基于脉冲耦合神经网络的地震多属性融合方法

针对单一地震属性进行油气储层预测时往往存在多解性问题,提出基于脉冲耦合神经网络(PCNN)的地震多属性融合方法:通过简化PCNN模型,利用PCNN神经元结构很强的非线性处理功能,确定各神经元之间的数据融合系数,进而获得对应神经元的融合数据输出,从而实现了地震多属性的融合。该方法简捷、计算效率高、融合效果好。通过川东北地区多种属性切片数据的应用验证了该方法的合理性和有效性。

基于局部熵的LP-PCNN多属性融合裂缝预测方法

地震属性分析方法在储层裂缝预测方面是常见且有效的方法,但地震属性与裂缝之间往往是多元复杂的非线性关系,单属性分析的结果存在不稳定和多解性问题。为了更加全面、准确地预测储层裂缝特征,提出了一种基于拉普拉斯金字塔算法(LP)和脉冲耦合神经网络(PCNN)的多属性融合分析方法。通过属性分析提取并优选对裂缝敏感的多个单属性,引入拉普拉斯金字塔算法,在保护高频细节信息的前提下将各单属性分解为多尺度空间频带;利用PCNN模型强大的非线性处理功能对分解数据进行聚类特征分析;引入表征统计特性的局部熵(LE)对拉普拉斯金字塔的各个分解尺度进行融合。利用拉普拉斯金字塔重构算法得到最终多属性融合结果。实际地震资料测试结果表明,该方法不仅能够有效整合裂缝信息,更加全面地预测裂缝展布特征,而且能在一定程度上压制单属性中存在的冗余或错误信息,提高信噪比,对裂缝边界的刻画更加清晰。