一种三维地震信号中的有监督波形分类方法
【专利摘要】本发明的三维地震信号中的有监督波形分类方法，蛀牙包括步骤数据预处理、特征选择和分类标识。有益效果在于本发明以三维地震信号资料及测井数据信息为基础，通过遗传算法对提取的属性特征进行优化，利用SVM分类算法，将所分析的三维地震目的层段数据进行波形分类划分，识别不同的地震相，进而为后续地震资料解释提供可靠地支持，提高对岩性预测、砂体预测、裂缝性油气藏预测及隐蔽性油气藏预测等的可靠性。相对于仅用SVM设计分类器相比，加入了遗传算法进行特征选择，降低了SVM分类器的设计复杂度，从而提高了波形分类处理效率。
【专利说明】一种三维地震信号中的有监督波形分类方法
【技术领域】
[0001]本发明属于地震信号中波形的分类处理【技术领域】，涉及一种三维地震信号的波形分类方法，特别涉及其中的有监督波形的分类方法。
【背景技术】
[0002]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。
[0003]在油气的地震勘探中，地震资料解释的目的是为了从地震数据中提取更多的信息进行地下构造解释以及地层和岩性特征的描述。从地震资料中获取这些信息最有效的方法之一就是地震属性特征的提取分析及波形分类技术。
[0004]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。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。但是，无监督波形分类算法也存在某些缺点: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，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我们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。
[0005]因此，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:
[0006](I)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。
[0007](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。
[0008](3)针对地震数据的特点，数据在采集过程中会混入一定量的噪声。由于随机噪声的加入，会对地震信号的波形分类结果造成严重的影响，降低分类结果的准确度，进而会影响岩性预测、砂体预测、裂缝性油气藏预测及隐蔽性油气藏预测的可靠性。
[0009]在地震信号的波形分类问题上，目前国内外有较多的实现方案，这些方法中，大部分都是基于无监督分类思想来对地震信号进行波形分类分析的。以下是其中的三种实现方案:(1)基于自组织映射神经网络的波形分类方法:该方法首先对提取的目的层段的地震信号数据来建立模型道数据，即通过地震道样本数据来训练自组织神经网络的输出层节点建立分类模型，然后再利用模型道来对地震信号进行分类划分。(2)基于分层聚类的波形分类方法:该方法首先对提取的目的层段的地震信号数据来构建聚类生成树，然后再对聚类生成树来对地震信号进行分类划分。(3)基于混合高斯概率模型的波形分类方法:该方法首先根据提取的目的层段的地震信号特征，利用概率统计分析理论来建立混合高斯概率模型，然后再利用混合高斯概率模型对地震信号进行分类划分。
[0010]以上现有技术，在实际的地震资料分析中都得到了很大程度的应用，但是这些方法都是基于无监督分类思想来进行处理的，这样在很大程度上忽略了地震数据采集中具有重要参考意义的测井数据信息，给后续的地震解释造成很大困难；并且这些算法具有计算复杂度高，运行效率较低等缺点。
【发明内容】
[0011]本发明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，提出了一种三维地震信号中的有监督波形分类方法，用于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。
