基于相对熵的时差相位差自动识别校正方法

针对地震资料处理中存在的时差、相位差问题,提出了一种时差、相位差自动识别校正方法。该方法以希尔伯特变换和相对熵算法为理论基础,以KL散度为判别准则,全过程数据驱动,自动化实现时差、相位差的识别与校正,有效降低人工识别成本,避免人为因素带来的误差。文中详细阐述了相关原理及实施过程,并通过数值模拟结果验证了该方法的正确性和有效性。连片、多分量实际资料的应用分析表明,相较于人工识别及理论值校正,该方法可以有效提高识别及校正精度,增强处理对象的一致性,改善剖面质量,为后续处理及解释工作提供技术保障。     

川东北嘉陵江组嘉四-五段杂卤石地震识别及属性预测方法

杂卤石作为一种重要的钾盐矿产,在川东北地区下三叠统嘉陵江组嘉四-五段(T₁j^4-5)分布广泛,而T₁j^4-5埋藏深,杂卤石横向分布不稳定,利用地震技术对杂卤石进行预测是本区钾盐勘探的必要需求。而杂卤石夹杂在低速盐膏岩和高速膏云岩互层的地层中,一般单层较薄,在地震剖面上反应弱,地震识别困难。本文通过井震联合对比和地震正演分析,总结了杂卤石的地震响应特征,认为杂卤石由于形成机理的特殊性,其一般位于厚层盐膏层的上部,因此在地震上具有低频、强波谷背景上的高频、弱振幅的特征。在低频地震剖面上,杂卤石对应低频、强波谷的部位;而在高频地震剖面上,杂卤石对应高频、弱波峰的部位。在此基础上,通过分析传统的层属性在杂卤石预测上的难点和制约因素,提出了利用杂卤石在高、低频地震体上的幅频差异特征,通过体属性运算预测杂卤石分布的技术方法,并取得了较好的预测效果。该方法可为其他地区杂卤石的地震识别和预测提供借鉴。研究结果认为,杂卤石在纵向上主要发育于T₁j^4-5第2旋回盐膏层的上部,平面上主要在盐膏层塑性变形增厚的部位富集,呈条带状展布。     

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.