CN103364826A - 基于独立分量分析的地震盲源反褶积方法 - Google Patents
基于独立分量分析的地震盲源反褶积方法 Download PDFInfo
- Publication number
- CN103364826A CN103364826A CN201210089747XA CN201210089747A CN103364826A CN 103364826 A CN103364826 A CN 103364826A CN 201210089747X A CN201210089747X A CN 201210089747XA CN 201210089747 A CN201210089747 A CN 201210089747A CN 103364826 A CN103364826 A CN 103364826A
- Authority
- CN
- China
- Prior art keywords
- deconvolution
- earthquake
- component analysis
- independent component
- reflection coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于独立分量分析的地震盲源反褶积方法,该基于独立分量分析的地震盲源反褶积方法包括读取地震数据,根据目的层设计反褶积计算时窗;采用高斯混合模型拟合该地震数据反射系数序列的概率分布;选用负熵构造ICA地震盲源反褶积算法的优化目标函数;利用期望极大化算法求解该优化目标函数,通过多次迭代得到满足收敛条件的反褶积算子;将该地震数据和该反褶积算子进行褶积运算;以及输出反褶积后的地震数据。该基于独立分量分析的地震盲源反褶积方法解决了传统的反褶积方法需要统计性假设的问题,具有地球物理意义明显、保幅性好、效率较高的优点。
Description
技术领域
本发明涉及地球物理勘探技术,特别是涉及到一种基于独立分量分析的地震盲源反褶积方法。
背景技术
地震资料的分辨率是地球物理勘探开发领域的关键参数之一,是提高地震勘探方法能力和效率的根本问题之一,该问题贯穿地震数据采集、处理和解释的整个过程。提高地震资料的分辨率一直是国内外地球物理学者研究的热点和难点。对应同一块地震数据,更高的横向和纵向分辨率可以提高对较小的地质目标的分辨能力,使微构造更加清晰。
反褶积处理是地震资料处理流程中提高分辨率最常用和最重要的环节之一。在地震资料采集过程中,地震子波与地下反射系数的褶积得到了通常所说的地震数据,反褶积的过程就是在仅有地震数据的情况下,估算未知的地震子波和反射系数,而后通过压缩子波来提高地震资料的分辨率,使一些薄层的地质现象如超覆、尖灭能够在剖面上清晰的反映出来。
传统反褶积方法是利用地震子波自相关和反褶积问题的期望输出与地震子波的互相关求取反褶积算子。由于地震子波未知,所以传统反褶积方法引入了如下假设:反射系数是白噪序列,地震子波是最小相位的。从而用地震记录的自相关代替地震子波的自相关。但是实际的地震子波往往是混合相位的,反射系数也不完全是白色的,假设条件在一定程度上影响了传统反褶积方法的应用效果,所以需要研究假设条件更接近实际情况或没有假设条件的地震反褶积技术。
独立分量分析(ICA)是伴随着盲源分离问题发展起来的一种新兴的信号处理技术。它以非高斯信号为研究对象,在独立性假设的前提下,对混合信号进行盲源分离或特征提取。ICA着眼于数据间的高阶统计特性,使得变换以后的各分量之间不仅能去掉二阶相关性,而且还尽可能地统计独立。因此,ICA能更加全面揭示观测数据间的本质结构。
ICA盲源反褶积算法的核心思想是利用地震记录自相关与独立分量分析分解的期望输出与地震记录的互相关求取反褶积算子。由于地震记录已知,所以ICA盲源反褶积算法不需要引入传统反褶积方法的假设条件,从基本原理上就优于传统反褶积方法。
ICA盲源反褶积方法理论上的优势,使提高分辨率处理后的地震数据能够更加真实地反映地下地质体的地球物理特征,有利于进行构造解释和地震地层学的研究。因此,对该方法的研究极具意义,为此我们发明了一种新的基于独立分量分析的地震盲源反褶积方法。
发明内容
本发明的目的是提供一种一种地球物理意义明显、保幅性好、效率较高的基于独立分量分析的地震盲源反褶积方法。
本发明的目的可通过如下技术措施来实现:基于独立分量分析的地震盲源反褶积方法,该基于独立分量分析的地震盲源反褶积方法包括:步骤1,读取地震数据,根据目的层设计反褶积计算时窗;步骤2,采用高斯混合模型拟合该地震数据反射系数序列的概率分布;步骤3,选用负熵构造ICA地震盲源反褶积算法的优化目标函数;步骤4,利用期望极大化算法求解该优化目标函数,通过多次迭代得到满足收敛条件的反褶积算子;步骤5,将该地震数据和该反褶积算子进行褶积运算;以及步骤6,输出反褶积后的地震数据。
