基于灰度共生矩阵的地震数据空间结构属性分析技术

本文从地震数据空间结构属性原理出发,阐述了灰度共生矩阵(GLCM)的定义及特点,给出地震空间结构属性计算方法,从而将地震波形图像转换成带有明确地质意义属性(能量、熵、对比度及均质性)的色差图像,达到识别复杂地质目标体的目的。在大民屯凹陷西斜坡的应用实例表明,对比度属性对识别断层、熵属性对识别岩性沉积体的应用效果较好,并与钻井结果相吻合,因此该技术能够识别断裂构造和岩性沉积体等地质体,可作为一种综合解释的新技术加以应用。

应用地震数据体结构属性预测玉北1井区油气分布规律

塔里木盆地玉北地区油藏具有埋藏深、油层薄且分散、相带变化快、油水关系复杂、分割性强、井与井之间可比性较差等特点,应用常规地震储层预测方法很难满足该区块油藏开发的需要。为落实玉北地区玉北1井油田海相碳酸盐岩含油性富集区的评价,指明有利储油层分布规律,通过提取地震数据结构属性,达到预测油气的目的。该属性基于地下岩层层序结构、岩性和含油气等发生纵横向变化引起地震反射波的变化。实际钻井资料验证了该方法有较好的效果。

考虑属性和空间逻辑的地震灾情数据清洗器设计与实现

针对目前地震灾情信息普遍存在的质量问题,根据灾情数据的属性逻辑,采用逻辑分离的清洗框架中基于规则引擎的数据清洗方法进行初步清洗;再从灾情数据的空间逻辑关系出发,通过聚类分析进一步修正数据中存在的错误,弥补基于逻辑分离的清洗框架在孤立点异常检测方面的不足。基于上述规则引擎与空间聚类相结合的清洗技术,设计并实现了一种考虑属性和空间逻辑的地震灾情数据清洗器,并应用于2017年"8·8"九寨沟7.0级地震,分析四川省地震灾情快速上报接收处理系统接收到的客观震感灾情信息。结果表明:地震灾情数据清洗器可快速检测并修正异常的灾情信息,有效提高接收到的灾情数据质量。

地震属性质量控制技术在地震数据处理中的应用

地震资料处理的效果往往是通过对比处理前后的单炮记录或叠加剖面来进行定性判断的,这种方法的局限性在于从地震记录上很难判断处理的合理性或对地震记录的改变情况.而通过采用地震属性分析技术对处理前后的地震数据进行质量控制,有效克服了上述方法的局限性.这种方法能够更加直观地认识和分析原始资料特征,同时确立合理的处理流程和参数,并为质量控制提供有效的定量化分析手段,有效控制地震数据处理的质量和过程,为后续的地质目标圈定、油气检测等提供科学依据.

综合应用地震属性、测井数据反演储层参数

宋维琪 ,王小马 ,杜玉民 ,付金华 .综合应用地震属性、测井数据反演储层参数 .石油地球物理勘探 .2 0 0 2 ,37(5 ) :4 91～ 4 94 本文研究了样点地震属性的特征提取 ,利用 BP神经网络建立测井声波时差和地震属性的非线性映射关系。采用距离加权平均对研究区所有井的反演结果进行外推。为了提高分辨率和计算结果的准确性 ,详细分析、研究了适合于地震信号分解和重构的小波 ,以及测井声波时差和地震波阻抗与层界面的关系。最后 ,对反演的声波时差资料进行界面影响校正 ,进而计算出较符合实际情况的孔隙率参数。经已知井和新钻井验证 ,计算结果和实际情况相一致 ,效果令人满意。

台湾西南海域地震数据处理及天然气水合物地震属性

对台湾西南海域增生楔部位长排列多道地震数据进行地震成像、速度分析、AVO分析、AVO反演处理,获得了天然气水合物多属性地震特征.在偏移剖面上,BSR与海底近似平行,极性与海底相反,穿越沉积层.AVO分析显示,强BSR振幅部位,BSR振幅随偏移距增大而增大.精细速度分析表明强BSR振幅下方存在纵波低速层.对应于强BSR振幅部位,AVO反演的P波、G波为相对高负值区,位于P、G交会图的第三象限,该部位泊松比变化率为负值,横波反射系数接近于零.以上多属性地震特征均预示着该区域可能存在天然气水合物层,且天然气水合物层下方可能存在游离甲烷气层.

