一种基于叠前地震数据的地震相分析方法
【专利摘要】本发明公开了一种基于叠前地震数据的地震相分析方法，包括以下步骤：S1：输入叠前地震数据；S2：对输入的叠前地震数据进行拆分，得到N个“类叠后”数据体，其中，N为地震信号道数；S3：对每个“类叠后”数据体分别进行SOM聚类分析；S4：利用聚类分析结果对叠前数据进行相似度分析，统计生成相似度矩阵，构建无向图；S5：利用广度优先遍历对无向图进行聚类处理。本发明提出了一种基于无向连接图的叠前属性聚类方法，在叠前信号的基础上，通过对每一道信号进行SOM聚类分析，再统计分析多次的聚类结果，从而得到一个最优的基于叠前信号的分析结果，能够充分利用叠前数据的信息，将信号的各向异性特征融合到聚类判决中。
【专利说明】一种基于叠前地震数据的地震相分析方法
【技术领域】
[0001]本发明涉及地震数据分析技术，特别涉及一种基于叠前地震数据的地震相分析方法。
【背景技术】
[0002]随着经济的发展，社会对石油、天然气等资源的需求不断增大，然而要进行油气的开采，首先必须清楚地下的地质构造，因此地震资料在地质勘探过程中发挥了重要作用。地震相分析技术是地质勘探中，利用地震数据进行地质建模，储层预测的重要方法。
[0003]地震相分析就是在划分地震层序的基础上，利用地震参数特征上的差别，将地震层序划分为不同的地震相区，在实际的地震勘探中，地震勘探人员通过在地下进行微地震爆破，地表设置检波点的方式，获取反射的地震信号，而不同的反射信号模式往往意味着不同的地下结构，通过对信号模式的分析即可获得地下的结构构造信息。
[0004]目前基于地震信号的波形、属性分类方法主要分为两大类:
[0005]I)基于井数据的有监督分类技术；2)无任何先验信息的无监督聚类技术。
[0006]以上两种类别的方法都是基于叠后数据，未能充分利用叠前数据的信息，存在以下两个缺点:(I)传统的地震相分析方法基于叠后信号，无法将信号的各向异性特征融合到聚类判决中，基于叠前的分类方法；(2)对叠前信号的处理，使用传统方法，抗噪性能不足，无法从信号内部联系间挖掘信号间的相互关系。
【发明内容】
[0007]本发明的目的在于克服现有技术的不足，提供一种基于无向连接图的叠前属性聚类方法，通过对每一道信号进行SOM聚类分析，再统计分析多次的聚类结果从而得到最优的分析结果，能够充分利用叠前数据的信息，将信号的各向异性特征融合到聚类判决中的基于叠前地震数据的地震相分析方法。
[0008]本发明的目的是通过以下技术方案来实现的:一种基于叠前地震数据的地震相分析方法，包括以下步骤:
[0009]S1:输入叠前地震数据；
[0010]S2:对输入的叠前地震数据进行拆分，得到N个“类叠后”数据体，其中，N为地震信号道数；
[0011]S3:对每个“类叠后”数据体分别进行SOM聚类分析；
[0012]S4:利用聚类分析结果对叠前数据进行相似度分析，统计生成相似度矩阵，构建无向图；
[0013]S5:利用广度优先遍历对无向图进行聚类处理。
[0014]进一步地，所述的步骤S2中对输入数据进行拆分的方法为:将M组叠前地震数据记为^,D2，…，DM}，每组地震数据含有N道分别编号为1，2，…N，的信号，记为Dij(l 彡 i 彡 M, I 彡 j 彡 N),将(D11D2,...,Dj 以{Dn, D21，…，DmJ ,…，{D1N, D2n,…，DmJ 方式进行分组，共计分为N组。
[0015]进一步地，所述的步骤S3中进行SOM聚类分析的方法为:对N组数据分别进行聚类，定义在第k小组内的聚类为:
[0016]
NiD,k, D, )=|^ 仏与心!^为一类64。
[0017]进一步地，所述的步骤S4的相似度分析包括以下子步骤:
[0018]S41:定义相似度，定义数据Di与I的相似度为:
[0019]P{ Di, Dj) = 4 Σ M Dik, Djk)
^ k=\
[0020]S42:定义连通性，O ^ P (Di, Dj) ( I，定义连通性为:
[0021]
1<P(Z>,D.)<1D;,D,迕通
2