本发明的目的还可通过如下技术措施来实现:
该地震数据和该反褶积后的地震数据为标准SEG-Y格式。
在步骤2中,建立期望输出的初始高斯混合模型,通过引入有不同方差的一系列高斯分布时间序列,按照分配的概率在分布上进行加权混合,以模拟该反射系数序列的非高斯性和非平稳性。
在步骤3中,定义反褶积输出结果的高斯混合概率分布和与其具有相同方差的高斯概率分布的该负熵为ICA地震盲源反褶积算法的该优化目标函数。
步骤4包括:
步骤a,建立初始反褶积算子,通过与该地震数据的褶积,得到期望输出,即估算的反射系数序列;
步骤b,判断该期望输出的独立性,当估算的该反射系数序列距离高斯分布最远,不可再分解时,迭代过程结束,得到满足收敛条件的该反褶积算子,当估算得到的该反射系数序列不是距离高斯分布最远时,执行步骤c;
步骤c,计算该期望输出的概率分布,利用期望最大算法求解该优化目标函数,更新该高斯混合模型;以及
步骤d,利用更新后的该高斯混合模型和该地震数据更新该初始反褶积算子,并返回到步骤a。
提高地震资料分辨率最常用的就是反褶积技术。传统的反褶积方法常常需要统计性假设(如:地震子波是最小相位的;地层反射系数是高斯白色等),这些假设条件在不同地区不总是成立的,处理过程中只能假定其成立。本发明中的基于独立分量分析的地震盲源反褶积方法,将信号处理领域基于独立分量分析的盲源分离理论引入地球物理领域,采用高斯混合模型来拟合实际反射系数的概率分布,定义反褶积输出的高斯混合概率分布和与其具有相同方差的高斯概率分布的负熵为目标函数,选用基于期望极大化准则(EM)的优化算法求解目标函数,获得反褶积算子应用于地震资料处理。该方法克服了传统反褶积方法受假设条件的影响,在不做先验假设的情况下求取的反褶积算子更加准确,可实现二维或者三维地震资料的叠前、叠后提高分辨率处理,反褶积处理后的地震数据能够更好的反映真实的地下反射特征,有效提高了地震资料的分辨能力,使地层岩性及其含油气性的解释更加确切、可靠。
附图说明
图1为本发明的基于独立分量分析的地震盲源反褶积方法的一具体实施例流程图;
图2为20Hz零相位雷克子波的示意图;
图3为假定的地下反射系数序列的示意图;
图4为由地震子波与反射系数序列褶积得到的合成地震数据的示意图;
图5为仅利用图4所示的合成地震数据,通过ICA盲源反褶积算法估算得到的反褶积结果的示意图;
图6为反射系数的概率分布图;
图7为反褶积结果的概率分布图;
图8为反射系数和反褶积结果的互相关函数的示意图;
图9为某一时间段真实反射系数序列的显示的示意图;
图10为利用图4合成地震数据,通过ICA盲源反褶积算法估算得到的反射系数序列的示意图;
图11为利用图4合成地震数据,通过常规反褶积算法估算得到的反射系数序列的示意图;
图12为盲反褶积估算得到的反射系数序列与真实反射系数序列的差值的示意图;
图13为传统反褶积估算得到的反射系数序列与真实反射系数序列的差值的示意图;
图14为反褶积处理前叠加剖面的示意图;
图15为反褶积处理前时窗频谱的示意图;
图16为传统反褶积后叠加剖面的示意图;
图17为传统反褶积后时窗频谱的示意图;
图18为ICA盲褶积后叠加剖面的示意图;
图19为ICA盲褶积后时窗频谱的示意图;
图20为ICA盲源反褶积方法处理前的地震单炮示意图;
图21为ICA盲源反褶积方法处理后的地震单炮示意图;
图22为ICA盲源反褶积方法处理前的浅层时窗的频谱示意图;
图23为ICA盲源反褶积方法处理后的浅层时窗的频谱示意图;
图24为ICA盲源反褶积方法处理前的中层时窗的频谱示意图;
图25为ICA盲源反褶积方法处理后的中层时窗的频谱示意图;
图26为ICA盲源反褶积方法处理前的深层时窗的频谱示意图;
图27为ICA盲源反褶积方法处理后的深层时窗的频谱示意图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合所附图式,作详细说明如下。
如图1所示,图1为本发明的基于独立分量分析的地震盲源反褶积方法的一具体实施例流程图。基于独立分量分析的盲源反褶积方法输入的地震数据为标准SEG-Y格式,方法可适用二维或者三维叠前数据与叠后数据,输出数据格式为标准SEG-Y格式。
在步骤101,对地震数据SEG-Y文件进行读取,根据目的层设计反褶积计算时窗。流程进入到步骤102。
