[论文解读] SFA-GTM: Seismic Facies Analysis Based on Generative Topographic Map and RBF

Jatin Bedi, Durga Toshniwal|arXiv (Cornell University)|Jun 1, 2018

Reservoir Engineering and Simulation Methods参考文献 11被引用 6

一句话总结

该论文提出SFA-GTM方法，一种结合生成拓扑映射（GTM）与径向基函数（RBF）插值的非线性地震相分析方法。该方法从地震数据中提取四种灰度共生矩阵（GLCM）纹理属性——能量、同质性、对比度和非相似性，利用RBF对缺失值进行插值，误差较低（RMSE < 0.24），并应用GTM实现无监督、非线性聚类。与线性方法相比，该方法在无测井数据条件下能更准确、更清晰地识别地震相，尤其擅长发现自然聚类。

ABSTRACT

Seismic facies identification plays a significant role in reservoir characterization. It helps in identifying the various lithological and stratigraphical changes in reservoir properties. With the increase in the size of seismic data or number of attributes to be analyzed, the manual process for facies identification becomes complicated and time-consuming. Even though seismic attributes add multiple dimensions to the data, their role in reservoir characterization is very crucial. There exist different linear transformation methods that use seismic attributes for identification, characterization, and visualization of seismic facies. These linear transformation methods have been widely used for facies characterization. However, there are some limitations associated with these methods such as deciding the width parameters, number of clusters, convergence rate etc. Therefore, the present research work uses non-linear transformation approach that overcomes some of the major limitations of linear approaches. The proposed Seismic facies analysis approach based on Generative Topographic Map \&amp; Radial Basis Function(SFA-GTM) works by calculating the set of four Gray Level Co-occurrence Matrix(GLCM) texture based attributes viz. energy, homogeneity, contrast, and dissimilarity. The Generative Topographic Map(GTM) is used for unsupervised classification of seismic facies based on the set of calculated texture attributes. Further, the present work uses Radial Basis Function(RBF) for interpolating the missing values in the data.

研究动机与目标

• 为克服K均值和SOM等线性方法在地震相分类中的局限性，如对初始参数敏感、收敛性问题以及难以确定最优聚类数。
• 开发一种无监督、非线性的方法，无需依赖测井数据即可在地震数据中识别自然聚类。
• 通过径向基函数（RBF）网络准确插值缺失属性值，提升数据质量。
• 通过使用生成拓扑映射（GTM）进行非线性降维，提升地震相的可视化效果与分类精度。

提出的方法

• 从三维地震数据中使用灰度共生矩阵（GLCM）提取四种基于纹理的地震属性——能量、同质性、对比度和非相似性。
• 应用径向基函数（RBF）网络对纹理属性集中的缺失值进行插值，并报告每种属性的训练误差与测试误差。
• 使用生成拓扑映射（GTM）执行非线性降维，将四维纹理属性空间映射至二维潜在空间，以实现可视化与聚类。
• 使用主成分分析（PCA）初始化GTM参数（权重与偏置），以确保收敛稳定。
• 采用期望最大化（EM）算法迭代优化GTM参数，直至满足收敛条件（误差恒定或达到最大迭代次数）。
• 通过将潜在空间反投影至数据空间，实现结果的可视化与解释，并与真实情况对比。

实验结果

研究问题

• RQ1 像GTM这样的非线性无监督方法是否能在基于纹理属性的地震相分类中优于传统线性方法（如K均值、SOM）？
• RQ2 RBF网络在地震纹理属性缺失值插值中的有效性如何？其插值精度如何？
• RQ3 GTM在无先验标签或测井数据约束下，能在多大程度上保持地震数据中的自然聚类结构？
• RQ4 与线性变换方法相比，所提出的SFA-GTM框架在复杂或噪声较大的区域中，其分类清晰度与准确性如何？
• RQ5 使用基于纹理的属性（GLCM导出）对地震相分类的鲁棒性与可解释性有何影响？

主要发现

• RBF插值模型表现出较低的均方根误差（RMSE）：能量的训练误差为0.178，测试误差为0.213；同质性的训练误差为0.182，测试误差为0.201；对比度的训练误差为0.203，测试误差为0.238；非相似性的训练误差为0.194，测试误差为0.197，表明缺失值插值具有高精度。
• 基于GTM的分类成功识别出四个明显不同的地震相，结果在边界划分上比线性变换方法更清晰、更准确。
• 对图4(a)（线性）与图4(b)（非线性GTM）中突出区域的视觉对比确认，GTM方法生成了更清晰且更具地质合理性的地震相聚类。
• GTM方法在无需预设聚类数量或测井数据的条件下，表现出在识别数据中自然聚类方面的优越性能。
• 分类结果经真实情况验证，证实SFA-GTM方法在地震相识别中具有高精度。
• 尽管计算复杂度较高，非线性GTM方法有效解决了K均值和SOM等线性聚类技术中常见的收敛性与稳定性问题。