CN114167499A - 生物礁自动识别的方法及装置、电子设备和存储介质 - Google Patents
生物礁自动识别的方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114167499A CN114167499A CN202111472938.XA CN202111472938A CN114167499A CN 114167499 A CN114167499 A CN 114167499A CN 202111472938 A CN202111472938 A CN 202111472938A CN 114167499 A CN114167499 A CN 114167499A
- Authority
- CN
- China
- Prior art keywords
- horizon
- seismic
- determining
- time
- seismic data
- 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 109
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 66
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 67
- 230000002159 abnormal effect Effects 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 description 27
- 239000011435 rock Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 230000005856 abnormality Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 229930195733 hydrocarbon Natural products 0.000 description 5
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000010913 used oil Substances 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
- G01V1/307—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
- G01V2210/63—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
本公开涉及一种生物礁自动识别的方法及装置、电子设备和存储介质。涉及油气勘探技技术领域,所述的生物礁自动识别的方法,包括:获取地震数据;根据所述地震数据确定层位地震倾角及层位时频谱;基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。本公开实施例可利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
Description
技术领域
本公开涉及油气勘探技技术领域,尤其涉及一种生物礁自动识别的方法及装置、电子设备和存储介质。
背景技术
近年来,随着油气勘探技术水平的不断发展,其中碳酸盐岩生物礁滩油气藏以其巨大的储量特征受到人们的关注,生物礁油气藏是一种特殊的碳酸盐岩油气藏,因其良好的储集性能及油气潜力使其在油气田勘探中占有重要的位置。
通常生物礁滩油气藏是勘探难度较大的隐蔽型,用一些传统的技术一般很难对其进行储层预测,需要对碳酸盐岩生物礁储集层各方面的主要特征有充分的认识,才能减少勘探风险和提高储层预测的准确性。碳酸盐岩生物礁含油气性预测的困难主要在于:首先,生物礁类型发育相带和分布规律的认识不足;其次,生物礁非均质性强,不仅表现为横向分布上的非均质性,而且还表现为纵向上储层特征的非均值性;再次,地震资料品质较差,构造复杂,使得生物礁的预测难度大,油气在非均质性研究方面难度更大,最后,目前所用的含油气性预测方法有所局限,综合储层预测的技术和方法有待提高。
目前生物礁的识别主要有四个方法,沉积背景差异分析,地震相识别,地震属性和厚度判别,首先沉积背景分析,解释人员主要根据目标区域地质构造沉积背景的现有认识,进行生物礁辨别,此方法对解释人员的地质经验依赖性较大,误差较大;其次,沉积背景差异分析,生物礁的特殊岩石格架,沉积环境和内部结构以及地震速度与围岩存在明显的差异,其对应的地震响应反射,内部组成表现为振幅、频率和相位的连续性,与围岩有较大的区别,但对于个体较小的礁体,地震异常特征虽然不明显,不利于识别,容易和断层混淆;再次,地震属性分析,由于生物礁与围岩地震相特征存在的差异,这种差异就可以通过提取的地震属性来研究这些生物礁的平面特征,其中最直接的地震属性就是振幅的变化,礁滩岩表现为明显的弱振幅信息或者差相干性,但是要在剖面上排除断层的可能性;最后,厚度判别,由于生物礁特殊的生长、沉积环境和欠补偿沉积环境中,大量的生物格架和生物碎屑堆砌使得生物礁发育处地层厚度比普通地台碳酸盐岩的厚度要大。但是要排除断层因素使地层加厚的情形,因为逆掩断裂发育同样可以在厚度图上反映为地层厚度。
发明内容
本公开提出了一种生物礁自动识别的方法及装置、电子设备和存储介质技术方案。
根据本公开的一方面,提供了一种生物礁自动识别的方法,包括:
获取地震数据;
根据所述地震数据确定层位地震倾角及层位时频谱;
