CN114861515A - 层速度数据体的计算方法、装置、设备及介质 - Google Patents

层速度数据体的计算方法、装置、设备及介质 Download PDF

Info

Publication number
CN114861515A
CN114861515A CN202110152885.7A CN202110152885A CN114861515A CN 114861515 A CN114861515 A CN 114861515A CN 202110152885 A CN202110152885 A CN 202110152885A CN 114861515 A CN114861515 A CN 114861515A
Authority
CN
China
Prior art keywords
data
central angle
attribute
models
velocity
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
Application number
CN202110152885.7A
Other languages
English (en)
Inventor
张本健
杨华
陈骁
杨迅
王宇峰
尹宏
孙志昀
李荣容
胡欣
邓波
王旭丽
裴森奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202110152885.7A priority Critical patent/CN114861515A/zh
Publication of CN114861515A publication Critical patent/CN114861515A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请公开了一种层速度数据体的计算方法、装置、设备及存储介质，所述方法包括：对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据体；确定滑动时窗内的不同层速度模型；以及根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集；采用所述不同层速度模型对应的所述中心角属性模型训练集训练得到近似支持向量机；使用所述近似支持向量机对地震道数据在所述滑动时窗内的属性训练集进行不同层速度模型的分类；根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体。

Description

层速度数据体的计算方法、装置、设备及介质
技术领域
本申请涉及油气田地球物理勘探技术领域，具体涉及数据挖掘和机器学习技术领域，提供了一种层速度数据体的计算方法、装置、设备及介质。
背景技术
速度问题是地震勘探的一个很复杂的问题，它涉及到地震资料处理解释反演等各个环节。同时速度是直接联系地震资料与钻井资料的纽带，也是贯穿地震勘探处理解释全过程的一个十分重要的参数，速度选择的正确与否直接影响到地震资料处理成像，对研究低幅度构造、地震含油气异常、精细储层反演、时深转换都有着重要的作用。其直接决定了构造解释与成图的精度，对异常体的解释、构造的成图、地震反演及处理的初始模型建立有着重要作用，值得进行深入研究。
在现阶段的四川盆地油气勘探中，获得准确的速度场，对于发现岩性油气圈闭，是相当重要的。如在川西的双鱼石勘探区，地表起伏剧烈，地下构造相对复杂。另外，目的层(栖霞组)为台缘滩相沉积，并且目的层埋藏相对较深，约为7000-8000m，对地震资料的成像要求较高。在该区块的油气勘探中，必须使用叠前深度偏移技术进行处理，获得精确的岩性圈闭或构造形态，从而为该区的油气勘探打下基础。因此，在双鱼石勘探区的地震资料处理中，相关地层层速度的计算是至关重要的，它关系到叠前深度偏移处理的成败，从而直接影响到该区的油气勘探前景。
示例性的，常规速度转换是利用井或地震速度谱数据进行转换，往往导致所得到的层速度数据体误差较大。常规利用井数据对井点层速度控制后速度模型准确性较高，但离井远处则误差较大。随后只是利用速度谱转换的误差较大，只是对井点附近校正较好，远离井点的位置由于层速度不准确，而容易造成构造变形。另外，在水平层状模型中，叠加速度近似于均方根速度，层速度可以通过Dix公式求得；当地下结构复杂时，存在岩性变化，以及异常体导致横向速度有变化时，根据Dix公式求得层速度是错误的。
因此，如何通过相关计算，得到准确的层速度数据体，为后续的相关地震叠前深度偏移成像处理或构造成图、反演等工作打下基础，从而识别出有利岩性体的准确位置及形态，是地球物理工作者一直研究的问题。
发明内容
本申请提供了一种层速度数据体的计算方法、装置、设备及存储介质。所述技术方案如下：
根据本申请的一方面，提供了一种层速度数据体的计算方法，所述方法包括：
对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据体；
确定滑动时窗内的不同层速度模型；以及根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集；
采用所述不同层速度模型对应的所述中心角属性模型训练集训练得到近似支持向量机；