在步骤102,采用高斯混合模型来拟合实际地震数据反射系数的概率分布。也就是说,建立期望输出的初始高斯混合模型,通过引入有不同方差的一系列高斯分布时间序列,按照分配的概率在分布上进行加权混合,由此来模拟反射系数中的非高斯性和非平稳性。流程进入到步骤103。
在步骤103,选用负熵构造ICA地震盲反褶积算法的优化目标函数。即定义反褶积输出结果的高斯混合概率分布和与其具有相同方差的高斯概率分布的负熵为ICA盲源反褶积算法的目标函数。流程进入到步骤104。
在步骤104,建立初始反褶积算子,通过与地震数据的褶积,得到期望输出(估算的反射系数序列)。流程进入到步骤105。
在步骤105,判断期望输出的独立性,即非高斯性。当估算的该反射系数序列距离高斯分布最远,不可再分解时,迭代过程结束,得到满足收敛条件的该反褶积算子流程进入到步骤108;当估算得到的该反射系数序列不是距离高斯分布最远时,流程进入到步骤106。
在步骤106,计算期望输出的概率分布,利用期望最大算法求解优化目标函数,更新高斯混合模型。流程进入到步骤107。
在步骤107,利用更新后的高斯混合模型和地震数据更新初始反褶积算子。流程返回到步骤104。
在步骤108,将叠前或者叠后地震数据和反褶积算子进行褶积运算。流程进入到步骤109。
在步骤109,输出反褶积后的地震数据。即以标准SEG-Y格式输出迭代运算结果,ICA盲源反褶积计算完成。流程结束。
本发明的基于独立分量分析的地震盲源反褶积方法计算过程中可以通过时间、频率控制ICA盲源反褶积计算的数据范围,提高计算结果的准确性和针对性:
1)根据地层特点和地质构造以及目的层划分浅层和深层两个反褶积时窗,不同的时间范围内应用不同的反褶积算子,对重合部分采用线性过渡算法,充分考虑了地震子波的时变特性;
2)根据地震资料的频率特征,确定有效信号的优势频带范围,选取信噪比最好的频率段进行ICA盲源反褶积计算;
图2为20Hz零相位雷克子波的示意图,将其假定为地震子波;图3为假定的地下反射系数序列的示意图;图4为有地震子波与反射系数序列褶积得到的合成地震数据的示意图;图5是仅利用图4合成地震数据,通过ICA盲源反褶积算法估算得到的反褶积结果的示意图;图6为反射系数的概率分布图;图7为反褶积结果的概率分布图;图8为反射系数和反褶积结果的互相关函数的示意图,从图6到图8可以看出, ICA盲反褶积估计的反射系数序列与原始反射系数序列在概率分布上具有很高的相似性,在时间序列上二者的相似度为99.2%。
图9是某一时间段真实反射系数序列的显示的示意图;图10是利用图4合成地震数据,通过ICA盲源反褶积算法估算得到的反射系数序列的示意图;图11是利用图4合成地震数据,通过常规反褶积算法估算得到的反射系数序列的示意图;图12是盲反褶积估算得到的反射系数序列与真实反射系数序列的差值的示意图;图13是传统反褶积估算得到的反射系数序列与真实反射系数序列的差值的示意图。从图9到图13可以看出ICA盲源反褶积方法与传统反褶积方法的处理效果,通过对比可以看到,相较于传统反褶积方法,ICA盲源反褶积方法计算得到的反射系数与真实反射系数的残差更小,计算结果更准确。
图14为反褶积处理前叠加剖面的示意图;图15为反褶积处理前时窗频谱的示意图;图16为传统反褶积后叠加剖面的示意图;图17为传统反褶积后时窗频谱的示意图;图18为ICA盲褶积后叠加剖面的示意图;图19为ICA盲褶积后时窗频谱的示意图。从图14到图19可以看出不同叠后反褶积方法应用于实际地震数据的效果对比。传统反褶积和盲反褶积处理都能够在保持地震资料原有反射特征的基础上,有效改善地震剖面的分辨率和成像质量。相比于传统反褶积方法,ICA盲源反褶积方法处理后的到剖面分辨率更高,微构造信息更加清晰。
图20为ICA盲源反褶积方法处理前的地震单炮示意图;图21为ICA盲源反褶积方法处理后的地震单炮示意图。从图20和图21的单炮对比看,ICA盲反褶积有效压缩了地震记录的子波,同时对干扰波也有一定的压制作用。
图22为ICA盲源反褶积方法处理前的浅层时窗的频谱示意图,其优势频带为7-68Hz;图23为ICA盲源反褶积方法处理后的浅层时窗的频谱示意图,其优势频带为7-82Hz;图24为ICA盲源反褶积方法处理前的中层时窗的频谱示意图,其优势频带为4-67Hz;图25为ICA盲源反褶积方法处理后的中层时窗的频谱示意图,其优势频带为5-78Hz;图26为ICA盲源反褶积方法处理前的深层时窗的频谱示意图,其优势频带为1-55Hz;图27为ICA盲源反褶积方法处理后的深层时窗的频谱示意图,其优势频带为1-70Hz。从图22到图27的时窗频率的对比看,基于独立分量分析的盲反褶积技术能够有效的提高地震资料的分辨率,地震资料的优势频带拓宽了15Hz左右。