<σ <P(DnDl) < ^A, A可能连通
2
O < P(Dl^Di)KaDi,D^
[0022]对于情况Di, Dj连通和Di, Dj断开两种情况，引入离群点的概念进行计算；
[0023]S43:定义离群点mIWi, D) <^ , I彡j彡N且j关i，则Di为离群点，
[0024]S44 ^fDi视为离群点，σ为人工设置的离群点闕值，σ越大，产生的离群点越多，聚类簇越紧密，反之离群点越少，聚类簇内部相对疏松，对于离群点的处理，将其单独聚为一类或将其加入最近的一个聚类簇中；
[0025]S45:定义离群点与已有聚类簇的相似度为:
[0026]P (Di, Ak) = Max {P (Di, Dj) | Dj e Aj，其中 Ak 为第 k 个聚类簇。
[0027]进一步地，所述的步骤S5中利用广度优先遍历对无向图进行聚类处理包括以下子步骤:
[0028]S51:从候选集合中，选取任一数据进行广度优先遍历，遍历过程中遇到离群点，标记后暂不处理，直到遍历完毕，将遍历过的非离群点踢出候选集合，保存为新的聚类簇；
[0029]S52:判断候选集合中是否还存在非离群点，如果集合中还有非离群点，则返回步骤S51，否则进行下一步；
[0030]S53:处理离群点:遍历候选集合中的所有点，此时候选集合中没有非离群点，将离群点加入到相似度最高的已有聚类簇中或将离群点单独成一类；
[0031]S54:判断候选集合是否为空，若为空则结束，否则返回步骤S53。
[0032]本发明的有益效果是:
[0033]1、首次在利用概率统计的方法上对叠前信号进行聚类分析，提出了一种基于无向连接图的叠前属性聚类方法，在叠前信号的基础上，将叠前数据划分为若干“类叠后体”，通过对每一道信号进行SOM聚类分析，再统计分析多次的聚类结果，从而得到一个最优的基于叠前信号的分析结果，能够充分利用叠前数据的信息，将信号的各向异性特征融合到聚类判决中；
[0034]2、从数据内部出发，挖掘出数据间的相互关系，提高数据抗噪性能，为叠前数据处理提供了一种新的思路，将传统的基于欧式距离的SOM波形分类方法，转换到概率空间上，利用统计学的方法构造地震数据的无相图，利用有约束的BFS方法得到聚类结果。
【专利附图】
【附图说明】
[0035]图1为本发明的地震相分析方法流程图；
[0036]图2为本发明实施例生成的连通图；
[0037]图3为本发明的利用广度优先遍历(BFS)对无向图进行聚类处理流程图。
【具体实施方式】
[0038]本发明主要讨论的是利用获取的地震信号，根据信号本身或者从信号提取的属性的差异，对地震相进行划分，如果单纯利用信号本身的差异进行聚类，则是波形分类方法，如果对信号本身进行分析，提取地震属性，则可以归结为属性分类方法。
[0039]地震信号的获取是人工在地表设置微地震震源，并按照不同的距离设置检波点，对于同一个震源，可以设置若干检波点，随着炮检距的变化，不同检波点接收到得信号会有变化。
[0040]对于地面米集点而言，一点对应于若干道叠前信号，将叠前信号横向叠加后，得到一道叠后信号，这在处理上简化了数据量，但是却丢失了部分信息。
[0041]SOM是一种前向人工神经网络，其主要运用于对高维度数据的分布、密度分析，我们知道地震数据维度高，数据量大，SOM方法对维度变化不敏感，算法效率与数据量为线性关系，其在地震信号聚类中有着良好的适应性。下面简略介绍SOM方法:
[0042]SOM人工神经网络构建两层网络:输入层与竞争层，输入层中的数据会刺激竞争层中的神经元，最简单的竞争规则是“胜者为王”规则(实际会比这个复杂)，距离当前输入数据最近的神经元会获得胜利，并调整自身向当前输入数据靠拢，通过不断调整神经元与输入数据之间的关系，当多次迭代完毕以后，神经元会倾向于分布在那些数据比较密集的区域，其本身代表的即为聚类中心，聚类问题的实质之一即为找到一组最优的聚类中心。SOM在地震信号分类方面的应用，即是找到地震数据中的聚类中心，从而完成对地震信号的分类。
