解滔，鄭曉東，張

1 中國(guó)石油勘探開發(fā)研究院，北京 1000832 中國(guó)地震臺(tái)網(wǎng)中心，北京 100045

?

基于線性預(yù)測(cè)倒譜系數(shù)的地震相分析

解滔1,2，鄭曉東1*，張1

1 中國(guó)石油勘探開發(fā)研究院，北京 1000832 中國(guó)地震臺(tái)網(wǎng)中心，北京 100045

本文借鑒語音識(shí)別技術(shù)中的線性預(yù)測(cè)倒譜系數(shù)(LPCC系數(shù))特征參數(shù)提取方法對(duì)地震數(shù)據(jù)進(jìn)行分解，這種方法的優(yōu)點(diǎn)是：可以獲得將子波和反射系數(shù)信息分離的地震語音特征參數(shù)，對(duì)地質(zhì)現(xiàn)象邊界具有較好的描述能力，使我們可以從不同維度更細(xì)致地觀察隱藏在地震數(shù)據(jù)中的地質(zhì)特征．理論模型分析表明，基于LPCC系數(shù)的地震分析具有較高的地震相劃分能力．實(shí)際地震資料應(yīng)用表明，LPCC系數(shù)對(duì)儲(chǔ)層特征的描述比常規(guī)三瞬屬性更為細(xì)致，不同階次LPCC系數(shù)在描述儲(chǔ)層不同特征時(shí)也保持了內(nèi)在的聯(lián)系．采用K均值聚類方法對(duì)提取的12階和24階LPCC系數(shù)進(jìn)行聚類分析，聚類結(jié)果與目的層段古地形較為吻合，較好地反映了研究區(qū)的斷裂、礁灘相帶、深水扇和儲(chǔ)層的分布特征，說明在地震相分析中采用LPCC系數(shù)作為特征參數(shù)是可行和有效的．

線性預(yù)測(cè)倒譜系數(shù)；地震相分析；儲(chǔ)層預(yù)測(cè)；K均值聚類；語音識(shí)別

1 引言

地震相分析是進(jìn)行儲(chǔ)層預(yù)測(cè)和儲(chǔ)層特征描述的重要基礎(chǔ)工作之一(Nivlet，2007；John et al.，2008)，通過分析地震剖面的反射結(jié)構(gòu)、連續(xù)性、振幅、頻率、相位和速度等地震反射參數(shù)來進(jìn)行定性地質(zhì)解釋(Payton，1980)．現(xiàn)在一般直接利用地震反演、地震屬性及其聚類和分類結(jié)果進(jìn)行定量地質(zhì)解釋，通過井震標(biāo)定建立地震相與地質(zhì)體之間的聯(lián)系，進(jìn)而對(duì)地質(zhì)體的構(gòu)造特征、沉積相帶、巖石成分、儲(chǔ)層物性和流體特征進(jìn)行精細(xì)描述．地震相分析已成為儲(chǔ)層預(yù)測(cè)和油藏描述的有效手段(Coléou et al.,2003；Chopra and Marfurt，2005；de Matos et al.，2007；Bagheri and Riahi,2013)．地震屬性是地震相分析中常用的方法，目前已有上百種屬性(Brown，1996；Chen and Sidney，1997)，其中一些參數(shù)對(duì)油氣識(shí)別具有較好的指示意義(林昌榮和王尚旭，2011)．基于地震屬性的地震相分析也面臨著一定的困難：地震屬性種類繁多，地震屬性與地質(zhì)特征之間并不存在簡(jiǎn)單的對(duì)應(yīng)關(guān)系，有些地震屬性有明確的物理意義，有些則是冗余甚至無效．因此，從眾多地震屬性中優(yōu)選出對(duì)儲(chǔ)層特征敏感的地震屬性是地震相分析重要的環(huán)節(jié)，實(shí)際中常采用多屬性交匯和降維方法選擇與儲(chǔ)層相關(guān)的信息(Dumay and Fournier,1988；Kalkomey，1997；de Matos et al.，2007；John et al.，2008;Roweis and Saul，2000；龔灝等，2008；Liu et al.，2010)．多屬性分析通過屬性優(yōu)選構(gòu)建地震相分析的高維屬性，采用模式識(shí)別、圖像處理、神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)學(xué)等領(lǐng)域中的技術(shù)進(jìn)行地震相劃分(Saggaf et al.,2003；楊勇等，2005；唐耀華等，2009；Bagheri and Riahai,2013；田玉昆等，2013；張等，2015；袁成等，2016)，可以提高地震相分析效率．

地震數(shù)據(jù)中包含豐富的地質(zhì)信息，從波形上常常不能直接識(shí)別．提取隱藏其中的地質(zhì)特征，需要對(duì)地震數(shù)據(jù)進(jìn)行分解，以提取各種地震屬性．例如，時(shí)頻分析將數(shù)據(jù)分解到不同的頻段以獲取各頻段中不同的特征．地震屬性分析采用多種屬性來反映隱藏在地震數(shù)據(jù)中的地質(zhì)特征，但這些屬性依據(jù)不同的理論知識(shí)，采用不同方法計(jì)算，彼此之間缺少緊密的內(nèi)在聯(lián)系，屬性選擇過程中人為因素較多，易導(dǎo)致預(yù)測(cè)結(jié)果的多解性(Coléou et al.，2003；印興耀和周靜毅，2005)．在彈性介質(zhì)中傳播的聲波和地震波遵從相同的微分方程，二者本質(zhì)上是同一種波．實(shí)際上在地震激發(fā)時(shí)(例如炸藥激發(fā))是有聲音的，由于地震波在地層的傳播過程中高頻能量損失，使得地震記錄主體能量位于人的聽覺頻段范圍之外或邊緣，從而忽略了地震波的“聽覺特征”．語音識(shí)別技術(shù)經(jīng)過多年的發(fā)展，目前已經(jīng)從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用(Cano et al.,2005；韓紀(jì)慶等，2013)，已形成了一套基于語音高維特征參數(shù)的語音識(shí)別方法，在孤立詞、說話人和連續(xù)語音識(shí)別等方面取得了較好的效果(Reynolds and Rose，1995；Pierre-Yves，2003；Muda et al.，2010)．人類語音含有豐富的信息，語音識(shí)別技術(shù)能對(duì)這些信息進(jìn)行識(shí)別，說明語音特征參數(shù)對(duì)語音信號(hào)具有很強(qiáng)的信息表征能力．因而借鑒語音識(shí)別中的特征參數(shù)提取方法，用以對(duì)地震數(shù)據(jù)進(jìn)行分解，將數(shù)據(jù)中相互疊加的信息展開到不同維度，找到隱藏其中的地質(zhì)特征，將有助于地震資料的處理和解釋．曹俊興等(2011)、Tian和Cao(2011)采用語音識(shí)別中的倒譜域參數(shù)對(duì)過井剖面地震數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)含氣井存在一階倒譜域參數(shù)低值、二階參數(shù)高值的現(xiàn)象．地震數(shù)據(jù)中包含的地質(zhì)信息較多，采用高維特征參數(shù)對(duì)地震數(shù)據(jù)進(jìn)行分解將更為有效．線性預(yù)測(cè)倒譜系數(shù)(Linear Prediction Cepstrum Coefficient，LPCC)是目前語音識(shí)別中廣泛應(yīng)用的一類特征參數(shù)，文中將借鑒LPCC系數(shù)的提取方法，對(duì)目的層段地震數(shù)據(jù)進(jìn)行分解，將數(shù)據(jù)中的信息展開到多維空間，然后采用聚類方法進(jìn)行地震相分析，挖掘地震數(shù)據(jù)中隱藏的地質(zhì)特征．

