CN114548299A - 一种地震相识别方法、装置、计算机设备及存储介质 - Google Patents
一种地震相识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114548299A CN114548299A CN202210180140.6A CN202210180140A CN114548299A CN 114548299 A CN114548299 A CN 114548299A CN 202210180140 A CN202210180140 A CN 202210180140A CN 114548299 A CN114548299 A CN 114548299A
- Authority
- CN
- China
- Prior art keywords
- seismic
- facies
- seismic data
- seismic facies
- initial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 208000035126 Facies Diseases 0.000 claims abstract description 229
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005755 formation reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本文涉及油气勘探领域，尤其涉及一种地震相识别方法、装置、计算机设备及存储介质。该方法包括获取地震数据体；从所述地震数据体中选择部分地震数据作为训练样本，获取所述训练样本的地震相标签；利用所述训练样本及其地震相标签，训练得到地震相识别模型；利用所述地震相识别模型预测所述地震数据体中的地震数据，以确定初始地震相识别结果；利用地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果。本方案利用地质空间特征约束对预定地质空间范围进行自适应调整，实现地震数据及地质空间特征约束的动态平衡，为开展精细化、高效率地震资料解释提供良好的技术支持，实现地震数据的地震相自适应识别与解释。
Description
技术领域
本文涉及油气勘探领域，尤其是一种地震相识别方法、装置、计算机设备及存储介质。
背景技术
随着油气勘探程度的不断提高及地震采集技术的持续发展，识别地震相类别对探究地下地质环境及地质构造、高分辨率处理、地震反演、储层预测、构造解释等工作起着重要作用。现有技术中的人工识别已满足不了目前的实际要求，必须要借助计算机结合相关地震处理和解释技术来加以分析。因此，智能化地震资料处理、智能化地震资料解释成为了地球物理勘探领域的新热门。
现有技术识别地震相类别方式包括：(1)研究人员结合的经验肉眼观测，这一方式需要大量的人力成本、且容易丢失细节信息；(2)利用神经网络模型构建地震数据与地震相类别之间复杂的非线性内禀关系对地震相进行分类及预测，这一方式一方面需要利用大量人工解释过的地震数据进行训练，进而对未经过人工解释的地震数据进行预测，另一方面，模型训练复杂、网络参数量大、运算效率低下，泛化能力差。
针对目前地震相识别方法容易丢失细节、模型训练复杂的问题，需要一种地震相识别方法、装置、计算机设备及存储介质。
发明内容
为解决上述现有技术的问题，本文实施例提供了一种地震相识别方法、装置、计算机设备及存储介质，解决了现有技术中的问题。
本文实施例提供了一种地震相识别方法，包括：获取地震数据体；从所述地震数据体中选择部分地震数据作为训练样本，获取所述训练样本的地震相标签；利用训练样本及其地震相标签，训练得到地震相识别模型；利用所述地震相识别模型预测所述地震数据体中的地震数据，以确定初始地震相识别结果；利用地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果。
根据本文实施例的一个方面，所述方法包括：从所述地震数据体中选择部分地震数据：对所述地震数据体中的地震数据进行编号；从地震数据体中筛选出编号满足等差数列的地震数据。
根据本文实施例的一个方面，所述等差数列的差值占所述地震数据体中所有地震数据的5％至10％。根据本文实施例的一个方面，利用所述地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果包括对所述地震数据中每一像素点的初始地震相识别结果执行如下约束处理：计算以每一像素点为中心的预定地质空间范围内的初始地震相识别结果分布；将分布最多的地震相识别结果作为该像素点的最终地震相识别结果。
根据本文实施例的一个方面，对地震数据中每一像素点的初始地震相识别结果执行约束处理之前还包括：判断该像素点是否属于所述训练样本，若是，则该像素点的初始地震相识别结果为该像素点的最终地震相识别结果，若否，则对地震数据中每一像素点的初始地震相识别结果执行约束处理。
根据本文实施例的一个方面，所述预定地质空间范围确定过程包括：计算所述像素点和与该像素点最近的训练样本之间的距离；根据所述距离及距离与地质空间范围的关联关系，确定所述预定地质空间范围。根据本文实施例的一个方面，所述像素点与所述训练样本的距离为：所述像素点与所述训练样本的垂直距离。
