Emerge多属性分析理论培训.ppt

Emerge多属性分析理论培训,EMERGE程序的目标:EMERGE 是一个分析测井曲线和地震资料的程序.它能建立在井位处井与地震数据之间的关系.它可以运用这种关系去预测或者去估算整个地震体范围上这种井曲线属性.EMERGE所用的数据:地震体(通常是3D).在地震体范围内的一系列井资料.每口井都包含即将被预测的目标曲线，例如孔隙度Por曲线.每口井包含深时转换信息，通常都是经过check-shot 校正后的声波测井曲线.(可选项):3D地震体的一个或多个外在属性.,EMERGE简介,EMERGE简介,从理论上讲,任意类型的曲线都可以是EMERGE预测的目标.实际上,以下类型的测井曲线都已被成功地预测:P波速度(P-wave velocity)孔隙度(Porosity)密度(Density 伽玛测井(Gamma-ray)水饱和度*Water saturation)岩性(Lithology logs),因为EMERGE要将目标曲线与地震资料相关，所以正确的深时转换关系是很关键的。基于此，check-shot校正和手动校正是必须的。,唯一的条件就是每口井都必须存在将要进行预测的测井曲线.,因为EMERGE假设目标曲线是无噪声的，所以在用EMERGE之前,编辑目标井是非常重要的.,EMERGE简介,EMERGE可以当作常规迭后反演的延伸,地震属性通常是地震道的非线性转换。两种地震属性的类型:基于采样的：calculated from the trace on a sample-by sample basis.举例:振幅包络基于层位的:由两个层位的平均值计算出来 举例:两层位置之间的孔隙度对EMERGE而言,所有的属性都是基于采样的。,地震属性,地震属性举例：,EMERGE 能够计算下列内部属性：振幅包络 Amplitude Envelope振幅*加权相位余弦 Amplitude Weighted Cosine Phase振幅*加权频率 Amplitude Weighted Frequency振幅*加权相位 Amplitude Weighted Phase平均频率 Average Frequency视极性 Apparent Polarity瞬时Cosine相位 Cosine Instantaneous Phase导数 Derivative瞬时振幅的导数 Derivative Instantaneous Amplitude主频 Dominant Frequency滤波切片 Filter Slices瞬时频率 Instantaneous Frequency瞬时相位 Instantaneous Phase积分 Integrate绝对振幅积分 Integrated Absolute Amplitude二阶导数 Second Derivative瞬时振幅的二阶导数 Second Derivative Instantaneous Amplitude时间 Time,地震属性,EMERGE可以输入外部属性。它们不能通过内部属性计算出来，因为：它们是独立的，比如相关属性。太复杂，如地震反演，AVO属性，等等。内部属性可以归为以下几类：瞬时属性 Instantaneous attributes频率属性 Windowed frequency attributes滤波切片 Filter slices导数属性 Derivative attributes积分属性 Integrated attributes时间（线性渐变）Time(a linear ramp)以地震数据为例，现在来关注一下关于群属性的理论。,地震属性,瞬时属性,Taner,et al首先提出瞬时属性(Geophysics,June,1979)。他们从复地震道C(t)算起。C(t)由地震道s(t)与其希尔伯特变换h(t)(希尔伯特变换即对地震道作90度相移)。如下所示,将复数地震道写成极坐标形式，图中标示出了两个基本属性：振幅包络A(t)(也称为瞬时振幅)和瞬时相位f(t)。,第三个属性,瞬时频率是瞬时相位对时间的导数.方程式如下:,另一个瞬时属性则是前面三个基本属性的结合.,视极性属性则是由振幅包络乘以该地震道的波峰的极性符号而得，应用于该波峰相邻的波谷之间的一段地震道.,瞬时属性,我们来看某三维体inline95处各个瞬时属性的图像.08-08井也标在其上.,瞬时属性,瞬时相位 inline 95.,振幅包络 inline 95.,振幅*加权相位余弦 inline 95.,瞬时相位的余弦 inline 95.,振幅*加权相位 inline 95.,视极性 inline 95.,瞬时频率 inline 95.,振幅*加权频率 inline 95.,时窗频率属性,EMERGE的另一类属是基于地震道的时窗频率分析。