[发明专利]基于MeanShift聚类分析的速度谱自动拾取方法

说明书

本发明提供一种基于MeanShift聚类分析的速度谱自动拾取方法，包括：步骤1，预处理人工拾取速度控制点；步骤2，训练工区速度初始约束模型；步骤3，根据速度约束模型清洗速度谱；步骤4，基于MeanShift方法拾取时间‑速度对；步骤5，根据步骤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到步骤5，直至达到迭代条件；步骤7，输出速度谱自动拾取结果。该基于MeanShift聚类分析的速度谱自动拾取方法能够有效减少在手动拾取耗费的人工、时间成本，引入基于DNN的三维速度场非线性多元回归模型作为预处理速度谱的约束模型，进一步提高了速度自动拾取的精度。

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种基于MeanShift聚类分析的速度谱自动拾取方法。

背景技术

速度是地震波传播过程中的重要参数，是地震勘探需要获取的重要属性。为了在不同处理过程中的应用，勘探地球物理学家们引入了不同类型的速度概念，如：层速度，视速度，平均速度，均方根速度，瞬时速度，相速度，群速度，偏移速度等。速度拾取问题也一直是处理过程中的重要问题，速度分析是常规地震资料处理的基础。速度分析也是多层面的，如近地表速度分析和折射界面速度分析等，而速度谱是速度分析的重要表现形式，其中叠加速度的拾取是速度分析的一项重要内容，拾取速度的精度直接影响着动校正、叠加、甚至地震资料偏移成像的效果。造成地震资料的解释不准确。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，因此对于速度分析的问题需要引起相应的注意。在地震资料处理初期，一般都没有合适的速度模型，需要通过常规的速度分析来获得对应的速度。

拾取有效速度谱是速度分析中一个很重要的工作。目前，以共中心点(CMP)道集为基础的速度分析方法在实际处理中使用最为广泛。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，是速度分析的一个基本工具，这种方法依据速度谱中能量团的强弱拾取叠加速度。拾取工作通常通过手工拾取来实现。手工拾取较为灵活，这是因为人的眼睛对聚焦性不是很高的速度谱具有较强的识别能力。但是手工拾取也存在一定的不足，主要表现为处理人员凭经验拾取，这也是目前常规地震资料处理中人工操作量最大的一个环节，人工效率低下、成本高昂且精确度不高。在这种情况下，自动的速度拾取方法也不断发展，自动技术的运用不仅能解决因只做部分拾取致使丢失有效地质信息所带来的损失，还能提高工作的效率，节约成本。随着地震勘探程度的深入和计算机科学的发展，自动拾取的研究才得到了较大的进步。一些新的速度提取方法不断提出:使用迭代原理和层位追踪进行速度智能拾取，蒙特卡罗法进行自动层速度的拾取，非双曲线的速度自动分析，viterbi算法自动拾取等等。这些方法的实现，不仅证明了智能拾取叠加速度的可能，而且提高了工作效率，降低了工作成本，具有一定的经济价值和实际意义。

机器学习是计算机科学的一个分支，广泛应用于各个领域。深度学习是机器学习的子领域，是目前数据科学领域最热门的领域之一，在机器人技术，图像识别和人工智能(AI)方面有许多成功的应用(Caté等，2017)。而在石油和天然气行业中，机器学习和神经网络也已经经过了一段时间的发展，可以将其视为一组包括分类，聚类和回归的数据分析方法(Hall，2016)，这些方法可以用于发现地震数据中的特征和趋势，辅以实现速度谱的自动拾取。

传统的速度拾取主要通过手工拾取来实现，其精度主要依赖于处理人员的个人经验，随着地震采集数据的高密度、大体量化的发展，人工拾取效率低下、成本高昂且精度不稳定的缺点愈发显露出来。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于获得精确解的问题。