利用人工蜂群算法进行地震属性聚类分析

将具有全局搜索能力的人工蜂群算法引入到地震属性聚类中,在人工蜂群算法中蜜蜂被分为引领蜂、跟随蜂和侦察蜂三种,引领蜂寻找蜜源,跟随蜂根据引领蜂带回的蜜源信息搜索新蜜源,若某个蜜源被引领蜂或跟随蜂丢弃,则侦察蜂随机搜索新蜜源代替被丢弃的蜜源。其中每个蜜源代表优化问题的一个可能解,蜜源的花蜜量对应于解的质量,用适应值表示。最优解的搜索过程包括初始化和蜜源更新两个过程,通过蜂群分工协作,搜索最佳聚类中心,解决常规K均值聚类算法存在的多解性问题。利用国际上通用UCI机器学习数据库中的Iris和Wine数据集对常规K均值算法和人工蜂群算法进行了测试,结果表明:基于人工蜂群算法的聚类方法的分类正确率明显高于K均值方法。实际地震数据的聚类结果表明:基于人工蜂群算法的地震属性聚类能精细刻画塔北奥陶系碳酸盐岩岩溶储层的相带特征,并且能较好地描述呈片状弱反射特征的储层分布。     

基于深度嵌入网络的地震相聚类技术

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。     

基于地震纹理属性和模糊聚类划分地震相

基于地震纹理属性和模糊聚类划分地震相技术是一种属性综合聚类方法,因此选取何种参数(即输入属性体的类型、聚类或分类方法、地震相的地质意义解释等因素)描述地震相的地震反射特征是决定该类方法特点和应用效果的主要因素。本文联合应用模糊C均值聚类与地震纹理属性实现地震相的自动划分,针对三维地震数据体,该法为每个数据点在其三维邻域空间内从不同方向提取多种代表该点的地震纹理属性的特征参数,然后利用模糊C均值聚类方法对获取的特征参数集进行自动划分,从而确定每个数据点所属的相带。实际应用结果表明,该法的地震划相效果理想,与钻井结果基本吻合。     

地震倒谱特征参数谱聚类地震相分析方法

常用的地震相分析方法有随机模拟、神经网络、聚类算法和深度学习等。随机模拟结果易受随机模型影响,而且在地质结构复杂地区难以准确划分地震相。神经网络和深度学习具有较强的容错性和泛化能力,但需要海量训练样本数据,同时训练网络的计算量巨大。K均值聚类、C模糊聚类等经典聚类算法在简单数据集上均获得了理想的聚类结果,但对于非凸数据集并不能实现全局最优。为此,提出一种基于地震数据倒谱特征参数的谱聚类地震相分析方法。该方法以地震倒谱特征参数为谱聚类的输入变量,然后通过井标定,建立地震相与地质体间的对应关系。以图论为基础的谱聚类方法将数据的聚类转化为图的分割问题,通过图的最优分割实现数据的精确聚类。通过优化相似度矩阵计算方法,构建稀疏相似度矩阵,可以解决矩阵维度过大引起的存储和计算量大的问题,使谱聚类更适用于划分三维空间地震相。地震倒谱特征参数一方面能减少数据的维数,降低计算复杂度;另一方面能消除波形的影响,提高划分精度。模型试验和实际数据应用表明,与地震瞬时振幅、多地震属性地震相划分结果相比,所提方法划分的地震相带与古地貌吻合更好,边界更清晰,可解释性也更好,可为油气勘探和油藏评价提供数据支撑。     

模糊C均值地震属性聚类分析

 地震多属性聚类分析是进行储层预测的有效工具。本文提出了基于模糊C均值的地震属性聚类方法，该方法可以将多种地震属性进行分析从而生成有效的特征图，它可以寻找各个类的最优聚类中心，并给出样本点属于每一类的隶属度。此算法是一个简单迭代过程，且算法的关键取决于两个参数：其一是聚类数要远小于聚类样本的总个数；其二是加权参数要适中，过大或过小均不利于聚类效果的改善。模型试验和实际资料的应用表明了该方法原理简单且算法鲁棒性好，具有很好的实际应用价值。     