在此过程中，系统默认在64倍采样间隔的时窗对每个地震道进行傅里叶变换。在本窗口中，选择好平均频率振幅或主频振幅，并将该值赋予时窗中心点。随后，设置32倍采样间隔的时窗，计算此时的频率振幅。注意：在属性参数菜单中可以修改采样时窗的默认值，如下所示：,inline 95 处的主频 Dominant frequency,inline 95 处的平均频率Average frequency,时窗频率属性,第三类属性为地震道的窄带滤波切片.以下六种为通常所用:5/10 15 20 Hz15/20 25/30 Hz25/30 35/40 Hz35/40 45/50 Hz45/50 55/60 Hz55/60 65/70 Hz下面分别显示最低频和最高频切片.,滤波切片属性,inline 95 处5/10 15/20 Hz滤波切片,inline 95 处55/60 65/70 Hz滤波切片,滤波切片属性,EMERGE 中第四类属性是基于地震道或相应的振幅包络(亦称瞬时振幅)的一阶或二阶导数.通过以下的公式来计算导数:,其中,si 是第i个地震道或振幅包络;d1i为一阶导数;d2i为二阶导数;Dt为采样间隔.以inline95处的地震道和振幅包络为例:,导数属性,inline 95 处的地震道的导数,inline 95 处的振幅包络的导数,导数属性,地震道的二阶导数,振幅包络的二阶导数,导数属性,积分属性,第五类属性基于地震道积分或相应的振幅包络(瞬时振幅)积分.通过以下方程计算:,其中，si 代表第i个地震道或振幅包络，Ii代表相应的积分值.最后，对默认的50个点进行平滑滤波以便去除反演结果的低频趋势，然后进行积分。将振幅包络除以最大最小采样数之差,使之归一化.同样,默认选项均可在属性参数菜单中修改.以inline 95处的积分为例见下一页:,At the end of the running sum the integrated seismic trace is filtered by running a default 50 point smoother along it and removing the resulting low frequency trend.The integrated amplitude envelope is normalized by dividing by the difference between the minimum and maximum samples over the total number of samples.Note that the defaults can be changed in the Attribute/Attribute Parameters menu,shown earlier.,地震道积分Integrated traces,振幅包络积分 Integrated amplitude envelope,积分属性,时间属性,Inline95处的时间属性(对于该地震体的任一测线时间属性看起来似乎都是相同的).,最后谈谈时间属性.它只是求地震道的时间值，因此可以形成一个斜坡函数，它可以对生成的储层参数添加一个趋势。时间属性的图片如下:,EMERGE 力求找到目标曲线与地震道的各个属性之间的关系.单井的各种属性如下:,地震属性,目标曲线与任一地震属性的交汇图能够标识二者的相关性.下图给出了目标曲线,地震道以及一个外部属性:,交汇图,下面是纵轴的目标曲线(P波波速)与横轴的外部属性(反演结果)的交汇图.,交汇图,回归分析方程如下:y=a+b*x该方程使得预测目标的误差达到最小:,交汇图,其中,平均值:,协方差定义如下:,归一化的协方差定义如下:,交汇图,预测误差为目标测井曲线的真实值与预测值之间的均方差.,通过应用回归方程来预测目标属性:,对目标变量或地震属性变量(同时或只对其一)进行非线性变换运算,有时可以提高其相关性,交汇图,练习2:单属性列表,本练习中,我们将要针对练习1中加载的数据做交汇图,生成单属性列表.