基于信噪辨识的矿集区大地电磁噪声压制

为了避免形态滤波方法在大地电磁强干扰分离中的“过处理”、进一步保留大地电磁低频段的有用信息,提出基于信噪辨识的矿集区大地电磁噪声压制方法.首先,从信号处理的角度剖析矿集区典型强干扰与天然大地电磁微弱信号之间的定量辨识关系,利用形态分形维数和形态膨胀谱熵对大地电磁信号与强干扰进行信噪辨识.然后,结合形态滤波技术和阈值法,仅对辨识出明显不是天然大地电磁信号的异常波形进行噪声压制.最后,重构大地电磁有用信号,并对算法进行性能评价.仿真结果表明,形态分形维数和形态膨胀谱熵能较好地定量辨识大地电磁信号与强干扰,大地电磁信号中一些缓变化的低频信息得到了更为精细的保留;与形态滤波整体处理相比,本文所提方法获得的卡尼亚电阻率曲线更为光滑、连续,视电阻率值相对稳定,其结果更为真实地反映了测点本身所固有的大地电磁深部构造信息.

     

基于自适应多分辨率奇异值分解的大地电磁数据处理

针对强电磁干扰极易掩盖微弱的大地电磁有用信号,本文结合奇异值分解在去噪方面的优越性,提出基于自适应多分辨率奇异值分解（Adaptive Multi-Resolution Singular Value Decomposition,AMRSVD）的大地电磁数据处理方法.首先对大地电磁数据构建Hankel矩阵,利用MRSVD得到不同分辨率的近似信号和细节信号;然后选用近似信号和细节信号的标准差差值,对大地电磁数据进行信噪辨识;接着结合MRSVD和相邻细节信号的标准差差值,提出先验信息未知情况下的AMRSVD法;最后对辨识出的强干扰运用AMRSVD去除噪声,重构有用信号.实验结果表明,该方法的处理效率高,能有效分离出相关性较强的噪声,时间序列和视电阻率-相位曲线均得到有效改善.

     

基于压缩感知重构算法的大地电磁强干扰分离

为压制大地电磁信号中的强人文干扰,提出一种基于压缩感知重构算法的大地电磁信号去噪方法.通过构建与常见典型强干扰相匹配而对有用信号不敏感的冗余字典原子,利用改进的正交匹配追踪算法,分离出大地电磁信号中的强干扰成分.为了验证所述方法的强干扰分离效果,首先通过在实测大地电磁信号中加入理想的强干扰信号进行了仿真分离实验,然后从大量实测数据中选取三种含有不同类型强干扰的时间域片段,用所述方法对实测数据中的强干扰进行分离,最后将所述方法应用于青海试验点以及庐枞矿集区某测点实测数据的综合处理.仿真实验结果表明,该方法在分离出强干扰的同时,能够较好地保留有用信号.实测数据处理结果表明,该方法能够有效压制强干扰,改善强干扰区大地电磁数据的质量.

     

基于循环神经网络的大地电磁信号噪声压制研究

由于天然电磁场源信号微弱,观测数据极易受到噪声干扰,严重影响反演和解释结果.传统去噪方法依赖于人工对时间序列和功率谱的筛选,去噪效率低,主观性强.本文提出利用循环神经网络对大地电磁时域信号进行特征噪声的识别和提取,进而重构出去噪后的大地电磁信号.在对大地电磁时域信号进行大量分析的基础上,对噪声进行分类并搭建含噪信号数据库,利用该数据库训练了两个循环神经网络,并选取长短时记忆单元优化循环神经网络结构,分别实现含噪数据段筛选和噪声形态提取.对仿真和实测数据分别进行了测试,循环神经网络均能准确筛选出大地电磁信号中的噪声段,本方法在避免人为操作主观性的同时提高了工作效率,视电阻率和相位曲线质量得到明显改善.

     

基于IITD和PNN的广域电磁法数据信噪分离方法

矿产资源开发需求加速了广域电磁法(Wide Field Electromagnetic Method, WFEM)的发展与应用,但强电磁干扰严重降低了原始数据质量与探测效果.为此,本文提出基于改进固有时间尺度分解(Improved Inherent Time-scale Decomposition, IITD)和概率神经网络(Probabilistic Neural Network, PNN)的广域电磁法数据信噪分离方法.首先,通过改进固有时间尺度分解算法,提高信号分解精度,消除原始数据中存在的趋势噪声;然后,构建WFEM数据样本库,提取最大值、峰值因子、脉冲因子、裕度因子等多个时域特征,结合概率神经网络进行信噪辨识;最后,将识别为有效信号的部分按原采样顺序进行整合与重构,实现WEFM数据去噪;通过数值模拟与实测分析,结果表明,趋势噪声和异常波形均能被有效辨识及剔除,处理后的电场曲线形态趋于平滑稳定,原始数据质量得到提升.     

