地震属性融合方法及装置制造方法及图纸

本发明专利技术公开了一种地震属性融合方法及装置，该方法包括：利用弱化方法对每个清晰地震属性进行退化操作，确定每个清晰地震属性对应的多个模糊退化属性，将每个清晰地震属性及其对应的多个模糊退化属性作为训练好的单属性神经网络的输入，提取每个清晰地震属性的属性特征；将每个清晰地震属性的属性特征作为训练好的多属性融合网络的输入，以基于无监督相似性的损失函数为约束，输出多个清晰地震属性对应的融合属性特征；本发明专利技术利用单属性神经网络结合多属性神经网络对地震属性集进行特征提取及属性融合，以输出融合属性特征，能够提高地震属性融合分析的效率及地震属性特征提取的效果。的效果。的效果。

【技术实现步骤摘要】
地震属性融合方法及装置


[0001]本专利技术涉及地震勘探
，尤其涉及地震属性融合方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因 为包括在本部分中就承认是现有技术。
[0003]地震属性从早先的振幅属性发展到现在常用的几十种地震属性，这些地震属性反映了 地下的地质条件，但每一种地震属性都只对某些地质特征敏感。例如，反射强度反映了砂 岩厚度情况，相对波阻抗反映储层的含气情况。因此，利用单一地震属性来预测储层会产 生多解性。
[0004]地震属性联合分析方法是为解决单一属性预测储层的多解性问题而提出来的。此类方 法就是将多种属性在一定的数学运算的基础上，同时考虑每一种属性对储层的影响因素， 结合这些因素最终得出最优的结果。
[0005]地震多属性联合分析的主要目的是消除多解性，突出目标地质特征。但是不能盲目的 进行多属性融合，需要从属性集中进行优选。属性优选要求选出的地震属性所包含的地质 信息最大化，能和地质目标建立相关关系。地震属性融合目前研究很多,常用的属性融合 方法有基于数学方法提出的比例融合技术，聚类分析技术，以及多元线性回归融合技术； 还有基于颜色空间的多属性RGB方法的地震属性融合，这些方法各有优缺点及其适用范 围。
[0006]然而，现有地震属性融合的分析效率及地震属性的特征提取效果仍有待进一步提升。