交汇图绘制:首先,点击Display/Well来看01-08井的内部属性.,如上图所示选择属性类别.我们可以看到可利用的内部属性全部显示在左列,而我们所选择的属性显示在右边列表.,点击Ok得到下图，它显示了01-08井旁地震道提取的振幅包络:,点击Display/Crossplot 查看该属性与目标曲线的相关程度.,这个菜单能够创建目标曲线与任一个其他的内部或外部属性的交汇图.我们可以用单井或所有的井.另外,还可以对目标曲线和所用的属性进行一系列非线性变换.填好上示菜单,点击Ok,下面的交汇图显示出来.,该交汇图用了分析时窗内所有井的全部点，纵坐标为目标声波测井曲线，横坐标为一外部地震属性，即反演结果。该图的上部分显示了回归方程的斜率和截距以及归一化的相关系数。该相关系数是衡量用该地震属性去预测目标曲线的符合程度。,点击Attribute/Create Single Attribute List,计算所有地震属性的相关系数,并进行排序.,左上角显示出工区中的所有井，右上角显示出分析中将要用的井，系统默认使用所有的井。中间左侧框显示了所有的属性（内部和外部属性）。中间右侧框显示选中的属性，默认选全部属性。注意：我们也可以选择是否要对目标曲线和地震属性做非线性变换以提高其相关程度。,单属性分析,以上选好后，点击Ok,结果显示如下:,从上表中我们看到使用外部属性，“反演结果”的误差最小可达298.76。有时,应用目标曲线和地震道之间的剩余时移以及check-shot校正都能够提高反演的相关程度，尽可能减小误差。,校正这个的一种方法是点击Wells/Shift Target Logs，如下图:,该菜单允许输入每条目标曲线的时移。当然，我们并不知道输入多少合适，可以点击Optimize按钮,出现左侧的窗口：,你可以在优化时移菜单中选择变换的类型，此处，我们选择单属性变换：1/inversion result.系统会对每口井实行一系列时移来找出最优化的时移,使得相关系数尽可能达到最大,此处选择的最大时移为10ms，选好之后,点击Ok.则下面的时移菜单就会显示出建议时移。,默认这些结果,点击Ok.EMERGE主窗口会更新这些经过时移的井。点击Attribute/Create Single Attribute List重新计算单属性变换.,采用系统默认值,结果如下:,现在我们可以看到目标曲线的平方根与1/(Inversion Result)之间的误差最小,为289.75。单属性列表显示出每个属性的交汇图结果，并且按照误差从小到大排序。如果你选中某个属性比如(P-wave)的平方根&1/Inversion Result)然后点击Cross Plot按钮,就会显示出两者相应的交汇图。,当你选中某个属性如1/Inversion Result,然后点击Apply按钮,就会看到以下所示的界面:,上图显示了用指定的属性(1/inversion result)来预测得到的目标曲线和真实的目标曲线，还有回归方程的截距和斜率。点击窗口顶部的View/Zoom，用鼠标分别对三口井选取时窗附近一个区域，则会看到放大后的曲线。,如图显示了实际目标曲线(黑色表示)与由属性预测得到的曲线(红色表示)。上部的Average Error(平均误差)是真实的测井曲线值与所预测的值的均方根差。注意到对Inversion Result应用回归方程会产生与真实的目标曲线相一致的变化趋势,但是不能够准确地预测它的细微的特征.这是由于 Inversion Result是由相对比较粗糙的块进行划分的，而EMERGE可以通过应用别的一些地震属性来提高对细微特征的分辨能力。(练习2结束),结果如下:,两属性的交汇(最佳拟合是一个面),单属性交汇图(最佳拟合是一条线),多属性,应用多属性是对常规交汇图的一种拓展,多属性的线性回归:,对每个时窗而言,目标曲线都被模拟成多个属性的线性组合.,用三个属性来预测孔隙度(t)=w0+w1I(t)+w2E(t)+w3F(t)其中(t)=孔隙度 porosityI(t)=声波阻抗 acoustic impedanceE(t)=振幅包络amplitude envelopeF(t)=瞬时频率 instantaneous frequency上式可以分解为一系列线性方程:1=w0+w1I1+w2E1+w3F12=w0+w1I2+w2E2+w3FN.N=w0+w1IN+w2EN+w3FN用矩形表示如下:,或者P=AW,通过最小二乘平方法来解上式,我们可以得到:W=ATA-1ATP详细计算如下:,这些系数满足预测误差最小化这个条件.,或:,减小预测误差预测误差不会因为属性增多而变小，为什么呢?