多的响应。并且，在增加分类波形数目方面存在极高的效率，由于仅在子集中的道的数目与先前生成的分类波形的数目之间进行比较而不损害已确定波形中的最大分集。
[0018]不同于其它常规方法，很容易获得两组排序。分离指数的使用允许基于显著性的排序。这允许在使冗余(由指数的斜率变化对比分类图的数目来指示)最小化的同时解释要解释地震波形所需的分类的数目。可用分离指数来同时地计算基于相似性层次的第二排序。随着计算显著性顺序，可保持第二列表，其中，根据与相邻分类的最大相似性来插入下一个显著分类波形。按相似性排序来对解决方案地图进行绘图允许解释要解释适当地质细节所期望的细节粒度。
[0019]用来图示出系统的示例性实施方式的图1-8B中所示的工作流程来自在陆上美国墨西哥湾沿岸地区上获取的3D地震勘测。勘探目标是已知包含烃类的河道砂岩储层。可预期一般的河道走向是从NE至SW取向。可预期河道复合体的地震波形响应不同于非河道区域的地震波形。导致地震波形变化的河道复合体内的地质复杂性的进一步描绘可以证明十分有用。
[0020]在图1中示出了示例性地震体。它包含52，775个活动道。图1是图示出主测线、联络测线(crossline)和等时间切片的示例性3D地震体的图像。所示体的部分在2毫秒的采样下包含367个主测线、288个联络测线和500毫秒。并非所有的主测线和联络线位置都具有有效的地震道。
[0021]图2用来定义图1中所示的地震体的分析部分的解释层位的图像，诸如在该层位上面和下面500毫秒的分析窗口。参考体内的层位的位置示出了体的轮廓。层位在地震波形的突出负峰值上被挑选且可被预期在已知河道复合体附近。在图3中示出了作为结果的窗口化体，其由在图2中所示的解释层位上面和下面50毫秒所定义。
[0022]来自1X 10粗网格的528个道的子集被用于分析。在图4中示出了作为结果的CSI对比波形指数，具有分别在图5和6中按相似性和显著性绘制的作为结果的波形。图4是对随着解决方案中的分类波形数目增加的聚类分离指数的减小进行绘图的图形显示。如在4和5、7和8、11和12之间以及在20处看到的此减小的突然变化有助于确定有用波形的数目。图5是图示出按相似性排序的作为结果的20个分类波形的图形显示。可容易看出两端的波形彼此十分不同，并且跨波形的谱存在层次变化。图6是图示出按显著性排序的作为结果的20个分类波形的图形显示。可容易看出左侧四个波形彼此十分不同。这在图4的聚类分离指数图中暗示出。
[0023]在图7A和7B中示出了基于选择两个和四个最显著波形的解决方案地图。图7A和7B示出了用于基于显著性的两个不同数目的分类波形的解决方案地图。图7A中的左图示出了与最显著分类波形(浅紫色)或其次最显著分类波形(暗紫色)更加相似的地震道位置。有兴趣注意的是，仅两个波形足以从非河道部分(浅紫色)捕捉河道复合体(暗紫色)的走向性质。显著分类波形的数目增加至四个开始增加非河道部分中和河道复合体中的细节。
[0024]在图8A和8B中示出了基于选择^^一个和二十个波形的解决方案地图。通过选择按相似性排序的十一个分类波形而生成左侧(图8A)的解决方案地图。存在从浅紫色至蓝色至绿色的颜色的层次。利用最浅绿色分类潜在地是用于砂地开发的最佳位置而很好地提供了河道复合体的细节。如果期望更多细节，则右侧解决方案地图具有二十个分类，并且提供了河道复合体内的增加的层次细节。
[0025]如图9中所示，已将用于系统和方法的一般操作序列分解成许多过程。在一个实施方式中，可在具有交互式图形显示的各种计算机操作系统上用各种计算机编程语言在计算机系统(独立计算机、终端设备、个人计算机、膝上型计算机、平板计算机、服务器计算机等)上实现图9中所示的过程，其中，计算机系统的存储器存储多行计算机代码，并且计算机系统的处理器执行所述多行计算机代码，以执行图9中所示的过程。备选地，可用硬件来实现图9中所示的过程，诸如可编程逻辑器件、存储器等。
