基于地震DNA算法的一种新的初至拾取方法

高效准确地拾取初至是获得良好初至波走时层析结果的前提.目前应用广泛的是传统能量比法拾取初至,这种方法是基于获得较准的初至起跳时间.但由于理论缺陷,能量比法拾取的起跳时间并非真实的初至起跳时间.基于聚类连接算法的地震DNA算法是目前比较新颖的层位自动提取方法,尝试将地震DNA算法用于准确地拾取初至,这种初至拾取方法无需获得初至起跳时间,弥补了能量比法的理论缺陷.首先将地震记录从数值空间转换至字符空间,设置符合初至特征的搜索因子在字符空间逐道进行初至拾取,此时所拾取初至为字符类型,使用欧式距离连接聚类好的字符初至使其具有更好的连续性和准确性,然后将字符类型初至转换到数值空间进行初至走时的显示及其计算.对简单数据模型和实际资料分别用传统能量比法与新方法进行初至拾取效果对比,对实际资料的单炮记录分别使用能量比法,互相关法,自拾取算法以及人工干预的自拾取算法进行初至拾取效果对比,拾取初至特征值对比结果说明采用地震DNA算法拾取初至的方法避免了误拾取现象且拾取效果更加连续.对所拾取的初至特征值进一步处理计算走时,将计算得到的初至走时应用于二维初至波走时层析中,层析反演结果表明,这种新的初至拾取方法...     

基于二分法的地震波初至自动拾取算法

初至拾取是地震资料处理中最基本的环节,随着地震资料的增多,自动拾取算法越来越重要,它将严重的影响地震资料处理的速度和效率.本文给出一种新的初至自动拾取算法,它根据参考初至(理论估计的初至),利用二分法和改进的能量比方法检测初至并去除不准确点,通过微调获取波峰、波谷、起跳点三种不同的初至类型.通过对不同信噪比的实际地震数据进行测试,本算法具有快速准确的特点.随着资料信噪比的降低,本算法未能完全解决拾取准确度降低的问题.然而通过适当调整算法的参数,本算法的结果比商用软件OMEGA的初至自动拾取效果要好.     

基于时频变换的低信噪比地震信号初至拾取

初至拾取是勘探地震资料处理中最基础的工作之一,现有的初至拾取方法日趋成熟.但当信号信噪比较低时,常规方法的拾取精度随之降低,因此一些适用于低信噪比数据的拾取方法被提出.其中应用较广泛的是基于时频分析的初至拾取方法,由于拾取过程涉及时频正变换和逆变换,效率较低,鉴于此,基于时频系数的叠加结果和时间域信号具有相同波形特征的特点,提出了一种在时频域直接开展初至拾取的方法,首先将数据转入时频域,然后采用自适应的噪声衰减方法进行噪声压制,最后在时频域直接拾取初至.模拟和实际数据的拾取结果证实,该方法在低信噪比的环境下,可以获得高于常规方法的拾取精度,并且比基于小波变换的其他方法更节省计算成本.     

空变时窗约束地震波初至的拾取方法

地震资料初至波拾取是静校正处理中基础且繁重的工作,初至波自动拾取的方法研究具有重要的意义.本文介绍一种空变时窗约束地震波初至拾取的方法.该方法对共炮集记录排序,使排序后炮集中前后炮位置最近,根据坐标位置相近的记录初至波形态相似的认识,认为后一炮的初至基本就在以前一炮初至时间为中心的较小时窗内,以此为约束拾取每一炮初至....     

基于自适应Morlet小波的低信噪比微震信号初至拾取方法研究

针对影响微震初至拾取的资料信噪比过低的问题,传统方法的拾取精度与稳定性大多不太理想.为了克服低信噪比条件下初至无法有效拾取的缺点,本文设计了一种对目标成分具有高敏感性的自适应Morlet小波基,通过利用该小波基对微震记录进行小波分解,利用三分量数据的有效成分在小波域内具有特征相关性,对三分量小波系数进行主成分分析,提取主成分特征,最终对各级主成分进行加权重构,实现对低信噪比微震信号的初至拾取.在设计有不同信噪比的模型实验与实际资料应用中,该算法均表现出优异的抗噪性能.在极低信噪比条件下,仍能精确指示有效成分的初至.模型实验与实际资料处理结果均验证了本方法对极低信噪比微震资料的初至拾取处理上的有效性与实用性.本方法在微震监测等相关领域中具有较高的理论与应用价值.     