[0043]在传统的对叠后信号直接进行聚类的方法中，对于一个输入数据其代表的是一段截取的固定时间长度的信号，而在叠前数据中，一个输入数据代表的是多道，一般取64道的固定时长信号，无论是对应的多道(叠前)还是单道(叠后)，其都代表的是地下的结构构造模式，本方法从叠前信号出发，将四维的叠前数据体拆分为多个三维的叠后数据体，再对每个叠后数据体进行聚类，然后统计数据间的相似度，构建相似度矩阵，通过对离群点处理然后后构建新的无向图，最后对无向图进行BFS遍历即可生成新的聚类簇，完成对叠前地震数据的分类工作。下面结合附图和具体实施例进一步说明本发明的技术方案，但本发明所保护的内容不局限于以下所述。
[0044]如图1所示，一种基于叠前地震数据的地震相分析方法，包括以下步骤:
[0045]S1:输入叠前地震数据；
[0046]S2:对输入的叠前地震数据进行拆分，得到N个“类叠后”数据体，其中，N为地震信号道数；
[0047]S3:对每个“类叠后”数据体分别进行SOM聚类分析；
[0048]S4:利用聚类分析结果对叠前数据进行相似度分析，统计生成相似度矩阵，构建无向图；
[0049]S5:利用广度优先遍历(BFS)对无向图进行聚类处理。
[0050]由前述所知,在地震数据中一般用(crossline, inline)代表大地坐标中的一个相对位置，一个(crossline, inline)对应于地下若干道地震信号(本实施例为描述方便，取的是64道)，而叠后数据一个(cdp，inline)只对应一道，将基于“类叠后”数据体的每次聚类都看成不可靠结果，将叠前数据按照道号不同拆分为64个单道的三维数据体。
[0051]进一步地，步骤S2中对输入数据进行拆分的方法为:将M组叠前地震数据记为(D1, D2，…，DM}，每组地震数据含有64道分别编号为1,2,-,64的信号，记为Dijd 彡 i 彡 M, I 彡 j 彡 64),将(D1, D2,...,Dj 以{Dn, D21,...,DmJ，…，{D1N, D2n,...，Dm6J 方式进行分组，共计分为64组，每组地震数据含有64道分别编号为1，2，…64的信号。
[0052]进一步地，所述的步骤S3中进行SOM聚类分析的方法为:对“类叠后”的64组数据体分别使用SOM进行聚类分析，定义在第k小组内的聚类为:
[0053]
#(?,?)=^大 1</<7<^,1<^<64
[0054]得到64次聚类结果。
[0055]进一步地，所述的步骤S4的相似度分析包括以下子步骤:
[0056]S41:定义相似度，定义数据Di与Dj的相似度为:
[0057]/)(训)=这稱 D )
N A-=I
[0058]S42:定义连通性，O ^ P (Di, Dj) ( I，定义连通性为:
[0059]
连通
<a<P(D?D})<^-可能连通
0<Ρ(Ζ--Α)<σ0:,0βν)Υ
[0060]对于情况Di, Dj连通和Di, Dj断开两种情况，引入离群点的概念进行计算；
[0061]S43:定义离群点:若尸(DpDi)C^ , I彡j彡N且j关丨，则Di为离群点，
[0062]S44 视为离群点，σ为人工设置的离群点闕值，σ越大，产生的离群点越多，聚类簇越紧密，反之离群点越少，聚类簇内部相对疏松，对于离群点的处理，将其单独聚为一类或将其加入最近的一个聚类簇中；
[0063]S45:定义离群点与已有聚类簇的相似度为:
[0064]P (Di, Ak) = Max {P (Di, Dj) | Dj e Aj，其中 Ak 为第 k 个聚类簇。
[0065]步骤S4中获得了相似度矩阵，并对两个节点在图上的连通性进行了讨论，本实施例步骤S5利用BFS算法，进行最后的聚类处理，具体流程如图2所示，利用广度优先遍历对无向图进行聚类处理包括以下子步骤:
[0066]S51:从候选集合中，选取任一数据进行广度优先遍历，遍历过程中遇到离群点，标记后暂不处理，直到遍历完毕，将遍历过的非离群点踢出候选集合，保存为新的聚类簇；
[0067]S52:判断候选集合中是否还存在非离群点，如果集合中还有非离群点，则返回步骤S51，否则进行下一步；
