地震属性提取与分析 配合软件介绍ppt课件.ppt

《地震属性提取与分析 配合软件介绍ppt课件.ppt》由会员分享，可在线阅读，更多相关《地震属性提取与分析 配合软件介绍ppt课件.ppt（66页珍藏版）》请在三一办公上搜索。

1、相干体属性（Coherence）,GeoEast开发了三种相干算法：相关算法Corr（C1）相似算法Semb（C2）特征值算法EIg（C3）。,算法特点：相关算法Corr：运算速度最快，但是其抗噪能力最差，建议用于信噪比较高，以识别大断层为主的地震资料中。相似算法Semb：比Corr的运算速度稍慢，但其抗噪能力较强，推荐多数情况下使用该方法。特征值算法Eig：运算速度最慢，但是该方法在保证抗噪能力的同时能提高断层的横向分辨能力，在选择3点及5点提取相干时，Eig与Semb方法相当，但是在选择9点提取相干时，Eig比Semb算法对断层的横向分辨率更高，对小断层更敏感。,参数说明：,Max Dip

2、为最大倾角扫描时窗（0-15ms）该值过小会使层位信息带入相干属性中，过大会丢失断层信息，最佳值可根据实际地震资料的层位最大倾角（最陡同相轴的相邻道时间延迟量）来确定。Window为相干时窗（20-200ms）：过小使相干体压制噪音能力下降，过大使断层分辨能力降低，合适的时窗为地震波形视周期的1.52倍，即地震信号的全波形长度的1.52倍。,2,2,相干体属性（Coherence）,参数说明：,3点,5点,9点,多窗口倾角扫描（Scan Dip With Multiwindow）,在三维地震资料解释中，地震反射层位的倾角和方位角是非常重要的信息，目前主要应用是用来对局部反射面的不连续性的估计。

3、通常，利用垂直窗口进行倾角和方位角估算比在拾取的层位进行估算能提供更为稳定的估算结果。倾角和方位角体是构造导向滤波、体曲率和相干能量梯度的基础。,多窗口倾角扫描（Scan Dip With Multiwindow）,(Marfurt, 2006),（1）最相干的反射层倾角离散扫描(瞬时倾角=具有最大相干的倾角),（2）包含分析点的最佳相干窗口搜索,5X5的网格,通过多窗口扫描，求取相似程度最大的窗口作为分析点的倾角、方位角估算窗口，提高了分析点的倾角和方位角精度。,多窗口倾角扫描（Scan Dip With Multiwindow）,(Marfurt, 2006),单窗口扫描,多窗口扫描,多窗

4、口倾角扫描（Scan Dip With Multiwindow）,多窗口倾角扫描（Scan Dip With Multiwindow）,构造导向滤波（Structure Oriented Filtering）,Seismic Data：地震数据Inline Dip：Inline方向的倾角数据体Crossline Dip：Crossline方向的倾角数据体Kuwahara Window：Kuwahara数据体（记录信息）输入数据：Inline方向的倾角数据体（多窗口倾角扫描的输出结果数据体）,构造导向滤波（Structure Oriented Filtering）,滤波方法：PC Filter：

5、主分量滤波Mean Filter：均值滤波Median Filter： 中值滤波命名方式：前缀 (用户)+ 固定形式后缀ABC.SOF_PCFilter ABC.SOF_MeanFilterABC.SOF_MedianFilter,构造导向滤波（Structure Oriented Filtering）,突出断裂和地层连续性,通常相干体的算法是计算地震数据的总振幅的变化,相干能量梯度计算地震数据相干分量的振幅变化,这有利于突出一些细小的地质特征的变化，从而提高解释精度。它与相干属性在解释中的应用主要是：识别断层、裂缝带、河道和砂体边界等。利用相干能量梯度和相干属性，都很好地刻画了河道分布，但还

6、是有细微差别。,相干能量梯度（Energy Gradient Calculating）,相干能量梯度（Energy Gradient Calculating）,Inline Energy Gradient ： Inline方向的相干能量梯度Crossline Energy Gradient ： Crossline方向的相干能量梯度Gradient Magnitude ： 相干能量梯度标量Gradient Azimuth ： 相干能量梯度方位 Energy Ratio Similarity ： 基于能量比率的相似相干Outer Product Similarity ： 基于道相关的相干 Sobe

7、l Filter Similarity ： 基于sobel滤波的特征值相干Any Azimuth Energy Gradient ：任意方位相干能量梯度 Coherent Energy ： 相干能量 Total Energy ： 总能量,相干和能量梯度属性的输出数据：可输出10个数据体,体曲率属性（Volumetric Curvature）,体曲率属性的输出数据：可输出构造和振幅两种曲率,构造类曲率的输入数据是：沿Inline和Crossline的多窗口倾角扫描的倾角数据体振幅类曲率的输入数据是：沿Inline和Crossline的相干能量梯度的能量梯度数据体,短波长(0.75),长波长(0.