岩石超声检测信号初至的AIC自动拾取方法

岩石超声检测中最重要的一个环节是初至的拾取,然而该项工作往往费时费力,拾取精度受人为因素影响较大。为提高声波速度检测、声发射定位、以及超声层析成像的应用效率和精度,本研究将地震学中应用比较广泛的AIC初至自动提取技术引入到岩石超声检测中,并进行了适当改进。利用改进前后的AIC方法,自动拾取仿真信号和实际信号的初至,并利用长短时窗比方法(STA/LTA)和手动方法拾取了初至,同时分别与设定的实际初至进行对比。根据实验结果,对于信噪比较低的信号AIC方法要优于STA/LTA方法;改进前的AIC方法适用于起跳干脆、幅度变化大的信号,而改进后的AIC方法则适用于起跳较平缓的信号,且拾取到的初至与手动拾取的初至更加接近。     

多属性模糊聚类在辽河滩海沉积相研究中的应用

由于辽河滩海地质条件复杂以及勘探资料的局限性,使得该地区存在沉积相变快,物源分布不清等问题,严重影响了辽河油田对勘探目标的认识和评价.本文针对研究区钻井少且分布不均等难题,提出采用多属性模糊聚类地震相自动划分技术进行沉积相的划分.该技术通过交会图、相关系数等优化方法选择出对沉积砂体最敏感的地震属性,再结合模糊聚类方法将优选出的多个地震属性进行聚类,使反映相同沉积体的地震属性聚为一类,形成地震相图.通过综合岩心宏观和微观特征描述,结合测井、录井和分析化验等资料,对辽河滩海西部地区古近系沙河街组的沉积相进行了细致地分析.     

基于自适应阈值约束的无监督聚类智能速度拾取

目前叠加速度的获取主要是通过人工拾取速度谱,存在着效率低、耗时长且易受人为因素影响的缺点.本文提出了一种基于自适应阈值约束的无监督聚类智能速度拾取方法,实现叠加速度的自动拾取,在保证速度拾取精度的同时提高拾取效率.利用时窗方法在速度谱中计算自适应阈值,从而识别出一次反射波速度能量团作为速度拾取的候选区域.然后,根据K均值方法将不同的速度能量团聚类,并将最终的聚类中心作为拾取的叠加速度.最后,依据人工拾取速度的经验,加入了离群速度点的后处理工作,以获得更光滑的速度场.模型和实际地震数据测试结果表明,本文提出的方法总体上与人工拾取叠加速度的精度相当,但明显提升了速度拾取效率,极大缓解了人工拾取负担.

     

微地震信号到时自动拾取方法

本文讨论了用于微地震信号到时自动拾取的几种方法的原理及特点,包括长短时均值比(STA/LTA)方法、AIC方法、基于高阶统计量偏斜度和峰度的PAI-S/K方法等,提出了移动时窗峰度的快速算法和改进的峰度拾取初至方法.对我国西部某地观测到的13359个微地震记录,采用两种时窗进行了初至到时拾取,并与人工拾取的结果进行了对比.为使所研究的方法达到最佳效果,采用DE全局搜索方法,以人工拾取的初至作为参照,以时差在0.3 s以内的记录所占百分比作为目标函数,自动搜索最佳的拾取参数.结果显示,在拾取时窗选为P波初至前3 s至S波初至位置时,AIC方法的结果最佳,时差在0.3 s以内的记录占比达到93.6%;在拾取时窗选为包含S波到时的时窗时,改进的峰度法效果最佳,时差在0.3 s以内的记录占比83.8%.     

基于改进长短时窗比值及优化变分模态分解的微震初至拾取算法

针对低信噪比条件下微震初至拾取准确度低的问题,基于信号幅度变化引入权重因子,对传统长短时窗比值（STA/LTA）算法进行改进,提高初次拾取精度。为了进一步降低拾取误差,对变分模态分解（VMD）算法进行优化,基于互相关系数和排列熵准则自适应确定VMD分解层数,对初次拾取结果前后2—3 s的记录进行优化VMD,并计算分解后各本征模函数（IMF）的峰度赤池信息准则值,得到各IMF的到时,以各IMF的拾取结果及能量比综合加权得到二次拾取到时。仿真实验表明:改进后的STA/LTA在较低信噪比下可降低初次拾取误差约0.01 s以上;相比经验模态分解（EMD)和小波包分解,自适应VMD分解后能再次降低误差,最终与人工拾取结果平均误差在0.023 s以内。实际微震信号初至拾取结果表明,本算法能快速有效地识别初至P波,与人工拾取结果相比误差小,准确率高。      

