CN115373021A - 一种基于全局视角的地震全层位追踪方法 - Google Patents
一种基于全局视角的地震全层位追踪方法 Download PDFInfo
- Publication number
- CN115373021A CN115373021A CN202211023472.XA CN202211023472A CN115373021A CN 115373021 A CN115373021 A CN 115373021A CN 202211023472 A CN202211023472 A CN 202211023472A CN 115373021 A CN115373021 A CN 115373021A
- Authority
- CN
- China
- Prior art keywords
- horizon
- seismic
- image
- segments
- tracking method
- 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 47
- 239000012634 fragment Substances 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 210000001520 comb Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 230000004927 fusion Effects 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification 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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于全局视角的地震全层位追踪方法,应用于油气勘探领域,针对现有的自动追踪方法缺乏地震数据的全局视角,易于陷入局部最优,导致追踪结果有违实际的地质构造,难以满足实际应用需求的问题,本发明使用复杂网络表征层位的整体分布,其中节点表示层位片段的中心道集,节点属性涵盖层位片段的所在位置和碎片内部连接情况等信息,边属性给出层位片段之间可能存在的连接关系;针对节点表示的每一个层位片段中心道集,本发明基于点集拓扑的方法进行层位片段融合,在符合地震地层学的基础上获得完整层位面,避免了串层的出现;经实验表明,本发明的方法能够有效进行层位提取,保证层位面的完整性,对地层情况复杂的区域也有较好的效果。
Description
技术领域
本发明属于油气勘探领域,特别涉及一种层位追踪技术。
背景技术
层位追踪是地震解释中的一个关键步骤,在地震数据资料分析中发挥着重要作用。从地震数据中充分挖掘和提取地震层位,可为地下构造、储层建模以及油气开发提供可靠依据。传统的层位追踪方法主要是使用人工解释的方式实现,但这种方式依赖于地震解释人员的专业能力,并且需要耗费大量的时间。近年来,在地震勘探的数据采集过程中,随着三维地震勘探工作量快速增长,以人工解释为主的地震解释模式已无法满足显著增加的地震数据量。随着计算机技术的不断发展,其在大数据处理方面的效率优势使得地球物理学家看到了它代替人工进行层位提取和追踪的潜力。
自20世纪80年代初,自动追踪技术出现以后,解释人员开始尝试利用计算机来模拟人的解释过程,从而大幅提升地震层位提取和追踪的效率。同时,计算机可以更多地利用数据的空间信息,减小了追踪结果陷入局部最优的风险。近年来,地震层位的自动提取与追踪技术受到了国内外理论界和工业界的高度重视,许多自动从地震数据中提取层位的计算机算法已经被提出。Borgos等人通过利用地震反射器的横向相似性,对地震道上的极值进行分类,将广泛应用于三维和四维油藏表征的分类方法应用到地震层位的自动解释。Monsen等人通过考虑波形属性和层位片段之间的拓扑关系对层位片段进行合并。Wu等人使用人工控制的种子点(通常位于断层的相对两侧)作为约束来提取地震层位。Pauget等人提出了一种基于地震道集间链接的全局建模新方法。这种方法允许高度的灵活性,而不受断层和不整合的限制,最后利用局部成本函数的全局优化过程,得到了显式优化模型。
在地震勘探中,层位解释是地震解释的基础工作,而层位的识别和追踪是地震层位解释的一个很重要的环节。近年来,研究人员已经提出许多从地震数据中提取层位的自动追踪算法。但是,现有的自动追踪方法缺乏对整个地震数据地层沉积情况的全局视角,易于陷入局部最优,导致追踪结果出现串层等不吻合实际地质构造的情况。
发明内容
为解决上述技术问题,本发明提出一种基于全局视角的地震全层位追踪方法,通过使用图神经网络来将地震数据的层位片段转化为图数据,并利用逻辑推理和点集拓扑的方式对层位片段融合,在符合地震地层学的基础上获得完整层位面,避免了串层的出现。
本发明采用的技术方案为:基于全局视角的地震全层位追踪方法,包括:
S1、对采集的地震图像进行预处理,得到去噪地震图像;
S2、对于去噪地震图像,采用动态时间规划算法来生成层位片段;
