本文旨在向中文读者介绍一篇发表于《科技和产业》期刊的学术研究论文。该论文题为《不等厚层段的地震波形分类技术及应用》，由中石化石油物探技术研究院有限公司的肖仁睿、陈科、王昌平共同撰写，发表于2025年7月出版的第25卷第13期。

研究背景与目的

本研究属于地球物理勘探领域，具体聚焦于地震资料解释中的地震相分析技术。地震相分析是识别地下沉积相、预测储层分布的关键手段，其主流方法之一为地震波形分类。波形分类技术通过分析地震道反射波形的相似性，对反映相同地质特征的区域进行归类，已广泛应用于岩性识别、砂体刻画和油气藏预测。

然而，传统的波形分类方法存在一个根本性的局限：它通常基于等长时窗来提取和比较波形。这种方法在地层厚度稳定的区域效果良好，但在实际地质环境中，目标层段（如储层）的厚度往往在横向和纵向上变化显著。当地层厚度变化时，固定长度的时窗要么无法包含完整的地质信息，导致波形不完整；要么跨越了不同的地质层位，引发“穿时”现象。这严重影响了波形与地下真实储层特征之间对应关系的准确建立，进而降低了储层预测的可靠性。因此，针对不等厚层段开发一种能够提取完整波形并进行有效分类的新技术，成为该领域亟待解决的问题。

本研究的目的，正是为了解决上述难题。研究团队旨在提出一种创新的、专门针对不等厚层段的地震波形分类方法。该方法的核心目标有两个：一是确保从厚度变化的层段中提取出能够反映完整岩性信息的地震波形；二是在实现精确分类的同时，有效降低算法的计算复杂度，提升实际应用的效率。

详细工作流程

本研究的工作流程主要分为三个关键步骤：基于希尔伯特变换的波形提取、改进的自组织特征映射网络分类，以及分类数的半自动确定。研究将塔河油田托普台工区的实际地震资料作为研究对象，以验证新方法的有效性。

第一步：基于可变时窗与希尔伯特变换的波形提取技术 此步骤是后续分类的基础，其目标是从厚度不等的目标层段中，提取出完整的、具有可比性的地震波形特征。研究团队摒弃了传统的等长时窗拉伸/压缩或简单傅里叶变换方法，提出了一种基于时频转换的新策略。具体流程如下： 首先，在解释确定目标层段的顶、底界面后，计算整个工区内该层段的最大时间厚度（δt_max）。根据此最大厚度，通过公式 w_freq = 2^[log2δt_max]（其中 [x] 表示向上取整）确定一个恒定的频宽（w_freq）。这一步的目的是为后续变换设定一个统一的频域基准。 其次，针对每一道地震数据，在其目标层段的顶、底时间范围内提取原始地震信号。这些信号的时长各不相同。 然后，对这些变长的时域信号进行快速傅里叶变换，将其转换到频率域，得到振幅谱。 紧接着，对振幅谱实施希尔伯特变换。希尔伯特变换是本研究在波形提取环节的核心创新点。与传统的傅里叶变换相比，希尔伯特变换是后者的拓展，特别擅长处理像地震信号这类具有复杂时频特性的非线性、非平稳信号。它通过构造解析信号，能更好地揭示信号的局部属性，克服了傅里叶变换全局性分析的不足，从而更精确地描述实际地震波的时频特征。 最后，对经过希尔伯特变换得到的复信号进行逆快速傅里叶变换，将其转换回时间域。此时得到的波形，已经是在恒定频宽约束下、从原始变长信号中提取出的“完整”波形特征体，它们不再受原始时间长度差异的影响，可以直接用于后续的相似性比较。这一过程有效避免了因时窗长度不当导致的波形信息缺失或“穿时”问题。

第二步：采用改进的一维自组织特征映射网络进行分类 在获得标准化的波形特征后，需要对其进行聚类分析。本研究采用了无监督的神经网络方法，但对经典的自组织特征映射网络进行了结构上的重要简化与改进。 传统的自组织特征映射网络是一种两层神经网络，其输出层通常是一个二维的神经元网格。在应用于地震波形分类时，这种二维结构常导致多个神经元映射到同一类地震相上，造成神经元冗余、网络规模庞大、计算效率低下，且可能影响分类边界的清晰度。 为了解决这个问题，研究团队引入了一种改进的一维自组织特征映射网络。如图4所示，该网络将输出层从二维网格简化为线性拓扑结构，即输出神经元按一维链式排列。这一改变大幅减少了神经元的数量。网络仍然保持了自组织学习的核心机制：输入层神经元（对应提取的波形特征）与所有输出层神经元全连接；通过竞争学习，与输入模式最相似的输出神经元（获胜神经元）及其邻近神经元的连接权重会被调整，使得网络能够自组织地对输入模式进行拓扑排序和聚类。这种简化的一维结构更好地适应了地震数据分类对分辨率和效率的平衡需求，在保持分类能力的同时，显著降低了模型的复杂度和计算开销。

