基于F-K域和Curvelet-中值滤波联合去噪的混采数据分离方法

由于炮分离过程会不可避免地损失部分有效信息,为解决这一问题,笔者建立模型试验,将混采数据转至频率域进行F-K滤波预处理,在保护地震同相轴的同时压制大部分混合噪声;并变换回时间域共偏移距道集进行小时窗中值滤波,同时设计迭代公式在共检波点道集进行Curvelet阈值迭代去噪;通过不断优化得到最后分离结果。模拟数据和实际数据处理结果证明:经本文方法分离后的单震源记录清晰,具有较好的实际应用价值。     

f-x域预测反褶积在多次波衰减中的应用

多次波是海洋资料处理中最主要的噪音,目前有多种多次波压制方法,但每一方法均有其优势和局限性,任意一种单一的方法均难有效地消除各种多次波,常采用SRME、拉冬、分频去绕射多次波组合的方法进行多次波的去除。在某些工区,即使采用上述组合方法仍然有能量强、频带宽的残余多次波,用常规的方法难以对其进行去除,对这类残余的多次波,这里提出运用f-x域预测反褶积的方法进行去除。该方法主要在共偏移距道集上进行处理,是基于f-x域信号的可预测性进行多次波的衰减,首先追踪出待消除多次波对应有效波的层位,再以此层位信号为依据,在f-x域内进行预测反褶积,压制多次波后,再将其共偏移距道集进行成像。通过理论数据模拟与实际资料验证得出:该方法对压制资料残余的强能量多次波,具有很好的压制效果。     

局部奇异值分解法压制随机干扰

对于低信噪比资料,压制随机噪声,增强有效信号是地震资料处理的首要任务。而传统的奇异值分解去噪算法,在有效信号横向相干性较强时,去噪效果明显,但当有效信号同相轴呈倾斜、弯曲或孤立状态时,其在压制随机噪声的同时,存在滤除部分有效信号的弊端,为此通过对不同时窗内的地震数据进行拉平、奇异值分解数据重构与反拉平等处理方法,对常规奇异值分解算法进行改进,以克服其对包含非水平连续信号资料去噪效果差的局限。理论数据和实际资料的去噪结果表明,改进后的算法去噪效果明显优于常规奇异值分解法,能在保证有效波不被滤除的前提下有效提高地震资料的信噪比。     

异常振幅衰减法压制海上船噪声干扰CSCD

海上船噪声干扰是海洋地震数据中的主要干扰波之一,由于其反射同相轴符合地震时距曲线规律,且其频谱与有效信号基本重叠,用滤波等常规噪声压制技术很难对其进行有效地压制。由于海上船相对于地震采集拖缆的位置具有随机性,共炮点域中的规则船干扰在共偏移距域内变为随机强能量噪音,为此提出一种用异常振幅衰减法压制海上船噪声干扰的方法,其思路是先将炮集抽成共偏移距道集,然后用异常振幅衰减法对船噪声干扰进行压制。通过对实际海洋地震资料进行处理,得到了良好的应用效果。     

异常振幅衰减法压制海上船噪声干扰

海上船噪声干扰是海洋地震数据中的主要干扰波之一,由于其反射同相轴符合地震时距曲线规律,且其频谱与有效信号基本重叠,用滤波等常规噪声压制技术很难对其进行有效地压制。由于海上船相对于地震采集拖缆的位置具有随机性,共炮点域中的规则船干扰在共偏移距域内变为随机强能量噪音,为此提出一种用异常振幅衰减法压制海上船噪声干扰的方法,其思路是先将炮集抽成共偏移距道集,然后用异常振幅衰减法对船噪声干扰进行压制。通过对实际海洋地震资料进行处理,得到了良好的应用效果。     