基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
优选地,所述根据所述地震数据确定层位地震倾角的方法,包括:
根据所述地震数据确定层位地震的时间采样点及共深度点;
根据所述层位地震的时间采样点及所述共深度点确定二维矩阵;
根据所述二维矩阵确定所述层位地震倾角。
优选地,所述根据所述二维矩阵确定所述层位地震倾角的方法,包括:
根据所述二维矩阵确定所述二维矩阵对应的梯度向量;
根据所述梯度向量确定所述二维矩阵对应的结构张量;
基于所述结构张量确定所述层位地震倾角。
优选地,所述基于所述结构张量确定所述层位地震倾角的方法,包括:
对所述结构张量进行卷积处理,得到卷积结构张量;
基于所述卷积结构张量确定所述层位地震倾角。
优选地,所述根据所述地震数据确定层位时频谱的方法,包括:
根据所述地震数据确定层位地震的时间采样点及共深度点;
以所述地震数据的共深度点方向为时序方向,以所述地震数据的时间采样点对所述地震数据进行时频变换,以确定层位时频谱。
优选地,所述基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别的方法,包括:
获取设定地震倾角值以及设定时频谱;
根据所述层位地震倾角及所述设定地震倾角值确定异常地震倾角;
根据所述层位时频谱及所述设定时频谱确定异常时频谱;
分别根据所述异常地震倾角及所述异常地震倾角确定倾角异常方差及时频异常方差;
基于预设分类模型,利用所述倾角异常方差及所述时频异常方差对生物礁进行识别。
优选地,在所述根据所述地震数据确定层位地震倾角及层位时频谱之前,对所述地震数据进行拉平以及/或对称延拓补齐处理;
根据拉平以及/或对称延拓补齐处理后的地震数据确定层位地震倾角及层位时频谱;
以及/或,
对进行拉平以及/或对称延拓补齐处理的所述地震数据进行去噪处理,或对所述地震数据进行去噪处理;
根据去噪处理后的地震数据确定层位地震倾角及层位时频谱。
根据本公开的一方面,提供了一种生物礁自动识别装置,包括:
获取单元,用于获取地震数据;
确定单元,用于根据所述地震数据确定层位地震倾角及层位时频谱;
识别单元,用于基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述生物礁自动识别的方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述生物礁自动识别的方法。
在本公开实施例中,与现有的常规方法相比,本公开具有可解释性强,易于使用操作的特点,可利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例生物礁自动识别的方法流程图;
图2示出根据本公开实施例的原始地震数据;
图3示出根据本公开实施例的上层位拉平地震数据;
图4示出根据本公开实施例的下层位拉平地震数据;
图5示出根据本公开实施例的上层位拉平对称延拓补齐并去噪后的地震数据;
图6示出根据本公开实施例的下层位拉平对称延拓补齐并去噪后的地震数据;
图7示出根据本公开实施例的上层位拉平地震地层倾角异常分析图;
图8示出根据本公开实施例的下层位拉平地震地层倾角异常分析图;
图9示出根据本公开实施例的上层位拉平地震时频异常分析图;
图10示出根据本公开实施例的下层位拉平地震时频异常分析图;
图11示出根据本公开实施例的CDP方向的分窗图;
图12示出根据本公开实施例的方差特征曲线图;(a)上层位拉平地震时频异常方差特征曲线;(b)下层位拉平地震时频异常方差特征曲线;(c)上层位拉平地震地层倾角异常方差曲线;(d)下层位拉平地震地层倾角异常方差曲线,其中横轴是方差大小,纵轴是CDP方向;
图13示出根据本公开实施例的自组织神经网络的网络结构图;
图14示出根据本公开实施例的生物礁类别分类结果;
图15是根据一示例性实施例示出的一种电子设备800的框图;
图16是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了生物礁自动识别装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种生物礁自动识别的方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例生物礁自动识别的方法的流程图,如图1所示,所述生物礁自动识别的方法,包括:步骤S101:获取地震数据;步骤S102:根据所述地震数据确定层位地震倾角及层位时频谱;步骤S103:基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。与现有的常规方法相比,本公开具有可解释性强,易于使用操作的特点,可利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
步骤S101:获取(原始)地震数据。
在本公开中,在所述根据所述地震数据确定层位地震倾角及层位时频谱之前,对所述地震数据进行拉平以及/或对称延拓补齐处理;根据拉平以及/或对称延拓补齐处理后的地震数据确定层位地震倾角及层位时频谱;以及/或,对进行拉平以及/或对称延拓补齐处理的所述地震数据进行去噪处理,或对所述地震数据进行去噪处理;根据去噪处理后的地震数据确定层位地震倾角及层位时频谱。
图2示出根据本公开实施例的原始地震数据。图3示出根据本公开实施例的上层位拉平地震数据。图4示出根据本公开实施例的下层位拉平地震数据。图5示出根据本公开实施例的上层位拉平对称延拓补齐并去噪后的地震数据。
