阅读说明：本技术 基于数字音频处理的储层预测方法 (Reservoir prediction method based on digital audio processing ) 是由 杨培杰 陈攀峰 屈冰 董立生 管晓燕 张娟 罗红梅 张志敬 王庆华 韦欣法 于 2019-07-22 设计创作，主要内容包括：本发明提供一种基于数字音频处理的储层预测方法,该基于数字音频处理的储层预测方法包括：步骤1,输入SEGY格式的地震数据,将地震信号转MIDI格式的音频信号；步骤2,进行MIDI特征提取；步骤3,进行MIDI特征学习与分类；步骤4,根据MIDI特征学习与分类,进行音乐储层预测。该基于数字音频处理的储层预测方法种通过数字音频处理技术对地震信号进行处理,得到地震信号的音乐属性,进而提高地震储层预测的适用范围和效果。(The invention provides a reservoir prediction method based on digital audio processing, which comprises the following steps: step 1, inputting seismic data in SEGY format, and converting seismic signals into audio signals in MIDI format; step 2, extracting MIDI characteristics; step 3, learning and classifying MIDI characteristics; and 4, predicting the music reservoir according to MIDI characteristic learning and classification. The reservoir prediction method based on digital audio processing processes the seismic signals through the digital audio processing technology to obtain the music attribute of the seismic signals, and further improves the application range and effect of seismic reservoir prediction.)

基于数字音频处理的储层预测方法

技术领域

本发明涉及储层预测技术领域，特别是涉及到一种基于数字音频处理的储层预测方法。

背景技术

地震属性分析是储层预测的关键环节之一，是从地震数据里推导出来的几何学、运动学、动力学或统计学特征的特殊测量值。地震属性的分类方法有很多，这些分类中所包含的地震属性都有上百种之多。这些纷繁的地震属性对哪些储层特征具有一定的敏感性，是在进行属性提取计算之前应当有所了解，并加以选择。

从叠后处理参数提取地震属性主要按拾取方法不同可分为三类:(1)基于剖面的属性：该属性属于特殊处理的范畴，如速度、波阻抗和AVO振幅提取等。(2)基于同相轴的属性：它是从地震数据中提取的并与一个界面有关的属性，能提供有关界面上下或界面之间属性怎样变化的信息。(3)基于三维地震数据体的体积属性：主要指地震道之间的地震信号相似性和连续性的信息，可以从三维立体角度表征地震地质特征。

Taner等人(1977和1979)和Bodine(1984)经典地阐述了复数地震道属性的理论和应用，评论常规的瞬时地震属性和响应地震属性；通过简单的半空间模型，简述这些地震属性对能量、带宽和相位的敏感性；通过简单的楔形模型，说明这些地震属性对厚度的敏感性。

地震反射数据可以细分成许多分量，比如能量、频率和相位。地震道属性，如反射强度、瞬时相位、瞬时频率等，是以这些地震波形组分为特征的。将地震波形的属性组分分解可以使解释人员更好地识别和利用这些波形，也可以更好地区分和确定储层特征。在这里再重提一下地震属性，它有两个广义分类，一是瞬时属性，二是响应属性。瞬时属性可以代表每一个样点的性质，并且可以在地震道中分离出单独的波形分量。这种类型的属性包括正交振幅、实振幅、反射强度、瞬时相位、瞬时相位的余弦和瞬时频率。

如何更有效地进行储层预测取决于地质与地球科学家对地震属性及它们代表的含义的熟悉程度，地震属性一直是储层地球物理研究的热点，近年来，各种地震属性层出不穷，借鉴其他学科进行储层预测目前储层地球物理发展方向之一。为此我们发明了一种新的基于数字音频处理的储层预测方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种通过数字音频处理技术对地震信号进行处理，得到地震信号的音乐属性，进而提高地震储层预测的适用范围和效果的基于数字音频处理的储层预测方法。

本发明的目的可通过如下技术措施来实现：基于数字音频处理的储层预测方法，该基于数字音频处理的储层预测方法包括：步骤1，输入SEGY格式的地震数据，将地震信号转MIDI格式的音频信号；步骤2，进行MIDI特征提取；步骤3，进行MIDI特征学习与分类；步骤4，根据MIDI特征学习与分类，进行音乐储层预测。

本发明的目的还可通过如下技术措施来实现：

在步骤2中，应用Stockwell Transform对地震数据进行精确的时频分析，公式如下：

其中，τ表示时间延迟，f表示瞬时频率，，x表示地震信号，t表示时间积分中的指数函数是频率域的。

在步骤2中，将Stockwell谱的物理量包括频率、时间和振幅，转换为基本的MIDI属性包括音调、声音强度和音符长度，这些MIDI文件输入到音序器中，再经过正确的频率变换后，通过音频设备转换成可以听到的音频。

