩阵对应的标准化拉普拉斯矩阵并提取聚类质心。
在一实施例中,地震波形聚类单元包括:
距离计算模块,用于计算地震道到各个超地震道质心的DTW距离;
类别确定模块,用于筛选最小DTW距离对应的超地震道质心,该超地震道质心的类别即为该地震道的类别;
地震波形分类模块,用于根据地震工区内所有地震道的类别生成地震波形分类平面图。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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为本申请提供的一种变时窗框架下的地震波形分类方法流程图。
图2为本申请实施例中超地震道质心方法流程图。
图3为本申请实施例中聚类质心提取流程图。
图4为本申请实施例中地震波形分类平面图生成流程图。
图5为本申请实施例中某地震工区应用超像素地震数据抽稀方法后的地震同质化区域图。
图6为本申请提供的一种变时窗框架下的地震波形分类装置的结构框图。
图7为本申请实施例中数据抽稀单元的结构框图。
图8为本申请实施例中质心提取单元的结构框图。
图9为本申请实施例中地震波形聚类单元的结构框图。
图10为本申请实施例中测试本发明识别变厚度不同岩性边界能力正演模拟图。
图11为本申请实施例中测试本发明检测变厚度不同岩性组合边界能力正演模拟。
图12为本申请实施例中栖霞组地震图。
图13为应用本申请的波形分类结果图。
图14为本申请实施例中一种电子设备的具体实施方式。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
基于背景技术中存在的等时窗波形分类技术的短板,本申请提供了一种变时窗框架下的地震波形分类方法,如图1所示,包括:
S101:对地震工区内的超像素地震数据进行抽稀获得超地震道质心。
本方案涉及到DTW距离和谱聚类算法在地震数据中的应用问题,会产生极大的运算量。一方面,DTW距离的计算要比传统的欧式距离要复杂。另一方面,将谱聚类算法应用于三维地震数据时,需要建立超大的相似性矩阵。当这两个问题同时存在时,计算机的内存及运算能力承受不起,本发明难以实现工业化应用。三维地震数据具有冗余的特点,因此,可通过对地震数据进行合理的抽稀,形成同质化区域,来解决本发明大运算量的问题。
在一实施例中,对地震工区内的超像素地震数据进行抽稀获得超地震道质心,如图2所示,包括:
S201:确定地震工区内的超像素地震数据中的每个地震道与当前质心点之间的超地震道距离。
S202:计算每个地震道与其他地震道的距离总和并更新质心点。
S203:再次确定每个地震道与当前质心点之间的超地震道距离,直到质心点的变化低于预设值即获得超地震道质心。
在一具体实施例中,在工区内按设定步长均匀的分配“超地震道”质心点。假设工区地震的总道数为N,将地震工区初步分割为K个相同尺寸的超地震道,则相邻质心点的距离(步长)为:
然后,给每个地震道分配标签:
有K个质心,则对应有K个质心类别标签。在每个质心点2S*2S的范围内,计算所有地震道与当前质心点的超地震道距离D。其包括波形距离和空间距离。
dc=R(Ck,Sj) (2)
其中Ck表示质心的波形,对应的空间坐标为XC,YC。Sj表示其2S*2S范围内的地震道波形,对应的空间坐标为XS,YS。R为计算DTW距离的函数。dc表示地震道与质心波形间的DTW距离,ds表示两者间的空间距离。η为尺度参数,用于控制波形距离dc与空间距离ds分别对于超地震道距离D的权重。η越大则空间距离影响越大,超地震道的边界更加方正。η越小则超地震道间的边界内容更加丰富,呈现不规则状。
在遍历所有质心点的过程中,每个地震道会被多次计算到与不同质心间的超地震道距离,取其中最小的超地震道距离,并将该地震道分配为最小距离所对应质心的标签。
此时,每个质心都有对应的相同标签的地震道。以其中任意质心为例,假设T=[t1,t2,t3,....tp]∈Rp为该质心标签的所有地震道,有p个。计算每个地震道ti与余下p-1个地震道的距离总和:
R为计算DTW距离的函数。
具有最小距离总和的地震道则作为新的质心。遍历所有的超地震道,完成所有质心的更新。
然后继续重复迭代上述公式(2)-(5)的步骤,直到每个质心的变化低于设定值,得到最终的质心(超地震道质心)。
图5为某地震工区应用超像素地震数据抽稀方法后的地震同质化区域图。图中每一个不规则网格代表同质化区域。在每个同质化区域中,可提取相应的质心。所有质心组成了抽稀后的地震数据。这些数据参与后续的计算,可极大地减小运算量。
S102:通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心。
在一实施例中,通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心,如图3所示,包括:
S301:通过全连接的方法计算超地震道质心的相似度矩阵。
S302:获取相似度矩阵对应的标准化拉普拉斯矩阵并提取聚类质心。
在一具体实施例中,常规谱聚类方法应用欧式距离建立相似度矩阵,可用于等长输入样本的聚类。为实现变时窗地震波形聚类,将欧式距离替换为DTW距离,具体步骤如下所示。假设A=[a1,a2,a3,....an]∈Rn为超像素地震数据抽稀后的地震波形,k为待分类数。
步骤(1)采用全连接的方法,计算相似度矩阵W∈Rn*k:
R为计算DTW距离的函数。sij为计算两地震道间的相似性。σ为高斯核函数,用来控制sij的值域范围。
