一种地震属性提取方法及系统技术方案

本发明专利技术公开了一种地震属性提取方法及系统，包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。采用本发明专利技术提出的地震属性提取方法，能够正确识别正常道与废道，并将最终的废道结果展示给用户。

【技术实现步骤摘要】
一种地震属性提取方法及系统
本专利技术属于石油地震勘探数据处理领域，更具体地，涉及一种地震属性提取方法及系统。
技术介绍
自动道编辑要进行分类计算，首先要提取各个地震道的属性特征，在此基础上，以地震道属性作为分类计算的依据。地震属性一般分为基于动力学的振幅、频率、衰减系数等属性，另一类为基于油藏特征的地震属性，包括：亮点、暗点、AVO特征、不整合圈闭等等。对于自动道编辑而言，提取的属性均属于第一类属性，即基于动力学基础的振幅、频率等信息。道编辑中，需要提取地震道属性特征作为判别为废道的依据。地震道属性一般而言，分为振幅、频率、吸收衰减等几个分类。目前而言，用于自动道编辑的地震属性主要有以下几种：1、振幅平均绝对值，该属性在应用时，近偏移距振幅比远偏移距振幅大很多数量级，并不能很好刻画正常道与废道区别；2、振幅均方根值，同理于振幅绝对值，由于近偏移距振幅比远偏移距振幅大很多数量级，很难刻画正常道与废道区别；3、过零点个数，该属性通过实际计算，很难区别正常道与废道区别；4、主频属性，通过计算，主频属性可以很好的识别50hz单频噪音，但除了单频噪音，还有别的地震道的频率在50hz左右浮动，这时候很难区分出来。因此在了解上述几种地震属性的优缺点基础上，提供一种地震属性提取方法。
技术实现思路
本专利技术提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，识别出废道，经过实际资料验证，可以满足实际生产要求。根据本专利技术的一方面，提出了一种地震属性提取方法，所述方法可以包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。优选地，衰减系数的公式为：其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。优选地，所述基于参考初至的绝对值平均振幅表示为：其中，表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。优选地，所述基于参考初至的振幅异常系数表示为：其中，Fabn表示为基于参考初至的振幅异常系数。根据本专利技术的另一方面，提出了一种地震属性提取系统，所述系统包括：存储器，存储有计算机可执行指令；处理器，运行所述存储器上的计算可执行指令时，所述处理器实现以下步骤：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。优选地，衰减系数的公式为：其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。优选地，所述基于参考初至的绝对值平均振幅表示为：其中，表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。优选地，基于参考初至的振幅异常系数表示为：其中，Fabn表示为基于参考初至的振幅异常系数。本专利技术的有益效果在于：提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，结果可以正确识别正常道与废道，将最终的废道结果展示给用户。通过模型计算，结果正确，通过实际资料的测试，结果可靠，可以满足正常的生产需求，证明了方法的可行性。本专利技术的其它特征和优点将在随后具体实施方式部分予以详细说明。附图说明通过结合附图对本专利技术示例性实施方式进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显，其中，在本专利技术示例性实施方式中，相同的参考标号通常代表相同部件。图1示出了根据本专利技术的地震属性提取方法的步骤的流程图。图2示出了根据本专利技术的一个实施例的地震参考初至的示意图。图3示出了根据本专利技术的一个实施例的包含废道的原始地震记录炮集剖面图。图4示出了根据本专利技术的一个实施例的衰减系数计算结果图。图5示出了根据本专利技术的一个实施例的基于参考初至的绝对值平均振幅计算结果图。图6示出了根据本专利技术的一个实施例的基于参考初至的振幅异常系数计算结果图。图7示出了根据本专利技术的一个实施例的道编辑计算结果图。具体实施方式下面将更详细地描述本专利技术的优选实施方式。虽然以下描述了本专利技术的优选实施方式，然而应该理解，可以以各种形式实现本专利技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本专利技术更加透彻和完整，并且能够将本专利技术的范围完整地传达给本领域的技术人员。实施例1在该实施例中，根据本专利技术的地震属性提取方法可以包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。该实施例提出了三种用于自动道编辑的地震属性，衰减系数、基于参考初至的绝对值平均振幅和基于参考初至的振幅异常系数，首先对这三种属性进行提取计算，然后将其作为输入数据，通过神经网络算法进行地震道编辑，识别出废道，经过实际资料验证，可以满足实际生产要求。图1示出了根据本专利技术的地震属性提取方法的步骤的流程图。下面参考图1详细说明根据本专利技术的地震属性提取方法的具体步骤。步骤1，计算每道地震道上末尾采样点平均振幅，获得衰减系数。具体地，衰减系数属性为地震道上末尾采样点平均振幅大小，按物理规律在接受到有效地震波之后，由于不再接收有效信号，地震道振幅基本等于零。在一个示例中，衰减系数的公式为：其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。衰减系数的计算结果如图4所示。步骤2，计算基于参考初至的绝对值平均振幅。图2示出了根据本专利技术的一个实施例的地震参考初至的示意图。地震参考初至如图2实线所示，可以看出异常道在有效波到达之前会接收到异常信号。此时通过计算其参考初至之上的平均振幅，正常道基本为零，而非正常道的振幅会大很多，以此作为区分正常道与非正常道的属性之一。在一个示例中，基于参考初至的绝对值平均振幅表示为：其中，表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。基于参考初至的绝对值平均振幅计算结果如图5所示。步骤3，计算基于参考初至的振幅异常系数。地震参考初至如图2实线所示，在计算得到基于参考初至的平均振幅之后，进行振幅异常系数的计算，正常而言，地震道的振幅不会发生突变，相邻道的振幅是在一个数量级的，当某个道出现异常，很有可能该道为异常道。在一个示例中，基于参考初至的振幅异常系数表示为：其中，Fabn表示为基于参考初至的振幅异常系数。基于参考初至的振幅异常系数的计算结果如图6所示。步骤4，将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。具体地，从正常道数据中选取一定数量的具有代表性的样本，计算这些样本的3种属性值，组成特征向量后输入到神经网络中，对网络本文档来自技高网...

【技术保护点】
1.一种地震属性提取方法，其特征在于，该方法包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。

【技术特征摘要】
1.一种地震属性提取方法，其特征在于，该方法包括：1)计算每道地震道上末尾采样点平均振幅，获得衰减系数；2)计算基于参考初至的绝对值平均振幅；3)计算基于参考初至的振幅异常系数；4)将步骤1)、2)、3)得到的数据作为输入数据，通过神经网络算法进行地震道编辑，识别出废道。2.根据权利要求1所述的地震属性提取方法，其中，衰减系数的公式为：其中，α表示为衰减系数；i为采样点；data(i)为振幅；S为采样数目；N为采样时窗。3.根据权利要求1所述的地震属性提取方法，其中，所述基于参考初至的绝对值平均振幅表示为：其中，表示为基于参考初至的绝对值平均振幅；Ft为参考初至时间对应采样点。4.根据权利要求3所述的地震属性提取方法，其中，所述基于参考初至的振幅异常系数表示为：其中，Fabn表示为基于参考初至的振幅异常系数。5.一种地震属性提取系统，其特征在于，所述系统包括...

【专利技术属性】
技术研发人员：朱海伟，陈金焕，曹永生，段文超，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司石油物探技术研究院，
类型：发明
国别省市：北京,11