共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
叠加速度分析技术是常规地震资料处理中的重要环节,也是经典的时间域速度建模方法.叠加速度分析技术主要包括速度谱计算和拾取两个步骤.至今为止,多数研究工作通过提高速度谱的分辨率以及抗噪声能力,获得高质量的速度谱从而有利于拾取.本文的目标是将叠加速度分析技术转为一个全自动化的处理流程.从参数估计的角度出发,将叠加速度估计转化为稀疏反演框架下的模型参数估计问题,并通过稀疏反演算法自动反演叠加速度,进而提高叠加速度建模的效率.为实现这一目标,首先给出了正问题的定义,即层状介质中CMP道集的预测模型,利用叠加速度、垂向双程走时(t_0)以及反射子波以及CMP道集时距关系(如双曲时距关系)可以预测CMP道集.接着,速度分析反问题可以描述为已知观测的CMP道集,估计模型参数(叠加速度及t_0时间等).利用模型参数的稀疏性作为约束条件并用L_0范数作为模型稀疏性的度量准则,叠加速度分析可以转化为L_0范数约束下的稀疏反演问题.本文提出了一种基于预测校正思想的匹配追踪算法求解上述反问题,实现了自动叠加速度建模并为后续的高精度速度反演方法提供较好的初始模型.理论和实际资料的测试结果证明了本文方法的有效性. 相似文献
4.
5.
将用于图像处理的光顺技术引用到速度谱能量团曲面的处理环节,借以提高速度谱的分辨率,为最终获得高精确解提供一全新的途径.具体思路是基于路径积分优化法--Viterbi算法所具有的自动搜寻及获取最优解的功能,将其应用于地震资料处理中的速度自动拾取,使其向前做最大"能量团"的积分向后递归计算最优解--叠加速度,但这种解的准确性往往与所定义的目标函数--速度谱的分辨率有关.演算结果表明,Viterbi算法与关顺处理技术的有机结合,不仅提高了速度提取的精度,而且实现了速度的自动拾取,可提高常规地震资料处理的效率,从而可快捷地为叠前深度偏移提供所需初始速度模型. 相似文献
6.
7.
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. 相似文献
8.
为了快速、高效地从地震数据中识别地震事件和拾取震相,本文利用基于样本增强的卷积神经网络自动震相拾取方法,将西藏林芝地区L0230台站3个月数据作为训练集,该区内另外6个台站连续1个月的波形数据作为测试集,采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集,以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%,样本增强后提升至97%,表明样本增强有效地提高了模型的泛化性能和抗干扰能力;在0.5 s误差范围内,震相自动拾取准确率高于81%,在1.0 s误差范围内,准确率高于95%;利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。 相似文献
9.
近年来深度学习技术广泛应用于震相拾取与地震定位研究,采用深度神经网络搭建的EQTransformer模型对白鹤滩水库库区34个数字地震台站2016—2018年记录的连续数据进行P、 S波震相拾取,并通过REAL进行震相关联和初步定位,然后使用VELEST和hypoDD地震定位算法优化地震位置。研究表明,基于深度学习的震相拾取,与白鹤滩水库地区传统的人工处理方法相比显示出更高的效率,EQTransformer模型可拾取与人工拾取相当的P、 S波震相到时,其时间差的均值分别为0.03 s和0.07 s,符合正态分布。REAL初步定位后的地震个数(13815个)接近常规目录(7862个)的2倍,最终通过hypoDD获得了7108个高精度定位地震。估算的震级比常规目录中的震级平均低0.27,震级差值集中在0.7以内,最小完备震级由常规目录的ML1.4更改为ML0.6+0.27,填补了部分常规目录的震级空白,丰富了研究区域内的中小型地震。 相似文献
10.
是否能够正确地建立深度域三维速度模型是三维叠前深度偏移成败的关键 .本文根据Deregowski循环 ,利用叠前深度域地震成像对速度模型变化的敏感性 ,采用偏移迭代逐次逼近最佳成像速度 ,研究开发了一套快捷有效的三维叠前深度偏移深度域速度模型建立技术 .借鉴时间域CDP(共深度点 )道集上常规叠加速度分析的策略 ,在深度域CRP(共反射点 )道集上 ,提出剩余慢度平方谱的概念并建立相应的实现技术 .导出深度域中均方根速度与层速度之间的关系 ;按照串级偏移原理确定偏移循环过程中初始速度、剩余速度及修改后速度之间的关系 ;采用蒙特卡洛非线性优化算法实现从剩余慢度平方谱中自动拾取层速度 ,讨论了其地质速度约束条件和蒙特卡洛非线性优化的收敛准则 ,使得所拾取的层速度模型具有合理的地质意义并获得最佳偏移成像效果 .SEG EAGE理论模型数值试算验证了方法的有效性 ,在海拉尔盆地霍多莫尔工区 ,5 8km2 三维资料的速度模型建立并获得满意的三维叠前深度偏移成像 . 相似文献
11.