本文实施例还提供了一种地震相识别装置，包括：地震数据统一获取单元，用于获取地震数据体；地震相标签获取单元，用于从所述地震数据体中选择部分地震数据作为训练样本，获取所述训练样本的地震相标签；地震相识别模型训练单元，用于利用所述训练样本及其地震相标签，训练得到地震相识别模型；初始地震相识别结果确定单元，用于利用所述地震相识别模型预测所述地震数据体中的地震数据，以确定初始地震相识别结果；最终地震相识别结果确定单元，利用地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果。
本文实施例还提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述的方法。
本文实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述的方法。
本方案利用地质空间特征约束对预定地质空间范围进行自适应调整，进一步调整地震相识别结果，实现地震数据及地质空间特征约束的动态平衡，为开展精细化、高效率地震资料解释提供良好的技术支持，实现高精度、高效率地震数据与地质特征融合的多类别地震相高效自适应识别与解释。
附图说明
为了更清楚地说明本文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文的一些实施例，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所示为本文实施例一种地震相识别系统的结构示意图；
图2所示为本文实施例一种地震相识别方法的流程图；
图3所示为本文实施例一种确定训练样本的方法示意图；
图4所示为本文实施例一种确定最终地震相识别结果的示意图；
图5所示为本文实施例一种确定预定地质空间范围的方法流程图；
图6所示为本文实施例一种地震相识别装置的结构示意图；
图7所示为本文实施例地震相识别装置的具体结构示意图；
图8A所示为本文实施例一种地震数据的示意图；
图8B所示为本文实施例一种地震数据对应的地震相标签的示意图；
图9所示为本文实施例一种地震相识别模型训练及地震相识别结果预测过程的示意图；
图10所示为本文实施例一种计算机设备的结构示意图。
附图符号说明：
101、服务器；
102、用户终端；
601、地震数据体获取单元；
6011、发送模块；
6012、数据处理模块；
602、地震相标签获取单元；
6021、接收模块；
603、地震相识别模型训练单元；
6031、训练样本筛选模块；
604、初始地震相识别结果确定单元；
6041、判断模块；
6042、地质空间特征约束确定模块；
6043、初始地震相识别结果调整模块；
605、最终地震相识别结果确定单元；
6051、距离计算模块；
6052、预定地质空间范围确定模块；
1002、计算机设备；
1004、处理器；
1006、存储器；
1008、驱动机构；
1010、输入/输出模块；
1012、输入设备；
1014、输出设备；
1016、呈现设备；
1018、图形用户接口；
1020、网络接口；
1022、通信链路；
1024、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书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劳动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。在实际中的系统或装置产品执行时，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。
需要说明的是，本文的地震相识别方法可用于油气勘探领域，也可用于除油气勘探之外的其他领域，本文对地震相识别方法及装置的应用领域不做限定。
图1所示为本文实施例一种地震相识别系统的结构示意图，在本图中描述了服务器101、用户终端102相结合的地震相识别方法。其中，服务器101、用户终端102之间可以进行数据交互。
在本说明书一些实施例中，服务器101可以为具有网络交互功能的电子设备，也可以为运行于该电子设备中，为数据处理和网络交互提供业务逻辑的软件。其中，所述服务器101可以通过野外采集获取地震数据体，服务器101可以将获取得到的地震数据体发送至用户终端102进行训练样本的选取，服务器101可以根据用户终端102确定的训练样本训练得到地震相识别模型；服务器101可以利用地震相识别模型预测地震数据体中的地震数据，确定初始地震相识别结果；服务器101还可以确定地质空间特征约束，并根据地质空间特征约束对初始地震相识别结果进行调整，确定最终地震相识别结果。
在本说明书一些实施例中，所述用户终端102可以是台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。所述用户终端102并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。所述用户终端102用于从服务器101获取的地震数据体中选择部分地震数据作为训练样本，并由用户对选择好的部分地震数据进行人工解释，对部分地震数据标注地震相标签。用户终端102还用于将部分地震数据及其对应的地震相标签发送至服务器101；用户终端102可以对地震数据体、部分地震数据进行数据清洗、归一化等处理。用户终端102还可以将所述部分地震数据及标注好的地震相标签显示在交互显示界面上。