对原始层位地震数据进行上拉平处理和上拉平处理,并分别进行对称延拓补齐处理。从图2中可以看出,原始地震数据是在不同CDP(共深度点)道上随时间变化的。在本公开的实施例中,所述对所述地震数据进行拉平,包括:上层位拉平以及下层位拉平。对所述地震数据进行上层位拉平的方法,包括:确定上层位拉平的第一时间基准值,基于所述第一时间基准值对所述原始地震数据进行拉平处理,使所述原始地震数据在不同CDP道上的上层位为一条直线。对所述地震数据进行下层位拉平的方法,包括:确定下层位拉平的第二时间基准值,基于所述第二时间基准值对所述原始地震数据进行拉平处理,使所述原始地震数据在不同CDP道上的下层位为一条直线。
其中,所述确定上层位拉平的第一时间基准值的方法,包括:确定CDP道的区间;分别确定所述区间内CDP道对应的时间信息;对所有所述时间信息取平均值,将所述平均值确定为第一时间基准值。例如,确定CDP道的区间为[0,800],分别确定区间[0,800]内CDP道对应的时间信息,对所有所述时间信息取平均值40,将所述平均值40确定为第一时间基准值。同理,所述确定下层位拉平的第二时间基准值的方法,包括:按照所述上层位拉平的CDP道的区间确定CDP道的区间;分别确定所述区间内CDP道对应的时间信息;对所有所述时间信息取平均值,将所述平均值确定为第二时间基准值。例如,按照所述上层位拉平的CDP道的区间确定CDP道的区间,按照所述上层位拉平的CDP道的区间确定CDP道的区间为[0,800],确定下层位拉平的CDP道的区间也应为[0,800],分别下层位拉平的确定区间[0,800]内CDP道对应的时间信息,对所有所述时间信息取平均值178,将所述平均值178确定为第二时间基准值。
其中,所述基于所述第一时间基准值对所述原始地震数据进行拉平处理的方法,包括:基于所述第一时间基准值,对所述原始地震数据进行上下移位操作,在所述上下移位操作的同时保持所述不同CDP道上的幅值大小不变。所述基于所述第一时间基准值对所述原始地震数据进行拉平处理的方法,包括:基于所述第二时间基准值,对所述原始地震数据进行上下移位操作,在所述上下移位操作的同时保持所述不同CDP道上的幅值大小不变。因此,本方法只改变了原始地震数据的时间信息,并未改变原始地震数据在不同CDP道上的幅值。
从图2中可以看出,原始地震数据、上层位拉平以及下层位拉平后的地震数据是不对称的。在本公开的实施例中,所述对所述地震数据进行对称延拓补齐处理前,需要对所述原始地震数据分别进行上层位拉平以及下层位拉平处理。将上层位拉平以及下层位拉平处理后的地震数据进行对称延拓补齐处理,得到对称延拓补齐处理后的地震数据。
在本公开的实施例中,将上层位拉平以及下层位拉平处理后的地震数据进行对称延拓补齐处理的方法,包括:获取所述上层位拉平的CDP道的区间或所述下所述上层位拉平的CDP道的区间;计算所述所CDP道的区间的中点值;基于所述中点值,获取设定层位对应的地震数据;利用所述设定层位对应的地震数据对所述上层位拉平以及下层位拉平处理后的地震数据对应的空值进行填充,得到对称延拓补齐处理后的地震数据。所述上层位拉平以及下层位拉平处理后的地震数据对应的空值为0,进行填充的所述设定层位对应的地震数据时间及CDP道对应值相同。例如,所述上层位拉平以及下层位拉平处理后的地震数据对应的空值对应的时间及CDP道分别为50及380,用于填充的设定层位对应的地震数据时间及CDP道对应值相同也应该为50及380。
其中,所述在获取设定层位对应的地震数据之前,需要确定所述获取设定层位对应的地震数据,其确定方法,包括:获取设定层数;确定地震数据的层位;取距离所述地震数据的层位相邻所述设定层数对应的地震数据。进一步,所述取距离所述地震数据的层位为设定层数对应的地震数据的方法,包括:取距离所述地震数据的层位相邻设定层数的所有层位对应的地震数据;对所述所有层位对应的地震数据取平均值,得到平均地震数据,利用所述平均地震数据对所述上层位拉平以及下层位拉平处理后的地震数据的空值进行填充,得到对称延拓补齐处理后的地震数据。例如,设定层数为3,可以取距离所述地震数据相邻的层位为1层、2层及3层的地震数据,对所述1层、2层及3层的地震数据对应的地震数据取平均值,得到平均地震数据,利用所述平均地震数据对所述上层位拉平以及下层位拉平处理后的地震数据的空值进行填充,得到对称延拓补齐处理后的地震数据。
同时,在本公开的实施例中,所述取距离所述地震数据的层位为设定层数的所有层位对应的地震数据的方法,包括:分别确定第一方向上及与所述第一方向相对的第二方向上,距离所述地震数据的层位相邻设定层数的所有层位对应的地震数据;计算所述第一方向的所有层位对应的地震数据的第一平均值;计算所述第二方向的所有层位对应的地震数据的第二平均值;比较所述第一平均值及所述第二平均值,将所述第一平均值及所述第二平均值最大的作为平均地震数据;利用所述平均地震数据对所述上层位拉平以及下层位拉平处理后的地震数据的空值进行填充,得到对称延拓补齐处理后的地震数据。其中,所述第一方向可以为所述原始地震数据层位的上侧,则所述第一方向相对的第二方向为所述原始地震数据层位的下侧。
在本公开的实施例中,当碳酸盐岩储层含有生物礁时,在地震响应剖面上会出现如下特征:生物礁体在剖面上呈现丘状或透镜状外形;生物礁体周围可能会出现上超或披盖构造;生物礁的内部反射杂乱,或会出现空白弱反射现象;生物礁体的地层顶底振幅能量横向分布并不均匀;生物礁体与围岩存在速度差,故生物礁体地震响应同相轴会出现上凸或下凹现象;生物礁体顶界反射可能会出现相位反转现象。综上所述,生物礁地震响应同相轴的动力学特征,振幅、相位和频率与围岩地震响应同相轴动力学特征不同,且存在倾角异常。
本发明将去噪后的层拉平地震数据作为预设分类模型的数据特征提取的基础数据。预设分类模型可选择自组织神经网络训练,自组织神经网络可见下文详细说明。
