一種三維地震信號中的有監督波形分類方法
【專利摘要】本發明的三維地震信號中的有監督波形分類方法，蛀牙包括步驟數據預處理、特征選擇和分類標識。有益效果在于本發明以三維地震信號資料及測井數據信息為基礎，通過遺傳算法對提取的屬性特征進行優化，利用SVM分類算法，將所分析的三維地震目的層段數據進行波形分類劃分，識別不同的地震相，進而為后續地震資料解釋提供可靠地支持，提高對巖性預測、砂體預測、裂縫性油氣藏預測及隱蔽性油氣藏預測等的可靠性。相對于僅用SVM設計分類器相比，加入了遺傳算法進行特征選擇，降低了SVM分類器的設計復雜度，從而提高了波形分類處理效率。
【專利說明】一種三維地震信號中的有監督波形分類方法
【技術領域】
[0001]本發明屬于地震信號中波形的分類處理【技術領域】，涉及一種三維地震信號的波形分類方法，特別涉及其中的有監督波形的分類方法。
【背景技術】
[0002]基于地震信號的波形分類技術是地震解釋人員進行地下儲層和地層結構分析的重要手段。合理且準確的地震信號波形分類結果能夠真實地反映地下儲層和地層結構構造，從而有利于地震解釋人員對地下構造進行準確的構造解釋，進而提高對巖性預測、砂體預測、裂縫性油氣藏預測和隱蔽性油氣藏預測的可靠性，從而減少勘探風險，節約勘探成本，帶來巨大的經濟和社會效益。所以，對地震信號的波形分類研究具有重要的實際意義。
[0003]在油氣的地震勘探中，地震資料解釋的目的是為了從地震數據中提取更多的信息進行地下構造解釋以及地層和巖性特征的描述。從地震資料中獲取這些信息最有效的方法之一就是地震屬性特征的提取分析及波形分類技術。
[0004]隨著科學技術水平的發展和對地震資料采集技術的不斷提高，使得地震信號中包含的地震信息更加豐富，而其中許多有用的地震信息僅靠肉眼的觀察是檢測不出來的，必須借助地震數據處理技術和計算機技術對其加以提取、分析，并通過一定的數學方法，對這些地震信息的地質特征加以解釋。針對現有采集的地震數據，目前的波形分類技術主要是基于無監督分類算法，特別是基于人工神經網絡理論，如商業軟件OpendTect、Petrel及Stratimgic等。該方法對含有噪聲的地震信號數據具有較高的承受力，也具有對無訓練樣本數據的分類能力。但是，無監督波形分類算法也存在某些缺點:首先，無監督波形分類算法忽視了地震數據中具有重要參考意義的測井信息，分類結構只是基于地震工區數據的內在分布和統計特征，與實際情況的聯系不夠緊密，分類結果不夠精確和合理；另外，人工神經網絡具有網絡訓練的計算復雜度較高、某些參數的設置需要我們具有一些先驗信息及某些情況下神經網絡可能陷入局部最優等問題。
[0005]因此，基于三維地震信號的波形分類問題的難度主要表現在如下幾個方面:
[0006](I)隨著地震資料采集技術的提高，三維地震信號中包含的地震信息越來越豐富，如何準確地提取地震信號中的有效信息來進行波形分類處理是地震數據波形分類問題中的一大難點。合理且有效的地震屬性特征，能夠很好地提高波形分類的準確度，提高對巖性預測、砂體預測、裂縫性油氣藏預測和隱蔽性油氣藏預測的可靠性。
[0007](2)如何構建性能優越的分類器模型是基于三維地震信號的波形分類分析的另一大難點。選擇合適的分類算法，不僅能夠建立分類性能優越的分類器模型，也能提高波形分類分析效率，所以選擇合適的分類算法是波形分類中的重點。
[0008](3)針對地震數據的特點，數據在采集過程中會混入一定量的噪聲。由于隨機噪聲的加入，會對地震信號的波形分類結果造成嚴重的影響，降低分類結果的準確度，進而會影響巖性預測、砂體預測、裂縫性油氣藏預測及隱蔽性油氣藏預測的可靠性。
[0009]在地震信號的波形分類問題上，目前國內外有較多的實現方案，這些方法中，大部分都是基于無監督分類思想來對地震信號進行波形分類分析的。以下是其中的三種實現方案:(1)基于自組織映射神經網絡的波形分類方法:該方法首先對提取的目的層段的地震信號數據來建立模型道數據，即通過地震道樣本數據來訓練自組織神經網絡的輸出層節點建立分類模型，然后再利用模型道來對地震信號進行分類劃分。(2)基于分層聚類的波形分類方法:該方法首先對提取的目的層段的地震信號數據來構建聚類生成樹，然后再對聚類生成樹來對地震信號進行分類劃分。(3)基于混合高斯概率模型的波形分類方法:該方法首先根據提取的目的層段的地震信號特征，利用概率統計分析理論來建立混合高斯概率模型，然后再利用混合高斯概率模型對地震信號進行分類劃分。