我们可以将第N+1个属性的系数定为0，它与N个属性时结果一致。,属性组合的选择给定所有的内部属性和外部属性,我们怎样能够发现哪些属性组合在一起能够得到最好的预测效果呢?EMERGE 用step-wise regression来达到最好的属性组合.第一步:用试错法找到最好的属性：Amplitude Weighted PhaseAverage FrequencyApparent Polarity 对列表中的每个属性(振幅权重相位,平均频率,和视极性等),计算预测误差.误差最小的那个属性便是最好的属性,命名为属性1.第二步:找到最好属性对：假设第一个属性为属性1,用它与列表中的别的属性形成属性对,如下:(attribute1,Amplitude Weighted Phase)(attribute1,Average Frequency),etc.最好的属性对便是预测误差最小的对.这样,第二个属性就选出来了,命名为属性2.,第三步:找到最好的第三个属性：假设前两个最好的属性分别为属性1 和属性2，用它们和属性列表中的成员分别组成三个属性的组,如下:(attribute1,attribute2,Amplitude Weighted Phase),(attribute1,attribute2,Average Frequency),etc.最小误差的便是第三个最好的属性,称为属性3.不断地这样优选出你需要的属性.减小预测误差:N个属性的预测误差EN总是 小于或等于N-1个属性的预测误差。,如何知道选取多少个属性为最佳呢?增加属性就相当于用高次的多项式来拟合曲线.,属性的有效性,我们能够计算出每个多项式的预测误差,它等于真实的y值与预测得到的y值之间的均方根差.,随着多项式的阶数增加,预测误差趋于减小.问题在于,当用过高阶多项式拟合时，对已有数据范围内可能拟合的好，但是内插或外推时超过边界的数据会拟合的很糟糕，如下所示,这就是“过训练”的问题。,EMERGE用以下的步骤来验证地震属性的有效性:(1)将数据体分为两个集合:训练数据集合 Training data set 验证数据集合 Validation data set(2)用训练数据集合通过回归确定相关系数。(3)用验证数据集合来计算预测误差。如上图所示,用高阶的多项式对学习数据集合拟合，效果较好，但对验证数据集合拟合的较差。这表明多项式的阶数太高了。,EMERGE 可以系统地保留一些井以验证地震属性的有效性。假设有5口井和3个属性：Well1,Well2,Well3,Well4,Well5假定有三个属性：Impedance,Envelope,Frequency通过以下的步骤来验证属性的有效性:保留井1.用来自井2,井3,井4,井5 的数据体来求回归系数。即解下面的方程组，井1的系数为0.1=w0+w1I1+w2E1+w3F12=w0+w1I2+w2E2+w3FN.N=w0+w1IN+w2EN+w3FN,(2)用求得的系数来计算井1的预测误差，用下式来计算:,只用井1的数据来算,这样得到井1的校验误差E1.(3)分别保留井2,井3,井4,井5,依上述分别计算回归系数和验证误差.(4)计算所有井的平均验证误差:EA=(E1+E2+E3+E4+E5)/5,横坐标表示用于预测的属性的个数,纵坐标表示相应个数的属性的均方根误差.黑色曲线表示用学习数据计算的误差,红色曲线表示用验证数据计算的误差.从上图我们得知,当属性个数多于5时,验证误差增加,说明属性太多,过拟合了。,下面是Emerge分析的有效性分布图：,练习3:多属性分析,本练习中,我们要对前两个练习中的数据体进行多属性分析.多属性分析:点击Attribute/Create Multi Attribute List进行多属性分析,以下菜单显示出来.,该菜单包括两页：第一页选择用于多属性分析的井。此处采用默认选项，点击Next,第二页如下所示,用来创建多属性列表:,第一项确定创建一系列变换还是单个变换.通常,我们创建一系列变换,用step-wise regression来验证多属性。最大属性个数是个很重要的参数。在此分析中，EMERGE 通过step-wise regression搜索到预测目标体的属性集合。最大属性个数控制着何时停止搜索.这个搜索过程影响着运行时间。