使用所述近似支持向量机对地震道数据在所述滑动时窗内的属性训练集进行不同层速度模型的分类；根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体。
在本申请的一个可选设计中，所述对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据，包括:
根据设计的中心角将所述道集数据进行划分，得到各个中心角道集数据；
对所述各个中心角道集数据进行叠加处理和偏移处理，得到各个中心角叠后数据体；
对所述各个中心角叠后数据体进行地震属性计算，得到各个中心角的地震属性数据体；
对所述各个中心角的地震属性数据体按照共深度点CDP进行数据重构，得到与所述道集数据相关的中心角属性数据体。
在本申请的一个可选设计中，所述确定滑动时窗内的不同层速度模型，包括：
按照目标划分因素对研究区的井中实测的层速度模型进行划分，得到所述滑动时窗内的不同层速度模型；
其中，所述目标划分因素包括：地质资料、测井资料、油气测试资料、岩性组合、层速度值域范围中的至少一种。
在本申请的一个可选设计中，所述方法还包括：
在所述研究区中的所述层速度模型不足目标数量的情况下，添加虚拟井中的层速度模型；和/或，在所述研究区中的所述层速度模型不足所述目标数量的情况下，添加所述研究区的相邻区中的井中实测的层速度模型。
在本申请的一个可选设计中，所述根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集，包括：
根据所述中心角地震属性数据体，确定所述滑动时窗内的各个中心角地震属性曲线；
根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，确定所述不同的层速度模型所对应的中心角属性模型训练集。
在本申请的一个可选设计中，所述根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，确定所述不同的层速度模型所对应的中心角属性模型训练集，包括：
根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，从所述中心角地震属性曲线中提取形态特征参数，形成所述不同的层速度模型所对应的中心角属性训练模型集；
其中，所述形态特征参数包括：曲线的单调性、凹凸性、极值点的个数及平均值和拐点个数中的至少一种。
在本申请的一个可选设计中，所述根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体，包括：
通过所述近似支持向量机对所述地震道数据在所述滑动时窗内的各个采样点在各个中心角地震属性曲线上建立的所述属性训练集进行分类，确定出所述各个采样点对应的层速度模型；
在得到属于所述不同的层速度模型上的采样点的分类结果后，对所述滑动时窗内的所述采样点上的层速度数据实施重构赋值，得到所述层速度数据体。
根据本申请的一个方面，提供了一种层速度数据体的计算装置，所述装置包括：
计算模块，用于对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据体；
建立模块，用于确定滑动时窗内的不同层速度模型；以及根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集；
训练模块，用于采用所述不同层速度模型对应的所述中心角属性模型训练集训练得到近似支持向量机；
分类模块，用于使用所述近似支持向量机对地震道数据在所述滑动时窗内的属性训练集进行不同层速度模型的分类；
重构模块，用于根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体。
根据本申请的一个方面，提供了一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上所述的层速度数据体的计算方法。
根据本申请的一个方面，提供了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，所述计算机程序由处理器加载并执行以实现如上所述的层速度数据体的计算方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过引入基于近似支持向量机的层速度计算方法，本申请提供的计算方法比传统提供的方法所预测的层速度数据体更为准确。一般情况下，相对于传统的层速度计算方法来说，可得到准确的层速度数据体，以供后续叠前深度偏移的计算。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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示出了本申请另一个示例性实施例提供的层速度数据体的计算方法的流程图；
图2示出了本申请另一个示例性实施例提供的层速度数据体的计算方法的流程图；
图3示出了本申请一个示例性实施例提供的层速度数据体的计算装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例一种基于近似支持向量机计算层速度数据体的方法，可准确地计算层速度数据体，为后续的叠前深度偏移提供相对准确的时间域层速度数据体。
