[发明专利]一种页岩超声测试波形初至的自动拾取方法

说明书

本发明公开了一种页岩超声测试波形初至的自动拾取方法，包括以下步骤：获取已知页岩储层的岩石超声波实验测试数据；基于不混叠时间对测试数据进行采样并形成向量，选取其中部分道集作为训练数集；根据训练数集，利用监督卷积神经网络算法训练得到波形分类器；获取目标页岩的超声波数据，利用所述波形分类器对所述超声波数据进行波形分类，将所述超声波数据分为波形数据和非波形数据；确定所述波形数据的非零点，基于所述非零点，通过上下延拓的方法提取有效时窗；将所述有效时窗内的波形信号，利用非监督模糊聚类机器学习算法进行波形属性特征聚类分析，根据聚类分析结果获得波形初至。本发明能够稳健、高效、自动地拾取页岩超声测试波形初至。

技术领域

本发明涉及油气勘探岩石物理基础研究技术领域，特别涉及一种页岩超声测试波形初至的自动拾取方法。

背景技术

在油气勘探领域，岩石物理是联系地质、地球物理、石油工程三个学科领域的共同基础和桥梁，以研究岩石的弹性性质为主；主要服务于地震和测井解释、储层估算以及提高采收率。结合岩石物理、测井分析、地质分析以及地震属性，可以预测岩性、流体、以及水合物，岩石物理发展特色为油气检测技术的发展提供了坚实的基础。随着对岩石地质特征的更深刻认识，将岩石的结构特征与地震弹性参数相联系具有举足轻重的作用，而其中的重中之重就是弹性响应，获得岩石弹性参数的重要方法可以通过采集有地质意义的岩石，在实验室采用超声测试装置激发超声波并在不同地层环境下(温度，压力以及不同角度)穿透岩石样品，从而得到超声穿过岩石的纵横波速度来计算，而纵横波速度的准确性取决于穿透岩石的超声波形初至拾取的精度。这也是通过岩石物理研究页岩油气储层弹性响应识别基础研究课题，由于地层环境的差异，成岩条件的差异，孔隙流体类型的差异以及测试方向性的差异，不可避免的引起超声波形的差异，导致初至波波形变化较大，已有的初至拾取算法已经无法正常地工作或者拾取的效果不佳。针对这种情况，我们往往采用人机交互的方式，即人工添加辅助线然后拾取初至波。随着勘探技术的发展，采集的数据几何式的增长。面对海量的地震数据，初至拾取的工作量越来越大，这极大限制着数据处理的速度，并且人工拾取难以保证拾取的一致性。这些问题的存在，都影响着页岩油气勘探的效率。

发明内容

针对上述问题，本发明旨在提供一种页岩超声测试波形初至的自动拾取方法，基于半监督机器学习，使得本发明既能快速、准确地拾取初至，又能够适应各种条件下的超声波数据，大大提高了拾取初至的效率，克服人为拾取的主观性、低效性以及不一致性。

本发明的技术方案如下：

一种页岩超声测试波形初至的自动拾取方法，包括以下步骤：

S1：获取已知页岩储层的岩石超声波实验测试数据；

作为优选，所述页岩储层包括不同沉积环境特性、不同形成时期的海相，海陆过渡相及陆相的页岩储层。

作为优选，所述测试数据包括地震数据、微地震数据、声波实验数据、井筒声波测井数据中的任意一种或多种。

作为优选，所述测试数据包括不同条件(温度，压力，饱和度以及方位等)下的实验测试数据。

S2：基于不混叠时间对所述测试数据进行采样并形成向量，选取其中部分道集作为训练数集；

作为优选，所述不混叠时间基于输入数据的波长进行决定，具体计算公式为现有技术，在此不再赘述。

S3：根据所述训练数集，利用监督卷积神经网络算法训练得到波形分类器；

作为优选，所述监督卷积神经网络是一种特殊的监督型深度学习方法，包含特殊类型的隐藏层(如卷积层、池化层)，擅于从一维或者二维输入数据中提取属性，为现有技术，具体结构在此不再赘述。

作为优选，利用所述监督卷积神经网络训练时，采用局部连接和权值共享的方式进行训练，此时所述监督卷积神经网络的卷积层的数理表达为：