地震数据油气预测中的属性优化方法

本文简单介绍了智能信息处理中新出现的RoughSet（RS）理论及属性选择方法，从双相介质地震波传播理论角度，探讨了地震数据油气预测属性优化原理，提出了基于RS理论的地震数据油气预测属性优化方法。实际应用表明；本方法速度快、易实现，而且在优选属性、最大程度地减少提取地震属性种数、提高分类正确率等方面，明显优于其它方法。本方法将成为地震数据油气预测的一种有效手段。

基于地震数据构造曲率属性预测裂缝

为了有效预测岩层裂缝发育与分布,利用新疆准噶尔盆地南缘霍尔果斯背斜在纵弯变形作用下地震数据构造曲率属性进行了分析,并在此基础上进行了裂缝预测。具体方法是:利用petrel软件分析研究区的地震数据,追踪主要层面和断层并提取目标层面曲率和建立构造模型;考虑层面曲率对裂缝预测的局限性,通过“蚂蚁追踪”进一步提取目标层三维曲率属性而提取裂缝分布规律,将提取的裂缝与构造模型相结合。实例表明,上述方法可以简单、高效、全面地预测裂缝发育与分布,因此具有较强的实用性。

地震属性分析系统数据库的设计与研究

文章调查了地震属性分析工作的数据需求。通过归纳属性工作的实际内容抽象出软件系统架构。讨论了属性数据库的标准化。用关系理论进行属性数据建模,实现了表的设计。基于原型系统开发理论提出了地震属性数据库的动态开发策略,建立了一套完备的地震属性分析系统数据库。

地震多属性分析在煤田拟声波三维数据体预测中的应用

介绍了利用地震属性分析技术预测三维拟声波测井曲线数据体的方法。对拟声波测井曲线和过井点处的地震属性使用线性回归和神经网络等方法进行了统计,将得到的统计关系应用到非井点处的地震属性上,得到三维拟声波测井曲线数据体,进而研究地层物性参数的变化和空间分布规律。与常规资料相比,三维拟声波测井曲线数据体分辨率有了很大提高,有助于煤层的识别和预测。

物理、数据先验认识融合的叠前解耦分步反演

AVA三参数反演在地层弹性参数预测中发挥着重要作用。由于AVA理论公式(即物理先验认识)中的角度不易确定,加之大型稀疏矩阵的病态性,导致常规叠前反演过程不稳定。为此,提出物理、数据先验认识融合的叠前解耦分步反演方法。首先,基于物理先验认识构建非稀疏正演框架,以增加参数反演的稳定性,为解耦分步反演奠定基础;然后,以井资料为数据先验认识,将物理、数据先验认识融合,对叠前地震数据进行解耦,以得到更准确的叠前地震属性数据;最后,对解耦后的叠前地震属性进行反演得到地层弹性参数。该方法通过井数据先验认识修正反演过程,可以避免因物理先验认识中角度不准带来的误差。实际数据测试结果表明,相比于业界三参数AVA反演方法,本方法的反演结果具有更高的精度,其中拉梅参数、剪切模量和密度的精度分别提高14.1%、13.6%和11.9%。

基于构造导向的地震数据信噪比属性计算方法（英文）

目前大多数信噪比估算方法只能计算地震数据的整体信噪比,而不能计算任意局部信噪比,本文提出一种基于构造导向的地震数据信噪比属性计算方法,旨在刻画地震数据信噪比在时间和空间上的变化特征。首先利用平面波分解滤波器计算地震数据的斜率参数,再利用奇异值分解方法计算局部地震数据的信噪比,由此得到随时空变化的信噪比。该方法克服了常规整体信噪比无法表征地震数据任意局部特征的不足,将信噪比作为地震数据的一种属性更加准确地描述地震数据随时空变化的信噪能量分布特征。理论模型测试和实际资料处理结果表明:信噪比属性不仅可以用于地震数据的质量评估还可用于去噪方法的分析和评价。

三维地震属性数据处理与应用

通过研究地震波场的属性参数变化以及与地质异常体的关系，以此达到通过三维地震属性数据处理成果直接或间接地检测地质异常体的目的。

综合利用多分量地震属性、新岩石物理模型和现场数据来估计墨西哥湾深水近海底地层中的气体水合物浓度阶段

目前在工业和学术情况是大多数深水水合物研究由学术团体在进行。这些工作已经将高级的现代科学应用到水合物系统的评估，但是它们受限于投资小，而深水研究船以及操作的巨大开支使得收集到的数据非常有限。大多数学术研究集中在布莱克海台，南卡罗里那远洋（例如Hormbach，2003）以及Cascadia边缘，英国哥伦比亚远洋（例如Spence，2000），