图5示出根据本公开实施例的上层位拉平对称延拓补齐并去噪后的地震数据。图6示出根据本公开实施例的下层位拉平对称延拓补齐并去噪后的地震数据。在本公开的实施例中,对进行拉平以及/或对称延拓补齐处理的所述地震数据进行去噪处理,或对所述地震数据进行去噪处理,本发明方法采用奇异值分解方法对拉平以及/或对称延拓补齐处理的所述地震数据进行去噪处理。奇异值分解的结果是一系列两两正交的向量按照奇异值大小排列组合的结果,层拉平数据(上拉平处理以及/或上拉平处理以及/或对称延拓补齐处理的地震数据)与奇异值方法结合可以间接达到岩层滤波的效果。
值得说明的是,在本公开以下的实施例中,对原始层位地震数据进行上拉平处理和下拉平处理,并对上拉平处理和下拉平处理的地震数据进行了对称延拓补齐处理,然后根据分别根据对称延拓补齐处理的地震数据确定层位地震倾角及层位时频谱。
步骤S102:根据所述地震数据确定层位地震倾角及层位时频谱。
在本公开中,所述根据所述地震数据确定层位地震倾角的方法,包括:根据所述地震数据确定层位地震的时间采样点及共深度点;根据所述层位地震的时间采样点及所述共深度点确定二维矩阵;根据所述二维矩阵确定所述层位地震倾角。
在本公开中,所述根据所述二维矩阵确定所述层位地震倾角的方法,包括:根据所述二维矩阵确定所述二维矩阵对应的梯度向量;根据所述梯度向量确定所述二维矩阵对应的结构张量;基于所述结构张量确定所述层位地震倾角。
在本公开中,所述基于所述结构张量确定所述层位地震倾角的方法,包括:对所述结构张量进行卷积处理,得到卷积结构张量;基于所述卷积结构张量确定所述层位地震倾角。
在本公开的实施例中,对滤波后去噪处理后的地震数据进行结构张量分析计算得到层位地震倾角;地震数据倾角的提取方法主要有基于波形相似度的方法和基于结构张量方法,相较于波形相似度倾角估算方法,结构张量倾角估算的方法对噪声不敏感,算法稳健,故本发明中采用的结构张量倾角估算的方法。
在本公开的实施例中,所述根据所述梯度向量确定所述二维矩阵对应的结构张量方法包括:对所述梯度向量进行转置操作,得到转置后的梯度向量;根据所述转置后的梯度向量及所述转置前的梯度向量确定所述二维矩阵对应的结构张量。其中,所述确定所述二维矩阵对应的结构张量的方法,包括:分别确定所述转置后的梯度向量的第一维数及所述转置前的梯度向量的第二维数,根据所述第一维数及所述第二维数确定所述转置后的梯度向量及所述转置前的梯度向量的顺序,以便转置后的梯度向量及所述转置前的梯度向量符合矩阵乘法规则。
在本公开的实施例中,所述根据所述二维矩阵确定所述二维矩阵对应的梯度向量的方法,包括:分别求取所述二维矩阵每个元素在CDP方向的梯度及时间采样点方向的梯度;基于所有元素在CDP方向的梯度及时间采样点方向的梯度确定所述二维矩阵对应的梯度向量。
在本公开的实施例中,根据所述地震数据确定层位地震的时间采样点及共深度点,例如,层位地震的时间采样点数设为M,CDP(common depth point,共深度点)道的个数设为N,则层位地震可以看作为一个二维矩阵,大小为M×N,则某一点的梯度向量为
G(i,j)=(Ix(i,j),Iz(i,j))T (2-1)
其中,Ix(i,j)是x方向(CDP)方向的梯度,Iz(i,j)是z方向(时间采样点)方向的梯度,i=1,2,3,…,M-1,M,j=1,2,3,…,N-1,N。直接利用(2-1)式计算的梯度受噪声的影响较大,所以,采用结构张量来进行计算。
其中,T(i,j)是(i,j)点的结构张量。式(2-2)能避免局部影响,为增强同一方向的梯度和提高倾角估算的稳定性。本发明利用结构张量分析计算得到倾角,区别于传统的高维降维相干倾角估算方法,结构张量倾角估算具有很好的保真度,能够稳健的估算出地层的倾角。
在本公开的具体实施方式中,所述对所述结构张量进行卷积处理,得到卷积结构张量的方法,包括:构造滤波器;根据所述滤波器对所述结构张量进行卷积处理,得到卷积结构张量。其中,所述构造滤波器的方法,包括:获取噪声标准方差;根据CDP方向的坐标确定高斯窗的横坐标,以及根据时间采样点方向的坐标确定高斯窗的纵坐标;获取高斯窗在所述横坐标的范围以及在所述横坐标的范围,以确定高斯窗的参数;基于所述参数及噪声标准方差构造所述滤波器。在本公开的实施例中,所述滤波器为二维高斯滤波器。
在式(2-2)的基础上卷积一个二维高斯滤波器,结果如式(2-3)所示,其中σ是噪声标准方差,xc是高斯窗CDP方向的坐标,zc是高斯窗时间采样点方向的坐标。xc和zc的取值范围与二维高斯窗的大小有关,设高斯窗的大小为(2m1+1,2m2+1),则高斯窗在x方向的取值范围是[-m1:m1],高斯窗在z方向的取值范围是[-m2:m2]。m1及m2为设定值。
利用式(2-3)的卷积结构张量,进一步计算(i,j)点的地层倾角如式(2-4)所示:
其中,θ是(i,j)点的地层倾角。αtan为arctan函数。
图7示出根据本公开实施例的上层位拉平地震地层倾角异常分析图。图8示出根据本公开实施例的下层位拉平地震地层倾角异常分析图。地层倾角异常指地层倾角较大,地层倾角大于设定地层倾角时,可认为地层倾角较大。图7中的黑的部分表示地层倾角较大。在本公开中,所述设定地层倾角可为0.1°
在本公开的实施例中,对滤波后去噪处理后的地震数据进行连续小波变换得到层位地震时频分析;连续小波变换进行时频变换分析,能够突出局部化特征,自适应的进行时频信号分析。本发明方法以CDP方向为时序方向,每个采样点数据分别进行连续小波时频变换,最后求取平均时频变换为最终的层位地震时频分析结果。
