一种基于近似支持向量机的AVO类型判别方法

摘要

本发明提供的基于近似支持向量机的AVO类型判别方法包括：根据目标区的测井数据建立参数模型，生成训练模型参数表；参数模型包括多个类别；训练模型参数表包括参数模型的类别，以及对应类别下目标区的上覆介质属性参数、含气砂岩层属性参数；计算目标区对应各个参数模型类别的基追踪反演反射系数，并经拟合函数形成AVO曲线；从目标区的AVO曲线中提取出形态特征参数，形成训练集，形态特征参数包括：曲线的单调性、凹凸性、极值点的个数和所在的位置，以及拐点的个数和所在的位置；基于近似支持向量机对训练集进行训练，并对目标区的AVO曲线进行归类，进而判别出目标区的AVO类型。该方法不但提高了AVO类型判别的准确率，而且减少了工作量。

说明书

技术领域

本发明属于数据挖掘和机器学习技术领域，具体地说，涉及一种基于近似支持向量机的AVO类型判别方法。

背景技术

AVO(Amplitude variation with offset,振幅随偏移距的变化)技术用于研究地震反射振幅随炮点与接收器之间的距离即炮检距(或入射角)的变化特征来探讨反射系数响应随炮检距(或入射角)的变化,进而确定反射界面上覆、下伏介质的岩性特征及物性参数。

现有AVO类型判别技术主要依靠于人工判别和测井数值模拟。通过人工判别AVO类型，工作量大，而且判别结果人为干扰因素较大，不确定性较高；通过数值模拟识别钻井区域的AVO类型虽然准确率较高，但是难以投入到地震数据中。另一方面，现有的技术只是识别钻井处的AVO类型，难以推广到对整个工区目的层的AVO类型进行判别。

发明内容

有鉴于此，本发明所要解决的技术问题是提供了一种基于近似支持向量机的AVO类型判别方法，以解决AVO类型判别在工程应用上存在的准确率低、工作量大问题。

为解决上述技术问题，本发明公开了一种基于近似支持向量机的AVO类型判别方法。所述方法包括：

根据目标区的测井数据建立参数模型，生成训练模型参数表；所述参数模型包括多个类别；所述训练模型参数表包括参数模型的类别，以及对应类别下目标区的上覆介质属性参数、含气砂岩层属性参数；

计算目标区对应各个参数模型类别的基追踪反演反射系数，并经拟合函数形成AVO曲线；

从目标区的AVO曲线中提取出形态特征参数，形成训练集，所述形态特征参数包括：曲线的单调性、凹凸性、极值点的个数和所在的位置，以及拐点的个数和所在的位置；

基于近似支持向量机对所述训练集进行训练，并对目标区的AVO曲线进行归类，进而判别出目标区的AVO类型。

如上所述的方法，其中，所述计算目标区对应各个参数模型类别的基追踪反演反射系数，具体包括：

目标区地震记录s(t)可表示为式(1)中子波与反射系数褶积的形式，

s(t)＝w(t)*r(t)(1)

式(1)写为式(2)中的矩阵形式:

s＝Wr(2)

BP算法求解式(2)中未知量r的方法是通过构造如下的线性规划公式进行求解，

Ξ＝||s-Wr||₂+λ||r||₁(3)

式(3)中，Ξ为目标函数，下标1和2分别代表向量的L₁范数和L₂范数，λ为调节因子，满足Ξ→min的r即为最终的解向量；

用cδ(t)、dδ(t-nΔt)来表示地层的顶底反射界面，其中nΔt是地层时间厚度，Δt是采样率，0～n为采样点序号，c、d分别是顶底的反射系数；

构造奇偶脉冲对：

式(4)中，r_e为偶脉冲对，r_o为奇脉冲对，二者的时间采样间隔都为nΔt，根据亥霍姆兹定理，对称区间函数可以分解为一个偶函数和一个奇函数的线性组合，若将地层顶底反射系数记作r_l＝cδ(t)+dδ(t-nΔt)，则有如下关系式

r_l＝ar_e+br_o(5)