本申请提供的层速度计算技术包括：对道集数据进行中心角划分后并计算其相关的中心角地震属性数据体，确定层速度计算的滑动时窗并建立滑动时窗内的中心角属性训练集；建立相关滑动时窗内的层速度模型，并确定相关的滑动时窗内不同层速度模型对应的中心角属性模型训练集；利用不同层速度模型的中心角属性模型训练集及相关地震道滑动时窗内的属性训练集，基于近似支持向量机对所述属性训练集进行不同层速度模型的归类，并对数据道滑动时窗内的采样点进行层速度曲线重构赋值后，依此计算，得到一个层速度数据体，从而实现对时间域的层速度数据体的计算。
图1示出了本申请一个示例性实施例提供的层速度数据体的计算方法的流程图。本实施例以该方法应用于计算机设备中来举例说明。该方法包括：
步骤102：对道集数据进行中心角划分后，计算与道集数据相关的中心角地震属性数据体；
步骤104：确定滑动时窗内的不同层速度模型；以及根据中心角地震属性数据体，建立不同层速度模型在滑动视窗内对应的中心角属性模型训练集；
在实际层速度计算中，所设计滑动时窗内的地震属性曲线的采样点数目影响层速度的计算精度。因此，相关滑动时窗的大小参数应根据实际情况、层速度计算精度、测试情况及专家经验等确定。示例性的，滑动时窗大小可取30ms。
步骤106：采用不同层速度模型对应的中心角属性模型训练集训练得到近似支持向量机；
步骤108：使用近似支持向量机对地震道数据在滑动时窗内的属性训练集进行不同层速度模型的分类；
步骤110：根据分类结果对地震道数据在滑动时窗内进行层速度数据重构后得到层速度数据体。
综上所述，本实施例提供的方法，通过引入基于近似支持向量机的层速度计算方法，本申请提供的计算方法比传统提供的方法所预测的层速度数据体更为准确。一般情况下，相对于传统的层速度计算方法来说，可得到准确的层速度数据体，以供后续叠前深度偏移的计算。
图2示出了本申请另一个示例性实施例提供的层速度数据体的计算方法的流程图。本实施例以该方法应用于计算机设备中来举例说明。该方法包括：
对于步骤102，对道集数据进行中心角划分后，计算与道集数据相关的中心角地震属性数据体，可选包括如下步骤：
步骤201：根据设计的中心角将道集数据进行划分，得到各个中心角道集数据；
对道集数据进行中心角划分后并计算其相关的地震属性数据体。其中，道集数据是指经过常规野外静校正、叠前去噪、振幅补偿及反褶积、剩余静校正处理及动校正后的道集数据。
该步骤主要是对道集数据进行关于中心角的设计，并以中心角为中心设定一定范围的方位角及入射角。以各个中心角进行所设定方位角及入射角范围的数据重构，得到各个中心角道集数据。
步骤202：对各个中心角道集数据进行叠加处理和偏移处理，得到各个中心角叠后数据体；
对各个中心角道集数据进行叠加、偏移处理，得到各个中心角叠后数据体。叠加及偏移处理都是常规地震处理技术，在本申请中不再赘述。原则上，所设计的中心角数目越多，则层速度的计算精度也越高；所设计的中心角数目越少，则计算精度降低。对中心角的设计可以设计为中心角之间的增量是等距或不等距。示例性的，依中心角的数目在0°至180°之间设计为等距的。示例性的，基于对称原理，中心角及方位角设定为0°至180°之间的数据。示例性的，所设计的中心角数目应该大于或等于三个。
示例性的，抽取以中心角为中心的一定方位角范围及入射角范围的道集数据。主要是指抽取以所设计的中心角(以正北为0°,顺时针方向与正北方向的夹角)为中心的方位角正负j°范围内及入射角小于30°的道集数据。示例性的，j的数据值设定为小于或等于5。示例性的，所设定的入射角范围，原则上最大的入射角不能大于30°。在实际操作中，可以根据地震资料的实际情况及专家经验等确定方位角及入射角范围。另外，可以将入射角范围及其大小值，根据相关的速度数据及目的层的双程走时值，进行转换到相关的偏移距范围。通过得到相关的偏移距范围及方位角范围，对道集数据进行重构。
在方位角设计中，本申请实施例设定观测系统方向以正北方向为0°，顺时针方向旋转，计360°。基于对称原理，将野外采集的地震数据炮点—检波点的360°方位转化为180°方位角，对某一个方位角范围来说计算其中心角，中心角则代表划分的这个方位角范围。计算公式如下:
Figure BDA0002932553780000071
式(1)中，θi为设计的第i个叠加数据的中心角，
Figure BDA0002932553780000072
为设计的第i个叠加数据的最小方位角，
Figure BDA0002932553780000073
为设计的第i个叠加数据的最大方位角，i≥2。
在本申请实施例中，入射角范围限定原则是要取一定的偏移距的范围，入射角的大小应根据AV°的原理，对于目的层，最大偏移距的入射角不能大于30°。相关入射角计算公式如下：
θ＝arctgD/2h (2)
式(2)中D为设计的地震数据偏移距，θ为设计的入射角，h为预测目的层埋深。目的层的埋深可以由目的层的双程反射时间、目的层及以上地层的平均层速度来进行计算得到。
步骤203：对各个中心角叠后数据体进行地震属性计算，得到各个中心角的地震属性数据体；
利用各个中心角叠后数据体，采用地震属性计算方法及参数，进行地震属性的计算，得到各个中心角的地震属性数据体。示例性的，所述的地震属性是指与振幅、频率类等相关的地震属性，也可以是相关反演所得到的属性数据(如相对波阻抗等)。