Claims (5)
1.基于独立分量分析的地震盲源反褶积方法,其特征在于,该基于独立分量分析的地震盲源反褶积方法包括:
步骤1,读取地震数据,根据目的层设计反褶积计算时窗;
步骤2,采用高斯混合模型拟合该地震数据反射系数序列的概率分布;
步骤3,选用负熵构造ICA地震盲源反褶积算法的优化目标函数;
步骤4,利用期望极大化算法求解该优化目标函数,通过多次迭代得到满足收敛条件的反褶积算子;
步骤5,将该地震数据和该反褶积算子进行褶积运算;以及
步骤6,输出反褶积后的地震数据。
2.根据权利要求1所述的基于独立分量分析的地震盲源反褶积方法,其特征在于,该地震数据和该反褶积后的地震数据为标准SEG-Y格式。
3.根据权利要求1所述的基于独立分量分析的地震盲源反褶积方法,其特征在于,在步骤2中,建立期望输出的初始高斯混合模型,通过引入有不同方差的一系列高斯分布时间序列,按照分配的概率在分布上进行加权混合,以模拟该反射系数序列的非高斯性和非平稳性。
4.根据权利要求1所述的基于独立分量分析的地震盲源反褶积方法,其特征在于,在步骤3中,定义反褶积输出结果的高斯混合概率分布和与其具有相同方差的高斯概率分布的该负熵为ICA地震盲源反褶积算法的该优化目标函数。
5.根据权利要求1所述的基于独立分量分析的地震盲源反褶积方法,其特征在于,步骤4包括:
步骤a,建立初始反褶积算子,通过与该地震数据的褶积,得到期望输出,即估算的反射系数序列;
步骤b,判断该期望输出的独立性,当估算的该反射系数序列距离高斯分布最远,不可再分解时,迭代过程结束,得到满足收敛条件的该反褶积算子,当估算得到的该反射系数序列不是距离高斯分布最远时,执行步骤c;
步骤c,计算该期望输出的概率分布,利用期望最大算法求解该优化目标函数,更新该高斯混合模型;以及
步骤d,利用更新后的该高斯混合模型和该地震数据更新该初始反褶积算子,并返回到步骤a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210089747XA CN103364826A (zh) | 2012-03-30 | 2012-03-30 | 基于独立分量分析的地震盲源反褶积方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210089747XA CN103364826A (zh) | 2012-03-30 | 2012-03-30 | 基于独立分量分析的地震盲源反褶积方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103364826A true CN103364826A (zh) | 2013-10-23 |
Family
ID=49366593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210089747XA Pending CN103364826A (zh) | 2012-03-30 | 2012-03-30 | 基于独立分量分析的地震盲源反褶积方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103364826A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954992A (zh) * | 2014-04-03 | 2014-07-30 | 中国石油天然气股份有限公司 | 一种反褶积方法及装置 |
CN105093317A (zh) * | 2014-05-14 | 2015-11-25 | 中国石油化工股份有限公司 | 地面阵列式微地震数据独立分量分离去噪方法 |
CN105445790A (zh) * | 2014-09-18 | 2016-03-30 | 中国石油化工股份有限公司 | 一种盲源地震波场的振幅规则化方法 |
CN106291664A (zh) * | 2015-05-22 | 2017-01-04 | 中国石油化工股份有限公司 | 盲源地震波场模拟方法及系统 |
CN106896407A (zh) * | 2017-03-28 | 2017-06-27 | 吉林大学 | 一种基于近似负熵的微地震信号初至拾取方法 |
CN107480325A (zh) * | 2017-07-03 | 2017-12-15 | 河海大学 | 空间变异的非平稳非高斯地震动时程模拟方法 |
