多尺度全变分法及其在时移地震中的应用

本文针对时间推移地震本身包含不同时期的两次或者两次以上的勘探反问题,构造了一种快速有效的反演方法--多尺度全变分法.通过引入全变分正则化来代替传统的Tikhonov正则化,针对待反演参数不连续的情况,提高了算法精度.为了提高计算效率,引入了多尺度方法,从而构造了多尺度全变分方法.在数值模拟中,针对一个时间推移地震反演问题对多尺度-Tikhonov正则化法、单一尺度全变分法、以及本文所构造的多尺度全变分法进行了比较.结果表明,本文所提出的多尺度全变分法是一种稳定、快速和精确的反演方法.     

三维大地电磁自适应L1范数正则化反演

常规三维大地电磁反演的正则项为L₂范数,它以电阻率空间分布函数处处光滑为模型期望,弱化了算法对电性突变界面的分辨能力.本文实现了正则项为L₁范数的三维大地电磁反演算法,让模型空间梯度向量更有机会取得稀疏解,在充分正则的迭代下能够有效突出模型真实电性界面.为避免L₁范数零点不可导带来的求解困难,使用迭代重加权最小二乘法把原问题转换为一系列L₂正则子问题迭代求解.每个子问题的极小方法使用改进型拟牛顿法,其下降方向既能保证正则项海塞矩阵的精确性,又能允许反演过程随迭代灵活更新正则因子.使用比值法或分段衰减法自适应更新正则因子以避免迭代早期陷入奇异解,从而提升反演收敛的稳定性并降低初始模型依赖度.合成的无噪数据反演表明L₁正则算法的模型恢复效果优于L₂正则;不同噪声水平的合成数据反演表明本文的算法具有稳健性;实测数据反演对比表明在合理的正则因子调整策略下,L₁正则反演结果的模型分辨率优于L₂正则.另外,不同初始模型的反演测试还表明,正则因子选取不合理时L₁正则可能造成方块状假异常.     

基于主成分-正则化极限学习机的超高密度电法非线性反演

超高密度电法是一种新的地球物理探测技术,它通过多通道数据采集和多装置数据联合反演,极大地提高了电法勘探的成像精度.本文提出一种主成分-正则化极限学习机(PC-RELM)非线性反演方法,该方法针对超高密度电法所获取的高维勘探数据进行反演建模,通过随机设定隐层参数来简化模型的学习过程,通过主成分分析方法来进行高维数据降维,最后引入正则化因子提高反演模型的泛化能力.论文给出了超高密度电法的原理、样本构造方法和非线性反演流程,使用交叉验证方法获得了优化的隐节点数目和正则化参数,构造了优化的反演模型.通过两个经典的超高密度模型的反演结果表明,该方法能够较好地解决超高密度电法反演的高维数据非线性建模问题,能够弥补单一装置数据反演的不足,同时相较其他的非线性反演方法(ELM,BPNN和GRNN)具有更加准确的反演结果.     

基于各向异性全变分约束的多震源弹性波全波形反演

多震源编码技术可以提高全波形反演的计算效率,但同时会引入串扰噪声使反演结果质量降低. 全变分约束可以有效地压制层内噪声并突出模型界面,其与多震源技术的结合,能在大大提高弹性波全波形反演效率的同时提高反演质量. 本文提出了一种高效的动态多震源全波形反演策略,可以在离散串扰噪声的同时保证照明的均匀性. 根据残留串扰噪声的分布特征,构建了与之匹配的基于各向异性全变分约束的弹性波全波形反演方法. 为了减少周期跳跃效应,将基于稀疏约束的低频重构算法应用于弹性波地震记录,给出了利用快速梯度投影算法求解各向异性全变分约束的全波形反演流程. 模型数据测试结果表明本文的方法不仅能有效地抑制多震源方法导致的串扰噪声,同时也能降低观测数据中的噪声对反演结果的影响.     

重力数据3D密度成像中EXTR方法的各参数变化对反演结果的影响(英文)

Tikhonov正则化(TR)方法在重磁数据处理中发挥了重要的作用,本文在研究如何利用Tikhonov正则化方法方法解决重力数据3D反演的同时,深入讨论了可进一步提高拟合误差的Extrapolation Tikhonov正则化方法(EXTR)的原理,并就其参数选择方法及各参数对拟合误差、迭代次数及反演结果的影响进行研究。常密度及变密度组合模型试算结果表明,与TR方法相比,EXTR方法不仅可以达到解释人员设定的先验拟合误差水平,在计算时间及迭代次数相应增加的前提下有更高的拟合精度;同时其反演结果也更加紧致,进一步改善了TR反演结果的发散性;并且其反演数据范围更贴近预设模型参数范围,模型特征与预设模型密度分布吻合较好。     

