一种基于无监督分类三维隐空间的地震相分析方法与流程

本发明属于油气勘探领域，尤其涉及一种基于无监督分类三维隐空间的地震相分析方法。

背景技术：

同一地震相中，地震波形具有较强的相似性，而地震属性又是地震波形在频率、振幅、相位以及空间相对关系的具体表现，因此同一地震相中，不同位置处的同一地震属性也具有较强的相似性。

coleou等(2003)基于som算法提出了波形聚类，通过将16个地层切片对应的地震振幅作为样本属性进行聚类，实现了地震相的平面预测；roy等(2013)将coleou的波形聚类的思想扩展至多属性融合，借助som算法对多属性体进行聚类，实现了地震相的体预测。

尽管som算法具有较好的抗噪性，并且自身拥有拓扑结构，但是当样本个数增加时，计算量也会急剧增加。相比之下，无监督分类算法更为简单高效，但是该算法需要事先知道地震相分类个数，并且对地震相分类个数较为敏感，因此如果解释人员事先给定的地震相个数偏少，就会造成部分地震相无法识别，如果解释人员给定的地震相个数偏多，就会造成划分的地震相较为杂乱，剖面或者平面的信噪比较低，无法开展有效的解释工作。

技术实现要素：

为解决以上问题，本发明提供了一种基于无监督分类三维隐空间的地震相分析方法。

本发明提供了一种基于无监督分类三维隐空间的地震相分析方法，包括：

选择属性步骤，选择若干个地震属性，建立用于描述地震相的地震属性体；

建立样本步骤，建立所述地震属性体的训练样本；

分类颜色赋值步骤，利用无监督分类算法将所述训练样本划分成若干个地震相类别，确定各个地震相类别的类中心，将每个类中心投影到三维隐空间中，建立每个类中心与hsv色标之间的对应关系，并据此为每个类中心赋予对应的颜色值；

采样点颜色赋值步骤，逐道逐个地判断每个采样点所属的地震相类别，并为每个采样点赋予其所属的地震相类别的类中心的颜色值，从而使得相似的地震相具有相似的颜色。

进一步，所述选择属性步骤中，基于地质条件和叠后地震数据，选择数学机理独立但地质因素关联的若干个地震属性，建立地震属性体。

进一步，所述地震属性为峰值频率、峰值振幅、纹理均质性和最大曲率。

进一步，所述建立样本步骤进一步包括以下步骤：

基于地震工区范围内地震属性的最小值和最大值和平均值，对叠后地震数据做归一化处理；

根据地震工区范围和面元大小设置抽道准则，根据所述抽道准则对经过归一化处理的叠后地震数据进行抽取，建立所述地震属性体的训练样本。

进一步，所述分类颜色赋值步骤进一步包括：

无监督分类子步骤，利用无监督分类算法将所述训练样本划分成若干个地震相类别，确定每个地震相类别的类中心向量，对每个类中心向量做去平均值处理，组成类中心矩阵；

主成分分析子步骤，利用主成分分析法对地震属性体的训练样本进行分析，构建隐空间投影矩阵；

隐空间投影子步骤，基于类中心矩阵和隐空间投影矩阵，构建用于描述类中心投影到三维隐空间的位置的隐空间定位矩阵；

颜色赋值子步骤，根据hsv色标与隐空间定位矩阵之间的关系，确定类中心与hsv色标之间的对应关系，为每个类中心赋予对应的颜色值。

进一步，所述主成分分析子步骤进一步包括：

计算所述训练样本的协方差矩阵，并对所述协方差矩阵进行特征分解，获得所述协方差矩阵的特征向量矩阵和特征值；

按照从大到小的顺序排列所述协方差矩阵的特征值，取前三个特征值对应的特征向量构成隐空间投影矩阵。

进一步，所述隐空间投影子步骤进一步包括：

基于类中心矩阵和隐空间投影矩阵，按照下式构建相对隐空间定位矩阵：

ωm×3＝φm×4p4×3

其中，ωm×3为m行3列矩阵，表示相对隐空间定位矩阵；

φm×4为m行4列矩阵，表示类中心矩阵；

p4×3为4行3列矩阵，表示隐空间投影矩阵；

按照下式对所述相对隐空间定位矩阵进行归一化处理，获得绝对隐空间定位矩阵，将其作为用于描述类中心投影到三维隐空间的位置的隐空间定位矩阵：

ω[i][j]表示相对隐空间定位矩阵ω的第i行、第j列元素；

k[i][j]分别表示绝对隐空间定位矩阵k的第i行、第j列元素；

和分别表示相对隐空间定位矩阵ω矩阵中的第j列中的最大值和最小值。

进一步，所述颜色赋值子步骤中，按照下式计算每个类中心所对应的颜色值：

vi＝k[i][3]