步骤(2)计算度矩阵D(D∈Rn*n),为di组成的对角矩阵
步骤(3)计算标准化拉普拉斯矩阵
步骤(4)计算拉普拉斯矩阵L的特征值,并将特征值从小到大排序,取前k个特征值,并计算相应的特征向量U={u1,u2,u3,....uk}∈Rn*k。
步骤(5)令xi∈Rk是U的第i行的向量,其中i=1,2,.....,n;。利用K-means算法将新样本点X={x1,x2,x3,....xn}∈Rk*n聚类成簇C1,C2,C3,....Ck,并提取质心p1,p2,p3,....pk。
S103:计算超像素地震数据中的地震道到各个聚类质心的DTW距离。
S104:根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图。
在一实施例中,根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图,如图4所示,包括:
S401:计算地震道到各个超地震道质心的DTW距离。
S402:筛选最小DTW距离对应的超地震道质心,该超地震道质心的类别即为该地震道的类别。
S403:根据地震工区内所有地震道的类别生成地震波形分类平面图。
在实际例子中,首先输入三维地震工区层间波形数据Y=[y1,y2,y3,....yl]∈Rl,然后应用基于超像素的数据抽稀方法对地震道Y=[y1,y2,y3,....yl]∈Rl进行抽稀,得到超地震道质心A=[a1,a2,a3,....an]∈Rn,对于抽稀后的地震道A=[a1,a2,a3,....an]∈Rn,应用基于DTW距离改进的谱聚类算法,提取聚类质心P=[p1,p2,p3,....pk]∈Rk。这里k为分类数。对于Y=[y1,y2,y3,....yl]∈Rl,以任意地震道y为例,计算其到各个质心P的DTW距离ri(y)。
ri(y)=R(y,pi),i=1,2,3...k (11)
R为计算DTW距离的函数。
其类别为最小DTW距离所对应的质心类别identify(y)。
identify(y)=arg mini ri(y) (12)
判别地震工区所有地震道Y∈Rl的类别,最终可形成波形分类类别平面图。
基于同一发明构思,本申请实施例还提供了一种变时窗框架下的地震波形分类装置,可以用于实现上述实施例中所描述的方法,如下面实施例所述。由于该变时窗框架下的地震波形分类装置解决问题的原理与变时窗框架下的地震波形分类方法相似,因此变时窗框架下的地震波形分类装置的实施可以参见变时窗框架下的地震波形分类方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
如图6所示,本申请提供了一种变时窗框架下的地震波形分类装置,包括:
数据抽稀单元601,用于对地震工区内的超像素地震数据进行抽稀获得超地震道质心;
质心提取单元602,用于通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心;
DTW距离计算单元603,用于计算超像素地震数据中的地震道到各个聚类质心的DTW距离;
地震波形聚类单元604,用于根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图。
在一实施例中,如图7所示,数据抽稀单元601包括:
超地震道距离确定模块701,用于确定地震工区内的超像素地震数据中的每个地震道与当前质心点之间的超地震道距离;
质心点更新模块702,用于计算每个地震道与其他地震道的距离总和并更新质心点;
超地震道质心确定模块703,用于再次确定每个地震道与当前质心点之间的超地震道距离,直到质心点的变化低于预设值即获得超地震道质心。
在一实施例中,如图8所示,质心提取单元602包括:
相似度矩阵计算模块801,用于通过全连接的方法计算超地震道质心的相似度矩阵;
聚类质心提取模块802,用于获取相似度矩阵对应的标准化拉普拉斯矩阵并提取聚类质心。
在一实施例中,如图9所示,地震波形聚类单元604包括:
距离计算模块901,用于计算地震道到各个超地震道质心的DTW距离;
类别确定模块902,用于筛选最小DTW距离对应的超地震道质心,该超地震道质心的类别即为该地震道的类别;
地震波形分类模块903,用于根据地震工区内所有地震道的类别生成地震波形分类平面图。
动态时间规整(DTW)是一种衡量不同长度时间序列间距离的距离度量方法,在语音识别领域有着广泛的应用。本质上,DTW通过拉伸或压缩不同长度的信号至同一长度来实现相似性的度量。超像素是一种图像分割技术,是指由一系列具有相似纹理、颜色、亮度等特征的相邻像素组成的不规则像素块。超像素技术利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,很大程度上降低了图像处理的复杂度。
本申请借鉴上述超像素的思想,将地震道视为“像素点”。设计算法,将地震数据分割成一系列波形特征相似的相邻地震道组成的不规则地震分区,即“超地震道”。进一步提取“超地震道”的质心,其可代表地震工区的地震参数特征,从而实现地震数据的合理抽稀。后续对抽稀的地震数据进行聚类,解决算法大运算量的问题。
下面列举一个实际的例子来支撑本方案:
图10所示的正演模型为测试本发明识别变厚度不同岩性边界的能力。设计速度模型(图10中(a)),从左到右3种岩性的纵波速度分别为3600m/s,3400m/s和3200m/s。围岩的纵波速度为3000m/s。基于主频30HZ的零相位子波,应用波动方程,形成了二维地震合成记录(图10中(b))。