基于改进XGBoost的地震多属性地质构造识别方法

地震属性可以用来解释与预测地质构造,因此地震属性被广泛地运用在煤矿地质构造的识别。但一般情况下,勘探区中无构造区域与有构造区域分布不均衡,无构造区域远远多于有构造区域。机器学习中,传统的分类器更习惯于偏向多数类,这使得如何有效地识别出构造体成为一个难题。为了解决这一问题,提出了一种针对不平衡数据集的改进极限梯度提升(extreme gradient boosting,XGBoost)构造识别方法。该方法的原理是,首先,以基于三维地震勘探成果数据体提取的12种地震属性为数据集特征,以实际揭露后的地质构造为数据集标签构建多属性数据集,然后以特征对标签的相关性为标准,过滤掉冗余的特征;其次,将边界样本分类算法(boundary sample classification,BSC)与合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)相结合形成BSC-SMOTE算法。用BSC-SMOTE算法对原始数据集进行平衡,再利用平衡后的数据集训练XGBoost分类器,并用贝叶斯优化(Bayesian optimization,BO)对该分类器进行超参数寻优,最后用此分类器预测构造。以山西新元煤矿责任有限公司东翼矿区为研究区域,实验结果显示,改进XGBoost算法模型的预测精确度为0.95,比未改进的XGBoost算法提高了0.16,比K-近邻(K-nearest neighbor,KNN)、随机森林和支持向量机(support vector machine,SVM)等传统算法提高了0.15以上。改进XGBoost模型的预测结果经可视化后与实际揭露构造对比基本吻合,说明该模型能够有效地识别出地质构造体。

用多属性变换由地震数据预测测井特性

描述了一种由地震数据预测测井特性的新方法。分析的数据由一系列与某个 3D地震数据体相连的井的目标测井曲线组成。从 3D地震数据体计算了一系列基于样点的属性 ,目标是要导出一个多属性变换 ,即属性的某个子集与目标测井值之间的线性或者非线性变换。选定的子数据体是用向前逐步回归的方法确定的。传统交会图的扩展包括用褶积算子来消除目标测井曲线与地震数据之间的频率差异。在线性模式中 ,多属性变换方法要采用最小平方法计算一系列权值。在非线性模式中 ,则是用选定的属性为输入进行神经网络训练。对两种类型的神经网络 ,即多层前馈神经网络 (MLFN)和随机神经网络 (PNN)进行了评价。为了评价导出的多属性变换的可靠性 ,进行了交叉验证 ,即从训练数据体中按顺序每次剔除一口井 ,再由剩余的井重新导出这一变换 ,然后计算被隐去井的预测误差。该变换应用于地震数据体时 ,将合理误差 (所有被隐去井的平均误差 )用作为似然预测误差。该方法被用于两组实际数据。在每种情况下 ,当从单属性回归到线性多属性预测 ,再到神经网络预测过渡时 ,预测能力持续提高。这种改善不仅对训练数据的效果明显 ,对验证数据的效果也很明显。此外 ,神经网络法与线性回归法相比 ,分辨率也有明显的改善。

一种改进的地震数据道均方根值属性算法

地震数据道均方根值是地震仪器现场质量控制软件中的一项重要道属性指标。本文提出了一种改进的均方根值属性算法,即滑动窗口均方根值属性算法,使用这种方法可以解决目前常规地震数据道均方根值属性算法造成数据道误判和漏判的问题,对地震仪器现场质量控制提供了一种新的思路。文中详细地介绍了这种算法的基本原理和具体的应用以及应用中应注意的几个问题。

由叠前多数据体分析提取的新的属性作地震解释

在这篇论文中，我们推荐一种名为广义主分量分析(GPCA)的多变量统计方法，该方法在减少有意义变量数量的同时，计算描述几组变量之间关系的分量并且也分别描述每一组变量的分量。GPCA适用于(根据一个真实地震数据集)等方位角数据体的联合地层反演之后得到的三个弹性参数(纵、横波阻抗和密度)。从GPCA提取的分量是在储层时窗描述地震特征的新的属性。这些新属性用来提取初始参数并在地质上用一种监控模式识别算法进行解释。新属性显得比(适用于相同数据)从一种主分量分析(PCA)提取的多种常规属性更为切合。第一，这些新属性能容易地显示出与几组变量的关系，因此在物理上能作解释。其二，根据更严格限制属性数量这一种手段，更好地提取这三个弹性参数。最后，利用从GPCA提取的属性，使所作的地质解释更可靠和更贴近实际。

物理模型的地震属性预测效果分析

地震属性是由地震数据经数学变换导出的,地震数据的变化可能会影响地震属性预测的结果。同一地震数据体经不同处理后得到的不同类型地震剖面,其地震属性预测效果也会有很大差异。以Z地区实际地层结构为原型,设计了含有岩性(砂岩、砾岩、煤)和物性(干砂、含油砂岩、层厚度、层速度)变化的6个地层物理模型,利用物理模型实验的数据,对3种类型的地震剖面进行了敏感属性预测效果分析。结果表明:由不同类型地震剖面提出的同一敏感属性的预测效果各不相同,往往各有所长,为了改善预测效果,需根据地层实际情况确定应用何种地震剖面。