一种基于奇异值分解技术的废道识别方法

摘要

本发明提供了一种基于奇异值分解技术的废道识别方法，属于石油地球物理勘探领域。本方法包括：(1)将地震数据剖面划分为三个范围，分别为浅范围、中范围和深范围，其中浅范围包括初至前的数据，中范围包括初至所在区域内的数据，深范围包括初至后的深层数据；(2)对于每个地震道的数据，分别获取其三个范围中的属性特征，所述属性特征包括浅范围的平均振幅、主频、过零点个数，中范围的平均振幅、主频、过零点个数、相关系数，深范围的平均振幅、主频、过零点个数、视衰减因子；(3)对每个属性特征分别作归一化处理，得到属性矩阵；(4)对所述属性矩阵进行奇异值分解，并计算得到欧氏距离；(5)输入阈值。

说明书

技术领域

本发明属于石油地球物理勘探领域，具体涉及一种基于奇异值分解技术的 废道识别方法。

背景技术

在地震资料处理过程中，废道检测与剔除是数据处理中非常重要且繁琐的 工作。通常处理人员只能通过振幅值的大小、视频率的高低等特征识别废道， 人工判断和手工剔除存在着效率低、不够准确的问题，难以适应高密度勘探中 海量地震数据处理进度的要求。

目前一些自动或半自动地震道编辑算法和软件，例如软件Promax，它的处 理过程主要是机械地使用该软件中的各单独处理模块，通过主频来判别异常道， 因此处理结果通常不尽如人意，最终仍需与人工编辑相结合。有的采用分时间 段数据分析，提取不同时间段内地震数据的特征参数，综合互相关参数、分频 扫描、视衰减因素等检测不正常道。然而分析过程中根据各属性特点的不同设 定不同的判定条件，算法比较复杂，不容易实现。而一些基于地震道特征评价 的识别方法，由于其参数众多或准则复杂，不利于大规模推广应用。

考虑到提取的地震道特征属性是用矩阵来描述的，本发明将奇异值分解算 法引入废道识别算法中，由于矩阵的奇异值是矩阵特征值的改进，用奇异值代 表矩阵的特征比用特征值更有优点，可以应用于一般矩阵的求解，而不仅仅是 方阵。同时降低存储矩阵的大小，有利于减少内存空间的占用。

在现今的海量地震数据处理中，废道识别依然成为地震资料处理中的一个 瓶颈。由于废道对后续处理效果的影响不容忽视，特别是能量较强的废道，对 地表一致性处理振幅补偿、叠前随机噪声衰减等多道处理有不良的影响：影响 振幅的衰减规律，导致补偿系数难以准确求取；使得地震反射信号在频率域的 可预测性减弱，限制了叠前随机噪声衰减作用的有效发挥。

在现有的废道识别技术中，0mega作为目前主流的处理软件，在滤波过程中 可以识别出工业干扰、空炮等废道，但仍旧无法识别出夹杂在正常数据中的空 道；在Promax中，只能采取人工操作的方式来识别废道，费时费力。然而由于 废道对地震资料处理的结果有着很大的影响，对这些废道的处理也势在必行， 而仅靠人工拾取废道远不能满足现有的项目进度要求。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种基于奇异值 分解技术的废道识别方法，高效使用的地震道自动编辑算法可以进一步减轻处 理人员的工作量，并且可以更准确的进行废道的剔除，便于后续处理工作的进 行。

本发明是通过以下技术方案实现的：

一种基于奇异值分解技术的废道识别方法，包括：

(1)将地震数据剖面划分为三个范围，分别为浅范围、中范围和深范围， 其中浅范围包括初至前的数据，中范围包括初至所在区域内的数据，深范围包 括初至后的深层数据；

(2)对于每个地震道的数据，分别获取其三个范围中的属性特征，所述属 性特征包括浅范围的平均振幅、主频、过零点个数，中范围的平均振幅、主频、 过零点个数、相关系数，深范围的平均振幅、主频、过零点个数、视衰减因子；