8、25),中波长(0.5),不同尺度的曲率刻画了不同尺度的地质特征,多尺度体曲率属性（Volumetric Curvature）,多尺度参数：Space Filter 滤波参数 Fraction Derivative 分数导数滤波 Fractional Derivative Power 分数导数指数（取值范围：0.252）注意：0.25代表长波长即大尺度曲率； 0.50代表中波长即中尺度曲率； 0.75代表短波长即小尺度曲率；值越大代表曲率尺度越小。,长波长：是大尺度曲率，适用于寻找大断层、大裂缝等； 中波长：是中尺度曲率，适用于寻找中等断层、裂缝等； 短波长：是小尺度曲率，适用于寻找小断层、裂

9、缝等,另外：Lambda Min ： Lambda最小值（缺省值：2*dx）dx：工区线道间隔 Reference Velo ：反射层参考速度值（缺省值：3000m/s） Operator_clip ： 滤波算子振幅截断比例（缺省值：0.01）,体曲率属性（Volumetric Curvature）,Principal Curvatures(k1 and k2) ： 主曲率 Max and Min Curvature ： 最大、最小曲率 Most-Positive and Most-Negative： 最大正曲率、最大负曲率 Reflector Convergence in Inline ：

10、沿inline的反射面收敛数Reflector Convergence in Crossline ：沿crossline的反射面收敛数Angular Unconformity ： 角度不整合Gaussian Curvature ： 高斯曲率 Mean Curvature ： 平均曲率 Dip Curvature ： 倾角曲率 Strike Curvature ： 走向曲率,体曲率属性的输出数据：构造类曲率可输出22个数据体,Reflector Rotation ： 反射面旋转度 Shape Measurements ：形态类曲率属性 Curvedness ： 弯曲度 Shape Index ：

11、 形态指数 Azim of Min ： 最小曲率方位角 Dome ： 圆顶型 Bowl ： 碗型 Saddle ： 马鞍型 Ridge ： 山脊型Valley ： 山谷型,体曲率属性的输出数据：构造类曲率可输出22个数据体,注：最小曲率方位角（Azim of Min）、山脊型（Ridge）和山谷型（Valley）是玫瑰图的输入数据。,体曲率属性（Volumetric Curvature）,体曲率属性（Volumetric Curvature）,Most-Positive and Most-Negative： 最大正曲率、最大负曲率 Gaussian Curvature ： 高斯曲率 Mean

12、Curvature ： 平均曲率 Dip Curvature ： 倾角曲率 Strike Curvature ： 走向曲率Reflector Rotation ： 反射面旋转度,体曲率属性的输出数据：振幅类曲率可输出15个数据体,Shape Measurements ：形态类曲率属性8种 Curvedness ： 弯曲度 Shape Index ： 形态指数 Azim of Min ： 最小曲率方位角 Dome ： 圆顶型 Bowl ： 碗型 Saddle ： 马鞍型 Ridge ： 山脊型Valley ： 山谷型,体曲率属性的输出数据：振幅类曲率可输出15个数据体,体曲率属性（Volumet

13、ric Curvature）,玫瑰图（Rose Diagram）,玫瑰图上某个方位的花瓣长度依赖于在该方位裂缝出现的频率，即代表裂缝分布的密度；花瓣的方向代表裂缝的方位。玫瑰图最终成为了玫瑰体，其大小与原始数据一致，每个玫瑰分布值均位于原始数据分析时窗的中心位置，这样也就相当于形成了一个裂缝分布的属性体。 通过玫瑰体的时间切片可以分析裂缝分布的密度和方位。,玫瑰体时间切片,玫瑰图（Rose Diagram）,Input 输入数据：可以选择山脊类曲率分量或山谷类曲率分量和最小曲率方位角 Lineament Magnitude ：线性构造特征数据体（体曲率的山脊或山谷类数据体） Lineament