如图2所示为本文实施例一种地震相识别方法的流程图，具体包括如下步骤：
步骤201，获取地震数据体。在本步骤中，采用炸药震源激发地震波进行野外资料采集，可以获取三维地震数据体。三维地震数据体经过叠加处理后，形成叠后三维地震数据体。三维地震数据体可以表征地下地质构造的性质和形态。三维地震数据体结合地震相标签，可以描述地震相特征、对地层属性进行解释、分析不同类型地形的储层特征，为油田勘探提供依据。
在地震勘探领域，利用地下介质弹性和密度的差异，通过观测、分析地层对地震波的响应，可以推断地下岩层的性质和形态。
本步骤中获取到的地震数据体最初没有对应的地震相标签，位于地震数据体中不同区域、不同位置的地震数据对应的地震相标签不同，因此需要通过进一步处理，确定地震数据体中的每一个地震数据对应的精确的地震相标签，完成高效率的多类别地震相解释。
在本步骤中还包括对野外采集到的地震数据进行数据清洗、数据归一化处理等地震资料处理流程。
步骤202，从所述地震数据体中选择部分地震数据作为训练样本，获取所述训练样本的地震相标签。在本步骤中，所述部分地震数据为少量经过人工解释的地震数据，进一步的，可以通过对地震数据体中的地震数据进行编号、从地震数据体中筛选出编号满足预设规则的地震数据作为训练样本。关于确定训练样本的具体描述可以参见图3的描述。在本步骤中，从地震数据体中可以获取二维剖面地震图像(如图8A所示地震数据的示意图)，即为地震数据。部分地震数据具有对应的人工标注的地震相标签(如图8B所示地震相标签的示意图)。地震相标签对应地下地形、储层资源分布情况。例如，地震相标签包括但不限于盐丘区域、倾斜强振幅区域、低连续性区域、低振幅变形区域、倾斜低振幅区域、极强振幅区域、中振幅高连续性区域、杂乱破碎带区域、背景区域等中的一种或其任意组合。在本说明书的一些实施例中，可以根据勘探地区、地形的实际情况调整人工解释的地震相标签。本申请在此对地震相标签的种类和形式不作限定。
步骤203，利用所述训练样本及其地震相标签，训练得到地震相识别模型。在本步骤中，利用少量具有人工解释的地震相标签的训练样本即可训练得到地震相识别模型，利用所述训练样本训练轻量化深度学习数据驱动模型，获取地震相识别模型。具体的，将有地震相标签的训练样本输入至轻量化深度学习数据驱动模型中进行有监督训练，得到地震相识别模型。其中，轻量化深度学习数据驱动模型的网络结构及参数远小于常规的深度神经网络。在本说明书的一些实施例中，该地震相识别模型仅为通过少量训练样本训练的模型，该模型识别地震数据的精度在一定程度上并不高，因此，需要进一步结合步骤204、步骤205的方法确定精度较高的最终地震相识别结果。
步骤204，利用所述地震相识别模型预测所述地震数据体中的地震数据，以确定初始地震相识别结果。在本步骤中，利用步骤203中训练得到的地震相识别模型预测地震数据体中的地震数据的地震相划分结果，得到地震数据的初始地震相识别结果较为粗糙。该初始地震相识别结果与地震数据的实际地震相可能存在一定差距，即，初始地震相识别结果较粗糙，精度不高。
在本说明书的一些实施例中，可以使用如下公式表示地震相识别模型预测得到初始地震相识别结果：
PrediCt＝ADFC[MOdel[Data,Label]]#
其中，Model为步骤203中训练好的地震相识别模型，Data和Label分别为输入至地震相识别模型中的地震数据及其对应的地震相标签。ADFC(Adaptive geological featureconstraint)为利用地质空间特征约束地震相识别模型输出的地震相识别结果的过程，该过程将在图4中详细说明。
步骤205，利用地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果。在本步骤中，地质空间特征约束可以理解为：基于地震数据所处的地质空间特征对地震数据的地震相进行特征约束。具体的，对于待识别地震相的地震数据体中的地震数据，通过给定地质空间特征约束的范围，利用KNN机器学习算法计算地质空间特征约束范围内地震相划分情况及各类地震相出现的概率，并综合约束范围内其他地震相的划分情况，调整该地质体的地震相类别，可以获得精细的地震相划分结果，实现地质数据特质与地质空间特征的双重约束，达到算法精度与模型大小的动态平衡。
图3所示为本文实施例一种确定训练样本的方法示意图。
步骤301，对所述地震数据体中的地震数据进行编号。
在本步骤中，地震数据体为三维地震数据体，地震数据体的相邻叠后剖面之间具有极强的相似性，可以分别对地震数据体沿地层纵向、地面水平方向进行切分，分别获取多个地层纵向连续分布、地面水平方面连续分布的二维剖面地震图像。在本说明书的一些实施例中，可以沿地层纵向对地震数据体进行切分，并对沿地层纵向连续分布的多个二维剖面地震图像进行编号；也可以沿地面水平方向对地震数据体进行切分，并对沿地面水平方向连续分布的多个二维剖面地震图像进行编号。例如，将地震数据体沿地层纵向切分，得到沿地层纵向连续分布的多个二维剖面地震图像，从1开始对切分后的多个二维剖面地震图像依次顺序进行编号，得到编号1-500的五百张二维剖面地震图像。