在本公开的实施例中,以所述地震数据的共深度点方向为时序方向,以所述地震数据的时间采样点对所述地震数据进行时频变换,以确定层位地震时频谱的方法,包括:分别对拉平以及/或对称延拓补齐处理后的地震数据对应的时频谱取平均得到层位地震时频谱。
例如,设地震数据为{Di,j,i=1,2,3,…,M-1,M,j=1,2,3,…,N-1,N},则一个采样点的数据是d(i)j,j=1,2,3,…,N-1,N,对它做连续小波变换后得到时频谱k=1,2,3,…,L;j=1,2,3,…,N-1,N;i=1,2,3,…,M-1,M,其中L是频率方向的个数。遍历所有采样点数据,得到M个时频谱分析,最后将M个时频谱取平均,得到拉平数据体的时频分析,如图9和如图10所示。图9示出根据本公开实施例的上层位拉平地震时频异常分析图;图10示出根据本公开实施例的下层位拉平地震时频异常分析图。
本发明的实施例在拉平地震数据的基础上,沿CDP方向做时频分析,非生物礁区域分布于低频区,而生物礁由于地震响应动力学特征与围岩特征不同,其频率宽度和能量大于非生物礁区域。
在本发明的实施例中,由于生物礁的地震响应的动力学属性,如振幅、相位和频率与围岩相区别,且生物礁的地震响应同相轴倾角大于围岩的地震响应同相轴倾角的特征,层拉平地震数据更有利于时频异常和倾角异常的凸显,同时采用了连续小波变换进行时频变换分析,能够突出局部化特征,自适应的进行时频信号分析。
步骤S103:基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
在本公开中,所述基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别的方法,包括:获取设定地震倾角值以及设定时频谱;根据所述层位地震倾角及所述设定地震倾角值确定异常地震倾角;根据所述层位时频谱及所述设定时频谱确定异常时频谱;分别根据所述异常地震倾角及所述异常地震倾角确定倾角异常方差及时频异常方差;基于预设分类模型,利用所述倾角异常方差及所述时频异常方差对生物礁进行识别。
在本公开的实施例中,所述的根据所述层位地震倾角及所述设定地震倾角值确定异常地震倾角方法,包括:获取设定地层倾角;若所述层位地震倾角及所述设定地层倾角值,确定为异常地震倾角。设定地层倾角可为0.1°
在本公开的实施例中,根据所述层位时频谱及所述设定时频谱确定异常时频谱的方法,包括:获取设定时频谱;若所述层位时频谱大于所述设定时频谱,确定为异常时频谱。其中,所述异常时频谱的数值可为4000。
在本公开的实施例中,所述根据所述异常地震倾角确定倾角异常方差的方法,构造CDP方向的窗函数,所述窗函数沿CDP方向逐点滑动,计算每个矩形窗内异常地震倾角的标准方差值作为该CDP点的倾角异常方差。
同理,在本公开的实施例中,所述根据所述异常地震倾角确定倾角异常方差的方法,构造CDP方向的窗函数,所述窗函数沿CDP方向逐点滑动,计算每个矩形窗内异常时频的标准方差值作为该CDP点的时频异常方差。
在本公开的实施例中,构造CDP方向的窗函数的大小为(2m1+1,2m2+1),则窗函数在x方向的取值范围是[-m1:m1],窗函数在z方向的取值范围是[-m2:m2]。其中,m1及m2为设定值。
图11示出根据本公开实施例的CDP方向的分窗图。在CDP方向上,每个CDP点开矩形窗,如图11所示,矩形窗沿CDP方向逐点滑动,每个矩形窗内提取数据的标准方差值作为该CDP点的方差值,遍历所有CDP点提取一维方差曲线。
例如,在CDP方向上,每个CDP点开矩形窗,如图11所示,矩形窗沿CDP方向在异常地震倾角数据内逐点滑动,每个矩形窗内提取异常地震倾角的标准方差值作为该CDP点的方差值,遍历所有CDP点提取一维异常地震倾角的方差曲线。
例如,在CDP方向上,每个CDP点开矩形窗,如图11所示,矩形窗沿CDP方向在时频异常数据内逐点滑动,每个矩形窗内提取时频异常的标准方差值作为该CDP点的方差值,遍历所有CDP点提取一维异时频异常的方差曲线。
图12示出根据本公开实施例的方差特征曲线图;(a)上层位拉平地震时频异常方差特征曲线;(b)下层位拉平地震时频异常方差特征曲线;(c)上层位拉平地震地层倾角异常方差曲线;(d)下层位拉平地震地层倾角异常方差曲线,其中横轴是方差大小,纵轴是CDP方向。
在本公开的实施例中,所述预设分类模型可为选用任一分类模型,例如分类模型可选用逻辑回归,决策树,随机森林,梯度提升树,多层感知机,线性SVM,朴素贝叶斯,或梯度提升树(GBTs)中的梯度提升决策树(GBDT)和梯度提升回归树(GBRT),神经网络分类模型,本公开给出了一种自组织神经网络的具体实施方式。
图13示出根据本公开实施例的自组织神经网络的网络结构图。利用得到的倾角异常方差曲线和时频异常方差曲线,进行自组织神经网络学习,得到生物礁识别的分类曲线结果。
如图13所示,为自组织神经网络的网络结构图,自组织神经网络共两层,输入层和竞争输出层。自组织神经网络是无监督学习网络。它通过自动寻找样本中的内在规律和本质属性,自组织、自适应的改变网络参数和结构,它将相似模式的样本归为一类,将不相似的样本进行分离,相似性是自组织神经网络学习分类的依据。
在本公开的实施例中,所述基于预设分类模型,利用所述倾角异常方差及所述时频异常方差对生物礁进行识别的方法,包括:预设分类的数目为2;将所述倾角异常方差及所述时频异常方差作为特征属性数据,采用欧式距离作为相似性的度量,对生物礁进行识别。
具体地说,利用自组织神经网络,采用欧式距离作为相似性的度量,采用如图12的上层位拉平地震时频异常方差特征曲线;下层位拉平地震时频异常方差特征曲线;上层位拉平地震地层倾角异常方差曲线;下层位拉平地震地层倾角异常方差曲线作为分类学习的特征属性数据,其分类结果为是否是生物礁的判别分类。