,因子长度是另一个很关键的参数,后面详细介绍.现在,默认选择1ms的采样率.与单属性分析一样,我们将对目标体和外部属性进行非线性变换的检验。不断地点击Next,直到该菜单的最后一页,验证所选的选项。之后,点击Ok.几分钟后,你会看到以下列表:,多属性相关结果给出了计算结果，每一行对应于一个多属性变换，包括实行变换的属性对。比如：第一行1/Inversion Result表示单独使用时的最好属性为Inversion Result。第二行，Time指的是1/Inversion Result 和Time是最好的属性对。用于同时进行变换时。,依此,我们得到了最好的三个属性组合和四个属性组合,等等.训练误差的减小说明随着属性个数的增加,预测误差降低。也可看到预测误差的显示Error Plot/Versus Attribute Number，如下：,下面的曲线(黑色)表示纵轴上的学习误差和横轴上属性个数之间的关系.上面的曲线(红色)是验证误差,显示出7个属性效果最好.,要看多属性因子与最小验证误差的交汇图，可以点中第7行，然后点击Cross Plot按钮，显示如下窗口：,这个交汇图不同于前面所述。它显示了预测的目标体和真实的目标体之间的关系。红色曲线不是回归曲线，而是斜率为1截距为0的直线，这是最好的相关。实际的相关系数和误差显示在图的上部分。我们可以看到用7个属性得到的相关系数几乎达到62%。,确定多属性列表中第7个属性变换已选中并且点击Apply/Training Result，程序窗口会显示对目标曲线进行多属性变换后得到的预测曲线，点击View/Zoom选项，放大显示如下图：,该表列出了8个属性的权重以及常量值（练习3完毕)。,点击Attribute/Display Single Attribute List,选择第一个单属性,1/Inversion Result,点击Apply,对比上示结果。从数学角度上讲,相关系数从51%提高到62%.回到多属性列表，点亮Dominant Frequency，然后点击List按钮,显示下表：,目前为止,多属性分析只是使每个目标和相应的地震属性二者相关。,这种方法存在一定的局限性，因为井和地震属性之间在频率方面存在很大差异(如下所示)。,褶积因子,利用褶积因子，可以将交汇图回归延伸到包含相邻的采样点（曲线上某一点的信息来自用地震上相邻的多点）。,每一个目标点可以由一组属性的多个点的加权平均来求得，这个加权平均就是褶积,所有点用同一权值，因此对第二个样点：,之前的公式:P=w0+w1A1+w2A2+.+wNAN改为:P=w0+w1*A1+w2*A2+.+wN*AN其中*表示褶积.,由两个属性预测孔隙度为例说明:,此时,权wi 变为三个点的褶积因子:wi=wi(-1),wi(0),wi(1)上面的矩阵方程变为:,这是一个新的线性方程，此处权重wi,换成了三个值，wi(-1),wi(0),wi(1)。这个可以通过最小平方回归求得。唯一的差别是对两个属性来说，我们现在有3+3+1=7 个参数。例如，对第二个样点，我们有如下7项的方程，而不是3项：,W(0)*I1+w(-1)*I2W(1)*I1+w(0)*I2+w(-1)*I3 W(1)*I2+w(0)*I3+w(-1)*I4 W(1)*I3+W(0)I4,1 2 3 4 5 6 7 8 9,w(1)*w(0)*w(-1)*,+w(1)*+w(0)*+w(-1)*,w(1)*w(0)*w(-1)*,+w(1)*+w(0)*+w(-1)*,w(1)*w(0)*w(-1)*,+w(1)*+w(0)*+w(-1)*,重新写一下上式：,在以上方程式中，第一项与非褶积情况一致（只含有第二个样点）。同时它包含0权重。第二项包含+1权重与第一个样点。第三项包含-1权重与第三个样点。建议有效解决权重问题的方式是创建多个新的属性，这些属性是原始属性的时移的结果。求+1 权重，将属性前移一个样点，同样的方式适用于0权重。求-1 权重，将属性回移一个样点，同样的方式适用于0权重。,应用褶积因子就如同增加更多的属性：它会改善预测误差，但是验证误差可能不会得到改善 过训练的危险性会增强。上面的例子说明随着褶积因子长度的增加，训练误差总是降低。而随着褶积因子长度的增加，校验误差降低到最低点，之后会增加。,在这个练习中，我们延用之前的练习，在应用多属性分析时应用褶积因子。,初始化多属性变换，点击 Attribute/Create Multi Attribute List。