在步骤2中，应用下面的数学关系建立地震频率f和MIDI音符n之间的关系：

f(n)＝440·2^(n-58)/12 (3)

其中，n表示MIDI音符的序列号。

在步骤2中，从转换后的数据中提取其MIDI特征，这些特征为与瞬时频率或幅度相关的单值属性，或是多值MIDI属性包括地震信号的旋律、和声、节奏、风格这些特征。

在步骤3中，通过深度学习中的卷积神经网络方法对MIDI特征进行聚类和分类。

在步骤4中，通过MIDI特征学习与分类，区分泥岩盖层和两类不同的含气砂岩储层，进而从不同的角度实现有效的储层预测。

本发明中的基于数字音频处理的储层预测方法，将地震信号转音频信号，应用Stockwell变换对地震数据进行精确的时频分析，将Stockwell谱的物理量(频率、时间和振幅)转换为“基本”的MIDI属性(例如音调、声音强度和音符长度)。MIDI是数字音乐中使用的标准协议，是一种强大的符号格式，地震数据的这种新的“音乐”属性表示提供了许多优势。通过深度学习中的卷积神经网络(CNN)方法对这些音频属性进行聚类和分类，目的是区分泥岩盖层和两类不同的含气砂岩储层(一类是低含气饱和度储层，一类是高含气饱和度)，进而从不同的角度实现储层预测。

附图说明

图1为本发明的基于数字音频处理的储层预测方法的一具体实施例的流程图；

图2为本发明的一具体实施例中地震数据及其Stockwell谱的示意图；

图3为本发明的一具体实施例中地震数据转换至音频的示意图。

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

1、SEGY转MIDI格式

SEGY是地震数据一般以地震道为单位进行组织，采用SEG-Y文件格式存储。SEG-Y格式是由SEG(Society of Exploration Geophysicists)提出的标准磁带数据格式之一，它是石油勘探行业地震数据的最为普遍的格式之一。MIDI(Musical Instrument DigitalInterface)乐器数字接口，是20世纪80年代初为解决电声乐器之间的通信问题而提出的。MIDI是编曲界最广泛的音乐标准格式，可称为“计算机能理解的乐谱”。它用音符的数字控制信号来记录音乐。

纯音实际上可以被视为各种各样的音的基本组成，纯音的函数可以写为是：

y＝Asin2πw (1)

其中，A为振幅，w控制频率。

通常说的do，re，mi，fa，so，la，ti实际上是一种音高的记法，表1为常用的音的频率表。

表1常用音频表

输入SEGY格式的地震数据，将地震信号转音频信号，应用Stockwell Transform对地震数据进行精确的时频分析，将Stockwell谱的物理量(频率、时间和振幅)转换为“基本”的MIDI属性(例如音调、声音强度和音符长度)。

2、MIDI特征提取

应用Stockwell Transform对地震数据进行精确的时频分析，公式如下：

其中，τ表示时间延迟，f表示瞬时频率，积分中的指数函数是频率域的，这种变换适用于分析瞬时频率信息随时间变化(非平稳信号)的地震信号。图2显示了一道地震数据及其Stockwell谱。

将Stockwell谱的物理量(频率、时间和振幅)转换为“基本”的MIDI属性(例如音调、声音强度和音符长度)。图3为将地震数据转换至音频的示意图，输入地震数据，通过Stockwell变换提取地震数据的时频特征，再转换为MIDI属性(例如音调、声音强度和音符长度)，这些MIDI文件输入到音序器中，再经过正确的频率变换后，通过音频设备转换成可以听到的音频。

本发明中应用下面的数学关系建立地震频率f和MIDI音符n之间的关系：

f(n)＝440·2^(n-58)/12 (3)

其中，n表示MIDI音符的序列号，例如，n＝180对应着音符B8，即f＝7902Hz。通过公式3，地震数据被转换到了音频的频率范围(30Hz～20000Hz)，然后进行音频分析。

从转换后的数据中提取其MIDI特征，这些特征可以是与瞬时频率或幅度相关的单值属性，或是多值MIDI属性，例如：地震信号的旋律、和声、节奏、风格等特征。

3、MIDI特征学习与分类

MIDI特征学习与分类通常使用一些比较宽泛的分类方法，结合了几种类型的学习算法，例如k-最近邻算法、人工神经网络络算法、支持向量机、随机森林等。本专利将通过深度学习中的卷积神经网络(Convolutional Neural Networks,CNN)方法对这些特征进行聚类和分类。

4、音乐储层预测

储层预测的最终目的是流体的检测，通过MIDI特征学习与分类，可以较为有效区分泥岩盖层和两类不同的含气砂岩储层(一类是低含气饱和度储层，一类是高含气饱和度)，进而从不同的角度实现有效的储层预测。