[0010]以上現有技術，在實際的地震資料分析中都得到了很大程度的應用，但是這些方法都是基于無監督分類思想來進行處理的，這樣在很大程度上忽略了地震數據采集中具有重要參考意義的測井數據信息，給后續的地震解釋造成很大困難；并且這些算法具有計算復雜度高，運行效率較低等缺點。
【發明內容】
[0011]本發明針對地震信號波形分類技術的難點及現有無監督波形分類技術的缺點，提出了一種三維地震信號中的有監督波形分類方法，用于解決現有無監督波形分類方法的缺點及波形分類中的難點。
[0012]本發明的技術方案是:一種三維地震信號中的有監督波形分類方法，其特征在于，包括以下步驟:
[0013]a、數據預處理:包括數據降噪處理、提取目的層段數據及對測井數據分析建立訓練樣本和標簽；
[0014]b、特征選擇:分析提取的訓練樣本及其分類標簽數據，選擇樣本中特征與分類標簽最相關的一定量特征作為特征子集，以目的層段數據和訓練樣本中優選后的特征子集作為本方案中分類標識的輸入樣本集合；
[0015]C、分類標識:建立分類模型對地震信號進行分類標識；
[0016]進一步的，上述步驟a中，所述降噪處理方法如下:
[0017]all、輸入地震數據；
[0018]al2、判斷是否達到最大迭代次數，若是則結束降噪處理過程，否則執行步驟al3 ；
[0019]al3、計算地震數據點在三個方向上的梯度值并進一步計算該數據點的結構張量;
[0020]al4、利用三維高斯低通濾波器對所述結構張量進行濾波處理；
[0021]al5、構造擴散矩陣和不連續因子；
[0022]al6、根據擴散方程對數據濾波。
[0023]進一步的，上述步驟a中，所述提取目的層段數據方法如下:
[0024]a21、對步驟al6所得的數據做單層位分析處理；
[0025]a22、對步驟al6所得的數據做兩層位間分析處理。
[0026]進一步的，所述步驟a21還包括以下步驟:
[0027]a211、確定時窗及分析層位；
[0028]a212、提取沿層時窗數據；[0029]a213、獲得目的層段數據。
[0030]所述步驟a22還包括以下步驟:
[0031]a221、確定分析兩層位；
[0032]a222、提取沿層間數據；
[0033]a223、獲得目的層段數據。
[0034]進一步的，上述步驟a中，所述對測井數據分析建立訓練樣本和標簽的具體方法是:根據地震數據工區中測井分析數據，將工區內測井進行人工分類表示，建立訓練樣本標簽，并提取目的層段中測井及井旁道所在位置的數據作為訓練樣本，用于特征選擇和分類標識。
[0035]進一步的，上述步驟b中特征選擇采用遺傳算法，其中提取測井及井旁道的訓練樣本集合為T，對應分類標簽為y，特征選擇個數為k和最大迭代次數為maxi，具體包括以下步驟:
[0036]bl、根據基因編碼規則，獲取遺傳算法的初始化種群；
[0037]b2、根據”冊=Σ?Μν’-Σ='ΣΙ+1.Λ適應度函數來計算種群個體的適應度，其中
Xi(i=l，2，…，k)為種群個體所選擇的訓練樣本集合T中第Xi維特征分量，y為對應測井的分類標簽;MIXiy表示測井數據的第xi維特征分量與分類標簽y的互信息量；MI^表示測井數據的Xi特征分量與特征分量Xj間的互信息量；
[0038]b3、判斷是否達到最大迭 代次數maxi或連續五次保持最優解不變，若是，則輸出當前的最優特征子集，否則執行步驟b4 ；
[0039]b4、根據種群個體適應度執行選擇操作；
[0040]b5、執行交叉操作；
[0041]b6、執行變異操作；
[0042]b7、返回b2操作；
[0043]b8、輸出特征子集。
[0044]進一步的，在上述遺傳算法處理的過程中，步驟bl的基因編碼采用{0，1} 二進制串表示，二進制串中的第幾位就表示數據預處理中所提取地震道數據Ui=Ixil, Xi2,…，xiM}和測井數據Wi=Uil, xi2,..., xiM}中特征空間的第幾維特征,O表示該特征分量不被選擇，I表示選擇該特征分量。
[0045]進一步的，上述步驟c中，使用支持向量機建立分類模型，并對目的層段數據進行分類標識，最后做出波形分類劃分圖。
[0046]上述步驟c的具體過程為:
[0047]Cl、對特征子集數據歸一化處理；
[0048]c2、使用10折交叉驗證法收索最佳SVM參數；
[0049]c3、建立SVM分類模型；
[0050]c4、對選擇特征后的目的層段數據進行分類識別；
[0051]c5、繪制波形分類劃分圖。
[0052]本發明的有益效果:本發明的有監督波形分類方法以三維地震信號資料及測井數據信息為基礎，通過遺傳算法對提取的屬性特征進行優化，利用SVM分類算法，將所分析的三維地震目的層段數據進行波形分 類劃分，識別不同的地震相，進而為后續地震資料解釋提供可靠地支持，提高對巖性預測、砂體預測、裂縫性油氣藏預測及隱蔽性油氣藏預測等的可靠性。同時，利用測井及井旁道信息來建立訓練樣本，這樣在波形分類中應用到具有重要參考意義的測井信息，提高分類精度，減小后期解釋的難度；在特征選擇處理中，引入遺傳算法，減少特征的冗余度，降低分類模型設計的復雜度，提高分類效率，并同時減少冗余度特征對分類結果的影響，在一定程度上提高分類準確度；在分類標識處理中，引入基于統計學習理論的模式識別方法支持向量機算法來進行分類識別。與無監督波形分類算法相比:由于使用了具有重要參考價值的測井信息，提高了波形分類的準確度，提高對巖性預測、砂體預測、裂縫性油氣藏預測和隱蔽性油氣藏預測的可靠性，為后續的地震解釋提供極大便利；相對于僅用SVM設計分類器相比，加入了遺傳算法進行特征選擇，降低了 SVM分類器的設計復雜度，從而提高了波形分類處理效率。
【專利附圖】
【附圖說明】
[0053]圖1遺傳算法的進化周期示意圖；
[0054]圖2為本發明實施例的方法流程圖；
[0055]圖3為本發明實施例的方案中結構導向濾波流程圖；
[0056]圖4為本發明實施例的方案中提取目的層段數據流程圖；
[0057]圖5為本發明實施例的方案中特征子集提取流程圖；
[0058]圖6為本發明實施例的方案中建立分類模型流程圖；
[0059]圖7為SOM波形分類劃分圖；
[0060]圖8為SVM波形分類劃分圖；
[0061]圖9為本發明實施例的波形分類劃分圖。
【具體實施方式】
[0062]下面結合附圖對與本發明原理相同的多個具體實施方案做具體描述，以增進對本發明原理的理解。
[0063]針對現有常用的三維地震信號波形分類方法的缺點及波形分類本身的特點，本發明提出的有監督波形分類方案主要包括數據預處理、基于GA算法的特征優化及基于SVM分類算法的分類識別三大部分。總流程圖如圖2所示:本實施例的一種三維地震信號中的有監督波形分類方法，包括步驟:a、數據預處理:包括數據降噪處理、提取目的層段數據及對測井數據分析建立訓練樣本和標簽山、特征選擇:分析提取的訓練樣本及其分類標簽數據，選擇樣本中特征與分類標簽最相關的一定量特征作為特征子集，并將目的層段數據和訓練樣本中優選后的特征子集作為本方案中分類標識的輸入樣本集合；c、分類標識:建立分類模型對地震信號進行分類標識。在步驟a中，所述降噪處理方法如下:all、輸入地震數據；al2、判斷是否達到最大迭代次數，若是則結束降噪處理過程，否則執行步驟al3 ;al3、計算地震數據點在三個方向上的梯度值并進一步計算該數據點的結構張量；al4、利用三維高斯低通濾波器對所述結構張量進行濾波處理；al5、構造擴散矩陣和不連續因子；al6、根據擴散方程對數據濾波。提取目的層段數據方法如下:a21、對步驟al6所得的數據做單層位分析處理；a22、對步驟al6所得的數據做兩層位間分析處理。步驟a21包括以下步驟:a211、確定時窗及分析層位；a212、提取沿層時窗數據；a213、獲得目的層段數據。步驟a22包括以下步驟:a221、確定分析兩層位；a222、提取沿層間數據；a223、獲得目的層段數據。
[0064]步驟a中，對測井數據分析建立訓練樣本和標簽的具體方法是:根據地震數據工區中測井分析數據，將工區內測井進行人工分類表示，建立訓練樣本標簽，并提取目的層段中測井及井旁道所在位置的數據作為訓練樣本，用于特征選擇和分類標識。
[0065]步驟b中特征選擇采用遺傳算法，其中提取測井及井旁道的訓練樣本集合為T，對應分類標簽為y，特征選擇個數為k和最大迭代次數為maxi，具體包括以下步驟:bl、根據基
因編碼規則，獲取遺傳算法的初始化種群山2、根據如《^^1皿；>，_2=1^-,+1皿>'適應度函數
