基于jitter采样和曲波变换的三维地震数据重建

传统的地震勘探数据采样必须遵循奈奎斯特采样定理,而野外数据采样可能由于地震道缺失或者勘探成本限制,不一定满足采样定理要求,因此存在数据重建问题.本文基于压缩感知理论,利用随机欠采样方法将传统规则欠采样所带来的互相干假频转化成较低幅度的不相干噪声,从而将数据重建问题转为更简单的去噪问题.在数据重建过程中引入凸集投影算法(POCS),提出采用e-√x(0≤x≤1)衰减规律的阈值参数,构建基于曲波变换三维地震数据重建技术.同时针对随机采样的不足,引入jitter采样方式,在保持随机采样优点的同时控制采样间隔.数值试验表明,基于曲波变换的重建效果优于傅里叶变换,jitter欠采样的重建效果优于随机欠采样,最后将该技术应用于实际地震勘探资料,获得较好的应用效果.     

基于经验曲波变换的面波压制方法（英文）

鉴于面波严重影响地震中深层有效反射,而传统的曲波变换面波压制方法无法根据数据实现自适应提取曲波基,影响了去噪效果,本文提出了一种经验曲波变换压制面波的方法。该方法不仅能将地震数据分为多个尺度和方向,而且不同于传统的曲波变换,能根据数据本身的信息,自适应提取曲波基,区分面波与有效波的频谱支集。由于一次有效波与面波能量十分接近,导致面波与有效波曲波系数出现少许重叠,结合奇异值分解的方法,最终在曲波域有效实现了面波与有效信号的信噪分离。模拟数据及实际资料处理结果表明,该方法比传统的曲波变换面波压制方法效果更好,自动化程度更高,是一种先进有效的相对保幅去噪技术。     

基于非均匀曲波变换的高精度地震数据重建

在野外数据采集过程中,空间非均匀采样下的地震道缺失现象经常出现,为了不影响后续资料处理,必须进行高精度数据重建.然而大多数常规方法只能对空间均匀采样下的地震缺失道进行重建,而对于非均匀采样的地震数据则无能为力.为此本文在以往多尺度多方向二维曲波变换的基础上,首先引入非均匀快速傅里叶变换,建立均匀曲波系数与空间非均匀采样下地震缺失道数据之间的规则化反演算子,在L1最小范数约束下,使用线性Bregman方法进行反演计算得到均匀曲波系数,最后再进行均匀快速离散曲波反变换,从而形成基于非均匀曲波变换的高精度地震数据重建方法.该方法不仅可以重建非均匀带假频的缺失数据,而且具有较强的抗噪声能力,同时也可以将非均匀网格数据归为到任意指定的均匀采样网格.理论与实际数据的处理表明了该方法重建效果远优于非均匀傅里叶变换方法,可以有效地指导复杂地区数据采集设计及重建.

     

基于非局部贝叶斯地震数据随机噪声压制方法（英文）

针对地震数据随机噪声压制问题,本文提出一种基于非局部贝叶斯(Non-local Bayes algorithm)的滤波方法。NLBayes方法使用高斯模型代替NL-means方法中使用全部相似数据块的加权平均,减少对数据结构细节的平滑效应,从而改善去噪效果。在地震数据去噪处理中,根据噪声的方差自适应的计算数据块的大小和高斯模型中数据块的数量,经过两次迭代实现地震数据去噪。第二次迭代中使用第一次迭代去噪后的数据来计算高斯模型块的无偏差均值和协方差,以提高数据块的相似度,使得去噪效果更理想。通过对模型数据和实际数据测试表明,NL-Bayes方法能有效提高地震数据信噪比和满足数据保真性处理的要求。     

基于Geman范数最小化的地震数据高效重建（英文）

受采集环境和经济因素的影响,地震数据在空间上往往存在道缺失的现象,严重影响后续资料解释的准确性。缺失的地震道破坏了完整数据的低秩性,因此,地震数据重建问题可以转化为秩最小化问题。核范数最小化(nuclear norm minimization, NNM)是经典的基于低秩约束的地震数据重建方法。但是,NNM是秩最小化的凸松弛,得到的只是原始秩最小化问题的次优解。基于log-sum函数(log-sum majorization minimization, LSMM)的方法使用非凸的log-sum函数代替秩函数用于地震数据重建,精度较高,但时间消耗较大。基于此,本文提出高效的非凸重建模型：基于非凸Geman函数的地震数据重建方法(nonconvex Geman low rank, NCGL),利用更近似秩函数的Geman函数代替核范数。根据Karush–Kuhn–Tucker(KKT)条件理论求解非凸问题,无需引入正则化参数。仿真与真实实验结果表明,非凸NCGL方法重建精度显著高于基于核范数最小化的奇异值阈值方法(singular value thresholding, SVT)和基于数据阈...     