2 地震線性預(yù)測(cè)倒譜系數(shù)

語音由聲音和語言構(gòu)成，聲帶激勵(lì)的聲音經(jīng)過聲道時(shí)，人的神經(jīng)系統(tǒng)控制聲道的形狀和運(yùn)動(dòng)對(duì)聲音進(jìn)行調(diào)制，最終形成語音，因而聲道的響應(yīng)構(gòu)成語言．基于聲道模型，從語音信號(hào)中獲得聲帶激勵(lì)和聲道響應(yīng)信息對(duì)語音識(shí)別有著非常重要的意義(韓紀(jì)慶等，2013)．震源激發(fā)的子波經(jīng)過地層時(shí)，受到地層吸收衰減、干涉、反射、透射等物理過程的改造，最終經(jīng)檢波器接收形成地震記錄．地震記錄和語音的形成過程存在一定的相似性，即震源激發(fā)可類比聲帶激勵(lì)，地層對(duì)地震波的響應(yīng)可類比聲道對(duì)聲音的響應(yīng)，語音識(shí)別關(guān)注與聲帶激勵(lì)對(duì)應(yīng)的聲音和與聲道響應(yīng)對(duì)應(yīng)的語言，地震勘探則更多地關(guān)注與震源關(guān)聯(lián)的地震子波和與地層響應(yīng)對(duì)應(yīng)的反射系數(shù)．因此根據(jù)地震記錄將子波和反射系數(shù)信息進(jìn)行分離對(duì)地震資料處理也有著重要的意義．在褶積模型假設(shè)下，地震記錄可視為地震子波和地層反射系數(shù)的褶積．反褶積算法一般有兩大類，一類為基于模型參數(shù)的線性預(yù)測(cè)分析，另一類為基于同態(tài)處理的倒譜域分析．對(duì)于語音信號(hào)，在線性預(yù)測(cè)分析計(jì)算信號(hào)頻譜的基礎(chǔ)上進(jìn)行倒譜域分析，構(gòu)成LPCC系數(shù)，作為語音識(shí)別的特征參數(shù)(屈丹等，2010；韓紀(jì)慶等，2013)．

根據(jù)地震記錄褶積模型，地震記錄s(t)可視為地震子波w(t)和反射系數(shù)r(t)的褶積：

(1)

計(jì)算(1)式兩邊信號(hào)的頻譜，則時(shí)間域的褶積信號(hào)在頻率域中變?yōu)橄喑诵盘?hào)：

(2)

式中S(ω)、W(ω)和R(ω)分別表示地震記錄、子波和反射系數(shù)的頻譜．對(duì)(2)式兩端取對(duì)數(shù)，則頻率域中的相乘轉(zhuǎn)變?yōu)橄嗉樱?/p>

(3)

對(duì)(3)式兩端進(jìn)行傅里葉逆變換，就得到地震記錄的倒譜域參數(shù)：FT-1[logS(ω)]=FT-1[logW(ω)]+FT-1[logR(ω)],

(4)

式中FT-1表示傅里葉逆變換．由此可見，地震記錄倒譜域參數(shù)可視為是地震記錄對(duì)數(shù)頻譜的“頻譜”，從頻率域經(jīng)傅里葉逆變換后為時(shí)間域，因而倒譜域參數(shù)是時(shí)間域信息．在倒譜域中，地震記錄倒譜域參數(shù)為子波和反射系數(shù)倒譜域參數(shù)之和．

下面采用褶積模型來分析地震數(shù)據(jù)倒譜域參數(shù)是如何實(shí)現(xiàn)子波和反射系數(shù)信息分離的．假定地震子波為主頻為30 Hz的Ricker子波(圖1a)，反射系數(shù)為隨機(jī)反射系數(shù)序列(圖1b)，將地震子波和反射系數(shù)進(jìn)行褶積運(yùn)算可得到合成地震記錄(圖1c)，地震子波、反射系數(shù)和地震記錄的頻譜與倒譜域參數(shù)見圖1．對(duì)比子波頻譜(圖1d)、反射系數(shù)頻譜(圖1e)和地震記錄頻譜(圖1f)，可以發(fā)現(xiàn)從地震記錄頻譜中直接分離子波和反射系數(shù)信息是困難的．轉(zhuǎn)換至倒譜域后，子波倒譜域參數(shù)主要位于低時(shí)域段且幅值較大(圖1g)，反射系數(shù)倒譜域參數(shù)分布在整個(gè)時(shí)域段但幅值相對(duì)較小(圖1h)，地震記錄倒譜域參數(shù)(圖1i)可視為子波倒譜域參數(shù)與反射系數(shù)倒譜域參數(shù)之和．因此，可以從一定位置將倒譜域分為低時(shí)域段和高時(shí)域段，低時(shí)域段主要為地震子波信息，高時(shí)域段反射系數(shù)信息占主體地位，從而很大程度上地實(shí)現(xiàn)了子波和反射系數(shù)信息的分離．同態(tài)反褶積就是基于這一構(gòu)想，將低時(shí)域段倒譜域參數(shù)逆變換至?xí)r間域獲得子波，然后對(duì)地震記錄進(jìn)行反褶積處理(凌云等，1995；蔣立等，2012)．在褶積模型假設(shè)下，地層特征由反射系數(shù)來表征，如果按目的層段截取儲(chǔ)層地震數(shù)據(jù)并計(jì)算其倒譜域參數(shù)，那么這些參數(shù)本身也可以作為儲(chǔ)層的特征參數(shù)．

倒譜域分析是在地震數(shù)據(jù)頻譜的基礎(chǔ)上進(jìn)行的．?dāng)?shù)據(jù)頻譜分析通常采用傅里葉變換，該方法在計(jì)算中隱含著窗函數(shù)之外未觀測(cè)到的數(shù)據(jù)為零，只有當(dāng)待分析信號(hào)為平穩(wěn)信號(hào)且具有一定觀測(cè)長(zhǎng)度時(shí)，才能保證頻率分辨率、譜估計(jì)穩(wěn)定性和足夠多的頻點(diǎn)．按目的層段截取的地震數(shù)據(jù)為非平穩(wěn)信號(hào)，且數(shù)據(jù)長(zhǎng)度一般較短，采用傅里葉變換不能為倒譜域分析提供足夠的頻點(diǎn)和頻譜穩(wěn)定性，因而采用基于模型的譜估計(jì)方法更為合適．線性預(yù)測(cè)分析是模型譜估計(jì)中常用的一種方法，將反射系數(shù)視為一個(gè)全極點(diǎn)AR模型H(z)，地震記錄s(n)則是子波w(n)激勵(lì)該模型產(chǎn)生的輸出，模型的傳遞函數(shù)為(韓紀(jì)慶等，2013)：