來計算種群個體的適應度，其中Xi(i=l,2，一，k)為種群個體所選擇的訓練樣本集合T中第Xi維特征分量，y為對應測井的分類標簽；MIXiy表示測井數據的第Xi維特征分量與分類標簽y的互信息量；MIXiXj表示測井數據的\特征分量與特征分量Xj間的互信息量；b3、判斷是否達到最大迭代次數maxi或連續五次保持最優解不變，若是，則輸出當前的最優特征子集，否則執行步驟b4 ;b4、根據種群個體適應度執行選擇操作；b5、執行交叉操作；b6、執行變異操作山7、返回b2操作；b8、輸出特征子集。進一步的，在上述遺傳算法處理的過程中，步驟bl的基因編碼采用{0，1} 二進制串表示，二進制串中的第幾位就表示數據預處理中所提取地震道數據Ui=Uil, Xi2,..., XiJ和測井數據Wi=Uil, Xi2,..., XiJ中特征空間的第幾維特征，O表示該特征分量不被選擇，I表示選擇該特征分量。
[0066]上述的步驟c使用支持向量機建立分類模型，并對目的層段數據進行分類標識，最后做出波形分類劃分圖。具體過程為:cl、對特征子集數據歸一化處理；c2、使用10折交叉驗證法收索最佳SVM參數；c3、建立SVM分類模型；c4、對選擇特征后的目的層段數據進行分類識別；c5、繪制波形分類劃分圖。
[0067]下面結合工作原理及效果對上述實施例的方案做進一步詳述。
[0068]a、數據預處理:對三維地震`數據資料進行預處理的主要目的是為了特征選擇和分類標識做準備，其主要工作流程主要包括:數據降噪處理、目的層段數據的提取及對測井數據的分析建立訓練樣本和標簽三部分。由于地震數據采集系統設備的物理局限性、傳輸介質的局限性和環境條件的不確定性，采集獲取的地震數據會含有一定量的噪聲信息，并且由于地質結構中會含有斷層及地質體邊界等細節信息。所以在對地震數據的濾波中需要注意導向分析、邊緣檢測及邊緣保持導向平滑濾波三個要點，故選擇結構導向濾波方法來對數據進行降噪，提高了信噪比，并保持或增強了原有的地質結構。其處理工作流程如圖3所示。提取目的層段數據:根據所要分析的層位，提取出我們所要進行波形分類分析的目的層段數據。提取目的層段數據的總體流程如圖4所示。分析測井數據，建立訓練樣本及標簽:根據地震數據工區中測井分析數據，我們將工區內測井進行人工分類表示，建立訓練樣本標簽，并提取目的層段中測井及井旁道所在位置的數據作為訓練樣本，用于后面的特征選擇和分類標識。
[0069]b、特征選擇:特征選擇的主要目的是為了優化目的層段數據中的特征，通過分析提取的訓練樣本及其分類標簽數據，選擇樣本中特征與分類標簽最相關的一定量特征，這樣不僅會降低后面分類模型設計的復雜度，提供效率，也能夠在一定程度上提高分類精度，減少非相關特征對分類結果的影響。本方案選擇的特征優化算法為遺傳算法，其輸入為提取的測井及井旁道的訓練樣本集合T，及其對應分類標簽y，特征選擇個數k和最大迭代次數maxi。并以優選后的特征子集輸出。特征選擇的流程圖如圖5所示。[0070]C、分類標識:當對目的層段數據及測井構成的訓練樣本集進行特征選擇后，進行最重要的工作即建立分類模型對地震信號進行分類標識。針對三維地震工區中測井數據少，具有小訓練樣本的特點，并且地震信號波形分類一般為非線性分類問題，且結合了支持向量機具有較好得解決以往困擾很多學習方法的小樣本、非線性、過學習、高維數、局部極小點等實際問題的能力，本方案選擇了支持向量機來建立分類模型，并對目的層段數據進行分類標識，最后做出波形分類劃分圖。該部分處理的具體流程如圖6所示。
[0071]在本發明的方案中，涉及到的部分算法原理如下:
[0072]結構導向濾波
[0073]用于三維地震數據濾波的結構導向濾波技術[7]是在擴散張量矩陣的各向異性擴散方程基礎上，構造反映三維圖像局部結構的結構張量來實現的一種邊緣保持平滑濾波算法。在三維圖像處理中，我們定義結構張量S為:
【權利要求】
1.一種三維地震信號中的有監督波形分類方法，其特征在于，包括以下步驟: a、數據預處理:包括數據降噪處理、提取目的層段數據及對測井數據分析建立訓練樣本和標簽； b、特征選擇:分析提取的訓練樣本及其分類標簽數據，選擇樣本中特征與分類標簽最相關的一定量特征作為特征子集，以目的層段數據和訓練樣本中優選后的特征子集作為本方案中分類標識的輸入樣本集合； C、分類標識:建立分類模型對地震信號進行分類標識。
