一种基于EM算法的三维地震数据波形的半监督聚类方法技术

技术编号:10923830 阅读:164 留言:0更新日期:2015-01-18 23:59
本发明专利技术提供了一种基于EM算法的三维地震数据波形的半监督聚类方法。所述方法包括对目的层时窗内的三维地震数据进行以下处理:查找三维地震数据波形的极值点,并通过切比雪夫多项式来拟合地震波形,并将拟合系数作为波形特征参数;根据测井信息对三维地震数据中的井旁道地震数据的拟合地震波形进行分类,形成含类别信息的带标签样本数据集;通过EM算法对未进行所述分类的拟合地震波形进行半监督聚类,其中,所述含类别信息的带标签样本数据集给出EM算法迭代的参数初始值,并根据相同地质层位的极值点周围的波形具有相似性,对波形特征参数进行聚类。本发明专利技术在聚类过程中应用了测井数据,提高分类精度,使分类结果与实际类别信息联系紧密。

【技术实现步骤摘要】

本专利技术涉及地震勘探资料解释
,更具体地讲,涉及一种用于石油地震勘探、地质构造分析等的三维地震数据波形分类方法。
技术介绍
基于地震信号的波形分类技术是地震解释人员进行地下储层和地层结构分析的重要手段。合理且准确的地震信号波形分类结果能够真实地反映地下储层和地层结构构造,从而有利于地震解释人员对地下构造进行准确的构造解释,进而提高对岩性预测、砂体预测、裂缝性油气藏预测和隐蔽性油气藏预测的可靠性,从而减少勘探风险,节约勘探成本,带来巨大的经济和社会效益。所以,对地震信号的波形分类研究具有重要的实际意义。随着科学技术水平的发展和对地震资料采集技术的不断提高,使得地震信号中包含的地震信息更加丰富,而其中许多有用的地震信息仅靠肉眼的观察是检测不出来的,必须借助地震数据处理技术和计算机技术对其加以提取、分析,并通过一定的数学方法,对这些地震信息的地质特征加以解释。针对现有采集的地震数据,目前的波形分类技术主要是基于无监督分类算法。特别是基于人工神经网络理论,如商业软件OpendTect、Petrel及Stratimgic等。无监督分类:相对于有监督分类,无监督分类不需要任何先验分类信息,直接利用数据特征的内在分布结构进行聚类划分。该方法对含有噪声的地震信号数据具有较高的承受力,也具有对无训练样本数据的分类能力。然而采用不同的聚类方法和距离计算方法,得到的分类结果经常存在差异,影响分类精度,且无监督分类方法,忽视了某些具有重要价值的先验信息,与实际类别信息联系不够紧密。
技术实现思路
针对现有技术中存在的不足,本专利技术的目的之一在于解决上述现有技术中存在的一个或多个问题。本专利技术的目的之一在于提供一种在用于石油地震勘探、地质构造分析等的三维地震数据波形分类方法。为了实现上述目的,本专利技术提供了一种基于EM算法的三维地震数据波形的半监督聚类方法。所述方法包括读入测井信息和三维地震数据,划分目的层时窗并对目的层时窗内的三维地震数据进行以下处理:查找三维地震数据波形的极值点;基于查找的极值点,通过切比雪夫多项式来拟合地震波形,并将拟合系数作为波形特征参数;根据测井信息对三维地震数据中的井旁道地震数据的拟合地震波形进行分类,形成含类别信息的带标签样本数据集;通过EM算法对三维地震数据中未进行所述分类的拟合地震波形进行半监督聚类,在所述半监督聚类过程中,所述含类别信息的带标签样本数据集给出EM算法迭代的参数初始值,并且,根据相同地质层位的极值点周围的波形具有相似性,将极值点的波形特征参数进行聚类,其中,聚类所得到的聚类团中的波形特征参数对应的极值点表示在同一类中。根据本专利技术基于EM算法的三维地震数据波形的半监督聚类方法的一个实施例,所述极值点可以包括极大值或极小值。根据本专利技术基于EM算法的三维地震数据波形的半监督聚类方法的一个实施例,所述方法还可以包括通过方差法对所述拟合得到的波形特征参数进行优选。根据本专利技术基于EM算法的三维地震数据波形的半监督聚类方法的一个实施例,根据混合高斯模型对极值点的波形特征系参数进行聚类。根据本专利技术基于EM算法的三维地震数据波形的半监督聚类方法的一个实施例,通过最大似然方法得到混合高斯模型的参数的估计值,所述参数的估计值用于代入混合高斯模型对极值点进行聚类。与现有技术相比,本专利技术的有益效果包括:在聚类过程中应用了测井数据等信息,避免了具有重要价值的测井信息的丢失,实现了半监督波形分类,提高分类精度,使分类结果与实际类别信息联系紧密。附图说明通过下面结合附图进行的描述,本专利技术的上述和其他目的和特点将会变得更加清楚,其中:图1示出了本专利技术示例性实施例的基于EM算法的三维地震数据波形的半监督聚类方法的流程图;图2示出了在图1中的步骤S103通过切比雪夫多项式拟合地震波形的示意图;图3示出了特征参数的标准正态分位数图;图4A示出了第一工区采用传统无监督分类的效果图;图4B示出了第一工区采用本专利技术方法进行聚类的效果图;图5A示出了第二工区采用传统无监督分类的效果图;图5B示出了第二工区采用本专利技术方法进行聚类的效果图。具体实施方式在下文中,将结合附图和示例性实施例详细地描述根据本专利技术的基于EM算法的三维地震数据波形的半监督聚类方法。专利技术人发现,无监督波形分类算法主要存在以下缺点(或问题):首先,无监督波形分类算法忽视了地震数据中具有重要参考意义的测井信息,分类结构只是基于地震工区数据的内在分布和统计特征,也就是说,其直接利用波形特征数据的内在分布结构进行聚类划分的,与实际情况的联系不够紧密,分类结果不够精确和合理;另外,人工神经网络具有网络训练的计算复杂度较高、某些参数的设置需要工程人员具有一些先验信息及某些情况下神经网络可能陷入局部最优等问题。而基于三维地震信号的波形分类问题的难度主要表现在如下几个方面:(1)随着地震资料采集技术的提高,三维地震信号中包含的地震信息越来越丰富,如何准确地提取地震信号中的有效信息来进行波形分类处理是地震数据波形分类问题中的一大难点。合理且有效的地震属性特征,能够很好地提高波形分类的准确度,提高对岩性预测、砂体预测、裂缝性油气藏预测和隐蔽性油气藏预测的可靠性。(2)如何构建性能优越的分类器模型是基于三维地震信号的波形分类分析的另一大难点。选择合适的分类算法,不仅能够建立分类性能优越的分类器模型,也能提高波形分类分析效率,所以选择合适的分类算法是波形分类中的重点。(3)在分类过程中,如何利用具有重要参考意义的测井信息,为波形分类提供更有效的指导作用,是分类结果更加合理,分类精度也更高。针对地震信号波形分类技术的难点及现有无监督波形分类技术的缺点,专利技术人提出了一种基于半监督EM聚类的三维地震数据波形分类方法,以解决现有无监督波形分类方法的缺点及波形分类中的难点。其中,半监督学习(Semi-supervised Learning)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题,在本专利技术中,用井旁道的数据做为已知分类标签体现了半监督。最大期望算法(Expectation-maximization algorithm,又译期望最大化算法,简称为EM算法),聚类的EM算法是在E-step(Expectation Step,期望本文档来自技高网
...