图14示出根据本公开实施例的生物礁类别分类结果。如图14所示,为自组织神经网络学习的分类结果,横轴代表分类类别,当值为1时表示非生物礁,当值为2,表示为生物礁,纵轴是CDP方向,表示生物礁沿CDP方向的分布范围。
在生物礁自动识别的方法中,具体步骤如下:步骤一:对原始层位地震数据进行上拉平处理和下拉平处理,并分别进行对称延拓补齐处理;步骤二:对上拉平地震数据和下拉平地震数据进行结构张量分析计算得到层位地震倾角;步骤三:对上拉平地震数据和下拉平地震数据进行连续小波变换得到层位地震时频分析;步骤四:利用步骤二的层位地震倾角提取倾角异常方差曲线;利用步骤三的层位地震时频分析提取时频异常方差曲线;步骤五:利用步骤四得到的倾角异常方差曲线和时频异常方差曲线,进行自组织神经网络学习,得到生物礁识别的分类曲线结果。
在本发明中,生物礁自动识别的方法执行主体可以是生物礁自动识别装置,例如,生物礁自动识别的方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该生物礁自动识别的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提出了一种生物礁自动识别装置,所述生物礁自动识别装置,包括:获取单元,用于获取地震数据;确定单元,用于根据所述地震数据确定层位地震倾角及层位时频谱;识别单元,用于基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。与现有的常规方法相比,本公开具有可解释性强,易于使用操作的特点,可利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。与现有的常规方法相比,本公开具有可解释性强,易于使用操作的特点,可利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。与现有的常规方法相比,本公开具有可解释性强,易于使用操作的特点,可利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
本发明依据生物礁的地震响应的特殊频率和倾角异常,首先进行上下层位拉平,然后对拉平数据进行频率异常分析和倾角异常分析,把频率异常和倾角异常数据的层位方差特征曲线,作为自组织神经网络的特征数据,最后通过自组织神经网络学习,自动识别处生物礁。因此,与常规方法相比,本发明方法具有可解释性强,易于使用操作等诸多特点。
综上所述,本发明方法具有可解释性强,易于使用操作的特点,首先本发明方法将层位地震数据进行了拉平处理,由于生物礁的地震响应的动力学属性,如振幅、相位和频率与围岩相区别,且生物礁的地震响应同相轴倾角大于围岩的地震响应同相轴倾角的特征,层拉平地震数据更有利于时频异常和倾角异常的凸显,本发明方法采用了连续小波变换进行时频变换分析,能够突出局部化特征,自适应的进行时频信号分析;本发明利用结构张量分析计算得到倾角,区别于传统的高维降维相干倾角估算方法,结构张量倾角估算具有很好的保真度,能够稳健的估算出地层的倾角。
图15是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图15,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图16是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图16,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种生物礁自动识别的方法,其特征在于,包括:
获取地震数据;
根据所述地震数据确定层位地震倾角及层位时频谱;
基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
2.根据权利要求1所述的方法,其特征在于,所述根据所述地震数据确定层位地震倾角的方法,包括:
根据所述地震数据确定层位地震的时间采样点及共深度点;
根据所述层位地震的时间采样点及所述共深度点确定二维矩阵;
根据所述二维矩阵确定所述层位地震倾角。
3.根据权利要求2所述的方法,其特征在于,所述根据所述二维矩阵确定所述层位地震倾角的方法,包括:
根据所述二维矩阵确定所述二维矩阵对应的梯度向量;
根据所述梯度向量确定所述二维矩阵对应的结构张量;
基于所述结构张量确定所述层位地震倾角。
4.根据权利要求3所述的方法,其特征在于,所述基于所述结构张量确定所述层位地震倾角的方法,包括:
对所述结构张量进行卷积处理,得到卷积结构张量;
基于所述卷积结构张量确定所述层位地震倾角。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述地震数据确定层位时频谱的方法,包括:
根据所述地震数据确定层位地震的时间采样点及共深度点;
以所述地震数据的共深度点方向为时序方向,以所述地震数据的时间采样点对所述地震数据进行时频变换,以确定层位时频谱。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别的方法,包括:
获取设定地震倾角值以及设定时频谱;
根据所述层位地震倾角及所述设定地震倾角值确定异常地震倾角;
根据所述层位时频谱及所述设定时频谱确定异常时频谱;
分别根据所述异常地震倾角及所述异常地震倾角确定倾角异常方差及时频异常方差;
基于预设分类模型,利用所述倾角异常方差及所述时频异常方差对生物礁进行识别。