2.根據權利要求1所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟a中，所述降噪處理方法如下: all、輸入地震數據； al2、判斷是否達到最大迭代次數，若是則結束降噪處理過程，否則執行步驟al3 ； al3、計算地震數據點在三個方向上的梯度值并進一步計算該數據點的結構張量； al4、利用三維高斯低通濾波器對所述結構張量進行濾波處理； al5、構造擴散矩陣和不連續因子； al6、根據擴散方程對數據濾波。
3.根據權利要求1所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟a中，所述提取目的層段數據方法如下: a21、對步驟al6所得的數據做單層位分析處理； a22、對步驟al6所得的數據做兩層位間分析處理。`
4.根據權利要求3所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟a21還包括以下步驟: a211、確定時窗及分析層位； a212、提取沿層時窗數據； a213、獲得目的層段數據。
5.根據權利要求3所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟a22還包括以下步驟: a221、確定分析兩層位； a222、提取沿層間數據； a223、獲得目的層段數據。
6.根據權利要求1所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟a中，所述對測井數據分析建立訓練樣本和標簽的具體方法是:根據地震數據工區中測井分析數據，將工區內測井進行人工分類表示，建立訓練樣本標簽，并提取目的層段中測井及井旁道所在位置的數據作為訓練樣本，用于特征選擇和分類標識。
7.根據權利要求1所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟b中特征選擇采用遺傳算法，其中提取測井及井旁道的訓練樣本集合為T，對應分類標簽為y，特征選擇個數為k和最大迭代次數為maxi，具體包括以下步驟: bl、根據基因編碼規則，獲取遺傳算法的初始化種群； b2、根據+,皿7,適應度函數來計算種群個體的適應度，其中Xi Q=i，`2，…，k)為種群個體所選擇的訓練樣本集合T中第Xi維特征分量，y為對應測井的分類標簽;MIXiy表示測井數據的第Xi維特征分量與分類標簽y的互信息量;MIXi\表示測井數據的Xi特征分量與特征分量Xj間的互信息量； b3、判斷是否達到最大迭代次數maxi或連續五次保持最優解不變，若是，則輸出當前的最優特征子集，否則執行步驟b4 ； b4、根據種群個體適應度執行選擇操作； b5、執行交叉操作； b6、執行變異操作； b7、返回b2操作； b8、輸出特征子集。
8.根據權利要求7所述的一種三維地震信號中的有監督波形分類方法，其特征在于，在所述遺傳算法處理的過程中，步驟bl的基因編碼采用{0，1} 二進制串表示，二進制串中的第幾位就表示數據預處理中所提取地震道數據Ui=Ixil^i2,…，xiM}和測井數據Wi=Ixil,Xi2?…，xiM}中特征空間的第幾維特征，O表示該特征分量不被選擇，I表示選擇該特征分量。
9.根據權利要求1所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟c中，使用支持向量機建立分類模型，并對目的層段數據進行分類標識，最后做出波形分類劃分圖。
10.根據權利要求1或9所述的一種三維地震信號中的有監督波形分類方法，其特征在于，所述步驟c的具體過程為: Cl、對特征子集數據歸一化處理； c2、使用10折交叉驗證法收索最佳SVM參數； c3、建立SVM分類模型； c4、對選擇特征后的目的層段數據進行分類識別； c5、繪制波形分類劃分圖。
【文檔編號】G01V1/30GK103487832SQ201310414827
【公開日】2014年1月1日 申請日期:2013年9月12日 優先權日:2013年9月12日
【發明者】錢峰, 劉明夫, 胡光岷 申請人:電子科技大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
