[发明专利]一种基于马尔可夫决策过程的反射层位追踪方法及装置

说明书

本发明公开了一种基于马尔可夫决策过程的反射层位追踪方法及装置，包括输入偏移成像剖面，对所述成像剖面进行预处理并设计拾取的参数；计算所述成像剖面的属性信息，包括包络属性、相位属性、倾角属性、极值点属性和子波质心属性；确定种子点的个数和位置；建立马尔可夫决策过程模型，并采用马尔可夫决策过程拾取反射层位信息；判断拾取结果的有效性，并存储有效的反射层位信息。本发明将马尔可夫决策过程引入到同相轴拾取过程中，通过拾取目标与环境产生交互，感知环境的状态，采取动作获得收益，并影响环境的状态，能够从中不断地学习，实现同相轴的最优拾取。

技术领域

本发明涉及地球物理勘探技术领域，特别是一种基于马尔可夫决策过程的反射层位追踪方法及装置。

背景技术

在勘探地震中，成像剖面上的反射结构信息对速度反演和地震地质解释都具有重要的作用。在速度反演过程中，合理地应用反射结构信息，能够有效地提高速度反演的收敛性，约束反演解，从而获得具有地质意义的速度模型。在地震地质解释中，依据成像剖面上的明确的反射特征信息可以确定地质层位的相互关系，提高地震地质解释的可靠性和精度，有利于建立准确的储层模型、提高储层预测精度。因此，从复杂多变的成像剖面中自动地、高效地提取期望的反射结构信息是非常重要的科学问题。目前索引到的成像剖面上的自动拾取或追踪同相轴的方法主要有以下几种方式：1.主要是基于地震剖面上的各种属性信息，根据同相轴横向上的相似性，采用各种算法(信号和图像处理类方法)，识别并提取同相轴的位置。比如：采用振幅信息(Howard，1991)，相位信息 (Zeng等，1998；Stark，2003；Wu和Zhong，2012)，波形信息(Marfurt等， 1998；Lacaze和Valding，2009；Zou等，2013)，倾角/斜率/结构信息(Bakker， 2002；Lomask等，2006；Parks，2010；Wu，2017)或者采用多属性信息共同约束(Lou和Zhang，2018；Li等2020；Zhang等，2020)；2.采用智能化的学习算法，主要包括有监督学习的人工神经网络方法(Harrigan等，1992；Huang 等，2005；Peters等，2019)以及卷积神经网络(Waldeland等，2018；Shi等， 2019；Tschannen等，2020；Zhang等，2021)；无监督学习的自组织网络方法 (Huang等，1990；陆文凯和牟永光，1998)和卷积自编码网络方法(Shi等， 2020)。

然而常规的基于属性信息的拾取方法严重依赖于属性，属性的好坏制约了方法的有效。当横向上属性变化(子波形态特征)比较剧烈时，这类方法很难追踪到正确的同相轴位置。采用机器学习类的方法，借助于大数据分析，可以根据数据的统计特征，学习成像剖面上的结构信息具有广大的应用前景。然而有监督网络算法，需要大量的训练数据和标签，训练过程需要消耗大量的时间，无监督网络算法存在没有明确的物理含义，结果评价不可靠等问题。因此有必要探索更合适、高精度的反射结构拾取方法。

若把自动地同相轴拾取问题看成一个最优决策过程，则可以通过模仿人类的行为，利用计算机算法代替人工拾取。在机器学习算法中，除了有监督学习算法和无监督学习算法，还有一类学习算法。该类学习算法通过与环境的交互来学习，不断的试错和收益进行决断。这类算法叫做强化学习，其核心算法依赖于马尔可夫决策过程实现。本方法将马尔可夫决策过程(MDP)引入到同相轴拾取过程中。通过拾取目标与环境产生交互，感知环境的状态，采取动作获得收益，并影响环境的状态，能够从中不断地学习，实现同相轴的最优拾取。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的拾取方法中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于如何从复杂多变的成像剖面中自动地、高效地提取期望的反射结构信息。