一种自动识别异常道的方法及系统与流程

本申请涉及地面微地震资料预处理及事件识别领域，具体地址，涉及一种基于拉依达准则的异常道识别方法及系统。

背景技术

微地震监测主要监听的是水力压裂造成岩石破裂而发射的地震波，是评价非常规储层压裂改造效果的有效技术手段。地面微地震监测常采用阵列方式进行观测，复杂地表环境以及检波器耦合问题，对采集的数据造成很大的影响，进而可能产生异常道。地面监测微地震资料信噪比很低，微地震事件识别困难，振幅异常道更给微地震事件识别增加了难度。

目前，地震数据的异常道识别主要是由人工肉眼进行识别剔除，存在人为因素引入的误差。地面监测另一特点是多井分段压裂，且观测时间较长，因此采集的数据量很大。庞大的采集数据给人工识别异常道带来了巨大的工作量、且这种工作方式效率低下。显然，依靠人工识别异常道不能满足微地震资料处理的要求。如何快速、有效的识别微地震数据中的异常地震道已成为迫切需要研究的重要问题。

在高密度地震勘探技术中，人们研发了两种异常道自动识别方法：人工神经网络方法和聚类分析方法。这两种方法算法复杂，计算量大，耗时。为了解决地面微地震监测的振幅异常道识别问题，本领域急需一种新的异常道自动识别方法。

技术实现要素：

地面监测微地震资料信噪比很低，振幅异常道即使经过高次数叠加仍会给微地震事件识别增加难度。为了解决现有技术的问题，本发明借鉴统计学原理，给出了基于拉依达准则的自动识别异常道方法，具有现实意义。

根据本发明的一个方面，提供一种自动识别异常道的方法，所述方法包括：

计算地震记录中每一道的均方根振幅；

将地震道的所述均方根振幅取对数；

计算对数均方根振幅的均值和标准差；

将所述对数均方根振幅与所述均值作比较，偏差超过所述标准差的为异常值，其对应的地震道为异常道。

进一步地，计算地震记录中每一道的均方根振幅，计算表达式为：

式中n为地震道的采样点个数，ai为地震道上第i个采样点的振幅。

进一步地，将地震道的所述均方根振幅取对数，对数均方根振幅满足正态分布，适用拉依达准则进行异常值识别。

进一步地，对数均方根振幅的均值计算公式如下：

式中xi表示第i道的对数均方根振幅。

进一步地，对数均方根振幅的标准差计算公式如下：

式中xi表示第i道的对数均方根振幅。

根据本发明的另一个方面，提供一种自动识别异常道的系统，所述系统包括：存储器，存储有计算机可执行指令；

处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：

计算地震记录中每一道的均方根振幅；

将地震道的所述均方根振幅取对数；

计算对数均方根振幅的均值和标准差；

将所述对数均方根振幅与所述均值作比较，偏差超过所述标准差的为异常值，其对应的地震道为异常道。

根据本发明的又一个方面，提供一种记录介质，所述记录介质中存储有计算机可执行指令；所述计算机可执行指令运行时，执行以下步骤：

计算地震记录中每一道的均方根振幅；

将地震道的所述均方根振幅取对数；

计算对数均方根振幅的均值和标准差；

将所述对数均方根振幅与所述均值作比较，偏差超过所述标准差的为异常值，其对应的地震道为异常道。

本发明能够自动识别出地震道中的强振幅异常道，其基于统计学拉依达准则识别异常值，理论严谨可靠且操作流程简单实用，为微地震事件识别提供了帮助。

附图说明

通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。

图1示出了地面微地震监测观测系统示意图。

图2示出了监测地震记录。

图3(a)示出了均方根振幅统计分布图，图3(b)示出了对数均方根振幅统计分布图。

图4(a)示出了监测记录，图4(b)示出了叠加记录。

图5(a)示出了异常道识别后的监测记录，图5(b)示出了叠加记录。

图6示出了本发明自动识别异常道的方法流程图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本发明针对微地震振幅异常道识别问题，提出了基于拉依达准则的自动识别异常道方法。