步骤302，从地震数据体中筛选出编号满足等差数列的地震数据。在本说明书的一些实施例中，按照一定规律从地震数据体中筛选部分地震数据用于训练地震相识别模型。如步骤202所述，该部分地震数据具有预先人工标注的地震相标签，在地震数据体的所有二维地震数据中占较小数量。从步骤201中完成编号后的地震数据中按照一定等差数列筛选部分地震数据，实现从所有地震数据中均匀获取地震数据，对训练地震相识别模型的稳定性提供较大帮助。具体的，所述等差数列的差值占地震数据体中所有地震数据的5％至10％。例如，将地震数据体沿地层纵向切分并顺次编号，得到连续分布的多个二维剖面地震图像为第1张图像、第2张图像……至第500张图像，沿等差数列的差值占500个二维地震图像的10％，即，等差数列的差值为50。基于此规律，从地震数据体中选择部分地震数据为：选择第1张图像、第51张图像、第101张图像、第151张图像、第201张图像、第251张图像、第301张图像、第351张图像、第401张图像、第451张图像，总计10个地震数据。在本说明书的另外一些实施例中，等差数列的差值还可以是其他数值，例如8％、12％、16％、20％、25％等，本步骤中的等差数列的差值可以是其他任意合理的数据，本申请对等差数列的差值不作限定。
如图4所示为本文实施例一种确定最终地震相识别结果的示意图。在本申请的地震相识别方法中，地下沉积运动是连续发生的，且地下地质构造具有较强的连续性，故空间位置上十分相近的地震数据，其地震相类别在一定程度上也相同，几乎不存在频繁的突变。基于该地质特性，三维地震数据体中空间位置相近的地震数据在地震资料解释过程中，其地震相类别的划分结果基本一致。进一步的，利用这一规律，根据同一地震数据体中的地震数据的地质空间特征进行地震相识别工作。即，某一地质体周围一定范围内的地震数据的地震相可以确定为某一相同类别，以此作为地质特征约束调整地下地质结果的地震相识别结果。
步骤401，计算以每一像素点为中心的预定地质空间范围内的初始地震相识别结果分布。在本步骤中，预定地质空间范围为空间大小可调的正方体空间范围。具体的，以某一像素点为中心，以一定预设长度作为该正方体空间的边长，以此构成正方体空间。进一步的，预定地质空间范围的预设长度可以根据预定地质空间中心的像素点的特征确定，例如，根据该像素点与训练样本的距离确定预定地质空间范围的边长。
根据步骤204中利用地震相识别模型确定初始地震相识别结果的描述，二维剖面地震图像中的每一个像素点均由地震相识别模型确定初始地震相识别结果，每一个像素点分别具有其对应的地震相识别结果。因此，每个像素点均可以作为预定地质空间的中心点，再根据像素点的距离特征确定预定地质空间的大小。
在本步骤中，在对每一像素点的初始地震相识别结果执行约束处理之前，还包括：判断该像素点是否属于所述训练样本，若是，则该像素点的初始地震相位识别结果为该像素点的最终地震相识别结果，若否，则对地震数据中每一像素点的初始地震相识别结果执行约束处理。具体的，通过获取该像素点所在二维剖面地震图像的编号及训练样本的编号，判断该像素点是否属于训练样本。若该像素点属于训练样本中的至少一个，则该像素点的地震相划分结果即为预先人工标注的结果。例如，地震数据中某一个像素点所在的二维剖面地震图像的编号为地震数据体中第51张图像，且训练样本为第1张图像、第51张图像、第101张图像、第151张图像、第201张图像、第251张图像、第301张图像、第351张图像、第401张图像、第451张图像。则该像素点属于训练样本中的其中一个，则将该像素点由地震相识别模型预测得到的初始地震相识别结果作为该像素点的最终地震相识别结果。若该像素点不属于训练样本中，则对地震数据中的每一个像素点的初始地震相识别结果进行约束处理。
在本步骤中，确定以每一像素点为中心的预定地质空间范围后，计算该预定地质空间范围内的初始地震相识别结果分布为：计算该预定地质空间范围内所有像素点的初始地震相识别结果。具体的，预定地质空间范围内有多个像素点，对应有多个初始地震相识别结果。每一类地震相识别结果的数量不同，通过计算得到每一类地震相识别结果的数量分布。例如，在500像素×500像素×500像素的地震数据体中，确定某一像素点的预定地质空间范围为9像素×9像素×9像素，则在该地质空间中，除了位于地质空间中心的像素点，具有728个像素点。该728个像素点分别具有对应的728个初始地震相识别结果。这728个初始地震相识别结果可以归为若干类，例如，盐丘区域、倾斜强振幅区域、低连续性区域、低振幅变形区域、倾斜低振幅区域、极强振幅区域、中振幅高连续性区域、杂乱破碎带区域、背景区域等几种类别。进一步计算这728个初始地震相识别结果所属类别的结果分布。例如，属于倾斜低振幅区域的地震相结果有172个；属于盐丘区域的地震相结果有130个；属于中振幅高连续性区域的地震相结果有210个；属于低振幅变形区域的地震相识别结果有216个。
步骤402，将分布最多的地震相识别结果作为该像素点的最终地震相识别结果。针对地下地质构造较强的连续性，利用KNN机制，对同一地震数据体中的地震数据进行分类。在相同的地震相类别中，地震数据的相似度较高；在不同的地震相类别中，地震数据的相似度较低。
例如，步骤401中，四种初始地震相识别结果的分类中，低振幅变形区域的地震相识别结果分布数量最多，则将该类地震相识别结果作为该像素点的最终地震相识别结果。
图5所示为本文实施例一种确定预定地质空间范围的方法流程图。
