Isomap算法在地震属性参数降维中的应用

Isomap算法在地震属性参数降维中的应用（精选4篇）

Isomap算法在地震属性参数降维中的应用 第1篇

Isomap算法在地震属性参数降维中的应用

本文针对非线性高维地震属性参数降维的.困难,引入了一种新的非线性降维方法lsomap,并将Isomap降维的结果与线性的MDS降维结果通过小波神经网络进行检验,从算法原理的角度讨论了Isomap算法在地震属性参数降维处理中的可适性.

作 者：倪艳 NI Yan  作者单位：解放军理工大学理学院,江苏,南京,210007 刊 名：西南民族大学学报(自然科学版)  ISTIC英文刊名：JOURNAL OF SOUTHWEST UNIVERSITY FOR NATIONALITIESNATRUAL SCIENCE EDITION 年，卷(期)： 34(2) 分类号：P315 关键词：地震属性参数   数据降维   Isomap算法   MDS算法   小波神经网络  

Isomap算法在地震属性参数降维中的应用 第2篇

目前,随着勘探技术的发展,断层及裂缝预测技术也在不断更新。尤其是对于中、大尺度断层的识别技术已相当成熟,而对小断层及裂缝发育带的研究是地球物理界的热点和难点。地震属性对小断层的识别比较直观,应用较为广泛。由于地震属性及分析技术多样化、直观性更强,以及目前研究技术水平的限制等因素,地震属性分析技术更具有适用性, 是裂缝预测研究的首选。

1断层及裂缝

断层是构造运动的产物［2］,目前地质界内主要把断层划分为4个级别,前3个级别的断层可以称之为大断层,而小断层主要是指延伸短、断距只有几米的四级断层。

裂缝是在成岩阶段或构造运动过程中形成的无显著位移的不连续面［3］。依据力学成因,裂缝有剪裂缝和张裂缝之分;根据地质成因又分为非构造裂缝和构造裂缝两类［4］。此外,考虑到裂缝的延伸长度、切层深度和张开度等物理参数的差异,又可将裂缝分为微裂缝、小裂缝、中裂缝和大裂缝［5］,如表1所示。对于裂缝的发育,尤其是构造裂缝,一般呈区带分布,因此在油田和煤田裂缝研究中更注重裂缝发育带的研究。

2地震属性

地震属性是由地震数据经过数学变换得到的有关地震波的几何学、运动学、动力学或统计学特征。 地下裂缝的存在使地层横向岩石物理特征发生差异,从而使地震波的波长、频率和振幅等信息产生不同程度的变化,即裂缝的地震响应［6］。这些地震响应能够通过地震属性信息反映出来,并且不同尺度的裂缝其地震响应不同。尤其是几何类属性更是能够较好地展示大、中尺度的裂缝,而微小裂缝发育带也具有明显的地震响应。叠后几何属性由于能够更直观地表现裂缝,在裂缝预测研究中应用更广泛,如相干、边缘检测、曲率和蚂蚁体等。

2. 1相干属性

地震相干技术自20世纪90年代提出以来,已发展多种算法,但无论哪一种相干技术,都是通过利用地震道之间的波形相似性突出空间上的不连续性。 普通相干算法是地震道间的直接运算,并未考虑到倾角和方位角的因素。基于导向控制的相干就是综合考虑线、道上每一采样点处的地震同向轴的倾角、方位角,利用倾角控制能够矫正相干信息。沿倾斜面控制处理之后相干属性沿三维方向上的面被引导着处理,在该面上地震相位大致是连续的。与普通相干比较,基于导向控制的相干分辨率较高、杂乱信息干扰较少,通过相干可以清晰地识别断层及裂缝发育带的分布规律和延展形态,即低相干值区域,如图1所示。

2. 2边缘检测属性

边缘检测原本是一种图像处理技术,其目的是突出图像的边缘特征。在地震属性研究中,经常利用边缘检测突出地震的不连续性。实际应用中,往往在相干、方差等属性的基础之上进一步优化利用, 与相干属性相比,边缘检测对于断层的识别效果更加明显清晰,如图2所示。

2. 3曲率属性

曲率表示曲面某一点处弯曲变形的程度,断层、 褶皱等构造变形引起的曲面弯曲特征能够通过曲率属性描述。地震曲率属性与张应力有着直接的关系,曲率越大表示张应力越大,形成的张断裂越发育。因此,可以根据曲率线性构造异常预测断层及裂缝发育带,曲率异常的长度对应着构造带的延展长度,曲率异常的走向就是构造带的走向［7］。曲率种类繁多,例如平均曲率、高斯曲率、主曲率、极大曲率、最大正曲率、最小负曲率等。由于每一种曲率算法不同,其反映的重点也不同,研究发现最大正曲率和最小负曲率在断层及裂缝发育带预测中应用效果较好,如图3所示。

2. 4蚂蚁体属性

蚂蚁追踪技术是利用仿生蚂蚁觅食过程中群体间传递信息、优化路径的原理,即总是选择信息量大的路径,并通过信息量的不断更新最终达到最佳路径。利用这一原理,可突出地震的不连续性,加强断层及裂缝的成像。

在断层及裂缝研究中,蚂蚁体对于大断层规模的识别能力不如对微小断裂的应用效果,如图4所示。蚂蚁体主要用于研究小断层,尤其是对于裂缝发育带的识别更具有指导意义。

2. 5其他属性

在断层及裂缝发育带研究中,倾角、方位角、方差和瞬时相位等属性应用也较广泛。此外,以纹理属性为代表的新兴属性也逐渐发展起来。

3地震属性分析

应用于断层和裂缝研究的地震属性众多,但每一种属性所反映的特征有所不同,应用效果迥异,再考虑到单一属性可能存在多解性的问题,因此在实际应用中并不是仅仅单一地参考某一属性,而是多属性间的联合应用分析。

3. 1多属性叠合

多属性叠合是多属性联合应用中最简单、直观、 常用的方法。一般是利用效果比较好、表征特征有差异的属性直接进行相互叠合,以突出断层或裂缝发育带。相干、曲率和蚂蚁体三者叠合,三者反映不同尺度的裂缝构造,突出目标区的断层及裂缝发育带,识别效果要优于单一属性,如图5所示。

3. 2多属性融合

多属性融合是地震影像学的应用,即不同属性图像进行空间标准化,然后按照一定的算法重构像素代码,进行融合,产生新的影像［8］。通常是利用3种互不相同的属性进行融合,产生一个新的解释图像,一方面降低了单属性的干扰假象和多解性;另一方面也避免了属性直接叠合的覆盖性,从而提升解释图像的精度。

3. 3有监督的神经网络运算

通过建立对断层及裂缝发育带比较敏感的属性集的基础上,拾取合适的训练点进行有监督的人工神经网络运算,最后生成烟囱概率体,来表征断层及裂缝发育带。气烟囱在剖面上能够识别断层,在平面上对断层及裂缝发育带有着明显的响应,如图6所示。

4结语

1) 相干、边缘检测、曲率和蚂蚁体等地震属性,能有效识别小断层及裂缝发育带。实际应用中,并非每一种都是合适的选择,优选敏感属性是研究的关键。

Isomap算法在地震属性参数降维中的应用 第3篇

关 键 词：MOS器件；模型参数；参数提取；器件模型

1 引言

器件的模型和模型参数提取是电子设计自动化（EDA）领域的关键工作[1]。采用遗传算法进行半导体器件模型参数提取是近年来兴起并被广泛使用的一种参数提取方法[2-3]。遗传算法全局搜索能力强、不需进行繁琐的求导运算，不依赖参数初始值等特点，理论上来说只要有足够的迭代次数种能找到最优解[4]。但是，由于遗传算法是一种搜索类算法,较之传统的基于梯度进行迭代计算的解析算法, 每进行一次迭代所需要的时间较长，计算量有了显著增加, 而且对许多复杂问题而言，例如采用的全局优化策略提取复杂模型的大量参数时，标准遗传算法的求解效果往往不是解决这个问题的最有效的方法，必须对算法进行修改与优化，这些因素无疑大大增加了遗传算法的计算量，为此必须考虑算法的耗时问题。本文针对遗传算法自身的耗时问题，讨论了并行遗传算法的特点，并以主从式遗传算法为例，证实了并行计算在参数提取工作中的可行性。

2 并行遗传算法

为了有效的解决遗传算法（GA）在模型参数提取过程中的耗时问题, 提高GA的运行速度，采用并行遗传算法（PGA）是提高搜索效率的方法之一。并行遗传算法[5-6]主要有主从式并行遗传算法、粗粒度并行遗传算法和细粒度并行遗传算法。

2.1 全局PGA模型－主从式模型（master-slave model）

如图1所示，主从式模型分为一个主处理器(master)和若干个从处理器(slaves)。主处理器监控整个染色体种群，并基于全局统计执行选择等全局操作；从处理器接收来自主处理器的个体进行适应度评估等局部操作，再把计算结果传给主处理器。

主从式模型的优点是简单，保留了串行GA 的搜索行为，对计算机体系结构没有严格要求，适合运行在共享存储和分布式存储的并行计算机上。如果适应度估值操作比其他遗传算子计算量大的多时，这是一种非常有效的并行化方法。

2.2 粗粒度PGA模型－分布式模型（distributed model）

该模型又称分布式、MIMD、岛屿模式遗传算法模型。在处理器个数较少的情况下，我们可以将群体分为若干个子群体，每个子群体包含一些个体，每个子群体分配一个处理器，让它们相互独立地并行执行进化。为了防止子群体早熟，每经过一定的间隔(即若干进化代)，各子群体间会交换部分个体以引入其他子群体的优秀基因，丰富各子群体的多样性。除了基本的遗传算子外，粗粒度模型引入了“迁移”算子，负责管理区域之间的个体交换。如图2所示，通常存在两种迁移实现:岛屿模型、踏脚石模型。

2.3 细粒度PGA模型－分散型 (fine-grained model)

细粒度模型又称为邻域模型(neighborhood model)或细胞模型(cellular model)模型。如果并行计算机系统的规模很大，理想情况下处理器多到可以与染色体一一对应，则我们可以将每个个体分配一个处理器，让它们相互独立地并行执行进化，这样就能获得并行遗传算法的最大可能的并发性。如图3所示，在细粒度模型中，通常处理器被连接成平面网格(grid)，每个处理器上仅分配一个个体，选择和交叉只在网格中相邻个体之间进行，所以网格上的邻域关系就限定了个体空间上的关系。由于对处理器数量的要求很高，所以细粒度模型的应用范围不广。

3 基于MPI的主从式遗传算法的的实现

3.1 总体构想

我们采用的主从式并行模型分为一个主处理器(master)和若干个从处理器(slaves)。主处理器监控整个染色体种群，并基于全局统计执行选择等全局操作；从处理器接收来自主处理器的个体进行适应度评估等局部操作，再把计算结果传给主处理器，其个体的分配过程是这样的：假设种群规模为N, 优化模型参数变量个数为M。适应度评估时，程序传给评价函数N个长度为M的向量。并行的任务是master处理器将这个N个长度为M的向量平均分配到各slaves处理器做适应度计算，计算结束后，评价函数返回N个适应度给master处理器。计算各处理器分得的染色体个数的方法是，首先计算出每个处理器至少分配到的染色体个数为AveNum=N/Size，如果处理器个数不能整除行数，这样将有部分处理器分得到（AveNum+1）个染色体，规定多余的染色体分配到编号小的处理器上。

3.2 并行中的消息传递机制

另外，需要注意的是，仅仅依靠例如C，C++，java等编程语言所编写的程序是无法实现上面叙述的染色体在各处理器之间的传递任务。因为，在并行计算环境中，每个进程均有自己独立的地址空间，一个进程不能直接访问其它进程中的数据，因而，在进行并行计算的任务之间进行的数据传输必须通过消息传递机制。消息传递机制，是指用户必须显式地通过发送和接收消息来实现处理器之间的数据交换。

本文采用的是MPI(Massage Passage Interface)消息传递接口。MPI是一个很好的数据传递软件平台，可以通过调用MPI库函数来进行进程调度以及任务间的通信。它实际上是一个消息传递函数库的标准说明，吸取了众多消息传递系统的优点，是目前国际上最流行的并行编程环境之一，其特点是通用性强(只要求网络支持TCP/IP网络协议)、系统规模小、技术比较成熟。本文通过调用MPI的库程序来达到程序员所要达到的并行目的，使异构的计算机群体作为一个紧凑、灵活、经济的计算机资源来使用的并行环境。

3.3 共享内存多处理器主从式并行环境搭建

全局并行化模型并不限定计算机体系结构，它可以在共享内存和分布式内存计算机中高效实现。现在简单介绍一下两种并行编程的方法：分布式内存方法和共享式内存方法。

对于分布式内存的并行计算机，各个处理器拥有自己独立的局部存储器，不存在公用的存储单元，显然，这种方法的问题就产生于分布式内存的组织。由于每个节点都只能访问自己的内存，如果其他节点需要访问这些内存中的数据，就必须对这些数据结构进行复制并通过网络进行传送，这会导致大量的网络负载。他的优点是拥有很好的扩展性，有利于快速构造超大型的计算系统。

在共享内存多处理器计算机中构成并行环境，在共享式内存方法中，内存对于所有的处理器来说都是通用的。这种方法并没有分布式内存方法中所提到的那些问题。而且对于这种系统进行编程要简单很多，因为所有的数据对于所有的处理器来说都是可以使用的，这与串行程序并没有太多区别。这些系统的一个大问题是扩展性差，不容易添加其他处理器。

为了在微机环境下使用MPI构成分布式内存并行环境，只要将PC机联接局域网，然后在每台PC机上安装相应操作系统，并安装MPI软件包即可。分布式内存即种群被一个处理器存储。这个主处理器负责将个体发送给其它从处理器进行评估，并收集计算结果，进行遗传操作来生成下一代。

对于本文所采用的在共享内存多处理器计算机中构成主从式并行环境就更为简单，只要在PC机上安装操作系统（本文安装linux操作系统）和MPI软件包就可以实现并行环境了。在共享内存多处理器计算机中，种群可以保存在共享内存中，每个处理器可以读取被分配到的个体信息并将适应度写回，不会有任何冲突。

4 实验结果分析

将以上方法实现的基于MPI的主从式遗传算法应用于1.2um SOI MOS器件的阈值电压模型参数提取工作中。如图4所示，实验结果表明曲线拟合的效果很好，转移特性曲线最大误差都低于5%。采用并行计算后，参数提取的速度提高了接近2.5倍。

5 结论

从实际的测试效果来看，以上方法实现的程序的简洁有效，智能化程度很高，且具有较高的精确度。因此，本文提出的基于MPI的主从式遗传算法可以解决遗传算法在器件参数提取过程中的耗时问题。该方法简单易用，适合推广使用。

参考文献

[1] J.Liou A,Analysis and Design of MOSFETS: Modeling,Simulation,and Parameter Extraction[M].KLUWER ACADEMIC PUBLISHERS,1998.

[2] Kondo M,Onodera H,Tamaru K.Model adaptable MOSFET parameter extraction method using an intermediate model[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems,1998,17(5):400-405.

[3] Yang P, Chatterjee P K, An optimal parameter extraction program for MOSFET models[J].IEEE Transaction on Electron Devices,1983,30(9):1214-1219.

[4] Li Yiming. An automatic parameter extraction technique for advanced CMOS device modeling using genetic algorithm.Microelectronic Engineering,2006,41(4): 1309-1321.

[5] 康立山，非数值并行算法(第一册)-并行遗传算法[M].科学出版社,2003.

Isomap算法在地震属性参数降维中的应用 第4篇

进行精细储层解释和预测的一个有效方法是利用地震多属性分析技术, 提高地震多属性储层预测精度的关键在于地震属性的组合优化[1]。地震数据往往是地层构造特征、岩性特征、流体特征等众多因素的综合, 虽然地震反射是地下地质情况的反映, 但地质背景的复杂性反映到地震资料上就有多解性, 因此有必要优选出对所求解问题最敏感 (或最有效、最有代表性) 的属性个数较少的地震属性组合, 以提高地震储层预测精度, 改善与地震属性有关的处理和解释方法的效果。通过研究地震属性优选技术的理论和方法, 利用敏感属性分析技术优化水平井轨迹设计, 实钻表明, 可以提高水平井地质导向的成功率和储层钻遇率。

1 SDC敏感属性分析技术

目前人们往往从单个侧面考察储层参数与地震属性之间的相关性来优选灵敏属性, 比如搜索法、线性相关法、有效性法、模拟退火优化方法等[2], 这些方法往往容易漏选一些敏感属性或误选非敏感属性。因此寻求从多个侧面来刻画储层参数与地震属性之间的相关性, 以期改善单个侧面刻画储层参数与地震属性带来优选灵敏属性的缺陷。基于这样的思想本文采用一种从储层参数与属性之间的有效性 (S:sensitivity) 符合率 (D:discrete) 和相关性 (C:correlation) 三方面综合分析来刻画储层参数与地震属性之间的敏感性[3,4]。