First arrival time picking for microseismic data based on DWSW algorithm

The first arrival time picking is a crucial step in microseismic data processing. When the signal-to-noise ratio (SNR) is low, however, it is difficult to get the first arrival time accurately with traditional methods. In this paper, we propose the double-sliding-window SW (DWSW) method based on the Shapiro-Wilk (SW) test. The DWSW method is used to detect the first arrival time by making full use of the differences between background noise and effective signals in the statistical properties. Specifically speaking, we obtain the moment corresponding to the maximum as the first arrival time of microseismic data when the statistic of our method reaches its maximum. Hence, in our method, there is no need to select the threshold, which makes the algorithm more facile when the SNR of microseismic data is low. To verify the reliability of the proposed method, a series of experiments is performed on both synthetic and field microseismic data. Our method is compared with the traditional short-time and long-time average (STA/LTA) method, the Akaike information criterion, and the kurtosis method. Analysis results indicate that the accuracy rate of the proposed method is superior to that of the other three methods when the SNR is as low as ??10 dB.     

基于深度学习UNet++网络的初至波拾取方法

初至波拾取是地震资料处理中一项基础而重要的工作.为解决我国西部沙漠、黄土塬、戈壁等地区地震资料信噪比低,致使初至波拾取准确率不高的难题.本文创新提出一种基于图像分割技术——UNet++神经网络应用于初至波智能拾取.输入原始地震数据及少量初至时间的标签数据进行监督学习,并建立UNet++模型,应用西部某工区地震数据测试,实验证明,UNet++模型性能稳定,炸药震源初至波拾取准确率达到98％,可控震源初至波拾取准确率达到98％.此外,本方法与商业软件、U-net网络的初至拾取对比表明,UNet++优势明显,具有准确率高,抗噪能力强,性能稳定、高效等特点.     

Enhancing seismic P phase arrival picking based on wavelet denoising and kurtosis picker

P phase arrival picking of weak signals is still challenging in seismology. A wavelet denoising is proposed to enhance seismic P phase arrival picking, and the kurtosis picker is applied on the wavelet-denoised signal to identify P phase arrival. It has been called the WD-K picker. The WD-K picker, which is different from those traditional wavelet-based pickers on the basis of a single wavelet component or certain main wavelet components, takes full advantage of the reconstruction of main detail wavelet components and the approximate wavelet component. The proposed WD-K picker considers more wavelet components and presents a better P phase arrival feature. The WD-K picker has been evaluated on 500 micro-seismic signals recorded in the Chinese Yongshaba mine. The comparison between the WD-K pickings and manual pickings shows the good picking accuracy of the WD-K picker. Furthermore, the WD-K picking performance has been compared with the main detail wavelet component combining-based kurtosis (WDC-K) picker, the single wavelet component-based kurtosis (SW-K) picker, and certain main wavelet component-based maximum kurtosis (MMW-K) picker. The comparison has demonstrated that the WD-K picker has better picking accuracy than the other three-wavelet and kurtosis-based pickers, thus showing the enhanced ability of wavelet denoising.     

基于改进的散射积分算法的初至波走时层析

初至波走时层析是获取近地表速度结构的一种常用方法.随着采集技术的不断发展,可使用的数据量迅速增多,传统的基于射线追踪和解方程组的地震走时层析成像方法面临着内存占用大、方程求解不稳定等问题.为了解决这些问题,本文基于前人在波形反演研究中提出的一种改进的散射积分算法,提出了一种预条件最速下降法初至波走时层析.该方法无需存储核函数矩阵与Hessian矩阵即可方便地实现目标函数梯度的计算与预条件,且该方法计算效率高、求解稳定、易于并行.数值实验结果表明,该方法可以获得与传统方法精度相当的反演结果,但所占用的内存大幅减小.     