步骤501，计算所述像素点与和该像素点最近的训练样本之间的距离。在本步骤中，所述像素点与所述训练样本的距离为：所述像素点与所述训练样本的垂直距离。也可以理解为，所述像素点所在样本与所述训练样本之间的距离。即为，像素点(或像素点所在样本的二维剖面地震图像)与训练样本二维剖面地震图像所在平面的距离。在本步骤中，该距离可以理解为每一像素点与距离该像素点所在的二维剖面地震图像最近的训练样本的距离。具体的，该距离可以由地震数据体中每一个地震数据对应的编号确定。例如，某像素点为地震数据体中第53张图像中的某一个像素点，且该地震数据体中的样本数据为第1张图像、第51张图像、第101张图像、第151张图像、第201张图像、第251张图像、第301张图像、第351张图像、第401张图像、第451张图像，其中，该像素点所在的二维剖面地震第53张图像与样本数据中的第51张图像距离最近，则通过计算该像素点和与该像素点最近的训练样本之间的距离为2个像素点，可以进一步确定预定地质空间范围大小。
步骤502，根据所述距离及距离与地质空间范围的关联关系，确定所述预定地质空间范围。在本步骤中，距离与地质空间范围的关联关系表示：步骤501中，不同的像素点与训练样本之间的距离大小与地质空间范围具有不同的关联关系。该具体为：像素点与训练样本之间的距离越小，表明像素点与训练样本越接近，即，像素点的地震相与训练样本的地震相较为相似，则可以设定较小的地质空间范围，使得训练样本的地震相在地质空间范围内的分布概率趋大；像素点与训练样本之间的距离越大，表明像素点与训练样本越远，即，像素点的地震相与训练样本的地震相相似度较低，则，则可以设定较大的地质空间的范围，使得地质空间中包括较多数量的其他地震数据，其他地震数据出现的概率较为均匀。
在本说明书的一些实施例中，可以根据一定距离阈值范围，确定地质空间范围。例如，当像素点与和该像素点最近的训练样本之间的距离小于第一预设距离，确定地质空间的边长为第一预设长度；当像素点与和该像素点最近的训练样本之间的距离大于等于第一预设距离，并小于第二预设距离，确定地质空间的边长为第二预设长度。在本说明书的一些实施例中，第一预设距离为5、第一预设长度为3个像素点；第二预设距离为18、第二预设长度为9个像素点。例如，某一像素点所在样本与距离该像素点最近的训练样本之间的距离为4，小于第一预设距离，则可以设定地质空间范围的边长为第一预设长度，即为3个像素点；又例如，某一像素点所在样本与距离该像素点最近的训练样本之间的距离为7，超过第一预设距离，且小于第二预设距离，则可以设定地质空间范围的边长为第二预设长度，即为9个像素点。在本申请中，第一预设距离、第一预设长度、第二预设距离、第二预设长度的数值可以有其他变形，本申请在此不作赘述。
在本说明书的另外一些实施例中，还可以根据所述像素点与训练样本之间的距离，根据一定比例确定预定地质空间范围的大小。本申请对距离与地质空间范围的关联关系可以有其他形式的变形，本申请在此对此不作限定。
如图6所示为本文实施例一种地震相识别装置的结构示意图，在本图中描述了地震相识别装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现，所述的功能单元、模块一部分或者全部可以在服务器上，或者其中的一部分也可以在用户终端上，实现地震相识别，该装置具体包括：
地震数据体获取单元601，用于获取地震数据体；
地震相标签获取单元602，用于从所述地震数据体中选择部分地震数据作为训练样本，获取所述训练样本的地震相标签；
地震相识别模型训练单元603，用于利用所述训练样本及其地震相标签，训练得到地震相识别模型；
初始地震相识别结果确定单元604，用于利用所述地震相识别模型预测所述地震数据体中的地震数据，以确定初始地震相识别结果；
最终地震相识别结果确定单元605，用于利用地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果。
利用地质空间特征约束对预定地质空间范围进行自适应调整，进一步调整地震相识别结果，实现地震数据及地质空间特征约束的动态平衡，为开展精细化、高效率地震资料解释提供良好的技术支持，实现高精度、高效率地震数据与地质特征融合的多类别地震相高效自适应识别与解释。
作为本文的一个实施例，还可以参考如图7所示本实施例地震相识别装置的具体结构示意图。
作为本文的一个实施例，所述地震数据体获取单元601进一步包括：
发送模块6011，用于发送所述初始地震数据至用户终端；
数据处理模块6012，用于对所述初始地震数据进行数据清洗及归一化处理；
作为本文的一个实施例，所述地震相标签获取单元602进一步包括：
接收模块6021，用于接收用户端发送的部分地震数据的地震相标签；
作为本文的一个实施例，所述地震相识别模型训练单元603进一步包括：
训练样本筛选模块6031，用于从所述地震数据体中选择部分地震数据作为训练样本；
作为本文的一个实施例，所述初始地震相识别结果确定单元604进一步包括：
判断模块6041，用于判断像素点是否属于训练样本；
地质空间特征约束确定模块6042，用于对每一像素点的初始地震相识别结果执行约束处理；
初始地震相识别结果调整模块6043，用于根据所述地质空间特征约束调整初始地震相识别结果；
作为本文的一个实施例，所述最终地震相识别结果确定单元605进一步包括：
距离计算模块6051，用于计算像素点和与该像素点最近的训练样本之间的距离；