[0068]S53:处理离群点:遍历候选集合中的所有点，此时候选集合中没有非离群点，将离群点加入到相似度最高的已有聚类簇中或将离群点单独成一类；
[0069]S54:判断候选集合是否为空，若为空则结束，否则返回步骤S53。
[0070]为使得描述清晰，以一个具有A、B、C、D、E、F6个元素的集合为例进行聚类分析，集合{A、B、C、D、E、F}分别进行6次聚类，得到如下结果:
[0071](1){A、B、C} {D、E} {F}
[0072](2){A、B} {C、D} {E、F}
[0073](3){A、C} {B、D} {E、F}
[0074](4){A、C、E} {B} {D、F}
[0075](5){A、B、D} {C} {E、F}
[0076](6){A、F} {B、C} {D、E}
[0077]然后进行统计，生成如下相似度矩阵:
[0078]
【权利要求】
1.一种基于叠前地震数据的地震相分析方法，其特征在于:包括以下步骤: S1:输入叠前地震数据； 52:对输入的叠前地震数据进行拆分，得到N个“类叠后”数据体，其中，N为地震信号道数； 53:对每个“类叠后”数据体分别进行SOM聚类分析； 54:利用聚类分析结果对叠前数据进行相似度分析，统计生成相似度矩阵，构建无向图； 55:利用广度优先遍历对无向图进行聚类处理。
2.根据权利要求1所述的地震相分析方法，其特征在于:所述的步骤S2中对输入数据进行拆分的方法为:将M组叠前地震数据记为他，D2,…，Dm}，每组地震数据含有N道分别编号为 I, 2，...，N 的信号，记为 Dij (I < i 錢 I ? N)，将(D1, D2,...，Dj 以{Dn, D21,...，DmJ，…，{D1N, D2n, - ,DmnI方式进行分组，共计分为N组。
3.根据权利要求2所述的地震相分析方法，其特征在于:所述的步骤S3中进行SOM聚类分析的方法为:对N组数据分别进行聚类，定义在第k小组内的聚类为:
fl A与聚为一类
N(D,k,Djk)=、Q'k ^ ^ 入 \<i<j<NJ<k<(A ?
4.根据权利要求3所述的地震相分析方法，其特征在于:所述的步骤S4的相似度分析包括以下子步骤: 541:定义相似度，定义数据Di与的相似度为: P(DnDj)^yfjNiDlk,Dik)
k=l 542:定义连通性，O彡P(DilDj) ( I，定义连通性为:
丄;DiiDMM
2
< σ<PiDi,Dt)<\Di,￡),可能连通
20<Ρ(β,Ζ),)<σA，A断开 对于情况Di, Dj连通和Di, Dj断开两种情况，引入离群点的概念进行计算； 543:定义离群点:若, i彡j彡N且j关iJjDi为离群点， 544^fDi视为离群点，σ为人工设置的离群点闕值，σ越大，产生的离群点越多，聚类簇越紧密，反之离群点越少，聚类簇内部相对疏松，对于离群点的处理，将其单独聚为一类或将其加入最近的一个聚类簇中； 545:定义离群点与已有聚类簇的相似度为:
P (Di, Ak) = Max {P (Di, Dj) | Dj e Ak}，其中 Ak 为第 k 个聚类簇。
5.根据权利要求4所述的地震相分析方法，其特征在于:所述的步骤S5中利用广度优先遍历对无向图进行聚类处理包括以下子步骤: S51:从候选集合中，选取任一数据进行广度优先遍历，遍历过程中遇到离群点，标记后暂不处理，直到遍历完毕，将遍历过的非离群点踢出候选集合，保存为新的聚类簇； S52:判断候选集合中是否还存在非离群点，如果集合中还有非离群点，则返回步骤S51，否则进行下一步； 553:处理离群点:遍历候选集合中的所有点，此时候选集合中没有非离群点，将离群点加入到相似度最高的已有聚类簇中或将离群点单独成一类； 554:判断候选集合是否为空，若为空则结束，否则返回步骤S53。
【文档编号】G01V1/30GK104181597SQ201410438523
【公开日】2014年12月3日 申请日期:2014年8月31日 优先权日:2014年8月31日
【发明者】钱峰, 王鑫, 胡光岷 申请人:电子科技大学