基于半监督的叠前地震波形分类方法研究

发布时间：2020-09-24 19:29

　　地震波形分类技术是地震油气储层预测的重要方法,该技术是利用沉积相发生改变时,其地震反射波特征也会相应变化。现有的地震波形分类方法大都是基于叠后地震波形,叠后地震波形就是叠前波形横向求和,导致很多信息丢失。所以本文主要研究模式识别技术在叠前地震波形分类上的应用。叠前地震波形数据量庞大,不能直接使用现有方法,否则会带来维度灾难。在实际勘探中,往往会有少量的测井信息,利用这些信息作为标签对地震数据进行半监督降维,去除冗余信息。但测井标签信息太少,不足以训练有监督分类器。针对上述问题本文从叠前地震波形半监督降维、邻域信息、相似性度量、半监督学习等方面展开研究,具体工作如下:1.提出基于半监督降维的叠前地震波形分类方法1)针对叠前地震信号维度高的特点,引入半监督降维算法,利用已知的测井数据在降维的同时能够进行特征提取,扩大同类的相似性,增加不同类别的差异性,这意味着降维后的输出信号能够好的表达原始信号。该算法能有效地降低数据维度,使得后续分类能更好地计算。并且利用标签信息训练一个相似性度量矩阵,这个度量方式更加符合已有测井数据,使得后续分类正确率更高。2)考虑到地层的连续性,相邻反射波形具有较强的相关性,并且实际地震数据往往会有噪声,本文提出了一种基于邻域信息的K-means算法。通过多窗口的方式选取最优邻域,将这些邻域信息加入到聚类的过程中,该算法更加符合地震数据的结构特征,可以很好地降低地震数据中噪声对分类的影响并且使得分类结果成块性更好。2.提出基于集成学习的SFCM-S叠前地震波形分类方法1)针对实际地质结构往往很复杂,难以用一个明确的分类结果描述,并且考虑到了地层的连续性,本文引入空间约束的FCM算法。同时加入测井信息形成半监督的FCM-S算法优化聚类过程,SFCM-S算法能够很好地利用空间约束和测井标签信息约束,更丰富地展示地震相信息;2)针对降维后特征选取问题,本文提出了一种新的集成学习算法E-SFCM-S。SFCM-S算法作为子学习器,通过选择降维后不同的特征集作为子学习器的输入,进一步提高分类结果的精确度。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：P631.4
【部分图文】：

地震勘探,地震数据,原理

如图 1-1(a)所示为地震信号采集原理，所采集到的地震波形数据如图1-1(b)所示。通过图 1-1(b)中红线所示的层位信息，可以对不同地质层做对应的分析处理。为了很好地解释目的层位的地质环境，通常使用地震相分析技术对目的层段的地震波形数据进行分类。最初的地震相分析就是通过专家观测，称为“相面法”，受人为主观影响较大。随着地震采集技术的发展，地震信息更加丰富和模式识别方法的兴起，通过利用模式识别方法对地震波形数据处理成为近些年发展的重点[2]。除了直接对地震波形数据分类，还可以通过提取波形中的一些属性：瞬时相位、瞬时频率、声波阻抗等等[3-4]做分类，对于叠前地震波形还可以提取AVO 属性，结合多属性分类也可以反映地下信息[5]。(a) (b)图 1-1 地震勘探原理及地震数据(a)地震勘探原理；(b)地震波形数据叠前地震波形是不同方位地表角检波器接收到的同一位置的反射波形，表明同一个位置的地层点有多个角度的反射波来表达其特征。为了增加地震信号的信

流程图,地震波形,流程

图 1-2 地震波形分类流程监督学习无监督学习对地震波形分类是最常用的方法，因为钻井的花费很完整的地质信息，这里简单介绍地震波形分类处理领域常用的几类方法，具体如下：特征映射方法成分分析(Principle Component Analysis, PCA)是一种线性映射最大化映射后特征的散度得到一系列变换向量，是最常用的地震K.Tingdahl 等人利用 PCA 算法分析倾角、方位角、相干性等属的方向[11]。Y.Singh 等人结合 AVO 属性和 PCA 研究岩相[12]，研二主成分能更好地识别不同的岩相。A.Khanal 等人用 PCA 的数富液页岩气凝析油气藏预测[13]。成拓扑映射(Generative Topographic Mapping, GTM)是一种非线

地震波形,二维网络,自组织映射

经网络(Self-organizing Map, SOM)[20]，是一种基于可视化技术。SOM 是目前最流行的地震波形分类方析中[21-24]。其神经网络结构如图 1-3 所示，只有两数目与输入样本的维度一致，而输出层神经元以互节点之间无连接，输入层和输出层的节点之间通过层输入进行训练，输入层通过竞争选择激活神经元标选取的临近神经元的权重都会得到更新，这样输的这种更新方法使得输出层互相靠近的神经元比质心可以更好地拟合多维地震数据到二维曲面。点是可以将原始数据空间流形上的簇映射到二维也有几个局限性，首先，更新权重时选择邻域函数致聚类结果差异较大。其次，缺乏定量的误差测量到可接受的状态，使得最终结果缺乏信心。第三，可能聚类，但缺少对于地震相分类置信度的定量标其他类别。

【相似文献】