预定地质空间范围确定模块6052，用于根据所述距离及距离与地质空间范围的关联关系，确定所述预定地质空间范围。
如图9所示为本文实施例一种地震相识别模型训练及地震相识别结果预测过程的示意图。在图中可以看出，从地震数据体中选择10个地震数据，并进行人工标注，使得10个地震数据具有精确的地震相标签，将该10个地震数据作为训练样本，输入至轻量化深度学习数据驱动模型进行训练，得到地震相识别模型。利用地震相识别模型预测地震数据体中大量的地震数据，得到初始地震相识别结果，再利用KNN机器学习算法进行地质空间特征约束，对初始地震相识别结果进行调整，得到精细的地震相预测结果，即为，最终地震相识别结果。本实施例在保证地震相自动识别模型性能的基础上降低了模型的复杂度和参数量，改善轻量化深度学习数据驱动模型性能，可以提升模型对多类别地震相的识别精度。
如图10所示，为本文实施例一种计算机设备的结构示意图，所述计算机设备1002可以包括一个或多个处理器1004，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1002还可以包括任何存储器1006，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器1006可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1002的固定或可移除部件。在一种情况下，当处理器1004执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1002可以执行相关联指令的任一操作。计算机设备1002还包括用于与任何存储器交互的一个或多个驱动机构1008，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1002还可以包括输入/输出模块1010(I/O)，其用于接收各种输入(经由输入设备1012)和用于提供各种输出(经由输出设备1014)。一个具体输出机构可以包括呈现设备1016和相关联的图形用户接口(GUI)1018。在其他实施例中，还可以不包括输入/输出模块1010(I/O)、输入设备1012以及输出设备1014，仅作为网络中的一台计算机设备。计算机设备1002还可以包括一个或多个网络接口1020，其用于经由一个或多个通信链路1022与其他设备交换数据。一个或多个通信总线1024将上文所描述的部件耦合在一起。
通信链路1022可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1022可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1至图5中的方法，本文实施例还提供了一种计算机可读存储介质，该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运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图5所示的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，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。另外，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，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文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文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，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文的限制。
Claims (10)
1.一种地震相识别方法，其特征在于，所述方法包括：
获取地震数据体；
从所述地震数据体中选择部分地震数据作为训练样本，获取所述训练样本的地震相标签；
利用所述训练样本及其地震相标签，训练得到地震相识别模型；
利用所述地震相识别模型预测所述地震数据体中的地震数据，以确定初始地震相识别结果；
利用地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果。
2.根据权利要求1所述的地震相识别方法，其特征在于，从所述地震数据体中选择部分地震数据包括：
对所述地震数据体中的地震数据进行编号；
从地震数据体中筛选出编号满足等差数列的地震数据。
3.根据权利要求2所述的地震相识别方法，其特征在于，所述等差数列的差值占所述地震数据体中所有地震数据的5％至10％。
4.根据权利要求1所述的地震相识别方法，其特征在于，利用所述地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果包括对所述地震数据中每一像素点的初始地震相识别结果执行如下约束处理：
计算以每一像素点为中心的预定地质空间范围内的初始地震相识别结果分布；
将分布最多的地震相识别结果作为该像素点的最终地震相识别结果。