基于深度学习U-net网络的重力数据界面反演方法

重力数据的密度界面反演是位场数据解释中的一项主要工作,在区域构造演化、深部莫霍面确定等领域的研究中发挥重要作用.近年来,数据驱动的深度学习方法广泛地应用在地球物理数据处理与反演中,本文提出一种基于深度学习U-net网络的重力数据密度界面反演方法.首先,对半椭球体界面模型进行随机抽取和组合进而形成地下起伏界面数据集,并基于Parker正演理论对界面数据集进行重力异常正演计算,为深度学习网络模型的训练提供特征完备的数据源;其次,设计了基于U-net网络模型的深度学习界面反演算法,在传统的损失函数基础上增加光滑损失项和过拟合抑制项,提高重力界面反演结果的光滑性和收敛效率;最后通过测试样本集进行反演预测,验证建立深度学习网络模型的泛化性.本文通过理论模型和实际数据试验分析了本文方法在密度界面反演中的有效性和实用性,基于改进损失函数约束的深度学习界面反演方法有效地提高了密度界面反演的收敛效率和计算稳定性.     

三维大地电磁自适应正则化有限内存拟牛顿反演

有别于传统基于梯度信息的反演方法在正则化约束中用总梯度逼近海塞逆矩阵的技术,本文将正则化约束问题的数据拟合项和模型光滑项分开考虑,只利用数据拟合函数的梯度信息对数据拟合项的海塞矩阵进行逼近,通过求解类高斯牛顿下降方向方程得到不依赖前几次迭代正则化因子的更精确下降方向,在求解当前迭代下降方向的过程中,通过保证右端项中两个向量的二范数在同一数量级的原则,实现了正则化因子的自动更新.对理论模型的试算表明这种自适应正则化反演方案可以在拟牛顿反演框架下基本达到OCCAM的算法稳定性,反演结果对初始模型依赖性较小,同时又无需在一次迭代中多次搜索最佳正则化因子.本文还基于此算法讨论了大地电磁各参数对于反演结果的影响,由于本文的反演结果能得到充分的正则化约束,因而在此框架下讨论阻抗和倾子在反演中的作用相对更为客观.     

基于Lp范数正则化的V字型密度界面重力反演

V字型密度界面是一类常见的密度界面,如海沟、半地堑以及俯冲带之下的莫霍面,利用重力数据刻画此类密度界面形态对于区域构造研究、油气勘探以及物理海洋学等都具有重要意义.本文首先建立了L_p-范数形式的模型约束函数,并利用正则化原理将其与重力数据误差函数和已知深度约束函数结合形成V字型密度界面反演的目标函数,推导了目标函数的梯度表达式,并以非线性共轭梯度法为核心给出了反演流程.二维简单模型试算结果表明p=5时该方法能准确地刻画V字型密度界面起伏特征,且亦能准确地应用于二维复杂密度界面和三维界面的反演.最后将反演方法应用于挑战者深渊及邻区的实际资料处理之中,利用研究区海底地形数据和沉积层厚度数据对自由空间重力异常逐层剥离而得到莫霍面引起的重力异常,用本文方法对此重力异常进行反演,结果呈现了板块俯冲作用引起的V字型莫霍面起伏特征.     

约束变密度界面反演方法

三维密度界面反演具有严重的多解性,已有方法较少利用已知信息约束反演过程,导致界面反演结果可信度降低.本文在反演过程中,利用已有地质信息作为约束条件,有效提高了三维界面反演结果的准确性.该方法具有如下特点:1)利用指数变密度模型,通过已知密度分布计算模型参数,使其更加接近实际密度分布;2)引入已知深度点约束,提高了反演结果的准确性;3)引入深度加权函数,纠正界面畸变,使其适用于界面起伏较大的情况;4)频率域正演与空间域迭代反演相结合,在提高计算速度的同时保证反演收敛.通过模型检验,证实了方法的有效性,并将该方法应用于中蒙边境地区东段莫霍面深度反演中,效果良好.     

