基于DBSCAN聚类分析的速度谱自动拾取方法技术

本发明专利技术提供一种基于DBSCAN聚类分析的速度谱自动拾取方法，包括：步骤1，进行人工拾取速度控制点数据标准化处理；步骤2，基于监督学习方法建立初始速度约束模型；步骤3，根据速度约束模型清洗速度谱；步骤4，基于DBSCAN方法自动拾取时间

【技术实现步骤摘要】
基于DBSCAN聚类分析的速度谱自动拾取方法


[0001]本专利技术涉及油田开发
，特别是涉及到一种基于DBSCAN聚类分析的速度谱自动拾取方法。

技术介绍

[0002]速度是地震波传播过程中的重要参数，速度分析是常规地震资料处理的基础，速度建模是地震数据处理中的重要环节，速度建模的精度直接影响叠加效果和偏移处理的效果。速度谱是速度分析的重要数据基础，地震资料后续处理如多次波压制、时深转换、偏移成像和属性反演等都需要有准确的速度分析结果。
[0003]在地震资料处理初期，一般都没有合适的速度模型，需要通过速度分析来获得对应的速度。基于谱的速度分析是地震资料处理中求取叠加速度的一个重要手段。基于地震CMP道集数据对速度谱进行分析，在速度谱上拾取的能量峰值坐标位置就对应于要获取的叠加速度即“时间
‑
速度”对，这些“时间
‑
速度”对在速度谱上存在着一定的空间关系，一般情况下叠加速度会随着时间的增加而增大，相对来讲具有一定规律性的分布特征。
[0004]受到地震噪声的影响，比如多次波、面波、绕射波等，以及复杂构造、构造变化等因素的影响，只有受过训练的专业的地震资料处理人员才能实现较高精度的速度谱人工拾取，但是人工拾取存在拾取效率低、耗时长等缺点，随着地震勘探数据规模的不断增长，人工速度分析方法费时费力，处理效率极低，难以适应大数据的处理需求，在进行大面积三维地震资料处理时要花费大量的时间。同时，当前地震勘探过程中面对的地质体越来越复杂，所以对成像精度的要求也相应提高。因此，迫切需求开发一种高精度的速度谱自动拾取方法来代替人工拾取，以降低人工成本，缩短生产周期，同时还能避免主观误差，提高速度拾取的稳定性。
[0005]DBSCAN(Density
‑
Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)概念最早由Fukunaga等(1975)在关于概率密度梯度函数的估计中提出来的，最初是指偏移的均值向量，但随着DBSCAN理论的发展，DBSCAN的含义也发生了变化，DBSCAN算法一般是指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到偏移均值位置，然后以此为新起始点继续移动，直到满足一定的条件结束。Yizong Cheng(1995)对基本的DBSCAN算法做了推广，首先Yizong Cheng定义核函数，随着样本与被偏移点的距离不同，单个偏移量对DBSCAN向量的贡献也不同，其次设定了权重系数，使不同样本点的重要性不同，大大扩大了DBSCAN的适用范围。Comaniciu等(2003)把DBSCAN成功运用在特征空间的分析中，在图像平滑和图像分割中都得到了很好的应用。DBSCAN算法在满足一定条件下，一定可以收敛到最近的一个概率密度函数的稳态点，可以用来检测概率密度函数，这些特性在叠加速度谱拾取中很适合进行能量团集中拾取，从而实现速度谱的自动拾取。
[0006]传统的速度分析主要通过人工拾取速度谱来实现，这种方法费时费力，处理效率低下，难以适应大数据的处理需求，在进行大面积三维地震资料处理时要花费大量的时间。
现有的速度自动拾取技术，如非线性优化自动拾取、蒙特卡洛自动层速度拾取等，在获取相对简单地质体的速度时已经取得了一定的效果，但对于解决复杂地质体的速度分析都同样存在难以获得精确解的问题。
[0007]在申请号：CN201910840514.0的中国专利申请中，涉及到一种基于卷积神经网络的速度谱自动拾取方法，提到关于速度谱自动拾取的相关的实现过程：首先随机生成速度拾取曲线与水平道集，然后应用反动校正方法生成模拟道集，并基于该道集作拉东变换生成速度谱，重复该过程能够生成任意数量的训练标签；本专利技术设计了含4个卷积层和2个全连接层的神经网络，此外还添加了maxpooling层与dropout层以减小计算量并在一定程度上防止过拟合的出现；最终利用随机生成的标签训练神经网络，并利用该网络识别未参与训练的速度谱。该专利技术的有益效果是：能够有效地拾取速度能量团位置，并生成相应的速度曲线，对比理论曲线具有较高的精度，并且避开了手动拾取能量团的过程，节省了人力并规避了人为因素引入的误差影响。
[0008]在申请号：CN202011209040.9的中国专利申请中，涉及到一种基于无监督学习的地震速度谱自动拾取方法及装置，其中该方法包括：采集得到地震叠加速度谱；根据预设速度扫描走廊的最大参考叠加速度和最小参考叠加速度，对采集得到的地震叠加速度谱进行切除处理；对切除处理后的地震叠加速度谱进行归一化和阈值滤波处理，得到散点化后的地震叠加速度谱；沿时间方向，逐个时间采样点，执行如下步骤对散点化后的地震叠加速度谱进行叠加速度自动拾取：在每个时间采样点的主时空窗内构建具有重叠关系的两个子时空窗；采用带加权的K
‑
mean算法，分别对两个子时空窗内的数据进行聚类；根据主时空窗内两个子时空窗的聚类中心，确定主时空窗的聚类中心。该专利技术能够自适应确定速度谱能量团中心。
[0009]在申请号：CN201810260667.3的中国专利申请中，涉及到一种基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间
‑
速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提取所述预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间
‑
速度对序列。该专利技术的有益效果：自动化程度高，有利于缩减地震资料处理的时间，基本上可以完全解放地震数据处理人员的智力和体力劳动。
[0010]以上现有技术均与本专利技术有较大区别，未能解决我们想要解决的技术问题，为此我们专利技术了一种新的基于DBSCAN聚类分析的速度谱自动拾取方法。