其中，hi表示第i个类中心的色度；

si表示第i个类中心的饱和度；

vi表示第i个类中心的明度；

k[i][1]表示绝对隐空间定位矩阵k的第i行第1列元素；

k[i][2]表示绝对隐空间定位矩阵k的第i行第2列元素；

k[i][3]表示绝对隐空间定位矩阵k的第i行第3列元素。

进一步，所述采样点颜色赋值步骤中，对于每个采样点，读入其经过归一化处理的地震属性向量，与各个地震相类别的类中心进行比较，基于欧几里得距离准则，选择距离最近的类中心的地震相类别作为采样点所属的地震相类别。

进一步，所述无监督分类算法为k-mean算法和/或isodata算法；

利用pca隐空间投影法将每个类中心投影到三维隐空间中。

本发明的有益效果：

1、本发明针对常规地震相分析方法的缺陷，将k-mean算法同pca隐空间投影技术相结合，通过给定较多的分类个数，将高维的类中心投影到低维的隐空间中，从而将地震相与3dhsv色标联系起来，使得相似的地震相对应的相似的颜色，从而能够协助解释人员利用视觉进一步进行地震相预测。

2、本发明削弱了传统基于k-mean的地震相分析方法对于初始地震相个数过于敏感的限制，通过事先给定较多的初始地震相个数，借助pca聚类效应，实现了相似的地震相用相似的色相标识，使得最终的地震相划分结果具有正确的地质认识。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

图1是根据本发明的基于无监督分类三维隐空间的地震相分析方法的主要步骤流程图；

图2是根据本发明实施例的基于k-mean三维隐空间快速地震相分析流程图；

图3是根据本发明实施例的实际叠后地震数据图；

图4是根据本发明实施例的叠后地震数据对应的峰值振幅属性图；

图5是根据本发明实施例的叠后地震数据对应的峰值频率属性图；

图6是根据本发明实施例的叠后地震数据对应的最大曲率属性图；

图7是根据本发明实施例的叠后地震数据对应的纹理均质性属性图；

图8是根据本发明实施例的地震相分析结果图；

图9是根据本发明实施例的结合构造形态与颜色相似度划分的地震相图。

具体实施方式

本发明可应用在油气勘探中地震资料解释与地震相分析领域，涉及一种多属性融合的地震相分析方法。

图1是根据本发明的基于无监督分类三维隐空间的地震相分析方法的主要步骤流程图，图2是根据本发明实施例的基于k-mean三维隐空间快速地震相分析流程图。以下将结合图1和图2对本发明进行详细说明。

s1，选择属性步骤，选择若干个地震属性，建立用于描述地震相的地震属性体。

地震属性指叠前或叠后地震数据，经过数学推导出的有关地震波的几何形态、运动学特征、动力学特征和统计学特征。由于各地震属性之间的相关性错综复杂，数量关系难于提取，因此需要根据地震工区的地质条件和叠后地震数据，优选在数学机理上相互独立的地震属性。但是，由于许多地震属性在地质因素方面存在潜在联系，因此优选数学机理独立但地质因素关联的若干地震属性来构成描述地震相的地震属性体。例如，可以选择峰值频率、峰值振幅、纹理均质性和最大曲率四个地震属性构成地震属性体。

s2，建立样本步骤，建立所述地震属性体的训练样本，其中包括：

s2.1，基于地震工区范围内地震属性的最小值和最大值和平均值，对叠后地震数据做归一化处理；

s2.2，根据地震工区范围和面元大小设置抽道准则，根据抽道准则对经过归一化处理的叠后地震数据进行抽取，建立地震属性体的训练样本。

应当指出的是，上述抽道处理也可以先于归一化处理之前进行，在此不做限定。

建立地震属性体的训练样本x，例如x为n行4列矩阵，n代表样本点数。样本点数n等于抽取的道乘以地震道采集个数，每个样本包括峰值频率、峰值振幅、纹理均质性和最大曲率4个地震属性，即样本的维度是4。矩阵的每一个元素表示归一化处理后的地震属性：

(1)式中表示第i个样本中第j个归一化后的地震属性，^jattrⁱ表示第i个样本中第j个地震属性，^jattrmin表示工区内第j个地震属性的最小值，^jattrmax表示第j个地震属性的最大值。因此存在：

(2)式中x[i][j]表示训练样本矩阵x[i][j]的第i行、第j列元素。

s3，分类颜色赋值子步骤，利用无监督分类算法将训练样本划分成若干个地震相类别，确定各个地震相类别的类中心，将每个类中心投影到三维隐空间中，建立每个类中心与hsv色标之间的对应关系，并据此为每个类中心赋予对应的颜色值，其中包括：

s3.1，无监督分类子步骤，利用无监督分类算法将训练样本划分成若干个地震相类别，确定每个地震相类别的类中心向量，对每个类中心向量做去平均值处理，组成类中心矩阵；

s3.2，主成分分析子步骤，利用主成分分析法对地震属性体的训练样本进行分析，构建隐空间投影矩阵，其中包括：

s3.2.1，计算训练样本的协方差矩阵，并对协方差矩阵进行特征分解，获得协方差矩阵的特征向量矩阵和特征值；

计算训练样本x的协方差矩阵cov(x)

(3)式中xi表示训练样本矩阵x的第i行，xmean表示训练样本归一化后的属性平均值，xmean＝[¹attrmean²attrmean³attrmean⁴attrmean]1×4，¹attrmean表示第一个地震属性的平均值，²attrmean表示第二个地震属性的平均值，³attrmean表示第三个地震属性的平均值，⁴attrmean表示第四个地震属性的平均值。对协方差矩阵cov(x)进行特征分解，获得特征向量矩阵q和特征值矩阵λ。

s3.2.2，按照从大到小的顺序排列协方差矩阵的特征值，取前三个特征值对应的特征向量构成隐空间投影矩阵。

按照从大到小排列协方差矩阵cov(x)的特征值，获取前三个特征值对应的特征向量构成隐空间投影矩阵：

p＝[q1q2q3]4×3(4)

(4)式中，p表示隐空间投影矩阵，q1表示协方差矩阵cov(x)第一个特征值对应的特征向量，q2表示协方差矩阵cov(x)第二个特征值对应的特征向量，q3表示协方差矩阵cov(x)第三个特征值对应的特征向量。设置分类个数为m，针对训练样本x，利用k-mean算法进行无监督分类，获得每个类别的类中心向量为φi，其中φi为1行4列的矩阵，因此，去平均值后的类中心矩阵φ为m行4列的矩阵。

(5)式中xmean表示训练样本x的平均值。这里针对φ的每一行都要减去xmean，是为了方便后续的色标投影。

s3.3，隐空间投影子步骤，基于类中心矩阵和隐空间投影矩阵，构建用于描述类中心投影到三维隐空间的位置的隐空间定位矩阵，其中包括：

s3.3.1，基于类中心矩阵和隐空间投影矩阵，采用如下方式，构建相对隐空间定位矩阵ω：

ωm×3＝φm×4p4×3(6)

(6)式中，φm×4表示去平均值后的4行3列的类中心矩阵，p4×3表示为4行3列的隐空间投影矩阵，ωm×3为m行3列的相对隐空间定位矩阵。

相对隐空间定位矩阵表示了每个类中心向量在3d隐空间中的相对位置关系，而不是绝对关系，其中每一行代表该类中心向量在3d隐空间中的相对位置向量。

s3.3.2，对所述相对隐空间定位矩阵进行归一化处理，获得绝对隐空间定位矩阵，将其作为用于描述类中心投影到三维隐空间的位置的隐空间定位矩阵：

为了便于同hsv色标之间建立直接转换关系，需要对相对隐空间定位矩阵ω的每一列进行归一化处理，得到绝对隐空间定位矩阵k：

(7)式中，ω[i][j]和k[i][j]分别表示相对隐空间定位矩阵ω和绝对隐空间定位矩阵k的第i行、第j列元素，和分别表示相对隐空间定位矩阵ω的第j列中的最大值和最小值。

s3.4，颜色赋值子步骤，根据hsv色标与隐空间定位矩阵之间的关系，确定类中心与hsv色标之间。

根据hsv色标同隐空间定位矩阵k的关系，计算每个类中心对应的色度(h)、饱和度(s)和明度(v)：

vi＝k[i][3](8c)

其中，(8a)式中，hi表示第i个类中心的色度；

(8b)式中，si表示第i个类中心的饱和度；

(8c)式中，vi表示第i个类中心的明度；

(8a)式和(8b)式中，k[i][1]表示绝对隐空间定位矩阵k的第i行第1列元素，k[i][2]表示绝对隐空间定位矩阵k的第i行第2列元素；

(8c)式中，k[i][3]表示绝对隐空间定位矩阵k的第i行第3列元素。

虽然在本实施例中，上述无监督分类子步骤先于主成分分析子步骤执行，但是本发明不限于此。必要时，上述主成分分析子步骤也可以先于无监督分类子步骤执行。

此外，本实施例中，无监督分类算法可以为k-mean算法和/或isodata算法；可以利用pca隐空间投影法将每个类中心投影到三维隐空间中。

s4，采样点颜色赋值步骤，逐道逐个地判断每个采样点所属的地震相类别，并为每个采样点赋予其所属的地震相类别的类中心的颜色值，从而使得相似的地震相具有相似的颜色，其中包括：

s4.1，采样点颜色赋值步骤中，对于每个采样点，读入其经过归一化处理的地震属性向量，与各个地震相类别的类中心进行比较，基于欧几里得距离准则，选择距离最近的类中心的地震相类别作为采样点所属的地震相类别。

逐道逐个采样点进行地震相预测，依据欧几里得距离准则，选择距离类中心最近的那一类作为该道该采样点处的地震相类别，并将对应的hsv值赋给该采样点。

f＝min{||x-φi||,i＝1,2…m}(9)

式(9)中，f表示采样点与类中心之间的欧几里得距离，x为表示采样点位置的向量，φi表示类中心向量，i表示第i个采样点，m表示采样点个数。

为了验证本发明的效果，利用图3给出的实际叠后地震数据进行方法验证，分别提取图3中实际叠后地震数据对应的峰值振幅如图4所示、峰值频率如图5所示、最大曲率如图6所示和纹理均质如图7所示，并扫描这四种地震属性对应的最小值、最大值和平均值。由于该数据共有301道，每道拥有451个采样点，采用每10道抽取1道建立样本数据，因此样本个数为30×451＝13530，样本维度为4。根据扫描的最大值、最小值和平均值，对样本数据进行归一化处理。

对归一化后的样本数据进行k-mean无监督分类，人为给定地震相分类个数为10，因此得到10个类中心。

再对样本数据进行pca处理，获取前三个特征值对应的特征向量构建隐空间投影矩阵，并获得隐空间定位矩阵。

然后将隐空间定位矩阵转化为类中心对应的hsv颜色值。

逐道逐个采样点读入峰值振幅、峰值频率、最大曲率以及纹理平均值性地震属性，并分别与10个类中心进行比较，选择距离最近的类作为当前采样点对应的类，并赋予对应的hsv颜色值。

图8给出了本发明对应的地震相划分结果，尽管人为给定的分类个数为10，远大于当前工区对应的实际地震相个数(一般是3个到4个左右)，但是从地震相划分结果来看，剖面清晰且不杂乱，相似的地震相拥有相似的颜色，展现了较好的聚类效应，比较符合地质认识。

最后，在沉积学的指导下，通过结合地震剖面的构造形态，利用颜色相似度对图8进行人工划分地震相，使其具有真正的地质意义，图8中的10种分类显然是远远大于该地区真实的沉积相数量，图9给出了最终的地震相预测剖面，大致分为3类，分别用黑色线条勾勒出对应的沉积相范围，其中1类代表了古潜山相，2类代表了三角洲沉积相，3类代表了沼泽沉积相，其最终的预测结果符合该地区的地质背景和地质认识。

对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动，因此，本发明由所附的权利要求书来限定。