基于L_0范数的超高分辨率最小二乘叠前Kirchhoff深度偏移（英文）

最小二乘偏移通过最小化观测地震数据与地下反射率模型的反向传播数据残差来揭示地下介质的岩性和构造,相比常规成像方法具有更好的保幅性和空间分辨率。引人正则化约束项可以有效提高最小二乘偏移的稳定性。常用的正则化项基于二范数,其在提供稳定性的同时使偏移结果变得"光滑"。然而在勘探地球物理中,基于速度和密度的地下反射结构在深度方向一般为不连续存在,表现为较稀疏的反射率值。因此,本研究通过引人基于范数的稀疏约束正则化项,并应用基于迭代软阈值和迭代硬阈值混合算法进行求解,以获取超高分辨率稀疏的反射率值。我们使用复杂的数值模型进行测试,并研究其在不同子波主频和噪音强度下的适应性。结果显示,相比于基于范数和范数约束的正则化项,基于范数约束的最小二乘偏移可以有效提高反演结果的稀疏度,获得接近理论"脉冲"型的反射率轴;在不同子波主频和噪音强度下,均具有较高的稳定性和有效性。本方法也可以进一步用于地下结构的解释工作。     

A compound method for random noise attenuation

Random noise attenuation, preserving the events and weak features by improving signal‐to‐noise ratio and resolution of seismic data are the most important issues in geophysics. To achieve this objective, we proposed a novel seismic random noise attenuation method by building a compound algorithm. The proposed method combines sparsity prior regularization based on shearlet transform and anisotropic variational regularization. The anisotropic variational regularization which is based on the linear combination of weighted anisotropic total variation and anisotropic second‐order total variation attenuates noises while preserving the events of seismic data and it effectively avoids the fine‐scale artefacts due to shearlets from the restored seismic data. The proposed method is formulated as a convex optimization problem and the split Bregman iteration is applied to solve the optimization problem. To verify the effectiveness of the proposed method, we test it on several synthetic seismic datasets and real datasets. Compared with three methods (the linear combination of weighted anisotropic total variation and anisotropic second‐order total variation, shearlets and shearlet‐based weighted anisotropic total variation), the numerical experiments indicate that the proposed method attenuates random noises while alleviating artefact and preserving events and features of seismic data. The obtained result also confirms that the proposed method improves the signal‐to‐noise ratio.     

基于Shearlet变换和广义全变分正则化的地震数据重建

压缩感知技术通常利用地震信号在某一变换域内的稀疏性质,将随机缺失的地震数据重建问题转化为L1正则化问题.本文首先通过Shearlet变换获得地震信号的稀疏性质,再将广义全变分（TGV）约束引入L1正则化模型,构建了基于Shearlet变换的双正则化模型用于重建地下介质的图像.与传统L1正则化方法相比,基于Shearlet变换的双正则化方法不仅考虑了信号的稀疏性,同时兼顾了地下介质结构的复杂性,可以较好的重建地下结构体的图像.最后采用交替方向乘子法（ADMM）求解所建模型,每个子问题均可得到显式解.数值实验对比了基于小波变换、Shearlet变换的L1正则化方法和TGV正则化方法,结果表明基于Shearlet变换的双正则化方法对于随机采样50%数据的情况具有较好的重建结果,同时对于有限范围的连续缺失数据的重建亦具有一定的有效性.     

Regularized inversion of amplitude-versus-incidence angle (AVA) based on a piecewise-smooth model

Different from the stacked seismic data, pre-stack data includes abundant information about shear wave and density. Through inversing the shear wave and density information from the pre-stack data, we can determine oil-bearing properties from different incident angles. The state-of-the-art inversion methods obtain either low vertical resolution or lateral discontinuities. However, the practical reservoir generally has sharp discontinuities between different layers in vertically direction and is horizontally smooth. Towards obtaining the practical model, we present an inversion method based on the regularized amplitude-versus-incidence angle (AVA) data to estimate the piecewise-smooth model from pre-stack seismic data. This method considers subsurface stratum as a combination of two parts: a piecewise smooth part and a constant part. To fix the ill-posedness in the inversion, we adopt four terms to define the AVA inversion misfit function: the data misfit itself, a total variation regularization term acting as a sparsing operator for the piecewise constant part, a Tikhonov regularization term acting as a smoothing operator for the smooth part, and the last term to smoothly incorporate a priori information for constraining the magnitude of the estimated model. The proposed method not only can incorporate structure information and a priori model constraint, but also is able to derive into a convex objective function that can be easily minimized using iterative approach. Compared with inversion results of TV and Tikhonov regularization methods, the inverted P-wave velocity, S-wave velocity and density of the proposed method can better delineate the piecewise-smooth characteristic of strata.     