(5)

(6)

預(yù)測(cè)均方誤差為：

(7)

在求解出模型系數(shù)ai后可以計(jì)算地震記錄的頻譜：

(8)

式中T為地震記錄采樣周期，EP為模型階數(shù)為P時(shí)的最小預(yù)測(cè)誤差能量，頻率f可在滿足Nyquist采樣定量范圍內(nèi)(0≤f≤1/(2T))任意取值，從而為倒譜域分析提供足夠的頻點(diǎn)．線性預(yù)測(cè)分析從觀測(cè)數(shù)據(jù)出發(fā)，依據(jù)最小預(yù)測(cè)均方誤差準(zhǔn)則，估計(jì)出模型系數(shù)ai，這些系數(shù)稱為線性預(yù)測(cè)系數(shù)(LPC系數(shù))．計(jì)算LPC系數(shù)ai和最小預(yù)測(cè)誤差能量EP常用的方法有基于自相關(guān)的Levinson-Durbin遞推算法、基于協(xié)方差的Choleskey分解法和直接由觀測(cè)數(shù)據(jù)遞推的Burg算法(王世一，2013)．

圖1 地震子波、反射系數(shù)和合成地震記錄頻譜與倒譜域參數(shù)(a) 主頻為30 Hz的Ricker子波；(b) 隨機(jī)反射系數(shù)序列；(c) 合成地震記錄；(d) 子波頻譜；(e) 反射系數(shù)頻譜；(f) 地震記錄頻譜；(g) 子波倒譜域參數(shù)；(h) 反射系數(shù)倒譜域參數(shù)；(i) 地震記錄倒譜域參數(shù)．Fig.1 Spectrum and cepstrum domain parameters of wavelets,reflection coefficients and synthetic seismogram(a) Ricker wavelets with main frequency of 30Hz;(b) Random reflection coefficients;(c) Synthetic seismogram;(d) Spectrum of Ricker wavelets;(e) Spectrum of random reflection coefficients;(f) Spectrum of synthetic seismogram;(g) Cepstrum domain parameters of Ricker wavelets;(h) Cepstrum domain parameters of the reflection coefficients;(i) Cepstrum domain parameters of synthetic seismogram.

由于地震記錄信號(hào)的極點(diǎn)未知，因此模型的階數(shù)P不是先驗(yàn)已知的．模型階數(shù)過低時(shí)，對(duì)地震記錄的頻譜估計(jì)過于平滑，不能提供足夠的分辨率；而模型階數(shù)過高時(shí)，頻譜估計(jì)結(jié)果會(huì)產(chǎn)生震蕩，出現(xiàn)譜分裂現(xiàn)象．為了消除譜分裂，提高譜估計(jì)的分辨率，需要選擇合適的模型階數(shù)，這里采用自回歸傳遞函數(shù)準(zhǔn)則(CAT)來選擇模型階數(shù)(Parzen,1976)：

(9)

式中N為地震記錄長(zhǎng)度，Ek為模型階數(shù)為k時(shí)的最小預(yù)測(cè)誤差能量，可取使(9)式為最小值時(shí)的階數(shù)P作為模型最優(yōu)階數(shù)．在計(jì)算出地震記錄頻譜S(f)后可采用傅里葉逆變換計(jì)算LPCC系數(shù)，實(shí)際中一般采用如下遞推關(guān)系直接予以計(jì)算(屈丹等，2010;韓紀(jì)慶等，2013)：

(10)

式中n稱為L(zhǎng)PCC系數(shù)的階數(shù)，P是譜估計(jì)模型的階數(shù)．LPCC系數(shù)提供了一種將地震數(shù)據(jù)分解成語音特征參數(shù)的方法，可以較好地反映地震數(shù)據(jù)中隱藏的地質(zhì)特征，為后續(xù)的地震相劃分提供較好的特征參數(shù)．而傳統(tǒng)的地震屬性分析多達(dá)上百種屬性，優(yōu)選的多屬性組合因人而異．

3 K均值聚類

在聚類分析中，K均值聚類算法(K-means)是無監(jiān)督分類中應(yīng)用范圍最為廣泛的一種基本方法(Selim and Ismail，1984)，能夠使聚類域中所有樣本到聚類中心距離的平方和最?。鋵?shí)現(xiàn)原理是通過迭代，逐次計(jì)算每個(gè)樣品到K個(gè)聚類中心的距離，將樣品歸入與之距離最小的類別中，更新類別的中心，直到所有樣品不再改變類別或滿足迭代終止條件．實(shí)現(xiàn)流程為：

(1) 設(shè)定聚類中心個(gè)數(shù)K；

(2) 從所有樣品中隨機(jī)選擇K個(gè)樣品作為初始聚類中心；

(3) 依次計(jì)算每個(gè)樣品到聚類中心的距離；

(4) 將樣品歸入與之距離最小的類別中；

(5) 更新類別的聚類中心；

(6) 如果滿足迭代終止條件，停止迭代，輸出聚類結(jié)果；否則重復(fù)(3)～(5)直至滿足迭代終止條件．

聚類中心通常定義為各類別中所有樣品特征參數(shù)的平均值，樣品與聚類中心距離多采用歐式距離．K均值算法聚類的結(jié)果易受到聚類中心個(gè)數(shù)和初始聚類中心選擇的影響，如果樣品在特征參數(shù)空間能形成相對(duì)孤立的分布，K均值聚類能取得較好的結(jié)果(Brown and Huntley，1992)．

4 模型正演分析

為了分析地震語音參數(shù)在地震相分析中的有效性，我們?cè)O(shè)計(jì)了一個(gè)四層地震模型，考慮三個(gè)方面的因素，包括反射系數(shù)、地震子波主頻和地震信號(hào)信噪比的變化．為簡(jiǎn)單起見，模型厚度用時(shí)間表示，模型的參數(shù)見圖2a，第一、第三和第四層為橫向均勻地層，速度分別為4000 m·s-1、4000 m·s-1和5000 m·s-1．第二層橫向上分為三種速度差異較大的介質(zhì)，縱向上速度存在小幅度隨機(jī)變化，三種介質(zhì)的速度分別為2900+50×rand(-1，1) m·s-1、3300+50×rand(-1，1) m·s-1和3700+50×rand(-1，1) m·s-1，其中rand(-1，1)表示位于-1至1之間的隨機(jī)數(shù)，相應(yīng)模型的反射系數(shù)見圖2b，模型剖面在橫向上可分為3種反射系數(shù)序列組合．地震子波采用Ricker子波，主頻從20 Hz開始，以0.25 Hz為間隔上升至50 Hz，對(duì)每一種反射系數(shù)序列，合成得到121道具有不同主頻子波的地震記錄，模型包含3組不同的反射系數(shù)序列組合，最終得到363道合成記錄.按第二層時(shí)間范圍截取地震數(shù)據(jù)，對(duì)所有截取的地震數(shù)據(jù)計(jì)算24階LPCC系數(shù)并做歸一化處理．不失一般性，圖2中只顯示了子波主頻從20～50 Hz偶數(shù)主頻的結(jié)果，共48道，圖2c、圖2e和圖2g分別是不含噪聲、含10%噪聲和含20%噪聲時(shí)的合成地震記錄，圖2d、2f、2h分別是相應(yīng)地震記錄計(jì)算得到的歸一化LPCC系數(shù)．