基于地震信号相似性的S变换域多次波压制技术

多次波压制是海洋地震数据处理的关键,如何保护一次反射波的同时高效准确地识别并压制多次波是地震资料处理的重点。笔者在共中心点(CMP)叠加压制多次波方法的基础上,基于CMP道集地震信号与叠加道地震信号的相似性特征在S变换域进行多次波压制。首先,利用多次波速度动校正并对CMP道集数据减去叠加道数据完成第一次多次波减除,此时,波场中残余的多次波以随机噪声的形式存在;然后,对减除多次波的地震波场应用一次波速度动校正,并以一次波速度叠加道为初始模型对CMP道集S变换谱进行相似性滤波完成第二次残余多次波去除。针对理论数据和实际数据进行了有效性测试,结果表明本文所提方法能够较好地压制多次波,提高反射波的成像精度。     

基于非稳态匹配的角度域叠前道集去调谐方法

地层调谐效应改变了不同偏移距处反射波的干涉模式,使得远偏移距数据振幅和频率信息发生畸变,将会降低AVO/AVA分析及反演的置信度和分辨率。文中首先给出了调谐作用下反射波合成记录,通过正演模拟说明了调谐对叠前道集的影响。考虑到不同地层厚度下调谐效应的差异性,借助局域Lamoureux窗实现地震数据的自适应分解,利用角度数据之间的差异,构建了角度域地震数据的非平稳匹配目标函数,形成了非平稳匹配去调谐方法,实现了叠前道集的振幅和波形拉伸校正。本文方法在实际应用中取得了较好的效果,能够有效地改善大角度地震数据品质,为储层预测与流体识别奠定了数据基础。     

共反射面叠加在实际地震资料处理中的应用

共反射面叠加方法运用3个地震波场参数来描述地下反射面元时距关系,不对地下反射界面形状做任何假设,并且是一种不依赖于宏观速度模型的反射波成像方法。共反射面叠加利用了邻近多个共反射点道集的相似性,提高了资料的覆盖次数,从而压制了随机噪声,增强反射波同相轴的连续性,大幅提高了地震资料的信噪比。通过在实际地震资料处理中的应用,证明了该方法的这些特性。     

一种基于压缩感知的随机噪声压制方法

随着高精度地震勘探技术的发展,利用高保真的方法提高地震资料信噪比成为了去噪处理的关键。曲波域阈值法能够有效地压制随机噪声,但易产生伪吉布斯震荡现象,造成信号局部畸变,从而影响处理效果。针对这一问题,提出一种基于压缩感知理论（Compressing Sensing,简称CS）的地震信号去噪方法,该方法利用随机噪声和有效信号在曲波稀疏域稀疏表征的差异来分离随机噪声。其实现步骤为:将地震数据变换到曲波域;利用压缩感知理论和全变差正则化算法重构曲波系数;曲波逆变换得到压制噪声后的重构地震数据。理论模型和实际资料应用表明,该方法能够很好规避伪吉布斯现象带来的信号失真问题,进一步提高了资料的信噪比。      

基于地震资料有效信息约束的深度网络无监督噪声压制方法

地震资料处理是地震勘探中的关键环节,由于地下构造和地表条件的复杂性,地震资料的处理需要经过一系列复杂流程,从而形成多种不同类型的地震数据。不同种类的地震数据具有不同的数据特征,充分利用和发掘其中的数据特征,不仅可以充分发挥处理方法的技术潜力,消除各类非地质因素对地震资料处理质量的影响,同时可以增强地震资料处理的可靠性,改善地震资料的资料信噪比及分辨率,在复杂油气藏勘探开发中具有非常重要的基础作用。叠前地震成像道集（CRP）中的有效信号同相轴近似水平,叠后地震成像数据因为地层沉积的规律性,有效信号相比于随机噪声、成像画弧噪声等干扰具有规律、简单等特点。具体表现为CRP道集及叠后地震资料有效信号具有多尺度自相似性的特征,其高维Fourier （FK或FKK）域主要能量集中在低频、低波数区域。针对上述地震数据的特点,提出一种基于先验信息约束的深度网络地震资料无监督噪声压制方法。受到深度图像先验（DIP）的启发,神经网络的结构可以视为一种特殊的隐式先验信息,合理设计网络结构可以使得网络具有多尺度自相似性特征的提取能力。由于叠前地震成像道集数据和叠后地震成像数据有效信号的多尺度自相似性,而噪声不具备这一特性,因此,特定结构的网络可以从原始数据提取出有效信号,从而达到噪声压制的目的。叠前成像道集和叠后成像的实际数据随机噪声压制试验结果表明,本文方法具有良好的保真性与鲁棒性。此外,由于本文方法具有强大的特征提取能力,因此,对常规方法不易压制的弧状成像噪声也有良好的效果。      