S3、将每个层位片段看作一个网络节点,将层位片段数据构建成有向图数据,从而得到有向图数据网络;
S4、去除有向图数据网络中的无向边;
S5、对经步骤S4处理后的有向图数据网络中的节点进行拟合,得到各层位片段的平面,然后进行属性判断,找到相邻层位片段;
S6、根据相邻层位片段进行融合。
本发明的有益效果:本发明从地震数据出发,在获得整个数据地层沉积情况的基础下进行全层位追踪。在地震数据预处理过程后,先将初始层位极值点合并成层位片段,随后使用复杂网络表征层位的整体分布,其中节点表示层位片段的中心道集,节点属性涵盖层位片段的所在位置和片段内部连接情况等信息,边属性给出层位片段之间可能存在的连接关系。针对节点表示的每一个层位片段中心道集,本发明提出了一种基于点集拓扑的方法进行层位片段融合。通过实际工区上的数据应用证明,本发明的方法包括以下优点:
(1)本发明能够从全局的视角中寻求一种层位追踪效果,避免了追踪效果陷入局部最优,出现不符合真实地质事件的情况;
(2)本发明可以在符合地震地层学的基础上获得完整层位面,避免了串层的出现。
附图说明
图1为基于全局视角的地震全层位追踪方法流程图;
图2为地震数据预处理的滤波方法流程图;
图3为张量奇异值分解图;
图4为DTW生成层位片段流程图;
图5为DTW追踪相关系数梳子示意图;
其中,(a)为一个地震记录中的两道X1和X2,(b)为X1与X2对应的相关系数图;
图6为全局位置计算示意图;
其中,(a)至(g)是一个逐渐确定每个点全局位置的简易流程;
图7为层位片段追踪效果图;
图8为有向图网络示意图;
图9为层位片段边属性示意图;
图10为层位片段平面拟合示意图;
图11为节点融和示意图;
其中,(a)为层位节点融合,(b)为相关性约束;
图12为有向图的连通性判断示意图;
其中,(a)为判定为无联通的情况,(b)为判定为可连通的情况;
图13为本发明方案在西北某工区inline剖面上的追踪效果图;
图14为PaleoScan软件在西北某工区数据中inline剖面上的追踪效果图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
如图1所示,本发明的方法包括以下步骤:
(1)地震数据预处理
该步骤主要针对地震数据进行预处理从而减少噪声对于层位追踪效果的干扰,主要包含图像补丁分组、张量奇异值分解、频谱硬阈值化、图像补丁重构、图像补丁聚合这五个步骤。算法流程如图2所示:
a)图像补丁分组
在地震图像Z上定义一个大小为N1×N2的矩形窗口N1表示矩形窗口的长度值,N2表示矩形窗口的宽度值,这个窗口对应的图像补丁为其中索引x∈X对应补丁的左上角像素,y表示像素点,x表示像素点对应的索引,X表示数据中像素点的集合。
在本实施例中使用了5×5的网格窗口,即N1=5,N2=5。随后指定一个图像补丁Pr,针对这个指定的图像补丁,矩形窗口在图像上进行遍历,从所有的图像补丁中选取与Pr相似的图像补丁并将它们分为一组。随着窗口的不断移动,地震图像就被分成了一些补丁图像组。补丁Pr的相似图像补丁集合定义如下:
其中,d(Px-Pr)为图像补丁Px和Pr之间的欧式距离,τr是控制中任意两个带索引的图像补丁之间的最大距离的参数,σ为噪声的方差,的取值视噪声情况而定。中的元素个数用Jr表示。遍历整个采集的地震图像后,将匹配到的所有噪声图像补丁堆叠成一个大小为N1×N2×Jr的三维阵列,用表示。这样就将整个地震图像划分出的重叠的图像补丁按照相似情况分成了一些图像补丁组。
b)张量奇异值分解
图像补丁组可以看作是三维阵列这个三维阵列可以理解为维度为N1×N2×Jr的张量,这个张量的元素可以表示为其中l1∈{1,…,N1},l2∈{1,…,N2}和l3∈{1,…,Jr}。受到多通道图像和视频恢复思想的启发,将三维阵列Zr作为一个整体的三维数据体来处理,并通过这种整体运算来利用图像补丁之间的相关性。在这里,本发明使用张量积(t-product)在高维空间进行更加直接的运算。如果把三维阵列换算成两个张量的t-product,则运算流程如下:
c)频谱硬阈值化
在分解得到的复值标准正交张量 和一个复值核张量Sr中,只有少数具有较大数值的奇异值对应的张量分量储存了原始地震图像中的大部分有效信息。因此,Sr中大多数较小奇异值对应的张量分量中储存了噪声信息,而与信号的基本成分无关。基于上述思想,本发明对Sr频域中的频谱采用了硬阈值处理,将储存噪声信息的张量分量对应的奇异值硬阈值化为零,从而达到对张量进行滤波的效果,具体如下:
d)图像补丁重构
e)图像补丁聚合
将图像补丁组都进行重构后,得到了真实地震图像的补丁组,其中每个补丁组是由Jr个真实图像划分后的局部补丁堆叠而成。在图像补丁的分组过程中,补丁组中的补丁构成了地震图像的过完备表示,图像补丁间相互包含了重叠的像素点,因此要想得到干净的地震图像,需要对图像的补丁组进行聚合处理。
其中表示含有该像素点的补丁Py的个数。由于所有的图像像素点都在不止一个图像补丁中,所以公式(8)的分母总是大于或等于1。实际上,对于大多数像素,因为至少有一个含有x的补丁被多个图像补丁组作使用,有最后,得到干净地震复值图像后,计算的包裹相位,具体如下:
