论文摘要
随着油气勘探开发复杂程度的增加和地震解释技术的日趋成熟,地震油气预测技术正朝着精细和实用的方向发展,这就要求人们不断地提高认识水平,用科学的方法来了解和掌握油气存在的未知状况,从现有的地球物理、地质、油藏开发等地震资料中提取和挖掘出更多新的信息来进行油气的预测研究。目前最有效的地震资料解释方法之一就是地震相分析。随着地震采集技术的不断发展,地震剖面上包含的地震信息更加丰富,传统的“相面法”已经检测不出来的,必须借助地震数据处理技术和计算机技术加以提取分析。目前常见的地震数据处理技术有K-均值（K-means）算法、模糊聚类算法（Fuzzy Clustering Methods,FCM）和自组织神经网络算法（Self-organizing Feature Map Network,SOM）。这些算法存在一些不足:需要人为确定聚类数目;难以建立准确合理的隶属度函数;数据量大、维数高时运算时间长,有时难以实现等。针对上述问题,本文探索基于密度的带有噪声的空间聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）算法在地震相划分中的应用。DBSCAN算法不需要人为确定聚类数目,聚类速度较快,且能够有效地处理噪声点和发现任意形状的空间聚类。本文首先根据地震数据的特点生成实验数据,从算法对输入参数的要求、海量数据处理能力、发现任意形状聚类、噪声数据处理能力和高维数据处理能力这五个方面比较分析了DBSCAN算法与K-means算法、FCM算法、SOM算法的聚类分析能力,然后把它应用于实际地震振幅属性数据集,结果表明DBSCAN算法能够很好地划分地震相,划分结果令人满意。但该算法存在运行时间较长的不足,本文采取了稀释地震数据的措施进行弥补,在保证划分效果的同时,时间明显减少。