一种基于Bayes统计决策的智能速度谱解释与建模方法技术

本发明专利技术公开了一种基于Bayes统计决策的智能速度谱解释与建模方法，利用从速度谱及叠加剖面提取的层位信息及统计信息，根据层位属性聚类形成的类簇，借助处理人员的先验认识以及基本的地质规律缩小可拾取的范围，关键是基于道集拉平程度判断在参数约束范围内进行参数搜索，并根据参数统计结果进行质量控制，最后插值、平滑形成合理的速度场。本发明专利技术的智能背景速度建模的自动化程度高，只需设置先验参数即可工作，为后续精细建模提供可靠的初始速度场，效率较高，即可节省数据处理人员的体力劳动。动。动。

【技术实现步骤摘要】
一种基于Bayes统计决策的智能速度谱解释与建模方法


[0001]本专利技术属于地球勘探
，具体涉及一种基于Bayes统计决策的智能速度谱解释与建模方法。

技术介绍

[0002]速度分析和速度建模是地震处理成像的关键步骤，基于CMP道集的背景速度估计是稳健的。目前拾取与建模仍然要依靠人工完成，存在耗时多，工作量大，出现人为偶然误差的情况。在当前数据规模已十分巨大的情况下，研究自动化智能化的初始背景速度估计方法是很有必要的，也对拾取效率和精度提出更高的要求，但是很多自动化估计方法没有充分利用数据信息或形成一套合理的拾取决策框架。
[0003]因为道集的偏移和叠加都需要提供可靠的速度信息，而反过来可以利用叠加或偏移的像域数据可以作为一种速度分析的手段。早在1967年Garotta等提出了基于共反射点双曲时距曲线的速度分析方法。Taner等(1969)给出了借助速度谱的叠加速度分析方法。一般的叠加速度分析方法是利用速度谱做的，拾取位置可以参考能量团极大处。Toldi(1989)较早的探索了自动拾取的方法，初始模型经过扰动，自动寻找叠加能量最大的速度函数。这种寻找最佳速度的问题，可建立误差泛函并用优化方法求取，Lumley(1992)就探索了基于Monte Carlo层速度扰动自动拾取方法。考虑到邻道约束，也要后道参考前道拾取的方法提出(张志让，1994)。林年添等(2004)提出了向前做最大“能量团”的积分并向后递归计算最优解的方法。拾取建模是一个决策过程，很多人借助人工智能方法实现。可利用多属性包括avo、连续相邻道来过滤噪声，基于距离聚类找到各属性中心作为拾取结果(Smith，2017)。Chen(2018)也实现了K均值聚类拾取方法。郑浩等(2020)直接将速度谱作为神经网络的输入数据,将时间域层速度作为标签数据，实现速度谱到模型的映射。
[0004]检索已有的技术发现，一些专利技术只是基于单个道集的信息进行拾取，或者没有充分利用统计信息和层位信息对拾取参数进行约束。公布号为CN112464728A的中国专利技术专利《基于无监督学习的地震速度谱自动拾取方法及装置》根据预处理后的叠加速度谱进行拾取，沿时间方向上在每个时间采样点设置时空窗，采用加权的K
‑
mean聚类算法对时空窗内的谱数据进行聚类，能够自适应地确定速度谱能量团的中心位置。虽然提供了一种自动化拾取方法，但没有体现在层位约束下按照层位进行拾取。公布号为CN111624653A的专利技术专利《地震速度拾取方法与装置》实现了高效的基于能量团的自动拾取，虽然参考了相邻道集的信息，但是拾取依据的信息不够充分，拾取决策不够合理。
[0005]致力于克服现有技术的不足，本专利技术将速度谱数据的解释及建模过程实现自动化，能够高效地基于CMP道集形成合理的背景速度模型。其中包含一套完整的速度拾取与背景速度建模流程，在拾取的决策过程中体现人的先验认识，并且将从速度谱数据体以及叠加剖面数据体中提取的统计信息加以利用帮助形成合理的决策。