(2)层位片段生成
在地震剖面中,地震波的波峰或者波谷位置的同相轴往往是地下地质界面的反应,而波峰和波谷位置往往对应于地震道集中的极大值和极小值。因此,一般选取地震道集的极值点作为种子点。在这里,本发明使用动态时间规划(Dynamic Time Warping,DTW)算法来生成层位片段,该算法的优势是时间复杂度低、鲁棒性强。算法步骤如图4所示。
在对原始地震数据进行采样后得到了网格化的规则样本空间,通常样本空间我们设定为奇数。在样本空间中,选择中心道X1,计算X1中每一个极值点与X2中每一个极值点之间的相关性,得到X1与X2的“相关系数梳子”。具体如图5所示。
在寻找层位时,具有高相关系数的点相对应的连接具有高可能性。当一组高可能性的连接画成一条线段后,得到了一个“相关系数梳子”,它链接起了多个地震反射点。利用动态时间规划(DTW)算法检测出具有最大相关性的最佳“相关系数梳子”。这些“相关系数梳子”提供了一组链接,可用来作为配置计算重采样网格G上的每一个点的全局位置,如图6所示。
在此,本实施例设定了网格长度为3,此时地震数据被分为了3×3的地震道对,本发明以中心地震道为种子道,利用以上算法向周围八道扩散,形成层位片段。实验结果如图7所示。由于地震道集在计算相关性时不可避免的会存在误差,随着误差累积,层位会出现追踪错误的情况。因此,先获得层位片段有效的将误差控制在了可接受的程度。随后我们将利用一种全局视角对层位片段数据进行融合。
(3)构建有向图
此时,地震层位追踪问题就转化成了层位片段的连接问题,因此,本发明将层位片段看作一个个网络节点,将层位片段数据构建成了有向图数据。构建有向图数据的网络如图8所示。
在该网络中,最底层每个节点表示一个层位片段,随着节点的聚合,节点越来越表示一个层位,最后在网络顶层中,一个节点就表示一个层位。图数据可以为一种新的地震数据管理模式,在该模式下,地震数据可以被更加有效的进行管理,以便于在后续步骤中利用数学运算和逻辑推理从全局的角度对节点进行合并。
(4)确定无向边
由于地层在沉积过程中基本保持了有序的层序,所以层位追踪结果不应存在地层交叉的情况。基于此思想,排除图数据中层位片段的无向边就显得至关重要。层位片段之间的边在地震数据中是相邻的,每个层位片段都具有边属性。在转化为图数据后,层位片段的边属性严格意义上来说可以分为以下两类:
a)有向边:层位片段间距离很近且存在连通,比如本实施例中距离阈值为xline=2,inline=2,tline=5,层位片段间距离小于或等于距离阈值,则判定为距离很近;xline、inline、tline在地震数据里等同于三维空间的x、y、z坐标轴。
b)无向边:层位片段间距离很远或不存在连通,层位片段间距离大于距离阈值,则判定为距离很远。
下面利用地震数据的剖面来直观介绍两种边属性,具体如图9所示。确定了无向边后,本发明基本排除了不遵循地层沉积规律的连接可能性。有向边可以按照一些基本判定标准进行连接。但是,无向边往往存在与断层、不整合以及层位不连续处,此时,关于无向边的连接成为了接下来需要解决的问题。
(5)边属性判断
层位片段在形成时,不一定是一个平面,所以,首先需要拟合出每个层位片段的平面。在这里,本发明使用了最小二乘法对层位片段平面进行拟合,最小二乘法通过最小化误差的平方和,使拟合对象越来越接近最终对象。拟合直线就是找到一条直线使所有数据点到拟合直线的欧式距离之和最小。拟合平面就是找到一个平面使得所有数据点到拟合平面的欧式距离最小。具体如图10所示。
在拟合后,本发明可以对拟合成平面的层位片段计算出平面的法向量,并对其进行边属性判断,层位片段的距离小于或等于距离阈值时,两个层位片段的法向量基本是平行的;所以实际计算过程中只需要将两个层位片段的距离与距离阈值进行比较,即可得出两个层位片段是否距离很近的结论。在此本发明利用了两个条件对层位片段的连接进行约束,具体如下:
a)层位片段的距离,通过计算两个层位片段距离最近的点的切比雪夫距离;
b)层位片段的相关性:
这两个条件的选取理由有以下几点:
a)属于同一层位的相邻层位片段应该距离很近(各自片段中的一道距离很近);
b)属于同一层位的相邻层位片段应该具有一定的相关性,这也是DTW在生成层位片段时利用的思想。
利用这两个约束,可以完成对相邻层位片段边属性的判断。此时,只需要找到邻近的层位片段就可以对片段(节点)进行融合。
(6)节点融和
对于邻近的层位片段,本发明使用切比雪夫距离寻找最近的片段(节点)在相关性的约束下进行融合。具体如图11所示。其中,本发明在距离范围内寻找到相关性最大的层位片段。在相关性计算时,本发明选取层位片段间距离最近的两道,各自在片段内选取距离自己最近的五道,求均值后再进行相关性计算,本实施例中相关性使用了Pearson相关系数,具体计算如公式(10)所示。这样可以一定程度上避免计算相关性时的偶然性。
图11(a)显示了利用切比雪夫距离融合最近节点的过程,此时我们设定的相关性约束如图11(b)所示。具体约束数值化如下:
(1)距离近(xline、inline、tline上距离分别为2,2,5);