基于优化聚类的人工源电磁法数据信噪分离方法

为了降低强电磁干扰对人工源电磁法(Controlled Source Electromagnetic Method, CSEM)有效信号的影响, 改善CSEM实测数据处理结果因人而异且效率低的不足, 本文针对CSEM有效信号周期性特征提出了一种加权自适应带宽均值漂移聚类(Weighted Adaptive Bandwidth Mean-Shift Clustering, WAB-MSC)信噪分离方法.首先在传统均值漂移聚类(Mean-Shift Clustering, MSC)算法的基础上增加核函数, 降低处理结果对带宽选择的敏感度, 提高算法的稳健性; 其次结合实测CSEM数据的分布特征提出了一种基于局部密度梯度的带宽估计方法, 实现了自适应带宽选择; 最后通过仿真数据与实测数据对本文方法进行了验证, 结果表明: 本文方法能有效消除强电磁干扰对CSEM数据的影响, 最大程度保留受噪声影响较小或未受噪声影响的数据, 提高数据信噪比, 降低强干扰噪声对CSEM初始资料的影响程度, 获得更为真实的地电响应模型, 为后续数据处理提供保障.

     

基于匹配追踪和遗传算法的大地电磁噪声压制

针对匹配追踪计算量大、大地电磁数据处理效率低的问题,提出基于匹配追踪和遗传算法的大地电磁噪声压制方法.首先,利用Gabor原子构建过完备原子库,并对过完备原子库集合进行划分.然后,借助遗传算法的自适应性,快速搜寻最优匹配原子及所在位置.最后,运用最优匹配原子对待处理信号进行稀疏分解,重构有用信号.通过对计算机模拟的典型强干扰和矿集区实测大地电磁数据进行分析处理,实验结果表明,相对于匹配追踪和正交匹配追踪,文中所提方法能从过完备原子库中快速、自适应地选取最优匹配原子与不同噪声干扰类型高精度的匹配,极大地提升了计算效率;大地电磁时间域序列中的大尺度强干扰被有效剔除,视电阻率曲线更为光滑、连续,低频段的数据质量得到明显改善.

     

基于m伪随机序列的电磁法抗噪能力分析

电磁法在金属矿、油气资源等矿产的勘探中发挥重要作用,同时电磁干扰也越来越强,在强干扰区利用传统的抗噪方法很难再获取高信噪比信号.鉴于伪随机序列的抗噪能力,近年来国内正在掀起伪随机编码仪研制的高潮.伪随机序列的抗干扰能力与从伪随机响应中提取方法息息相关,本文介绍了两种最常用的提取大地脉冲信号的方法:第一种通过将时间域信号转到频率域,对电流归一化处理后,再转回时间域求取大地脉冲响应;第二种直接在时间域解Wiener-Hopf方程求取.研究表明,在无干扰情况下两种提取方法都可获得高精度大地脉冲信号.随后在具有噪声干扰的情况下,对两种方法提取结果的精度进行了对比分析,表明方法2的抗噪声能力明显优于方法1的,对造成这种状况的原因进行了解析.最后研究了提高伪随机序列抗噪能力的方法,主要包括提高伪随机序列阶数、针对不同噪音使用不同的编码方式、改变循环次数的方法等,以达到抑制噪声的目的.     

基于站间天然电磁场单位脉冲响应的大地电磁时间序列去噪方法

针对天然大地电磁场信号在人文活动密集地区易受噪声干扰的问题,本文提出利用两个同步测点天然电磁场时间序列之间的单位脉冲响应,合成本地点受干扰时段的数据,从而去除大地电磁噪声.首先,选择高信噪比时段的数据,采用最小二乘法,估算本地点与参考点之间的单位脉冲响应,再根据卷积定律,结合参考磁场合成本地点的磁场和电场.最后用合成数据替换含噪声时段数据,实现时间域去噪.实测高信噪比数据和含噪数据的处理结果表明,该方法可以高精度合成本地点磁场与电场信号,有效去除本地点电场和磁场噪声,包括相关噪声,提高大地电磁数据质量.     

利用变分模态分解(VMD)和匹配追踪(MP)联合压制音频大地电磁(AMT)强干扰

为了有效分离矿集区音频大地电磁（AMT）信号中的大尺度强干扰、抑制近源效应,本文提出利用变分模态分解（VMD）和匹配追踪（MP）联合压制AMT强干扰的方法.首先,对比了VMD与经验模态分解（EMD）、固有时间尺度分解（ITD）的处理效果,验证了VMD在避免模态混叠和端点效应方面的优势;讨论了VMD中模态个数对典型大尺度强干扰的去噪性能,并选择合适的模态初步获取待处理信号的重构信息.然后,运用MP对VMD重构信号做二次信噪分离处理,进一步滤除残余的尖脉冲干扰.通过对模拟和实测数据的分析处理,以及与远参考法结果对比,本研究能有效剔除时间域序列中的大尺度强干扰,且重构信号中保留了更多的低频缓变化信息和细节成分,近源干扰得到有效压制;视电阻率-相位曲线更为光滑、连续,低频段的数据质量得到明显改善,其结果能更为真实、可靠地反映地下电性结构信息.

