1．用K－L变换的原理压缩数据，提取地层的特征参数；在压测网上而不是在测和地球物理的多种参数来建立检测油气藏的统计模式识别方法。 2的均值分布，主要是构造形态和地层厚度分布采用加权最小二乘法拟合常。 3. 试验表明，主要珍断参数是等厚残差与构造残盏在提高层等特征参数时，要选好层位或时窗，尽可能突出与油气有关的特征。择参数与珍断时，应视具体地质条件和可能而定，要重视反映油气藏存在数。 2100433B

油气检测技术地震法

利用地震数据更好地检测地下天然气层的分布。现有的地震气层检测技术可概括为3类：其一是以弹性介质模型为基础的叠前检测技术；其二为以黏弹性介质模型为基础的能量吸收分析技术；其三为地震属性分析技术。

（1）叠前地震检测技术

以地震波的弹性介质理论为出发点，以揭示地震反射能量（振幅）随炮检距（或入射角）的变化规律为基础，通过确定地层的各种物理参数，达到预测地层岩性与含油气性的目的。其研究技术主要包括AVO反演和弹性波阻抗（EI）反演，采用AVI方法建立正演模型进行烃类检测的方法。当砂岩含气时，纵波波速度明显降低，泊松比也明显低于含水时的泊松比，不同波阻抗的砂岩AVO特征也不同，选择合适的井在合成地震记录层位标定的基础上，研究含气砂岩的地震反射振幅随炮检距的变化关系和各种AVO属性参数的特征，以及含气砂岩与非含气砂岩在各项特征上的差异和变化。含气砂岩AVO属性特征的确定可以指导利用地震道集的AVO反演结果进行可靠的含气砂岩分布预测。

（2）以黏弹性介质模型为基础的能量吸收分析技术

地层的黏弹性特征和非均质性特征是导致地震波能量衰减的主要内在因素。地层中流体饱和度的增加，特别是含气饱和度的增加不仅使地层的黏滞性得到增强，而且会吸收地震波的传播能量，从而使反射波振幅选频降低，并产生明显的频散效应。岩石成分及结构的变化（粒度的非均质性分布、颗粒间胶结方式与胶结程度的差异、孔隙类型与结构的变化、不同形态与开启特征的裂缝分布等）不仅会使地震波的能量因地层的内摩擦和流体与岩石骨架间的相互作用造成不同程度地耗散，而且使地震波的能量因散射、反射、几何扩散等而衰减。能量吸收是地震波能量衰减的重要因素。在地震波的传播过程中，其所经过的每一地层单元对地震波的能量都有不同程度的吸收，振幅幅度随着传播距离和吸收系数的增大呈指数降低。当地层含有天然气时，其吸收系数将有明显增加，现代地球物理技术旨在通过对此“额外”吸收的分析，达到预测天然气层的目的。

（3）地震属性气层预测方法

地震属性技术对揭示地质体的客观现象与展布特征具有十分重要意义，地震属性技术的广泛应用是地球物理技术的重大进展。地震属性技术的优势在于其信息十分丰富，人们可通过不同地震属性从不同侧向了解地质体的客观地质规律。由于气层的黏滞性和低速传播特征，因此含气层往往表现出地震反射强度的变化和地震反射能量的选频衰减，因此，与振幅、能量及频率有关的地震属性通常可以对气层有不同程度的响应，以此为依据选择平均能量、平均瞬时频率、平均反射强度和均方根振幅等相关属性对研究区目的层的含气性特征进行针对性研究。通过对已有气层标定分析，发现平均能量属性对研究区内气层反映较为敏感。由此对该属性进行重点研究，并将其与能量吸收分析预测结果相互印证，以确定研究区的气层平面展布规律 。

油气检测技术电法

（1）自然电位法

自然电位法又称氧化还原电位法，或叠加自然电位法，主要是利用油气藏上方产生的“燃料电池”效应，通过地面上观测油气藏的自然电位异常特征，来分析判断油气藏的分布范围。自然电位采集方法较为简单，可单点或拟二维多道连续观测。为压制异常干扰，常采用多道连续异步观测方法，故称叠加自然电位法。三维多道连续矩阵观测方法和反演方法正在研究之中。

（2）复电阻率（CR）法

复电阻率（CR）法是一种测深类电法，可以从浅到深地研究电性结构特征。该方法采用多道偶极—偶极装置进行几何测深（见图4），野外测量2-8～2 8Hz宽频带的振幅—相位谱，通过反演求出不同深度的视极化率ηs和视电阻率ρs等，用这些参数来评价构造或地层岩性圈闭的含油气性。其中ηs参数反映圈闭的含油气性，ηs高则表明含油气希望大；ηs 没有异常，则表明含油气希望小 。

油气检测技术电磁法

（1）高分辨率时频电磁法

高分辨率时频电磁法源于俄罗斯 ，是对复电阻率法的有效改进，其方法原理和研究目标涵盖了复电阻率法和建场测深法。复电阻率法采用偶极—偶极几何测深装置，这就决定了其探测深度受装置大小限制，只有加长排列才能达到一定的探测深度。但排列太长，场源功率不够，资料信噪比必然降低，特别是排列太长，电磁效应和激电效应重叠难以分离，勘探效果和分辨率都受到限制。而时频电磁法采用轴向偶极装置，同时研究频率域和时间域参数；探测深度主要与激发周期有关，激发周期长探测深度大，而且分辨率更高。另外，时频电磁法保留了垂直磁场分量的测量，因而又具有建场测深的功能。