14、 Azimuth ： 线性构造特征方位角数据体（体曲率的最小曲率方位角数据体） Processing Parameters 处理参数 Maximum Rose Radius： 最大玫瑰图直径（单位：米） Number of Petals Per 90： 每90度的花瓣个数（取值范围：118，一般为6，即每个花瓣为15度） Magnitude Upper Threshold ：线性构造特征数值的上门槛值 Magnitude Lower Threshold ：线性构造特征数值的下门槛值 Calculate Magnitude Range线性构造数据体范围计算，不推荐使用该功能。,玫瑰图参数说明：,

15、属性比例融合示意图,属性数据体比例融合实现把两个地震属性数据体按比例关系融合在一起。一般情况下把背景数据如地震数据作为A，反映地质特征如断层的属性数据（相干等）为B。取值时地震数据A的范围：全选属性B范围：选择反应断层特征的值域范围（剖面上查找）分界值Cm：选择地震数据范围内的一个值：一般取数据体A的75%左右。,属性体比例融合（Attribute Scale Fuse）,输入背景数据A,输出数据C,输入特征数据B,方差（Variance）,方差属性体能够准确识别断层及地层不连续变化，作用与相干属性类似。,Time Delay Method 时移方法：相似系数法：Similar Coeffic

16、ient Point Type 所用数据所在线道位置排列方式。共有10种排列方式。,Window Length (ms) 滑动时窗长度，单位：ms。Dip Scan (ms) 倾角扫描时窗长度，单位：ms。,2pl 沿主测线计算中心道与相邻一道的方差 2pc 沿联络线计算中心道与相邻一道的方差 3pl 沿主测线计算中心道与相邻两道的方差 3pc 沿联络线计算中心道与相邻两道的方差 3plc 沿主测线和联络线计算中心道与相邻一道的方差,界面参数说明：,边缘检测（Edge Detection）,主要用于增强图像的边缘和灰度突变部分，使灰度反差增强以有利于边缘拾取，因为轮廓或边缘就是图像中灰度变化率

17、最大的地方，它们与地下构造和岩性的变化密切相关。常用于图像边缘检测的处理手段主要有空间微分法、差分法、高通滤波、中值滤波、相关系数法等，在对地震数据进行边缘检测时，最好采用层拉平的数据，也可以对地震属性（相干、方差、曲率等）进一步提高地质异常（断层、河道、溶洞等）的可识别程度。,边缘检测（Edge Detection）,Process Type 处理方式，包括：8种 Gradient Roberts Roberts差分方法Gradient Usually 通常的差分方法 Gradient Sobel Sobel差分方法Laplacian One Laplacian 1（拉普拉斯算子1） 方法L

18、aplacian Two Laplacian 2（拉普拉斯算子2） 方法Laplacian Three Laplacian 3（拉普拉斯算子3）方法Template 模板匹配法 Fractional derivation 基于分数导数的边缘检测法,界面参数说明：,边缘保护平滑滤波算法可针对二三维地震数据或者属性数据进行边缘保护性滤波，例如：地震、相干属性、曲率属性、波阻抗反演结果等，利于进一步刻画各种地质异常，提高地震资料信噪比。类似于构造导向滤波,边缘保护平滑滤波（EPS）,滤波前,滤波后,Window Points3、5和7表示三种尺度的滤波窗口，即以目标点为中心的3*3*3、5*5*5和

19、7*7*7的网格。一般来说，窗口越大平滑效果越好，但结果的分辨率会降低，默认选项为尺度5；Neighborhood二次平滑子窗数：选择滤波窗口内的多个子窗进行二次平滑，目的是为了消除在边缘保护平滑滤波过程中产生的噪音，最多有27个子窗，子窗数越多二次平滑越强，一般选择2025。,界面参数说明,该方法主要针对属性数据进行滤波，如相干、曲率和波阻抗等。,边缘保护平滑滤波（EPS）,提取地震振幅数据,选择纹理尺寸,生成灰度共生矩阵,从灰度共生矩阵中提取特征值,对地震振幅进行灰度变换,对纹理属性进行聚类,纹理属性提取及分析流程,纹理属性（Texture）,纹理属性：利用图像识别处理技术、模式识别和聚类

