卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析

深度学习算法已广泛应用于地震数据处理分析领域,并在地震数据去噪等方面取得了较好的应用效果.目前业界关注重点在于各种不同深度学习算法和相关的网络结构形式,以及不同标签数据对算法效果的影响,较少关注数据集本身的差异对深度学习算法的应用效果影响.本文以卷积神经网络(Convolutional Neural Network, CNN)算法中批量规范化层(Batch Normalization)对地震数据去噪的影响分析为例,通过理论公式和应用效果的对比分析,提出了基于地震数据特征分析下的批量规范化层的使用建议.批量规范化层的使用依赖于数据集的统计分布特征,只有当训练集的归一化能量分布集中在能量较强的区域,批量规范化层的使用才会提升网络的效果.但通常情况下,在地震数据去噪的应用中,不建议使用批量规范化层.这些特征为深度学习算法在地震数据去噪应用中的网络结构设计提供了有价值的参考.     

基于分数阶傅里叶变换的混合Cadzow滤波法

常规频率域SVD滤波法在随机噪声压制处理时,容易造成弯曲同相轴损伤。针对这一问题,本文提出一种基于分数阶傅里叶变换的混合Cadzow滤波法压制三维地震数据中随机噪声的方法。首先应用分数阶傅里叶变换,将地震数据变换到时频面,再依据Eigenimage滤波法与Cadzow滤波法建立混合的高维Hankel矩阵,然后对其运行奇异值分解,最后通过秩约化的方法来压制随机噪声。此方法用于四川某地区的地震数据处理,结果表明该方法可有效地去除随机噪声,保护有效信号,提高叠后地震数据的信噪比。     

准噶尔盆地西北缘湖湾区侏罗系油藏分布规律及评价

利用研究区835口井资料和8口取心井岩心观察分析,采用测井相分析手段,认为湖湾区齐古组和八道湾组属于辫状河沉积,储集砂体主要为心滩和河道微相,砂体呈北东向宽带状分布,属于中高孔高渗储层;根据两种油层定量识别模型在钻遇齐古组砂体的老井中重新识别出56个油层,描述了湖湾区侏罗系油气藏空间分布规律,认为齐古组油藏主要属于岩性油藏,八道湾组属于地层油藏,为断裂台阶式成藏模式和地层不整合成藏模式;八道湾组地层油气藏具有进一步勘探潜力,齐古组岩性油藏有望实现连片分布。     

冷水碳酸盐岩研究现状与展望

长期以来,海相碳酸盐沉积物被广泛认为是温暖浅海沉积环境中的产物,然而近年来国外研究表明,在冷水陆架环境中,也可以形成规模的碳酸盐沉积,即冷水碳酸盐岩。通过对大量文献的调研,综述了冷水碳酸盐岩的概念、地质特征、沉积模式等方面的研究进展,并展望了该研究领域未来的发展方向。研究表明,冷水碳酸盐沉积是指在(古)纬度约30°~35°以上的温带及寒带地区、温度约20℃以下的沉积水体中,或是在富营养的寒冷上升流水体中形成的碳酸盐沉积物或岩石,其沉积特征与暖水碳酸盐岩不同。冷水碳酸盐沉积物中的生物颗粒组合以底栖有孔虫、软体动物、苔藓虫等异养生物和钙质红藻为主,缺乏造礁珊瑚和钙质绿藻以及鲕粒、集合颗粒等非骨架颗粒,而且沉积物中灰泥基质含量较少,矿物成分以方解石为主,氧同位素较重,胶结作用弱,以破坏性成岩作用为主。冷水碳酸盐沉积形态以缓坡为主,波浪磨蚀和再沉积作用较强。古代冷水碳酸盐岩的沉积特征、识别标志及其作为储层的油气资源潜力尚处于探索阶段,仍需进一步深入研究。