基于U-Net的井中多道联合微地震震相识别和初至拾取方法

微地震震相识别和初至拾取是水力压裂微地震监测资料处理中的两个关键步骤,其结果会对后续事件定位和压裂裂缝缝网解释产生重要影响.常规方法如STA/LTA法、模板匹配法、多道互相关法等需要提取有效信号与噪声间振幅、偏振、频率、波形相似性等方面的特征差异完成震相识别和拾取工作.本文基于深度学习技术的自动特征提取能力,根据井中微地震观测系统的多道数据源特点,提出基于U-Net的多道联合震相识别和初至拾取方法（MT-Net）.方法采用具有"逐采样点"识别能力的U-Net模型,模型训练阶段以具有不同信号特征的多道微地震监测记录作为输入,以P波、S波及噪声的概率分布标签作为输出,通过设置二维卷积操作使得道内与道间的波形信息同时被自适应地学习,以满足对相邻道间波形记录处理结果高度一致性的要求;测试阶段将连续记录中的分段波形馈入模型,通过设定P波、S波概率分布曲线阈值完成单震相、双震相和噪声的波形分类,同时对含有效震相的微地震事件完成初至拾取.实际微地震资料处理结果显示,本文方法与同样基于U-Net的单道方法（ST-Net）相比,显著降低了震相识别中低信噪比事件漏拾与误拾发生的概率;同时有效避免了部分单道发生严重的初至拾取结果偏差及P、S震相误拾等情况.本文方法的识别与拾取结果整体上达到了与多道互相关法接近的水平,可满足微地震监测资料处理中实时性和准确性的要求.     

一种地震P波和S波初至时间自动拾取的新方法

地震P波、S波初至时间的拾取是地震波分析的一项基础性工作.本文提出了一种新的地震波初至时间自动拾取的方法:首先,把地震波的三分量时程曲线变换为一组空间向的能量变化率时程曲线;然后对能量变化率时程曲线进行STA/LTA(Short Time Average/Long Time Average,短时间的均值/长时间的均值)处理,拾取地震P波和S波的大致初至时间;最后提出采用一种二次方自回归模型对初至附近的能量变化率曲线进行二次方自回归处理,精确拾取出P波和S波的初至时间.本文采用了10组芦山地震的记录数据和150组汶川地震的记录数据对此方法的可靠性进行了检验.以人工拾取结果为参考,此方法具有很高的准确率和稳定性,同时,相比于常用的STA/LTA方法和AIC(Akaike Information Criterion,Akaike信息准则)方法,此方法在计算时间效率方面稍微逊色,但是对S波初至时间的拾取精度和可靠性更高.此方法丰富了地震P波、S波初至时间的自动拾取方法.     

时窗能量特征法拾取微地震波初始到时的可行性研究

微地震（MS）波初始到时的自动拾取是MS监测数据处理的关键技术之一,也是实现MS震源自动定位的技术难点.本文在MS震源定位结果反演与推断的研究基础上,对不同类型MS波的到时点特征进行了分析与描述,并对不同时窗长度下能量特征值的变化规律进行了研究,提出了控制时窗移动范围和确定时窗长度自适应参数的具体方法,利用建立的MS波初始到时点特征的模式识别库,对拾取的到时进行模式归类、定量评价和匹配,提高了自动拾取结果的可靠性.研究结果表明,对典型的信噪比高的MS波,到时自动拾取的结果与手工拾取的结果基本一致;对无量纲大振幅的MS波,到时自动拾取结果的可靠性要高于手工拾取,对信噪比低和到时点不清晰的MS波自动拾取的可靠性较低.     

基于深度卷积神经网络的地震震相拾取方法研究

地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067 s,0.082 s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.

     

A first arrival picking method of microseismic data based on single time window with window length independent

First arrival picking is a key factor which affects the precision of microseismic data analysis. Here, we propose a new method, which employs the maximum eigenvalue to constraint the Maeda-Akaike Information Criterion (Maeda-AIC) algorithm. First, aims at addressing the pick result affected by signal-to-noise ratio (SNR) of microseismic data, maximum eigenvalue method based on polarization analysis is applied, and the maximum eigenvalue is calculated firstly, as for three component (3C) microseismic data, the maximum eigenvalue is calculated with corresponding covariance matrix, a time window need to be set in the process of building the covariance matrix, and it is the only time window set in the method proposed in this paper, so the method is called single window Maeda-AIC (SWM-AIC), to the single component (1C) microseismic data, the variance of the data is taken as the maximum eigenvalue. Then, to reduce the effect of time window and increase the automation of the algorithm, Maeda-AIC method which is a non-window-based first arrival picking method is applied. Maeda-AIC values in preliminary window are calculated, and the preliminary window is the sequence before the largest eigenvalue of the 3C or 1C data. We validate the developed method with both synthetic and field microseismic data, using a range of signal-to-noise ratios. The developed method is compared with some basic methods, specifically STA/LTA, Maeda-AIC, and the maximum eigenvalue method. The results demonstrate that the new method is much better at identifying first arrival times than basic methods when the data have a low signal-to-noise ratio, and is even faster than the STA/LTA method with 1C data. In contrast to other improved methods, threshold value is not required for this method, and the only time window used in this method is just for maximum eigenvalue calculation, through test in the paper, its length has almost no effect on the first arrival picking.