分別以4至24階(間隔為2階)LPCC系數(shù)作為地震道的特征參數(shù)，采用K均值方法對(duì)地震記錄不含噪聲、含10%噪聲和含20%噪聲三種情況進(jìn)行聚類，并計(jì)算對(duì)應(yīng)聚類結(jié)果的正確率，結(jié)果如圖3a所示．合成地震記錄不含噪聲時(shí)，在階數(shù)從4階增加至12階的過程中，聚類結(jié)果正確率上升很快；在12階以上，隨著階數(shù)的增加，正確率高于95%，且變化很小；地震記錄含10%和20%噪聲時(shí)，從4階增加至12階的過程中，正確率也上升很快，12階以上隨階數(shù)增加，正確率分別約為90%和80%左右，且起伏變化幅度也較?。畬?duì)比不含噪聲、含10%噪聲和20%噪聲的結(jié)果，地震記錄含噪聲越少，聚類結(jié)果越好．總體來看，在階數(shù)大于12階之后，正確率隨階數(shù)增加變化較小，表明采用12階以上的LPCC系數(shù)作為地震數(shù)據(jù)特征參數(shù)能取得較好的聚類效果．

為了分析地震子波主頻對(duì)不同階數(shù)LPCC系數(shù)聚類結(jié)果的影響，以2 Hz為頻段間隔統(tǒng)計(jì)子波主頻不同時(shí)各頻段聚類結(jié)果的正確率，圖3b、圖3c和圖3d分別是地震記錄不含噪聲、含10%噪聲和含20%噪聲時(shí)的統(tǒng)計(jì)結(jié)果．從圖中可以看出，在沒有噪聲的情況下，6階及以上聚類結(jié)果中高頻段正確率為100%，錯(cuò)誤主要出現(xiàn)在低頻段．對(duì)于含10%和20%噪聲的情況，在階數(shù)較低時(shí)正確率分布規(guī)律不是很明顯，但隨著階數(shù)的增加，總體而言高頻段聚類結(jié)果的正確率顯著高于低頻段．對(duì)比不含噪聲、含10%噪聲和20%噪聲的結(jié)果可以看出，采用LPCC系數(shù)作為地震道特征參數(shù)時(shí)，子波主頻越高，越有利于地震相劃分．

子波主頻影響著地震合成記錄對(duì)反射系數(shù)信息的分辨率，合成記錄的LPCC系數(shù)與反射系數(shù)LPCC系數(shù)愈接近，就愈能反映地層信息，更有利于地震相分析．理想情況下，如果子波為單位脈沖信號(hào)，則合成記錄將真實(shí)地反映地層反射系數(shù)，此時(shí)合成記錄的LPCC系數(shù)也將全部反映反射系數(shù)信息．從圖2b中截取第二層橫向3種介質(zhì)的反射系數(shù)序列并計(jì)算其各自的LPCC系數(shù)，采用主頻15至60 Hz的Ricker子波分別與各個(gè)反射系數(shù)褶積形成地震合成記錄，計(jì)算合成記錄的LPCC系數(shù)，采用歐式距離和相關(guān)系數(shù)來分析子波主頻不同時(shí)合成記錄LPCC系數(shù)與反射系數(shù)LPCC系數(shù)之間的接近程度，結(jié)果如圖4所示．盡管某些反射系數(shù)與合成地震記錄LPCC系數(shù)之間的距離隨頻率升高并非嚴(yán)格的單調(diào)下降，但是總體而言，主頻越高二者之間的距離愈小，相關(guān)系數(shù)越高，二者越接近，這進(jìn)一步說明子波主頻愈高，LPCC系數(shù)越有利于地震相劃分．

圖2 基于LPCC系數(shù)的模型正演分析．Ricker子波主頻從20 Hz以0.25 Hz為間隔增加至50 Hz．圖中rand(-1,1)表示位于-1和1之間的隨機(jī)數(shù)．所有LPCC系數(shù)經(jīng)歸一化處理(a) 地質(zhì)模型；(b) 模型反射系數(shù)；(c) 不含噪聲時(shí)合成地震記錄；(d) 不含噪聲時(shí)第二層地震數(shù)據(jù)24階 LPCC系數(shù)；(e) 含10%噪聲時(shí)合成地震記錄；(f) 含10%噪聲時(shí)第二層地震數(shù)據(jù)24階 LPCC系數(shù)；(g) 含20%噪聲時(shí)合成地震記錄；(h) 含20%噪聲時(shí)第二層地震數(shù)據(jù)24階 LPCC系數(shù)．Fig.2 Forward analysis based on LPCC.rand(-1,1) denotes random number between -1 and 1.LPCCs are normalized.(a) Geologic model;(b) Profile of reflection coefficients;(c) Synthetic seismogram with no noise;(d) Twenty-four order LPCC of the selected traces with no noise;(e) Synthetic seismogram with 10% noise;(f) Twenty-four order LPCC of the selected traces with 10% noise;(g) Synthetic seismogram with 20% noise;(h) Twenty-four order LPCC of the selected traces with 20% noise.

圖3 不同噪聲水平下采用不同階數(shù)LPCC系數(shù)聚類時(shí)的正確率和各頻段正確率(a) 聚類結(jié)果的正確率；(b) 地震記錄不含噪聲時(shí)各子波主頻頻段的正確率；(c) 地震記錄含10%噪聲時(shí)各子波主頻頻段的正確率；(d) 地震記錄含20%噪聲時(shí)各子波主頻頻段的正確率．Fig.3 Accuracy ratios using different orders of LPCC as feature parameters for traces under different noise levels and in different frequency bands of wavelets(a) Clustering result;(b) Different frequency bands without noise in seismic data;(c) Different frequency bands with 10% noise in seismic data;(d) Different frequency bands with 20% noise in seismic data.

圖4 子波主頻不同時(shí)反射系數(shù)和合成地震記錄LPCC系數(shù)之間接近程度Fig.4 Degrees of closeness evaluated by Euclidean distance and correlation between LPCCs of synthetic seismic data and reflection coefficients.Dominant frequency of wavelet increases from 15 to 60 Hz with a step of 0.5 Hz

圖5 分析區(qū)塊地震剖面(a) Xline地震剖面；(b) Inline地震剖面．Fig.5 Seismic profiles of the analysis block(a) Profile of a Xline;(b) Profile of an Inline.

