国产自产21区,亚洲97,免费毛片网,国产啪视频,青青青国产在线观看,国产毛片一区二区三区精品

專利名稱：一種地震屬性的新型選擇方法
技術領域：
本發(fā)明涉及一種地震屬性的新型選擇方法。
背景技術：
隨著地震屬性技術的發(fā)展，地震儲層預測已成為指導油氣勘探開發(fā)的有效手段。然而，由于地震屬性種類繁多，與預測對象之間的關系復雜，不同工區(qū)和不同儲層對所預測目標敏感的(最有效、最具代表性的)地震屬性是不完全相同的。即使是同一工區(qū)、同一儲層，預測對象不同，對應的敏感屬性也存在差異。由于地震屬性的這種多解性，使得某些屬性會嚴重影響儲層預測的精度，因此對
地震屬性進行優(yōu)化選擇就顯得十分必要。地震屬性優(yōu)化方法可以明顯的提高地震儲層預·測的精度，更有效地進行儲層描述，進一步提高鉆井成功率，具有明顯的經(jīng)濟效益和社會效 由于地震屬性是指由疊前或疊后地震數(shù)據(jù)，經(jīng)過數(shù)學變換而導出的一些包括外部幾何形態(tài)、內(nèi)部反射結(jié)構(gòu)、連續(xù)性、振幅、頻率和速度等代表地震相特征的參數(shù)。而地震相是特定地震反射參數(shù)所限定的三維空間中的地震反射單元，它是特定沉積相或地質(zhì)體的地震響應。因此，應用地震屬性劃分地震相類型是非常有意義的。最后，通過地震相分析解釋這些地震相所代表的沉積相和沉積環(huán)境，以達到地震相轉(zhuǎn)換為沉積相的目的。目前，常采用自組織神經(jīng)網(wǎng)絡對地震屬性進行聚類分析以達到劃分地震相類型的目的，但是傳統(tǒng)的自組織神經(jīng)網(wǎng)絡由于每輸入一個訓練樣本就被歸到距離最近的一類子集中，這種訓練方式可能過于倉促，影響網(wǎng)絡對所有訓練樣本特征的掌握，進而影響分類的正確性。同時也極易引起網(wǎng)絡權值的振蕩，使得學習時間較長。另外，自組織神經(jīng)網(wǎng)絡的增益函數(shù)、界限函數(shù)、鄰域等網(wǎng)絡參數(shù)的選取是一個十分棘手的問題，它們隨著劃分類數(shù)的不同而變化。鑒于自組織神經(jīng)網(wǎng)絡的這些問題，本文采用一種模糊自組織神經(jīng)網(wǎng)絡與地震屬性結(jié)合的方式進行地震相模式識別。模糊自組織神經(jīng)網(wǎng)絡不同于傳統(tǒng)的自組織神經(jīng)網(wǎng)絡，它是一次輸入所有的訓練樣本點，確定每個樣本點對每類子集的隸屬程度。網(wǎng)絡權值的調(diào)整綜合考慮了所有樣本的特征信息，一輪學習只調(diào)整一次，大大節(jié)約了學習時間。而且這種方法進行地震相分析，可以有效地識別河道、三角洲、沖積扇、斷層、巖性異常體等沉積相特征和地質(zhì)現(xiàn)象，形成一種實用性強、精度高的儲層預測技術。地震屬性優(yōu)化就是優(yōu)選出對求解問題最敏感、最有效或最有代表的屬性，以便提高儲層預測的精度。在進行地震屬性優(yōu)化處理前，通常要對提取的所有屬性進行標準化處理(如歸一化等)。地震屬性的優(yōu)化始于20世紀70年代出現(xiàn)的“亮點”技術，在該技術中，選擇反射波的振幅和極性等，即早期的“專家優(yōu)化”。隨著人工智能技術的發(fā)展，更多數(shù)學方法被引入到地震屬性的優(yōu)化方法中。目前屬性的優(yōu)化方法較多，但可將其分為兩大類利用專家知識進行優(yōu)化和利用數(shù)學方法進行自動優(yōu)化。專家方法已不能滿足目前儲層預測的要求，只能作為一種輔助的手段。當前國內(nèi)外的地震屬性優(yōu)選方法主要是數(shù)學方法，主要有K-L變換、局部線性嵌入算法(LLE)、等距映射(ISOMAP)、多重判別分析法(MDA)、屬性貢獻量法、搜索算法、遺傳算法、粗集理論(RS)等。隨著地震屬性技術的發(fā)展，地震儲層預測技術作為一個分支也得到了較快的發(fā)展。從早期的單屬性預測到后來利用多種地震屬性進行儲層預測的技術；從早期的專家方法到后來的人工智能方法。自80年代起，“模式識別”受到特別重視，先后研究出了 “模糊模式識別”、“統(tǒng)計模式識別”、“神經(jīng)網(wǎng)絡模式識別”和“函數(shù)逼近”等方法，這以后儲層預測技術得到了快速的發(fā)展。預測對象從預測油氣發(fā)展到預測儲層參數(shù)和地層巖性等。目前，根據(jù)預測方法可以分為函數(shù)逼近類預測和模式識別類預測。函數(shù)逼近類方法主要是對儲層參數(shù)等進行預測，主要參數(shù)包括砂泥巖百分比、孔隙度、含油飽和度、儲層厚度、地層壓力等，常采用BP神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡、⑶SI網(wǎng)絡等。模式識別類方法主要用于含油氣性預測、地震相模式識別，采用的方法已經(jīng)從統(tǒng)計模式識別、模糊模式識別過渡到自組織神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡、分形理論、灰色理論等。地震相分析技術作為儲層預測的一部分，自然也得到了較快發(fā)展。它是20世紀70年代末發(fā)展起來的一種利用地震資料進行地質(zhì)解釋的地質(zhì)方法。發(fā)展至今，地震相分析已由肉眼判斷地震相單元的各種參數(shù)、手工制作地震相圖件到自組織神經(jīng)網(wǎng)絡判斷不同單元的地震相參數(shù)，并直接對地震相參數(shù)進行分類。最初的手工操作，費時費工，特別是當?shù)卣鹌拭嫔戏瓷洚惓２煌怀鰰r，此項工作是更加困難，后來發(fā)展到了用統(tǒng)計模式識別和模糊聚類來自動劃分地震相。但是統(tǒng)計模式識別對屬性提取和選擇的要求高，只能適用于幾種簡單的形式，模糊聚類方法在建立準確合理的隸屬度函數(shù)方面難度較大，且當數(shù)據(jù)量大時運算時間長，有時幾乎不能夠?qū)崿F(xiàn)。后來運用了神經(jīng)網(wǎng)絡技術進行模式識別取得了良好的效果。因為人工神經(jīng)網(wǎng)絡可以處理一些環(huán)境復雜、背景知識不清楚、推理規(guī)則不明確的問題，而且允許樣本有較大的缺損和畸變。就目前有關劃分地震相的文章來看，多選取的是Kohonene自組織神經(jīng)網(wǎng)絡。地震屬性優(yōu)化不僅是模式識別的關鍵之一，對提高函數(shù)逼近法地震儲層預測精度也具有重要意義。在地震儲層預測中，通常提取多個屬性，采用模式識別或函數(shù)逼近法進行儲層預測。但在不同地區(qū)、不同層位，對所預測對象敏感的(或有效的、最有代表性的)地震屬性是不完全相同的；即使在同一地區(qū)、同一層位，對所預測的對象敏感的地震屬性也是有差異的。因此有必要研究儲層預測中的地震屬性優(yōu)化方法。目前地震屬性的優(yōu)化方法較多，但可將其分為兩大類利用專家知識進行優(yōu)化和利用數(shù)學方法進行自動優(yōu)化。專家優(yōu)化，一般來說油田專家對某個地區(qū)帶有最多儲層信息的地震屬性是比較了解的，可憑經(jīng)驗進行地震屬性選擇。有時專家能提出幾組較優(yōu)的屬性或?qū)傩越M合，但哪一組最優(yōu)難下結(jié)論。這可以通過計算誤識率(模式識別法)或預測誤差(函數(shù)逼近法)并比較，選取誤識率或預測誤差小者為最優(yōu)的地震屬性或地震屬性組合。與專家優(yōu)化方法相比，數(shù)學優(yōu)化方法要復雜得多，而且具有更廣泛的適用性。地震屬性選擇的任務是從一組數(shù)量(維數(shù))為D的地震屬性中選擇出數(shù)量為d(D>d)的一組最優(yōu)地震屬性來，為此要解決兩個問題①選擇的標準，這里選用目標函數(shù)(用J(·)表示)，即要選出使目標函數(shù)達最優(yōu)的地震屬性組合來；②要找一個較好的選擇方法，以便在允許的時間內(nèi)找出最優(yōu)的那一組地震屬性。

發(fā)明內(nèi)容
本發(fā)明的目的為了克服現(xiàn)有技術的不足與缺陷，提供一種地震屬性的新型選擇方法，該地震屬性的新型選擇方法能夠快速的選擇出地震屬性，且選擇步驟簡單，選擇結(jié)果準確，便于推廣。本發(fā)明的目的通過下述技術方案實現(xiàn)一種地震屬性的新型選擇方法，包括以下步驟(a)在未入選屬性組合中逐個選入屬性I個，形成新屬性組合Xk+1，置k =k+1，Xk = Xkn ；(b)從Xk中逐個剔除r個最差的屬性，形成新屬性組合Xk+置k = k-r ;(c)置k = d，則終止算法，否則，置Xk = Xk+1，轉(zhuǎn)向第一步。進一步的，當I >1■時，l_r為自下而上，先執(zhí)行第一步，然后執(zhí)行第二步，起始時應置 k = 0, X。= 。進一步的，當I < I■時，1-r為自上而下，先執(zhí)行第二步，然后執(zhí)行第一步，起始時應置 k = D,X0 = (XijX2,…，Xd}。綜上所述，本發(fā)明的有益效果是能夠快速的選擇出地震屬性，且選擇步驟簡單，選擇結(jié)果準確，便于推廣。
具體實施例方式下面結(jié)合實施例，對本發(fā)明作進一步地的詳細說明，但本發(fā)明的實施方式不限于此。實施例本實施例涉及一種地震屬性的新型選擇方法，包括以下步驟(a)在未入選屬性組合元-尤中逐個選入屬性I個，形成新屬性組合Xk+1，置k =k+1 Xk = Xkn ；(b)從Xk中逐個剔除r個最差的屬性，形成新屬性組合Xk+置k = k-r ;(c)置k = d，則終止算法，否則，置Xk = Xk+1，轉(zhuǎn)向第一步。進一步的，當I >1■時，l_r為自下而上，先執(zhí)行第一步，然后執(zhí)行第二步，起始時應置 k = 0, X。= 。進一步的，當I <1■時，l_r為自上而下，先執(zhí)行第二步，然后執(zhí)行第一步，起始時應置 k = D,X0 = (XijX2,…，Xd}。以 上所述，僅是本發(fā)明的較佳實施例，并非對本發(fā)明做任何形式上的限制，凡是依據(jù)本發(fā)明的技術實質(zhì)上對以上實施例所作的任何簡單修改、等同變化，均落入本發(fā)明的保護范圍之內(nèi)。
權利要求
1.ー種地震屬性的新型選擇方法，其特征在于，包括以下步驟 (a)在未入選屬性組合^^-中逐個選入屬性I個,形成新屬性組合Xk+1,置k = k+1,Xk = Xk+1 ； (b)從Xk中逐個剔除r個最差的屬性，形成新屬性組合Xlri，置k= k-r ; (c)置k= d，則終止算法，否則，置Xk = Xk+1，轉(zhuǎn)向第一歩。
2.根據(jù)權利要求1所述的ー種地震屬性的新型選擇方法，其特征在干，當I> I■吋，l_r為自下而上，先執(zhí)行第一歩，然后執(zhí)行第二步，起始時應置k = 0, Xtl = 。
3.根據(jù)權利要求1所述的ー種地震屬性的新型選擇方法，其特征在干，當I< I■吋，l_r為自上而下，先執(zhí)行第二歩，然后執(zhí)行第一歩，起始時應置k = D，Xtl= (XijX2,…，XD}。
全文摘要
本發(fā)明公開了一種地震屬性的新型選擇方法，包括(a)在未入選屬性組合中逐個選入屬性1個，形成新屬性組合Xk+1，置k＝k+l，Xk＝Xk+1；(b)從Xk中逐個剔除r個最差的屬性，形成新屬性組合Xk-1，置k＝k-r；(c)置k＝d，則終止算法，否則，置Xk＝Xk+1，轉(zhuǎn)向第一步。本發(fā)明能夠快速的選擇出地震屬性，且選擇步驟簡單，選擇結(jié)果準確，便于推廣。
文檔編號G01V1/28GK103048687SQ20111032587
公開日2013年4月17日 申請日期2011年10月13日 優(yōu)先權日2011年10月13日
發(fā)明者陳紅兵 申請人:陳紅兵