CN110489480A

CN110489480A - 一种测井数据多属性快速切换可视化方法

Info

Publication number: CN110489480A
Application number: CN201910599302.8A
Authority: CN
Inventors: 石敏; 吴子锐; 王素琴; 朱登明
Original assignee: North China Electric Power University
Current assignee: North China Electric Power University
Priority date: 2019-07-04
Filing date: 2019-07-04
Publication date: 2019-11-22

Abstract

本发明属于油田大规模数据可视化技术领域，尤其涉及一种测井数据多属性快速切换可视化方法，包括：将采集到的测井数据均匀划分为多个小体素块并用聚类的方法压缩体数据；基于多属性的相关性分析将测井数据的属性划分为不同的分组，在组内建立映像模型，分别提取每个分组测井属性的基体数据；利用PCA降维算法对每个分组测井属性分别进行降维处理，提取多个测井属性数据的基向量矩阵和特征系数矩阵，基体数据常驻内存，用特征系数切换方式来快速生成新的属性数据；采用光线投射算法对新的属性数据进行绘制。解决了因测井数据规模太大超出内存和GPU处理能力导致的难以实现实时绘制的问题；解决了传统多属性数据切换内外存数据交换量大、等待时间长的问题。

Description

一种测井数据多属性快速切换可视化方法

技术领域

本发明属于油田大规模数据可视化技术领域，尤其涉及一种测井数据多属性快速切换可视化方法。

背景技术

可视化是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来，它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域，成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。将可视化技术应用于测井数据处理、解释环节中，是现代物探软件特征之一。石油行业人员借助于数据可视化系统，能够对勘探区块的复杂地层构造有个直观的认识。这提高了测井数据处理的速度和处理结果的准确性，有利于做出正确的钻井决策，降低了勘探风险和成本。随着油气资源勘探开发程度的逐步深入，勘探目标逐渐由常规的构造油气向非常规、隐蔽、地层和岩性等复杂油气储藏过度。复杂地质结构特性下的非常规油气勘探，对测井数据处理、解释技术提出了更高的要求。

在实际油气勘探工作中，随着测量设备性能的提升和勘探技术的进步，产生的标量数据场的规模往往达到几十GB甚至TB的级别，这给可视化技术带来了更多的挑战。传统的三维数据渲染过程是将体数据一次完全载入内存，渲染模块只从内存中获取数据，这种方式对于超过内存规模的体数据是失效的。

测井数据通常有多个维度的属性来反映区块的不同地质特征，例如声波时差属性、体积密度、自然伽马、自然电位、电阻率、井径等，这些属性数据是在相同的空间坐标系下测量得到的。实时绘制测井数据时往往需要在不同的属性间进行切换查看，用户往往希望减少等待时间，同时尽可能快地浏览整体数据效果。同一个空间坐标系下，由当前可视化A属性转到B属性时，传统的做法是先在内存中释放掉A组体数据，再从硬盘中读入B组体数据。大量的内外存数据交换导致的I/O操作耗时过久，难以达到所见即所得的交互效果。

因此，亟需对测井数据自身的特征分析，利用合理有效的压缩算法减小数据的规模，设计不同维度属性数据之前的切换机制，规避大量的I/O操作。这能够有效应对数据量大带来的挑战，实现测井数据的实时绘制和多属性动态切换。

发明内容

针对上述问题，本发明提出了及一种测井数据多属性快速切换可视化方法，包括：

步骤1：将采集到的测井数据均匀划分为多个小体素块并用聚类的方法压缩体数据；

步骤2：基于多属性的相关性分析将测井数据的属性划分为不同的分组，在组内建立映射模型，分别提取每个分组测井属性的基体数据；

步骤3：利用PCA降维算法对每个分组测井属性分别进行降维处理，提取多个测井属性数据的基向量矩阵和特征系数矩阵，基体数据常驻内存，用特征系数切换方式来快速生成新的属性数据；

步骤4：采用光线投射算法对新的属性数据进行绘制。

所述步骤1包括：对体素块的数据点的属性值强度求出均值和方差，所有数据点的透明度求出均值，采用高斯过滤函数在每个体素块内设置采样区域，若方差小于阈值，则用均值代替采样区域的所有点，若方差大于等于阈值，则在均值上下一定范围内将属性值同采样区域内其他数据点按距离值采用邻近值排序，进行优先替换，当方差大于一定值时，保留采样区域的所有点；利用K-means算法计算每个体素块的重要性分数，重要性等级越低的体素块类别绘制时采样点数越少。