式(5)中，a和b为加权系数，将(4)代入式(5)得：

根据以上公式可知求得参数a和b即可得到反射系数c和d；

任何反射系数序列都可以写成下式：

地震记录s(t)表示为(8)的形式：

奇偶地震记录序列wr_e、wr_o用矩阵G表示，反射系数a_n,m、b_n,m用矩阵m表示，则地震记录s可以表示为：

s＝Gm+n(9)

其中n是数据噪声，通过建立第一范数L1和第二范数L2最小化约束条件可以求解m系数，由(3)式可写为：

min[||s-Gm||₂+λ||m||₁](10)

通过求解m，反射系数最终解可以表示为：

r＝Wm(11)

利用(11)式计算目标区对应各个参数模型类别的基追踪反演反射系数。

如上所述的方法，还可以包括：

依据生成的训练模型参数表，通过佐伊普里兹方程求取目标区对应各个参数模型类别的理论反射系数；

将目标区对应各个参数模型类别的基追踪反演反射系数和理论反射系数进行对比，若二者的几何形态变化一致，则证明目标区的基追踪反演反射系数能为目标区的AVO类型判别提供有效辅助。

如上所述的方法，其中，所述训练集可以表示为：

T＝{(x₁,y₁),…,(x_l,y_l)}∈(x×y)^l

其中l为样本的个数，T＝{(x₁,y₁),…,(x_l,y_l)}∈(x×y)^l、T＝{(x₁,y₁),…,(x_l,y_l)}∈(x×y)^l为训练集的属性项。

与现有技术相比，本发明可以获得以下技术效果：

1、引入近似支持向量机对AVO曲线进行分类，近似支持向量机在对大数据量样本集进行学习过程中大幅度缩减了计算量，提升了训练速度，能够在不损失识别精度的前提下进行快速学习，因此，减少了AVO类型识别的工作量。

2、结合了基追踪反演叠前地震反射系数，反演技术可以将地表采集的地震数据、垂直地震剖面和测井数据组合起来，建立一个包括地下层面及其厚度、密度、P波和S波速度的模型。本质上，正是用这种方法将粗糙的地震数据按比例缩小到在测井级采集的更精细信息(例如，按比例缩小到测井数据)，因此，提高了AVO类型判别的准确率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例的基于近似支持向量机的AVO类型判别方法的流程图；

图2为本发明实例的四类AVO反射系数随入射角的变化示意图；

图3为本发明实例的角道集合成地震记录示意图；

图4为本发明实例的反演的反射系数示意图；

图5为本发明实例的反演出来的反射系数与模型值的对比示意图；

图6为本发明应用实例的研究区域角道集剖面示意图；

图7为本发明应用实例的井旁道叠前道集示意图；

图8为本发明应用实例的基追踪反演反射系数示意图；

图9为本发明应用实例的储层顶部反射系数随入射角的变化示意图；

图10为本发明应用实例的基于近似支持向量机的AVO类型判别示意图。

具体实施方式

以下将配合附图及实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

图1是本发明实施例的基于近似支持向量机的AVO类型判别方法的流程图。参考图1所示，本发明实施例的基于近似支持向量机的AVO类型判别方法包括以下内容。

S101：根据目标区的测井数据建立参数模型，生成训练模型参数表；参数模型包括多个类别；训练模型参数表包括参数模型的类别，以及对应类别下目标区的上覆介质属性参数、含气砂岩层属性参数。

S102：计算目标区对应各个参数模型类别的基追踪反演反射系数，并经拟合函数形成AVO曲线。

S103：从目标区的AVO曲线中提取出形态特征参数，形成训练集，形态特征参数包括：曲线的单调性、凹凸性、极值点的个数和所在的位置，以及拐点的个数和所在的位置。

S104：基于近似支持向量机对训练集进行训练，并对目标区的AVO曲线进行归类，进而判别出目标区的AVO类型。

本发明实例的基于近似支持向量机的AVO类型判别方法，一方面，由于引入近似支持向量机对AVO曲线进行分类，近似支持向量机在对大数据量样本集进行学习过程中大幅度缩减了计算量，提升了训练速度，能够在不损失识别精度的前提下进行快速学习，因此，能够减少AVO类型判别的工作量；另一方面，由于结合了基追踪反演叠前地震反射系数，反演技术可以将地表采集的地震数据、垂直地震剖面和测井数据组合起来，建立一个包括地下层面及其厚度、密度、P波和S波速度的模型。本质上，正是用这种方法将粗糙的地震数据按比例缩小到在测井级采集的更精细信息，因此，能够提高AVO类型判别的准确率。

