基于Hilbert变换的全波场分离逆时偏移成像

逆时偏移方法利用双程波算子模拟波场的正向和反向传播,通常采用互相关成像条件获得偏移剖面,是一种高精度的成像方法.但是传统的互相关成像条件会在偏移结果中产生低频噪声;此外,如果偏移速度中存在剧烈速度变化还可能进一步产生偏移假象.为了提高逆时偏移的成像质量,可在成像过程中先对震源波场和检波点波场分别进行波场分离,然后选择合适的波场成分进行互相关成像.本文基于Hilbert变换,推导了可在偏移过程中进行上下行和左右行波场分离的高效波场分离公式以及相应的成像条件,结合Sigsbee 2B合成数据,给出了不同波场成分的互相关成像结果.数值算例结果表明,采用本文提出的高效波场分离算法以及合理的波场成分互相关成像条件可以获得高信噪比的成像结果.     

基于波动方程的微地震震源位置、震源时间及VTI介质各向异性参数联合反演

对于非常规油气开发,水力压裂监控的效果取决于对微地震事件的分析、解释.准确的微地震震源位置是关乎施工成败的重要因素.微地震震源位置的准确性与多个参数相关,其不仅依赖于微地震事件的激发时间,同时也依赖于储层介质参数信息,因此进行微地震震源位置、震源时间、储层介质参数的联合反演尤为重要.页岩气储层通常表现出较强的各向异性,...     

基于孪生网络的人工震源分布式光纤传感数据噪声压制

受耦合效应和其他诸多因素的影响,野外实际采集的分布式光纤声波传感(Distributed Fiber-optic Acoustic Sensing, DAS)数据的信噪比通常较低.因此,在后续处理之前,需要首先对DAS数据进行去噪处理.传统的基于人工智能监督学习的去噪方法能够对DAS数据中的噪声进行压制,但它需要大量含噪声和无噪声数据进行成组标记,人工标记工作量巨大.为此,本文提出了基于自监督学习孪生网络的DAS地震数据去噪方法.该方法基于自监督学习中的孪生网络结构,采用U-Net网络建立深度学习框架.所提框架通过对输入的含噪声数据进行数据自我特征学习,迭代获取去噪目标函数的最优解,从而实现自监督高精度深度学习去噪网络构建.合成数据和实际资料处理结果表明,本文方法可以有效抑制人工震源DAS采集数据中的随机噪声,显著提高去噪结果的信噪比和同相轴的连续性.此外,本文方法能够避免常规监督学习方法需要进行数据标记的人工工作量,有效提高实际地震数据去噪处理效率.     

基于非监督学习的水力压裂裂缝平面识别

在水力压裂施工中,如何有效获取压裂过程中产生的裂缝形态以及裂缝的动态扩展过程一直是困扰学术界和工业界的问题.目前,常规利用微地震事件定位结果进行分析的方法存在需要人工干预、散点信息表示能力不足等问题;采用数值模拟分析的方法往往因复杂的地下介质情况而引入计算偏差.本文基于非监督学习算法,通过提取微地震事件的空间和时间信息...