技术实现思路

[0006]为解决现有技术存在的缺陷，本专利技术提供一种基于Bayes统计决策的智能速度谱解释与建模方法。从而完成基于多信息的自动化速度谱解释与建模。本专利技术利用从速度谱及叠加剖面提取的层位信息及统计信息，根据层位属性聚类形成的类簇，借助处理人员的先验认识以及基本的地质规律缩小可拾取的范围，关键是基于道集拉平程度判断在参数约束范围内进行参数搜索，并根据参数统计结果进行质量控制，最后插值、平滑形成合理的速度场。
[0007]本专利技术利用的决策信息丰富，且操作简便。大大减少了人工成本的情况下，即为后续精细速度建模工作提供优化的初始模型。利用基于其生成的速度场能够获得较高质量的叠加或时间偏移剖面。
[0008]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0009]本专利技术提供一种基于Bayes统计决策的智能速度谱解释与建模方法，包括以下步骤：
[0010]步骤1：基于CMP道集形成速度谱数据体和类叠加剖面，基于类叠加剖面提取层位结构；
[0011]步骤2：利用提取的层位形成以层位属性为核心的K均值聚类算法，对局部窗内的速度谱数据体预处理后进行聚类获得属于不同层位的类簇；
[0012]步骤3：再利用统计信息和先验信息约束拾取点的拾取范围，以两拾取点间时窗内的道集拉平效果最优为拾取目标，拾取点在约束范围内小范围扰动获得最优拾取结果；
[0013]步骤4：在所有CMP道集拾取完成后统计邻域同层拾取情况，在结构约束下对拾取点质量控制，经过插值和平滑，得到最后的模型。
[0014]作为本专利技术的一种优选技术方案，步骤1包含如下具体步骤：
[0015]A11：CMP数据分块读取，获取道头信息，包含CDP号、偏移距、线号；
[0016]A12：设定速度扫描的上下限以及间隔，计算相似谱数据、排列形成谱数据体，基于不同速度扫描的结果自动校正叠加，再将所有结果加权叠加形成类叠加剖面；
[0017]A13：基于图像特征提取层位结构。
[0018]作为本专利技术的一种优选技术方案，对分块数据进行步骤2的处理，步骤2包含如下具体步骤：
[0019]A21：聚类前对速度谱数据体的预处理，包括阈值滤波，基于提取层位结构位置的筛选，以及基于邻近拾取结果统计特征的筛选；
[0020]A22：根据提取层位位置计算预处理后的数据样本的层位属性，用其衡量样本与各层位的距离，通过K均值聚类形成以不同层位结构为核心的类簇。
[0021]作为本专利技术的一种优选技术方案，对分块数据中每一个CMP道集的数据实现步骤3的处理，用于参数优选的步骤3包含如下具体步骤：
[0022]A31：利用统计信息和先验信息约束拾取点的拾取范围，其中包括层速度变化率约束，均方根速度变化趋势约束以及基于相邻道拾取参数的横向约束；
[0023]A32：根据设计的约束信息，去除不满足任意约束条件的样本，保证拾取样本参数在合理范围内；
[0024]A33：以两拾取点间时窗内的道集拉平效果最优为拾取目标，设计目标函数用于衡
量各道与中心道之间的时差之和，拾取点在约束范围内进行扫描搜寻目标函数极小值，以获得最优拾取结果。
[0025]作为本专利技术的一种优选技术方案，对步骤1中不同分块的CMP数据，分别完成步骤2、步骤3所有流程，直到所有CMP数据完成拾取，进入步骤4。
[0026]作为本专利技术的一种优选技术方案，利用统计信息形成合理速度场的步骤4包含如下具体步骤：
[0027]A41：统计局部范围内同一层位拾取参数的均值方差，基于拾取统计结果的质量控制，将计算出方差过大的拾取参数用统计均值代替。
[0028]A42：不同CMP道集间插值，或沿时间插值，进行高斯平滑以形成变化趋势平缓的速度场。
[0029]A43：输出平滑前后的时间域均方根速度场。
[0030]本专利技术相较于现有技术，具有以下有益效果：
[0031](本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，包括以下步骤：步骤1：基于CMP道集形成速度谱数据体和类叠加剖面，基于类叠加剖面提取层位结构；步骤2：利用提取的层位形成以层位属性为核心的K均值聚类算法，对局部窗内的速度谱数据体预处理后进行聚类获得属于不同层位的类簇；步骤3：利用统计信息和先验信息约束拾取点的拾取范围，以两拾取点间时窗内的道集拉平效果最优为拾取目标，拾取点在约束范围内小范围扰动获得最优拾取结果；步骤4：在所有CMP道集拾取完成后统计邻域同层拾取情况，在结构约束下对拾取点质量控制，经过插值和平滑，得到最后的模型。2.根据权利要求1所述的基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，步骤1包含如下具体步骤：A11：CMP数据分块读取，获取道头信息，包含CDP号、偏移距、线号；A12：设定速度扫描的上下限以及间隔，计算相似谱数据、排列形成谱数据体，基于不同速度扫描的结果自动校正叠加，再将所有结果加权叠加形成类叠加剖面；A13：基于图像特征提取层位结构。3.根据权利要求1所述的基于Bayes统计决策的智能速度谱解释与建模方法，其特征在于，对分块数据进行步骤2的处理，步骤2包含如下具体步骤：A21：聚类前对速度谱数据体的预处理，包括阈值滤波，基于提取层位结构位置的筛选，以及基于邻近拾取结果统计特征的筛选；A22：根据提取层位位置计算预处理后的数据样本的层位属性，用其衡量样...

【专利技术属性】
技术研发人员：王华忠，吴成梁，伍国富，冯波，
申请(专利权)人：同济大学，
类型：发明
国别省市：