第三步：分类数的半自动确定 在应用上述改进网络进行分类前，需要确定合适的分类数目（即输出层神经元的数量）。分类数过多会导致结果过于琐碎，过少则会使结果过于粗糙。本研究提出了一种基于类内距离变化曲线的半自动确定方法。 具体做法是：预先设定一个分类数的范围（研究中设为5到15），然后在该范围内，依次使用改进的自组织特征映射网络对训练样本（即提取的波形）进行分类。对于每一个尝试的分类数k，计算所有类别的类内距离之和（公式2：err_k = Σ_i Σ_j (x_j^(i) - w^(i))^2，其中x_j^(i)是第i类中的第j个样本，w^(i)是该类的权向量中心）。随着分类数k的增加，类内距离之和err_k通常会逐渐减小。绘制err_k随k变化的曲线，观察曲线的下降趋势。当曲线从快速下降转变为趋于平缓的“拐点”时，对应的分类数即被认为是相对合适的选择。这种方法结合了定量计算与人工判读，避免了分类数选择的盲目性。

主要结果与分析

研究选取了塔河油田托普台工区中奥陶统一间房组的实际地震资料进行应用测试。该区储层以灰岩为主，非均质性强，且地层时间厚度变化大，正是检验新方法有效性的理想场景。 在确定分类数环节，根据类内距离变化曲线（图6）发现，当分类数大于10时，曲线趋于平缓，因此最终选定分类数为10进行工区范围的波形分类。 为了对比新方法的优越性，研究设计了对比实验，均使用改进的一维自组织特征映射网络，但采用不同的波形提取策略： 1. 策略A（传统方法）：采用基于等长时窗的波形提取方法（以顶层为基准，向上10ms、向下70ms的固定时窗），然后进行分类。结果如图7(a)所示。 2. 策略B（新方法-傅里叶变换）：采用不等厚层段波形提取方法，但使用传统的傅里叶变换进行时频转换，然后进行分类。结果如图7(b)所示。 3. 策略C（新方法-希尔伯特变换）：采用本文提出的完整方法，即基于希尔伯特变换的不等厚层段波形提取，然后进行分类。结果如图7©所示。

对比分析结果具有明确的层次和逻辑关系： 首先，将策略A（图7a）与策略B/C（图7b, 7c）对比，可以评估“可变时窗”理念本身的价值。结果显示，基于等长时窗的策略A所识别出的河道（图中以深蓝色第1类表示，白色点线标识）连通性较差，轮廓模糊，特别是在工区左侧，河道形态难以清晰辨认。而采用了可变时窗理念的策略B和C，对河道特征的划分明显更为清晰，初步证明了针对厚度变化层段调整提取窗口的必要性。 其次，在可变时窗框架内，进一步对比策略B（傅里叶变换）和策略C（希尔伯特变换）的结果（图7b vs 图7c），可以评估波形提取技术核心（时频变换方法）的优劣。对比发现，采用希尔伯特变换的策略C，其河道显示更加清晰，连通性更好，工区左侧的河道形态改善尤为显著。这一结果直接支持了研究在“第一步”中的理论推断：相比于傅里叶变换，希尔伯特变换更能适应地震信号的非平稳特性，从而提取出更具地质代表性的波形特征，最终获得更高精度的分类图像。 这些结果层层递进：先证明了解决“不等厚”问题的必要性（策略A vs B/C），再证明了所选用技术路线（希尔伯特变换）的优越性（策略B vs C）。最终的应用效果图（图7c）直观地展示了新方法能够更清晰、更连续地刻画地下河道的空间展布形态，这为后续的储层预测和井位部署提供了更可靠的地震相依据。

结论与价值

本研究得出以下主要结论： 1. 成功提出了一种针对不等厚层段的地震波形分类方法。该方法通过引入希尔伯特变换实现可变时窗的波形完整提取，有效避免了“穿时”现象；同时，采用结构简化的一维自组织特征映射网络，在保证分类效果的前提下显著降低了计算复杂度。 2. 实际工区应用表明，与传统等长时窗方法相比，本方法（特别是结合希尔伯特变换）能够更清晰、准确地刻画河道等地质体的形态，显著提升了地震相分析的精度和效率。 3. 该方法不仅适用于文中所示的河道识别，在地质构造复杂、地层厚度变化剧烈的其他区域（如山地褶皱带），在储层预测、砂体识别、地质异常体解释等方面也具有广泛的应用潜力和价值，能够为油气勘探开发提供更加强有力的技术支撑。

研究亮点

本研究的亮点主要体现在以下几个方面： 1. 问题导向明确，紧扣实际生产难题：直指传统波形分类技术在地层厚度变化区域失效的核心痛点，研究目标具有明确的工程应用价值。 2. 技术创新性强：在波形提取环节，创造性地将希尔伯特变换应用于地震波形特征的标准化处理，取代了传统的傅里叶变换或信号重采样方法，更贴合地震信号的非平稳特性。 3. 方法集成与优化有效：并非简单套用现有算法，而是对自组织特征映射网络进行了针对性的结构简化（二维改一维），形成了“希尔伯特变换特征提取 + 一维自组织特征映射网络分类”的高效集成方案，在提升精度的同时兼顾了计算效率。 4. 验证过程严谨：通过设置多组对比实验（等长时窗 vs. 可变时窗、傅里叶变换 vs. 希尔伯特变换），层层剖析了各技术环节的贡献，使结论的得出具有坚实的逻辑和数据基础。可视化结果（平面地震相图）的对比清晰直观，具有很强的说服力。

这项研究为解决地震勘探中不等厚层段的精细描述问题提供了一种有效的新思路和实用技术流程，对推动地震相分析技术的进步及其在复杂油气藏勘探中的应用具有重要意义。