圖6 分析區(qū)塊目的層段古地形圖Fig.6 Paleogeomorphology of target interval in the analysis block

5 實(shí)際資料處理

研究區(qū)塊位于塔里木盆地中部A井區(qū)，目的層段主要為良里塔格組的礁灘相碳酸鹽巖儲(chǔ)層．儲(chǔ)層類型主要為裂縫-孔洞型，巖性主要為泥質(zhì)灰?guī)r，埋深約為5000 m，儲(chǔ)集層非均質(zhì)性強(qiáng)，油氣藏相態(tài)及分布復(fù)雜．良里塔格組總體構(gòu)造格局為南東高、北西低的北傾斜坡與鼻狀構(gòu)造，該斜坡被北東向走滑斷裂切割，早期存在平行于坡折帶呈NW—SE向斷裂．圖5a為區(qū)塊內(nèi)一條Xline地震剖面，良里塔格組位于層位mfs3與SB3之間，其中塔中I號(hào)臺(tái)緣坡折帶形成于奧陶系中晚期，發(fā)育了一套縱向上多旋回、橫向上多期加積的較大規(guī)模礁灘相沉積體系的主力產(chǎn)層(劉嘉慶等，2012；趙文智等，2013)．圖5b為區(qū)塊內(nèi)一條Inline地震剖面，目的層段中間低凹區(qū)域?yàn)槌毕溃畧D6為區(qū)塊的古地形圖，礁灘相儲(chǔ)層主要發(fā)育在臺(tái)緣帶波浪作用較強(qiáng)的水下低凸起區(qū)，水下低凸起之間的低勢(shì)區(qū)為潮汐水道發(fā)育部位，潮汐水道通往臺(tái)緣帶內(nèi)的低能帶為瀉湖沉積．受波浪作用與潮汐作用共同控制，良里塔格組礁灘體與潮汐水道相間分布．據(jù)鉆探井資料顯示，區(qū)塊內(nèi)有8口井，其中B2，B21和B23為工業(yè)油氣井．

由于礁灘孔隙型儲(chǔ)層主要受沉積相帶和成巖作用控制，本文主要是在沉積層序解釋的基礎(chǔ)上，結(jié)合古地貌和地震數(shù)據(jù)LPCC系數(shù)來分析儲(chǔ)層和沉積相的宏觀展布，地震數(shù)據(jù)采用時(shí)間偏移后的三維數(shù)據(jù)體，具體流程如下：

(1) 以目的層段為窗口，截取層位mfs3與SB3之間的地震波形數(shù)據(jù)，剔除地震數(shù)據(jù)中的空值和野值；

(2) 對(duì)截取的每一個(gè)地震道波形數(shù)據(jù)計(jì)算24階LPCC系數(shù)，并做歸一化處理；

(3) 分別選取地震數(shù)據(jù)的12階和24階LPCC系數(shù)作為該道地震數(shù)據(jù)的特征參數(shù)，采用K均值方法對(duì)所有地震道進(jìn)行聚類．

按目的層段截取地震波形數(shù)據(jù)可減少相鄰地層的影響，使計(jì)算得到的LPCC系數(shù)盡可能地只反映目的層段的相關(guān)信息．采用K均值聚類方法是想檢測(cè)即便使用最簡(jiǎn)單的聚類算法時(shí)，LPCC系數(shù)在地震相分析中能否取得較好的結(jié)果．圖7是24階LPCC系數(shù)的空間分布，地震數(shù)據(jù)被漸進(jìn)地分解成不同的地質(zhì)特征，使得我們可以更細(xì)致地觀察到斷裂、礁灘相帶、深水扇和儲(chǔ)層的分布特征，特別是對(duì)一些地質(zhì)現(xiàn)象邊界的描述有獨(dú)特的優(yōu)勢(shì)．1～4階LPCC系數(shù)更多地反映坡折帶邊界、潮汐水道和斷層分布，也可見臺(tái)緣帶內(nèi)礁灘體儲(chǔ)層的分布；5～7階系數(shù)除礁灘體分布不明顯外，坡折帶邊界、潮汐水道和斷層分布可分辨，臺(tái)緣帶外深水扇邊界逐漸呈現(xiàn)；8～16階臺(tái)緣帶內(nèi)礁灘體的分布開始顯現(xiàn)，臺(tái)緣帶礁灘體的邊界依稀可見；10～16階對(duì)臺(tái)緣帶、坡折帶、潮汐水道和深水扇邊界描繪更為清楚，斷層分布也有一定呈現(xiàn)，與圖6所示古地形圖十分吻合；從邊界的分布來看，臺(tái)緣帶瀉湖一側(cè)似乎存在另一個(gè)邊界，9、11和12階系數(shù)中臺(tái)緣帶內(nèi)礁灘體分布也較為清晰；17～24階邊界清晰度下降，但依然可辨，礁灘體分布仍然明顯．從1至24階的逐漸演化來看，LPCC系數(shù)之間存在差異，同時(shí)不同階次的LPCC系數(shù)在從不同維度描述儲(chǔ)層特征時(shí)還存在不同程度的聯(lián)系．

為便于比較，這里也對(duì)目的層段提取了地震屬性分析中常用的瞬時(shí)頻率、瞬時(shí)振幅和瞬時(shí)相位，如圖8所示．瞬時(shí)頻率對(duì)臺(tái)緣帶內(nèi)礁灘體儲(chǔ)層刻畫較好，坡折帶邊界可辨(圖8a)；瞬時(shí)振幅對(duì)坡折帶和潮汐水道邊界刻畫較為清晰，也可見瀉湖內(nèi)斷層分布(圖8b)；瞬時(shí)相位則對(duì)臺(tái)緣帶邊界和礁灘體有較好的反映，也可見斷層分布(圖8c)，整體形態(tài)與古地貌圖也較為吻合．但是與LPCC系數(shù)相比，三瞬屬性對(duì)臺(tái)緣帶的邊界刻畫不如LPCC系數(shù)清晰，且LPCC系數(shù)展現(xiàn)的不同邊界是三瞬屬性所沒有的；三瞬屬性對(duì)波折帶下的深水扇分布反映較差，而從LPCC系數(shù)中可以清楚地看出深水扇的分布范圍．從前文中對(duì)倒譜域參數(shù)的論述可知LPCC系數(shù)中的低階部分更多地反映地震子波的特征，因而1～7階LPCC系數(shù)與瞬時(shí)頻率和振幅有些類似；高階部分更多地反映地層信息，分布形態(tài)與反映地層不連續(xù)性的瞬時(shí)相位之間存在一定相似性．

圖7 目的層段地震數(shù)據(jù)24階LPCC系數(shù)Fig.7 The 24-order LPCC coefficients of seismic data in the target interval

圖8 目的層段地震資料三瞬屬性(a) 瞬時(shí)頻率；(b) 瞬時(shí)振幅；(c) 瞬時(shí)相位．Fig.8 Three instantaneous attributes of seismic data in the target interval(a) Instantaneous frequency;(b) Instantaneous amplitude;(c) Instantaneous phase.