7.根据权利要求1-6任一项所述的方法,其特征在于,在所述根据所述地震数据确定层位地震倾角及层位时频谱之前,对所述地震数据进行拉平以及/或对称延拓补齐处理;
根据拉平以及/或对称延拓补齐处理后的地震数据确定层位地震倾角及层位时频谱;
以及/或,
对进行拉平以及/或对称延拓补齐处理的所述地震数据进行去噪处理,或对所述地震数据进行去噪处理;
根据去噪处理后的地震数据确定层位地震倾角及层位时频谱。
8.一种生物礁自动识别装置,其特征在于,包括:
获取单元,用于获取地震数据;
确定单元,用于根据所述地震数据确定层位地震倾角及层位时频谱;
识别单元,用于基于预设分类模型,利用所述层位地震倾角及所述层位时频谱对生物礁进行识别。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的生物礁自动识别的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的生物礁自动识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111472938.XA CN114167499B (zh) | 2021-12-02 | 2021-12-02 | 生物礁自动识别的方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111472938.XA CN114167499B (zh) | 2021-12-02 | 2021-12-02 | 生物礁自动识别的方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114167499A true CN114167499A (zh) | 2022-03-11 |
CN114167499B CN114167499B (zh) | 2022-08-26 |
Family
ID=80483112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111472938.XA Active CN114167499B (zh) | 2021-12-02 | 2021-12-02 | 生物礁自动识别的方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167499B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120195165A1 (en) * | 2011-01-31 | 2012-08-02 | Chevron U.S.A. Inc. | Exploitation of self-consistency and differences between volume images and interpreted spatial/volumetric context |
CN103488971A (zh) * | 2013-09-06 | 2014-01-01 | 电子科技大学 | 生物礁储层的几何形态识别方法 |
CA2964893A1 (en) * | 2014-10-24 | 2016-04-28 | Landmark Graphics Corporation | Structure tensor constrained tomographic velocity analysis |
CN111290021A (zh) * | 2020-03-25 | 2020-06-16 | 北京奥能恒业能源技术有限公司 | 基于梯度结构张量谱分解的碳酸盐岩缝洞增强识别方法 |
CN111487675A (zh) * | 2020-03-25 | 2020-08-04 | 王仰华 | 地震数据高信噪比高分辨率时频谱的生成方法 |
CN112462423A (zh) * | 2020-11-03 | 2021-03-09 | 中国石油天然气集团有限公司 | 生物礁厚度预测方法及装置 |
CN112464547A (zh) * | 2019-09-06 | 2021-03-09 | 中国石油天然气股份有限公司 | 地震倾角和方位角的确定方法及装置 |
-
2021
- 2021-12-02 CN CN202111472938.XA patent/CN114167499B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120195165A1 (en) * | 2011-01-31 | 2012-08-02 | Chevron U.S.A. Inc. | Exploitation of self-consistency and differences between volume images and interpreted spatial/volumetric context |
CN103488971A (zh) * | 2013-09-06 | 2014-01-01 | 电子科技大学 | 生物礁储层的几何形态识别方法 |
CA2964893A1 (en) * | 2014-10-24 | 2016-04-28 | Landmark Graphics Corporation | Structure tensor constrained tomographic velocity analysis |
CN112464547A (zh) * | 2019-09-06 | 2021-03-09 | 中国石油天然气股份有限公司 | 地震倾角和方位角的确定方法及装置 |