步骤204：对各个中心角的地震属性数据体按照共深度点(CDP)进行数据重构，得到与道集数据相关的中心角属性数据体；
将各个中心角的地震属性数据体按照相关CDP道号进行数据重构，从而得到一个中心角属性数据体。
具体地，在本申请实施例中，只是示例了对中心角的划分，也可以对道集数据进行不同入射角范围进行划分，并计算不同入射角的地震属性数据体进入下一步骤。
针对上述步骤104，建立滑动时窗内的不同层速度模型；以及根据中心角地震属性数据体，建立不同层速度模型在滑动视窗内对应的中心角属性模型训练集，可选包括以下步骤：
步骤205：按照目标划分因素对研究区的井中实测的层速度模型进行划分，得到滑动时窗内的不同层速度模型；
其中，目标划分因素包括：地质资料、测井资料、油气测试资料、岩性组合、层速度值域范围中的至少一种。
示意性的，根据地质资料、测井资料及测试资料等，对各个井中的不同层速度模型进行划分，从而划分出不同的层速度模型。
比如可以根据实际情况，将研究区内的层速度模型根据相关的岩性组合、裂缝发育及含气等影响其层速度、不同岩性等进行尽可能详细的层速度模型划分；又比如，也可以根据层速度的数据值大小(直方图分析)确定相关的层速度的值域范围，按照值域范围进行不同层速度模型的划分。
在一个可能的设计中，在研究区中的层速度模型不足目标数量的情况下，添加虚拟井中的层速度模型；和/或，在研究区中的层速度模型不足目标数量的情况下，添加研究区的相邻区中的井中实测的层速度模型。
示例性的，如研究区的井数目不足以对不同的层速度模型进行划分，可以设定虚拟井来加入到层速度模型的划分及建立中。其中，虚拟井井点的确定，可以根据相关的层速度预测成果、专家经验等确定。此外，也可以加入邻区成熟的层速度模型划分及建立方案，并确定其相关的属性模型训练集进入下一步骤。
又比如，也可以根据井上的层速度、岩性组合及密度资料等，设计多个滑动时窗大小(厚度)的层速度的物理模型，并对相关的层速度物理模型进行相关的属性正演计算，从而得到属性模型训练集。在实际操作中，根据滑动时窗的大小，对井中确定滑动时窗内相关采样点的层速度模型，进而确定其相关的中心角属性模型训练集。示例性的，所设计的层速度模型的中心角属性模型训练集应该能满足对各个地震道滑动时窗内的属性训练集进行层速度模型的识别即可。其中，层速度的物理模型的厚度的计算公式如下：
Figure BDA0002932553780000091
公式(3)中，hi为第i个层速度物理模型的滑动时窗的厚度，Vi为该物理模型中该厚度的层速度平均值，T为设计的滑动时窗长度。
步骤206：根据中心角地震属性数据体，确定滑动时窗内的各个中心角地震属性曲线；
对地震数据道上确定层速度计算的滑动时窗大小，并利用中心角地震属性数据体，确定滑动时窗内的地震属性曲线，从而得到滑动时窗内的各个地震属性曲线。
步骤207：根据不同的层速度模型及其在滑动时窗内对应的中心角地震属性曲线，确定不同的层速度模型所对应的中心角属性模型训练集；
根据不同的层速度模型及不同的层速度模型在滑动时窗内对应的中心角地震属性曲线，从中心角地震属性曲线中提取形态特征参数，形成不同的层速度模型所对应的中心角属性训练模型集；其中，形态特征参数包括：曲线的单调性、凹凸性、极值点的个数及平均值和拐点个数中的至少一种。
示例性的，首先根据井-震合成记录标定结果，得到相关井中的时深关系，利用时深关系确定不同层速度模型在滑动时窗内相关采样点对应的中心角属性数据值。并根据滑动时窗的长度，取得各个采样点组成的各个中心角地震属性曲线。
从各个中心角地震属性曲线中提取形态特征参数，从而形成中心角属性训练模型集。其中，所述的形态特征参数包括：曲线的单调性、凹凸性、极值点的个数及平均值和拐点个数等。依此类推，完成不同层速度模型的各个中心角属性训练模型集的建立。
如上述方法，所述训练集可以表示为：
G＝{(x1，y1)，...，(xk，yk)}∈(x*y)k (4)
其中，k为样本个数；G为属性模型训练集；(x1，y1)，...，(xk，yk)为训练集的属性项。如果特征属性有12个，即：xi∈x＝R12
步骤208：采用不同层速度模型对应的中心角属性模型训练集训练得到近似支持向量机；
对于步骤108，使用近似支持向量机对地震道数据在滑动时窗内的属性训练集进行不同层速度模型的分类，可选包括如下步骤：
步骤209：通过近似支持向量机对地震道数据在滑动时窗内的各个采样点在各个中心角地震属性曲线上建立的属性训练集进行分类，确定出各个采样点对应的层速度模型；
具体操作为利用不同层速度模型的滑动时窗大小的中心角属性模型训练集对基于近似支持向量机进行训练，并对各个CDP点滑动时窗内的各个中心角地震属性曲线所提取的属性训练集进行归类，进而对各个CDP点在滑动时窗中的采样点进行不同层速度模型的判别。
其中，由于引入近似支持向量机对滑动时窗内各个中心角地震属性曲线进行分类，近似支持向量机在大数据量样本集进行学习过程中大幅度缩减了计算量，提升了训练速度，能够在不损失识别精度的前提下进行快速学习。因此，减少了对不同层速度模型在滑动时窗内的各个中心角属性曲线的识别工作量。
对于步骤110，根据分类结果对地震道数据在滑动时窗内进行层速度数据重构后得到层速度数据体，可选包括如下步骤：
步骤210：在得到属于不同的层速度模型上的采样点的分类结果后，对滑动时窗内的采样点上的层速度数据实施重构赋值，得到层速度数据体。