圖9 采用LPCC系數(shù)作為地震數(shù)據(jù)特征參數(shù)進(jìn)行地震相分析時(shí)的聚類結(jié)果(a) 12階系數(shù)聚類結(jié)果；(b) 24階系數(shù)聚類結(jié)果．Fig.9 Clustering results using LPCC as feature parameters for seismic data using the K-means method(a) Result using 12-order LPCC;(b) Result using 24-order LPCC.

采用K均值方法分別對(duì)前12階和全部24階LPCC系數(shù)進(jìn)行聚類，結(jié)果示于圖9，其中圖9a是12階聚類結(jié)果，圖9b是24階聚類結(jié)果．可以看出兩種結(jié)果對(duì)坡折帶、臺(tái)緣帶、深水扇、潮汐水道和有利油氣聚集區(qū)預(yù)測(cè)的幾乎一樣，較為明顯的差別僅在于24階結(jié)果在瀉湖靠近臺(tái)緣帶附近有一帶狀分布，推測(cè)可能是隨著LPCC系數(shù)階次增加，高階系數(shù)中包含的冗余信息對(duì)聚類結(jié)果產(chǎn)生干擾所致．從鉆探井資料獲悉，B2，B21和B23為工業(yè)油氣井，而這三口井則位于基于LPCC系數(shù)地震相分析預(yù)測(cè)的有利油氣聚集區(qū)(圖9中臺(tái)緣帶內(nèi)紅色區(qū)域)，從而也說明了利用LPCC系數(shù)進(jìn)行地震相分析的可行性．

6 討論

地震數(shù)據(jù)中包含豐富的地質(zhì)信息，但從波形數(shù)據(jù)上通常難以直接識(shí)別．提取隱藏在地震數(shù)據(jù)中的信息，需要對(duì)數(shù)據(jù)進(jìn)行分解，將數(shù)據(jù)中相互疊加的信息展開到不同維度，找到隱藏其中的地質(zhì)特征．人類語音含有豐富的信息，語音識(shí)別技術(shù)能對(duì)這些信息進(jìn)行有效識(shí)別，說明語音特征參數(shù)具有很強(qiáng)的信息表征能力．在彈性介質(zhì)中傳播的聲波和地震波本質(zhì)上是同一種波，可以借鑒語音識(shí)別的相關(guān)技術(shù)用于地震數(shù)據(jù)分析．

在語音識(shí)別中，一般情況下不同人發(fā)同一音節(jié)的語音時(shí)，聲道的形狀和運(yùn)動(dòng)是相似的，因而可以建立語音特征參數(shù)和發(fā)聲音節(jié)之間的對(duì)應(yīng)關(guān)系；不同人的聲紋特征有差別，也可以通過提取說話人語音樣本建立聲紋特征參數(shù)和說話人之間的對(duì)應(yīng)關(guān)系．語音識(shí)別是通過提取已知發(fā)聲音節(jié)和說話人的特征參數(shù)并建立對(duì)應(yīng)的信息庫(kù)，然后結(jié)合一定的語言模式對(duì)語音進(jìn)行識(shí)別．因此，語音識(shí)別是對(duì)已知對(duì)象的識(shí)別，即待識(shí)別語音信息包含在信息庫(kù)中，信息庫(kù)中沒有的語音信息將無法予以識(shí)別．地震記錄可視為一個(gè)褶積模型，從理論上講，可以采用LPCC系數(shù)的計(jì)算方法提取對(duì)應(yīng)的地震語音特征參數(shù)，分離子波和反射系數(shù)信息．但是，地震勘探所面臨的則是地下未知的信息，信息的約束能力不如語音識(shí)別，很難系統(tǒng)地建立起地質(zhì)現(xiàn)象與地震數(shù)據(jù)及其提取的特征參數(shù)之間對(duì)應(yīng)關(guān)系．因而，地震相分析是一個(gè)不斷完善的過程，需要結(jié)合盡可能多的已知信息，對(duì)地震相分析過程進(jìn)行約束和對(duì)結(jié)果進(jìn)行評(píng)估；在地震相分析中，更需要強(qiáng)調(diào)選用信息表征能力強(qiáng)、能反映地質(zhì)現(xiàn)象的特征參數(shù)．地震LPCC系數(shù)提供了一種新的途徑，將地震數(shù)據(jù)分解成語音特征參數(shù)，可以較好地反映地震數(shù)據(jù)中隱藏的地質(zhì)特征，呈現(xiàn)地層細(xì)微的變化，為地震相劃分提供較好的特征參數(shù)．在地震相分析階段，采用LPCC系數(shù)作為特征參數(shù)的分析過程與采用其他地震屬性或參數(shù)一樣，需要結(jié)合已知的地質(zhì)構(gòu)造、鉆井、古地形、古沉積環(huán)境和沉積層序等資料為分析過程提供先驗(yàn)信息，并對(duì)分析結(jié)果進(jìn)行評(píng)估．

在本文中，我們采用的是經(jīng)疊加和偏移處理后的時(shí)間域三維數(shù)據(jù)體，并以目的層段為窗口截取地震數(shù)據(jù)，進(jìn)而計(jì)算每道地震數(shù)據(jù)的LPCC系數(shù)．在應(yīng)用過程中也可以采用固定長(zhǎng)度窗口，并逐步滑動(dòng)時(shí)窗計(jì)算，從而每一地震道每個(gè)時(shí)間點(diǎn)有n階系數(shù)，最終可得到對(duì)應(yīng)的三維體LPCC系數(shù)．地震LPCC系數(shù)是基于褶積模型對(duì)子波和反射系數(shù)信息進(jìn)行分離，因而從理論上而言，對(duì)可視為褶積模型的地震數(shù)據(jù)，我們可以采用LPCC系數(shù)的計(jì)算方法提取對(duì)應(yīng)的地震語音特征參數(shù)．

7 結(jié)論

地震LPCC系數(shù)是基于線性預(yù)測(cè)分析的倒譜域高維特征參數(shù)，可在倒譜域?qū)崿F(xiàn)子波和反射系數(shù)信息的分離，特別是對(duì)地質(zhì)現(xiàn)象邊界具有較好的描述能力，使得我們可以在不同的維度更細(xì)致地觀察隱藏在地震數(shù)據(jù)中的地質(zhì)特征．與三瞬屬性相比，LPCC系數(shù)對(duì)儲(chǔ)層特征(尤其是邊界)的描述更為細(xì)致．與常規(guī)地震屬性分析不同，不同階次LPCC系數(shù)基于相同理論基礎(chǔ)，在反映地震數(shù)據(jù)不同特征的同時(shí)參數(shù)之間還保持內(nèi)在的聯(lián)系．按目的層段截取儲(chǔ)層地震數(shù)據(jù)計(jì)算LPCC系數(shù)，提取的特征參數(shù)主要包含儲(chǔ)層信息，減少了儲(chǔ)層以外地層對(duì)預(yù)測(cè)結(jié)果的影響．LPCC系數(shù)是對(duì)每一道地震數(shù)據(jù)單獨(dú)計(jì)算的，不受相鄰道或其他道集數(shù)據(jù)的影響．理論模型分析和實(shí)際資料應(yīng)用表明基于LPCC系數(shù)分解的地震特征參數(shù)具有較高的地震相劃分能力，因此，在地震相分析中采用LPCC系數(shù)作為特征參數(shù)，將有助于地震數(shù)據(jù)的處理和解釋．

