一种基于空间自相关神经网络的地质曲面重构方法技术

本发明专利技术公开一种基于空间自相关神经网络的地质曲面重构方法，应用于油气勘探开发领域；针对采用下有技术得到的曲面丢失了形态特征的问题；本发明专利技术首先基于地震解释数据对构建的空间自相关神经网络进行训练，并制作预测数据集，将预测数据集输入训练万晨个空间自相关神经网络，得到预测曲面模型；并针对不合理的地质曲面模型，提取形态特征数据加入训练数据集，进行新一轮的曲面重构，直到得到合理的地质曲面模型。质曲面模型。质曲面模型。

【技术实现步骤摘要】
一种基于空间自相关神经网络的地质曲面重构方法


[0001]本专利技术属于油气勘探开发领域，特别涉及一种地质曲面重构技术。

技术介绍

[0002]地质曲面重构是曲面重构在地质勘探领域的应用之一，是油气勘探开发中油气运移路径分析、储量计算和地质构造三维建模等研究工作的基础。由于地理空间内存在一些无法观测位置或难以大量布设观测点等原因，空间研究区域内存在大量未知数据点，导致了地质曲面重构很大程度上受到不确定性的影响，如何通过已知位置的观测数据估计未知数据，从而构建拟合度高、光顺性好、形态特征准确的合理地质曲面模型，是当前地质曲面重构领域的主要问题。
[0003]空间相关性是支撑空间插值的基础，Tobler(1970)提出了地理学第一定理“任何东西与别的东西之间都是相关的，但近处的东西比远处的东西相关性更强”，指出了一些变量在同一个分布区内的观测数据之间潜在的相互依赖性。所以，数据之间的空间权重关系的求解精度决定了空间插值预测的精准性与可靠性。
[0004]但是，由于地质勘探数据获取的困难、地质规律的限制、构造解释的不足等客观因素，传统空间插值方法，如反距离权重法(IDW)，往往难以精准拟合曲面的空间权重关系。近几年，随着深度学习的发展，由于神经网络具有强大的非线性拟合能力，部分研究者将神经网络应用到点云重构和曲面重构中，并且取得了极其显著的应用效果。但是，目前大多数深度学习需要大量的训练样本，才能得到效果较好的模型。对于少样本、单样本的领域，如地质勘探和医疗影像领域，建立高精度模型需要大量的样本数据，而这些数据有时获取难度高、成本昂贵或不切实际。
[0005]现有的技术存在以下的不足：
[0006](1)由于输入数据稀疏不确定，现有方法得到的曲面丢失了形态特征。
[0007](2)由于地质曲面拥有复杂的地质构造，现有方法在插值前需要构建复杂的拓扑关系，算法效率低下，且不具备普适性。
[0008](3)传统空间插值方法需先验假设条件，模型相对简单，但难以精准拟合权重与空间距离间的相互关系。