20、分析等技术手段，从不同侧面对特殊岩性体进行综合分析。纹理属性的用途：用来描述特殊岩性体的分布、储层沉积环境和构造变化特点等。 常用的纹理属性：从地震数据可以提取14种纹理属性，其中熵、均匀度、能量、对比度、相关性和方差是有效的6种属性。,生成纹理属性体,纹理属性-主要界面及参数,Analysis Cube Size 以目标点为中心的方块的尺寸X(lines) 主测线数(3,5,7, 9)，缺省7 Y(traces) 联络测线数(3,5,7, 9)，缺省7 Z(samples) 采样点数(3,5,7, 9) ，缺省7 Analysis Offsets 伴随点相对于目标点的空间偏移量X(lines

21、) 主测线方向的偏移量(1-5)，缺省1 Y(traces) 联络线方向的偏移量(1-5) ，缺省1Z(samples) 时间/深度方向的偏移量(1-5) ，缺省1 Precidion Type 精度类型:Low、Medium、High，精度低、中、高，缺省High,纹理属性提取界面,（1）Contrast（对比）：描述影像中的对比性，当值越高，代表对比越强；（2）Entropy（熵）：用来衡量图像纹理的复杂程度或矩阵中元素排列的混乱程度；（3）Homogeneity（均匀度）：描述影像中的均匀性。最常用于测量图像对比度的一种特征值。图像的对比度越小，均匀度越高。（4）Energy（能量）：又

22、称角度二阶矩，用来衡量纹理的一致性或均匀性。当纹理均一或一致时，灰度伴随矩阵元素就会集中在某些区域，数值变大，反之元素分散，数值变小。当矩阵中各元素值相等时能量最低。（5）Correlation（相关性）：高的相关性意味着高的线性关系。相邻的像素之间的相关系数比较远处的像素的相关系数要大。（6）Variance（标准方差）：表示矩阵中某元素与周围元素的标准方差，反映了数据分布围绕平均值的发散程度。离均值越近，方差越小；离均值越远，方差越大。（7）Inverse Deviation（反向方差）：其计算公式与标准方差类似。同样反映了数据分布围绕平均值的发散程度 。（8）Difference Var

23、iance（差分方差）：先对灰度伴随矩阵的元素进行差分计算，然后求取方差。差分方差的性质与方差类似，不过其反映数据分布围绕平均值的发散程度更敏感。,一些纹理属性定义及意义,谱分解（Spectrum Decomposition）,概述：谱分解通过离散的傅立叶变换(DFT) 、小波变换或广义S变换把地震数据变换到频率域，得到振幅谱和相位谱。振幅谱主要用于描绘时间层的厚度变化，而相位谱则用于指明地质体的横向不连续性。 由于谱分解是在振幅域和相位域进行的，输入数据必须是16或32位。另外，地震层位必须进行插值，使之在断层处是连续的。谱分解通常会反映出更清晰的断层，这有助于在谱分解图上重新解释断层。 谱

24、分解功能包括3个模块，分别是：调谐体（Tuning Cube），调谐图（Tuning Mapper）和体浏览（Volume Recon）。,谱分解（Spectrum Decomposition）,调谐体（Tuning Cube）：调谐体在所关注的时窗内产生谱振幅（或相位）体和一套地震层位。这些谱体可在地震解释子系统中显示。调谐体主要用于薄储层的分析，因为它是来自薄层反射在频率域所特有的一种表现形式，通常它可用于解释小于1/4波长以下厚度的地层。而利用传统的地震数据厚度估计仅能解决超过1/4波长厚度的地层。,F=10hz,F=40hz,F=70hz,F=100hz,调谐体(Tuning Cube

25、),振幅谱：反映砂体、河道等相位谱：反映断层,谱分解（Spectrum Decomposition）,调谐图（Tuning Mapper）：产生来自频率切片的地震层位，而频率切片是在调谐体中产生的。调谐体包含了所有频率的切片，而调谐图是一个层通过单一频率的振幅或相位切片。比较而言，调谐图在优势频率段的振幅图是最好的。,MergeSumMax,调谐体运算,合并为一个,谱分解（Spectrum Decomposition）,体浏览（Volume Recon）：本模块对于指定范围（线道范围、时间范围）的叠后地震数据利用短时窗傅里叶变换方法或者广义S变换方法做时频分析，可以生成时频数据体或多个单频数据