(3)对每个属性特征分别作归一化处理，得到属性矩阵；

(4)对所述属性矩阵进行奇异值分解，并计算得到欧氏距离；

(5)输入阈值；

(6)判断所述欧氏距离是否大于阈值，如果是，则此地震道的识别结果为 废道，如果否，则此地震道的识别结果为正常道。

所述方法进一步包括：

(7)判断所述识别结果是否准确，如果否，则调整阈值，然后返回步骤(6)； 如果是，则转入步骤(8)；

(8)结束。

所述步骤(1)中的所述浅范围和深范围均为矩形区域，所述中范围为倒V 型区域。

所述步骤(2)中获取其三个范围中的地震属性是这样实现的：

提取浅范围内的地震道的平均振幅、主频和过零点个数；

提取中范围内的地震道的平均振幅、主频和过零点个数，并计算得到中范 围内相邻道的相关系数；

提取深范围内的地震道的平均振幅、主频、过零点个数，并计算得到该范 围内的视衰减因子；

这样得到11个地震属性。

所述步骤(3)是这样实现的：

对于含有n道数据的炮集，对于第j道数据，将所述11个属性特征，记为 a_i＝[a_1j，a_2j，a_3j，a_4j，a_5j，a_6j，a_7j，a_8j，a_9j，a_10j，a_11j]^T，其中a_1j，a_2j，a_3j表示浅范围内的平均振 幅、主频和过零点个数；a_4j，a_5j，a_6j，a_7j表示中范围内的平均振幅、主频、过零点 个数和相关系数；a_8j，a_9j，a_10j，a_11j表示深范围内的平均振幅、主频、过零点个数和 视衰减因子；

对每个属性特征分别作归一化处理，得到属性矩阵

所述步骤(4)是这样实现的：

对所述属性矩阵A采用奇异值分解，得到右特征矩阵V，取右特征矩阵V的第一列v₁，即v₁＝[v₁₁，…，v_n1]^T，得到列向量s＝Av₁，即

利用下式求得属性矩阵A中的每一列向量与列向量s的欧氏距离d_j：

$d_j=\left|a_j\right|\times \sqrt{1-{\left(\frac{a_j·s}{\left|a_j\right|\times \left|s\right|}\right)}^2}.$

所述阈值的取值范围为[0，1]之间。

所述步骤(7)中的调整阈值是这样实现的，

如果地震道中的废道没有被识别出，则将阈值减小，如果将正常道判定为 了废道，则将阈值增大。

与现有技术相比，本发明的有益效果是：本发明方法实现了对相关废道的 快速识别，可以自动的拾取废道(包含空道，噪声道，野值道等)，拾取结果准 确，速度较快；此外本发明可以作为一个单独的自动化模块进行废道剔除，从 而推进整个数据处理的进度和精度。

附图说明

图1是根据不同时间段确定不同识别废道区域的示意图；

图2是本发明实施例中的炮号1的识别废道效果示意图；

图3是图2中部分剖面的放大图；

图4是本发明实施例中的炮号195的识别废道效果示意图；

图5是图4中部分剖面的放大图；

图6是本发明方法的步骤框图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明从废道与正常道的相异处入手，提取出包括平均振幅、主频、过零 点个数、相关系数、视衰减因子等11项特征，借助奇异值分解算法识别异常特 征，进而识别出废道，本发明简单易懂，内存使用量较少，可以实现海量地震 数据的废道识别。

(1)原始地震道属性特征提取

初至前数据的分析与检测。地震波初至到达前，检波器接收到的是环境噪 声的信号，因此初至前的地震数据可用于环境噪声的分析和不正常道的识别。 通常情况下，假设环境噪声为平稳随机过程，可通过对初至前的数据进行统计 来研究环境噪声的规律。对于单炮数据，此处选择初至前的一个矩形区域，选 择平均振幅、主频和过零点个数三个特征作为识别废道的属性特征。图1中的 数据采样间隔为2ms，取前200个采样点进行初至前数据的分析。