技术实现思路

[0009]为解决上述技术问题，本专利技术提出一种基于空间自相关神经网络的地质曲面重构方法，能有效利用地震解释数据之间的空间相关性，通过加入可视化交互人工标注的形态特征线，从而构建拟合度高、光顺性好、形态特征准确的合理地质曲面模型。
[0010]本专利技术采用的技术方案为：一种基于空间自相关神经网络的地质曲面重构方法，包括：
[0011]S1、获取原始地震解释数据，并根据获取的原始地震解释数据制作训练数据集；
[0012]S2、采用BP神经网络搭建空间自相关神经网络模型，所述空间自相关神经网络模
型输入层设置为n
‑
1个神经元，n为训练数据集中样本点的总个数；
[0013]S3、采用步骤S1制作的训练数据对步骤S2搭建的自相关神经网络模型进行训练；
[0014]S4、制作预测数据集；
[0015]S5、将预测数据集输入经步骤S3训练完成的自相关神经网络模型中，得到预测曲面模型。
[0016]还包括对预测曲面模型进行合理性判断，若得到的预测曲面模型不合理，则通过可视化交互在不合理出标注形态特征线，之后，将已经人工标注的形态特征线与原始解释种子线求交点，得到形态特征点，对形态特征点进行最小二乘法拟合得到形态特征数据；将得到的形态特征数据加入到步骤S1的训练数据集中。
[0017]本专利技术的有益效果：本专利技术的方法不同于传统的插值方法，本专利技术方法基于空间自相关神经网络，能够很好的处理多维数据，能够精准拟合权重与空间距离间的相互关系。此外，针对目标地质曲面的不确定性和形态特征丢失的问题，提出了将地质专家知识通过可视化交互的方式引入网络回归中，引导约束曲面的重构过程。通过理论模型的测试，证明了本专利技术方法的有效性。在实际数据上进行测试，本专利技术提出的方法相比于一般插值方法，更加符合地质曲面的分析与解释。综上，本专利技术提出的方法能够构建拟合度高、光顺性好、形态特征准确的合理地质曲面模型，能够有效促进深度学习和信号处理理论在地质曲面重构领域的发展与应用。
附图说明
[0018]图1为神经元结构；
[0019]图2为多层感知机结构；
[0020]图3为本专利技术的方案流程图；
[0021]图4为空间自相关神经网络模型；
[0022]图5为模型复杂度对欠拟合和过拟合的影响示意图；
[0023]图6为理论地质解释数据；
[0024]图7为无形态特征的理论曲面模型；
[0025]图8为理论曲面等高线图；
[0026]图9为三维形态特征数据；
[0027]图10为包含形态特征的理论曲面模型；
[0028]图11为川东某工区部分层位面解释数据；
[0029]图12为川东某工区曲面模型；
[0030]其中，(a)为初始重构曲面模型，(b)为最终重构曲面模型；
[0031]图13为川东某工区曲面等高线图；
[0032]其中，(a)为初始重构曲面等高线图，(b)为最终重构曲面等高线图。
具体实施方式
[0033]为便于本领域技术人员理解本专利技术的
技术实现思路
，首先对相关现有技术进行说明：
[0034]1、反距离权重法(IDW)
[0035]反距离权重法(IDW)是以待插值点和已知样本点之间的空间距离作为权重参数进
行加权平均的插值方法。
[0036]对于待插值点而言，离已知样本点越近，赋予的权重越大，其权重贡献与距离成反比，通用公式为：
[0037][0038]其中，是第i个待插值点的估计值，m表示待插值点的总数，z
j
是第j个样本点的真实值，n表示样本点的总数，d
ij
为待插值点i和第j个点之间的欧式距离。p为加权幂指数，它可以调节插值函数曲面的形状，通常取2。
[0039]反距离权重法的计算步骤如下：
[0040]①
计算待插值点到已知点之间的欧氏距离d
ij
。
[0041][0042]其中，为待插值点坐标，(x
j
,y
j
)为已知样本点坐标。
[0043]②
利用权重函数计算待插值点与各样本点之间的空间权重w
i
。
[0044][0045]③
计算待插值点的估计值。
[0046][0047]反距离权重法的优点是公式比较简单。缺点是它是一种全局性的插值计算方法，样本点中的极端值会直接影响整个插值曲面，若参与插值的采样点数很多，计算一个节点就要进行大量计算。
[0048]2、神经网络理论
[0049]神经元是组成神经网络的基本单位，其模型如图1所示。
[0050]其中a
k
为输入向量的各个分量，w
k
为输入的权重系数，b为神经元的偏置，f为激活函数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间自相关神经网络的地质曲面重构方法，其特征在于，包括：S1、获取原始地震解释数据，并根据获取的原始地震解释数据制作训练数据集；S2、采用BP神经网络搭建空间自相关神经网络模型，所述空间自相关神经网络模型输入层设置为n
‑
1个神经元，n为训练数据集中样本点的总个数；S3、采用步骤S1制作的训练数据对步骤S2搭建的自相关神经网络模型进行训练；S4、制作预测数据集；S5、将预测数据集输入经步骤S3训练完成的自相关神经网络模型中，得到预测曲面模型。2.根据权利要求1所述的一种基于空间自相关神经网络的地质曲面重构方法，其特征在于，还包括对预测曲面模型进行合理性判断，若得到的预测曲面模型不合理，则通过可视化交互在不合理出标注形态特征线，之后，将已经人工标注的形态特征线与原始解释种子线求交点，得到形态特征点，对形态特征点进行最小二乘法拟合得到形态特征数据；将得到的形态特征数据加入到步骤S1的训练数据集中。3.根据权利要求2所述的一种基于空间自相关神经网络的地质曲面重构方法，其特征在于，步骤S1具体为：对获取的原始地震解释数据进行预处...

【专利技术属性】
技术研发人员：宗晶晶，张冰彬，张志斌，鲁才，胡光岷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：