以四类AVO曲线形态特征为例，引入近似支持向量机对从曲线中提取出特征参数进行AVO曲线分类，利用基追踪反演叠前地震资料的反射系数并从中提取出形态特征参数，然后对其进行判别，从而实现对工区目的层的AVO类型的自动识别。具体的实现过程，首先是训练集的准备：

表1为示例性的四类AVO训练模型参数表，图2为本发明实例的四类AVO反射系数随入射角的变化示意图。利用研究区的测井资料建立弹性参数模型(如表1所示)，通过佐伊普里兹方程(Zoeppritz's equafion)对模型求取出反射系数曲线(如图2所示)。因为计算出的反射系数曲线是离散的，很难从中提取出形态参数，所以对离散数据进行多项式拟合，图2中连续的曲线就是用多项式拟合得到的，对数据进行拟合后得到拟合函数表达式就可以进行反射系数曲线的形态特征参数的提取。

表1 示例性的四类AVO训练模型参数

如上所述的方法，其中，所述计算目标区对应各个参数模型类别的基追踪反演反射系数，具体包括：

目标区地震记录s(t)可表示为式(1)中子波与反射系数褶积的形式，

s(t)＝w(t)*r(t)(1)

式(1)写为式(2)中的矩阵形式:

s＝Wr(2)

BP算法求解式(2)中未知量r的方法是通过构造如下的线性规划公式进行求解，

Ξ＝||s-Wr||₂+λ||r||₁(3)

式(3)中，Ξ为目标函数，下标1和2分别代表向量的L₁范数和L₂范数，λ为调节因子，满足Ξ→min的r即为最终的解向量；

用cδ(t)、dδ(t-nΔt)来表示地层的顶底反射界面，其中nΔt是地层时间厚度，Δt是采样率，0～n为采样点序号，c、d分别是顶底的反射系数；

构造奇偶脉冲对：

式(4)中，r_e为偶脉冲对，r_o为奇脉冲对，二者的时间采样间隔都为nΔt，根据亥霍姆兹定理，对称区间函数可以分解为一个偶函数和一个奇函数的线性组合，若将地层顶底反射系数记作r_l＝cδ(t)+dδ(t-nΔt)，则有如下关系式

r_l＝ar_e+br_o(5)

式(5)中，a和b为加权系数，将(4)代入式(5)得：

根据以上公式可知求得参数a和b即可得到反射系数c和d；

任何反射系数序列都可以写成下式：

地震记录s(t)表示为(8)的形式：

奇偶地震记录序列wr_e、wr_o用矩阵G表示，反射系数a_n,m、b_n,m用矩阵m表示，则地震记录s可以表示为：

s＝Gm+n(9)

其中n是数据噪声，通过建立第一范数L1和第二范数L2最小化约束条件可以求解m系数，由(3)式可写为：

min[||s-Gm||₂+λ||m||₁](10)

通过求解m，反射系数最终解可以表示为：

r＝Wm(11)

利用(11)式计算目标区对应各个参数模型类别的基追踪反演反射系数。

如上所述的方法，还可以包括：

依据生成的训练模型参数表，通过佐伊普里兹方程求取目标区对应各个参数模型类别的理论反射系数；

将目标区对应各个参数模型类别的基追踪反演反射系数和理论反射系数进行对比，若二者的几何形态变化一致，则证明目标区的基追踪反演反射系数能为目标区的AVO类型判别提供有效辅助。