创建一系列属性，应用所有的井，点击Next,在第二页，设置Maximum number of attributes to use 为7。,练习4:褶积因子,第三页，定义褶积因子测试的范围。设置从 1 到 9，每2个换一个。Click OK.在提示菜单跳出来后选择 Yes。,This will take a little while to complete,so nows a good time to take a break.,返回的多属性列表list2有5个不同的版本，每一个对应不同的褶积因子长度。List 1(先前练习得到的)也是可用的。,选择不同的多属性列表，最终属性的相关会随之变化：点击 Error Plot/Versus Operator Length.,可以显示5种不同的褶积因子对应的验证误差。最小验证误差发生在7point褶积因子6种属性的时候。其它的组合验证误差都比这个大。,选择多属性列表 List2_7pt,点击 Error Plot/Versus Attribute Number:,这个图显示了7point褶积因子的情况下对应的训练误差和验证误差。,要查看任一个多属性褶积因子的交汇图，点亮Amplitude Weighted Frequency（选择第6个属性）点击 Cross Plot 按钮，显示如图：,注意：应用褶积因子的作用是将相关系数从62%很大地提高到了接近71%,再次选择第6个属性，点击Apply/Training Result。如图，显示了应用多属性变换后生成的曲线及目标曲线。,应用 View/Zoom 放大后，看到如图：,与之前的显示类似，象注释中指出的那样，每一条预测曲线是通过应用其它井运算得到的褶积因子运算得到的。它更有效的显示了这个程序在一口即将钻的新井处用得好不好。,如果选择多属性变换列表的第6行，还有一个有用的显示，可以点击Apply/Validation Result.,(练习4结束),练习5:3D数据体的处理,本练习中，我们将把多属性变换应用于三维地震体中，用以创建一个新的P波速度体。三维地震体多属性分析我们已经导出了地震道和目标井曲线的多属性关系，现在点击Display/Seismic，将该结果运用到整个三维数据体中.地震分析窗口出现。这包含三步：(1)保存权重系数，它由EMERGE自动运算得到；(2)对每个地震道，在列表中所有属性都会创建一个属性值。EMERGE做这个是临时性的（即体属性值并不会创建并保存，这样会占太大磁盘空间）。(3)对每一个属性应用权重系数并求和。现在要将之前练习的结果应用到整个体。,创建切片也是观察该结果的一个有用的方法.点击显示computed_P-wave result的地震窗口中的Process/Slicing/Create Data Slice后,上面菜单出现，应用默认，点击Next.,填好上面的菜单后,我们就创建了一个以1065ms为中心的,平均时窗为10ms的切片.点击Next 直至点击 OK,显示出该切片:,注意几何平均值显示如下：,该切片显示出低速河道穿过多口井的测线沿水平方向延伸的特征.分析完毕,点击EMERGE 主窗口中的File/Exit退出程序.系统会提示是否存储该工区,点击Yes.,练习6:预测孔隙度,本练习中,我们将利用EMERGE从地震属性方面来预测孔隙度井.数据为7口井的资料,包括其孔隙度测井曲线seismic.sgy和相应的地震道文件inversion.sgy.点击Database/Open,加载一个新的数据库到GEOVIEW,菜单如下：,选中数据库porosity.wdb 后,点击OK.,Well Explorer 窗口：,如图，加载了7口井。检查第一口井曲线，点击井名01-08，然后点击Display Well 显示如图：,EMERGE 主窗口显示出来，点击OK.,这口井包含孔隙度曲线及其它曲线。重新启动EMERGE选择Start New Project。工区名为 porosity 如图:,加载数据的过程与前面的练习相同,此处不再赘述.点击Wells/Read From Database,如下所示填好前三页:,即便我们将孔隙度测井曲线作为目标曲线,P波测井曲线也仍需要进行深时转换.