在该步骤中，通过近似支持向量机对滑动时窗内各个采样点上各个中心角地震属性曲线上建立的属性训练集进行分类，确定相关滑动时窗内各个采样点的层速度模型，并在不同层速度模型上的采样点的层速度参数特征进行分类后，对滑动时窗内采样点上的层速度数据实施重构赋值，从而得到一个关于层速度的重构数据体。以此类推，完成各个CDP点的滑动时窗内的各个采样点的层速度数据值重构，得到一个层速度数据体。其中，层速度模型上的采样点的层速度参数特征是指滑动时窗内的层速度数据值大小，以及不同采样点上的层速度数据值组成层速度曲线，利用该层速度模型上的层速度曲线对相关分类后的滑动时窗内的采样点进行该层速度模型的速度曲线赋值，从而得到滑动时窗内的层速度曲线。
在实际操作中，也可以对多个不同类型的中心角地震属性数据(n个)进行上述的计算。如果有多种类型中心角地震属性数据(n个)参与训练及判别，则设定标签并按照多类分类的方式依次定位为1、2、3，、、、，n；待判别的采样点的中心角地震属性曲线(n个)也需经过上述计算步骤形成待判别样本，最后利用PSVM训练后得到的判别式对待判别目标的样本进行分类。
在实际操作中，也可以对研究区设计网格点，提取相关网格点上的滑动时窗内的中心角属性数据训练集，利用不同层速度模型的中心角属性模型训练集及近似支持向量机对相关的滑动时窗内的采样点进行层速度赋值；并对网格点上的层速度曲线进行低频滤波后(滤掉高频成分)，形成与网格点上的与速度分析得到的均方根计算层速度曲线形态较为一致的层速度曲线(在标准层能基本上对应)；设定新的滑动时窗，对两种层速度曲线进行相关系数计算，并设定相关系数门槛值；对大于或等于门槛值的滑动时窗内的层速度曲线不做层速度数据修改，而小于门槛值的层速度数据则应该修改(或置换)相关时窗内的层速度模型并进行中心角属性数据训练集的更新处理；重复上述相关步骤2及步骤3，直到满足门槛值而结束循环，从而得到相对准确的网格点上的层速度曲线；利用网格点上的层速度曲线进行三维空间的插值计算，得到一个优化层速度数据体。其中，网格点是指设定的矩形网格上的交会点，一般是n线X道的交会点位置。原则上可以根据实际情况设置网格参数，这个网格称为设定网格。网格参数包括网格间距和网格数等，网格参数的大小可根据要计算的速度分析点的网格分布及精度需要情况确定，原则上通常设定的网格间距越大，则计算的层速度精度相对较低，会丢失一些特征信息；网格间距越小，则层速度的计算精度相对较高，所绘结果越详细。设定网格的大小应根据实际及层速度计算精度需要情况而定，所设定的网格通常是规矩的。此外，所设定的对相关系数分析的滑动时窗应该是层速度模型识别的滑动时窗的n倍，具体可以根据实际情况、专家经验等确定相关的滑动时窗大小或长度。其中，两种层速度曲线的滑动时窗内各个采样点的相关系数r计算公式为：
Figure BDA0002932553780000121
式(5)中Xi及Yi为进行相关计算的两种数据的第i个数据值，
Figure BDA0002932553780000122
及
Figure BDA0002932553780000123
分别为两种数据值的等级排序平均值，r的取值范围为0至1。
在一个具体的示例中，根据本申请的技术流程制定工作步骤，实施例是对四川盆地川西北部双鱼石三维工区进行时间域的层速度数据体的计算。在该区的油气勘探中发现，叠前深度偏移相当重要，而时间域的层速度数据体在叠前深度偏移处理中处于相对核心的位置，准确的层速度数据体为后续的叠前深度偏移处理打下基础。
对步骤①中对道集数据的中心角及以其为中心的方位角范围及入射角范围进行确定。在实际操作中，根据该区地震资料的实际情况及专家经验等，确定中心角的数目为18个，分别为5°、15°、25°、35°、45°、55°、65°、75°、85°、95°、105°、115°、125°、135°、145°、155°、165°、175°等，采用等增量设计，方位角范围设定为以中心角正负5°、对主要目的层(栖霞组)的入射角设定小于30°，并对道集数据依此方位角及入射角范围划分参数分别进行叠加、偏移处理，得到各个中心角叠后数据体。
其次，对18个中心角叠后数据体进行与之相关的地震属性计算，得到相关的中心角属性数据体。在实际操作中，主要是计算起始衰减频率(即主频对应的频率ATN-FRQ)属性，并对各个中心角属性数据体进行属性数据重构处理，得到一个中心角属性数据体。
对步骤②中根据井-震标定成果及本研究区、邻区井中不同层速度模型的划分及建立结果，确定不同层速度模型所对应的滑动时窗内(40ms)中心角属性数据，利用这些数据建立不同层速度模型的中心角属性模型训练集。在实际操作中，根据井中不同层速度模型(滑动时窗内长度)的采样点所对应的起始衰减频率属性，建立相关采样点的时窗内的各个中心角-起始衰减频率属性曲线；就可以对相关的18条属性曲线的特征值进行提取，建立相关的中心角属性模型训练集。以此类推，完成了不同层速度模型的中心角属性模型训练集。在实际操作中，在40ms的时窗内设计了2821个层速度模型，因此，得到了2821个中心角属性模型训练集。
在步骤③中对地震数据体进行滑动时窗内的各个采样点的中心角属性训练集进行计算，并基于近似支持向量机对中心角属性训练集进行不同层速度模型的归类。具体操作为利用不同层速度模型的中心角属性模型训练集对基于近似支持向量机进行训练，并对各个CDP点滑动时窗内的18个中心角地震属性曲线的属性训练集进行归类，进而对相关CDP点上滑动时窗内的采样点进行相关层速度模型的层速度曲线赋值。经过该步骤，得到一个层速度数据体。