基于多路径Radon变换的地震数据噪声压制和波型分离方法研究

Radon变换是一种稀疏变换,被广泛应用于地震数据处理,其中线性Radon和抛物Radon最为常用.在实际地震数据中,直达波和面波的同相轴形态为线性,反射波为双曲型,单独使用线性Radon或抛物Radon变换时,不能确保所有同相轴在变换域的系数都是稀疏的,影响地震数据处理效果.本文提出的多路径Radon变换联合了线性Radon变换和抛物Radon变换,每个同相轴都有两种不同的变换参数来与积分路径相适应,能够兼顾不同形态的同相轴;然后利用最小二乘稀疏反演方法对不同形态同相轴匹配最佳积分路径,使其自动分离到两个不同的Radon域剖面且保持系数同时稀疏.从多路径Radon域剖面上,能够很容易地识别不同系数所对应的同相轴形态、时间截距以及速度,这些特征有利于提高利用Radon变换方法进行随机噪声压制、面波压制以及波型分离等技术的处理效果,该变换在模型数据和实际数据中的应用结果证明了本文方法有效性.

     

基于混合时频分析技术的地震数据噪声压制(英文)

针对复杂地质结构、陡倾角相干噪声、空间采样不均匀等情况下F-x域反褶积去噪技术的不足,提出首先应用具有时-频聚集性度量准则的广义S变换将时间-空间域的地震数据变换至时间-频率-空间域(t-f-x)的数据,在t-f-x域中对每一个频率切片应用经验模态分解(EMD),移除噪声占主导地位的本征模态函数以压制相干和随机噪声的滤波方法。模型分析表明第一本征模态函数表征的高频信息以噪声为主,移除第一本证模态函数可以达到压制噪声的目的。经广义S变换后形成t-f-x域中EMD滤波方法等效于具有依赖于空间位置、频率、高波数截断特征的自适应f-k滤波。此滤波方法考虑了数据的局部时-频特征,且具有执行简单的特点。与AR预测滤波方法比较,此法滤除的成分包含较少的低波数的信息,滤除的成分非常的局部化,且获得结果没有表现出过度平滑的特征。实际资料的应用表明在经广义S变换后形成t-f-x域中运用EMD滤波方法能够有效地压制随机和陡倾角相干噪声。     

一种优化的复曲波变换压制混叠噪声方法

高密度采集可以提高地震资料品质,改善成像精度,但也会增加地震采集成本.为了提高采集效率降低生产成本,混采技术得到了推广应用.但是该采集方式会产生严重的混叠噪声,降低地震数据的信噪比.针对此问题,本文结合中值滤波、动校正(NMO)和复曲波变换阈值去噪的优势,设计了一种优化的复曲波变换压制混源噪声方法.该方法首先采用大步长中值滤波对经过NMO处理的数据进行滤波,再利用基于复曲波域的阈值去噪方法提取剩余信号,计算滤波结果的伪分离记录和原始混叠数据的差值,再将该差值返回到第一步进行迭代,每次迭代中值滤波步长逐步减小,直到达到初始设定的期望信噪比为止.与基于F-K域和curvelet域的迭代阈值方法相比,本文方法可以在压制混叠噪声的同时,更好的保护有效信号,由于本文方法仅需较少的迭代次数,计算效率也可以大大提高.     

多分量地震数据矢量滤波面波压制方法（英文）

针对陆上三分量地震资料去噪处理中面临的面波噪声能量强、有效信号能量弱、转换波与面波主频叠置、非矢量保真处理等问题,本文基于多分量数据中有效信号与强面波噪声在极化属性、振幅能量、视速度三方面的特征差异,提出了一种时频域压制多分量数据强面波的去噪方法,并设计了相应的矢量滤波器。该方法利用小波变换将地震信号变换到时频域,并基于时频域瞬时极化率公式计算出各点极化率参数,然后根据面波视速度划分出有效信号区和面波噪声区,并据此对有效信号进行能量均值统计,最后联合极化率、能量、频率特征对噪声识别和分频、分区压制。理论模型和实际资料处理验证了本文方法的正确性和有效性,为解决低信噪比陆上多分量资料面波压制提供了又一种有效手段。     

基于压缩感知理论与傅立叶变换的地震数据重建(英文)

传统的地震勘探数据采样必须遵循奈奎斯特采样定理,而本文基于新发展的压缩感知理论,在突破传统采样定理限制的基础上,利用随机欠采样方法将传统规则欠采样所带来的互相干假频转化成较低幅度的不相干噪声,从而将数据重建问题转为更简单的去噪问题。在数据重建过程中引入凸集投影算法(POCS),采用指数规律衰减的阈值参数,在每次迭代过程中,改变以往从时间到空间都需要进行正反变换的做法,提出只对地震数据空间方向进行正反变换,从而可以减少内存空间,提高运算速度,并且也分析了本文POCS算法的抗噪声与反假频能力,同时我们也对二维和三维地震数据重建进行了比较。理论模型和实际数据表明本文方法效果明显,这对于指导复杂地区数据采集、缺失地震道重建及降低勘探成本方面具有重要的实用价值。     

基于曲波变换的循环平移地震随机噪声衰减

对曲波变换的地震数据随机噪声衰减方法进行了探索,基于曲波(Curvelet)变换在图像处理方面的优越性,结合循环平移(Cycle spinning)技术提出了一种用于地震随机噪声衰减的新方法.在利用曲波变换闽值去噪算法基础上引入循环平移技术,可以消除曲波变换由于缺乏平移不变性所导致的信号伪吉布斯效应,并且较好地保留了有效信号.对地震正演模拟数据进行随机噪声衰减试验,对不同噪声含量数据进行去噪分析,并应用于实际地震数据,结果表明,新方法对去除地震随机噪音有较好的效果.     

基于卷积神经网络和霍夫变换的地震道自动编辑新方法（英文）

地震道编辑是数据预处理中一个繁琐的过程。这可能需要大量的人力和时间成本,特别是对于大型三维数据集。目前的地震道编辑方法通常耗时较长,如果粗略地去除噪声道,可能会遗漏一些潜在的重要信息。在本章的研究中,我们提出了一种基于机器学习的自动编辑地震道的方法。此外,我们还将霍夫变换技术与卷积神经网络（CNN）相结合,以提高方法的可行性。霍夫变换是一种帮助识别图像中异常直线的特征提取方法,我们将其用来预先检测可能存在的噪声道和坏道的位置。然后,利用设计好的带通滤波器和训练好的CNN模型来识别霍夫变换标记的目标区域内真正的噪声道和坏道。在识别之后,应用自动的处理方式来确定经过处理的地震道是否有用或是仍然应该丢弃。整个方案包括四个主要步骤:数据预处理、霍夫变换检测、CNN网络训练和CNN网络预测。在实际数据应用中,准确率达到了98%,表明所提出的自动道编辑方案在实际应用中是有前景的。     

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.

     

基于LSTM-RNN的地震前兆数据异常检测新方法（英文）

研究地震前兆数据的异常变化是地震短临预测的基础,本文提出一种地震前兆数据的异常智能检测新方法,利用长短期记忆单元的递归神经网络(LSTMRNN)构建数据趋势变化预测模型,通过模型预测的误差来提取数据的异常变化。该方法不需要对原始数据进行预处理,也不需要对异常数据判断的经验积累,适用于各类不同长度的地震前兆数据异常检测。通过使用三类真实的前兆观测数据的进行方法检验,将机器检测结果与人工识别结果进行对比分析,试验结果表明,基于LSTM-RNN的异常检测方法能够准确识别各类异常,可以代替人工用于地震前兆数据的异常检测。     

基于时频分析与分数阶最优控制网络的地震数据噪声压制

在复杂的地表环境, 地震勘探采集到的实际地震资料信噪比较低, 分辨率较差, 接收的噪声能量较强, 与有效信号存在频谱的重叠.常规的消噪手段很难在保证有效信号幅值的同时, 还兼顾噪声压制的效果.本文采用基于分数阶最优控制(Fractional Optimal Control)理论建立的深度学习神经网络——FOCNet来压制地震数据噪声, 并恢复微弱同相轴.不同于传统深度学习网络(DCNN)算法大多为基于经验的网络设计, FOCNet具有坚实的数理基础, 它从动态系统的最优控制角度阐述了网络的原理, 并采用长期记忆的方式增强了网络的稳定性, 提高了系统对噪声的消减能力.针对地震数据有效信号在低频带与噪声重叠严重, 且FOCNet对数据中、高频信息保留更好这一情况, 本文提出了一种基于理想时频分析与FOCNet相结合的算法(TF-FOCNet)来压制地震噪声, 提取有效信号.该算法通过理想时频分析, 针对性的提取信噪重叠的低频目标数据成分, 并与数据的中、高频成分一起送入网络中进行处理并融合, 完成噪声的压制, 增强了低频信息的保留能力.模拟及实际的实验结果验证了算法在随机噪声、面波压制及微弱信号恢复上的有效性和优越性.

     

基于相移和相位滤波的面波压制方法（英文）

三维地震空间采样间隔偏大造成面波往往存在假频,给面波压制方法带来困难。本文提出对地震记录进行线性相移处理,解决假频面波与有效信号FK_XK_Y域混叠的问题;通过相位滤波和FK_XK_Y滤波逐次衰减面波能量,对存在空间假频的面波能量具有较好的压制效果。理论模型数据和实际数据处理表明:基于相移和相位滤波的面波压制方法能够消除面波及其假频能量,同时保护了有效信号低频能量。     

基于深度学习的地震偏移噪声压制研究

高信噪比成像对于油气勘探具有重要意义,压制偏移产生的噪声可以提高地震成像的信噪比.本文提出了一个基于卷积神经网络压制地震偏移噪声的方法,网络结构主要包括编码器和解码器,编码器用于提取特征,解码器用于恢复图像,该方法通过直接对地震剖面学习实现了地震偏移噪声压制的自动化.实际数据的实验结果验证了本文方法的有效性.本文的方法不仅可以保留地震剖面的主要特征,而且有效的压制了偏移噪声,对提高地震剖面信噪比和提高地震数据处理的效率具有重要意义.     

基于非均匀Fourier变换的地震数据重建方法研究

不规则采样地震数据会对地震数据的多道处理造成严重影响,将非均匀Fourier变换和贝叶斯参数反演方法相结合,对不规则空间带限地震数据进行反演重建.对每一个频率依据最小视速度确定出重建数据的带宽,然后从不规则地震数据中估计出重建数据的空间Fourier系数.将不规则地震数据重建视为信息重建的地球物理反演问题,运用贝叶斯参数反演理论来估计Fourier系数.在反演求解时,使用共轭梯度算法,以保证求解的稳定性,加快解的收敛速度.理论模型和实际资料处理验证了本方法的有效性和实用性.     

基于曲波变换的航空电磁数据调平方法研究

航空电磁法由于高效和高精度的特点广泛应用于地质填图、矿产资源、地下水、及环境与工程等勘查.然而,航空电磁系统处于动态环境,噪声影响严重,航空电磁数据处理至关重要.航空电磁数据噪声除随机成分外,还包括有各种效应引起的畸变,数据去噪需要依据噪声特征进行处理.航空电磁数据调平是航空电磁数据处理中至关重要的步骤,它能有效去除数...     

基于小波分频与径向道变换的联合压制面波方法（英文）

面波是地震记录上严重的干扰波。基于小波变换的面波衰减方法考虑了面波频率低的特点,但是当有效信号和面波干扰存在频率重叠时,其压制效果不理想。径向道变换考虑了面波与有效信号视速度差异,有利于去噪,但是在去除面波的同时也会损害有效信号的低频分量。本文根据面波和有效信号在视速度以及小波域能量的差别,将小波变换的局部分析能力与径向道变换的去噪优势相结合,提出了基于小波分频与径向道变换的联合面波压制方法。首先应用小波变换,将地震记录分解为不同频段,对出现面波的频段作径向道变换,然后再作低切滤波处理,最后利用径向道反变换后的记录与其他频段的记录进行小波重构得到去除面波的记录。两种方法的联合使用提高了小波分频去除面波的能力,同时也较好的保护了有效信号。通过模型数据实验分析和实际资料数据处理的结果表明,本文提出的方法具有较强的去噪能力和良好的保幅性能。