技术实现思路

[0007]本专利技术实施例提供一种地震属性融合方法，用以提高地震属性融合分析的效率，同时 提高地震属性特征提取的效果，该方法包括：
[0008]利用弱化方法对目标地震属性集中每个清晰地震属性进行退化操作，确定目标地震属 性集中每个清晰地震属性对应的多个模糊退化属性；
[0009]将目标地震属性集中每个清晰地震属性及其对应的多个模糊退化属性作为训练好的 单属性神经网络的输入，提取目标地震属性集中每个清晰地震属性的属性特征；单属性神 经网络反映每个清晰地震属性的属性特征与对应的多个模糊退化属性之间的映射关系；
[0010]将目标地震属性集中每个清晰地震属性的属性特征作为训练好的多属性融合网络的 输入，以基于无监督相似性的损失函数为约束，输出目标地震属性集中多个清晰地震属性 对应的融合属性特征；多属性融合网络反映融合属性特征与每个清晰地震属性的属性特征 之间的映射关系。
[0011]本专利技术实施例还提供一种地震属性融合装置，用以提高地震属性融合分析的效
率，同 时提高地震属性特征提取的效果，该装置包括：
[0012]目标属性弱化模块，用于利用弱化方法对目标地震属性集中每个清晰地震属性进行退 化操作，确定目标地震属性集中每个清晰地震属性对应的多个模糊退化属性；
[0013]目标单属性提取模块，用于将目标地震属性集中每个清晰地震属性及其对应的多个模 糊退化属性作为训练好的单属性神经网络的输入，提取目标地震属性集中每个清晰地震属 性的属性特征；单属性神经网络反映每个清晰地震属性的属性特征与对应的多个模糊退化 属性之间的映射关系；
[0014]目标属性融合模块，用于将目标地震属性集中每个清晰地震属性的属性特征作为训练 好的多属性融合网络的输入，以基于无监督相似性的损失函数为约束，输出目标地震属性 集中多个清晰地震属性对应的融合属性特征；多属性融合网络反映融合属性特征与每个清 晰地震属性的属性特征之间的映射关系。
[0015]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在 处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述地震属性融合方 法。
[0016]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行 上述地震属性融合方法的计算机程序。
[0017]本专利技术实施例中，利用弱化方法对目标地震属性集中每个清晰地震属性进行退化操 作，确定每个清晰地震属性对应的多个模糊退化属性，进而利用训练好的单属性神经网络， 提取目标地震属性集中每个清晰地震属性的属性特征，最后以无监督相似性的损失函数为 约束，利用训练好的多属性融合网络对目标地震属性集中每个清晰地震属性的属性特征进 行融合，以输出融合属性特征。本专利技术实施例基于无监督的神经网络，利用单属性神经网 络结合多属性神经网络对地震属性集进行特征提取及属性融合，以输出融合属性特征，能 够提高地震属性融合分析的效率，同时提高地震属性特征提取的效果。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根 据这些附图获得其他的附图。在附图中：
[0019]图1为本专利技术实施例提供的地震属性融合方法的实现流程图；
[0020]图1
‑
1为本专利技术实施例提供的多属性融合网络的一具体结构示意图；
[0021]图1
‑
2(a)和图1
‑
2(b)示出了本专利技术实施例提供的两个清晰地震属性的示意图；
[0022]图1
‑
2(c)示出了本专利技术实施例提供的两个清晰地震属性对应的融合属性特征的示意 图；
[0023]图2为本专利技术实施例提供的地震属性融合方法的另一实现流程图；
[0024]图3为本专利技术实施例提供的地震属性融合方法中训练单属性神经网络的实现流程图；
[0025]图4为本专利技术实施例提供的地震属性融合方法中训练多属性融合网络的实现流程图；
[0026]图5为本专利技术实施例提供的地震属性融合装置的功能模块图；
[0027]图6为本专利技术实施例提供的地震属性融合装置的另一功能模块图；
[0028]图7为本专利技术实施例提供的地震属性融合方法中训练单属性神经网络包括的结构框 图；
[0029]图8为本专利技术实施例提供的地震属性融合方法中训练多属性融合网络包括的结构框 图。
具体实施方式
[0030]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实 施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不 作为对本专利技术的限定。