具体地，如图6所示，本发明公开一种自动识别异常道的方法，所述方法包括：

计算地震记录中每一道的均方根振幅；

将地震道的所述均方根振幅取对数；

计算对数均方根振幅的均值和标准差；

将所述对数均方根振幅与所述均值作比较，偏差超过所述标准差的为异常值，其对应的地震道为异常道。

首先，计算地震记录中每一道的均方根振幅。

均方根振幅是地震解释中常用的振幅属性，是评价地震道振幅的有效参数。因此，本发明采用均方分振幅衡量地震道的振幅。均方根振幅(rmsamplitude)是将振幅平方的平均值再开平方，其计算表达式为

n为地震道的采样点个数，ai为地震道上第i个采样点的振幅。

然后，将地震道的均方根振幅取对数。拉依达准则认为数据总体服从正态分布，地震道的均方根振幅不符合这一假设前提，通过将其进行取对数，对数均方根振幅满足正态分布，在此基础上才能采用拉依达准则进行异常值识别。

进一步地，计算上一步的对数均方根振幅的均值和标准差，其中：

均值计算公式如下：

标准差计算公式如下：

式中xi表示第i道的对数均方根振幅。

标准差是统计学的常用参数，是衡量样本与均值的偏离程度，是异常值剔除常用的参数。标准差是一组数值自平均值分散开来的程度的一种测量观念。一个较大的标准差，代表大部分的数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。

将对数均方根振幅与均值的偏差超过标准差的认为是异常值。这里由于强振幅地震道才是异常道，因此是将对数均方根振幅与均值的正向偏差大于标准差的视为异常值，其对应的地震道为异常道，反之，为正常道。

根据本发明的另一个方面，提供一种自动识别异常道的系统，所述系统包括：存储器，存储有计算机可执行指令；

处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：

计算地震记录中每一道的均方根振幅；

将地震道的所述均方根振幅取对数；

计算对数均方根振幅的均值和标准差；

将所述对数均方根振幅与所述均值作比较，偏差超过所述标准差的为异常值，其对应的地震道为异常道。

根据本发明的又一个方面，提供一种记录介质，所述记录介质中存储有计算机可执行指令；所述计算机可执行指令运行时，执行以下步骤：

计算地震记录中每一道的均方根振幅；

将地震道的所述均方根振幅取对数；

计算对数均方根振幅的均值和标准差；

将所述对数均方根振幅与所述均值作比较，偏差超过所述标准差的为异常值，其对应的地震道为异常道。

为便于理解本发明实施例的方案及其效果，以下给出一个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。

选取涪陵某工区地面监测微地震资料进行试验。图1为观测系统图，共有11条接收测线呈放射状布设，1848个检波器接收。原始地震记录如图2所示，强振幅道为白色线状。图3(a)中可以发现，整个地震记录的均方根振幅分布范围较广且不均匀，大多数地震道的均方根振幅较小。统计分析中的拉依达准则是基于观测数据量大且符合正态分布的假设，而我们的观测数据多达1848个，符合观测数据量大的特点，但是图3(a)显然不符合正态分布规律。经过分析，我们发现对数均方根振幅分布(如图3(b)所示)近似满足正态分布。因此，我们通过将均方根振幅转化到对数域，在对数域进行异常值识别。异常道识别后的结果如图4所示，图4(a)中黑色短线代表地震记录中该道为异常道，分析发现，本发明可以识别出强振幅异常道，且基本满足要求，图4(b)为原始地震记录的叠加道。将异常道识别后，我们将其剔除(设为空道，用零填充)，剔除后的地震记录如图5(a)所示，其叠加记录如图5(b)所示。叠加记录通常可以作为微地震事件识别的依据，仔细观察图2可以发现，在750ms左右有个弱微地震事件存在，而在图4(b)中，我们很难识别出微地震事件，经过异常道剔除后，我们在图5(b)中可以通过算法识别出微地震事件。

综上所述，本发明能够自动识别出地震道中的强振幅异常道，其基于统计学拉依达准则识别异常值，理论严谨可靠且操作流程简单实用，为微地震事件识别提供了帮助。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。