（2）高精度磁法

由于油气微渗漏导致的近地表次生磁性矿物的局部富集，因此在油气藏上方可形成微磁异常。实践表明,这种微磁异常一般幅值不大(几至几十纳特)，比一般无磁性的沉积地层磁异常大，但远小于火山岩磁异常，在油气田的边部呈相对高值，而在油气藏正上方也存在比周边稍低的异常值，因此，油气藏的磁异常具有环状异常特征。高精度磁法得到的磁异常与其他位场异常一样，由区域异常和局部异常叠加而成。要检测出油气藏产生的磁异常，首先，测量数据必须有足够高的精度；其次，处理上必须从区域和局部磁异常中分离出幅度不大、频率较高的磁异常。因此，应用磁法进行油气检测对数据采集和处理方法有严格要求。

油气检测技术重力检测法

一般来说，用重力检测油气藏是基于油气充注产生的重力亏损，构造油气藏常表现为重力高中有低。但大多数背斜顶部和两翼由于地层隆升而裂缝发育，造成其地层密度降低，也表现为重力高中有低，因此存在多解性。20世纪90年代，从美国和俄罗斯相继引进了重力油气检测技术 。由于用于油气检测的重力测量对数据的精度要求很高，因此在野外施工上有更严格的规定，工作效率相对较低，再加上解释上存在的多解性，重力油气检测受到一定的限制。主要在地形比较平坦的条件下对规模较大、埋深较浅的油气藏进行勘探试验。

油气检测技术遥感技术

是以遥感宏观、同步的数据获取, 通过计算机图像处理方法,提取出由于海底油气藏烃类渗漏引起的海洋表面异常或由于油气藏存在而产生的海底重力异常。在GIS 的支持下, 经与油气地质、地球物理及地球化学数据复合分析, 圈划出异常靶区的一种综合勘探技术 。

油气检测技术烃类检测

油气藏形成一定时间后，在其上方的土壤中会存在明显的烃类异常。国内外大量实践表明，地球化学勘探可用于区域含油气性普查，寻找最有利构造带；也可用于油田滚动开发，为钻井部署提供参考。但地表烃类异常只是指示该地区地下存在油气，是否成藏，实际上地球化学方法不能完全肯定；其次，地面烃类异常与油气藏的平面位置常常不对应，特别是由于构造、断层等地质因素的影响使油气藏的化探异常变得更为复杂；再就是气候、地表、环境等对地球化学异常影响也很大。所以，利用烃类检测技术要十分注意应用条件。一般来说,浅层油气藏的化探效果较佳；国内西部地区应用效果优于东部地区。因此，应用地球化学勘探进行油气检测时，应与地震等地球物理勘探方法相结合，进行综合分析和合理解释，提高油气检测的准确性。

油气检测技术非烃类检测

（1）微生物勘探技术

其原理与烃类检测油气的方法基本相同，是通过测定土壤中专门消耗烃类物质的烃氧化菌的浓度与活性特征来评价研究区的含油气性。因此，其样品采集方法与烃类检测技术基本相近，但室内分析测定方法完全不同。烃氧化菌的生存环境受气候、地貌、岩性影响较小，因此具有较好的适应性。但由于土样中烃氧化菌的数量有限，通常需要经过培养，然后才能确定烃氧化菌的浓度与活性，专业技术性强，生产效率较低，成本较高。

（2）放射性勘探技术

在生油盆地的沉积过程中，铀的富集条件与有机质相同，生油岩中的放射性物质伴随油气运聚成藏而富集，并随着油气微渗漏而迁移到近地表。通过检测多种放射性元素的赋存状况，根据放射性元素分布的异常特征推断油气藏分布范围的方法统称为放射性油气勘探技术。

放射性油气检测技术受地表环境和地下地质构造等多种因素的影响，如：在有放射性污染的地区，会严重影响放射性测量结果；在江、湖以及常年积水的沼泽、稻田、湿地等，由于水对放射性射线的屏蔽，会严重影响找油效果。另外，地质因素，如油气藏埋深、盖层岩性、断层等都会影响异常的强度或形态。因此放射性油气勘探技术的应用必须做好适用性评价工作。

一个模式识别系统一般工作在两个方面：训练和分类；统计模式识别的理论依据就是贝叶斯理论，当然也可采用修正的bayes理论（风险估计） ；当然bayes理论要求类的分布情况，在已知分布情况下就可直接使用，但一般这种可能性较小，对于只是知道分布函数，但不知道参数的情况，就是估计参数的过程，而在更一般情况下，对应分布是一点信息没有，这样可采用Parzen窗核函数估计其分布或直接基于训练数据建立决策边界。实际上多层感知器就是一个非参数的过程。

统计模式的一种分类方法分为指导性训练和非指导性训练；非指导性训练一般对于数据的已知信息很少，如远程的空间遥感应用，这里一般采用聚类的方法。另一种分类方法是基于决策边界是直接获得还是间接获得，前者一般是在几何空间就可完成。无论采用那种方法，训练集非常关键，主要训练的数据量要足够大而且要足够典型，这样才能保证算法的可靠性，训练集的应用上注意以下几点：训练样本的个数应该在10倍于特性数据维数；相对于训练样本，分类器的未知参数不能过多；分类器不能出现过度训练的问题。

统计模式识别方法就是用给定的有限数量样本集，在已知研究对象统计模型或已知判别函数类条件下根据一定的准则通过学习算法把d维特征空间划分为c个区域,每一个区域与每一类别相对应。模式识别系统在进行工作时只要判断被识别的对象落入哪一个区域，就能确定出它所属的类别。由噪声和传感器所引起的变异性，可通过预处理而部分消除；而模式本身固有的变异性则可通过特征抽取和特征选择得到控制，尽可能地使模式在该特征空间中的分布满足上述理想条件。因此一个统计模式识别系统应包含预处理、特征抽取、分类器等部分。