stratimagic属性合成及多属性地震相划分技术.ppt

* * 属性合成及多属性地震相划分技术 　　　　　　 　　地震属性是指那些由叠前或叠后地震数据，经过数学变换而导出的有关地震波的几何形态、运动学特征、动力学特征和统计学特征的特殊测量值。它们是地下岩性、物性和含油气性以及相关性质的物理表怔 ——《储层地震预测理论与实践》 地震属性定义 地震属性的分类 一）物理属性 1.由解析地震道计算的属性 包络振幅及其一阶二阶倒数、瞬时相位、瞬时频率、频谱属性、 相关系数…… 2.由叠前资料计算出来属性 纵横波属性、泊松比、流体因子、拉枚常数、剪切模量…… 二）几何属性 相干属性、倾角、方位角…… ——Taner 属性合成 多属性地震相划分 帕拉代姆 属性合成——3D Canvas 属性合成——Stratimagic 属性合成——Stratimagic Linear 属性合成——Stratimagic Symmetrical 属性合成——Seismic Atrribute 属性合成——Seismic Atrribute 属性合成——Seismic Atrribute Stratimagic多属性地震相划分 多个三维地震属性体作为输入，单个地震相分类体输出。 三维地震相数据体 振幅/P S阻抗, 流体因子、梯度 降维处理 多属性地震相分类 　　PCA主组分分析技术 　　数据降维分带压缩 技术　 　 降维处理关键技术 主分量 2 在原始数据寻找最大分布趋势 主分量 1 沿C1正交方向最大趋势 PCA 数据投影 关键技术－主组分分析技术 多域的统计分析技术，找出多属性数据的共同趋势，从而减少参与相划分的数据量以及用最具有代表性的数据参与划分。 技术原理 在所有属性体上进行PCA 主组份分析 地震振幅数据体 孔隙度 倾角 波阻抗 方位角 相干体 PCA 分析 主分1 主分3 主分2 主分4 主分6 主分5 选取哪些属性体进行分类？ 选取贡献量最大的组分： 经验之谈：SM中通常选择本征值接近或者大于1的组分进行投影和地震相的划分。 PCA 主组份分析结果表 PCA 主组份分析结果 地震振幅数据体 孔隙度 倾角 波阻抗 方位角 相干体 PCA 分析 主分2 主分1 主分3 降维处理后从原来的6个数据体中只选取3个组分参与最终的分类 利用Zonation进行数据压缩 层段厚度比较大时，可以利用Zonation将其分成很多的小层，由用户指定的唯一数值（例如小层内的最大值、最小值、绝对值的最大值、平均值等）来代替小层内的多个数值，这样大大简化了进行分类的数据，分类过程中小层分层数据被保存，同时一个小层只有一个数值代表了这个小层参与计算。 关键技术－ Zonation数据压缩技术 NO PCA PCA 　　　 1.如何选取合适的分类方法？ 　　神经网络？ 　　分级分类？ 　　种子点输入？ 　　手工方法？ 地震相分类面临的几个问题： Signal Flow: Input Output Synapse INPUT SEISMIC INTERVAL OUTPUT TRACES Synapses Dendrites Cell Body Axon 通过自组织的神经网络计算，首先得到模型道，这些模型道代表了在地震层段中整个区域内的地震信号形状的多样性。 Stratimagic关键技术－：神经网络技术分类方法 神经网络方法一般用来划分基于波形的地震相图和基于多属性map的地震相图。 分级分类实际上利用的是聚类算法。通常只利用分级分类方法生成地震相体． 分类方法的选择 　　　2.到底分多少类合适？ 地震相分类面临的几个问题： 神经网络分类中，对分类结果影响较大的是分类数以及迭代次数。经验的分类次数一般为7－15类，可以先选择一个分类数，然后分别以这个数的50％和150％的分类数再进行两次分类。经验的分析，绝大多数情况下，迭代20次就基本能达到80％的收敛程度，所以一般迭代次数选择为25－35次就可以了。 分类数和迭代次数选取得到的结果是否合理，可以利用Tools下的CrossPlot工具或者观察各类的模型道波形进行分析。通常来说，CrossPlot下各类的分布近似于圆