致謝 中國(guó)石油勘探開發(fā)研究院李勁松、孫夕平和李艷東三位老師對(duì)分析工作提出了許多建議；兩位匿名審稿專家提出了許多寶貴的評(píng)審意見，對(duì)文章的修改和完善有很大的幫助．在此我們一并表示衷心的感謝．

Bagheri M,Riahi M A.2013.Support vector machine-based facies classification using seismic attributes in an oil field of Iran.Iranian Journal of Oil &Gas Science and Technology,2(3):1-10.

Brown A R.1996.Seismic attributes and their classification.The Leading Edge,15(10):1090.

Brown D E,Huntley C L.1992.A practical application of simulated annealing to clustering.Pattern Recognition,25(4):401-412.

Cano P,Batlle E,Gómez E,et al.2005.Audio fingerprinting:concepts and applications.∥Computational Intelligence for Modelling and Prediction.Berlin Heidelberg:Springer:233-245,doi:10.1007/10966518-17.

Cao J X,Liu G S,Tian R F,et al.2011.Seismic prediction of carbonate reservoirs in the deep of Longmenshan foreland basin.Acta Petrologica Sinica (in Chinese),27(8):2423-2434.

Chen Q,Sidney S.1997.Seismic attribute technology for reservoir forecasting and monitoring.The Leading Edge,16(5):445-456,doi:10.1190/1.1437657.

Chopra S,Marfurt K J.2005.Seismic attributes:a historical perspective.Geophysics,70(5):3SO-28SO,doi:10.1190/1.2098670.

Coléou T,Poupon M,Azbel K.2003.Unsupervised seismic facies classification:A review and comparison of techniques and implementation.The Leading Edge,22(10):942-953,doi:10.1190/1.1623635.

de Matos M C,Osorio P L,Johann P R.2007.Unsupervised seismic facies analysis using wavelet transform and self-organizing maps.Geophysics,72(1):P9-P21,doi:10.1190/1.2392789.

Dumay J,Fournier F.1988.Multivariate statistical analyses applied to seismic facies recognition.Geophysics,53(9):1151-1159,doi:10.1190/1.1442554.

Gong H,Zhou Z L,Ni Y.2008.Reduction dimension of seismic attribution parameter based on Isomap algorithm.Natural Gas Industry (in Chinese),28(5):38-40,doi:10.3787/j.issn.1000-0976.2008.05.011.

Han J Q,Zhang L,Zheng T R.2013.Speech Signal Processing:Principles and Practice.2nd ed.(in Chinese).Beijing:Tsinghua University Press:1-41,97-114.

Jiang L,Tan J,Zhang X J.2012.Study on wavelet stability in homomorphic deconvolution.Geophysical Prospecting for Petroleum (in Chinese),51(3):239-243.

John A K,Lake L W,Torres-Verdin C,et al.2008.Seismic facies identification and classification using simple statistics.SPE Reservoir Evaluation &Engineering,11(6):984-990,doi:10.2118/96577-PA.

Kalkomey C T.1997.Potential risks when using seismic attributes as predictors of reservoir properties.The Leading Edge,16(3):247-251,doi:10.1190/1.1437610.

Lin C R,Wang S X.2011.Application of the method of extracting local exponential fitting abnormity to Puguang gas field.Chinese J.Geophys.(in Chinese),54(1):218-226,doi:10.3969/j.issn.0001-5733.2011.01.023.

Ling Y,Yu S P,Zhou X X.1995.Zero-phase homomorphic deconvolution.Oil Geophysical Prospecting (in Chinese),30(3):299-309.

Liu J Q,Li Z,Huang J C,et al.2012.Distinct sedimentary environments and their influences on carbonate reservoir evolution of the Lianglitag Formation in the Tarim Basin,Northwest China.Science China:Earth Sciences,55(10):1641-1655,doi:10.1007/s11430-012-4457-5.

Liu X F,Zheng X D,Xu G C,et al.2010.Locally linear embedding-based seismic attribute extraction and applications.Applied Geophysics,7(4):365-375,doi:10.1007/s11770-010-0260-2.

Muda L,Begam M,Elamvazuthi I.2010.Voice recognition algorithms using mel frequency cepstral coefficient (MFCC) and dynamic time warping (DTW) techniques.Journal of Computing,2(3):138-143.

Nivlet P.2007.Uncertainties in seismic facies analysis for reservoir characterisation or monitoring:Causes and consequences.Oil &Gas Science and Technology-Revue de l′IFP,62(2):225-235,doi:10.2516/ogst:2007019.

Parzen E.1976.An approach to time series modeling and forecasting illustrated by hourly electricity demands.Statistical Sci.Div.,State University of New York in Buffalo,Tech.Report 37.Payton C E.1980.Seismic Stratigraphy (in Chinese).

Niu Y Q,Xu H D,Chen J S,et al.Trans.Beijing:Petroleum Industry Press:97-106.Pierre-Yves O.2003.The production and recognition of emotions in speech:features and algorithms.International Journal of Human-Computer Studies,59(1-2):157-183,doi:10.1016/S1071-5819(02)00141-6.

Qu D,Wang B,Li B C.2010.VoIP Speech Processing and Recognition (in Chinese).Beijing:National Defense Industry Press:138-171.

Reynolds D A,Rose R C.1995.Robust text-independent speaker identification using Gaussian mixture speaker models.IEEE Transactions on Speech and Audio Processing,3(1):72-83,doi:10.1109/89.365379.

Roweis S T,Saul L K.2000.Nonlinear dimensionality reduction by locally linear embedding.Science,290(5500):2323-2326,doi:10.1126/science.290.5500.2323.

Saggaf M M,Toks?z M N,Marhoon M I.2003.Seismic facies classification and identification by competitive neural networks.Geophysics,68(6):1984-1999,doi:10.1190/1.1635052.

Selim S Z,Ismail M A.1984.K-means-type algorithms:A generalized convergence theorem and characterization of local optimality.IEEE Transactions on Pattern Analysis and Machine Intelligence,PAMI-6(1):81-87.

Tang Y H,Zhang X J,Gao J H.2009.Method of oil/gas prediction based on optimization of seismic attributes and support vector machine.Oil Geophysical Prospecting (in Chinese),44(1):75-80.

Tian R F,Cao J X.2011.Application of support vector machine method for predicting hydrocarbon in the reservoir.∥2011 International Conference on Computational and Information Science.Chengdu,China:IEEE:529-532,doi:10.1109/ICCIS.2011.95.