[0012]本发明的技术方案是:一种三维地震信号中的有监督波形分类方法，其特征在于，包括以下步骤:
[0013]a、数据预处理:包括数据降噪处理、提取目的层段数据及对测井数据分析建立训练样本和标签；
[0014]b、特征选择:分析提取的训练样本及其分类标签数据，选择样本中特征与分类标签最相关的一定量特征作为特征子集，以目的层段数据和训练样本中优选后的特征子集作为本方案中分类标识的输入样本集合；
[0015]C、分类标识:建立分类模型对地震信号进行分类标识；
[0016]进一步的，上述步骤a中，所述降噪处理方法如下:
[0017]all、输入地震数据；
[0018]al2、判断是否达到最大迭代次数，若是则结束降噪处理过程，否则执行步骤al3 ；
[0019]al3、计算地震数据点在三个方向上的梯度值并进一步计算该数据点的结构张量;
[0020]al4、利用三维高斯低通滤波器对所述结构张量进行滤波处理；
[0021]al5、构造扩散矩阵和不连续因子；
[0022]al6、根据扩散方程对数据滤波。
[0023]进一步的，上述步骤a中，所述提取目的层段数据方法如下:
[0024]a21、对步骤al6所得的数据做单层位分析处理；
[0025]a22、对步骤al6所得的数据做两层位间分析处理。
[0026]进一步的，所述步骤a21还包括以下步骤:
[0027]a211、确定时窗及分析层位；
[0028]a212、提取沿层时窗数据；[0029]a213、获得目的层段数据。
[0030]所述步骤a22还包括以下步骤:
[0031]a221、确定分析两层位；
[0032]a222、提取沿层间数据；
[0033]a223、获得目的层段数据。
[0034]进一步的，上述步骤a中，所述对测井数据分析建立训练样本和标签的具体方法是:根据地震数据工区中测井分析数据，将工区内测井进行人工分类表示，建立训练样本标签，并提取目的层段中测井及井旁道所在位置的数据作为训练样本，用于特征选择和分类标识。
[0035]进一步的，上述步骤b中特征选择采用遗传算法，其中提取测井及井旁道的训练样本集合为T，对应分类标签为y，特征选择个数为k和最大迭代次数为maxi，具体包括以下步骤:
[0036]bl、根据基因编码规则，获取遗传算法的初始化种群；
[0037]b2、根据”册=Σ?Μν’-Σ='ΣΙ+1.Λ适应度函数来计算种群个体的适应度，其中
Xi(i=l，2，…，k)为种群个体所选择的训练样本集合T中第Xi维特征分量，y为对应测井的分类标签;MIXiy表示测井数据的第xi维特征分量与分类标签y的互信息量；MI^表示测井数据的Xi特征分量与特征分量Xj间的互信息量；
[0038]b3、判断是否达到最大迭 代次数maxi或连续五次保持最优解不变，若是，则输出当前的最优特征子集，否则执行步骤b4 ；
[0039]b4、根据种群个体适应度执行选择操作；
[0040]b5、执行交叉操作；
[0041]b6、执行变异操作；
[0042]b7、返回b2操作；
[0043]b8、输出特征子集。
[0044]进一步的，在上述遗传算法处理的过程中，步骤bl的基因编码采用{0，1} 二进制串表示，二进制串中的第几位就表示数据预处理中所提取地震道数据Ui=Ixil, Xi2,…，xiM}和测井数据Wi=Uil, xi2,..., xiM}中特征空间的第几维特征,O表示该特征分量不被选择，I表示选择该特征分量。
[0045]进一步的，上述步骤c中，使用支持向量机建立分类模型，并对目的层段数据进行分类标识，最后做出波形分类划分图。
[0046]上述步骤c的具体过程为:
[0047]Cl、对特征子集数据归一化处理；
[0048]c2、使用10折交叉验证法收索最佳SVM参数；
[0049]c3、建立SVM分类模型；
[0050]c4、对选择特征后的目的层段数据进行分类识别；
[0051]c5、绘制波形分类划分图。