(2)相关性最大的片段。
经过节点聚合后,需要重新判定有向图的连通性,以此来确保构建的有向图中无环。这对于层位追踪是非常重要的一点,此步骤将严格控制层位追踪的结果的串层。这里,本发明使用了深度优先搜索(DFS)算法来判定连通性。
深度优先搜索算法是一种用于遍历或搜索树或图的算法.沿着树的深度遍历树的节点,尽可能深的搜索树的分支。当节点v的所在边都己被探寻过,搜索将回溯到发现节点v的那条边的起始节点。这一过程一直进行到已发现从源节点可达的所有节点为止。如果还存在未被发现的节点,则选择其中一个作为源节点并重复以上过程,整个进程反复进行直到所有节点都被访问为止。属于盲目搜索。DFS中最重要的算法思想是回溯和剪枝。另外DFS不具有最短性。回溯是一种选优搜索法,又称为试探法,按选优条件向前搜索,以达到目标。但当探索到某一步时,发现原先选择并不优或达不到目标,就退回一步重新选择,这种走不通就退回再走的技术为回溯法,而满足回溯条件的某个状态的点称为“回溯点”。具体如图12所示。
图12中(a)图的虚线层位片段想要融合时,DFS算法会判定其无法连接,不存在连通性;图12中(b)图的虚线层位片段想要融合时,白色线条会成为一个可联通的路径,所以改节点将会被判定为可联通。从图1可得,约束中的距离和相关性可以迭代,这是基于自适应阈值的思想,我们会先将最有可能融合的节点进行融合,随后将判断连通性后的图数据在宽放约束条件的情况下进行新一轮融合。因为上一轮融合的连通性判断已经将可能存在串层的情况全部去除,所以该方法不会存在层位串层的现象。
本发明选择西北某工区的实际数据进行验证。具体实验效果如图13所示。图14展示的是使用软件PaleoScan追踪出的结果。同软件的追踪效果进行对比,我们的方法避免了串层,并且具有相当的层位连续性。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (6)
1.基于全局视角的地震全层位追踪方法,其特征在于,包括:
S1、对采集的地震图像进行预处理,得到去噪地震图像;
S2、对于去噪地震图像,采用动态时间规划算法来生成层位片段;
S3、将每个层位片段看作一个网络节点,将层位片段数据构建成有向图数据,从而得到有向图数据网络;
S4、去除有向图数据网络中的无向边;
S5、对经步骤S4处理后的有向图数据网络中的节点进行拟合,得到各层位片段的平面,然后进行边属性判断,找到相邻层位片段;
S6、根据相邻层位片段进行融合。
2.根据权利要求1所述的基于全局视角的地震全层位追踪方法,其特征在于,步骤S1具体包括以下分步骤:
S13、对核心张玲的频谱进行硬阈值化处理;
S14、将经步骤S13处理后的核心张量于复值标准正交张量进行图像补丁重构;
S15、根据重构后的图像补丁,估计真实地震图像中每个像素点的值,从而得到干净地震复值图像。
3.根据权利要求2所述的基于全局视角的地震全层位追踪方法,其特征在于,步骤S2包括:
S21、对经步骤S1处理得到的地震图像进行采样,得到网格化的规则样本空间;
S22、在样本空间中,选择中心道X1,计算X1中每一个极值点与X2道中每一个极值点之间的相关性,得到X1与X2道的若干“相关系数梳子”;
S23、利用动态时间规划算法检测出具有最大相关性的最佳“相关系数梳子”;
S24、根据步骤S23得到这些“相关系数梳子”确定层位片段。
4.根据权利要求3所述的基于全局视角的地震全层位追踪方法,其特征在于,步骤S5具体为:采用最小二乘法对层位片段进行平面拟合,若某两个层位片段的平面距离小于或等于距离阈值,则认为这两个层位片段为相邻层位片段,计算这两个层位片段的平面之间的相关性系数。
5.根据权利要求4所述的基于全局视角的地震全层位追踪方法,其特征在于,采用切比雪夫距离计算两个层位片段的平面距离。
6.根据权利要求5所述的基于全局视角的地震全层位追踪方法,其特征在于,步骤S6具体:对于相邻层位片段,将相关性系数最大的两个层位片段进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211023472.XA CN115373021A (zh) | 2022-08-25 | 2022-08-25 | 一种基于全局视角的地震全层位追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211023472.XA CN115373021A (zh) | 2022-08-25 | 2022-08-25 | 一种基于全局视角的地震全层位追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115373021A true CN115373021A (zh) | 2022-11-22 |
Family
ID=84067919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211023472.XA Pending CN115373021A (zh) | 2022-08-25 | 2022-08-25 | 一种基于全局视角的地震全层位追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115373021A (zh) |