另外，可以对该层速度数据体进行进一步的优化处理，得到优化层速度数据体。具体操作为设计网格点，提取网格点上的计算的层速度曲线，进行低频滤波处理后，并与速度分析得到的层速度曲线进行设计滑动时窗内(时窗长200ms)相关系数计算，设定相关系数门槛值(0.65)。利用门槛值进行相关层速度数据的优化，当门槛值小于0.65时，对时窗内的相关层速度模型进行重新设计(或置换指定的层速度模型)及中心角属性数据集的更新，重复相关步骤计算，直到相关条件满足，从而得到一个网格点上的优化层速度曲线数据；对该网格上的层速度曲线进行三维空间插值，得到一个优化的层速度数据体。利用本申请的预测成果，经与研究区后续的钻井资料的层速度对比分析，符合率高于80.2％。
利用本申请技术方法所得到的成果与常规层速度计算技术所得到的成果相对比，可以发现本申请技术的成果准确性相对较高，优于常规层速度计算的技术成果。从相关成果对比来看，可以证明本申请技术是有效的，可以计算出准确的时间域层速度数据体。从后续双鱼石勘探区的钻井资料分析来看，利用本申请成果进行叠前深度偏移处理的成果与实钻结果对比，预测地层界面与实测界面误差较小，深层构造形态准确，达到了相关的地质要求。
上述技术方案只是本申请的一种实施方式，对于本领域内的技术人员而言，在本申请公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本申请上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
图3示出了本申请一个示例性实施例提供的层速度数据体的计算装置的框图，所述装置包括：
计算模块310，用于对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据体；
建立模块320，用于确定滑动时窗内的不同层速度模型；以及根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集；
训练模块330，用于采用所述不同层速度模型对应的所述中心角属性模型训练集训练得到近似支持向量机；
分类模块340，用于使用所述近似支持向量机对地震道数据在所述滑动时窗内的属性训练集进行不同层速度模型的分类；
重构模块350，用于根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体。
在本申请的一个可选设计中，所述计算模块310，用于根据设计的中心角将所述道集数据进行划分，得到各个中心角道集数据；对所述各个中心角道集数据进行叠加处理和偏移处理，得到各个中心角叠后数据体；对所述各个中心角叠后数据体进行地震属性计算，得到各个中心角的地震属性数据体；对所述各个中心角的地震属性数据体按照共深度点CDP进行数据重构，得到与所述道集数据相关的中心角属性数据体。
在本申请的一个可选设计中，所述建立模块320，用于按照目标划分因素对研究区的井中实测的层速度模型进行划分，得到所述滑动时窗内的不同层速度模型；
其中，所述目标划分因素包括：地质资料、测井资料、油气测试资料、岩性组合、层速度值域范围中的至少一种。
在本申请的一个可选设计中，所述建立模块320，还用于在所述研究区中的所述层速度模型不足目标数量的情况下，添加虚拟井中的层速度模型；和/或，
在所述研究区中的所述层速度模型不足所述目标数量的情况下，添加所述研究区的相邻区中的井中实测的层速度模型。
在本申请的一个可选设计中，所述建立模块320，还用于根据所述中心角地震属性数据体，确定所述滑动时窗内的各个中心角地震属性曲线；根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，确定所述不同的层速度模型所对应的中心角属性模型训练集。
在本申请的一个可选设计中，所述建立模块320，还用于根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，从所述中心角地震属性曲线中提取形态特征参数，形成所述不同的层速度模型所对应的中心角属性训练模型集；
其中，所述形态特征参数包括：曲线的单调性、凹凸性、极值点的个数及平均值和拐点个数中的至少一种。
在本申请的一个可选设计中，所述分类模块340，用于通过所述近似支持向量机对所述地震道数据在所述滑动时窗内的各个采样点在各个中心角地震属性曲线上建立的所述属性训练集进行分类，确定出所述各个采样点对应的层速度模型；所述重构模块350，用于在得到属于所述不同的层速度模型上的采样点的分类结果后，对所述滑动时窗内的所述采样点上的层速度数据实施重构赋值，得到所述层速度数据体。
本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的层速度数据体的计算方法。
本申请还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的层速度数据体的计算方法。
可选地，本申请还提供了一种包含指令的计算机程序产品，当其在计算机设备上运行时，使得计算机设备执行上述各方面所述的层速度数据体的计算方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种层速度数据体的计算方法，其特征在于，所述方法包括：