5.根据权利要求4所述的地震相识别方法，其特征在于，对地震数据中每一像素点的初始地震相识别结果执行约束处理之前还包括：
判断该像素点是否属于所述训练样本，若是，则该像素点的初始地震相识别结果为该像素点的最终地震相识别结果，若否，则对地震数据中每一像素点的初始地震相识别结果执行约束处理。
6.根据权利要求4所述的地震相识别方法，其特征在于，所述预定地质空间范围确定过程包括：
计算所述像素点和与该像素点最近的训练样本之间的距离；
根据所述距离及距离与地质空间范围的关联关系，确定所述预定地质空间范围。
7.根据权利要求6所述的地震相识别方法，其特征在于，所述像素点与所述训练样本的距离为：所述像素点与所述训练样本的垂直距离。
8.一种地震相识别装置，其特征在于，所述装置包括：
地震数据体获取单元，用于获取地震数据体；
地震相标签获取单元，用于从所述地震数据体中选择部分地震数据作为训练样本，获取所述训练样本的地震相标签；
地震相识别模型训练单元，用于利用所述训练样本及其地震相标签，训练得到地震相识别模型；
初始地震相识别结果确定单元，用于利用所述地震相识别模型预测所述地震数据体中的地震数据，以确定初始地震相识别结果；
最终地震相识别结果确定单元，用于利用地质空间特征约束调整所述初始地震相识别结果，以确定最终地震相识别结果。
9.一种计算机设备，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计算机程序时实现权利要求1-7的任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7的任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210180140.6A CN114548299A (zh) | 2022-02-25 | 2022-02-25 | 一种地震相识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210180140.6A CN114548299A (zh) | 2022-02-25 | 2022-02-25 | 一种地震相识别方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548299A true CN114548299A (zh) | 2022-05-27 |
Family
ID=81679755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210180140.6A Pending CN114548299A (zh) | 2022-02-25 | 2022-02-25 | 一种地震相识别方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548299A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117607956A (zh) * | 2023-12-20 | 2024-02-27 | 东北石油大学 | 一种地震相识别方法、装置、电子设备及可读存储介质 |
| WO2024082215A1 (zh) * | 2022-10-20 | 2024-04-25 | 杨平 | 一种地震信号监测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| CN112433249A (zh) * | 2020-12-08 | 2021-03-02 | 中国石油天然气集团有限公司 | 层位追踪方法及装置、计算机设备及计算机可读存储介质 |
| CN113534238A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种地震资料处理过程数据采集及数据挖掘的系统和方法 |
| CN113703045A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种基于轻量级网络的地震相识别方法 |
| CN113805235A (zh) * | 2020-06-11 | 2021-12-17 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
-
2022
- 2022-02-25 CN CN202210180140.6A patent/CN114548299A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| CN113534238A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种地震资料处理过程数据采集及数据挖掘的系统和方法 |
| CN113805235A (zh) * | 2020-06-11 | 2021-12-17 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
| CN112433249A (zh) * | 2020-12-08 | 2021-03-02 | 中国石油天然气集团有限公司 | 层位追踪方法及装置、计算机设备及计算机可读存储介质 |