例如，为了验证基追踪反演叠前反射系数的可行性，我们利用上文中表1的Ⅲ类AVO模型参数计算出了反射系数，将反射系数与子波褶积用以合成角道集记录(如图3所示)。随后利用基追踪反演得到该记录的反射系数，从图4中可以看出法线入射时的反射系数绝对值远远大于零且随入射角的增加而增大，符合Ⅲ类AVO岩砂的特征。随后对比模型的理论反射系数和基追踪反演得到的反射系数(如图5所示)可以看出二者的差异较小，几何形态变化一致，说明通过基追踪反演叠前道集的反射系数是可靠的，能为叠前资料的AVO类型判别提供有效的辅助。

对于特征值的提取，从图2中可以看出四类AVO反射系数曲线的形态变化是不同的，Ⅰ类、Ⅲ类、Ⅳ类AVO因为储层和盖层的波阻抗差异大，所以在法线入射时的反射系数值绝对值比较大；Ⅱ类AVO的储层和盖层的波阻抗差异较小，所以法线入射时的反射系数绝对值趋近于0；Ⅰ类AVO入射角逐渐地增大时，反射系数相应地减小并，其值也由正转负，会出现极性反转；Ⅳ类AVO的反射系数绝对值随入射角增大而变小。四类含气砂岩的反射系数随入射角的变化各有不同，就可以从上一步中得到拟合函数表达式提取出形态特征参数。形态特征参数主要包括曲线的单调性、凹凸性、极值点的个数和所在的位置、拐点的个数和所在的位置。将这些信息提取出来就形成了训练集和样本集(如表2所示)，表2为示例性的训练集样本。

表2 示例性的训练集样本(部分)

如上所述的方法，其中，所述训练集可以表示为：

T＝{(x₁,y₁),…,(x_l,y_l)}∈(x×y)^l

其中l为样本的个数，T＝{(x₁,y₁),…,(x_l,y_l)}∈(x×y)^l、T＝{(x₁,y₁),…,(x_l,y_l)}∈(x×y)^l为训练集的属性项。

例如，特征属性有13个，即x_i∈x＝R¹³，标签根据实际情况制定，若是多个类别(设有M个类)的模型参与训练和判别，则标签按照多类分类的方式依次定位1，2，3，4，…，M。待判别的AVO数据也需经过建立参数模型步骤和技术基追踪反演反射系数步骤拟合后提取属性形成待判别样本。最后利用PSVM训练后得到的判别式对待判别目标的样本进行分类。

下面将给出具体的应用实例：

利用上述的AVO类型判别流程，我们选取了某气田的地震资料，对其进行AVO类型识别。研究区目的层位是砂岩，储层上方覆盖泥岩，砂岩的孔隙度较高，盖层的波阻抗大于砂岩的波阻抗值，说明该储层的压实程度不高，比较符合三类砂岩的特征，为了研究储层真实的AVO类型，我们利用近似支持向量对该地区的叠前反射系数进行了识别。图6是研究区的角道集剖面，图中部的灰色横线条是储层的顶部，灰色的曲线是伽马测井曲线，伽马异常低值的区域就是储层所在的位置。通过基追踪反演我们得到了该地区的叠前反射系数，图8展示的是井旁道的反射系数。图9是储层顶部的反射系数随入射角的变化曲线，从中可以看出该曲线符合第三类砂岩的特征。随后我们利用近似支持向量机对反演得到的反射系数进行识别，划分出该地区的砂岩AVO类型，图10展示的是划分结果，可以看出钻井附近区域的是第三类含气砂岩，其他区域属于第一类砂岩。对比图8中反射系数随入射角的变化趋势也可以看出该地区是第三类含气砂岩，说明了我们的方法是可靠的。

本应用实例尝试从四类AVO曲线中提取特征参数作为训练集着手，引入近似支持向量机对AVO曲线进行分类。并结合基追踪反演叠前地震资料的反射系数，然后利用四类AVO曲线对提取出的反射系数进行归类评价，从而对从叠前地震资料中提取出的特征参数进行判别，实现对研究区的储层AVO类型自动识别。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。