     

高阶统计量在大地电磁测深数据处理中的应用研究

在大地电磁（MT）测深法中,大地电磁响应函数经常出现个别频点分散、误差棒较大、形态异常等现象,在作反演解释时,许多地质特征难以有效提取出来,这些问题严重阻碍了MT的实际应用效能和发展.本文利用高阶统计量方法检验了MT信号的高斯性. 结果表明,MT信号是非高斯的. 根据任何高斯过程,其高阶统计量（高阶累积量,高阶谱）均为零的性质,通过信号的高阶谱恢复功率谱,再由功率谱估算MT响应函数,能有效抑制高斯有色噪声的影响,提高MT资料的处理质量. 从应用效果看,这种方法在抑制高斯有色噪声、提取信号中有用信息方面优于传统功率谱方法.     

Full‐waveform based microseismic event detection and signal enhancement: An application of the subspace approach

Microseismic monitoring has proven invaluable for optimizing hydraulic fracturing stimulations and monitoring reservoir changes. The signal to noise ratio of the recorded microseismic data varies enormously from one dataset to another, and it can often be very low, especially for surface monitoring scenarios. Moreover, the data are often contaminated by correlated noises such as borehole waves in the downhole monitoring case. These issues pose a significant challenge for microseismic event detection. In addition, for downhole monitoring, the location of microseismic events relies on the accurate polarization analysis of the often weak P‐wave to determine the event azimuth. Therefore, enhancing the microseismic signal, especially the low signal to noise ratio P‐wave data, has become an important task. In this study, a statistical approach based on the binary hypothesis test is developed to detect the weak events embedded in high noise. The method constructs a vector space, known as the signal subspace, from previously detected events to represent similar, yet significantly variable microseismic signals from specific source regions. Empirical procedures are presented for building the signal subspace from clusters of events. The distribution of the detection statistics is analysed to determine the parameters of the subspace detector including the signal subspace dimension and detection threshold. The effect of correlated noise is corrected in the statistical analysis. The subspace design and detection approach is illustrated on a dual‐array hydrofracture monitoring dataset. The comparison between the subspace approach, array correlation method, and array short‐time average/long‐time average detector is performed on the data from the far monitoring well. It is shown that, at the same expected false alarm rate, the subspace detector gives fewer false alarms than the array short‐time average/long‐time average detector and more event detections than the array correlation detector. The additionally detected events from the subspace detector are further validated using the data from the nearby monitoring well. The comparison demonstrates the potential benefit of using the subspace approach to improve the microseismic viewing distance. Following event detection, a novel method based on subspace projection is proposed to enhance weak microseismic signals. Examples on field data are presented, indicating the effectiveness of this subspace‐projection‐based signal enhancement procedure.     

Detection of point scatterers using diffraction imaging and deep learning

Diffracted waves carry high-resolution information that can help interpreting fine structural details at a scale smaller than the seismic wavelength. However, the diffraction energy tends to be weak compared to the reflected energy and is also sensitive to inaccuracies in the migration velocity, making the identification of its signal challenging. In this work, we present an innovative workflow to automatically detect scattering points in the migration dip angle domain using deep learning. By taking advantage of the different kinematic properties of reflected and diffracted waves, we separate the two types of signals by migrating the seismic amplitudes to dip angle gathers using prestack depth imaging in the local angle domain. Convolutional neural networks are a class of deep learning algorithms able to learn to extract spatial information about the data in order to identify its characteristics. They have now become the method of choice to solve supervised pattern recognition problems. In this work, we use wave equation modelling to create a large and diversified dataset of synthetic examples to train a network into identifying the probable position of scattering objects in the subsurface. After giving an intuitive introduction to diffraction imaging and deep learning and discussing some of the pitfalls of the methods, we evaluate the trained network on field data and demonstrate the validity and good generalization performance of our algorithm. We successfully identify with a high-accuracy and high-resolution diffraction points, including those which have a low signal to noise and reflection ratio. We also show how our method allows us to quickly scan through high dimensional data consisting of several versions of a dataset migrated with a range of velocities to overcome the strong effect of incorrect migration velocity on the diffraction signal.     