对地震合成记录应用不同的地震波形聚类算法进行测试。图10中(c)为基于等时窗SOM算法的地震波形分类结果。开取的时窗为底部层位和底部层位上漂40ms。图10中(d)为另一基于等时窗SOM算法的地震波形分类结果。开取的时窗为顶部层位和顶部层位下漂40ms。以上两种基于等时窗SOM算法的应用均不能准确的识别变厚度不同岩性的边界。图10中(e)为本发明波形分类方法的结果,开取的时窗为底部层位和顶部层位。正演结果表明本发明可以准确的识别不同岩性的边界。
图11所示的正演模型为测试本发明检测变厚度不同岩性组合边界的能力。设计速度模型(图11中(a)),砂岩速度为3400m/s。从底到顶,围岩的速度分别为3300m/s,3200m/s和3000m/s。从左到右,三组不同的岩性组合为多砂组、单砂层及围岩。基于主频30HZ的零相位子波,应用波动方程,形成了二维地震合成记录(图11中(b))。
图11中(c)为基于等时窗SOM算法的地震波形分类结果。开取的时窗为底部层位和底部层位上漂40ms。图11中(d)为另一基于等时窗SOM算法的地震波形分类结果。开取的时窗为顶部层位和顶部层位下漂40ms。以上两种基于等时窗SOM算法的应用均不能准确的识别变厚度不同岩性组合的边界。图11中(e)为基于变时窗的波形分类方法的结果,时窗为顶、底层位。正演结果表明本发明可以有效的检测不同岩性组合的边界。
如图12所示,三维测试地震面积约200平方公里。地震资料目的层主频为30赫兹,信噪比高。古生界下二叠统栖霞组段为研究目的层。栖霞组地层顶底时间厚度变化范围为28ms至55ms,常规基于等时窗的波形分类方法无法适用。因此,可采用本发明来预测工区栖霞组碳酸盐岩储层发育特征。
图13为应用本发明的波形分类结果。图13中(b)为基于多波资料提取的层间地震属性(纵横波平均频率比)。根据井资料,well1到well7的碳酸盐岩储层厚度分别为6.8m,6.2m,6m,5.6m,6m,0.5m and 0.6m。对于发育相对厚储层的井,well1,well2,well3和well4位于黄色区域,只有well5位于蓝色区域。发育薄储层的井,well6和well7位于蓝色区域。除了井well5,本发明地震波形分类平面图和储层厚度匹配程度较好,可为井位部署提供可靠参考。黄色区域为有利储层发育区,可优先部署井位,而建议避开蓝色区域。尽管图13中(a)和图13中(b)反映了相似的储层平面展布趋势。然而,基于常规的叠后地震资料,本发明能更好的表征不同厚度储层发育区的边界。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式,参见图14,所述电子设备具体包括如下内容:
处理器(processor)1401、内存1402、通信接口(Communications Interface)1403、总线1404和非易失性存储器1405;
其中,所述处理器1401、内存1402、通信接口1403通过所述总线1404完成相互间的通信;
所述处理器1401用于调用所述内存1402和非易失性存储器1405中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101对地震工区内的超像素地震数据进行抽稀获得超地震道质心。
S102通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心。
S103计算超像素地震数据中的地震道到各个聚类质心的DTW距离。
S104根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101对地震工区内的超像素地震数据进行抽稀获得超地震道质心。
S102通过基于DTW距离改进的谱聚类算法从超地震道质心中提取聚类质心。
S103计算超像素地震数据中的地震道到各个聚类质心的DTW距离。
S104根据DTW距离确定超像素地震数据中所有地震道的类别生成地震波形分类平面图。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种变时窗框架下的地震波形分类方法,其特征在于,包括:
对地震工区内的超像素地震数据进行抽稀获得超地震道质心;
通过基于DTW距离改进的谱聚类算法从所述超地震道质心中提取聚类质心;
计算所述超像素地震数据中的地震道到各个所述聚类质心的DTW距离;
根据所述DTW距离确定所述超像素地震数据中所有地震道的类别生成地震波形分类平面图。
2.根据权利要求1所述的变时窗框架下的地震波形分类方法,其特征在于,所述对地震工区内的超像素地震数据进行抽稀获得超地震道质心,包括:
确定地震工区内的超像素地震数据中的每个地震道与当前质心点之间的超地震道距离;
计算每个地震道与其他地震道的距离总和并更新质心点;
再次确定每个地震道与当前质心点之间的超地震道距离,直到质心点的变化低于预设值即获得所述超地震道质心。
3.根据权利要求1所述的变时窗框架下的地震波形分类方法,其特征在于,所述通过基于DTW距离改进的谱聚类算法从所述超地震道质心中提取聚类质心,包括:
通过全连接的方法计算所述超地震道质心的相似度矩阵;
获取所述相似度矩阵对应的标准化拉普拉斯矩阵并提取所述聚类质心。
4.根据权利要求1所述的变时窗框架下的地震波形分类方法,其特征在于,所述根据所述DTW距离确定所述超像素地震数据中所有地震道的类别生成地震波形分类平面图,包括:
计算所述地震道到各个所述超地震道质心的DTW距离;