26、体。其中时频数据体可以用来做层序地层解释；单频数据体以剖面或切片显示，可以描述指定范围内的砂岩或碳酸盐岩薄层以及断层等地层特征；另外，可计算流体活动性，生成流体活动性数据体，可用来做检测油气聚集有利区带或描述油气分布范围。,短时DFT变换GST广义小波变换,体浏览(Volume Recon),2、一条线的时频体,3、流体活动性体,类似于单频体属性,1）Linear adjust ( )线性调节参数：数值越大，时间域分辨率则越高,频率域分辨率降低（不同频率之间的差异变小，频谱平滑），取值范围0.1-3.,2）Exponent adjust (P)指数调节参数：数值越大，时间域分辨率则越高,频率域

27、分辨率降低，取值范围0.1-3.,体浏览参数说明,地层切片（Stragtigraphic Slice）,沉积类型（Sedimentation Type） ：,Output 输出数据体Total Thickness of Amplitude ： 振幅的总“厚度” Amplitude*h ： 振幅时间厚度的乘积Average Amplitude ： 平均振幅Maximum Positive Amplitude ：正振幅的最大值Minimum Negative Amplitude ：负振幅的最小值Maximum Absolute Amplitude ：绝对振幅的最大值Average Absolute

28、 Amplitude ： 绝对振幅平均值RMS Amplitude ： 均方根振幅Amplitude ： 振幅值Time Structure ： 地层切片的现今构造T0时间,振幅差异体属性（Amplitude Change）,振幅差异属性考虑振幅的变化，计算出振幅或均方根振幅差异，反映储层或地层的不连续性变化，从而达到刻画储层横向变化的目的。均方根振幅差异属性的抗噪能力要好于直接的振幅差异属性。,Original Amplitude Change 原始振幅差异Inline amplitude change ： Inline方向的振幅差异Crossline amplitude change ：

29、Crossline方向的振幅差异Amplitude change ： 振幅差异的标量Any azimuth amplitude change ： 任意方位角的振幅差异RMS Amplitude Change 均方根振幅差异Inline RMS amplitude change ： Inline方向的均方根振幅差异Crossline RMS amplitude change ： Crossline方向的均方根振幅差异Amplitude RMS change ： 均方根振幅差异的标量 Any azimuth RMS amplitude change：任意方位角的均方根振幅差异,叠后地层吸收系数（P

30、oststack SAC）,根据前人的研究成果，在地震波传播过程中，地层的吸收性质与岩相、孔隙度、含流体性质和成分有密切关系，并且地层对各类波的吸收与地震波的频率有关，并随着地震波频率增加而增大，因此利用地层吸收系数可对储层进行识别，且在有利的条件下可以用来直接预测流体的存在。 本模块采用的是复赛谱法估算地层的吸收衰减系数，因为复赛谱可消除反射系数序列对地震子波所造成的白噪影响，突出子波分量，因此利用复赛谱估算地震子波。另外，利用低通滤波后的复赛谱计算对数意义下的地层平均吸收衰减率，并利用线性拟合方式增强吸收衰减系数的稳定性。,叠前地层吸收系数（Prestack SAC）,利用叠前CMP道集数

31、据估算地层吸收参数，在估算时有两种方法可供选择：一种是利用斜率法估算地层吸收参数；另一种是利用相对法估算地层吸收参数。,碳氢检测（Hydrocarbon Prediction）,基本原理：油气储集层是典型的双相介质,地震波在穿过双相介质后各个频率成分的能量分布状况发生了变化, 低频成分相对较强, 高频成分相对较弱, 即表现为“低频共振, 高频衰减”的特性。 检测方法：CM分析方法：是运用累计能量正态概率分析方法，对地震资料的振幅、频率等特征信息进行分析，根据敏感频率点确定高、低频段，然后计算低频段、高频段的累计能量及其与全局能量之比等属性参数。DHAF分析方法：运用共振滤波方法，在高、低敏感频