点击OK,激活P波测井曲线.,现在点击OK，因为数据库中不止一条P波测井曲线，所以下面的菜单出现了,EMERGE的主窗口内显示出目标测井曲线(孔隙度曲线):,点击Seismic/Add Seismic Input/From File,选中所有的文件,加载地震数据,如下所示:,加载数据作为两个独立的3D体：,道头不含有 Inline&Xline 数或 X&Y 坐标,设置属性类型和两个文件的名字：,设置文件格式(默认的是正确的):,设置几何结构（默认的是正确的）：,点击OK,设置井在地震上的位置(默认是正确的):,提取井旁道（默认是正确的）：,Last updated:February 2007,EMERGE主窗口现在显示出所提取的地震道和来自于外部属性(反演结果)的合成波阻抗地震道:,将目标曲线在地震道带宽范围内进行过滤，这个选项经常能够提高结果质量。,之所以做这个是因为基于这么个事实：目标曲线要比地震或者属性体多好多高频成分。我们希望通过过滤目标曲线，使问题简单化，在练习中会做这个工作。,首先，我们需要决定输入数据的频带，要做这个，需要到包含地震体的窗口，点击Process/Utility/Amplitude Spectrum:,设置菜单分析第一条主测线（应用从800ms开始的一个时窗）,结果频谱显示如下：最大的有用频率在75到90HZ之间：,现在过滤目标曲线与上述带宽一致，点击Wells/Filter Logs：,Set the maximum frequencies as shown and click on Ok.,一个新的窗口出现：显示对原始曲线过滤后的曲线。放大后可以看到高频细节部分被切除了：,数据被加载用于分析。第一步是检查单属性变换。点击Attribute/Create Single Attribute List 显示如下菜单：,注意我们选择test non-linear transforms of target（孔隙度）与test non-linear transforms of External Attributes（反演体）。This is suggested by the expected negative correlation between these two data sets.,注意最好的相关大约46%非常差，原因之一,尽管经过check shot 校正,目标孔隙度曲线和地震数据之间仍然存在着剩余时移。点击Wells/Shift Target Logs 来校正：,出现左侧设置菜单，点击 Ok 得到列表：,该菜单用来输入时移,将其用于每条目标曲线.当然了,我们不知道输入多大的数字,但我们可以通过点击Optimize估计时移,得到下面的菜单:,在优化时移菜单中,我们可以选择任一种变换,此处选择单属性变换:1/(Inversion Result).程序会对每口井进行一系列的时移变换,找到能够产生最大相关系数的时移,最大时移不超过10ms.上面所示菜单显示出来后,点击Ok.,注意最大相关系数现在提升到了55%.,这时,时移菜单显示出所建议采用的时移:,接受这些时移,点击Ok。EMERGE主窗口中会显示出经过时移后的测井曲线.然后,点击Attribute/Create Single Attribute List，重新计算单属性变换.采用系统默认的参数,新的变换列表如下:,现在创建多属性列表，点击 Attribute/Create Multi Attribute List 输入以下参数：,分析结束后，多属性列表显示出来了,点击 Error Plot/Versus Attribute Number 显示预测误差图。这个图显示最好用4个属性。,注意相关系数此时达到了74%。另外，平均均方根误差是0.028，即 2.8%孔隙度。,选择列表的第4行(Y_Coordinate)并点击Apply/Training Result：,现在，将这个结果应用到SEGY数据体。到地震显示窗口，点击Process/Apply EMERGE，填写第一个菜单：,注意为了节省时间我们选择一条线，如上图所示，点击Next 进入下一菜单,当运算结束后，生成的孔隙度体显示出来。,选择第4个多属性变换，如示，点击Next 然后 OK 开始运行程序。,点击View/Parameters可以用来提高显示效果，在 Color Key 标签，改变Color Scheme 为 Lithology 并且清除 Normalized Scale 选项框:,改变数值范围，点击Data Range 设置窗口如下所示：,点击 OK 查看预测的孔隙度：,注意预测的高孔隙度区域在1065ms对应的砂河道。