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. 相似文献
12.
从地震波形数据中快速准确地提取各个震相的到时是地震学中的基础问题.本文针对上述问题提出了利用深度神经网络拾取到时的新方法,建立了用于地震到时提取的17层Inception深度网络模型,在对原始三分量数据进行高通滤波和归一化处理后输入网络直接输出到时信息.整个过程基于神经网络自适应提取波形特征,自动输出结果.通过对100组加了不同强度的噪声数据进行了可靠性检验,相比于其他方法神经网络方法对于噪声具有较高的容忍度以及稳定性,并且与地震目录数据有较高的相似性.相比于AR-AIC+STA/LTA,深度神经网络虽然运算速度稍慢,但整个过程不需设定时窗与阈值,同时具有更高的可用性,并且可以迭代升级以提高精度.此方法作为人工智能方法,为波形到时拾取提供了新思路. 相似文献
13.
基于二分法的地震波初至自动拾取算法 总被引:1,自引:0,他引:1
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. 相似文献
14.
随着地质勘探工作不断深入到西部山地、戈壁等复杂地质环境中,数据量的指数增长以及采集所得的地震数据信噪比较低,导致早先的地震初至波自动拾取方法效率低下,精度不高,必须通过专家拾取干预才能满足实际工程需求.本文提出一种可以解决复杂地质条件下低信噪比的地震波初至自动拾取方法,本方法在地震波的初至拾取时,对地震数据进行了特殊的特征工程处理,然后采用多种语义分割网络模型对处理后的小批量数据进行训练,并把训练得到的网络模型用于低信噪比的地震波初至拾取工作.方法具体步骤为,首先通过地震数据预处理,即将进行线性校正等步骤处理后的地震数据裁剪为合适的大小以达到网络数据输入要求;接着,用两种不同的标注方式标注样本,并进行分析对比,得到初至到来之前和初至到来之后(包含起跳点)的二分类问题;然后,选择不同的语义分割网络模型进行测试,并根据模型最终的拾取率和IoU评估指标对比结果,得到实验效果最佳的网络模型;最后,对于一些异常的初至点,选取异常点上下十个样本点,通过比较它们之间的振幅大小,判断振幅值最大的样本点为最终的初至点.预测结果表明,本文提出的初至拾取方法对低信噪比信号有更好的效果. 相似文献
15.
16.
利用转换波速度分析拾取的横波速度是转换波共转换点(Common Conversion Point简称CCP)叠加技术中很重要的参数.它的拾取难度在于转换波时距关系在中—浅层或大偏移距情况下误差明显增大,以及在相邻薄反射层上叠加速度谱分辨率很低.本文对选择相关速度谱分析技术进行了研究,即在速度分析中不是利用所有道集,而是有选择的利用部分(可调)道集进行速度分析,研制了相应的实用软件.理论模型和实际资料均表明,该方法在中—浅层或大偏移距情况下,比传统方法有较大改善,分辨率明显提高,能大大提高速度谱估算的精度. 相似文献
17.
发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力. 相似文献
18.
19.
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0.067s,0.082s.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... 相似文献
20.
速度分析是地震资料处理的重要环节,制作准确的速度谱,可为动校正提供可靠的速度资料,并最终决定叠加资料的质量.本文在对速度分析的基本估算方法和应用要素做系统的概括总结后,对面元细分与速度分析关系进行了详细的理论研究和实际资料的检验.理论模型数据和胜利油田永新工区高密度实际资料处理表明,面元细分对速度谱的主要影响是覆盖次数,覆盖次数较低时,要准确获知速度较难;覆盖次数增大,速度谱变好,但其精度并不按覆盖次数线性增大.要实现高密度资料分辨率品质的提高,必须提高检波器接收精度. 相似文献