技术实现思路

[0011]本专利技术的目的是提供一种解决了现有人工速度拾取方法效率低下、精度不稳定的问题的基于DBSCAN聚类分析的速度谱自动拾取方法。
[0012]本专利技术的目的可通过如下技术措施来实现：基于DBSCAN聚类分析的速度谱自动拾取方法，该基于DBSCAN聚类分析的速度谱自动拾取方法包括：
[0013]步骤1，进行人工拾取速度控制点数据标准化处理；
[0014]步骤2，基于监督学习方法建立初始速度约束模型；
[0015]步骤3，根据速度约束模型清洗速度谱；
[0016]步骤4，基于DBSCAN方法自动拾取时间
‑
速度对；
[0017]步骤5，根据4中的速度拾取结果，更新、优化工区速度约束模型；
[0018]步骤6，重复步骤3
‑
5，直至满足迭代终止条件；
[0019]步骤7，输出速度谱自动拾取结果。
[0020]本专利技术的目的还可通过如下技术措施来实现：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，该基于DBSCAN聚类分析的速度谱自动拾取方法包括：步骤1，进行人工拾取速度控制点数据标准化处理；步骤2，基于监督学习方法建立初始速度约束模型；步骤3，根据速度约束模型清洗速度谱；步骤4，基于DBSCAN方法自动拾取时间
‑
速度对；步骤5，根据4中的速度拾取结果，更新、优化工区速度约束模型；步骤6，重复步骤3
‑
5，直至满足迭代终止条件；步骤7，输出速度谱自动拾取结果。2.根据权利要求1所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤1中，获取基于人工拾取的速度谱控制点的工区初始速度数据，并将数据进行标准化处理。3.根据权利要求2所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤1中，首先在速度谱上手动拾取一些控制点作为种子点，速度场的种子点数据集由X坐标，Y坐标，时间和速度四个特征值组成，建立训练集并做标准化预处理，使其能够满足正态分布。4.根据权利要求1所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤2中，根据预处理后的速度谱控制点数据，对初始的深度神经网络进行训练，得到训练好的工区速度初始约束模型。5.根据权利要求4所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤2中，建立一个多层的贯序模型作为深度学习网络，来训练步骤1中得到的标准化种子点数据集；深度学习网络的输入维度为3，包括大地坐标X、Y和双程旅行时T，输入为对应空间位置的速度V；该模型的训练结果即相当于当前工区内任意位置速度的预测函数。6.根据权利要求1所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤3中，以工区速度约束模型中的速度值作为基准值，设定数值上下限区间范围作为条件，对工区的速度谱进行清洗，区间之外的数据设为零，区间内的数据保持原值。7.根据权利要求6所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤3中，对于给定的速度谱，根据速度谱对应的空间坐标、时间即可采用步骤2中训练好的网络模型来预测得到该速度谱对应的时间
‑
速度对，并将预测得到的一系列时间
‑
速度对作为速度拾取的约束；根据速度谱的分布特性，将速度约束的上下范围的速度谱数值取20％作为保留，范围之外的赋值为零，即清洗掉。8.根据权利要求1所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤4中，将清洗后的速度谱进行DBSCAN聚类分析，聚类的中心点作为拾取的时间
‑
速度对的值。9.根据权利要求8所述的基于DBSCAN聚类分析的速度谱自动拾取方法，其特征在于，在步骤4中，采用步骤3中清洗后的速度谱点x
j
(j＝1，2，，m)构成样本集D，并对样本集进行DBSCAN聚类分簇，各分簇对应的聚类中心点坐标系列就是自动拾取得到的时间
‑
速度对的值；DBSCAN聚类分簇算法循环执行以下七步，直至满足结束条件：
a)初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分b...

【专利技术属性】
技术研发人员：王东凯，李继光，苗永康，张猛，马晓义，柳光华，刘鹏翔，滕厚华，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司物探研究院，
类型：发明
国别省市：