前言：本站為你精心整理了略說網絡的地震相分類范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

1方法實現與測試

為了建立地質模型，在該剖面上共采集了25個巖石樣本，并在實驗室中測量了巖石的縱波速度與密度等物性（曾凡平等，2009），測量結果所示．取各成因相的縱波速度均值和密度均值計算對應的縱波波阻抗值．對比各成因相的縱波波阻抗值，可看出內灘最低、外灘和礁基次之、礁核最高，而臺地介于礁核和外灘之間．地震模型基于露頭寫實以及地質解釋結果，并根據上述測量數據，建立了地震波阻抗模型，運用褶積的方法計算出了對應的合成地震記錄，用以驗證及測試本文所提出的地震相分類方法．為了方便，試驗省去了時深轉換的環節，直接建立了時間域的地震波阻抗模型．波阻抗模型大小為200×300的網格，深度間隔為1ms，CDP間隔為10m．對應的合成地震記錄采用主頻為30Hz的雷克子波，并加入了5％的高斯隨機噪聲．地震屬性筆者根據地震屬性對地質體反應的敏感性和符合率較大的原則，選擇了8種地震屬性作為地震相分類的基礎數據，包括：瞬時振幅、瞬時頻率、均方根振幅、平均絕對振幅、絕對距離、歐式距離、互相關距離和相似系數．是根b計算出的地震屬性結果．分類模型的構建及訓練由于沒有類似的研究成果作參照，無法通過前人的研究成果設定地震相分類貝葉斯網絡的先驗信息（初始網絡結構和網絡參數）．因此，在網絡結構訓練前，僅定義了網絡節點，將其作為初始網絡結構，而在網絡參數學習前，將各節點參數的條件概率分布表均設定為均勻分布，作為貝葉斯網絡參數學習的初始網絡參數．由于礁基、內灘和外灘的波阻抗差異小，在地震上較難區別，因此在實驗中將礁核和礁基合并為生物礁，把內灘和外灘合并為生物灘．為了區分臺緣背景沉積中的單層內部的隨機噪聲和層序界面對應的地震相，實驗中將臺地分為內部均勻沉積和層序界面兩類地震相．因此，以礁核、生物灘和臺緣背景沉積這3種成因相組合為最小劃分單元，試驗將地震相的類別數最終確定為4個：1類為生物礁，2類為生物灘，3類為臺地1－內部均勻沉積和4類為層序界面．由于各種地震屬性的數值大小及值域范圍都1147不同，考慮到基于離散變量的貝葉斯網絡算法容易實現，故在樣本數據輸入評價模型之前，均對其進行了離散化處理．本次試驗的離散化規則為：根據地震屬性的值域范圍分成5個區間，按照其數值從大到小的規則將其編號（1（大）～5（小））．選擇模型中的部分典型區域按照所屬的沉積相類別編號，逐一提取對應區域的各地震屬性值，并對其進行整理，最后將結果用于貝葉斯網絡的結構訓練和參數訓練．貝葉斯網絡的訓練采用了K2算法，該算法將同時完成結構和參數訓練．結構訓練的結果所示．

2地震相分類

本文所選用的評價方法為全局聯合樹推理算法，a為地震相分類的類別結果，分別顯示了各類地震相的分布范圍，與地質模型相比，其整體分類結果較好．其中1類（生物礁）和2類（生物灘）的地震相分布與地質模型總體比較吻合，3類（臺地1－內部均勻沉積）和4類（層序界面）的分布范圍也較準確．b～8e分別為1類（生物礁）、2類（生物灘）、3類（臺地1－內部均勻沉積）和4類（層序界面）地震相的概率值分布圖．但是，還要注意到a中白色框的部分與地質模型存在著較大的差距，這可能是由于1類（生物礁）太小或者由于周圍生物灘的影響，地震波對于部分生物礁相的響應不好造成的．對比地震模型、地震屬性和地震相分類結果，以及各地震相的概率分布圖發現，雖然a～5c，5g和5h中地震屬性較好的反映了地震相的分布形態，中強幅值與礁灘的分布也較吻合，但是也有d～5f成為了地震屬性進行地震相分類的干擾因素．這是因為d～5f所表示的地震屬性對剖面中沉積相的變化不敏感所致（所得各類別概率值接近于均勻分布）．若在地震相分類前進行屬性優選，剔除如d～5f對分類結果具有負面影響的地震屬性，按照節所述方法，重新對地震相分類模型進行訓練，得到的分類結果如所示．分類結果相比，分類結果的精度有了提高．但是在未進行屬性優選的情況下，本研究所得到的地震相分類結果并沒有受到太大的負面影響，依然得到了準確性較高的地震相分類結果．究其原因，就是在網絡參數的訓練過程中，由于地震屬性與分類的不相關性，造成該地震屬性的分類概率值接近于均勻分布，自動降低了不利于地震相解釋的地震屬性對于地震相分類結果的負面影響，且不需要任何人工的干預．

3結論

本文提出的基于貝葉斯網絡的地震相分類方法，并以巴楚一間房組臺緣生物礁－灘沉積體系的典型露頭剖面所構建的地質模型為例，描述了地震相識別過程中貝葉斯網絡的建模、學習和分類的步驟，并且驗證了該方法的可行性和正確性．與現有的確定性地震相分類方法比較，具有一定的優勢：經過實例數據的測試，證明本文所建立的地震相分類方法是可靠的，為地震相分類研究提供了一種新的、更加有效的方法；以概率分布的形式輸出分類的結果，原則上將概率值最大的類別作為待分類樣本所屬的類別，分類結果的概率分布即是分類的可靠性評價；通過引入先驗信息，降低了對訓練數據樣本分布的過度依賴，并且提高了分類結果的準確性；該方法在沒有人工干預的情況下，通過對樣本數據的學習，智能地完成了各地震屬性權值設定；當某些地震屬性結果對地震相分類不利時，該方法可自動降低其對分類結果的負面影響；在地震相分類過程中，由于不需要人工干預，因而更客觀可靠．由于時間有限及其他方面的原因，本文提出的地震相分類方法僅對理想地震數據進行了應用，對于實際數據的應用效果還需要進一步的驗證和深入研究．致謝：本研究得到了中國地質大學（武漢）資源學院焦養泉教授的指導和幫助．

作者：顧元朱培民榮輝曾凡平海洋單位：中國地質大學中國地質大學