地震DNA:一种利用非局部搜索和多属性数据集提取地震特征的新方法

斯伦贝谢公司的Bakke等提出了一种从地震数据中提取特征的新方法——非局部、多属性搜索法(non-local and multi-attribute search method)。将地震反射数据及其属性转换为字符串,采用基于文本的搜索技术了解地震数据体内复杂特征。该方法可允许特征模式具有不同的垂向尺度、不同的属性值和在特征信号内不同数量的子特征。实例验证了该方法的有效性。     

地震数据高维统计滤波方法

地震数据的信噪比是地震波反演成像算法收敛性和结果精度的重要制约因素。基于线性信号模型的最佳预测滤波方法和基于随机信号概率分布特征的统计滤波方法是两种典型的滤波方法。重点讨论了地震数据统计滤波方法,基于实测数据的统计特征(或概率分布),在局部信号缓变的假设下,设计了各种高斯加权滤波器和中值类滤波器。高维空间中的地震信号具有显著的结构特征,为满足信号缓变的假设,需要发展沿着信号结构方向的高维统计滤波器。分析了邻域滤波器、双边滤波器、非局部均值滤波器三类各向异性高斯(加权)滤波器的设计思想。在非局部均值滤波算法的基础上设计了自适应搜索窗的非局部均值滤波方法,该方法采用局部数据窗的相关算法检测出滤波点附近的信号结构特征,依据地震数据变化自适应地改变非局部均值滤波器中的搜索窗。理论模型的数据测试表明,相比于固定搜索窗的非局部均值滤波算法,自适应搜索窗的非局部均值滤波方法能够在压制随机噪声的同时更好地保护有效地震信号。     

一种混合算法在试井参数优化中的应用

基于L-M和差分进化的混合算法是利用差分进化算法在一定进化代数后出现的种群聚类特性,将种群识别为不同的聚类区域,以每个聚类的中心为起始点,再利用基于梯度具有局部搜索能力强的L-M算法可以快速找到该聚类区域的最小极值.混合算法兼顾了差分进化全局搜索能力强和L-M局部搜索能力强收敛速度快的优点.将该混合算法应用于试井参数优化中,通过两种不同油藏模型的实例应用,结果表明,该混合算法比单一的算法优化速度更快,收敛精度更高.该混合算法实用性广,能有效的解决存在多局部极值的试井参数优化复杂问题.     

基于多道局部复值相关的地震信号边缘检测

地震信号边缘检测是利用地震相干属性识别地震地层特征与边界的有效手段,目前主要利用相关类算法来实现这一目的。与传统的基于实地震信号相关的地震信号边缘检测方法不同,局部复值相关算法首先将实地震道转换成规范化复地震道,然后对相邻两规范化复地震道进行滑动时窗的零延迟复值相关运算,计算简洁,无需传统相干类算法的相似性扫描、倾角扫描或迭代求解等复杂运算,能同时提供用于相干分析的相关系数属性和与地层视倾角有关的相移属性,可以更有效地识别地震信息边缘特征,并且可对相关系数和相移属性进行对比解释,增加了边缘检测的准确性和可信度。此外,针对单道局部复值相关存在的相关系数属性边缘异常不突出和抗噪性较弱的问题,本文提出了改进的多道方法,提高了地震信息边缘异常检测和抗噪声的能力,并将改进的多道算法推广到三维数据,表明该方法是有效的。     

一维有序样本的一种聚类方法及其在地震勘探中的应用

利用地震数据识别地层结构的问题可归结为一个分布参数的识别问题。在本文中,我们又将这个问题进一步归结为一个聚类问题。对于一维有序样本,我们基于一个秩统计量给出一种新的聚类算法,与常用的“距离法”比较,本方法算法简单,占用内存少,能较好地估计聚类个数。     

应用结构聚类字典学习压制地震数据随机噪声

针对地震数据中不同空间位置的波形变化差异较大,全局字典学习稀疏表示方法不足以最优稀疏表示复杂局部特征的问题,提出基于结构聚类字典学习稀疏表示的随机噪声压制算法。首先利用地震数据分块结构的自相似性与全局字典稀疏表示系数分布存在的规律性与冗余性,应用K-means思想对地震数据进行分块结构聚类,对每一类数据块集合采用奇异值分解(SVD)得到超完备字典,依据各个聚类中心重新编码该类地震数据块,得到原始地震数据更稀疏的表示和描述;然后建立正则化模型更新质心和地震数据估计值;最后利用双变量迭代阈值算法求解模型中双L_1范数的优化问题,得到去噪后的地震数据。对比实验表明,应用本文方法去噪后的地震数据具有较高的信噪比及较强的局部纹理保持能力,证明了算法压制随机噪声的有效性。     

滩坝砂储集体测井产能等级划分与地震属性横向预测

滩坝砂储层因其储层物性差、单层厚度薄等特点而导致产能预测较为困难,提出了一种新的基于数据和模型双驱动的井震结合产能等级划分方法。通过机器学习中的降维算法结合聚类算法,并利用聚类算法中的肘部法确定最佳聚类数,进行储层测井产能等级自动划分。首次在平面径向流公式的基础上建立了测井产能等级指示模型,为地震属性横向预测提供井点刻度。以胜利油田W工区为例,利用最小二乘法推导出了测井产能等级指数公式,计算了10口井目的层单井产能等级指数。对提取的多种地震属性在井点处的属性值与测井产能等级分类结果进行Pearson相关性分析,优选了3种与产能等级指数显著相关且两两之间相互独立的地震属性。利用支持向量回归算法,建立了地震属性融合的储层产能等级指数平面图,经3口验证井检验,产能等级指数平面图与实际产能吻合程度较好。研究结果表明,基于测井产能等级划分的地震属性横向预测方法可以有效预测靶区储层产能等级。     

基于叠前地震纹理特征的半监督地震相分析

为了充分挖掘叠前地震数据中反映地震相类别的细微信息,充分利用钻井、地质等先验知识,提出基于叠前地震纹理属性的半监督地震相分析算法。该算法首先引入叠前地震纹理属性,以突出地震反射信息中的微小空间、振幅随方位角/炮检距等的变异性;然后采用自组织映射,对训练样本对进行训练;最后在钻井先验知识的约束下,对自组织映射输出层的神经元进行半监督聚类,得到神经元与地震相类别的映射关系。理论模型和实际资料应用结果证实该方法可提高地震相图的准确度及地震微相的识别能力,是一种性能优越的地震相分析工具。     

地震属性技术在页岩裂缝预测中的应用

从地震数据中提取的地震属性可用来描述储层特征和探测地下异常体。在YC凹陷NY次凹,通过分析过井地震剖面地震响应特征及正演模拟对比验证,确定不同层系对裂缝敏感的属性,达到属性优选的目的,从而有针对性地选择相应属性进行裂缝预测。利用该方法,对古近系阜宁组二段(E1f2)的两个亚段3+4亚段(E1f32+4)和5亚段(E1f52)分别选择了均方根振幅属性和波形聚类属性、相干属性进行裂缝预测,取得了很好的效果。     

基于SOM和HSV染色技术的致密砂岩储层地震相分析

地震相分析是致密砂岩储层预测的一项重要技术,可以描述地层相带的变化。针对自组织神经网络(Self-Organizing Map,SOM)在地震相解释过程中可视化差、解释精度低等问题,研发了一种基于SOM和HSV(Hue Saturation Value)染色技术的地震相分析技术。该方法使用收缩拓扑坐标算法对网格节点进行计算,借助HSV模型根据网格节点的位置进行染色,使得相近的位置具有相同的颜色,清晰地展示出高维输入空间的分布情况。为了验证方法的可行性,以苏里格气田东部召30区块为研究对象,通过地震属性与气层厚度叠合图以及AVO正演模拟,选取了对储层比较敏感的均方根振幅、平均瞬时频率、AVO截距和梯度等4种地震属性,运用自组织神经网络和HSV染色技术开展致密砂岩的地震相分析,并通过K均值对网格节点聚类,得到盒8段沉积相展布特征,能清晰地刻画南北向条带状河道分布,分析结果与先验地质认识较为吻合。该方法为沉积相展布特征的分析提供了一种更好的可视化方法,具有一定的应用价值。     

用基于相似的相干算法计算三维地震属性

地震相关性是用来计算由构造、地层、岩性、孔隙的变化及油气层等因素引起的地震响应横向变化的一种方法。它不象晕渲地形图,必须通过层位拾取才能得到断层和河道的3D可视化。地震相关性是用原始的地震资料进行计算,因而不存在由解释者或层位自动拾取程序产生的偏差。 我们介绍一种稳健、多道、基于相似的相干算法。它可以分析那些质量比用三道互相关算法处理的资料更差的地震资料。这种基于相似的第二代相干算法的垂向分辨率优于原始的零平均互相干算法,从而减少上覆和下覆地层特征的混合。我们一般用尽量小的时窗分析地层特征,时窗大小受输入的地震资料中有意义的最高频率的严重影响。在这种限制下,你可以用我们新的基于相似的相干算法,来处理用传统的方法沿着地震层位的波峰或波谷拾取的“一个采样点厚度”的地震数据体,该数据体的振幅远远高于周围的地震噪声。相反,较长的分析时窗,对于分析近垂直的构造特征,如断层,能得到较好的效果。这个时窗长度应与地震资料的最低频率有关。 该算法除了计算整个数据体的倾角/方位角以外,还能计算传统的复数道属性(包括振幅包络、相位、频率和带宽)。这些属性是用相关分析窗口中地震资料沿着反射层倾角倾斜叠加的结果提取的。这些更稳健的复数道属性可以与相干性     

基于地震波衰减的特征属性重构方法

以储层流体识别为目的,提出了基于地震波衰减的特征属性重构方法。首先从地震波衰减理论出发,通过改变地层品质因子表达式,推导了地震特征属性函数,利用振幅类、频率类及衰减属性重构新的地震属性;然后设计粘弹性介质模型进行试算,结果表明,利用特征属性函数重构的地震属性能较好地突出储层含流体变化特征,从而验证了基于地震波衰减的特征属性重构方法识别储层含油气性的有效性。将该方法应用于老河口油田北部老168井区河道砂岩储层油气识别,基于叠后地震资料精细刻画了储层流体的展布特征,取得了较好的应用效果。     

地震DNA算法的改进及其在地震层位拾取中的应用

地震DNA算法是一种新的层位自动提取算法,因其匹配出符合条件的地震特征较多,所以拾取到的地震层位连续性较差,且层位划分不够明显,很难区分所找到的地震波是否属于同一个地震层位。为此,尝试将聚类方法引入到地震DNA算法中,对地震DNA算法所找到的地震波进行分类,然后使用欧氏距离连接聚类好的点,并使用C3相干算法找出并屏蔽掉断层区域,使其具有更好的连续性和准确性。应用改进后的地震DNA算法对胜利油田某二维叠后地震数据进行测试,结果表明,该方法的追踪结果比改进前的结果连续性更好、准确性更高,验证了该方法的可行性和有效性。     

地震剖面数据恢复中的波形搜索策略

地震剖面数据恢复 (或称图像矢量化 )的目的是利用图形识别等方法从旧地震剖面的扫描图像中拾取并复原地震道数据。波形搜索过程中 ,针对波形断点及地震道交叉等问题的处理策略进行了一些探讨 ,通过一种基于规则的控制模式 ,利用地震波形本身所具有的一些结构特点以及相邻地震道之间的纹理属性特征 ,引导波形搜索过程 ,使波形的拾取效果有了较大幅度的提高。     

地震DNA地层超剥点线识别技术及应用

地层油藏超剥点线的地球物理精细描述有利于提高含油气储层识别的可靠性和钻井成功率,但在地震描述中根据地震反射特征追踪的超剥点线与实际地层油藏的超剥点线往往存在较大的误差。介绍了地震DNA地层超剥点线识别技术的方法原理与实现步骤,通过将地震反射数据和蚂蚁体属性数据转换成相应的字符数据,采用地震DNA搜索方法将对应字符所表示的地震数据体中的超剥点识别出来。在此基础上,应用聚类算法将超剥点进行合理连线得到地层超剥线。模型合成地震记录的超剥点识别结果表明,地震DNA地层超剥点识别技术能够有效识别出超剥点,与传统瞬时相位识别的超剥点相比,该方法的识别精度更高。东营凹陷草桥地区的实际应用表明,该技术可以更加有效地描述超剥点线,实现了该区低序级不整合超剥边界的精细刻画,比基于瞬时相位属性描述的超剥线的识别精度明显提高。