利用机器学习在叠前域增强定量解释.pdfVIP

table{边框‑合并:塌陷;}table,th,td{border:1pxsolid#000;}

利用机器学叠前域增强定量解释

班杜拉*，雪佛龙能源技术公司

值聚类用于根据振幅随角度或偏移量变化（AVA/O）响应对叠前数据进行聚

类。使用工具，可以从聚类过程的输出中自动且定量地提取感的地质特征。

该技术还了一种新的方案，用于快速筛选叠前数据中的直接烃指示（DHI），

并在单个3D体积中可视化叠前AVA/O响应。

引言

数据的解释通常在部分或全栈数据上进行，因为地质特征在这个领域更容易可视

化。近、中、远角/偏移部分堆栈可以增强地质特征，在某些情况下，可以用于可视化流

体效应及其与地质的符合性。然而，缺点是部分堆栈响应仅捕捉到全预栈AVA/O响应中

包含的信息的一部分。振幅在堆栈过程中被平均，AVAO响应的细粒度信息在这种情况下

丢失了。预栈域了大量关于岩石学和流体的定量信息，这些属性与地貌的视觉关联是

一种强大的解释工具。

这里介绍的预栈聚类方法旨在通过与聚类相关的