[0052]本发明的有益效果:本发明的有监督波形分类方法以三维地震信号资料及测井数据信息为基础，通过遗传算法对提取的属性特征进行优化，利用SVM分类算法，将所分析的三维地震目的层段数据进行波形分 类划分，识别不同的地震相，进而为后续地震资料解释提供可靠地支持，提高对岩性预测、砂体预测、裂缝性油气藏预测及隐蔽性油气藏预测等的可靠性。同时，利用测井及井旁道信息来建立训练样本，这样在波形分类中应用到具有重要参考意义的测井信息，提高分类精度，减小后期解释的难度；在特征选择处理中，引入遗传算法，减少特征的冗余度，降低分类模型设计的复杂度，提高分类效率，并同时减少冗余度特征对分类结果的影响，在一定程度上提高分类准确度；在分类标识处理中，引入基于统计学习理论的模式识别方法支持向量机算法来进行分类识别。与无监督波形分类算法相比:由于使用了具有重要参考价值的测井信息，提高了波形分类的准确度，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，为后续的地震解释提供极大便利；相对于仅用SVM设计分类器相比，加入了遗传算法进行特征选择，降低了 SVM分类器的设计复杂度，从而提高了波形分类处理效率。
【专利附图】
【附图说明】
[0053]图1遗传算法的进化周期示意图；
[0054]图2为本发明实施例的方法流程图；
[0055]图3为本发明实施例的方案中结构导向滤波流程图；
[0056]图4为本发明实施例的方案中提取目的层段数据流程图；
[0057]图5为本发明实施例的方案中特征子集提取流程图；
[0058]图6为本发明实施例的方案中建立分类模型流程图；
[0059]图7为SOM波形分类划分图；
[0060]图8为SVM波形分类划分图；
[0061]图9为本发明实施例的波形分类划分图。
【具体实施方式】
[0062]下面结合附图对与本发明原理相同的多个具体实施方案做具体描述，以增进对本发明原理的理解。
[0063]针对现有常用的三维地震信号波形分类方法的缺点及波形分类本身的特点，本发明提出的有监督波形分类方案主要包括数据预处理、基于GA算法的特征优化及基于SVM分类算法的分类识别三大部分。总流程图如图2所示:本实施例的一种三维地震信号中的有监督波形分类方法，包括步骤:a、数据预处理:包括数据降噪处理、提取目的层段数据及对测井数据分析建立训练样本和标签山、特征选择:分析提取的训练样本及其分类标签数据，选择样本中特征与分类标签最相关的一定量特征作为特征子集，并将目的层段数据和训练样本中优选后的特征子集作为本方案中分类标识的输入样本集合；c、分类标识:建立分类模型对地震信号进行分类标识。在步骤a中，所述降噪处理方法如下:all、输入地震数据；al2、判断是否达到最大迭代次数，若是则结束降噪处理过程，否则执行步骤al3 ;al3、计算地震数据点在三个方向上的梯度值并进一步计算该数据点的结构张量；al4、利用三维高斯低通滤波器对所述结构张量进行滤波处理；al5、构造扩散矩阵和不连续因子；al6、根据扩散方程对数据滤波。提取目的层段数据方法如下:a21、对步骤al6所得的数据做单层位分析处理；a22、对步骤al6所得的数据做两层位间分析处理。步骤a21包括以下步骤:a211、确定时窗及分析层位；a212、提取沿层时窗数据；a213、获得目的层段数据。步骤a22包括以下步骤:a221、确定分析两层位；a222、提取沿层间数据；a223、获得目的层段数据。
[0064]步骤a中，对测井数据分析建立训练样本和标签的具体方法是:根据地震数据工区中测井分析数据，将工区内测井进行人工分类表示，建立训练样本标签，并提取目的层段中测井及井旁道所在位置的数据作为训练样本，用于特征选择和分类标识。
[0065]步骤b中特征选择采用遗传算法，其中提取测井及井旁道的训练样本集合为T，对应分类标签为y，特征选择个数为k和最大迭代次数为maxi，具体包括以下步骤:bl、根据基
因编码规则，获取遗传算法的初始化种群山2、根据如《^^1皿；>，_2=1^-,+1皿>'适应度函数
