[发明专利]基于智能特征学习的叠后地震反射模式识别方法

说明书

本发明提出了一种基于智能特征学习的叠后地震反射模式识别方法，属于地震反射模式识别技术领域。本发明通过同步压缩小波变换对叠后地震信号进行时频域变换，得到高精度的频谱图，构建叠后地震数据矩阵，并对其进行非负矩阵分解从而得到叠后地震信号的特征，对得到的叠后特征进行分类并生成叠后地震相图。本发明对于叠后地震信号有非常好的特征表征能力，能从大量无标签数据中学习数据分布特性，从而达到了较高的叠后地震相反射模式识别能力。

技术领域

本发明属于地震反射模式识别技术领域，特别涉及一种基于智能特征学习的叠后地震反射模式识别方法。

背景技术

随着地震地层学在勘探领域的普及，利用地震相进行地质研究的做法受到了广泛的应用。地震相反映了同一区域地震剖面上沉积相表现的总和。地震相划分是依据剖面上地震反射模式识别所确定的地震相类型开展的，它是进行沉积相研究的一种强有力的方法。基于地震信号开展地震反射模式识别，是划分地震相的一种重要方法。如今业界采集地震信号的技术水平不断提升，地震数据中包含的地震信息也愈加丰富，所以通过人工方式对地震反射模式进行识别来描述地震相，具有很大的主观性和不确定性。为了实现自动定量分析地震相的目的，需要依靠地震数据处理技术、信息处理技术和计算机技术，并通过数学表示方法对地震反射模式加以定量表征和精准识别。

准确的特征是完整表征地震反射模式的基础，通过智能提取地震反射信号的特征来增强地震反射模式识别能力的方法，能够进一步提升地震相划分的精度。其结果可以展示地下地质结构的分布，为探井方位的判定提供参考依据，降低钻井失败的可能性，节约勘探成本。

地震反射模式识别的流程，首先要对地震信号进行预处理，在层位上选择合适的时窗大小，获得目标层位段的地震信号。然后结合地震信号特征提取方法和机器学习分类算法，对目标层段地震信号反射特征进行分类，并通过类标签的方式区分对应的地震相，进而就可以对各种目标地质结构的分布情况进行研究。在地震反射模式识别的流程中，提取特征和特征分类是最为关键的两个步骤，其中对地震反射模式进行识别的前提是可以提取到完整表征目标信号的特征。

由于地震波形具有直观的解释意义，因此在地震相划分过程中通常会采用波形分类技术，使其成为当前地震反射模式识别领域内中最关键的方法。最简洁时域波形特征就是直接的波形时间序列，直接输入波形时间序列作为特征，然后使用竞争神经网络进行波形模式识别。进一步地，利用邻域内的多道波形时间序列作为输入进行分类，通过在时域中利用多道特性，可以减小噪声对波形特征提取过程的影响。提取波形的峰值、过零点、峰值时间等统计信息作为时域波形，相比直接时间序列更精确，也更稳健。时域波形特征缺点是稳定差，不确定性强，尤其是对层位解释误差敏感。在功率谱中提取了功率谱总能量，以达到10％，20％，30％，...功率谱总能量所需时间作为频域波形特征。国内研究院认为地震波和语音信号在介质中传播具有相同的物理本质，所以提出了用语音识别中应用非常成功的Mel系数来表示地震波形特征。无论时域还是频域特征对波形的特征表征都是粗糙的、非稳健的，所以现在波形分类方法的研究重点是在时频域波形特征提取上。利用人工免疫神经网络优越的降维特性，对小波变换特征进行降维去除冗余特征，再利用神经网络进行聚类，取得了十分稳健效果。基于小波变换的时频域波形特征并非最好的，利用经验模态分解方法来提取波形的时频特征，其比小波分解模型能够更多地保留波形特征，所以具有更高的波形分类分辨率。地震波形和语音信号物理本质是类似的，不同的是采用了音乐领域里面的特征更精细地表征地震波形，具体思路是首先采用时频变换(比如小波变化，S变换等)获得地震波形的谱图，然后从谱图中提取出地震波形音乐属性。在国内，在地震反射波形分类研究中提出加入分数阶导数，构造出由子波分数阶导数组成的波形集合，其能够精确匹配地震信号中每一道地震波形，从而对地震反射模式进行识别。

发明内容