Shearlet变换在GPR数据随机噪声压制中的应用

随机噪声是探地雷达(ground penetrating radar,GPR)数据处理存在的主要问题之一,直接影响到GPR数据后续处理及最终解释的准确性和可靠性。为了有效地去除随机噪声,同时更好地保留GPR信号的有效信息,本文提出基于Shearlet变换的GPR数据随机噪声去除方法。作为一种非自适应多尺度、多方向性的几何分析方法,Shearlet变换能够近乎最优地表示含奇异点的高维曲线。在Shearlet域,GPR数据能够得到更加稀疏的表示,通过阈值去噪的方法,有效地去除了随机噪声,使信噪比提高了4dB,最大程度地保留了GPR有效信号。利用理论和实际数据进行验证,体现了Shearlet变换阈值去噪方法的有效性和准确性。     

基于变分模态分解算法的探地雷达信号去噪研究

探地雷达信号属于非平稳信号,容易受到干扰噪声影响导致探测能力降低.为了消除雷达信号的噪声,经验模态分解(EMD)、总体经验模态分解(EEMD)和完全总体经验模态分解(CEEMD)等方法被应用到雷达数据处理中.EMD虽然不断被改进,但仍存在一些不足,例如容易受到噪声干扰,存在模态混叠现象,依赖经验性等问题.因此笔者采用变...     

基于形态小波的核磁共振测井信号去噪及现场应用研究

核磁共振测井中采集到的回波串信号十分微弱,而背景噪声很强,使信噪分离困难。为解决这一问题,引入了结合数学形态学的特征识别和小波分解的多分辨率分析特性的形态小波方法。讨论了方法的数据基础和应用步骤,并与小波软阈值方法处理结果进行了对比分析。实测数据处理结果表明:形态小波去噪方法具有良好的细节保留和抗噪声能力,去噪效果优于小波软阈值滤波方法;在消除测井信号随机噪声的同时,能很好地保留信号的波形和特征,在较低信噪比下仍可有效地提取测井信号的有用信息,提高了T2谱的反演精度。     

A combinatorial filtering method for magnetotelluric data series with strong interference

In highly industrialized areas, magnetotelluric (MT)-induced variations are contaminated by strong manmade noise signals. A method is described as an alternative approach for noise removal, based on a combination of empirical mode decomposition (EMD) with independent component analysis (ICA). The filtering procedure takes advantage of the fact that data are analyzed through different scale levels, which requires a minimum of human intervention and leaves good data sections unchanged. Principle and steps of method are discussed, and de-noising results are evaluated by some parameters. After the filtering stage, data is processed in the frequency domain to yield two sets of reliable MT transfer functions and the result was compared with that of the EMD-Wavelet method. Simulated signal and measured MT data series are processed. The results show that this procedure can lead to greatly improved apparent resistivity and phase curves after processing. Point defects are filtered out to eliminate their deleterious influence, which yields reliable estimates of the MT transfer functions. The EMD-ICA method provides a new method for the de-noising of MT data series under the condition of low SNR.     