[0026]在该方法的第一过程中，接收支配系统操作的用户输入参数(900)。例如，参数可包括:
1)期望分类波形的最大数目；
2)定义每个道位置处的道波形的分析窗口，其可以是定时间或深度，或者可以可变地由单个解释层位或者由两个边界解释层位所定义；
3)定义将在波形间比较中使用的“相似性”的统计测量。一般使用的测量的示例包括LI范数(绝对值差的和)和L2范数(平方差的和)；
4)其中将作出统计比较的“域”。最常见的域使用波形样本振幅，虽然诸如来自时间频率域的峰值频率之类的属性也是有用的。还可共同地使用复合波形属性，诸如量值、瞬时相位以及瞬时频率；
5)将在用于分类波形的初始搜索中使用的道的数目。针对3D地震体，此数目可由用于比由完整体所定义的更粗的网格的主测线和联络测线增量来定义。针对2D地震测线，此数目可由道增量来定义。其还可由通过3D体或通过2D线的集合的随机游走来定义。
[0027]该方法然后可确定如根据由上文指定的参数所控制的子集道窗口化而找到的波形(910)的样本的最大数目。
[0028]通920
该方法然后可找到子集中的所有其它波形的最典型波形(920)。这可通过(使用上文指定的统计测量)将每个波形与所有其它波形进行统计比较并选择具有最大聚合测量的波形(其成为第一分类波形)来完成。在计算上，这是完整操作序列中的最密集的步骤。
[0029]例如，可使用以下伪代码来执行过程920:
变量定义:
ASa3X-将被用于插值以便进行统计比较的子集波形道中的样本的最大数目类波形的最大数目
开始
未设定最典型道
在子集中的所有其它道(参考)上循环
对道进行插值至样本的最大数目NSmax将用于该参考道的聚合相似性测量设置为O在子集中的所有其它道(当前)上循环
对该道进行插值至样本的最大数目NSmax计算参考道与当前道之间的相似性测量对该相似性测量进行聚合循环结束
如果尚未设定最典型道，则最典型道是该参考道
找到的最高相似性测量是用于该参考道的聚合测量否则，如果用于该参考道的聚合测量高于先前找到的，则最典型道是该参考道
找到的最高相似性测量是用于该参考道的聚合测量
循环结束讨稈930
一旦已识别到最典型波形/道，则该方法可通过经由波形子集进行迭代循环并从先前找到的分类波形找到聚合地最小相似的波形(再次使用指定的相似性测量)来找到其余分类波形(930)。随着找到每个此类波形，将其添加到分类波形的列表，直至获得最大指定数目为止。
[0030]例如，可使用以下伪代码来执行过程930:
变量定义:
ASa3X-将被用于插值以便进行统计比较的子集波形道中的样本的最大数目类波形的最大数目
开始
在要找到的其余数目的典型道上循环未设定候选道
在子集中的所有道(参考)上循环
如果参考道未包括在已找到的典型道的列表中，则对该道进行插值至样本的最大数目NSmax将用于该参考道的聚合相似性测量设置为O在先前找到的典型道(当前)上循环
计算参考道与当前道之间的相似性测量对该相似性测量进行聚合循环结束
如果尚未设定候选道，则
将候选道设定为该参考道
找到的最小相似性测量是用于该参考道的聚合测量否则，如果用于该参考道的该聚合测量低于先前找到的，则将候选道设定为该参考道
找到的最小相似性测量是用于该参考道的聚合测量
循环结束
将候选道添加到典型道的列表循环结束过程940
一旦识别到波形，则可训练/调节分类波形(940)。例如，由于在上述过程920和930中使用道的子集，则该方法可利用来自完整的道集合的更多波形可选地“训练”或调节找到的分类波形。可使用任何数目的“训练”算法，但是建议Kohonen自组织地图。该方法从完整集合中随机选择波形并更新分类波形。调节的量是基于加权方案，其中，权值是在随机道波形与每个分类波形之间找到的相似性测量的函数(即，相似性越大，分配的权值越大)。随着训练继续，权值进一步被调整(即随机游走中的较早的道与较晚的道相比具有更大的权值)。