32、段内求取最大特征能量，计算储层的物性、含油气性等属性参数，与CM油气检测相比，检测结果更能反映油气分布的非均质性。,碳氢检测（Hydrocarbon Prediction）,参数说明：沿层时窗的选择对于油气检测相当重要，如果时窗选择不够准确，将直接影响油气检测的准确性。GeoEast沿层地震属性提取时窗的选择都遵循一个原则，即沿层上时窗如果填正数如30ms，则代表取沿该解释层位向上30ms的数据进行运算；如果填负30ms，则代表取沿该解释层位向下30ms的数据。如果在下时窗填正数如30ms，则代表取沿该解释层位向下30ms的数据进行运算；如果填负30ms，则代表取沿该解释层位向上30ms的数据

33、。,碳氢检测（Hydrocarbon Prediction）,参数说明：Filter Number 滤波器个数 :频谱分析中频率个数Filter Width 滤波宽度:（相当于对频谱进行平滑的参数）数值越大代表平滑效果越强。Start Freq 起始频率：做频谱分析时的频谱的宽度 End Freq 终止频率Control 控制参数 Sloped 斜坡校正 Dereflected 去反射：适用于地震资料品质差的地区。,参数说明：,Filter width = 1,Filter width = 50,Filter width = 100,Filter width = 300,Filter Numb

34、er = 3,Filter Number = 10,Filter Number = 50,Filter Number = 100,滤波宽度的变化如何影响频谱,滤波数的变化如何影响频谱,Filter Number 滤波器个数 Filter Width 滤波宽度,碳氢检测（Hydrocarbon Prediction）,参数说明：Frequency Start High Freq 高频最小值 End High Freq 高频最大值Start Low Freq 低频最小值End Low Freq 低频最大值 以上四个参数是做好油气检测的关键参数，也就是本方法原理提到的储集层含油气以后,表现为低频共振

35、、高频衰减的特性。它们可以通过软件自动计算得到；另外，用户也可以根据频谱分析的结果手动输入。,碳氢检测（Hydrocarbon Prediction）,输出结果：体属性：利用地震解释子系统进行剖面分析,Div： 高低频能量之商，反映油气富集程度 High： 高频能量，反映油气渗透能力 Low： 低频能量，反映油气存储空间 Sub： 高低频能量之差，反映储层的品质,沿层属性：利用底图或成图子系统进行平面分析；或利 用地震属性剖面分析工具进行分析,Div： 高低频能量之商，反映油气富集程度 High： 高频能量，反映油气渗透能力 Low： 低频能量，反映油气存储空间,无样本监督模式识别和神经网络预

36、测技术,继承性分类技术（HC）自组织神经网络技术（SOMA）模式识别技术（UPR）,单属性优选为多属性分析服务。通过对单属性的优选，找出与油气相关的沿层地震属性，利用模式识别或神经网络方法进行油气预测，岩相预测，地震相分析及储层参数等估计。无样本监督模式识别和神经网络预测技术：,无样本监督模式识别和神经网络预测技术,无监督模式识别方法（UPRUnsupervised Pattern Recognition ）实现在没有已知样本情况下的数据聚类分析，可用于勘探早期 （钻井较少）的油藏描述工作。,无监督模式识别（UPR）,无样本监督模式识别和神经网络预测技术,核心算法是：改进的C均值聚类算法。此方

37、法用到了C均值聚类算法和模糊K近邻算法。首先利用C均值聚类算法对样本进行了分类得到类均值，然后用类均值作为代表点，模糊K近邻算法对未知样本求取软分类结果。 软件操作非常简单,无监督神经网络（SOMA）,无样本监督模式识别和神经网络预测技术,无监督神经网络方法是应用自组织分析（SOMASelf-Organizing Feature Map Analysis）技术是通过直接分析未知数据体来进行无监督的储层分析。其突出特点是可以交互地进行分析，即将专家（用户）对本工区的认识与计算机分析结合起来，能完成在没有或较少已知井的情况下将储层分类或半定量地标定储层性质，是早期油藏描述的重要工具。,输出为二维的

38、SOMA网络结构,网络邻域图示,SOMA基本原理是：通过自组织学习过程将样本映射到神经元平面上。首先在平面上统计各个节点的原像数目（称作密度），得到像密度图（相似样本映射到密度图中，对应相同或相邻的节点）；按照此原则，将密度较高且较集中的节点划为一类。,SOMA原理,无监督神经网络（SOMA）,无样本监督模式识别和神经网络预测技术,51,SOMA Neural Network SizeSOMA神经网络尺寸，用行、列节点数来度量。Neighborhood Size: at beginning早期学习邻域尺寸，用行、列节点数来度量，该尺寸小于等于SOMA神经网络尺寸。Neighborhood Si