CN113341463A (zh) * | 2021-06-10 | 2021-09-03 | 中国石油大学(北京) | 一种叠前地震资料非平稳盲反褶积方法及相关组件 |
CN113534239A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于信号分离的波形压缩方法 |
-
2012
- 2012-03-30 CN CN201210089747XA patent/CN103364826A/zh active Pending
Non-Patent Citations (5)
Title |
---|
AWS AL-QAISI ET AL.: "《Blind Seismic Deconvolution of Single Channel Using Instantaneous Independent Component Analysis》", 《PROCEEDINGS》 * |
SAM T.KAPLAN ET AL.: "《BLIND DECONVOLUTION AND ICA WITH A BANDED MIXING MATRIX》", 《4TH INTERNATIONAL SYMPOSIUM ON INDEPENDENT COMPONENT ANALYSIS AND BLIND SIGNAL SEPARATION》 * |
印兴耀等: "《一种基于负熵的Bussgang 地震盲反褶积方法》", 《石油地球物理勘探》 * |
吴常玉等: "《基于负嫡的地震盲反褶积方法及其应用》", 《石油物探》 * |
李海山: "《基于盲分离技术的地震反褶积方法研究》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954992A (zh) * | 2014-04-03 | 2014-07-30 | 中国石油天然气股份有限公司 | 一种反褶积方法及装置 |
CN103954992B (zh) * | 2014-04-03 | 2017-04-05 | 中国石油天然气股份有限公司 | 一种反褶积方法及装置 |
CN105093317A (zh) * | 2014-05-14 | 2015-11-25 | 中国石油化工股份有限公司 | 地面阵列式微地震数据独立分量分离去噪方法 |
CN105445790A (zh) * | 2014-09-18 | 2016-03-30 | 中国石油化工股份有限公司 | 一种盲源地震波场的振幅规则化方法 |
CN106291664A (zh) * | 2015-05-22 | 2017-01-04 | 中国石油化工股份有限公司 | 盲源地震波场模拟方法及系统 |
CN106291664B (zh) * | 2015-05-22 | 2018-11-20 | 中国石油化工股份有限公司 | 盲源地震波场模拟方法及系统 |
CN106896407A (zh) * | 2017-03-28 | 2017-06-27 | 吉林大学 | 一种基于近似负熵的微地震信号初至拾取方法 |
CN107480325A (zh) * | 2017-07-03 | 2017-12-15 | 河海大学 | 空间变异的非平稳非高斯地震动时程模拟方法 |
CN107480325B (zh) * | 2017-07-03 | 2019-08-20 | 河海大学 | 空间变异的非平稳非高斯地震动时程模拟方法 |
CN113534239A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于信号分离的波形压缩方法 |
CN113341463A (zh) * | 2021-06-10 | 2021-09-03 | 中国石油大学(北京) | 一种叠前地震资料非平稳盲反褶积方法及相关组件 |
CN113341463B (zh) * | 2021-06-10 | 2023-05-26 | 中国石油大学(北京) | 一种叠前地震资料非平稳盲反褶积方法及相关组件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103364826A (zh) | 基于独立分量分析的地震盲源反褶积方法 | |
Xue et al. | Amplitude-preserving iterative deblending of simultaneous source seismic data using high-order radon transform | |
