基于稀疏强特征提取的三维地震数据完备方法

随着复杂储层地震资料特征筛选的机器学习技术的进步,如何有效地对参与地震属性优选和储层反演的地震样本进行采集和分析,成为目前智能地震预测领域的一个研究热点。目前的方法多着重于模型分类算法的改进,在标签的制作和采集方面不仅耗费大量时间进行人工标注,还存在标签不平衡情况下类内可靠性、类间平衡性不强等问题。为此,提出基于稀疏强特征提取的三维地震数据完备方法。首先,基于多数决原则的样本分割(Sample Segmentation Based on Majority Rule, SSMR)寻迹多尺度、多标签三维地震样本,进行采集、自动标注;然后,改进标签洗牌平衡方法(Improved Label Shuffling Balance Method, ILSB),通过“2+1”的样本增广平衡策略进行数据完备处理,改善样本采样不平衡性导致的模型训练偏向性;最后,利用基于最小L₁范数稀疏表示对奇异值分解结果进行强特征提取(Minimum L₁-norm Based Sparse Representation for Feature Extraction, L     

不平衡样本集随机森林岩性预测方法

使用基于有监督机器学习分类器的岩性预测方法时，如果样本集中目标岩性样本过少，而非目标岩性样本过多，在这种不平衡样本集上训练分类器会使预测结果向非目标岩性偏倚，导致目标岩性的预测准确率较低。为了解决这一问题，提出一种针对不平衡样本集的随机森林岩性预测方法。首先，以录井岩性数据作为岩性样本标签，以井旁道地震属性和岩石弹性参数作为岩性样本特征构建岩性样本集；其次，将近邻清除算法（NM）与合成少数类过采样算法（SMOTE）相结合形成NM-SMOTE算法，对岩性样本集进行平衡化；然后，用平衡化的岩性样本集训练随机森林分类器，建立多种地震属性、弹性参数与岩性之间的非线性关系；最后，将目标探区的地震属性和弹性参数输入随机森林分类器，随机森林分类器将依据训练时得到的地震属性、弹性参数与岩性的非线性关系预测岩性。实际数据测试结果表明：训练样本集中过多的非目标岩性样本会对随机森林分类器的预测效果带来负面影响，岩性预测准确率仅为38%；使用NM-SMOTE算法对训练样本集进行平衡化后，岩性预测准确率提高至83%，获得的岩性数据体与地震资料吻合程度更高。     

数据增广和主动学习在波阻抗反演中的应用

在实际应用中,深度卷积网络以大量数据驱动模型进行网络训练,以获得地震数据与阻抗之间的映射关系,但需大量合成数据对网络训练后,再应用少量实际数据对网络进行迁移学习。为此,提出了一种基于数据增广和主动学习的地震波阻抗反演方法。数据增广首先通过同频率重采样对单道原波阻抗数据进行增广,再求取增广后的反射系数和随机核,最后计算增广后的地震数据。将增广后的地震和波阻抗数据作为训练集,结合主动学习思想选择最大误差样本对网络进行迭代训练。该方法不仅可以避免地震子波估计,而且能用少量的标签数据训练出预测精度更高的网络。Marmousi 2模型测试结果表明,该方法仅需十分之一标签数据和迭代次数就能达到与随机迭代训练方法相近的预测精度,且预测误差在剖面上分布更均匀。     

用神经网络与构造属性进行交互地震相分析

在地震资料解释工作中，一般的地震相分析工作效率较低，有时难度较大。通过计算灰度共生矩阵GLCM，从数学上描述小范围数据区内像素值的分布，量化地震反射的空间组织结构。将构造属性与神经网络分类技术相结合，通过训练网络和质量控制，利用波形相似性和地震属性进行地震相分析，可用于对三维地震资料进行地震相的划分，得到三维地震相分类数据体。这种方法减少了许多耗时的工作，使解释人员能够集中精力研究地震相，并将其综合成地质成果图。     

基于循环一致性对抗网络的地震断层训练样本合成方法研究

为了获得真实的地震断层训练样本,提出了基于循环一致性对抗网络的断层训练样本合成方法。使用随机生成的断层标签与实际断层数据作为输入,利用无监督的对抗网络学习断层标签与断层数据之间的联系,生成与断层标签特征相匹配的地震断层样本,由此得到带有标签的断层训练样本集。该方法是一种获取断层训练样本集的方法,一定程度上解决了深度学习地震断层解释缺少训练数据集的问题。对合成断层样本与真实断层进行平均主频与纹理差异的定量分析,结果表明两者具有较高的相似性。使用合成的断层样本训练神经网络,并将结果应用于实际数据测试并进行对比,结果表明合成的断层训练样本具有真实可靠的特点,所提方法可以针对不同工区生成具有目标导向性的断层,能够灵活有效地应用于不同工区的地震断层智能识别。     