| CN113703045A (zh) * | 2021-08-27 | 2021-11-26 | 电子科技大学 | 一种基于轻量级网络的地震相识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024082215A1 (zh) * | 2022-10-20 | 2024-04-25 | 杨平 | 一种地震信号监测方法及装置 |
| CN117607956A (zh) * | 2023-12-20 | 2024-02-27 | 东北石油大学 | 一种地震相识别方法、装置、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost | |
| CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
| US7162463B1 (en) | Pattern recognition template construction applied to oil exploration and production | |
| CN107545577B (zh) | 基于神经网络的沉积相图像分割方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| CN114548299A (zh) | 一种地震相识别方法、装置、计算机设备及存储介质 | |
| EP2271954A2 (en) | System and method for interpretation of well data | |
| WO2021040791A1 (en) | Probability distribution assessment for classifying subterranean formations using machine learning | |
| Gardet et al. | Pattern-based conditional simulation with a raster path: a few techniques to make it more efficient | |
| CN117576335B (zh) | 面向矿产区域勘查的三维空间模型数据处理方法及系统 | |
| EP4158390A1 (en) | Borehole image interpretation and analysis | |
| US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
| Mattéo et al. | Automatic fault mapping in remote optical images and topographic data with deep learning | |
| Timmer et al. | Applying deep learning for identifying bioturbation from core photographs | |
| Diaz et al. | Variogram-based descriptors for comparison and classification of rock texture images | |
| CN114239655A (zh) | 地震相识别模型训练方法及装置、地震相预测方法及装置 | |
| Bedi et al. | SFA-GTM: seismic facies analysis based on generative topographic map and RBF | |
| CN114299330A (zh) | 一种地震相分类方法 | |
| Emelyanova et al. | Unsupervised identification of electrofacies employing machine learning | |
| Ma et al. | A knowledge-based intelligent recognition method for rock discontinuities with point cloud data | |
| Horrocks | Integrated analysis of geological, geophysical, and geochemical data of the Kevitsa Ni-Cu-PGE deposit: machine learning approaches | |
| Rahman et al. | Exploring mineral domains with genetic algorithm | |
| CA3108964C (en) | Petroleum play analysis and display | |
| Choi | Well Performance Predictive Modeling Using Topological Data Analysis | |
| CN116068640A (zh) | 盐丘的识别方法、装置和计算机设备 |
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 |