基于非局部全核变分方法的稀疏角多能CT重建

稀疏角采样与减小X射线源电流可有效降低多能谱CT低辐射剂量,然而会导致投影数据不足且包含较大噪声,重建图像会严重降质。针对这一问题,本文对传统全核变分（TNV）正则化方法进行推广,利用非局部梯度向量构成的雅克比矩阵的低秩特性,提出非局部全核变分（NLTNV）正则化方法。该方法用单个正则项同时建模能谱CT图像的结构相似性、梯度域稀疏性与非局部自相似性3种先验信息,能恢复稀疏角度投影含较大噪声（剂量较低）时图像的结构特征,并且有效缓解了用多正则项建模多能谱CT图像不同先验信息所导致的正则化参数过多问题。此外,基于NLTNV的重建模型为凸优化模型,保证了算法的稳定性与收敛性。实验结果表明,与TNV正则化方法相比,本方法显著提升重建图像的整体质量。      

First‐arrival traveltime tomography with modified total‐variation regularization

First‐arrival traveltime tomography is a robust tool for near‐surface velocity estimation. A common approach to stabilizing the ill‐posed inverse problem is to apply Tikhonov regularization to the inversion. However, the Tikhonov regularization method recovers smooth local structures while blurring the sharp features in the model solution. We present a first‐arrival traveltime tomography method with modified total‐variation regularization to preserve sharp velocity contrasts and improve the accuracy of velocity inversion. To solve the minimization problem of the new traveltime tomography method, we decouple the original optimization problem into the two following subproblems: a standard traveltime tomography problem with the traditional Tikhonov regularization and a L₂ total‐variation problem. We apply the conjugate gradient method and split‐Bregman iterative method to solve these two subproblems, respectively. Our synthetic examples show that the new method produces higher resolution models than the conventional traveltime tomography with Tikhonov regularization, and creates less artefacts than the total variation regularization method for the models with sharp interfaces. For the field data, pre‐stack time migration sections show that the modified total‐variation traveltime tomography produces a near‐surface velocity model, which makes statics corrections more accurate.     

基于Hinge损失函数的垂向全变差约束全波形反演

全波形反演可以为叠前深度偏移成像提供更高精度的速度模型,但该方法具有较强的非线性,对初始速度模型的依赖性较强,尤其是在实际应用中,地质条件复杂多变,速度变化不连续,增加了反演非线性程度,常常使反演陷入局部极小值,影响反演的精度.全变差约束在图像去噪领域应用广泛,属于非光滑约束,在去噪过程中能有效的保留图像的不连续界面和边缘信息.本文提出基于Hinge损失函数的垂向全变差约束全波形反演方法,在全变差约束的基础上,利用Hinge损失函数控制模型的更新方向,并使用原-对偶混合梯度算法进行求解,给出这一优化问题的迭代格式,有效提高了对地下不连续界面的重构精度,同时也降低反演对初始速度模型的依赖程度.数值算例证明：与常规全波形反演方法相比,基于全变差约束的全波形反演方法可以有效的重构速度模型中的不连续界面,尤其对高速体边缘的重构效果更明显,但该方法对初始速度模型的依赖性仍然较强;基于Hinge损失函数的垂向全变差约束全波形反演方法降低了对初始速度模型的依赖程度,可以从一个较差的初始模型通过循环迭代的方式最终得到同样精确的速度模型,较好的重构了高速体边缘和不连续界面.     

基于构造约束的波阻抗边界刻画

通过边界保护正则化和约束反演,在反演的目标函数中引入各种先验信息约束,以解决波阻抗反演的病态问题和带限问题.为了克服波阻抗模型边界过于平滑,在反演中引入地层和断层等构造信息约束,并且通过调整地层分界面和断层处的正则参数值来实现构造约束.此外,采用各向异性扩散法进行平滑处理,改善反演结果.通过合成数据测试和实际资料反演,证明了本文提出的方法对刻画模型边界是有效的.     

电阻率成像的混合正则化反演算法

利用混合正则化方法对二维分片常值电阻率进行反演研究,该方法结合了全变差正则化方法(total variation regularization)和经典吉洪诺夫正则化方法(classical Tikhonov regularization)的优点. 全变差正则化能够有效地重构分片常值电阻率和识别边界,而经典吉洪诺夫正则化方法则能有效地重构光滑的电阻率,从数值算例中可以看出,将这两种方法有效地结合到一起能够改进重构效果.     

The limitation of curvature gravity gradient tensor for edge detection and a method for overcoming it

Eigenvalues of the curvature gravity gradient tensor (CGGT) have been utilized to detect and outline edges of geologic bodies. In this paper, we analyzed and discussed the application scope and the limitation of CGGT using a complex synthetic model. We found that the large eigenvalue only can be used to outline edges of positive density bodies, and the small eigenvalue only can be used to delineate edges of negative density bodies. However, in the actual geological situation, the positive and negative density bodies usually coexist simultaneously. Therefore, it has certain limitations to detect edges using this method directly. In view of the limitations of the method, we combined the gravity anomaly with large eigenvalues, and proposed a new improved method for the eigenvalues of CGGT. The improved method can be utilized to outline edges of causative sources in any case. It was tested on synthetic model data and real field data. All of the results have shown that the new improved method is effective for edge detection.