基于Marchenko理论的成像域与数据域层间多次波消除方法对比

Marchenko成像可以理解为一种基于Marchenko理论的成像域层间多次波消除方法. 该方法利用Marchenko方程组将地表观测的地震数据准确的延拓到地下的成像点, 得到震源位于地下成像点、检波点位于地表的上下行格林函数, 进而采用多维反褶积获得该成像点不含多次波假象的像. 基于Marchenko方程组所推导出的数据域多次波消除方法可以准确的预测并消除所有阶数的层间多次波. 该方法不需要任何速度信息和匹配相减, 避免了传统多次波消除方法对一次波造成的损害. 基于数据域多次波消除之后的数据, 可以获得地下结构不含多次波假象的像. 本文对基于Marchenko理论的成像域及数据域层间多次波消除方法进行了对比分析, 给出了详细的理论及数值模型试算结果, 并对两种方法的优缺点进行了讨论.

     

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.

     

基于尾波干涉的储层时移特性监测方法研究（英文）

尾波是持续时间比主要波型长得多的多重散射波,它包含了直达波之外的部分有用信号。在油气田的开采过程中,由储层物性参数的微小变化而导致的储层速度的微小变化对初至的影响很小,无法通过初至变化直接观测,但是因为尾波为多重散射波,故储层速度的微小变化会在尾波的传播过程中被放大,因此利用尾波可以观测到这种变化。本文通过实验与数值模拟研究了尾波干涉方法在储层微小时移差异监测方面的有效性。合成地震数据是基于部分MarmousiⅡ模型采用有限差分波动方程正演方法计算获得,为了模拟时移地震中的储层波速变化,在模型中选取波速发生微小变化的目标区,计算速度扰动前后的合成地震数据,进而观测尾波变化。研究表明利用尾波干涉可检测储层物性的微小变化,为时移地震信号监测提供新的方法和手段,从而提高时移监测的准确度,也为开发生产工作提供可靠的指导。