Comparison of migration‐based location and detection methods for microseismic events

Microseismic monitoring in the oil and gas industry commonly uses migration‐based methods to locate very weak microseismic events. The objective of this study is to compare the most popular migration‐based methods on a synthetic dataset that simulates a strike‐slip source mechanism event with a low signal‐to‐noise ratio recorded by surface receivers (vertical components). The results show the significance of accounting for the known source mechanism in the event detection and location procedures. For detection and location without such a correction, the ability to detect weak events is reduced. We show both numerically and theoretically that neglecting the source mechanism by using only absolute values of the amplitudes reduces noise suppression during stacking and, consequently, limits the possibility to retrieve weak microseismic events. On the other hand, even a simple correction to the data polarization used with otherwise ineffective methods can significantly improve detections and locations. A simple stacking of the data with a polarization correction provided clear event detection and location, but even better results were obtained for those data combined with methods that are based on semblance and cross‐correlation.     

基于Duffing振子混沌系统的地震速度分析方法

强随机噪声干扰是导致地震勘探资料低信噪比的主要原因,如何在强随机噪声干扰下获取有效的信息是值得关注的问题.Duffing振子混沌系统是一个非线性的动力学系统,其对强随机噪声具有免疫能力,而对特定的周期性信号具有敏感性.本文提出一种基于Duffing振子混沌系统的速度分析方法.对CMP道集按照时距曲线关系进行移动窗口截取,将所截取的信号构建为待测信号加入Duffing振子混沌系统,通过相图网格分割方法(GPM)判断系统状态的改变,从而在强随机噪声背景下获得高分辨率的速度谱.理论模型和实际资料的处理结果表明,与传统的水平叠加速度分析方法相比,本方法能够在强随机噪声背景下获得更准确的速度分析结果.     

基于同步大地电磁时间序列依赖关系的噪声处理

本文从信号与系统的角度讨论了同步大地电磁时间序列信号之间的依赖关系,选取高信噪比的时间序列信号作为先验数据,用最小二乘法估算依赖关系;结合参考道的数据,合成本地道含噪声时段的数据,最后用合成数据替代噪声段数据,组成新数据,从而在时域中去除大地电磁噪声.西藏地区高信噪比实测数据的试算结果表明,无论电场还是磁场,信号之间的依赖关系是相对稳定的,只与先验数据的长度有关,与时间无关;虽然不同参考点之间的依赖关系不同,但都可以精确合成本地点数据,与参考点地下电性结构和参考距离无关.仿真实验显示,去噪后的信号与原始信号基本一致.实测数据处理结果表明,该方法可以有效去除强噪声干扰,抑制中高频段的近场源效应,同时保留了微弱的有效信号,保证了处理结果的正确性.最后针对方差比方法无法识别的方波噪声,提出了一种简单的平移方法,成功去除了持续时间大于窗口长度的方波噪声;将该方法与远参考技术结合,可以有效抑制近场源噪声干扰,获得光滑连续并且可信的测深资料.     

利用K-SVD字典学习算法压制海洋大地电磁噪声

海洋大地电磁数据处理的结果会影响数据反演和解释的准确性.在浅水中, 由海浪引起的强电磁干扰和大地电磁场叠加在一起, 使得噪声所在频段内的视电阻率和相位曲线出现畸变.针对这种强干扰, 本文将K-SVD字典学习算法应用于海洋大地电磁信号处理中, 通过稀疏表示海浪感应磁噪声实现大地电磁磁场信号的重构, 并结合视电阻率信息进行相位校正.仿真数据和南黄海实测数据的处理结果表明, 该方法能够有效压制海浪感应磁噪声, 恢复后的视电阻率和相位曲线更加连续、光滑.

     

庐枞矿集区大地电磁测深强噪声的影响规律

天然大地电磁场信号微弱,极化方向随机,极易受电磁噪声污染.张量阻抗分析、远参考技术、Robust估计等对随机噪声和不相关噪声有比较好的压制效果,但对强的相关噪声目前还没有有效的压制方法.庐枞矿集区人烟稠密、工业发达,是我国著名的铁、铜、硫等矿产基地之一,区内强烈的工业、通讯、矿山、民用等电磁干扰严重污染了大地电磁测深数据.本文首先根据实测的电磁场时间域波形和卡尼亚电阻率测深曲线形态,挑选出基本未受噪声污染的测点(Y1650).然后利用数学形态学从受严重污染的电磁场时间序列中提取出类方波、三角波、阶跃、脉冲和充放电5种典型噪声的波形,并以不同的方式将这些噪声波形与Y1650的电磁场波形叠加,对比分析加噪后Y1650点电阻率和相位测深曲线的变化,进而归纳出典型强噪声对庐枞大地电磁测深资料的影响规律,为进一步压制强噪声和资料处理提供依据.