[发明专利]一种地震波形分析方法及装置

说明书

本发明公开了一种地震波形分析方法及装置，该方法包括：建立不同地震相的样本点标签库。根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析。采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。本发明能够充分挖掘反应地质特征的信息，从中得到能够反映研究目标层位地震相特征的向量。

技术领域

本发明涉及油气勘探技术领域，尤其涉及一种地震波形分析方法及装置。

背景技术

在油气地震勘探中，为了从地震数据中提取更多信息，实现对地下构造的精确解释，以及对地层、岩性等特征的描述，地震解释人员经常利用地震波形来完成地震资料解释。地震波形能够帮助解释人员增强目的层段视觉效应或者用数字描述目的层构造，是从地震数据里得出的关于地震波传播的几何学、运动学、动力学或统计学的特征反映。地震波形的基础是当沉积单元发生变化时，其地震反射特征(包括振幅、频率、相位、积分能量频谱、时频能量等)也将有一定程度的变化，利用深度学习网络技术把地震信号的总体变化量实时地刻画出来，即对波形进行分类刻画与分析，形成地震波形异常特征分布图-地震相图。合理且准确的地震信号波形分类结果能够真实地反映地下储层和地层结构构造，从而便于地震解释人员对地下构造进行准确的构造解释，提高对岩性预测、砂体预测、裂缝性油气藏预测和隐蔽性油气藏预测的可靠性。

随着地震勘探水平的不断发展，现有技术仅仅靠解释人员的观察无法准确检测出地震信号中所包含的更加丰富、多样的地质特征信息。

发明内容

本发明实施例提供一种地震波形分析方法，用以充分挖掘反应地质特征的信息，该方法包括：

建立不同地震相的样本点标签库；

根据样本标签库中不同的样本标签建立复合深度学习网络模型，复合深度学习网络模型包括循环自编码神经网络和循环神经网络，自编码神经网络用于对地震波形进行降维处理，循环神经网络用于对地震波形进行聚类分析；

采用超参数的方式更新复合深度学习网络模型中的参数，完成对地震波形的分析。

可选的，建立不同地震相的样本点标签库，包括：

获取目的层的地震道集合和地震相分类，通过地震道集合和地震相分类形成第一样本点对；

针对目的层选择候选样本点，并进行标定，得到相应的初始标签，并通过候选样本点和初始标签形成第二样本点对；

利用第一样本点对和第二样本点对组成样本点集合，并对样本点集合中的样本点进行无监督聚类分析，更新每个样本点对，获取不同地震相的样本点标签库。

可选的，采用超参数的方式更新复合深度学习网络模型中的参数，包括：

对样本点标签库中的样本点进行降维，获取压缩数据和自编码神经网络参数；

根据样本点标签库中的有监督样本点数据对压缩数据及压缩数据对应的标签进行学习，获取循环神经网络参数，

采用超参数的方式更新自编码神经网络参数和循环神经网络参数。

可选的，完成对地震波形的分析，包括：

利用更新后的自编码神经网络参数和循环神经网络参数对目标层波形数据进行分类，得到最终的地震相分析结果，完成对地震波形的分析。

本发明实施例还提供一种地震波形分析装置，用以充分挖掘反应地质特征的信息，该装置包括：

标签库建立模块，用于建立不同地震相的样本点标签库；