CN111273346B - 去除沉积背景的方法、装置、计算机设备及可读存储介质 - Google Patents
去除沉积背景的方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN111273346B CN111273346B CN201811472544.2A CN201811472544A CN111273346B CN 111273346 B CN111273346 B CN 111273346B CN 201811472544 A CN201811472544 A CN 201811472544A CN 111273346 B CN111273346 B CN 111273346B
- Authority
- CN
- China
- Prior art keywords
- neural network
- hebb
- seismic
- degree
- background
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008021 deposition Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 91
- 240000002627 Cordeauxia edulis Species 0.000 claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 230000002238 attenuated effect Effects 0.000 claims abstract description 10
- 238000000513 principal component analysis Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004880 explosion Methods 0.000 abstract description 4
- 239000003245 coal Substances 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004062 sedimentation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例提供了一种去除沉积背景的方法、装置、计算机设备及可读存储介质,其中,该方法包括:对原始地震体进行90度相位化处理,得到90度相位化地震体;对90度相位化地震体进行Wheeler域变换,得到90度相位化Wheeler域地震体;将90度相位化Wheeler域地震体输入改进的Hebb神经网络,通过改进的Hebb神经网络主分量分析进行迭代计算,输出沉积背景体,改进的Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减;对90度相位化Wheeler域地震体和沉积背景体进行体运算,得到岩性体。该方案克服了沉积背景对储层影响的问题,克服了高维度地震数据输入计算内存***的问题,改进的Hebb神经网络避免权值系数矩阵无限制地增大,使得进一步避免受制于内存的问题。
Description
技术领域
本发明涉及石油地球物理勘探技术领域,特别涉及一种去除沉积背景的方法、装置、计算机设备及可读存储介质。
背景技术
近年来,地震沉积分析技术在各油气田勘探开发中有了深入的应用。但是,在利用地震沉积分析技术的过程中,经常会遇到两个问题:①煤系、火山岩等地层沉积,由于其本身的反射系数非常大,而储层的反射系数较小,往往会对紧邻的上下储层造成影响,意即强反射影响的目的层,开展地震沉积研究困难;②由于构造和沉积因素的影响,现有地震沉积分析技术预测古河道、异常沉积体等难度大。所以很有必要开展去除构造沉积背景(包括去除强反射地层影响,强反射地层包含在沉积背景中)方法研发。
一、针对去除煤层、火山岩等强反射地层影响的问题,国内外做出了比较深入的研究,主要利用匹配追踪算法,将地震信号中的强反射信息匹配出来,即可消除强反射对目的层有效反射信息的屏蔽作用。但是,匹配追踪算法去强轴也存在不足之处,比如,对断续的强轴和多强轴去除效果较差,子波库容易冗余导致计算量较大等。
二、由于构造和沉积背景的影响,导致地震沉积分析难度加大,需要进行沉积背景去除,同时国内学者有利用线性PCA方法进行尝试,但是要进行高维矩阵的特征值分解,受制于内存等问题,这是一个大的难题。
综上所述,现有方法并不能完全有效地去除沉积背景(包括去除强反射地层),同时面对日益增大的地震数据,对去除沉积背景方法提出了更高的要求。
发明内容
本发明实施例提供了一种去除沉积背景的方法,以解决现有技术中无法有效地去除沉积背景、受制于内存的技术问题。该方法包括:
对原始地震体进行90度相位化处理,得到90度相位化地震体;
对90度相位化地震体进行Wheeler域变换,得到90度相位化Wheeler域地震体;
将所述90度相位化Wheeler域地震体输入Hebb神经网络,通过Hebb神经网络主分量分析进行迭代计算,输出沉积背景体,其中,所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减;
对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算,得到岩性体;
其中,将所述90度相位化Wheeler域地震体输入所述Hebb神经网络,通过Hebb神经网络主分量分析进行迭代计算,输出所述沉积背景体,包括:
将所述90度相位化Wheeler域地震体归一化后输入所述Hebb神经网络;
初始化所述Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵;
通过初始化的所述Hebb神经网络主分量分析进行迭代计算,得到输出主分量矩阵和权值系数矩阵,当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛,则停止迭代,输出的第一主分量矩阵为所述沉积背景体。
本发明实施例还提供了一种去除沉积背景的装置,以解决现有技术中无法有效地去除沉积背景、受制于内存的技术问题。该装置包括:
相位处理模块,用于对原始地震体进行90度相位化处理,得到90度相位化地震体;
变换模块,用于对90度相位化地震体进行Wheeler域变换,得到90度相位化Wheeler域地震体;
背景体计算模块,用于将所述90度相位化Wheeler域地震体输入Hebb神经网络,通过Hebb神经网络主分量分析进行迭代计算,输出沉积背景体,其中,所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减;
背景去除模块,用于对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算,得到岩性体;
其中,所述背景体计算模块,包括:
归一化单元,用于将所述90度相位化Wheeler域地震体归一化后输入所述Hebb神经网络;
初始单元,用于初始化所述Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵;
背景体计算单元,用于通过初始化的所述Hebb神经网络主分量分析进行迭代计算,得到输出主分量矩阵和权值系数矩阵,当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛,则停止迭代,输出的第一主分量矩阵为所述沉积背景体。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的去除沉积背景的方法。以解决现有技术中无法有效地去除沉积背景、受制于内存的技术问题。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的去除沉积背景的方法的计算机程序。以解决现有技术中无法有效地去除沉积背景、受制于内存的技术问题。
在本发明实施例中,提出了采用Hebb神经网络迭代的方法来去除沉积背景,既克服了强反射层(强反射层包含在沉积背景体体中)和沉积背景对储层影响的问题,又克服了高维度地震数据输入计算内存***的问题;此外,本申请对Hebb神经网络还提出了两点改进,一是权值系数的计算包括衰减项,二是学习率按步长衰减,改进的Hebb神经网络避免权值系数矩阵无限制地增大,使得进一步避免受制于内存的问题;得到的岩性体可以用于开展地震沉积学分析,精细刻画沉积储层,即上述去除沉积背景的方法有利于提高利用高维度地震数据进行有效储层精细地震沉积分析的准确度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例提供的一种去除沉积背景的方法的流程图;
图2是本发明实施例提供的一种90度相位化处理后Wheeler域地震剖面示意图;
图3是本发明实施例提供的一种工区内inline534线转换为Wheeler域后,做扩散滤波去噪处理的剖面示意图;
图4是本发明实施例提供的一种通过Hebb神经网络主分量分析进行迭代计算输出背景体的流程图;
图5是本发明实施例提供的一种获得的Wheeler域背景体的剖面示意图;
图6是本发明实施例提供的一种获得的Wheeler域岩性体的剖面示意图;
图7(a)是本发明实施例提供的一种原始Wheeler域地震道第78张地震切片;
图7(b)是本发明实施例提供的一种图7(a)对应剖面位置的示意图;
图8(a)是本发明实施例提供的一种岩性体第78张地震切片;
图8(b)是本发明实施例提供的一种图8(a)对应剖面位置的示意图;
图9是本发明实施例提供的一种去除沉积背景的装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
假设真实地层可视作准层状模型,那么定义地震反射包含年代地层反射(沉积背景体)和岩性地层反射(岩性体)。地层切片中包含反应构造沉积信息的沉积背景体和反应隐蔽砂体信息的岩性体。那么开展精细地震沉积分析的过程中需要将大套的沉积背景体去除,同时把反应隐蔽砂体信息的岩性体提取出来,因此,本申请提出了上述去除沉积背景的方法。
在本发明实施例中,提供了一种去除沉积背景的方法,如图1所示,该方法包括:
步骤102:对原始地震体进行90度相位化处理,得到90度相位化地震体;
步骤104:对90度相位化地震体进行Wheeler(相对地质年代域)域变换,得到90度相位化Wheeler域地震体;
步骤106:将所述90度相位化Wheeler域地震体输入Hebb神经网络(由D.D.Hebb提出的神经网络),通过Hebb神经网络主分量分析进行迭代计算,输出沉积背景体,其中,所述Hebb神经网络为改进后的Hebb神经网络,在所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减。
步骤108:对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算,得到岩性体。
由图1所示的流程可知,在本发明实施例中,提出了采用Hebb神经网络迭代的方法来去除沉积背景,既克服了强反射层(强反射层包含在沉积背景体体中)和沉积背景对储层影响的问题,又克服了高维度地震数据输入计算内存***的问题;此外,本申请对Hebb神经网络还提出了两点改进,一是权值系数的计算包括衰减项,二是学习率按步长衰减,以此避免权值系数矩阵无限制地增大,使得进一步避免受制于内存的问题;得到的岩性体可以用于开展地震沉积学分析,精细刻画沉积储层,即上述去除沉积背景的方法有利于提高利用高维度地震数据进行有效储层精细地震沉积分析的准确度。
具体实施时,在对原始地震体进行90度相位化处理的过程中,可以在井约束下,对原始地震体进行90度相位化处理,即采用多道扫描的方法,定义一个相位角步长,用不同的相移量对地震体进行校正,采用波形相似性或者是最大能量准则来求取最佳的相位移量。最终将原始地震体转换为90度相位化地震体,利于对薄层的解释。
具体实施时,在对90度相位化地震体进行Wheeler域变换的过程中,可以在层位约束下,对90度相位化地震体进行Wheeler域变换,例如,可以采用Paul de Groot提出的三维Wheeler变换来对90度相位化地震体进行Wheeler域变换,简单来说,该三维Wheeler变换首先利用层位追踪解释的方法确定层序边界,选取目的层上下连续的强反射轴作为控制层序边界,然后对层序边界内部地层进行等比例均分,之后进行层位拉平完成Wheeler变换,最终将90度相位化地震体seisdata90转换为90度相位化Wheeler域地震体seisdatawheeler,90度相位化Wheeler域地震体的剖面如图2所示。
具体实施时,为了进一步保证90度相位化Wheeler域地震体seisdatawheeler的内部层序的等时性,在本实施例中,在将所述90度相位化Wheeler域地震体输入改进的Hebb神经网络之前,可以采用扩散滤波方法对90度相位化Wheeler域地震体seisdatawheeler进行滤波处理,获得滤波后的Wheeler域地震体seisdatafilter,进一步增强反射同相轴的连续性和等时性,图3为工区内inline534线转换为Wheeler域后,做扩散滤波去噪处理的剖面示意图。
具体实施时,为了实现通过改进的Hebb神经网络主分量分析进行迭代得到沉积背景体,在本实施例中,如图4所示,将所述90度相位化Wheeler域地震体输入所述改进的Hebb神经网络,通过改进的Hebb神经网络主分量分析进行迭代计算,输出所述沉积背景体,包括:
步骤402:将所述90度相位化Wheeler域地震体归一化后输入所述改进的Hebb神经网络;
可以将滤波后的90度相位化Wheeler域地震体归一到[-1 1]之间,具体的归一化处理公式为:
S=-1+(seisdatafilter-seisdatafilter min)/(seisdatafilter max-seisdatafilter min)×(1-(-1)) (1)
式中:S为归一化后的地震体;seisdatafilter为滤波后的90度相位化Wheeler域地震体;seisdatafilter min为滤波后的90度相位化Wheeler域地震体最小值;seisdatafilter max为滤波后的90度相位化Wheeler域地震体最大值。
假设经过去噪、归一化处理后的Wheeler域地震数据s有n道地震道,每道地震道有m个采样点,那么s可描述为:
步骤404:初始化所述改进的Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵;并初始化改进的Hebb神经网络主分量分析所需的参数。
经过去噪、归一化处理后的Wheeler域地震数据s作为后续神经网络输入训练样本集S可写为:
S={s1,s2,…,sn} (3)
其中,sn=[s1n s2n … smn]T
S变换到高维特征空间内,可表示为:
φ(S)={φ(s1),φ(s2),…,φ(sn)} (4)
其中,φ(sn)=[φ(s1n) φ(s2n) … φ(smn)]T
按照Hebb神经网络主分量分析学习规则,有n个输入和l个输出(l<n),Hebb神经网络中需要训练的只有突触权值集{wji},它们连接输入层的节点i和输出层节点j,其中i=1,2,…,n和j=1,2,…,l。
利用Kim等的KHA算法,在特征空间中,在时刻t输出层计算节点j对输入集{φ(si(t))|i=1,2,…,n}的响应所产生的主分量输出bj(t)由下式给出:
其中,k(Si,S(t))为内积核,通过特征向量由下式定义:
k(Si,S(t))=φT(Si)φ(S(t))。
Si为训练样本集S中第i个数据样本;Sq为训练样本集S中第q个数据样本,q是整数,q=1,2,…,l;aju(t)表示t时刻神经网络权值系数,它将输入层的源节点u和输出层计算节点j链接起来,u=1,2,…,l。
权值的修改采用下式:
其中j=1,2,…,l,η是学习率。
如果输入的地震数据训练集过大,Hebb规则下,权值矩阵仍然会快速增大,导致不稳定。为了避免权值矩阵无限制地增大,本申请对Hebb神经网络的上述算法做以下两个改进:
改进1:
定一个衰减项τ(小于1的正常数),如果τ趋近于零,那么学习规则等于常规的KHA算法;如果τ趋近于1,那么学习规则将很快忘记旧的输入,而记忆最近的输入模式。据此可知,衰减项τ的引入可以避免权值矩阵无限制地增大。
此时,权值的修改式(6)变为:
改进2:
设定学习率按步长衰减的策略:
η0=η×βIterationCounter/Iterationsize (8)
此时,权值的修改式(7)变为:
其中,aji(t+1)表示t+1时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点j链接起来;τ表示衰减项;η表示学习率;η0=η×βIterationCounter/Iterationsize,Iterationsize表示一个触发衰减的阈值,IterationCounter表示当前迭代的步数,β表示衰减系数,当前迭代的步数IterationCounter除以阈值Iterationsize的商向下取整作为β的指数;aji(t)表示t时刻神经网络权值系数;bj(t)表示在时刻t输出层计算节点j对输入集的响应产生的输出;bp(t)表示在时刻t输出层计算节点p对输入集的响应产生的输出;api(t)表示t时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点p链接起来;p表示输出层计算节点,p=1,2…j;i=1,2,…,n,n为输入层的源节点总数;j=1,2,…,l,l为输出层计算节点总数;t表示时间。
按照公式(5)和(9)的矩阵大小分别初始化权值系数矩阵和输出主分量矩阵(例如,初始化权值系数矩阵和输出主分量矩阵的大小,将权值系数矩阵和输出主分量矩阵的值初始化为0),作为神经网络迭代初始值。并设置输出主分量个数(本发明中设置为1)、迭代次数最大值、迭代门槛、学习率初始值、学习率衰减值、核类型、按步长的学习率衰减率和步长大小等初始参数。例如,设置迭代次数最大值,一般为10000;设置迭代门槛,一般为10-11;设置学习率初始值,一般为10-7;设置改进的Hebb神经网络主分量分析中所需的学习率衰减值τ,一般为0.1;设置核类型,可选线性核、高斯核和Ricker子波核函数;设置改进的Hebb神经网络主分量分析中所需的按步长的学习率衰减率β,一般为0.8;设置改进的Hebb神经网络主分量分析中所需的步长大小Iterationsize,一般为40。
步骤406:初始化后,将步骤404中的训练样本集S输入到改进的Hebb神经网络中进行迭代计算,得到输出主分量矩阵和权值系数矩阵。当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛,则停止迭代,所述输出第一主分量矩阵为所述沉积背景体Sb。
按照Hebb神经网络规则进行迭代,选择Ricker子波核函数:
其中,x、y表示输入的地震道,可变核参数f控制输入变量在算法中的被缩放程度。
按照公式(5)和(9)分别计算输出主分量矩阵和权值系数矩阵。
计算相邻两次迭代的权值系数矩阵的特征空间距离,检查该特征空间距离是否满足设置的迭代门槛,如果不满足,重复步骤206重新迭代,直至满足迭代门槛,输出最终的第一主分量矩阵,作为沉积背景体Sb,Wheeler域背景体如图5所示。
可以通过以下公式(11)计算相邻两次迭代的权值系数矩阵的特征空间距离:
其中,A1、A2分别为相邻两次迭代的权值系数矩阵;φ(A1)、φ(A2)分别为相邻两次迭代的权值系数矩阵在特征空间中的特征向量;核函数选择Ricker子波核函数,K(A1,A1)为内积核(K(A2,A2)K(A1,A2)以此类推),通过特征向量由下式定义:
k(A1,A1)=φT(A1)φ(A1) (12)
具体实施时,得到沉积背景体Sb之后,对90度相位化Wheeler域地震体S和得到的沉积背景体Sb进行体运算,获得岩性体Sl,Wheeler域岩性体剖面如图6所示。具体的,将90度相位化Wheeler域地震体S中的沉积背景数据Sb剔除,获得反映岩性信息的岩性体数据Sl,求取公式定义为:
Sl=S-Sb (13)
具体实施时,可以基于基于获得的岩性体开展地震沉积学分析,精细刻画沉积储层。
下面结合具体实例,详细介绍本发明提供的基于改进的Hebb神经网络主分量分析去除沉积背景的方法。鄂尔多斯盆地苏里格东一区为典型的低孔、低渗致密气田,主力气层为上古生界二叠系的盒8、山1、山2砂岩层,为强非均质性的薄储层。受太原组煤层影响的山2、山1期沉积相特征为:山2期为曲流河三角洲沉积,主要发育三角洲平原分流河道,河道间发育泛滥平原泥岩沉积。山1期为三角洲前缘亚相,水下分流河道微相较发育,河道间发育分流间湾泥岩沉积。但该区山2和太原组普遍发育煤层,在地震上表现为强振幅特征,对山1、山2砂岩储层有强烈的影响作用,同时背景沉积作用也掩盖了储层的部分特征,通过常规地震数据刻画的沉积相特征非常不明显。故将本发明的去除沉积背景的方法应用于本地区A工区,为3D工区,共计有184528道,如果采用线性PCA计算就涉及到高维184528*184528的相关矩阵计算问题,采用本发明的去除沉积背景的方法进行迭代计算,去除沉积背景,精细刻画沉积相特征。其主要的步骤:
1、将原始地震体转换到Wheeler域,并进行90度相位化处理,同时进行去噪处理;
如图3所示为工区内inline534线转换为Wheeler域后,做扩散滤波去噪处理的剖面。利用b7井进行合成记录标定,图3中可见,由于太原组煤层强反射的影响,山2储层位于波谷内,其储层特征被掩盖,同时由于背景沉积的影响,山1储层过于连续,与实际沉积特征不符合。这种原始Wheeler域剖面不能直接做地震沉积分析。
2、基于改进的Hebb神经网络主分量分析提取沉积背景体;
对90度相位化处理后Wheeler域地震体进行归一化处理,利用改进的Hebb神经网络主分量分析迭代计算得到最终的沉积背景体。图2为90度相位化处理后Wheeler域地震剖面,图5为求得的Wheeler域背景体。图2和图5两者对比得知,采样点40处煤层被提取出来了,同时其他的一些沉积背景也被提取出来了。
3、在提取的沉积背景体基础上,获取Wheeler域岩性体;
对90度相位化Wheeler域地震体和得到的沉积背景体进行体运算,获得岩性体。图6为获得的Wheeler域岩性体剖面,对比图5和图6可以得知,采样点40附近的煤层被去除,同时煤层上下的均一沉积背景也被去除。
4、在岩性体上开展精细地震沉积学研究;
图7(a)为原始Wheeler域地震道第78张地震切片和图7(b)为原始Wheeler域地震道第78张地震切片对应剖面位置,图8(a)为岩性体第78张地震切片和图8(b)为岩性体第78张地震切片对应剖面位置。图7(b)对应的位置为山2储层位置,但是由于煤层强反射的影响作用,导致储层位于波谷,对应的切片图7(a)为区分度不够,无法进行地震沉积学研究;而经过本发明处理后图8(b)山2储层位置有地震反射,对应到切片上整体比较自然,依据切片划分的分流河道和河道间湾非常符合实际情况。从图5可以看出,通过钻井b7井,通过标定可以获知,利用本发明的去除沉积背景的方法处理得到的岩性体剖面,井点处山1、山2砂体与伽马吻合度非常高,而且横向连续且变化自然,符合实际的地质沉积情况。
基于同一发明构思,本发明实施例中还提供了一种去除沉积背景的装置,如下面的实施例所述。由于去除沉积背景的装置解决问题的原理与去除沉积背景的方法相似,因此去除沉积背景的装置的实施可以参见去除沉积背景的方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是本发明实施例的去除沉积背景的装置的一种结构框图,如图9所示,该装置包括:
相位处理模块902,用于对原始地震体进行90度相位化处理,得到90度相位化地震体;
变换模块904,用于对90度相位化地震体进行Wheeler域变换,得到90度相位化Wheeler域地震体;
背景体计算模块906,用于将所述90度相位化Wheeler域地震体输入Hebb神经网络,通过Hebb神经网络主分量分析进行迭代计算,输出沉积背景体,其中,所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减;
背景去除模块908,用于对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算,得到岩性体。
在一个实施例中,所述背景体计算模块,包括:
归一化单元,用于将所述90度相位化Wheeler域地震体归一化后输入所述Hebb神经网络;
初始单元,用于初始化所述Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵;并初始化改进的Hebb神经网络主分量分析所需的参数。
背景体计算单元,用于通过初始化的所述Hebb神经网络主分量分析进行迭代计算,得到输出主分量矩阵和权值系数矩阵,当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛,则停止迭代,输出的第一主分量矩阵为所述沉积背景体。
在一个实施例中,所述背景体计算模块通过以下公式计算权值系数矩阵中的权值系数:
其中,aji(t+1)表示t+1时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点j链接起来;τ表示衰减项;η表示学习率;η0=η×βIterationCounter/Iterationsize,Iterationsize表示一个触发衰减的阈值,IterationCounter表示当前迭代的步数,β表示衰减系数,当前迭代的步数IterationCounter除以阈值Iterationsize的商向下取整作为β的指数;aji(t)表示t时刻神经网络权值系数;bj(t)表示在时刻t输出层计算节点j对输入集的响应产生的输出;bp(t)表示在时刻t输出层计算节点p对输入集的响应产生的输出;api(t)表示t时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点p链接起来;p表示输出层计算节点,p=1,2…j;i=1,2,…,n,n为输入层的源节点总数;j=1,2,…,l,l为输出层计算节点总数;t表示时间。
在一个实施例中,还包括:
滤波模块,用于将所述90度相位化Wheeler域地震体输入所述Hebb神经网络之前,采用扩散滤波方法对所述90度相位化Wheeler域地震体进行滤波。
在另外一个实施例中,还提供了一种软件,该软件用于执行上述实施例及优选实施方式中描述的技术方案。
在另外一个实施例中,还提供了一种存储介质,该存储介质中存储有上述软件,该存储介质包括但不限于:光盘、软盘、硬盘、可擦写存储器等。
本发明实施例实现了如下技术效果:提出了采用Hebb神经网络迭代的方法来去除沉积背景,既克服了强反射层(强反射层包含在沉积背景体体中)和沉积背景对储层影响的问题,又克服了高维度地震数据输入计算内存***的问题;此外,此外,本申请对Hebb神经网络还提出了两点改进,一是权值系数的计算包括衰减项,二是学习率按步长衰减,以此来避免权值系数矩阵无限制地增大,使得进一步避免受制于内存的问题;得到的岩性体可以用于开展地震沉积学分析,精细刻画沉积储层,即上述去除沉积背景的方法有利于提高利用高维度地震数据进行有效储层精细地震沉积分析的准确度。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种去除沉积背景的方法,其特征在于,包括:
对原始地震体进行90度相位化处理,得到90度相位化地震体;
对90度相位化地震体进行Wheeler域变换,得到90度相位化Wheeler域地震体;
将所述90度相位化Wheeler域地震体输入Hebb神经网络,通过Hebb神经网络主分量分析进行迭代计算,输出沉积背景体,其中,所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减;
对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算,得到岩性体;
其中,将所述90度相位化Wheeler域地震体输入所述Hebb神经网络,通过Hebb神经网络主分量分析进行迭代计算,输出所述沉积背景体,包括:
将所述90度相位化Wheeler域地震体归一化后输入所述Hebb神经网络;
初始化所述Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵;
通过初始化的所述Hebb神经网络主分量分析进行迭代计算,得到输出主分量矩阵和权值系数矩阵,当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛,则停止迭代,输出的第一主分量矩阵为所述沉积背景体。
2.如权利要求1所述的去除沉积背景的方法,其特征在于,在所述Hebb神经网络中通过以下公式计算权值系数矩阵中的权值系数:
其中,aji(t+1)表示t+1时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点j链接起来;τ表示衰减项;η表示学习率;η0=η×βIterationCounter/Iterationsize,Iterationsize表示一个触发衰减的阈值,IterationCounter表示当前迭代的步数,β表示衰减系数,当前迭代的步数IterationCounter除以阈值Iterationsize的商向下取整作为β的指数;aji(t)表示t时刻神经网络权值系数;bj(t)表示在时刻t输出层计算节点j对输入集的响应产生的输出;bp(t)表示在时刻t输出层计算节点p对输入集的响应产生的输出;api(t)表示t时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点p链接起来;p表示输出层计算节点,p=1,2…j;i=1,2,…,n,n为输入层的源节点总数;j=1,2,…,l,l为输出层计算节点总数;t表示时间。
3.如权利要求1所述的去除沉积背景的方法,其特征在于,还包括:
将所述90度相位化Wheeler域地震体输入所述Hebb神经网络之前,采用扩散滤波方法对所述90度相位化Wheeler域地震体进行滤波。
4.一种去除沉积背景的装置,其特征在于,包括:
相位处理模块,用于对原始地震体进行90度相位化处理,得到90度相位化地震体;
变换模块,用于对90度相位化地震体进行Wheeler域变换,得到90度相位化Wheeler域地震体;
背景体计算模块,用于将所述90度相位化Wheeler域地震体输入Hebb神经网络,通过Hebb神经网络主分量分析进行迭代计算,输出沉积背景体,其中,所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减;
背景去除模块,用于对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算,得到岩性体;
其中,所述背景体计算模块,包括:
归一化单元,用于将所述90度相位化Wheeler域地震体归一化后输入所述Hebb神经网络;
初始单元,用于初始化所述Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵;
背景体计算单元,用于通过初始化的所述Hebb神经网络主分量分析进行迭代计算,得到输出主分量矩阵和权值系数矩阵,当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛,则停止迭代,输出的第一主分量矩阵为所述沉积背景体。
5.如权利要求4所述的去除沉积背景的装置,其特征在于,所述背景体计算模块通过以下公式计算权值系数矩阵中的权值系数:
其中,aji(t+1)表示t+1时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点j链接起来;τ表示衰减项;η表示学习率;η0=η×βIterationCounter/Iterationsize,Iterationsize表示一个触发衰减的阈值,IterationCounter表示当前迭代的步数,β表示衰减系数,当前迭代的步数IterationCounter除以阈值Iterationsize的商向下取整作为β的指数;aji(t)表示t时刻神经网络权值系数;bj(t)表示在时刻t输出层计算节点j对输入集的响应产生的输出;bp(t)表示在时刻t输出层计算节点p对输入集的响应产生的输出;api(t)表示t时刻神经网络权值系数,它将输入层的源节点i和输出层计算节点p链接起来;p表示输出层计算节点,p=1,2…j;i=1,2,…,n,n为输入层的源节点总数;j=1,2,…,l,l为输出层计算节点总数;t表示时间。
6.如权利要求4所述的去除沉积背景的装置,其特征在于,还包括:
滤波模块,用于将所述90度相位化Wheeler域地震体输入所述Hebb神经网络之前,采用扩散滤波方法对所述90度相位化Wheeler域地震体进行滤波。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3任一项所述的去除沉积背景的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至3任一项所述的去除沉积背景的方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472544.2A CN111273346B (zh) | 2018-12-04 | 2018-12-04 | 去除沉积背景的方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472544.2A CN111273346B (zh) | 2018-12-04 | 2018-12-04 | 去除沉积背景的方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111273346A CN111273346A (zh) | 2020-06-12 |
CN111273346B true CN111273346B (zh) | 2022-02-01 |
Family
ID=70996755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811472544.2A Active CN111273346B (zh) | 2018-12-04 | 2018-12-04 | 去除沉积背景的方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273346B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877460B (zh) * | 2023-02-28 | 2023-05-05 | 福瑞升(成都)科技有限公司 | 一种碳酸盐岩岩溶缝洞型储层的增强方法 |
CN117233843B (zh) * | 2023-11-13 | 2024-02-02 | 福瑞升(成都)科技有限公司 | 一种多模式地层接触关系Wheeler变换方法、装置及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6961673B2 (en) * | 2003-06-27 | 2005-11-01 | Landmark Graphics Corporation | Measuring discontinuity in seismic data |
MX2010008182A (es) * | 2008-01-28 | 2010-08-18 | Landmark Graphics Corp | Determinacion de capas estratigraficas hibridas usando el espacio de pseudo-wheeler. |
FR2938485A1 (fr) * | 2008-11-18 | 2010-05-21 | Vincent Goudard | Detection de "2 roue" a l'arriere ou dans l'angle mort d'un vehicule |
CN102053270B (zh) * | 2009-10-30 | 2014-04-02 | 中国石油化工股份有限公司 | 一种基于沉积地层单元的地震相分析方法 |
CN102540256A (zh) * | 2012-01-06 | 2012-07-04 | 中国石油化工股份有限公司胜利油田分公司西部新区研究中心 | 地震沉积学储层预测*** |
CN105259572B (zh) * | 2015-07-23 | 2018-06-19 | 成都理工大学 | 基于地震多属性参数非线性自动分类的地震相计算方法 |
CN105717542B (zh) * | 2016-04-11 | 2019-02-22 | 北京科胜伟达石油科技股份有限公司 | 基于三维地震的Wheeler域切片砂体雕刻方法 |
CN107976713B (zh) * | 2017-11-08 | 2019-07-09 | 中国石油天然气股份有限公司 | 一种高维地震数据输入下去除沉积背景的方法及装置 |
CN107942382B (zh) * | 2017-11-08 | 2019-08-06 | 中国石油天然气股份有限公司 | 一种去除沉积背景的方法及装置 |
-
2018
- 2018-12-04 CN CN201811472544.2A patent/CN111273346B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111273346A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709603B (zh) | 地震层位识别与追踪方法、*** | |
CN104614763B (zh) | 基于反射率法的多波avo储层弹性参数反演方法及*** | |
Fomel et al. | Seislet transform and seislet frame | |
AU2023285757A1 (en) | Geophysical deep learning | |
Yuan et al. | Double-scale supervised inversion with a data-driven forward model for low-frequency impedance recovery | |
CN104516018B (zh) | 一种地球物理勘探中岩性约束下的孔隙度反演方法 | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
CN103792573B (zh) | 一种基于频谱融合的地震波阻抗反演方法 | |
CN111366975B (zh) | 基于交叉梯度正则化约束的叠前地震ava反演方法 | |
CN106291677A (zh) | 一种基于匹配追踪方法的叠后声波阻抗反演方法 | |
CN104570101A (zh) | 一种基于粒子群算法的avo三参数反演方法 | |
Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
CN106291682A (zh) | 一种基于基追踪方法的叠后声波阻抗反演方法 | |
CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及*** | |
CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
Pafeng et al. | Prestack waveform inversion of three-dimensional seismic data—An example from the Rock Springs Uplift, Wyoming, USA | |
Wu et al. | Adaptive feedback convolutional‐neural‐network‐based high‐resolution reflection‐waveform inversion | |
Romero et al. | Seeing through the CO2 plume: Joint inversion-segmentation of the Sleipner 4D seismic data set | |
CN104730572A (zh) | 一种基于l0半范数的绕射波成像方法及装置 | |
Ravasi et al. | Striking a balance: Seismic inversion with model-and data-driven priors | |
Liu* et al. | Seismic lithofacies computation method based on deep learning | |
Hodgetts et al. | Synthetic seismic modelling of a large-scale geological cross-section from the Book Cliffs, Utah, USA | |
L’Heureux et al. | Building better models for seismic simulations with stochastic stratigraphy | |
Cheng et al. | Multiscale recurrent-guided denoising network for distributed acoustic sensing-vertical seismic profile background noise attenuation | |
CN116068644B (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |