基于LLE和SVM的地震断层自动识别方法

摘要：

传统地震资料的断层解释主要依靠解释者的知识和经验,存在工作量大、效率低的问题.基于机器学习的断层识别方法,可以融合已有的地质资料、解释人员的知识和经验,构建高质量的数据集,增加解释的准确率.为了提高机器学习方法断层解释的准确率,构建基于局部线性嵌入(LLE)和支持向量机(SVM)算法的断层识别方法.首先,介绍了LLE和SVM算法的基本原理,说明各算法的计算过程和主要参数;然后建立断层正演模型,分析不同属性的断层响应特征,针对训练数据集中多种地震属性之间的信息冗余,分别通过LLE和主成分分析(PCA)2种算法对地震属性数据进行降维,引入的量化指标计算结果表明LLE算法对于非线性数据体有较好的降维效果;利用西上庄井田 6条巷道、5口钻井揭露的 11 854个已知构造信息的数据点,分别训练SVM,PCA-SVM和LLE-SVM断层识别模型;以准确率A、查全率R、查准率P、F作为模型的衡量标准,对比各模型在工区数据上的预测分类性能;其中,LLE-SVM模型综合表现最佳,查准率可达 94.4%,远高于其他模型;最后,利用构建的各模型对整个工区进行预测,并结合实际揭露情况和人机交互解释结果进行分析.综合结果表明,基于LLE和SVM的断层识别方法在去除冗余信息的同时能够有效突出断层响应特征,减少主观人为因素的影响,提高断层解释的效率.

关键词：断层识别、地震属性优化、煤田三维地震、局部线性嵌入、支持向量机

所属期刊栏目：48

分类号：P631.4

资助基金：国家重点研发计划2018YFC0807803

在线出版日期：2023-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1634-1644