[發(fā)明專利]基于RBM地震疊前信號(hào)聚類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710728113.7
• 申請(qǐng)日: 2017-08-23
• 公開（公告）號(hào): CN107688201B
• 公開（公告）日: 2019-12-31
• 發(fā)明（設(shè)計(jì)）人: 錢峰;尹淼;張樂;胡光岷
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G01V1/36
• 分類號(hào): G01V1/36
• 代理公司: 51227 成都宏順專利代理事務(wù)所(普通合伙)
• 代理人: 周永宏

本發(fā)明公開了一種基于RBM地震疊前信號(hào)聚類方法，本發(fā)明的聚類方法針對(duì)地震疊前信號(hào)維度高的特點(diǎn)，引入基于深度受限玻爾茲曼機(jī)網(wǎng)絡(luò)的降維方法，深度受限玻爾茲曼機(jī)具有較好的抽象特征提取能力，降維后的輸出能夠好的表達(dá)原始信號(hào)；針對(duì)地震信號(hào)往往噪聲多且難以較好去除的特點(diǎn)，引入模糊自組織神經(jīng)網(wǎng)絡(luò)聚類算法，使得地震相分類由隸屬度表達(dá)，模糊分類結(jié)果提供的信息更加豐富合理，使得聚類結(jié)果更穩(wěn)定，而且還能對(duì)分類結(jié)果進(jìn)一步探索。本發(fā)明的方法有著較低的計(jì)算復(fù)雜度，能夠在大規(guī)模地震疊前數(shù)據(jù)推廣。

技術(shù)領(lǐng)域

本發(fā)明屬于地震技術(shù)領(lǐng)域，涉及地震信號(hào)分類技術(shù)，具體涉及一種地震疊前信號(hào)聚類方法。

背景技術(shù)

通過地震信號(hào)分類技術(shù)生成地震相圖來確定地下儲(chǔ)層對(duì)指導(dǎo)石油勘探有著重要作用，現(xiàn)有地震信號(hào)分類技術(shù)主要針對(duì)疊后信號(hào)，疊后信號(hào)是疊前信號(hào)的橫向求和，導(dǎo)致很多地震信息丟失。地震疊前信號(hào)相對(duì)于疊后信號(hào)顯著特點(diǎn)就是維度變高，直接使用現(xiàn)有方法會(huì)帶來維度災(zāi)難，分類算法不適應(yīng)等問題。同時(shí)數(shù)據(jù)量變大，不能使用計(jì)算復(fù)雜度較高的算法。在獲得測(cè)井信息后，測(cè)井可以作為有標(biāo)簽數(shù)據(jù)幫助后續(xù)測(cè)井的選擇。現(xiàn)有方法通常將此作為有監(jiān)督學(xué)習(xí)進(jìn)行處理，但由于測(cè)井信息即有標(biāo)簽數(shù)據(jù)較少，有監(jiān)督分類結(jié)果可能不合實(shí)際。

自組織神經(jīng)網(wǎng)絡(luò)(Self-organizing Map，SOM)聚類是一種非監(jiān)督的地震相分析技術(shù)，能夠自動(dòng)確定地震相的數(shù)量。SOM主要針對(duì)地震信號(hào)波形形狀，也可以選取其他處理過的數(shù)據(jù)作為聚類對(duì)象從而關(guān)注某種地質(zhì)結(jié)構(gòu)，在文獻(xiàn)“Steeghs P,DrijkoningenG.Seismic sequence analysis and attribute extraction using quadratic time-frequency representations.Geophysics,2001,66(6):1947-1959”提出使用聯(lián)合時(shí)頻分析來表征儲(chǔ)層，因?yàn)轭l率特征對(duì)反射信息的細(xì)微變化敏感。在文獻(xiàn)“de Matos M C,OsorioP L,Johann P R.Unsupervised seismic facies analysis using wavelet transformand self-organizing maps.Geophysics,2006,72(1):P9-P21”提出連續(xù)小波變換(Continuous Wavelet Transform，CWT)和離散小波變換(Discrete Wavelet Transform，DWT)無時(shí)間抽取可以應(yīng)用于檢測(cè)奇異性。SOM相對(duì)于K均值的主要優(yōu)點(diǎn)是數(shù)據(jù)空間中變形的簇可以直接映射到規(guī)則網(wǎng)格化的潛在空間。當(dāng)然SOM算法也存在缺陷，首先，每次迭代的鄰域函數(shù)的理論基礎(chǔ)不足，只能依靠經(jīng)驗(yàn)選擇，選擇不同可能最終的聚類結(jié)果相差很大；第二，缺少定量誤差測(cè)量方法，難以判斷收斂是否達(dá)到最優(yōu)；第三，算法發(fā)現(xiàn)最可能的聚類結(jié)果，但沒有對(duì)相關(guān)分類置信度的定量標(biāo)度，不能說明向量可以被所在簇代表。

高斯混合模型(Gaussian Mixture Model，GMM)是概率分布的參數(shù)模型，其可以比傳統(tǒng)的無監(jiān)督聚類算法在建模中提供更大的靈活性和精度。這些GMM巖性用于校準(zhǔn)三維地震疊加反演結(jié)果，以產(chǎn)生三維巖石性質(zhì)模型。

在聚類算法中往往需要結(jié)合特征降維算法，因?yàn)楦呔S的數(shù)據(jù)會(huì)使聚類算法不適應(yīng)和難以解釋。這里簡(jiǎn)單介紹地質(zhì)領(lǐng)域的常用降維算法如下：

生成拓?fù)溆成?Generative Topographic Mapping，GTM)是一種基于概率的非線性降維技術(shù)，位于較低維度上的每個(gè)節(jié)點(diǎn)對(duì)數(shù)據(jù)提供一些數(shù)學(xué)支持并且被認(rèn)為在某種程度上“負(fù)責(zé)”數(shù)據(jù)向量。GTM理論基于概率統(tǒng)計(jì)學(xué)，可以通過投影多屬性數(shù)據(jù)的特定窗口的平均后驗(yàn)概率，例如測(cè)井信息來擴(kuò)展在地震勘探中的應(yīng)用。

獨(dú)立分量分析(Independent Component Analysis，ICA)與基于高斯統(tǒng)計(jì)的主成分分析不同，ICA試圖將數(shù)據(jù)投影到子空間上，從而產(chǎn)生非高斯分布，然后更易于分離和可視化。ICA通常用于減少冗余屬性集以形成較小的獨(dú)立元屬性集。