基于模糊均值聚类叠前地震数据定量解释方法研究.pdfVIP

利用机器学习增强叠前域中的定量解释班杜拉*，雪佛龙能源技术公司

机器学习方法应用于叠前数据以获得AVA/O响应

的聚类（Hami‑Eddine等人，2017），其中包括增长

模糊C均值聚类用于根据振幅随角度或偏移距变化

神经气（GNG）方法（弗里茨克，1995）。

（AVA/O）响应对叠前数据进行聚类。使用行业

工具，可以从聚类过程的输出中自动且定量地提取

方法

t感的地质特征。该技术还了一种新颖的方案，

a

e用于对DHI（直接水合物指示）进行叠前数据的快聚类技术通常用于以无监督方式查找数据中的自然划

s

U速筛选，并可在单个三维体中可视化叠前AVA/O分。相比监督机器学习技术，使用无监督机器学习技

f

o术有几个优势。根据具体应用，监督学习技术需要选

s响应。

m

r择具有必要多样性的适当数量和质量的训练数据。为

e

T

e引言监督学习算法获取合适的训练数据通常耗时且。

e

s

;数据的解释通常是在部分叠加或完全叠加数

t

h

g据上进行的，因为地质特征在该域中更容易可视化。

i

r

y近、中、远角度/偏移距部分叠加可以增强地质特征，

p

o与监督机器学习方法不同，诸如聚类之类的无监督技

c

r并且在某些情况下可用于可视化流体效应及其与地质的

o术不要求对算法进行训练，因此不需要选择训练数据。

e符合性。然而，其缺点是部分叠加响应仅捕捉了完整叠

s这通常会带来更直接且快速的评估过程，并能直接获得

n前AVA/O响应中所含信息深度的一部分。振幅在叠加

e

c数据洞察。

i

l过程中被平均化，AVA/O响应的粒度在此过程中丢

G

E失。叠前域了有关岩性和流体的丰富定量信息，而模糊C均值聚类是一种应用于叠前数据的技术，

S

o这些属性与地貌的可视化相关性是一种强大的解释工用于根据AVA/O响应对区域进行分割。（图1）

t

t

c具。

e

j

b

u

s

n

o本文介绍的叠前聚类方法旨在通过与聚类相关的鲁棒

i

t

u全局统计A