钻井岩石力学参数三维建模方法及其现场应用

在地层空间中建立岩石力学参数三维数据模型可指导钻井设计与施工,但常规建模方法的精度和分辨率有限。考虑到层速度是求取钻井岩石力学参数的基础数据,理论分析发现地层波速与地震属性之间存在着较复杂的映射关系,而神经网络学习算法具备识别这种定量关系的能力,基于识别结果可预测三维地震层速度,据此提出了钻井岩石力学参数三维建模新方法。在提取得到目标工区内完钻井的声波测井和井旁地震属性的基础上,将各套地层中的声波速度和对应的地震属性作为学习样本对,使用小波神经网络分层识别波速和地震属性之间的非线性函数关系,再将这种关系延拓至工区三维空间上,利用地震信息依次建立地震层速度和各类钻井岩石力学参数三维模型,并将其用于指导钻井工程。本方法在鄂尔多斯南部YS地区进行了应用,地层三压力和岩石可钻性三维建模成果具有较高的精确度和分辨率,依据模型进行的钻井工艺技术优化取得了良好的提高钻速、减少复杂的效果。     

强容噪性随机森林算法在地震储层预测中的应用

地震数据和测井数据中的噪声与有效信号难以有效界定,决定了地震储层预测需采用强容噪性算法。通过训练样本中加入随机噪声证实随机森林算法具有较好容噪性,但不能据此推知它在地震储层预测中仍有很强容噪性。基于F3工区实际数据,从噪声较强的原始地震数据中提取含噪样本,由经过倾角中值滤波处理的地震数据提取去噪样本,建立多种地震属性与孔隙度参数之间的随机森林回归模型;由构建的含噪模型和去噪模型分别与原始地震数据去噪前后两个数据体进行运算,得到4种不同情况下的孔隙度数据体。结果表明：由含噪模型得到的两个预测结果受噪声干扰较大;去噪模型的两个预测结果受噪声影响较小,能有效刻画储层特征,表现出强容噪性。随机森林模型对异于样本数据的异常值具有强的容忍度。可知随机森林算法应用于地震储层预测的关键是样本数据不含噪声,而估算过程中地震数据体是否做了去噪处理对预测结果影响较小。     

概率神经网络的平滑参数分析及在地震属性分析中的应用

概率神经网络(PNN)因训练方法简单且具有较好的分类能力而广泛应用于储层参数预测、裂缝识别及地震属性模式识别。在勘探初期,往往会遇到小样本量的情况,为获得好的模式识别效果,有必要对平滑参数和训练样本的选取方法进行研究。在分析了平滑参数对网络分类符合率的影响后,利用取值试验得到样本归一化情况下平滑参数的最优取值区间。在此基础上进行训练样本选取的随机性、均匀性及数量试验,发现均匀选取各类训练样本时,小样本量能使网络获得较高的分类符合率,而大样本量则能得到更高的分类符合率。X工区的实际应用结果表明,概率神经网络在少井情况下具备一定的应用潜力,可作为勘探初期利用地震属性进行模式识别的一种选择。     

支持向量机在大庆齐家凹陷测井解释中的应用

在大庆齐家-古龙凹陷葡西地区的含油层系中，薄差油层，低阻油层、高阻水层并存，储层的岩性、孔隙结构复杂多变，开发井的解释符合率较低，远不能满足油田高效开发的要求。为了提高测井解释精度，之前已经采用许多学习算法（如Bayes方法）对该地区的油水层进行划分，但都未能达到理想的效果。为此，以大庆齐家凹陷某口井的测井资料为例，探讨了支持向量机方法在油气识别中的应用。支持向量机方法基于统计学习理论，具有全局优化，泛化能力强等优点，适合对不同模式进行分类，在建立分类模型时仅依赖原始测井数据，无需安全信赖地区经验公式或经验数据，因此减小了由经验带来的误差。利用一口井的测井资料，提取了51层样本作为测试参数，分为两组：一组取27层为训练样本，24层为测试样本；另一组取20导辅导训练样本，31层为测试样本。分别采用支持向量机方法和Bayes方法进行了油气预测，在两种训练样本条件下，支持向量机方法的预测精度分别达到100%和93.5484%，而Bayes方法的预测精度分别为77.7778%t 77.4193%,这表明利用支持向量机方法对未知油气层的属性进行正确识别是可行的。     

地震道波形分类方法在储层预测中的应用——以二连盆地白音查干凹陷为例

目前 ,用地震属性进行储层预测的方法大体可分为单一参数线性预测法和多参数综合分析法两大类。近年来 ,多参数的人工神经网络储层预测技术应用较多 ,但是需要选择合适的样本 ,并准确提取对砂体厚度反映灵敏的地震属性参数[1] 。在地质条件复杂的地区 ,由于储层厚度和岩性在横向上的变化会引起其地震反射特征发生较大变化 ,因而训练样本非常复杂 ,网络训练也难以收敛。地震道波形实际上是地震振幅、频率、相位的集中体现 ,能够真实地反映地下的地质特征。因此 ,用自组织人工神经网络技术对地震道波形进行分类而形成的离散地震相 ,能迅速预测…     