来计算种群个体的适应度，其中Xi(i=l,2，一，k)为种群个体所选择的训练样本集合T中第Xi维特征分量，y为对应测井的分类标签；MIXiy表示测井数据的第Xi维特征分量与分类标签y的互信息量；MIXiXj表示测井数据的\特征分量与特征分量Xj间的互信息量；b3、判断是否达到最大迭代次数maxi或连续五次保持最优解不变，若是，则输出当前的最优特征子集，否则执行步骤b4 ;b4、根据种群个体适应度执行选择操作；b5、执行交叉操作；b6、执行变异操作山7、返回b2操作；b8、输出特征子集。进一步的，在上述遗传算法处理的过程中，步骤bl的基因编码采用{0，1} 二进制串表示，二进制串中的第几位就表示数据预处理中所提取地震道数据Ui=Uil, Xi2,..., XiJ和测井数据Wi=Uil, Xi2,..., XiJ中特征空间的第几维特征，O表示该特征分量不被选择，I表示选择该特征分量。
[0066]上述的步骤c使用支持向量机建立分类模型，并对目的层段数据进行分类标识，最后做出波形分类划分图。具体过程为:cl、对特征子集数据归一化处理；c2、使用10折交叉验证法收索最佳SVM参数；c3、建立SVM分类模型；c4、对选择特征后的目的层段数据进行分类识别；c5、绘制波形分类划分图。
[0067]下面结合工作原理及效果对上述实施例的方案做进一步详述。
[0068]a、数据预处理:对三维地震`数据资料进行预处理的主要目的是为了特征选择和分类标识做准备，其主要工作流程主要包括:数据降噪处理、目的层段数据的提取及对测井数据的分析建立训练样本和标签三部分。由于地震数据采集系统设备的物理局限性、传输介质的局限性和环境条件的不确定性，采集获取的地震数据会含有一定量的噪声信息，并且由于地质结构中会含有断层及地质体边界等细节信息。所以在对地震数据的滤波中需要注意导向分析、边缘检测及边缘保持导向平滑滤波三个要点，故选择结构导向滤波方法来对数据进行降噪，提高了信噪比，并保持或增强了原有的地质结构。其处理工作流程如图3所示。提取目的层段数据:根据所要分析的层位，提取出我们所要进行波形分类分析的目的层段数据。提取目的层段数据的总体流程如图4所示。分析测井数据，建立训练样本及标签:根据地震数据工区中测井分析数据，我们将工区内测井进行人工分类表示，建立训练样本标签，并提取目的层段中测井及井旁道所在位置的数据作为训练样本，用于后面的特征选择和分类标识。
[0069]b、特征选择:特征选择的主要目的是为了优化目的层段数据中的特征，通过分析提取的训练样本及其分类标签数据，选择样本中特征与分类标签最相关的一定量特征，这样不仅会降低后面分类模型设计的复杂度，提供效率，也能够在一定程度上提高分类精度，减少非相关特征对分类结果的影响。本方案选择的特征优化算法为遗传算法，其输入为提取的测井及井旁道的训练样本集合T，及其对应分类标签y，特征选择个数k和最大迭代次数maxi。并以优选后的特征子集输出。特征选择的流程图如图5所示。[0070]C、分类标识:当对目的层段数据及测井构成的训练样本集进行特征选择后，进行最重要的工作即建立分类模型对地震信号进行分类标识。针对三维地震工区中测井数据少，具有小训练样本的特点，并且地震信号波形分类一般为非线性分类问题，且结合了支持向量机具有较好得解决以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题的能力，本方案选择了支持向量机来建立分类模型，并对目的层段数据进行分类标识，最后做出波形分类划分图。该部分处理的具体流程如图6所示。
[0071]在本发明的方案中，涉及到的部分算法原理如下:
[0072]结构导向滤波
[0073]用于三维地震数据滤波的结构导向滤波技术[7]是在扩散张量矩阵的各向异性扩散方程基础上，构造反映三维图像局部结构的结构张量来实现的一种边缘保持平滑滤波算法。在三维图像处理中，我们定义结构张量S为:
【权利要求】
1.一种三维地震信号中的有监督波形分类方法，其特征在于，包括以下步骤: a、数据预处理:包括数据降噪处理、提取目的层段数据及对测井数据分析建立训练样本和标签； b、特征选择:分析提取的训练样本及其分类标签数据，选择样本中特征与分类标签最相关的一定量特征作为特征子集，以目的层段数据和训练样本中优选后的特征子集作为本方案中分类标识的输入样本集合； C、分类标识:建立分类模型对地震信号进行分类标识。