Tian Y K,Zhou H,Yuan S Y.2013.Lithologic discrimination method based on Markov random-field.Chinese J.Geophys.(in Chinese),56(4):1360-1368,doi:10.6038/cjg20130430.

Wang S Y.2013.Digital Signal Processing (in Chinese).Beijing:Beijing Institute of Technology Press:274-334.

Yang Y,Bie A F,Yang C E,et al.2005.Application of the neural network to microseismic facies identification.Acta Geoscientica Sinica (in Chinese),26(5):483-486.

Yin X Y,Zhou J Y.2005.Summary of optimum methods of seismic attributes.Oil Geophysical Prospecting (in Chinese),40(4):482-489.

Yuan C,Li J Y,Chen X H.2016.A probabilistic approach for seismic facies classification.Chinese J.Geophys.(in Chinese),59(1):287-298,doi:10.6038/cjg20160124.

Zhang Y,Zheng X D,Li J S,et al.2015.Unsupervised seismic facies analysis technology based on SOM and PSO.Chinese J.Geophys.(in Chinese),58(9):3412-3423,doi:10.6038/cjg20150933.

Zhao W Z,Shen A J,Pan W Q,et al.2013.A research on carbonate karst reservoirs classification and its implication on hydrocarbon exploration:Cases studies from Tarim Basin.Acta Petrologica Sinica (in Chinese),29(9):3213-3222.

附中文參考文獻(xiàn)

曹俊興,劉樹根,田仁飛等.2011.龍門山前陸盆地深層海相碳酸鹽巖儲(chǔ)層地震預(yù)測(cè)研究.巖石學(xué)報(bào),27(8):2423-2434.

龔灝,周仲禮,倪艷.2008.基于Isomap算法的地震屬性參數(shù)降維處理.天然氣工業(yè),28(5):38-40.

韓紀(jì)慶,張磊,鄭鐵然.2013.語音信號(hào)處理.2版.北京:清華大學(xué)出版社:1-41,97-114.

蔣立,譚佳,張緒建.2012.同態(tài)反褶積的子波穩(wěn)定性方法研究.石油物探,51(3):239-243.

林昌榮,王尚旭.2011.局部指數(shù)擬合異常提取法在普光氣田的應(yīng)用.地球物理學(xué)報(bào),54(1):218-226,doi:10.3969/j.issn.0001-5733.2011.01.023.

凌云,余壽朋,周熙襄.1995.零相位同態(tài)反褶積.石油地球物理勘探,30(3):299-309.

劉嘉慶,李忠,黃君湊等.2012.塔里木盆地良里塔格組沉積環(huán)境差異及其對(duì)碳酸鹽儲(chǔ)層發(fā)育的制約.中國(guó)科學(xué):地球科學(xué),42(12):1802-1816.

Payton C E.1980.地震地層學(xué).牛毓荃,徐懷大,陳俊生等譯.北京:石油工業(yè)出版社:97-106.

屈丹,王波,李弼程.2010.VoIP語音處理與識(shí)別.北京:國(guó)防工業(yè)出版社:138-171.

唐耀華,張向軍,高靜懷.2009.基于地震屬性優(yōu)選與支持向量機(jī)的油氣預(yù)測(cè)方法.石油地球物理勘探,44(1):75-80.

田玉昆,周輝,袁三一.2013.基于馬爾科夫隨機(jī)場(chǎng)的巖性識(shí)別方法.地球物理學(xué)報(bào),56(4):1360-1368,doi:10.6038/cjg20130430.王世一.2013.數(shù)字信號(hào)處理.北京:北京理工大學(xué)出版社:274-334.楊勇,別愛芳,楊彩娥等.2005.神經(jīng)網(wǎng)絡(luò)微地震相分析方法及應(yīng)用.地球?qū)W報(bào),26(5):483-486.

印興耀,周靜毅.2005.地震屬性優(yōu)化方法綜述.石油地球物理勘探,40(4):482-489.

袁成,李景葉,陳小宏.2016.地震巖相識(shí)別概率表征方法.地球物理學(xué)報(bào),59(1):287-298,doi:10.6038/cjg20160124.

趙文智,沈安江,潘文慶等.2013.碳酸鹽巖巖溶儲(chǔ)層類型研究及對(duì)勘探的指導(dǎo)意義——以塔里木盆地巖溶儲(chǔ)層為例.巖石學(xué)報(bào),29(9):3213-3222.

(本文編輯 何燕)

Seismic facies analysis based on linear prediction cepstrum coefficients

XIE Tao1,2，ZHENG Xiao-Dong1*，ZHANG Yan1

1 Research Institute of Petroleum Exploration &Development,Beijing 100083,China2 China Earthquake Networks Center,China Earthquake Administration,Beijing 100045,China

In this paper,the linear prediction cepstrum coefficient (LPCC),which is widely and successfully used in speech recognition,is introduced to extract multi-dimensional feature parameters for seismic facies analysis.The merit of seismic speech features is that the wavelet and reflection coefficients information in LPCC are well separated,which allows interpreters to more effectively detect geologic characteristics hidden in seismic data from different dimensions,especially the recognition of geologic boundaries.The results from theoretical modeling indicate that seismic analysis using LPCC can achieve good seismic facies division.Through analysis on real seismic data,LPCC displays its advantages in more detailed description of reservoir characteristics compared with the conventional instantaneous amplitude,frequency and phase attributes.LPCC of different orders keeps inner relations while they describe different aspects of the reservoir.In order to display the robustness of LPCC,K-means algorithm,the simplest and widely used method,is employed to group the LPCC of 12 and 24 orders extracted from the target interval,respectively.The clustering results show the good accordance between seismic facies distribution and paleogeomorphology of the target interval in analysis block.The characteristics of faults,reef facies belts,deep-water fans and reservoirs in the analysis block are well displayed.The results also demonstrate the feasibility and effectiveness of LPCC in seismic facies analysis.

Linear prediction cepstrum coefficient (LPCC);Seismic facies analysis;Reservoir prediction;K-means clustering;Speech recognition

10.6038/cjg20161127.

Xie T，Zheng X D，Zhang Y.2016.Seismic facies analysis based on linear prediction cepstrum coefficients.Chinese J.Geophys.(in Chinese),59(11):4266-4277,doi:10.6038/cjg20161127.

國(guó)家重點(diǎn)研發(fā)計(jì)劃重點(diǎn)專項(xiàng)(2016YFC060110701)和國(guó)家自然科學(xué)基金(40504110)聯(lián)合資助．

解滔，男，1986年生，在讀博士研究生，研究方向?yàn)榈卣饍?chǔ)層預(yù)測(cè)．E-mail:xtaolake@163.com

*通訊作者 鄭曉東，男，教授級(jí)高級(jí)工程師，主要從事地震儲(chǔ)集層預(yù)測(cè)方面的研究工作．E-mail:zxd@petrochina.com.cn

10.6038/cjg20161127

P631

2015-12-24，2016-10-09收修定稿