（练习1-5提到过）,(End of Exercise 6),EMERGE中的神经网络:为什么要用神经网络,我们希望能够解释井曲线与地震属性之间的非线性关系.,Log,Log,线性预测:Linear prediction,非线性预测 Non-linear prediction,属性 Attribute,Attribute属性,EMERGE中的神经网络,EMERGE 中运用了四类神经网络:,MLFN：多层正向反馈,类似于传统的误差反向传播.PNN：概率神经网络，用于数据分类时与判别分析相同；也可以用于数据的预测，此时与回归分析相同.RBF：径向基函数神经网络Discriminant：一种线性分类系统,概率神经网络(PNN),概率神经网络(PNN)是用于EMERGE神经网络中非常重要的一种类型，它能用于classification或mapping。EMERGE可以将一个输入地震样本分为N类(如：沙岩，页岩，石灰岩，或油，气，水等等)。EMERGE对输入地震属性样本如孔隙度等储层参数进行绘图，这与多线性回归、MLFN都是相同的。但是，PNN用的是另外一种方法（广义的回归神经网络GRNN，它将PNN用于绘图是最成功，此处我们用PNN来mapping和classification。）为了说明PNN，我们先来看属性的空间距离，接下来探讨分类问题。,从简单实例开始，我们试图用一个已知的地震属性x，已知的练习点（x1,y1)、(x2,y2)、(x3,y3)，来预测一条曲线的y值。,概率神经网络(PNN),上一页中基本的预测问题与右图中一样，给出一系列已知点，求一个未知点x处的y值。,基本的预测问题,Linear Regression,线性回归中，用已知点求得拟合线：y=w0+w1x 右图实例中，w0=2 w1=0.5；预测点如图所示。然而注意到：训练点预测的并不准确。,PNN,在PNN中，我们根据已知点拟合权重，或者说：y=w1y1+w2y2+w3y3 此处权重就是x的函数。注意此处训练点被准确的预测了。,PNN 权重,PNN权重以如下形式给出：,注意di 是从第i个训练点到输出点之间的距离，因子S令权重的和为1，s决定着拟合效果。,s 的作用,注意：s 的作用就是当s增大时，曲线变宽。,看一下右图，对于第二个点，未比例化的权重作为x的函数：,s=0.5,s=2.0,之前的PNN结果对应s=1.0，如上显示的是s 等于0.5和2时对应的曲线。随着 s 增大，拟合越平滑，但是已知点拟合的就不准确了。,118,PNN 验证,决定哪一个s 正确，需要用到交互验证，需要在训练中保留部分已知值。如右图简单示例，验证点（空心圈）在用s=2时拟合的最好。虽然这些点生成的曲线与训练点不能很好的拟合。,同样的问题，当属性变为两种。仍旧3个训练点，一个未知点。,PNN 应用两种属性,Log,Seismic Attributes,X,Y,x1,x2,x3,x,y1,y2,y3,y,p1,p3,p?,p2,注意到唯一的变化是属性空间的点是2维的，距离运算变为：,PNN练习,练习中，PNN是M维的，M是属性的个数，这个无法可视化，但是算法相同。另外，练习数据对包含N组点，N远大于3。正如我们看到的，s 是 PNN中最重要的参数，需要被优化，优化需要通过交互验证来完成。在这个过程中，每一次一口井会保留并被预测。最终，对每一个属性s 会随之变化。,PNN 应用实例,左图显示了4口井、6种属性应用多线性回归的结果；右图显示了4口井、6种属性应用PNN的结果。,PNN 验证实例,左图显示了4口井、6种属性应用多线性回归验证的结果；右图显示了4口井、6种属性应用PNN验证的结果。,PNN在Emerge中既可以用作分类，也可以用作mapping。在分类方面，我们仅需要一个权重值，它依赖于训练点到所求点的“距离”。“距离”的运算是在多维属性空间进行的。“距离”由平滑因子s来比例化，而 s由自动交互验证来决定。在mapping中，加权函数乘以已知井曲线值来求未知曲线值。接下来我们看EMERGE中如何定义菜单。,PNN总结,PNN练习参数,PNN练习即为每种属性寻找最好的s 值；通过定义，最好的s 值能产生最小交互验证误差；交互验证隐藏数据是基于井到井的或者点到点的：一般默认选择 well-by-well：,s=1的自动优化值,s 减小到1/10后的自动优化值,改变s 在PNN中的作用,如下示例显示了在1个属性的情况下改变s产生的影响,如下示例显示了