在初至所在区域内的废道特征提取。对于原始单炮数据，如果划定初至所 在的一个较大范围，可以得到一个“倒V”型的区域，相对于原始单炮数据上的 “矩形”区域，它可以尽量避免由于选择区间不当造成的属性特征的不同。在 此区域中，提取地震道的平均振幅、主频、过零点个数三个特征；此外，在此 区域中含有品质较好的反射层，可以计算此区域中相邻道的相关系数(依据地 震道的相关系数(或者称为互相关函数)公式得到，具体步骤为：1)找到零偏移 距对应的地震信号x_k(n)，0≤n≤M；2)对于地震信号x_i(n)，0≤n≤L，查看其 偏移距offset_i，若offset_i≥0，则第x_i(n)道与x_k(n)的互相关函数为r_ik(n)，否 则第x_i(n)道与x_k(n)的互相关函数为r_ki(n)；3)无论r_ik(n)还是r_ki(n)都是利用 FFT(快速傅里叶变换)计算得到的；具体为选择N＝2^k，N≥L+M，构造x_k(n)， x_i(n)的以N为周期的周期信号利用FFT分别计算对 应的离散频谱计算或者在利用FFT反变换得 到r_ik(n)或r_ki(n)；4)在0≤n≤N-L寻找r_ik(n)或r_ki(n)的最大值，即为第i道 的相关系数。)，如果是正常道，数据有良好的相关性，反之，数据中有异常道， 其数据的相关性会发生变化，其相关最大值及其对应的时移量都会出现异常。 因此，在此区间选择上述四项属性特征识别废道。图1中的数据取600个采样 点进行初至区域的数据分析。

深层区域内的废道特征提取。当地震波信号传播到深层后，由于大地滤波 的作用，地震波的能量、振幅等都会呈现指数衰减，然而，大部分的废道却不 会出现能量的衰减，所以，在深层的矩形区域内，选择平均振幅、主频、过零 点个数以及视衰减因子(此处计算的是视衰减因子，具体为：对于第i道地震 数据，其视衰减因子为其中A(t₁)为t₁时刻的振幅，在本发明中， A(t₁)为深层起始位置的振幅的平方，根据用户的交互操作得到，A(t₂)为深层结 束位置的振幅的平方)作为废道识别的属性特征。图1中的数据取最后400个 采样点进行深层区域的分析。

具体实施时，这三个范围是用户通过交互的方式在界面上获取的。

(2)采用奇异值分解算法识别废道

奇异值分解是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉 对角化的推广，在信号处理、统计学等领域有重要作用。它在统计中的主要应 用为主成分分析，它是一种数据分析方法，用来找到大量数据中所隐含的“模 式”(即规律特点)，起到数据降维的作用。在废道识别中，可以发现正常道具 有相似的“模式”，而废道具有相异的“模式”，因此可以利用奇异值分解技术 对地震道的不同“模式”进行识别。

引理(奇异值分解)

若矩阵A∈R^m×n，则存在正交矩阵U＝[u₁,u₂，…，u_m]∈R^m×m， V＝[v₁，v₂，…，v_m]∈R^v×v使得U^TAV＝diag[σ₁，σ₁，…，σ_p]＝∑，p＝min(m,n)，则称A＝U∑ V^T为矩阵A的奇异值分解。其中σ₁≥σ₂≥…≥σ_p≥0，σ_i(i＝1，2，…，p)为A的奇异 值。

通过引理可以发现，奇异值分解是一个适用于任意矩阵的分解方法，矩阵U 是矩阵AA^T的特征向量，矩阵V是矩阵A^TA的特征向量，矩阵AA^T和A^TA都有非常清 楚的物理意义。由于矩阵AA^T中的每一个元素表示对应地震属性特征的相关性， 数值越大相关性越大，矩阵A^TA中的每一个元素表示对应地震道之间的相关性， 数值越大相关性越大。在本发明中，根据矩阵与地震道属性的关系，借助奇异值 分解技术识别废道。