所述测井数据的属性包括：声波时差属性、体积密度、自然伽马、自然电位、电阻率、井径。

所述分组的方法包括：调研文献结合测井解释先验知识划分对所有属性依次做回归分析预测模型，通过长期实验结果分析得出合理的分组。

所述步骤3包括：利用PCA降维算法获得一个基向量M和n维属性的特征向量λ，将n维测井信号D投影到一组基向量矩阵M上，得到一组系数，这组系数大部分接近0，通过忽略小于一定阈值的系数，保留的系数形成了信号的低精度表示；绘制时仅仅传输基向量M，在切换不同属性时仅仅需要传输相应的系数矩阵。

所述基向量矩阵用线性链表存储组内任意两个属性共有的基向量矩阵。

所述特征系数切换方式根据多尺度分析层位标注的结果，将测井体数据按照地质分层划分为不同的数据块，不同分层上数据属性的相关性强弱不同，优先替换相关性高的数据块，分块做降维、映射计算。

所述步骤4包括：按照从前到后的次序跟踪从像素出发的每一条光线,穿越测井数据场，当透明度＝1时，立即停止光线的传播，放弃那些被遮挡的体素，从而加快了计算的速度。

本发明的有益效果：

1.解决了因测井数据规模太大超出内存和GPU处理能力导致的难以实现实时绘制的问题；

2.解决了传统多属性数据切换内外存数据交换量大、等待时间长的问题。

附图说明

图1为测井数据多属性快速切换可视化流程图

图2为测井属性相关性分组图。

图3为三维空间数据一维线性排列。

图4为切换前后可视化效果图，其中图a为声波时差属性，图b为自然伽马属性。

具体实施方式

本发明提出了及一种测井数据多属性快速切换可视化方法，包括：

步骤4：采用光线投射算法对新的属性数据进行绘制。

如图1所示，本发明的方法具体包括以下步骤：

步骤1-1)：从待可视化油田区域的多口测井中采样获得测井数据。由于测量设备、数据收集、数据传输等方面问题，测井数据中可能会存在数据缺失的情况，例如测井曲线的初始深度和结束深度为0、-9999、-99999、999、99999等极端数据，可以通过计算机或人工将其中的无效数据进行去除。

步骤1-2)：由于数据量巨大，所以在可视化之前先要对原始数据进行数据压缩，去除冗余信息、减少数据量。传统的有损压缩具有较高的压缩比，但是压缩质量不好。而无损压缩的解码方法复杂，速度慢且不满足随机访问。面向单属性测井数据的压缩算法，在实时绘制时，进行测井属性数据特征分析是体数据压缩的前提。测井数据经过几何映射后，得到的是一组空间坐标值(x,y,z)和属性强度(s)。

使用聚类的方法压缩体数据，首先将体数据分为(2k)³个体素块，对体素块的数据点的属性值强度求出均值μ和方差σ²，所有数据点的透明度求出均值α。采用高斯过滤函数，在每个体素块内设置3×3×3的采样区域，若σ²<ε(ε为设定的阈值)，则用均值u代替采样区域的所有点，若σ²较大，则在u±3σ范围内将属性值同采样区域内其他数据点按距离值d采用邻近值排序，进行优先替换，当σ²大于一定值时，保留采样区域的所有点。根据透明度均值μ和属性强度方差σ²每个体素块的重要性分数如公式(1)：

利用K-means算法根据重要性分数计算出不同重要性级别的体素块簇，事先定义好聚类等级数目L，聚类后重要性等级低的体素块类别绘制时采样点数减少，压缩比率越高。在可视化时，根据视点远近选择恰当的分辨率数据进行绘制。

步骤2)：测井数据通常有多个维度的属性来反映区块的不同地质特征，例如声波时差属性、体积密度、自然伽马、自然电位、电阻率、井径等。实时绘制测井数据时往往需要在不同的属性间进行切换查看，用户往往希望减少等待时间，同时尽可能快地浏览整体数据效果。同一个空间坐标系下，由当前可视化A属性转到B属性时，传统的做法是先在内存中释放掉A组体数据，再从硬盘中读入B组体数据。不同的测井属性数据之间往往具有一定的相关性，例如自然电位受电阻率影响。基于多属性的相关性分析，本发明的做法是内存中直接实现属性切换A→B。从所有维度属性数据中，学习基体数据M和数据在基上的投影系数λ_i。

