[发明专利]基于深度自适应聚类的叠前地震数据反射模式分析方法

说明书

本发明公开了一种基于深度自适应聚类的叠前地震数据反射模式分析方法，包括以下步骤：S1、对叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式；S2、训练深度自适应聚类网络；S3、利用训练好的深度自适应聚类网络对地震数据进行反射模式分析。本发明引入图像领域的自适应聚类网络，能够提高神经网络对地震数据中有效信息的提取能力，可以快速分类出大量地震反射模式数据，节省了宝贵的钻探资源，提高了钻探的效率，有效减少人为操作，对于地下油气藏的位置能够给出指导意见。

技术领域

本发明属于地震数据分析技术领域，特别涉及一种基于深度自适应聚类的叠前地震数据反射模式分析方法。

背景技术

基于地震反射信号的地震相分类技术是目前进行地下油气藏预测的主要手段。地震反射模式分析方法是通过分析油气藏和非油气藏的反射信号差异。从而得到地下油气藏的具体位置的一种重要技术。地震反射模式分析方法作为一种智能化地震相分析技术，已经成为地震相分析领域举足轻重的方向，地震反射模式分析方法通常使用的是叠后地震数据，由于以前计算机算力不足，叠后地震数据通过叠加道集，缩减地震数据的数据量并压制噪声，叠后数据可以在算力较低的情况下得到反射模式分析结果。但是这也造成了叠前地震数据中的一些细微的地震信息损失，随着电子信息领域的高速发展，地震数据采集技术的提高，叠前地震数据的数据质量得到了提高，使得利用叠前地震数据进行叠前反射模式分析成为了新的发展方向。

基于前人的研究进展，目前叠前地震数据反射模式分析方法存在过于依赖特征提取方法，而忽略了特征学习和聚类的结合的问题。本发明将多维地震数据聚类问题重构为一个二元成对分类框架，以判断成对二维地震数据是否属于同一类。在本发明的神经网络结构中，相似度是通过深度卷积网络(ConvNet)生成的二维数据标签特征之间的距离来计算的。通过在深度自适应聚类中引入约束，可以用于地震数据反射模式聚类。实现了地震数据反射模式分析领域的新的方法的尝试，并提升了效果，为利用机器学习算法进行叠前地震数据反射模式分析提供条件。

目前利用神经网络进行叠前地震信号识别分类的方法主要有：F Qian et al.(2018)深度卷积自编码器进行无监督地震相分析，M Liuet al.(2020)使用监督卷积神经网络和半监督生成对抗网络的地震相分类等卷积神经网络。卷积神经网络(CNN)在叠前地震相分类中取得了很多不错的成果。

在现有的CNN网络结构中，大多数是对数据进行特征提取而后进行聚类，往往忽略了特征学习和聚类的结合。

发明内容

本发明的目的在于克服现有技术的不足，提供一种引入自适应分类网络，能够提高神经网络对地震数据中有效信息的提取能力，可以快速分类出大量地震反射模式数据，节省钻探资源，提高钻探的效率的基于深度自适应聚类的叠前地震数据反射模式分析方法。

本发明的目的是通过以下技术方案来实现的：基于深度自适应聚类的叠前地震数据反射模式分析方法，包括以下步骤：

S1、对叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式；

S2、训练深度自适应聚类网络；

S3、利用训练好的深度自适应聚类网络对地震数据进行反射模式分析：将叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式，然后将二维数据矩阵集输入地震相分类网络中，得到地震相分类结果。

进一步地，所述深度自适应聚类网络包括依次顺连的输入层、卷积层1、卷积层2、池化层、卷积层3、全连接层1、全连接层2和输出层。

进一步地，所述S2包括以下子步骤：

S21、将二维矩阵数据集划分为n/m批样本，n为二维矩阵数据集中样本总数量，初始化k＝1；

S22、从二维矩阵数据集X中选择第k批样本Xk，每批样本包含m个二维矩阵数据，输入深度自适应聚类网络进行训练；