筛选最小DTW距离对应的所述超地震道质心,该超地震道质心的类别即为该地震道的类别;
根据地震工区内所有地震道的类别生成地震波形分类平面图。
5.一种变时窗框架下的地震波形分类装置,其特征在于,包括:
数据抽稀单元,用于对地震工区内的超像素地震数据进行抽稀获得超地震道质心;
质心提取单元,用于通过基于DTW距离改进的谱聚类算法从所述超地震道质心中提取聚类质心;
DTW距离计算单元,用于计算所述超像素地震数据中的地震道到各个所述聚类质心的DTW距离;
地震波形聚类单元,用于根据所述DTW距离确定所述超像素地震数据中所有地震道的类别生成地震波形分类平面图。
6.根据权利要求5所述的变时窗框架下的地震波形分类装置,其特征在于,所述数据抽稀单元包括:
超地震道距离确定模块,用于确定地震工区内的超像素地震数据中的每个地震道与当前质心点之间的超地震道距离;
质心点更新模块,用于计算每个地震道与其他地震道的距离总和并更新质心点;
超地震道质心确定模块,用于再次确定每个地震道与当前质心点之间的超地震道距离,直到质心点的变化低于预设值即获得所述超地震道质心。
7.根据权利要求5所述的变时窗框架下的地震波形分类装置,其特征在于,所述质心提取单元包括:
相似度矩阵计算模块,用于通过全连接的方法计算所述超地震道质心的相似度矩阵;
聚类质心提取模块,用于获取所述相似度矩阵对应的标准化拉普拉斯矩阵并提取所述聚类质心。
8.根据权利要求5所述的变时窗框架下的地震波形分类装置,其特征在于,所述地震波形聚类单元包括:
距离计算模块,用于计算所述地震道到各个所述超地震道质心的DTW距离;
类别确定模块,用于筛选最小DTW距离对应的所述超地震道质心,该超地震道质心的类别即为该地震道的类别;
地震波形分类模块,用于根据地震工区内所有地震道的类别生成地震波形分类平面图。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至4中任意一项所述变时窗框架下的地震波形分类方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4中任一项所述变时窗框架下的地震波形分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933437.6A CN114152979B (zh) | 2020-09-08 | 2020-09-08 | 一种变时窗框架下的地震波形分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933437.6A CN114152979B (zh) | 2020-09-08 | 2020-09-08 | 一种变时窗框架下的地震波形分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114152979A true CN114152979A (zh) | 2022-03-08 |
CN114152979B CN114152979B (zh) | 2024-04-02 |
Family
ID=80460573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010933437.6A Active CN114152979B (zh) | 2020-09-08 | 2020-09-08 | 一种变时窗框架下的地震波形分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114152979B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222347A1 (en) * | 2012-11-03 | 2014-08-07 | Drilling Info, Inc. | Seismic Waveform Classification System And Method |
CN105243388A (zh) * | 2015-09-09 | 2016-01-13 | 电子科技大学 | 基于动态时间规整和划分算法的波形分类方法 |
CN106650766A (zh) * | 2016-09-13 | 2017-05-10 | 电子科技大学 | 基于固有特征分析的三维体波形分类方法 |
-
2020
- 2020-09-08 CN CN202010933437.6A patent/CN114152979B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222347A1 (en) * | 2012-11-03 | 2014-08-07 | Drilling Info, Inc. | Seismic Waveform Classification System And Method |
CN105243388A (zh) * | 2015-09-09 | 2016-01-13 | 电子科技大学 | 基于动态时间规整和划分算法的波形分类方法 |
CN106650766A (zh) * | 2016-09-13 | 2017-05-10 | 电子科技大学 | 基于固有特征分析的三维体波形分类方法 |
Non-Patent Citations (1)
Title |
---|