随采地震噪声衰减研究

鉴于煤矿井下环境的封闭性及对安全生产的高要求特点,炸药震源在煤矿井下地震勘探施工中存在众多局限性,而以采煤机作为震源可以规避炸药震源的许多固有缺陷,具有可以在不影响回采工作面正常作业的情况下对工作面内部构造及应力开展实时探测的优势。但由于采煤机产生的能量远小于炸药震源,因此采集到信号的质量通常受到环境噪声影响,通过分析大量实际数据发现噪声中能量占比较多的为单频噪声和随机噪声,严重影响探测精度。为提高随采地震数据信噪比,提出了同时衰减单频噪声和随机噪声的方法,首先基于互相关技术在构建常规炮集记录的同时衰减单频噪声,然后通过小波变换衰减随机和残余单频噪声,通过模拟数据和实际数据证实,该方法可以在很大程度上提高信号的信噪比。      

Seismic random noise attenuation using artificial neural network and wavelet packet analysis

In this paper, we present a method for attenuating background random noise and enhancing resolution of seismic data, which takes advantage of semi-automatic training of feed forward back propagation (FFBP) artificial neural network (ANN) in a multiscale domain obtained from wavelet packet analysis (WPA). The images of approximations and details of the input seismic sections are calculated and utilized to train neural network to model coherent events by an automatic algorithm. After the modeling of coherent events, the remainder data are assumed to be related to background random noise. The proposed method is applied on both synthetic and real seismic data. The results are compared with that of the adaptive Wiener filter (AWF) in synthetic shot gather and real common midpoint gather and also with that of band-pass filtering on real common offset gather. The comparison indicates substantially higher efficiency of the proposed method in attenuating random noise and enhancing seismic signals.     

稳健主成分分析在地震资料异常值噪声压制中的应用

提高地震数据的信噪比是地震资料处理的重要目标之一。传统的地震去噪方法虽然可以有效压制随机噪声,但对非高斯分布的异常值噪声压制效果欠佳。本研究展示了一种基于稳健主成分分析的地震数据异常值噪声压制方法。该方法在频率-空间域通过对地震数据实施稳健低秩近似来求取理想无噪声数据。在目标函数构建方面,采用核范数最小化模型求取理想的低秩近似数据,并使用l₁范数最小化模型来估计异常值噪声。此外,运用增广拉格朗日乘子法求解该反演问题。最后,模型数据和实际资料的去噪结果验证了本研究方法的有效性,与传统F-XY域预测滤波法去噪结果进行对比,也显示本研究方法在有效压制异常值噪声的同时能更好地保护有效波能量。     

Hankel矩阵滤波在微地震数据处理中的应用

针对微地震信号能量弱、信噪比偏低的问题,将基于Hankel矩阵的滤波算法引入微地震信号处理中,用于衰减微地震信号中的随机噪音,提高微地震事件波至时间的拾取精度;采用Akaike信息准则(AIC)自动选取信号特征值,能适用于微地震事件的实时自动处理。与常规滤波方法相比,该方法在压制噪音的同时保护了微地震信号,其有效性和实用性在模型数据和实际微地震数据测试中得到了验证。      

基于Shearlet变换的尺度方向自适应阈值地震数据随机噪声压制方法

地震勘探的有效信号常受到随机噪声的干扰而难以识别,需要进行随机噪声和有效信号的分离。传统Shearlet全局阈值不随方向与尺度变化,在去噪的同时也会损失许多有效信号。Shearlet变换作为一种新的多尺度多方向时频分析方法,具有最优的稀疏表示能力、局部化特征和方向敏感性。本文将含噪地震信号通过Shearlet分解后计算各尺度与方向上Shearlet域系数的L₂范数,并对其进行数据重排后发现,随着方向改变L₂范数不断减小,进而提出一种基于L₂范数的尺度方向自适应阈值计算方法。将其与小波变换、曲波变换、Shearlet全局阈值去噪方法对比,模拟数据与实际地震记录去噪结果表明,本文方法在去除随机噪声的同时,深部弱信号也得到了很好的恢复,地震数据的信噪比比其他3种方法有所提高,在0.929 9 dB条件下提升至11.565 1 dB。