屬性合成及多屬性地震相劃分技術宋長青帕拉代姆北京辦事處

地震屬性是指那些由疊前或疊后地震數據，經過數學變換而導出的有關地震波的幾何形態、運動學特征、動力學特征和統計學特征的特殊測量值。它們是地下巖性、物性和含油氣性以及相關性質的物理表怔——《儲層地震預測理論與實踐》地震屬性定義地震屬性的分類一〕物理屬性1.由解析地震道計算的屬性包絡振幅及其一階二階倒數、瞬時相位、瞬時頻率、頻譜屬性、相關系數……2.由疊前資料計算出來屬性縱橫波屬性、泊松比、流體因子、拉枚常數、剪切模量……二〕幾何屬性相干屬性、傾角、方位角……

——Taner屬性合成多屬性地震相劃分帕拉代姆屬性合成——3DCanvas屬性合成——Stratimagic屬性合成——StratimagicLinear屬性合成——StratimagicSymmetrical屬性合成——SeismicAtrribute屬性合成——SeismicAtrribute屬性合成——SeismicAtrributeStratimagic多屬性地震相劃分多個三維地震屬性體作為輸入，單個地震相分類體輸出。三維地震相數據體振幅/P&S阻抗,

流體因子、梯度降維處理多屬性地震相分類

PCA主組分分析技術數據降維分帶壓縮技術

降維處理關鍵技術主分量2在原始數據尋找最大分布趨勢主分量1沿C1正交方向最大趨勢PCA數據投影關鍵技術－主組分分析技術多域的統計分析技術，找出多屬性數據的共同趨勢，從而減少參與相劃分的數據量以及用最具有代表性的數據參與劃分。技術原理在所有屬性體上進行PCA主組份分析地震振幅數據體孔隙度傾角波阻抗方位角相干體PCA分析主分1主分3主分2主分4主分6主分5選取哪些屬性體進行分類？選取奉獻量最大的組分：經驗之談：SM中通常選擇本征值接近或者大于1的組分進行投影和地震相的劃分。PCA主組份分析結果表PCA主組份分析結果地震振幅數據體孔隙度傾角波阻抗方位角相干體PCA分析主分2主分1主分3降維處理后從原來的6個數據體中只選取3個組分參與最終的分類利用Zonation進行數據壓縮層段厚度比較大時，可以利用Zonation將其分成很多的小層，由用戶指定的唯一數值〔例如小層內的最大值、最小值、絕對值的最大值、平均值等〕來代替小層內的多個數值，這樣大大簡化了進行分類的數據，分類過程中小層分層數據被保存，同時一個小層只有一個數值代表了這個小層參與計算。關鍵技術－Zonation數據壓縮技術NOPCAPCA

1.如何選取適宜的分類方法？神經網絡？分級分類？種子點輸入？手工方法？地震相分類面臨的幾個問題：SignalFlow:InputOutputSynapseINPUTSEISMICINTERVALOUTPUTTRACESSynapsesDendritesCellBodyAxon通過自組織的神經網絡計算，首先得到模型道，這些模型道代表了在地震層段中整個區域內的地震信號形狀的多樣性。Stratimagic關鍵技術－：神經網絡技術分類方法神經網絡方法一般用來劃分基于波形的地震相圖和基于多屬性map的地震相圖。分級分類實際上利用的是聚類算法。通常只利用分級分類方法生成地震相體．

分類方法的選擇2.到底分多少類適宜？地震相分類面臨的幾個問題：神經網絡分類中，對分類結果影響較大的是分類數以及迭代次數。經驗的分類次數一般為7－15類，可以先選擇一個分類數，然后分別以這個數的50％和150％的分類數再進行兩次分類。經驗的分析，絕大多數情況下，迭代20次就根本能到達80％的收斂程度，所以一般迭代次數選擇為25－35次就可以了。分類數和迭代次數選取得到的結果是否合理，可