煤炭学报

作者：邹冠贵, 丁建宇, 任珂, 殷裁云, 董青山,

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,

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。

来源：2023年第4期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2023年第4期