[0031]图1示出了本专利技术实施例提供的地震属性融合方法的实现流程，为便于描述，仅示出 了与本专利技术实施例相关的部分，详述如下：
[0032]如图1所示，地震属性融合方法，其包括：
[0033]步骤101，利用弱化方法对目标地震属性集中每个清晰地震属性进行退化操作，确定 目标地震属性集中每个清晰地震属性对应的多个模糊退化属性；
[0034]步骤102，将目标地震属性集中每个清晰地震属性及其对应的多个模糊退化属性作为 训练好的单属性神经网络的输入，提取目标地震属性集中每个清晰地震属性的属性特征； 单属本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地震属性融合方法，其特征在于，包括：利用弱化方法对目标地震属性集中每个清晰地震属性进行退化操作，确定目标地震属性集中每个清晰地震属性对应的多个模糊退化属性；将目标地震属性集中每个清晰地震属性及其对应的多个模糊退化属性作为训练好的单属性神经网络的输入，提取目标地震属性集中每个清晰地震属性的属性特征；单属性神经网络反映每个清晰地震属性的属性特征与对应的多个模糊退化属性之间的映射关系；将目标地震属性集中每个清晰地震属性的属性特征作为训练好的多属性融合网络的输入，以基于无监督相似性的损失函数为约束，输出目标地震属性集中多个清晰地震属性对应的融合属性特征；多属性融合网络反映融合属性特征与每个清晰地震属性的属性特征之间的映射关系。2.如权利要求1所述的地震属性融合方法，其特征在于，弱化方法至少包括均值弱化方法、最大最小弱化方法。3.如权利要求1所述的地震属性融合方法，其特征在于，还包括：对目标地震属性集中每个清晰地震属性进行归一化处理，获得归一化后的目标地震属性集中每个清晰地震属性；利用弱化方法对目标地震属性集中每个清晰地震属性进行退化操作，确定目标地震属性集中每个清晰地震属性对应的多个模糊退化属性，包括：利用弱化方法对归一化后的目标地震属性集中每个清晰地震属性进行退化操作，确定目标地震属性集中每个清晰地震属性对应的多个模糊退化属性。4.如权利要求3所述的地震属性融合方法，其特征在于，归一化处理至少包括最小
‑
最大规范化、零
‑
均值规范化及小数定标规范化中的一种或多种。5.如权利要求1所述的地震属性融合方法，其特征在于，通过如下公式确定无监督相似性的损失函数：性的损失函数：性的损失函数：性的损失函数：其中，及表示目标地震属性集中任意两个清晰地震属性，w表示一个9
×
9大小的窗口，δ表示常数1
×
10
‑8，表示清晰地震属性在窗口w内的平均值，表示清晰地震属性在窗口w内的平均值；表示清晰地震属性在窗口w内的方差，表示清晰地震属性在窗口w内的方差，表示清晰地震属性与清晰地震属性在窗口w内的协方差，W表示从左至右，从上至下扫描到每一个点所取得的时窗w的集合，函数||W||表示W中所有窗口w
的个数，S
i，j
(W)表示清晰地震属性与清晰地震属性之间的无监督相似性；表示目标地震属性集中的清晰地震属性在窗口w的方差，表示目标地震属性集中所有清晰地震属性在窗口w的方差的最大值，表示目标地震属性，表示地震属性c与地震属性之间的相似度；local_loss(w)表示在窗口w内的局部损失函数，loss表示基于无监督相似性的损失函数。6.如权利要求1所述的地震属性融合方法，其特征在于，训练单属性神经网络的过程包括：对样本地震属性集中的每个清晰地震属性进行归一化处理，获得归一化后的样本地震属性集中的每个清晰地震属性；利用弱化方法对样本地震属性集中每个清晰地震属性进行退化操作，确定样本地震属性集中每个清晰地震属性对应的多个模糊退化属性；将样本地震属性集中每个清晰地震属性及其对应的多个模糊退化属性作为训练样本，迭代训练单属性神经网络；在满足迭代终止的条件时，获得训练后的单属性神经网络。7.如权利要求6所述的地震属性融合方法，其特征在于，训练多属性融合网络的过程包括：将样本地震属性集中每个清晰地震属性的属性特征作为输入，迭代训练多属性融合网络；在迭代训练多属性融合网络的过程中，以基于无监督相似性的损失函数为约束；在满足迭代终止的条件时，获得训练后的多属性融合网络，输出样本地震属性集中多个清晰地震属性对应的融合属性特征。8.一种地震属性融合装置，其特征在于，包括：目标属性弱化模块，用于利用弱化方法对目标地震属性集中每个清晰地震属性进行退化操作，确定目标地震属性集中每个清晰地震属性对应的多个模糊退化属性；目标单属性提取模块，用于将目标地震属性集中每个清晰地震属性及其对应的多个模糊退化属性作为训练好的单属性神经网络的输入，提取目标地震属性集中每个清晰地震属性...

【专利技术属性】
技术研发人员：廖军，张少华，孙鹏远，钱忠平，李磊，韩瑞冬，
申请(专利权)人：中国石油集团东方地球物理勘探有限责任公司，
类型：发明
国别省市：