由于得出全局基体数据的计算较为复杂，并且在体数据规模特别大的时候，全局基体数据M本身占用内存较高。考虑测井属性中不同属性的相关性强弱各不相同，将全部的几十种测井属性划分为不同的分组，组内的属性相关性强，组间的属性相关性弱，在组内建立映射模型f(A)→f(B)。分组的方法有调研文献结合测井解释先验知识划分对所有属性依次做回归分析预测模型等，通过长期实验结果分析得出合理的分组、分组的步骤可以离线进行。分别提取每个分组数据的基体数据，如图2所示，每个类别下以链表的结构存储组内任意两个属性i、j的基体数据Mij，共存储n！/2组数据，并且数据量大小满足公式(2)：

步骤3-1)处理测井体数据时，若按照空间坐标点的格式(x,y,z,s)，每个点需要4个字节的存储空间，转为一维线性存储时每个点只占据属性强度s一个字节大小的空间，同时有利于后续的降维处理。

测井属性数据经过数据重建后是均匀分布的空间栅格数据。假定区块空间的数据点沿xyz三个方向的最大最小坐标值为xmin、xmax、ymin、ymax、zmin、zmax，已知的xyz方向数据点隔分别为L,W,H(通常在测井空间数据场重建环节确定)。那么每个方向的点的数量如公式(3)：

假设空间中某一个数据点的坐标(x,y,z)，计算其在空间坐标系中的三维索引值(Ix,Iy,Iz)。

如图3将数据点以一维线性排列，可快速查找到，在一维空间中的索引值如下：

index＝I_x+I_Y*div_X+I_Z*div_X*div_Y (5)

步骤3-2)：将单个属性按照一维线性排列后,利用PCA降维法(PrincipalComponents Analysis)对通过上述步骤2所得到的每一个分组测井属性分别进行降维处理。数据降维的目的把多属性转化为少数几个基属性从源头上减少数据的交换量。本发明利用PCA降维算法获得一个基向量M和n维属性的特征向量λ。将n维测井信号D投影到一组基向量矩阵M上，得到一组系数，这组系数大部分接近0，通过忽略小于一定阈值的系数，保留的系数形成了信号的低精度表示。绘制时仅仅传输基向量M，在切换不同属性时仅仅需要传输相应的系数矩阵。

D(i)＝M*λ(i) (6)

公式(6)中，由于基向量M的大小往往小于原始体数据D，特征系数λ过滤掉接近0的低频信号，数据传输和绘制时间将大大减少。可视化单属性时，基体数据结合系数信息生成相应属性数据的低精度版本。

降维算法的关键是基向量矩阵的生成。应用PCA算法对测井多个属性降维，首先测井样本集X是一个m×n的矩阵。m是数据点的数量，n是属性的数量。

计算X的协方差矩阵C。其中矩阵C中的任意一个元素cij为

c_ij＝cov(X_i，X_j) (7)

其中X_i，X_j为原始矩阵X中的任意一列。

计算C的特征值和特征向量特征值按照数值降序排列，特征向量按照自己特征值的顺序也依次排列特征值按照数值降序排列，特征向量按照自己特征值的顺序也依次排列。

如果要得到原始数据X的k阶降维矩阵，则取前K个特征向量λ₁，λ₂，...λ_k，组成降维系数矩阵U＝{λ₁，λ₂，...，λ_k}。

然后经过X的降维转换Z＝XU，X是m×n的矩阵，U是n×k的矩阵，Z是m×k的矩阵，就得到X降维后的测井数据降维矩阵Z作为原始数据空间的基向量矩阵。

核主成分分析(Kernel Principal Component Analysis，KPCA)是对PCA的非线性提升，其公式推导和PCA类似，有两点改进：1)KPCA引入了非线性映射函数Φ，将原始空间中的数据映射到高维空间，并且函数Φ是隐性的。2)在PCA中引入了一个定理：空间中的任一向量(包括基向量)，都可由该空间中的所有样本线性表示。

对于函数K：

R^N×R^N→R

存在映射Φ：

R^N→R^F

使得

K(x_i，x_j)＝φ(x_i)^Tφ(x_j)

称K为Mercer核函数。KPCA与PCA的区别在于PCA是在RN空间中计算找主成分，而KPCA是在RF空间中找主成分。

在完成降维操作后，基体数据M常驻内存，数据切换D(A)→D(B)转化为λ(A)→λ(B)，由此高效快速地生成新属性的可视化结果。可以根据多尺度分析层位标注的结果，将测井体数据按照地质分层划分为不同的数据块，不同分层上AB属性的相关性强弱不同，优先替换相关性高的数据块，分块做降维、映射计算。

步骤4)：对生成的属性数据，采用光线投射算法绘制。屏幕上每个像素点的颜色和透明度简化后合成公式(8)如下：

C_out＝C_in+(1-α_in)α_iC_i

α_out＝α_in+(1-α_in)α_i (8)