-
2022
- 2022-08-25 CN CN202211023472.XA patent/CN115373021A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10641915B2 (en) | Seismic stratigraphic surface classification | |
EP2281212B1 (en) | Seismic horizon skeletonization | |
US20190064378A1 (en) | Automated Seismic Interpretation Using Fully Convolutional Neural Networks | |
US8213261B2 (en) | Method for geophysical and geological interpretation of seismic volumes in the domains of depth, time, and age | |
AU2013378058B2 (en) | Detecting subsurface structures | |
US9128204B2 (en) | Shape-based metrics in reservoir characterization | |
US20130151161A1 (en) | Seismic Horizon Skeletonization | |
US9915742B2 (en) | Method and system for geophysical modeling of subsurface volumes based on label propagation | |
US10234583B2 (en) | Vector based geophysical modeling of subsurface volumes | |
US9824135B2 (en) | Method for decomposing complex objects into simpler components | |
US11531130B2 (en) | Seismic full horizon tracking method, computer device and computer-readable storage medium | |
US10073190B2 (en) | Method and system for geophysical modeling of subsurface volumes based on computed vectors | |
US20140118350A1 (en) | Seismic Pattern Recognition Using Attributed Relational Graphs | |
US9529115B2 (en) | Geophysical modeling of subsurface volumes based on horizon extraction | |
AU2001271490A1 (en) | Method for imaging discontinuities in seismic data using dip-steering | |
CN116485029A (zh) | 油田开发动态数据准确性检测方法、装置、设备及介质 | |
Figueiredo et al. | A seismic facies analysis approach to map 3D seismic horizons | |
CN115373021A (zh) | 一种基于全局视角的地震全层位追踪方法 | |
CN114814947B (zh) | 基于多属性引导下的三维全层位追踪方法 | |
Liu et al. | Horizon extraction using ordered clustering on a directed and colored graph | |
Zhou et al. | A computational topology-based method for extracting fault surfaces | |
CN116068640A (zh) | 盐丘的识别方法、装置和计算机设备 | |
Lawal | Seismic Faults Detection Using Saliency Maps | |
Hadiloo et al. | (Institute of Geophysics, University of Tehran) & A. Edalat (Oil & Gas company) |
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 |