(3)废道识别算法

如图6所示，具体包括：

第一步：根据地震道属性特征简介，对于含有n道数据的炮集，对于第j道数 据，分别提取不同时间段的共11个属性特征，记为 a_i＝[a_1j，a_2j，a_3j，a_4j，a_5j，a_6j，a_7j，a_8j，a_9j，a_10j，a_11j]^T，其中a_1j，a_2j，a_3j表示初至前的平均振幅、 主频、过零点个数；a_4j，a_5j，a_6j，a_7j表示中间“倒V”型区域中的平均振幅、主频、 过零点个数，相关系数；a_8j，a_9j，a_10j，a_11j表示深层处的平均振幅、主频、过零点个 数，视衰减因子；

图1中需要的只是三个范围，起始位置到第一条浅灰色线条为第一个范围 即浅层范围，第二个范围为初至附近的“倒V”型区域，第三个范围为最后一条 浅灰色线条到最后即深层范围。

具体实施时，用户是这样得到这三个范围的：

划分这三个范围时需要用户交互得到，具体步骤：为得到第一个范围，用 户需在地震数据剖面上初至上方的某一个位置点击一下，界面上出现一条横线 以及一个对话框，“是否确定第一个范围”，点击“确定”，划分出第一个范围； 为得到第二个范围，用户在初至附近(初至的上侧或下恻)点击得到两个点，界 面上会出现“倒V”型区域，以及一个对话框，“是否确定第二个范围”，点击确 定，得到第二个范围；为得到第三个范围，用户在深层区域某一位置点击一下， 界面上出现一条横线以及一个对话框，“是否确定第三个范围”，点击确定得到 第三个范围。

第二步：将n道数据的属性特征提出后，对每个属性特征分别作归一化处理 (即将最小的看做为0，最大的看做为1，其余的按比例得到位于[0，1]之间的 数值)，得到最后的矩阵

第三步：对矩阵A采用奇异值分解，得到右特征矩阵V(V是一个n×n的方 阵，这是奇异值分解过程中用到的矩阵，具体表达式为取右特征矩阵V的第一列v₁，即v₁＝[v₁₁，…，v_n1]^T，得到列向量s＝Av₁，即

第四步：求矩阵A中的每一列向量与列向量s的欧氏距离d_j，设定阈值d₀， 若d_i＜d₀，则j为正常道，否则，为废道。

其中$d_j=\left|a_j\right|\times \sqrt{1-{\left(\frac{a_j·s}{\left|a_j\right|\times \left|s\right|}\right)}^2}.$

式中的点表示两个向量之间的乘积，叉表示两个实数之间的乘积；aj指的 是第j个列向量，ai表示第i个列向量，aij表示的是矩阵第i行，第j列位 置的元素，是一个实数。

考虑到不同信噪比的资料对应不同的阈值，为了使本方法的结果更完美， 交互操作过程还包括以下几步：

第一步，查看需要处理的资料，根据信噪比的高低给出一个阈值，它在[0，1] 之间，对于信噪比高的资料，对应的阈值较高，信噪比较低的资料，对应的阈 值较低。

第二步，根据识别的结果(用户从界面上得到的显示效果，其中废道会用 红色标识出来。)调整阈值的大小(如果地震道中的废道没有被识别出，将阈值 调小，如果地震道中将正常道视为废道，则将阈值增大)，最后得到合适的识别 效果。

本发明中将奇异值分解技术引入到废道识别中，下面以某些地区的实例来 说明发明效果。首先给出单炮数据中含异常道较少的地震道，根据本发明设置 阈值为0.76，其中图2中含有强噪声道第198道，空道第209道和214道，可 以看出本方法可以检测出这三道，图3为图2部分剖面的放大图。然后给出单 炮数据中含异常道较多的地震炮集数据，设定阈值为0.7，图5中第 238-275，470-500道均为空道，第25道和196道为强噪声道，从图中显示可以 看出，这些道都可以识别出来，图5为图4部分剖面的放大图。

本发明针对废道的属性特点，分不同时间段提取包括平均振幅、主频、过 零点个数、相关系数、视衰减因子等共11个属性特征，得到地震道属性特征矩 阵，然后利用奇异值分解技术，通过设定阈值识别废道。紧接着给出实际资料 进行检验，可以看出本算法可以有效的识别出废道，由于奇异值技术的引用， 本发明时间复杂度也相应降低。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言， 在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形， 而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是 优选的，而并不具有限制性的意义。