CN111290021A (zh) * | 2020-03-25 | 2020-06-16 | 北京奥能恒业能源技术有限公司 | 基于梯度结构张量谱分解的碳酸盐岩缝洞增强识别方法 |
CN111487675A (zh) * | 2020-03-25 | 2020-08-04 | 王仰华 | 地震数据高信噪比高分辨率时频谱的生成方法 |
CN112462423A (zh) * | 2020-11-03 | 2021-03-09 | 中国石油天然气集团有限公司 | 生物礁厚度预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
蔡涵鹏: "礁滩相储层综合预测研究——以SYB地区长兴组为例", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
贾跃玮 等: "兴隆气田长兴组生物礁储层预测研究", 《物探与化探》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114167499B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A scalable deep learning platform for identifying geologic features from seismic attributes | |
Nazari Siahsar et al. | Data-driven multitask sparse dictionary learning for noise attenuation of 3D seismic data | |
Liu et al. | Common-azimuth seismic data fault analysis using residual UNet | |
Huang et al. | Unveiling the signals from extremely noisy microseismic data for high-resolution hydraulic fracturing monitoring | |
Wu et al. | De-noising of transient electromagnetic data based on the long short-term memory-autoencoder | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Shafiq et al. | A texture-based interpretation workflow with application to delineating salt domes | |
CN111025384B (zh) | 基于波形分类交汇融合的储层预测方法和装置 | |
Holmström et al. | Statistical scale space methods | |
Kaur et al. | A deep learning framework for seismic facies classification | |
US10444062B2 (en) | Measuring and diagnosing noise in an urban environment | |
CN114167499B (zh) | 生物礁自动识别的方法及装置、电子设备和存储介质 | |
US10783693B2 (en) | Seismic image orientation using 3D integration operations | |
CN114200522B (zh) | 深度域地震子波提取方法和装置、存储介质及电子设备 | |
CN111426813B (zh) | 砂体连通质量的确定方法、装置及存储介质 | |
Wang et al. | Poststack seismic inversion using a patch-based Gaussian mixture model | |
Gao | Iterative multitask learning and inference from seismic images | |
AU2021103330A4 (en) | Method and apparatus for social distance using clustering | |
CN113123784B (zh) | 低孔裂缝性砂岩储层裂缝渗透率获取方法和装置 | |
Zhao et al. | Continuous denoising level adjustment of seismic data through filter modification | |
EP4202180A1 (en) | Systems and methods for identifying type curve regions as a function of position in a region of interest | |
CN117849863A (zh) | 断裂系统的预测方法及装置 | |
CN117724157A (zh) | 地震相结构的预测方法及装置 | |
CN115704309A (zh) | 一种复杂砂砾岩储层的产能确定方法、装置及电子设备 | |
CN114035227A (zh) | 基于随钻xrd全岩录井的变质岩潜山储层孔隙度预测方法 |
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 |