[发明专利]基于SOM的半监督全局优化地震相定量分析方法

说明书

本发明提供了一种基于SOM的半监督全局优化地震相定量分析方法，属于地震勘探领域。本发明首先从叠前数据出发，进行叠前纹理特征的分析和提取，避免了叠加操作对数据中微小信息的模糊，更能表征实际的地质情况；同时，解决了少量的标签信息无法有效利用的问题，将标签信息添加到学习器的学习过程中，能使获得结果更符合实际情况；再者，通过进行引入人工蜂群算法，实现了SOM输出层的最优化聚类，使输出层神经元与地震相的映射关系更加合理；本发明在进行地震相划分的同时，可进行确定性指标的计算，为开发人员制定决策提供了更精确、更合理的结果判断依据。

技术领域

本发明属于地震勘探领域，特别涉及一种基于SOM的半监督全局优化地震相定量分析方法。

背景技术

石油和天然气资源在能源供给方面一直扮演重要的角色，其再生产品几乎在各个领域得到了应用，从而极大地影响到社会的稳定和经济的发展。相比于太阳能、风能等能源，石油和天然气资源为各能源需求提供了更稳定和持续的保障。石油和天然气资源在各个国家都得到极大的重视，并积极地建立了各种机制应对可能出现的能源危机。目前，地震勘探是油气勘探中是最主要、最有效、最广泛应用的一种方法。

地震相分析是在地震勘探收集到的地震数据的基础上，首先进行地震层序的划分，然后利用地震参数特征上的差别，将地震层序划分为不同的地震相区，然后结合钻井、测井、地质认识等先验信息做出岩相和沉积环境的推断，从而可进行油气聚集有利相带的判断，是油气勘探阶段中一种重要的手段。Nivlet(2007)指出，在地震储层特征描述和检测的方法中，地震相分析已经成为一种不可或缺的方法。

近年来随着采集技术、通信技术、存储技术、数据处理技术等的发展，地震勘探行业积累的地震数据量越来越大，如何有效利用这些巨大的数据是亟待解决的问题，例如针对大量的叠前地震数据，主流的做法是对其进行叠加处理，从而可以在保留主要信息的前提下极大地减少数据量，但这种处理也会造成数据中的岩性和流体信息的模糊甚至消失，精细化地判断任务仍须要解决这一问题。另外，勘探过程中可得到少量的有标签信息(如测井、钻井、地质认识等)和大量的无标签信息(采集的地震数据)，有效地利用这些珍贵的有标签信息可使得判断结果更符合实际地质情况，为接下来的石油和天然气开发提供更有力的支持。目前主流地地震相分析方法得到的结果仅是一个空间的展布图，无法对判断的结果进行定量的分析，通过对地震相分析结果进行一个定量化的再判断，可为开发人员做出的决策提供更精确、更合理的依据。

发明内容

为了解决现有技术中的问题，本发明提出了一种基于SOM的半监督全局优化地震相定量分析方法，既能有效利用标签信息，又能优化输出层到相类别的映射关系，其次结合概率神经网络(PNN)，定义了用于对结果进行定量分析的参数，从而为开发人员做出的决策提供更精确、更合理的依据。

一种基于SOM的半监督全局优化地震相定量分析方法，包括以下步骤：

步骤1，提取叠前地震数据纹理属性，得到训练集，其中，所述训练集包括有标签样本和无标签样本；

步骤2，根据所述训练集训练SOM网络，得到所述有标签样本在SOM网络输出层中对应的最优响应元，根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系；

步骤3，应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类，待优化的目标函数为K均值聚类的类内距离之和；

步骤4，重复所述步骤3直到满足所述人工蜂群算法停止条件，得到最优化的SOM网络输出神经元聚类，通过将神经元映射至对应的类别得到SOM网络输出层神经元与类别之间的最优化映射关系；

步骤5，将测试样本输入SOM网络，得到测试样本在SOM网络输出层中的最佳响应元，根据最优化映射关系得到测试样本对应的相类别，根据所有测试样本的相类别得到工区相带的展布图；