对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据体；
确定滑动时窗内的不同层速度模型；以及根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集；
采用所述不同层速度模型对应的所述中心角属性模型训练集训练得到近似支持向量机；
使用所述近似支持向量机对地震道数据在所述滑动时窗内的属性训练集进行不同层速度模型的分类；根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体。
2.根据权利要求1所述的方法，其特征在于，所述对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据，包括:
根据设计的中心角将所述道集数据进行划分，得到各个中心角道集数据；
对所述各个中心角道集数据进行叠加处理和偏移处理，得到各个中心角叠后数据体；
对所述各个中心角叠后数据体进行地震属性计算，得到各个中心角的地震属性数据体；
对所述各个中心角的地震属性数据体按照共深度点CDP进行数据重构，得到与所述道集数据相关的中心角属性数据体。
3.根据权利要求1所述的方法，其特征在于，所述确定滑动时窗内的不同层速度模型，包括：
按照目标划分因素对研究区的井中实测的层速度模型进行划分，得到所述滑动时窗内的不同层速度模型；
其中，所述目标划分因素包括：地质资料、测井资料、油气测试资料、岩性组合、层速度值域范围中的至少一种。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
在所述研究区中的所述层速度模型不足目标数量的情况下，添加虚拟井中的层速度模型；
和/或，
在所述研究区中的所述层速度模型不足所述目标数量的情况下，添加所述研究区的相邻区中的井中实测的层速度模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集，包括：
根据所述中心角地震属性数据体，确定所述滑动时窗内的各个中心角地震属性曲线；
根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，确定所述不同的层速度模型所对应的中心角属性模型训练集。
6.根据权利要求5所述的方法，其特征在于，所述根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，确定所述不同的层速度模型所对应的中心角属性模型训练集，包括：
根据所述不同的层速度模型及其在所述滑动时窗内对应的中心角地震属性曲线，从所述中心角地震属性曲线中提取形态特征参数，形成所述不同的层速度模型所对应的中心角属性训练模型集；
其中，所述形态特征参数包括：曲线的单调性、凹凸性、极值点的个数及平均值和拐点个数中的至少一种。
7.根据权利要求6所述的方法，其特征在于，所述使用所述近似支持向量机对地震道数据在所述滑动时窗内的属性训练集进行不同层速度模型的分类；根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体，包括：
通过所述近似支持向量机对所述地震道数据在所述滑动时窗内的各个采样点在各个中心角地震属性曲线上建立的所述属性训练集进行分类，确定出所述各个采样点对应的层速度模型；
在得到属于所述不同的层速度模型上的采样点的分类结果后，对所述滑动时窗内的所述采样点上的层速度数据实施重构赋值，得到所述层速度数据体。
8.一种层速度数据体的计算装置，其特征在于，所述装置包括：
计算模块，用于对道集数据进行中心角划分后，计算与所述道集数据相关的中心角地震属性数据体；
建立模块，用于确定滑动时窗内的不同层速度模型；以及根据所述中心角地震属性数据体，建立所述不同层速度模型在所述滑动视窗内对应的中心角属性模型训练集；
训练模块，用于采用所述不同层速度模型对应的所述中心角属性模型训练集训练得到近似支持向量机；
分类模块，用于使用所述近似支持向量机对地震道数据在所述滑动时窗内的属性训练集进行不同层速度模型的分类；
重构模块，用于根据分类结果对所述地震道数据在所述滑动时窗内进行层速度数据重构后得到所述层速度数据体。
9.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一所述的层速度数据体的计算方法。
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，所述计算机程序由处理器加载并执行以实现如权利要求1至7任一所述的层速度数据体的计算方法。
CN202110152885.7A 2021-02-03 2021-02-03 层速度数据体的计算方法、装置、设备及介质 Pending CN114861515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110152885.7A CN114861515A (zh) 2021-02-03 2021-02-03 层速度数据体的计算方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110152885.7A CN114861515A (zh) 2021-02-03 2021-02-03 层速度数据体的计算方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114861515A true CN114861515A (zh) 2022-08-05