39、ze: at end晚期学习邻域尺寸，用行、列值来度量，该尺寸大于等于早期学习领域尺寸，小于等于SOMA神经网络尺寸。Learning Gain学习增益率Start Gain早期学习增益率，一般设置较大，通常应在0.51.0之间。End Gain晚期学习增益率，一般设置较小，通常介于00.3之间。Learning Step学习次数First Phase第一阶段学习次数，一般在几千次到几万次的量级上，有时可更多，这与数据情况有关。Second Phase第二阶段学习次数，一般在几千次到几万次的量级上，有时可更多，这与数据情况有关。Learning Order学习顺序，指对带分析数据点的取样顺序。

40、Sequence顺序取样Random随机取样,SOMA方法高级参数说明,SOMA分析窗口,无监督神经网络（SOMA）,无样本监督模式识别和神经网络预测技术,系统计算的SOMA密度图，每个小格子代表一个神经元结点，格子中的数字代表此结点上的相对密度值，每个格子上的颜色(与其下方颜色图对应)表示相对密度值的大小。,定性解释适用于类别(油气)解释,定量解释适用于岩性、物性信息解释,继承性分类技术（HC）,无样本监督模式识别和神经网络预测技术,为了克服一些聚类分析“暗箱”模式识别方法存在的缺陷，提出了一种基于交互式的多属性模式识别方法继承性分类技术。这种方法是在解释人员的指导下进行分类。即对多属性进行

41、初步分类之后，解释人员对感兴趣的分类区域进行再次分类，直到分类结果满意为止。,Analysis Method：HC 继承性分类Initial Classes Number初始分类数，为210之间，对于继承性分类一般选择比较小的类数，初选为24之间。,继承性分类技术（HC）,无样本监督模式识别和神经网络预测技术,参数说明：,分析之前必须先起底图Accept接受分析结果并关闭当前窗口。只有在当前的每个最底层的类的子类数都设置为1时（意味着不再对任何类进行细分，继承性分类结束），该按钮可用，否则灰化，不可用。Classify进行下一级分类。只要将任何一个最底层类的子类数设置为大于1的数（即意味着要对

42、该类进行细分），该按钮可用，否则灰化，不可用。Abort中断退出，关闭当前窗口。点击此按钮，意味着取消本次的继承性分类操作。,继承性分类技术（HC）：分类结果将在底图上显示,无样本监督模式识别和神经网络预测技术,自适应增强聚类分析（AdaBoost）预测油气及储层分布范围神经网络技术（BP）-预测储层岩性物性信息如孔隙度、渗透率等模式识别技术（SPR）预测油气及储层分布范围,有样本监督模式识别和神经网络预测技术,有样本监督模式识别方法（SPR Supervised Pattern Recognition ）可以实现已知样本监督下的数据聚类分析，适用于有一定已知井情况下，对储层进行定性分析和预测

43、。,SPR方法硬分类结果,SPR方法某个类别的软分类结果,有样本监督模式识别（SPR）,有样本监督模式识别和神经网络预测技术,BP神经网络的结构可分为输入层、隐层（也有称中间层）和输出层三部分其中隐层可能是一层，也可能是多层，每一层的每个神经元节点都与下一层的每个神经元节点以一定的权重连接起来，处于同一层的神经元之间没有连接关系。,有样本监督神经网络（BP）,有样本监督模式识别和神经网络预测技术,59,BP方法高级参数说明,Expected Output Range:期望输出值范围 Min期望输出最小值，该值应该设置为小于 或等于训练样本点中的最小值。Max期望输出最大值，该值应该设置为大于或

44、等于训练样本点中的最大值。Learning Step Limitation最大学习步长，控制BP迭代分析的条件之一，该值一般设置为数千到数万次。Normalizing Coefficient标准化系数，该值一般设置为01之间一个较大的小数。Initial Weight Magnitude初始化权重量度因子，该值一般设置为01之间一个较小的数。Error Threshold误差阈值，控制BP迭代分析结束的条件之一，该值为相邻前后两次迭代结果的误差百分比，一般设置为00.2之间一个较小的值。Memory Factor记忆因子，一般设置为01之间的一个值。Learning Gain学习增益率，这是B