HONG ZHONG ET AL.: "A DTW distance-based seismic waveform clustering method for layers of varying thickness", 《APPLIED GEOPHYSICS》, vol. 17, no. 2, pages 171 - 181, XP037255581, DOI: 10.1007/s11770-020-0819-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN114152979B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AlRegib et al. | Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective | |
US10641915B2 (en) | Seismic stratigraphic surface classification | |
Wang et al. | A segmentation approach for stochastic geological modeling using hidden Markov random fields | |
Wang et al. | Successful leveraging of image processing and machine learning in seismic structural interpretation: A review | |
CN109804274B (zh) | 使用机器学习进行地震相识别的系统和方法 | |
AU2013378058B2 (en) | Detecting subsurface structures | |
US20200183031A1 (en) | Automated seismic interpretation-guided inversion | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
US8983141B2 (en) | Geophysical data texture segmentation using double-windowed clustering analysis | |
Lomask et al. | Application of image segmentation to tracking 3D salt boundaries | |
CN104101902B (zh) | 地震属性聚类方法及装置 | |
CN109272029B (zh) | 井控稀疏表征大规模谱聚类地震相划分方法 | |
Hosseini-Fard et al. | Automatic seismic image segmentation by introducing a novel strategy in histogram of oriented gradients | |
Farrokhnia et al. | Automatic salt dome detection in seismic data by combination of attribute analysis on CRS images and IGU map delineation | |
Khayer et al. | Combination of seismic attributes using graph-based methods to identify the salt dome boundary | |
CN108932455A (zh) | 遥感图像场景识别方法及装置 | |
Liu et al. | Stochastic simulation of facies using deep convolutional generative adversarial network and image quilting | |
CN105700016A (zh) | 生物滩储层地震预测的方法 | |
Alaudah et al. | Weakly-supervised labeling of seismic volumes using reference exemplars | |
Yin et al. | FMI image based rock structure classification using classifier combination | |
AlSalmi et al. | Automated seismic semantic segmentation using attention U-Net | |
CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
Lyu et al. | A buried hill fault detection method based on 3D U-SegNet and transfer learning | |
CN114152979B (zh) | 一种变时窗框架下的地震波形分类方法及装置 | |
Amin et al. | New attributes for salt dome detection in 3D seismic data using higher order SVD |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |