CN114488297A - 一种断层识别方法及装置 - Google Patents
一种断层识别方法及装置 Download PDFInfo
- Publication number
- CN114488297A CN114488297A CN202011158080.5A CN202011158080A CN114488297A CN 114488297 A CN114488297 A CN 114488297A CN 202011158080 A CN202011158080 A CN 202011158080A CN 114488297 A CN114488297 A CN 114488297A
- Authority
- CN
- China
- Prior art keywords
- tracking
- fault
- ant
- point
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 241000257303 Hymenoptera Species 0.000 claims abstract description 37
- 239000003016 pheromone Substances 0.000 claims abstract description 21
- 230000015654 memory Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000001427 coherent effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation 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
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
- G01V1/302—Analysis for determining seismic cross-sections or geostructures in 3D data cubes
-
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/642—Faults
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
本发明属于地震资料断层检测技术领域,具体涉及一种断层识别方法及装置。首先获取地震剖面或切片数据,并分割成若干数据块,在每个数据块中放置一只蚂蚁;以蚂蚁初始位置为中心确定一个窗口,计算窗口中每个数据点沿x、y、z三方向的梯度,进而确定各个窗口的梯度方向,进而得到蚂蚁追踪的主方向;以此为基础进行断层追踪,直至满足追踪终止条件;当所有蚂蚁完成一次追踪后,更新所有数据点之间的信息素;重复上述步骤,直至达到设定的迭代次数,根据最终得到的信息素剖面确定断层位置。本发明能够控制蚂蚁追踪处于断层、裂缝发育区域,提高断层的识别及检测精度,对断块裂缝型油气藏的勘探开发有指导作用。
Description
技术领域
本发明属于地震资料断层检测技术领域,具体涉及一种断层识别方法及装置。
背景技术
断层、裂缝、断裂的识别检测是地震解释中的关键问题之一,断层有可能对油气起波阿虎作用,形成圈闭储藏油气,也可能对油气起调整作用,所以断层在油气成藏中具有非常重要的地位。断层检测精确性对于指导断块、裂缝型油气田的勘探开发有些重要的意义。
常规的断层解释方法是在地震剖面和水平切片上进行的,然后在平面上进行组合分析。该种方法受到解释人员只是与经验的主观影响较大,如果解释人员主观认识不足或者断层***比较复杂,均有可能影响解释的可能性和精度,导致工作效率较低。
为了提高断层解释的效率和可靠性,便需要找到一种客观的断层识别/解释方法。例如,申请公布号为CN1090001801A的中国发明专利公开了一种基于多次迭代蚁群算法的断层变尺度识别方法,该方法将蚁群算法应用于断层识别上,以提高断层解释的精度和可靠性。其中,该方法是直接对二维剖面地震数据沿着x、y两个方向上计算数据块的梯度,并以此作为蚂蚁追踪的主方向。而实际地震数据是三维立体的,且断层空间展布也是三维立体的,采用这种方法将导致每个数据块的主方向计算不准确,进而导致断层识别不准确。
发明内容
本发明提供了一种断层识别方法及装置,用以解决现有技术中计算蚂蚁追踪的主方向时沿着x、y两个方向进行计算造成的断层识别不准确的问题。
为解决上述技术问题,本发明的技术方案包括:
本发明提供了一种断层识别方法,包括如下步骤:
1)获取地震剖面或切片数据,将地震剖面或切片数据分割成若干数据块,在每个数据块中放置一只蚂蚁;
2)确定蚂蚁追踪的主方向:以蚂蚁初始位置为中心确定一个窗口,计算窗口中每个数据点沿x、y、z三方向的梯度,进而确定各个窗口的梯度方向,进而根据追踪类型将该窗口的梯度方向分解到需要使用的分量方向上以得到倾角角度,将得到的倾角角度作为蚂蚁追踪的主方向;
3)依据蚂蚁追踪的主方向进行断层追踪直至满足追踪终止条件;所述依据蚂蚁追踪主方向进行断层追踪包括:依据蚂蚁追踪的主方向以及设定追踪步长确定蚂蚁的转移范围,计算转移范围内各数据点的转移概率,依据转移概率选择下一追踪位置;其中,所述设定追踪步长为3~10个数据点;
4)当所有蚂蚁完成一次追踪后,更新所有数据点之间的信息素;将该次追踪结束后蚂蚁的最后位置作为下一次追踪的蚂蚁初始位置,重复步骤2)至步骤4),直至达到设定的迭代次数,根据最终得到的信息素剖面确定断层位置。
上述技术方案的有益效果为:本发明在计算蚂蚁追踪的主方向时,先以蚂蚁初始位置为中心确定一个窗口,计算窗口内各个数据点的沿x、y、z三方向的梯度,进而确定各个窗口的梯度方向,根据追踪类型将该窗口的梯度方向分解到需要使用的分量方向上以得到倾角角度,将得到的倾角角度作为蚂蚁追踪的主方向,进而依据蚂蚁追踪的主方向进行断层追踪,以确定断层位置。本发明能够控制蚂蚁追踪处于断层、裂缝发育区域,提高断层的识别及检测精度,对断块裂缝型油气藏的勘探开发有重要的指导作用。
作为方法的进一步改进,步骤1)中,蚂蚁放置位置为:数据块中相干值最大的数据点所在位置。
作为方法的进一步改进,步骤3)中,所述追踪终止条件包括:在进行断层追踪过程中,连续出现异常步的步数达到设定标准值;其中,异常步指的是:该步数对应的转移范围内各个数据点的相干值均小于等于相干阈值;且采用加权最大熵阈值法对已识别出断层的震剖面或切片数据进行求解计算得到所述相干阈值;设定标准值为3~5步。利用加权最大熵阈值求取方法求取相干阈值可以得到更准确的相干阈值,从而更好地将断层区域与背景区域正确分离开来,使蚂蚁追踪结果更准确。
作为方法的进一步改进,步骤3)中,所述追踪终止条件包括:计算得到的倾角角度小于角度阈值;所述角度阈值为15°。
作为方法的进一步改进,为了提高蚂蚁追踪效率,步骤3)中,在进行断层追踪过程中,追踪大断层时的追踪步长大于追踪小断层的追踪步长。
作为方法的进一步改进,所述转移概率为:
式中,是由点(r,s)转移至点(i,j)的转移概率;是点(r,s)转移至点(i,j)路径的启发信息,是点(r,s)转移至点(u,v)路径的启发信息,为下一转移点(i,j)的归一化相干值;是点(r,s)转移至点(u,v)路径的信息素,是点(r,s)转移至点(i,j)路径的信息素;α和β是信息素和启发信息的控制因子;w是分方向权重系数矩阵,且系数矩阵中与蚂蚁追踪的主方向一致的数据点对应的系数最大,与蚂蚁追踪的主方向之间的角度越小的数据点对应的系数越大。以蚂蚁追踪的主方向为基础简化设置分方向权重系数矩阵从而提高了计算效率。
作为方法的进一步改进,采用主成分分析法计算窗口中每个数据点沿x、y、z三方向的梯度。
本发明还提供了一种断层识别装置,包括存储器和处理器,所述处理器用于执行存储在存储器中的指令以实现上述介绍的断层识别方法,并达到与该方法相同的有益效果。
附图说明
图1是本发明的断层识别方法的流程图;
图2是本发明的权重系数取值示意图;
图3-1是原始相干属性剖面图;
图3-2是未添加方向约束的采用类间方差法求取的阈值剖面图;
图3-3是未添加方向约束的本发明的采用最大熵法求取的阈值剖面图;
图4-1是添加方向约束的采用类间方差法求取的阈值剖面图;
图4-2是添加方向约束的采用最大熵法求取的阈值剖面图;
图4-3是采用本发明方法的添加方向约束的采用加权最大熵法求取的阈值剖面图;
图5-1是采用本发明方法的设定的迭代次数为2次的追踪结果图;
图5-2是采用本发明方法的设定的迭代次数为10次的追踪结果图;
图5-3是采用本发明方法的设定的迭代次数为20次的追踪结果图;
图6-1是采用本发明方法的蚂蚁数量为2500时的追踪结果图;
图6-2是采用本发明方法的蚂蚁数量为400时的追踪结果图;
图6-3是采用本发明方法的蚂蚁数量为100时的追踪结果图;
图7-1是采用本发明方法的比值阈值为0.05时的追踪结果图;
图7-2是采用本发明方法的比值阈值为0.2时的追踪结果图;
图7-3是采用本发明方法的比值阈值为0.3时的追踪结果图;
图8-1是采用本发明方法的设定标准值为3时的追踪结果图;
图8-2是采用本发明方法的设定标准值为5时的追踪结果图;
图9-1是某工区原始地震剖面图;
图9-2是C3相干识别结果图;
图9-3是采用本发明方法的识别结果图;
图10是本发明的断层识别装置的结构图。
具体实施方式
方法实施例:
本发明的一种断层识别方法,将蚁群算法应用于断层识别上来,其流程如图1所示,步骤如下:
步骤一,根据地震剖面或者切片数据的大小及识别断层的类型,选择合适的分割参数x,将地震数据分成相同大小为x*x的数据块,断层越小,x取值越小,这样能更精细追踪微小断层,断层越大,x取值越大,这样能更快地追踪完断层;数据越大时,在保证断层追踪结果精度情况下,x应该设置大一些,这样能提高追踪效率。每个数据块中放置一只蚂蚁,蚂蚁的数量为m。
蚂蚁越多,蚁群算法的工作耗时会越长,但对断层细节信息的追踪更完整些;蚂蚁越少,蚁群算法完成断层追踪的消耗时间越短,但可能会导致断层局部细节信息被忽略。假设地震数据大小为inline*time的地震剖面或者inline*cdp的地震切片,inline表示纵向测线大小,time表示时间方向的采样点数,cdp表示横向测线大小。那么蚂蚁的数量m为(地震剖面)或者(地震切片),int()表示取整。
步骤二,确定分割而成的数据块内相干最大值点所在位置,并将该位置定为每只蚂蚁的初始位置。
采用第三代相干算法计算数据点的相干值,先将使用的相干属性数据归一化处理,使得断层信息对应大值,趋近于1;背景信息对应小值,趋近于0。对于任意已知蚂蚁所在的数据块,该数据块内的候选点个数为x*x,蚂蚁初始位置由式(1)决定。对于该数据块内所有点来说,使得式(1)计算结果达到最大的点就是蚂蚁的初始位置。
P=arg max[Ci/∑Cj] (1)
式中,Ci、Cj分别为数据块中i点与j点的归一化相干属性值。根据表达式可知,Ci越大,越趋近于1,被选中作为初始点的概率越大。
步骤三,以蚂蚁初始位置为中心确定一个窗口,采用主成分分析法(PCA)的梯度估计方法计算每个窗口的梯度方向,进而根据追踪类型(主测线方向剖面、横测线方向剖面、水平方向切片)需要将该窗口的梯度方向分解到需要使用的分量方向上以得到倾角角度,将得到的倾角角度作为蚂蚁追踪的主方向。主方向确定后不再改变。蚂蚁的转移范围被限定在蚂蚁追踪的主方向左右一定角度范围内。设定一个分方向权重系数矩阵,系数矩阵中与窗口的梯度方向一致的数据点对应的系数最大,与蚂蚁追踪的主方向之间的角度越大的数据点对应的系数越小,计算蚂蚁主方向的过程如下:
①以蚂蚁初始点作为中心,确定一个w*w*w大小的窗口,w的取值大小与蚂蚁的追踪步长step_l有关。
②使用式(2)计算窗口内每个数据点的梯度值:
式中,I(x,y,z)为点(x,y,z)的相干属性值。在后续公式推导、计算过程中,将Gx(x,y,z)、Gy(x,y,z)、Gz(x,y,z)分别简化为Gx、Gy、Gz。
③先根据式(3)计算每个窗口内每个数据点的方向梯度协方差矩阵V,再根据式(4)计算得到整个窗口内数据的方向梯度协方差矩阵VW。
④对整个窗口内数据点的方向梯度协方差矩阵VW进行特征值分解,可以得到3个特征值λ1、λ2和λ3,且λ1≥λ2≥λ3,其中最大特征值λ1对应的特征向量即为构建窗口数据的局部梯度方向,把这个梯度方向归一化到即可得到窗口数据的平面方向的方位角与垂直方向的倾角。
由于断层在平面方向走向比较随意没有方向性,而在垂直方向按照一定的方向性延伸的,故当在追踪地震剖面时,经由PCA方向计算得到的倾角方向角度值就是蚂蚁追踪的主方向角度,而在追踪平面切片时,不需要给蚁群算法预设追踪方向。
⑤得到各个窗口的梯度方向后,考虑到断层延伸方向并不是笔直的一条直线,而是以主方向为中心,两侧浮动一定角度的范围内延伸,故在知道追踪步长与主方向角度θ后,就用一个系数矩阵来表示蚂蚁的追踪方向。如图2所示,以步长为2为例,将与主方向一致的点的系数值设置为1,浮动区域内点的系数设为0.5,其他点系数设为0。以使蚂蚁在优化后的蚂蚁约束方向内进行断层追踪。
步骤四,在确定好蚂蚁的初始位置及蚂蚁追踪的主方向后,便可根据转移范围内各数据点的转移概率,以设定的追踪步长进行断层追踪。其中,按照公式(5)计算蚂蚁候选区域内点的概率。
式中,是点(r,s)到点(i,j)的转移概率,是点(r,s)到点(i,j)路径的信息素,w为分方向权重系数矩阵,是点(r,s)到点(i,j)路径的启发信息,代表点(r,s)到候选区域中任意一点(u,v)路径的信息素,代表点(r,s)到候选区域中任意一点(u,v)路径的启发信息,其中。启发信息由式(6)计算得到:
分析转移概率计算表达式可以看出,在初始信息素相同的情况下,启发信息越大,即相干值越小的点,被选中的可能性就越大。
另外,对于沿层属性来说,由于断层在平面上并不具有方向性,断蚂蚁向任意方向转移的可能性都存在,此时转移概率公式内的w就不在参与计算。
步骤五,在断层追踪过程中,需要设置一些约束条件来进行断层(断裂线)的追踪,而这些约束条件对应有各自的控制参数,包括相干阈值、角度阈值、追踪步长、异常步数、终止条件等。下面详细介绍。
1、追踪步长的大小约束。
追踪步长确定蚂蚁每次转移所走的离散点数。步长越大,效率越高,但追踪结果的分辨率较低,可以用来追踪较大断层;步长越小,追踪结果的分辨率越高,但相应的效率会降低,主要用来追踪小断层。追踪步长一般设置为3~10个数据点。
2、追踪终止条件。当出现下列现象之一便停止该次追踪。
现象1)当蚂蚁追踪的主方向小于角度阈值θ时,则终止该窗口内蚂蚁的该次追踪。
一般来说,倾斜地层的角度相比于断层的角度值要小,故对计算出来的窗口的主方向角度,可以根据实际情况设置一个角度阈值θth(一般为15°),当θ<θth时,认为其是倾斜地层,就可以终止该蚂蚁的追踪,提高效率。
现象2)、当蚂蚁在下一步转移范围内的数据点的相干值均小于等于相干阈值,则出现异常步现象,即认为蚂蚁这一步的追踪为异常步。当连续出现异常步的步数达到设定标准值(一般为3~5步),就终止蚂蚁的该次追踪。当然,在未达到设定标准值时,再次追踪到有效断层点,则将此过程中标记的异常步数重新认定为有效追踪步数。设定标准值越大,追踪结果的连续性越好,但也可能造成错误的连接,故需设置一个合适的标准值。该设定标准值的大小与地震剖面或切片数据大小有关,地震剖面或切片数据越大,设定标准值越大;反之越小。其中,相干阈值的确定方法如下:
对于实际数据来说,蚂蚁的初始位置并不会全部落在断层等目标区域,相当一部分会落入背景区域(噪音区域或者倾斜地层影响区域),而相干阈值是一个用来判断蚂蚁追踪的点是否为目标区域的点的参数。相干阈值的大小关系着追踪结果的精确度,该值越准,就能将断层区域与背景区域正确分离开来,蚂蚁追踪结果也越准确;相干阈值不准确,蚂蚁追踪结果也会被背景信息干扰。本实施例中,采用加权最大熵法来求取相干阈值,以更好地区分追踪点是否为断层信息,使得到的追踪结果更准确。
基于加权思想的最大熵的概率计算方式与最大熵法的计算方式有所不同。对于一个大小为inline*time的数据,灰度化后其灰度等级为L,f(x,y)为点(x,y)的灰度值,g(x,y)是以点(x,y)为中心、k×k邻域内的灰度均值。f(x,y)的灰度值为i的像素个数为Ni,g(x,y)的灰度值为i的像素个数为Ni′,则基于加权思想的灰度值为i的像素的概率为:
式中,k1与k2为目标与背景概率的比例系数,且有k1+k2=1。
属性数据的目标区域的熵值,由下式来求取:
式中,Hf为目标区域的熵,pt为目标区域灰度级出现的概率之和。
背景区域的熵为:
式中,Hb为背景区域的熵。
式(8)和(9)中,pt的表达式为:
使得背景与目标熵值之和最大的灰度值即为最大熵法求取的阈值,即:
T*=arg max[Hf(T)+Hb(T)] (11)
得到相干阈值T*后,便可利用该值进行
现象3)当被记录下来的异常步数与蚂蚁所有的总步数的比值大于比值阈值St时,就停止蚂蚁的该次追踪,即Step异常/Step总数>St。比值阈值St的大小决定了追踪结果连续性的好坏。设置的越大,蚂蚁追踪结果连续性越好,反之,追踪结果的连续性就越差。步骤六,在所有蚂蚁完成一次追踪后,更新所有数据点之间的信息素。数据点(r,s)与数据点(i,j)之间的信息素更新公式为:
式中,τmax为信息素的更新上限,关系到追踪结果的准确性,设置较小可能会造成无法有效区分大断层与小断层,设置过大时可能会导致过早向大断层收敛,无法追踪小断层;为点(i,j)上的信息素增量,其与该蚂蚁的追踪长度有关,如下式:
式中,L(k)为第k只蚂蚁的追踪长度,c是信息素更新系数。
步骤七,在每只蚂蚁完成一次追踪后,将记录的蚂蚁的最后位置作为下一次蚂蚁追踪的初始位置,然后按照步骤三至步骤七开始新一次的断层追踪。当达到设定的迭代次数Nc_max,输出信息素剖面作为最终结果。
需说明的是,本实施例中将记录的最后位置作为下一次蚂蚁追踪的初始位置,这是因为较大可能最后的位置是断层的边缘,将其作为下一次初始位置是为了更全面、准确地追踪断层信息,以防单次追踪遗漏断层信息;如果返回原始位置重新迭代追踪,则本次迭代追踪结果和上次基本一致,多次迭代的目的就达不到了;如果放到其他位置,则需要重新计算选取位置,大大增加了计算量,对识别断层的作用也不大。
下面针对蚂蚁约束方向对追踪结果的影响进行研究。如图3-1、3-2、3-3为未添加方向约束的追踪结果图;其中,图3-1是原始相干属性剖面图,图3-2是采用类间方差法求取的阈值剖面图,图3-3是本发明的采用最大熵法求取的阈值剖面图。如图4-1、4-2、4-3为添加方向约束的追踪结果图;其中,图4-1是采用类间方差法求取的阈值剖面图,图4-2是采用最大熵法求取的阈值剖面图。对比图3-1、3-2、3-3,以及图4-1、4-2,可以看出添加约束方向后的追踪结果效果更好。
下面针对迭代次数、蚂蚁数量、比值阈值和异常步数的设置对追踪结果的影响进行研究。
如图5-1、5-2、5-3展示了迭代次数对蚂蚁追踪结果的影响。其中,图5-1是设定的迭代次数为2次的追踪结果图,图5-2是设定的迭代次数为10次的追踪结果图,图5-3是设定的迭代次数为20次的追踪结果图。
如图6-1、6-2、6-3展示了蚂蚁数量对蚂蚁追踪结果的影响。其中,图6-1是蚂蚁数量为2500时的追踪结果图,图6-2是蚂蚁数量为400时的追踪结果图,图6-3是蚂蚁数量为100时的追踪结果图。
如图7-1、7-2、7-3展示了比值阈值对蚂蚁追踪结果的影响。其中,图7-1是值阈值为0.05时的追踪结果图,图7-2是比值阈值为0.2时的追踪结果图,图7-3是比值阈值为0.3时的追踪结果图。
如图8-1、8-2展示了设定标准值对蚂蚁追踪结果的影响。其中,图8-1是设定标准值为3时的追踪结果图,图8-2是设定标准值为5时的追踪结果图。
综上,这些阈值/设定值的设置需要根据实际资料的情况来合理选取,以得到最佳应用效果。
下面将本发明的断层识别方法应用于某工区,合理选取蚁群算法中的各个参数(阈值)后,使用震数据体中某一测线地震剖面来进行基于最优选择的蚁群算法断层识别,如图9-1所示为原始地震剖面,图9-2为计算C3相干属性得到属性图,图9-3为采用本发明方法的断层识别结果(按模型参数调试得到的最佳参数大小作为实际应用的参数设置)。可以看出,经过蚁群算法追踪后,能识别出在相干剖面上比较模糊的断层与断点(图中箭头所指位置)。
本发明利用加权最大熵阈值求取方法计算输入数据的相干阈值,以更准确地分割背景与目标区域,提高断层、裂缝识别描述的准确性。而且,利用基于主成分分析的梯度方向计算方法求取蚂蚁追踪方向并以此为基础简化设置分方向权重系数矩阵来提高其计算效率。通过实验及实际资料应用研究,本发明能够提高断层识别及检测的精度,故其对于断块油气藏的勘探开发有着十分重要的指导意义。
装置实施例:
本发明的一种断层识别装置实施例,如图10所示,包括存储器、处理器和内部总线,处理器、存储器之间通过内部总线完成相互间的通信。
处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。
存储器可为利用电能方式存储信息的各式存储器,RAM、ROM等;利用磁能方式存储信息的各式存储器,例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等;利用光学方式存储信息的各式存储器,例如CD、DVD等。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等。
处理器可以调用存储器中的逻辑指令,以实现一种断层识别方法。在方法实施例中对该方法做了详细介绍。
Claims (8)
1.一种断层识别方法,其特征在于,包括如下步骤:
1)获取地震剖面或切片数据,将地震剖面或切片数据分割成若干数据块,在每个数据块中放置一只蚂蚁;
2)确定蚂蚁追踪的主方向:以蚂蚁初始位置为中心确定一个窗口,计算窗口中每个数据点沿x、y、z三方向的梯度,进而确定窗口的梯度方向,根据追踪类型将该窗口的梯度方向分解到需要使用的分量方向上以得到倾角角度,将得到的倾角角度作为蚂蚁追踪的主方向;
3)依据蚂蚁追踪的主方向进行断层追踪直至满足追踪终止条件;所述依据蚂蚁追踪主方向进行断层追踪包括:依据蚂蚁追踪的主方向以及设定追踪步长确定蚂蚁的转移范围,计算转移范围内各数据点的转移概率,依据转移概率选择下一追踪位置;其中,所述设定追踪步长为3~10个数据点;
4)当所有蚂蚁完成一次追踪后,更新所有数据点之间的信息素;将该次追踪结束后蚂蚁的最后位置作为下一次追踪的蚂蚁初始位置,重复步骤2)至步骤4),直至达到设定的迭代次数,根据最终得到的信息素剖面确定断层位置。
2.根据权利要求1所述的断层识别方法,其特征在于,步骤1)中,蚂蚁放置位置为:数据块中相干值最大的数据点所在位置。
3.根据权利要求1所述的断层识别方法,其特征在于,步骤3)中,所述追踪终止条件包括:在进行断层追踪过程中,连续出现异常步的步数达到设定标准值;其中,异常步指的是:该步数对应的转移范围内各个数据点的相干值均小于等于相干阈值;且采用加权最大熵阈值法对已识别出断层的震剖面或切片数据进行求解计算得到所述相干阈值;设定标准值为3~5步。
4.根据权利要求1所述的断层识别方法,其特征在于,步骤3)中,所述追踪终止条件包括:计算得到的倾角角度小于角度阈值;所述角度阈值为15°。
5.根据权利要求1所述的断层识别方法,其特征在于,步骤3)中,在进行断层追踪过程中,追踪大断层时的设定追踪步长大于追踪小断层的设定追踪步长。
7.根据权利要求1所述的断层识别方法,其特征在于,步骤2)中,采用主成分分析法计算窗口中每个数据点沿x、y、z三方向的梯度。
8.一种断层识别装置,其特征在于,包括存储器和处理器,所述处理器用于执行存储在存储器中的指令以实现如权利要求1~7任一项所述的断层识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158080.5A CN114488297A (zh) | 2020-10-26 | 2020-10-26 | 一种断层识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158080.5A CN114488297A (zh) | 2020-10-26 | 2020-10-26 | 一种断层识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114488297A true CN114488297A (zh) | 2022-05-13 |
Family
ID=81470545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011158080.5A Pending CN114488297A (zh) | 2020-10-26 | 2020-10-26 | 一种断层识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114488297A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898160A (zh) * | 2022-06-02 | 2022-08-12 | 电子科技大学 | 基于多任务的断层智能识别方法 |
CN116109934A (zh) * | 2023-04-13 | 2023-05-12 | 东华理工大学南昌校区 | 一种基于图像识别技术的地质断层识别方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107765301A (zh) * | 2017-10-13 | 2018-03-06 | 中国煤炭地质总局地球物理勘探研究院 | 煤层小断层的快速识别方法和装置 |
CN108415077A (zh) * | 2018-02-11 | 2018-08-17 | 中国石油化工股份有限公司 | 新的边缘检测低序级断层识别方法 |
US10139508B1 (en) * | 2016-03-24 | 2018-11-27 | EMC IP Holding Company LLC | Methods and apparatus for automatic identification of faults on noisy seismic data |
CN109001801A (zh) * | 2018-07-30 | 2018-12-14 | 中国石油化工股份有限公司 | 基于多次迭代蚁群算法的断层变尺度识别方法 |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN111539968A (zh) * | 2020-04-21 | 2020-08-14 | 中国石油大学(华东) | 一种基于蚂蚁追踪技术的断层精细识别方法 |
-
2020
- 2020-10-26 CN CN202011158080.5A patent/CN114488297A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10139508B1 (en) * | 2016-03-24 | 2018-11-27 | EMC IP Holding Company LLC | Methods and apparatus for automatic identification of faults on noisy seismic data |
CN107765301A (zh) * | 2017-10-13 | 2018-03-06 | 中国煤炭地质总局地球物理勘探研究院 | 煤层小断层的快速识别方法和装置 |
CN108415077A (zh) * | 2018-02-11 | 2018-08-17 | 中国石油化工股份有限公司 | 新的边缘检测低序级断层识别方法 |
CN109001801A (zh) * | 2018-07-30 | 2018-12-14 | 中国石油化工股份有限公司 | 基于多次迭代蚁群算法的断层变尺度识别方法 |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN111539968A (zh) * | 2020-04-21 | 2020-08-14 | 中国石油大学(华东) | 一种基于蚂蚁追踪技术的断层精细识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898160A (zh) * | 2022-06-02 | 2022-08-12 | 电子科技大学 | 基于多任务的断层智能识别方法 |
CN114898160B (zh) * | 2022-06-02 | 2023-04-18 | 电子科技大学 | 基于多任务的断层智能识别方法 |
CN116109934A (zh) * | 2023-04-13 | 2023-05-12 | 东华理工大学南昌校区 | 一种基于图像识别技术的地质断层识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103592681B (zh) | 一种基于信号分类的地震图像层位追踪方法 | |
CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
RU2012152447A (ru) | Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных | |
CN114488297A (zh) | 一种断层识别方法及装置 | |
KR102155101B1 (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN115308799B (zh) | 一种地震成像游离气构造识别方法及*** | |
WO2013070383A1 (en) | Method of generating and combining multiple horizons to determine a seismic horizon and its uncertainty | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN110609327A (zh) | 基于叠前地震属性的碳酸盐岩储集相预测方法及装置 | |
CN117786794A (zh) | 一种盾构下穿既有隧道变形优化控制方法及*** | |
CN115292971B (zh) | 基于贝叶斯的裂缝属性分析方法、装置及存储介质 | |
Zeng et al. | Local coupled Markov chain model for simulating varied stratigraphy | |
CN114236624B (zh) | 基于电磁法估算压裂改造空间体积的方法和*** | |
CN116188266A (zh) | 一种基于模糊理论与集成学习对地质勘查的空间插值方法 | |
CN112034515B (zh) | 一种基于无监督神经网络的火山通道识别方法 | |
EP4222508A1 (en) | Method of determining boring points using geostatistical interpolation method | |
CN114036829A (zh) | 地质剖面图生成方法、***、设备及存储介质 | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
RU2530324C2 (ru) | Способ определения положения координат глубин маркера при построении геологической модели месторождения | |
CN112612935A (zh) | 一种基于自推理模型的完整测井数据获取方法 | |
CN111177886B (zh) | 基于物探数据分析的海上测距规划及土厚预测的方法 | |
CN112083144B (zh) | 断层启闭性预测方法、装置、计算机设备和存储介质 | |
CN112505752B (zh) | 基于剪切破裂共轭准则的叠后裂缝储层表征方法 | |
CN113033908B (zh) | 一种用于海底资源探测站位优化方法 | |
Wu et al. | Research Article Real-Time Intelligent Recognition Method for Horizontal Well Marker Bed |
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 |