利用反射地震资料和多尺度训练集的深度学习速度建模

随着地震勘探数据量的逐渐增大,常规地震速度建模方法在稳定性、精度和计算效率等方面均面临挑战。为此,提出一种利用反射地震资料和多尺度训练集的深度学习速度建模的方法,即将反射波形数据和速度谱联合作为全卷积神经网络的输入,并在网络中引入Dropout层提高泛化能力,结合多尺度训练集,实现从地震数据到速度模型的映射。为了测试该方法在不同地质构造条件下的效果和适用性,分别应用层状模型、孤立异常体模型和BP盐丘模型进行数值实验。实验结果表明,联合使用地震反射波形和速度谱作为深度学习特征数据集时,速度建模准确性优于仅采用地震反射波形或速度谱作为特征数据集的结果,并克服了单独使用反射波形导致建模不稳定和单独使用速度谱建模精度不足的缺陷;使用多尺度速度模型构建训练集的速度建模结果在异常体边界的准确性优于采用单尺度模型训练集;深度神经网络只需经过一次训练,就可以快速地对与训练集中速度结构相似的地下构造进行速度建模,比常规方法具有更高的计算效率。在构建大量速度模型时,该方法具有很好的推广价值。     

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。     

压缩感知框架下基于K-奇异值分解字典学习的地震数据重建

针对地震勘探中由于采集成本及采集环境等诸多因素导致地震数据不完整或者不规则问题,本文提出了一种压缩感知框架下基于K-奇异值分解（K-SVD）字典学习的地震数据重建算法。基本思路是首先对大量地震样本数据进行K-SVD字典训练得到超完备字典,然后引入缺失地震数据的采样矩阵作为测量矩阵。在重建阶段则采用正则化正交匹配追踪（ROMP）实现缺失地震数据的恢复。与传统的基于Curvelet变换或基于傅里叶变换等地震数据重建算法采用单一基函数不同,本文引入的超完备字典能够自适应地根据训练样本数据进行特征提取,并能根据待处理数据的本身特点自适应选取变换基函数。超完备字典为地震数据自适应稀疏扩展提供了更大灵活性,有利于更好地重建数据。合成地震数据以及实际海洋数据重建实验验证了本文算法的可行性及有效性。     

层控网格层析速度建模技术在陆上盐丘区的应用

陆上盐丘区盐下速度与围岩地层差异较大,且厚度横向存在较大变化,造成地震波场复杂。针对陆上复杂盐丘的地质特征和盐下速度建模的难点,提出了“层控网格层析速度建模技术”,层位约束较好解决了盐下速度异常问题,网格层析改善了速度准度,构造导向滤波提高了层析反演的精度。采用逆时偏移深度域成像技术,优选关键参数,实现了高角度反射界面、陡角度盐丘侧翼界面的反射波精确成像。上述方法解决了盐丘速度建模精度问题、盐丘侧翼的成像问题。消除了盐丘体对下伏地层的上拉效应,实现了复杂盐下地层的准确成像。     

基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。     

如何消除巨厚盐岩对下伏地层构造解释的影响

也门69区块隶属于马里卜-夏布瓦盆地,盆地内侏罗系萨巴特恩组以盐岩发育为特征,盐岩沉积广泛,厚度巨大.由于盐岩和下伏地层速度的差异较大,又由于高速盐丘的分布及其厚度变化差异性较大,造成盐丘厚度越大,巨厚盐岩下伏地层的构造上拉幅度一般也越大,致使构造面积和幅度变大,或者出现假构造;同时,盐丘翼部或盐丘之间则出现地层下拉现...     

利用梯度结构张量检测盐丘与断层

在盐岩剧烈活动地区,在盐的挤压下地层发生严重变形,形成复杂的构造特征,导致断层识别困难,常规的相干和曲率算法很难取得理想的效果。为此,提出了梯度结构张量（GST）不连续性检测技术。首先利用地震数据构造梯度结构张量,然后对梯度结构张量做特征分解,求取其特征值和特征向量,最后利用三个特征值的组合构建出一种混沌度量,可屏蔽弯曲地层的影响,从而有效识别复杂构造中的断层及盐丘发育范围。实际应用表明,在盐岩剧烈活动地区的断层识别中,与基于特征结构的相干估计算法、曲率等算法相比,GST方法能够更好地克服由陡倾地层引起的不连续性假象,可清晰地反映真实的断层信息和盐丘发育范围,为盐丘的三维雕刻提供了可靠的基础数据。