【技术保护点】
一种基于EM算法的三维地震数据波形的半监督聚类方法,其特征在于,所述方法包括读入测井信息和三维地震数据,划分目的层时窗并对目的层时窗内的三维地震数据进行以下处理:查找三维地震数据波形的极值点;基于查找的极值点,通过切比雪夫多项式来拟合地震波形,并将拟合系数作为波形特征参数;根据测井信息对三维地震数据中的井旁道地震数据的拟合地震波形进行分类,形成含类别信息的带标签样本数据集;通过EM算法对三维地震数据中未进行所述分类的拟合地震波形进行半监督聚类,在所述半监督聚类过程中,所述含类别信息的带标签样本数据集给出EM算法迭代的参数初始值,并且,根据相同地质层位的极值点周围的波形具有相似性,对波形特征参数进行聚类,其中,聚类所得到的聚类团中的波形特征参数对应的极值点表示在同一类中。

【技术特征摘要】
1.一种基于EM算法的三维地震数据波形的半监督聚类方法,其特征在
于,所述方法包括读入测井信息和三维地震数据,划分目的层时窗并对目的
层时窗内的三维地震数据进行以下处理:
查找三维地震数据波形的极值点;
基于查找的极值点,通过切比雪夫多项式来拟合地震波形,并将拟合系
数作为波形特征参数;
根据测井信息对三维地震数据中的井旁道地震数据的拟合地震波形进行
分类,形成含类别信息的带标签样本数据集;
通过EM算法对三维地震数据中未进行所述分类的拟合地震波形进行半
监督聚类,在所述半监督聚类过程中,所述含类别信息的带标签样本数据集
给出EM算法迭代的参数初始值,并且,根据相同地质层位的极值点周围的
波形具有相似性,对波形特征参数进行聚类,其中,聚类所得到的聚类团...

【专利技术属性】
技术研发人员:陈小二张洞君邹文陶正喜范昆杜洪王颀巫盛洪吕文彪王聃
申请(专利权)人:中国石油集团川庆钻探工程有限公司地球物理勘探公司
类型:发明
国别省市:四川;51

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1