45、P网络中的很重要的一个参数。该参数设置过大，容易造成学习迭代的发散或震荡，设置太小则学习过程太慢，学习次数增多。一般可设置此参数为0.510，根据训练样本属性数据的不同，有时可更大或更小。,自适应增强聚类分析（AdaBoost）,有样本监督模式识别和神经网络预测技术,基于统计学习的自适应增强算法（adaptive boosting），简称AdaBoost ，是boosting方法的一个典型特例，是效果良好应用较多的一种有监督聚类分析方法。Adaboost算法主要是调节学习阶段的分类器，将任何弱分类器经过组合形成一个可达到很高精度的强分类器。 此方法可以应用于油气的识别和地质体识别方面。同SPR

46、方法一样，AdaBoost方法在分析过程中也需要用到类别样本进行学习训练，且给出了两种分类结果，一种是每个样本隶属各类的可能性的软分类结果，另一种是每个样本到底属于哪个确定类的硬分类结果。该方法只有一个参数：Rejective Rate 拒识阈值,拒识阀值为0.8,拒识阀值为0.7,拒识阀值为0.6,拒识阀值为0,拒识阀值对结果的影响,Rejective Rate 拒识阈值：当某个待分类的样点经过计算得到属于任何一类的百分比可能性都小于该值时，该样点被拒绝识别。拒识阈值越大，识别不出的样点越多。,神经网络聚类构建模型道,波形聚类是使用神经网络技术对地震波形进行分类处理。学习阶段 利用神经网络对

47、地震数据目标层段选取的训练样本进行学习，通过多次迭代，构建模型道，建立一个代表地震层段内波形差异的量板。 分类阶段 实际地震道与模型道相关对比，将与实际地震道最相似的模型道序号值赋予实际地震道。,波形聚类结果图,波形聚类分析（Waveform Classification）,波形聚类分析（Waveform Classification）,GeoEast提供两种波形聚类方法：,时间域波形聚类方法，适用于等厚层段频率域波形聚类方法，适用于不等厚层段,波形分类分析技术是在无监督情况下利用神经网络技术对地震波形进行分类处理。 时间域波形聚类方法： 1）提取的层段间隔要求是等厚的； 2）对层位解释要求比

48、较高。 频率域波形聚类方法：利用高精度时频分析技术，把时间域的波形转换到频率域，再对等长度的频率域振幅谱或者相位谱的波形进行分类。特点：针对分类数不易确定问题增加了分类数质控功能。,波形聚类-界面及主要参数,Classifying Process Parameters 聚类处理参数Method 聚类分析方法 Shape 常规波形聚类分析方法 Spectrum 频谱聚类分析方法。如果选择的是Horizon-Horizon方式，则只能使用此方法Discrimination 判别准则 Correlation 相关方法 Euclidean Dis 欧式距离方法 Resampling 是否进行重采样No

49、rmalization 是否进行标准化 Line Int. 线间隔CMP Int. 道间隔Alpha 学习速率，值域01.0之间，缺省设置此值为0.6。Epsilon 类间误差，若没进行标准化，则此参数设置为0100之间，缺省值为40；若进行了标准化，此参数设置为01之间，缺省值为0.1。Class Number 分类数，此参数设置为220之间，缺省设置为5。分类数大，结果过于详细，分类数小结果过于粗糙，Class QC 进行聚类数分析质控Smooth Parameters 聚类结果平滑参数Smooth 是否需要做平滑 Structure Element Template 结构元素参数。第一个参数：结构元素的宽度，第二个参数：结构元素的的高度，这两个参数的取值范围为1，3，5，7，缺省设置为3。,主要功能：,体属性的提取与分析沿层属性的提取与分析油藏描述技术：储层预测及油气检测波形聚类分析方法,二维工区地震属性提取与分析,从界面上看与3D工区的差别,本讲座小结,通过本讲座的学习，我们应围绕本子系统的四大功能：熟悉二、三维地震数据体属性提取方式与应用了解和掌握沿层地震属性提取与分析方法掌握油气检测和储层岩性物性预测技术学会不同沉积环境下（如：碎屑岩、碳酸盐、火山岩等）的储层预测、油气检测及地震相的分析方法及软件操作。,