2.根据权利要求1所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤a中，所述降噪处理方法如下: all、输入地震数据； al2、判断是否达到最大迭代次数，若是则结束降噪处理过程，否则执行步骤al3 ； al3、计算地震数据点在三个方向上的梯度值并进一步计算该数据点的结构张量； al4、利用三维高斯低通滤波器对所述结构张量进行滤波处理； al5、构造扩散矩阵和不连续因子； al6、根据扩散方程对数据滤波。
3.根据权利要求1所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤a中，所述提取目的层段数据方法如下: a21、对步骤al6所得的数据做单层位分析处理； a22、对步骤al6所得的数据做两层位间分析处理。`
4.根据权利要求3所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤a21还包括以下步骤: a211、确定时窗及分析层位； a212、提取沿层时窗数据； a213、获得目的层段数据。
5.根据权利要求3所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤a22还包括以下步骤: a221、确定分析两层位； a222、提取沿层间数据； a223、获得目的层段数据。
6.根据权利要求1所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤a中，所述对测井数据分析建立训练样本和标签的具体方法是:根据地震数据工区中测井分析数据，将工区内测井进行人工分类表示，建立训练样本标签，并提取目的层段中测井及井旁道所在位置的数据作为训练样本，用于特征选择和分类标识。
7.根据权利要求1所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤b中特征选择采用遗传算法，其中提取测井及井旁道的训练样本集合为T，对应分类标签为y，特征选择个数为k和最大迭代次数为maxi，具体包括以下步骤: bl、根据基因编码规则，获取遗传算法的初始化种群； b2、根据+,皿7,适应度函数来计算种群个体的适应度，其中Xi Q=i，`2，…，k)为种群个体所选择的训练样本集合T中第Xi维特征分量，y为对应测井的分类标签;MIXiy表示测井数据的第Xi维特征分量与分类标签y的互信息量;MIXi\表示测井数据的Xi特征分量与特征分量Xj间的互信息量； b3、判断是否达到最大迭代次数maxi或连续五次保持最优解不变，若是，则输出当前的最优特征子集，否则执行步骤b4 ； b4、根据种群个体适应度执行选择操作； b5、执行交叉操作； b6、执行变异操作； b7、返回b2操作； b8、输出特征子集。
8.根据权利要求7所述的一种三维地震信号中的有监督波形分类方法，其特征在于，在所述遗传算法处理的过程中，步骤bl的基因编码采用{0，1} 二进制串表示，二进制串中的第几位就表示数据预处理中所提取地震道数据Ui=Ixil^i2,…，xiM}和测井数据Wi=Ixil,Xi2?…，xiM}中特征空间的第几维特征，O表示该特征分量不被选择，I表示选择该特征分量。
9.根据权利要求1所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤c中，使用支持向量机建立分类模型，并对目的层段数据进行分类标识，最后做出波形分类划分图。
10.根据权利要求1或9所述的一种三维地震信号中的有监督波形分类方法，其特征在于，所述步骤c的具体过程为: Cl、对特征子集数据归一化处理； c2、使用10折交叉验证法收索最佳SVM参数； c3、建立SVM分类模型； c4、对选择特征后的目的层段数据进行分类识别； c5、绘制波形分类划分图。
【文档编号】G01V1/30GK103487832SQ201310414827
【公开日】2014年1月1日 申请日期:2013年9月12日 优先权日:2013年9月12日
【发明者】钱峰, 刘明夫, 胡光岷 申请人:电子科技大学