Family

ID=82623033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110152885.7A Pending CN114861515A (zh) 2021-02-03 2021-02-03 层速度数据体的计算方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114861515A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917539A (zh) * 2021-10-15 2022-01-11 中国地质科学院地球物理地球化学勘查研究所 火山岩覆盖区地震数据叠前道集处理方法、系统和装置
CN117434592A (zh) * 2023-02-24 2024-01-23 中国石油化工股份有限公司 地震数据处理方法、装置及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917539A (zh) * 2021-10-15 2022-01-11 中国地质科学院地球物理地球化学勘查研究所 火山岩覆盖区地震数据叠前道集处理方法、系统和装置
CN117434592A (zh) * 2023-02-24 2024-01-23 中国石油化工股份有限公司 地震数据处理方法、装置及电子设备
CN117434592B (zh) * 2023-02-24 2024-05-07 中国石油化工股份有限公司 地震数据处理方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN106405651B (zh) 一种基于测井匹配的全波形反演初始速度模型构建方法
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
EP3649491B1 (en) Reflection seismology internal multiple estimation
WO2017035104A1 (en) Velocity model seismic static correction
EP3253946B1 (en) Seismic attributes derived from the relative geological age property of a volume-based model
WO2012139082A1 (en) Event selection in the image domain
CN109085663A (zh) 一种致密砂岩储层层理缝识别方法
CN109884710B (zh) 针对激发井深设计的微测井层析成像方法
CN111506861B (zh) 一种目的层有利区域裂缝强度计算方法
CN111722284B (zh) 一种基于道集数据建立速度深度模型的方法
CN113031068B (zh) 一种基于反射系数精确式的基追踪叠前地震反演方法
CN111679343B (zh) 地震电磁复合数据采集系统和地下储层油气储量预测方法
CN114861515A (zh) 层速度数据体的计算方法、装置、设备及介质
CN114609675A (zh) 基于高频旋回对碳酸盐岩地层沉积微地貌的定量恢复方法
CN112363226A (zh) 一种非常规油气有利区地球物理预测方法
US20200271810A1 (en) Hybrid Residual Moveout Error Estimation
CN112946752A (zh) 基于裂缝密度模型预测裂缝概率体的方法
CN111308558A (zh) 页岩气水平井纵波时差校正方法
US20240118442A1 (en) Method for iterative first arrival picking using global path tracing
Lorentzen et al. Mapping Cretaceous faults using a convolutional neural network-A field example from the Danish North Sea.
CN115980851A (zh) 复合震源参数反演的方法、计算机设备及可读存储介质
CN113806674B (zh) 古河道纵向尺度的量化方法、装置、电子设备及存储介质
CN111538080B (zh) 地震成像的方法
RU2659753C1 (ru) Способ геофизической разведки
Xiong et al. An improved constrained velocity inversion algorithm for geological structures

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