Sajeva et al. | Estimation of acoustic macro models using a genetic full-waveform inversion: Applications to the Marmousi model | |
CN110568486B (zh) | 基于同步稀疏低秩张量补全模型的地震信号补全方法 | |
Wang | Multichannel matching pursuit for seismic trace decomposition | |
Zu et al. | Shot-domain deblending using least-squares inversion | |
Zhou et al. | Spike-like blending noise attenuation using structural low-rank decomposition | |
CN102221708B (zh) | 基于分数阶傅里叶变换的随机噪声压制方法 | |
Mazzotti et al. | Two-grid genetic algorithm full-waveform inversion | |
CN104122588A (zh) | 基于谱分解提高叠后地震资料分辨率的方法 | |
CN104204857A (zh) | 正交源和接收器编码 | |
GB2499096A (en) | Simultaneous joint estimation of P-P and P-S residual statics | |
WO2019118160A1 (en) | Generating a reflectivity model of subsurface structures | |
CN104483704B (zh) | 基于avo异常类型约束的剩余相位校正方法 | |
CN109738950B (zh) | 基于三维稀疏聚焦域反演的噪声型数据一次波反演方法 | |
Kazei et al. | Velocity model building by deep learning: From general synthetics to field data application | |
CA3090760A1 (en) | Systems and methods to enhance 3-d prestack seismic data based on non-linear beamforming in the cross-spread domain | |
US20220342103A1 (en) | Noise Attenuation Methods Applied During Simultaneous Source Deblending and Separation | |
US20230251396A1 (en) | Event detection and de-noising method for passive seismic data | |
Chen et al. | 3-D seismic diffraction separation and imaging using the local rank-reduction method | |
Escobar et al. | Fast geostatistical stochastic inversion in a stratigraphic grid | |
Huang et al. | P/S-wave separation of multicomponent seismic data at the land surface based on deep learning | |
Sun et al. | Multiple attenuation using λ-f domain high-order and high-resolution Radon transform based on SL0 norm | |
Lv | Noise suppression of microseismic data based on a fast singular value decomposition algorithm | |
Jiang et al. | Seismic wavefield information extraction method based on adaptive local singular value decomposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131023 |