合成采样点的颜色和透明度时需要进行大量的计算。按照从前到后的次序跟踪从像素出发的每一条光线，穿越测井数据场，当透明度d＝1时，立即停止光线的传播，放弃那些被遮挡的体素，从而加快了计算的速度。

通过上述实施例，本发明提供了可用于测井多属性快速切换的可视化算法，采用基于重要性分析的分块压缩算法，使大部分属性数据变换平缓的区间得以压缩采用低分辨率绘制，仅仅在少量变换急剧的区间上保留高分辨率，以获得较高的压缩比。在属性数据切换的问题上，内外存调度技术仍然避免不了大量的线程操作及I/O操作，当数据量到一定程度，等待切换的时间较长。在对原始数据进行处理的基础上，对多维度测井属性抽离出基向量，大部分数据不需要从外存设备中读取，是一种新的数据交换算法。本发明提出的方法能够压缩数据规模量，发现各属性之间的作用关系，实现高效快速的可视化。

为了验证本发明设计的快速切换可视化方法的可行性以及有效性，对真实的测井数据声波时差属性和自然伽马数据进行可视化实验。

在属性切换之前，首先将声波时差属性数据分为64块后，在块内根据均值和方差在属性数据变换平缓的区间仅保留少量采样点，之后使用K-means算法根据定义的重要性指标将大约6GB的原始数据压缩为2GB大小。

依据区块的长、宽、高三个方向的采样间隔5m,5m,0.1m，将三维属性数据以一维线性排列。将两个属性视为原始矩阵的两列，基于PCA降维算法降维为一列基向量和特征系数矩阵，在切换时，在损失一些精度的情况下以此重构出另一个自然伽马属性数据。

附图4a为测井数据声波时差属性可视化结果，图4b为切换后自然伽马属性可视化结果，数据分辨率均为为200×180×3000。

从可视化的结果可以看出，发明所设计的切换算法能够在数据规模达到GB级别的情况下实现不同属性数据的快速切换，以较高的分辨率实现测井数据的实时可视化。

需要说明的是，上述实施例中介绍的各个步骤并非都是必须的，本领域技术人员可以根据实际需要进行适当的取舍、替换、修改等。此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims

1.一种测井数据多属性快速切换可视化方法，其特征在于，包括：

步骤4：采用光线投射算法对新的属性数据进行绘制。

2.根据权利要求1所述方法，其特征在于，所述步骤1包括：对体素块的数据点的属性值强度求出均值和方差，所有数据点的透明度求出均值，采用高斯过滤函数在每个体素块内设置采样区域，若方差小于阈值，则用均值代替采样区域的所有点，若方差大于等于阈值，则在均值上下一定范围内将属性值同采样区域内其他数据点按距离值采用邻近值排序，进行优先替换，当方差大于一定值时，保留采样区域的所有点；利用K-means算法计算每个体素块的重要性分数，重要性等级越低的体素块类别绘制时采样点数越少。

3.根据权利要求1所述方法，其特征在于，所述测井数据的属性包括：声波时差属性、体积密度、自然伽马、自然电位、电阻率、井径。

4.根据权利要求1所述方法，其特征在于，所述分组的方法包括：调研文献结合测井解释先验知识划分对所有属性依次做回归分析预测模型，通过长期实验结果分析得出合理的分组。

5.根据权利要求1所述方法，其特征在于，所述步骤3包括：利用PCA降维算法获得一个基向量M和n维属性的特征向量λ，将n维测井信号D投影到一组基向量矩阵M上，得到一组系数，这组系数大部分接近0，通过忽略小于一定阈值的系数，保留的系数形成了信号的低精度表示；绘制时仅仅传输基向量M，在切换不同属性时仅仅需要传输相应的系数矩阵。

6.根据权利要求1所述方法，其特征在于，所述基向量矩阵用线性链表存储组内任意两个属性共有的基向量矩阵。

7.根据权利要求1所述方法，其特征在于，所述特征系数切换方式根据多尺度分析层位标注的结果，将测井体数据按照地质分层划分为不同的数据块，不同分层上数据属性的相关性强弱不同，优先替换相关性高的数据块，分块做降维、映射计算。

8.根据权利要求1所述方法，其特征在于，所述步骤4包括：按照从前到后的次序跟踪从像素出发的每一条光线,穿越测井数据场，当透明度＝1时，立即停止光线的传播，放弃那些被遮挡的体素，从而加快了计算的速度。