略说网络的地震相分类

前言：本站为你精心整理了略说网络的地震相分类范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

1方法实现与测试

为了建立地质模型，在该剖面上共采集了25个岩石样本，并在实验室中测量了岩石的纵波速度与密度等物性（曾凡平等，2009），测量结果所示．取各成因相的纵波速度均值和密度均值计算对应的纵波波阻抗值．对比各成因相的纵波波阻抗值，可看出内滩最低、外滩和礁基次之、礁核最高，而台地介于礁核和外滩之间．地震模型基于露头写实以及地质解释结果，并根据上述测量数据，建立了地震波阻抗模型，运用褶积的方法计算出了对应的合成地震记录，用以验证及测试本文所提出的地震相分类方法．为了方便，试验省去了时深转换的环节，直接建立了时间域的地震波阻抗模型．波阻抗模型大小为200×300的网格，深度间隔为1ms，CDP间隔为10m．对应的合成地震记录采用主频为30Hz的雷克子波，并加入了5％的高斯随机噪声．地震属性笔者根据地震属性对地质体反应的敏感性和符合率较大的原则，选择了8种地震属性作为地震相分类的基础数据，包括：瞬时振幅、瞬时频率、均方根振幅、平均绝对振幅、绝对距离、欧式距离、互相关距离和相似系数．是根b计算出的地震属性结果．分类模型的构建及训练由于没有类似的研究成果作参照，无法通过前人的研究成果设定地震相分类贝叶斯网络的先验信息（初始网络结构和网络参数）．因此，在网络结构训练前，仅定义了网络节点，将其作为初始网络结构，而在网络参数学习前，将各节点参数的条件概率分布表均设定为均匀分布，作为贝叶斯网络参数学习的初始网络参数．由于礁基、内滩和外滩的波阻抗差异小，在地震上较难区别，因此在实验中将礁核和礁基合并为生物礁，把内滩和外滩合并为生物滩．为了区分台缘背景沉积中的单层内部的随机噪声和层序界面对应的地震相，实验中将台地分为内部均匀沉积和层序界面两类地震相．因此，以礁核、生物滩和台缘背景沉积这3种成因相组合为最小划分单元，试验将地震相的类别数最终确定为4个：1类为生物礁，2类为生物滩，3类为台地1－内部均匀沉积和4类为层序界面．由于各种地震属性的数值大小及值域范围都1147不同，考虑到基于离散变量的贝叶斯网络算法容易实现，故在样本数据输入评价模型之前，均对其进行了离散化处理．本次试验的离散化规则为：根据地震属性的值域范围分成5个区间，按照其数值从大到小的规则将其编号（1（大）～5（小））．选择模型中的部分典型区域按照所属的沉积相类别编号，逐一提取对应区域的各地震属性值，并对其进行整理，最后将结果用于贝叶斯网络的结构训练和参数训练．贝叶斯网络的训练采用了K2算法，该算法将同时完成结构和参数训练．结构训练的结果所示．

2地震相分类

本文所选用的评价方法为全局联合树推理算法，a为地震相分类的类别结果，分别显示了各类地震相的分布范围，与地质模型相比，其整体分类结果较好．其中1类（生物礁）和2类（生物滩）的地震相分布与地质模型总体比较吻合，3类（台地1－内部均匀沉积）和4类（层序界面）的分布范围也较准确．b～8e分别为1类（生物礁）、2类（生物滩）、3类（台地1－内部均匀沉积）和4类（层序界面）地震相的概率值分布图．但是，还要注意到a中白色框的部分与地质模型存在着较大的差距，这可能是由于1类（生物礁）太小或者由于周围生物滩的影响，地震波对于部分生物礁相的响应不好造成的．对比地震模型、地震属性和地震相分类结果，以及各地震相的概率分布图发现，虽然a～5c，5g和5h中地震属性较好的反映了地震相的分布形态，中强幅值与礁滩的分布也较吻合，但是也有d～5f成为了地震属性进行地震相分类的干扰因素．这是因为d～5f所表示的地震属性对剖面中沉积相的变化不敏感所致（所得各类别概率值接近于均匀分布）．若在地震相分类前进行属性优选，剔除如d～5f对分类结果具有负面影响的地震属性，按照节所述方法，重新对地震相分类模型进行训练，得到的分类结果如所示．分类结果相比，分类结果的精度有了提高．但是在未进行属性优选的情况下，本研究所得到的地震相分类结果并没有受到太大的负面影响，依然得到了准确性较高的地震相分类结果．究其原因，就是在网络参数的训练过程中，由于地震属性与分类的不相关性，造成该地震属性的分类概率值接近于均匀分布，自动降低了不利于地震相解释的地震属性对于地震相分类结果的负面影响，且不需要任何人工的干预．

3结论

本文提出的基于贝叶斯网络的地震相分类方法，并以巴楚一间房组台缘生物礁－滩沉积体系的典型露头剖面所构建的地质模型为例，描述了地震相识别过程中贝叶斯网络的建模、学习和分类的步骤，并且验证了该方法的可行性和正确性．与现有的确定性地震相分类方法比较，具有一定的优势：经过实例数据的测试，证明本文所建立的地震相分类方法是可靠的，为地震相分类研究提供了一种新的、更加有效的方法；以概率分布的形式输出分类的结果，原则上将概率值最大的类别作为待分类样本所属的类别，分类结果的概率分布即是分类的可靠性评价；通过引入先验信息，降低了对训练数据样本分布的过度依赖，并且提高了分类结果的准确性；该方法在没有人工干预的情况下，通过对样本数据的学习，智能地完成了各地震属性权值设定；当某些地震属性结果对地震相分类不利时，该方法可自动降低其对分类结果的负面影响；在地震相分类过程中，由于不需要人工干预，因而更客观可靠．由于时间有限及其他方面的原因，本文提出的地震相分类方法仅对理想地震数据进行了应用，对于实际数据的应用效果还需要进一步的验证和深入研究．致谢：本研究得到了中国地质大学（武汉）资源学院焦养泉教授的指导和帮助．

作者：顾元朱培民荣辉曾凡平海洋单位：中国地质大学中国地质大学