2 粗糙集 (RS) 敏感属性分析技术

粗糙集 (RS) 理论是对不完整数据进行分析、推理, 发现数据间的关系, 提取有用信息, 简化信息处理, 研究不精确、不确定知识的表达、学习、归纳的有利工具。应用粗集理论对地震属性进行优选, 目的是为了从众多地震属性中选出一些敏感的地震属性, 即从决策表中选出一些条件属性, 因此我们的地震多属性优选实质为粗集理论中的属性约简。[7]

3 安岳区块水平井中的应用实例

川中安岳气田储层圈闭类型为构造岩性圈闭, 以三角洲前缘水下分支河道、河口坝微相为主, 形成砂岩储集体。主要储层须二段气藏纵向上生、储、盖配置较好, 有利于气藏的形成, 储层物性具有低孔、低渗特征, 储层非均质性较强。以安岳工区实际数据为例来阐述三维敏感属性优选方法:先提取振幅、瞬时、频谱、层序、非线性类40余种地震体属性, 抽取已知井 (8口) 轨迹的测井储层参数 (自然伽马、孔隙度、渗透率等) 以及对应的三维地震体属性值。

以孔隙度参数敏感属性分析为例, 对应孔隙度参数分别进行SDC和RS敏感属性分析:先利用基于有效性、符合率、相关性的S D C三参数法进行三维体属性综合评分, 确定综合排名前5名的地震属性直接选入敏感属性集合。然后把地震属性和孔隙度参数经过自组织神经网络量化后, 通过粗集理论 (R S决策) 进行属性优选, 从中优选出6个地震“核”属性, 再取这6个属性和S D C综合评分前20名的交集送入敏感属性集合, 剔除属性集合中可能存在的对孔隙度变化敏感性较低或者属性间相关性太高的属性, 最后得到孔隙度敏感属性集合。

利用三维敏感地震属性分析方法优选出地震体属性, 进行随钻测井参数与井旁地震属性的相关性与相容性分析, 以安岳工区岳101-85-H1水平段为例, 分别抽取敏感性较高的平均振幅与复合包络差等进行具体分析, 通过敏感属性的异常反应指示了水平井轨迹的四个调整点, 为水平井轨迹优化提出了合理化建议。利用敏感属性组合结合神经网络储层预测技术, 得到了较高精度的储层预测成果, 该成果对水平井轨迹优化和随钻分析提供了数据支持。

4 结论

要做好水平井随钻地震参数的总结与分析, 敏感地震属性分析是一项重要的必不可少的工作。单个敏感属性与相关储层参数具有良好的一致性, 它们可以放大和指示一些关键部位的变化或者异常, 利用多属性敏感分析技术与模式识别技术, 可以有效的提高预测精度, 在提高水平井储层钻遇率方面具有现实的意义和实用价值。

参考文献

[1]印兴耀, 周静毅.地震属性优化方法综述[J].石油地球物理勘探, 2005, 40 (4) :482-489

[2]Schultz, P.S., Ronen, S.Hattori, M., Corbett C., Seismic-guided estimation of log properties Part 1:A data-driven interpretation methodology, The Leading Edge, 1994, (5) :305-311

[3]丁峰, 尹成等.一种基于灵敏属性分析的相关聚类属性优化方法[J].石油地球物理勘探, 2008, 43 (5) :568-572

[4]魏艳, 尹成, 丁峰等.地震多属性综合分析的应用研究[J].石油物探, 2007, 46 (1) :42~47

[5]吉小军, 李世中, 李霆.相关分析在特征选择中的应用[J].太原:华北工学院测试技术学报, 2001, 1:15-18

[6]丁峰, 尹成, 朱振宇, 桑淑云, 魏艳.利用改进的自组织网络进行地震属性分析[J].西南石油大学学报 (自然科学版) , 2009, 31 (4) :47-51

[7]古发明, 尹成, 丁峰.应用粗集理论优选地震属性的方法研究[J].西南石油大学学报, 2007, 29 (增刊) :1-4