CN104749625B - 一种基于正则化技术的地震数据倾角估计方法及装置 - Google Patents

Abstract

本发明公开了一种基于正则化技术的地震数据倾角估计方法及装置，根据地震数据，选取其中任意一点作为地震数据倾角估计位置；依据全通数字滤波器计算出邻近地震道滤波器系数，进而计算出当前点地震数据预测值，其中包含待求地震数据倾角；循环执行上述未选取的地震数据位置，计算出所有位置地震数据预测值；根据所获取的地震数据、预测的地震数据及地震数据倾角构建正则化模型；利用非线性迭代反演算法获得地震数据倾角。解决现有技术中无法精确估计地震数据倾角难题。

Description

一种基于正则化技术的地震数据倾角估计方法及装置

技术领域

本发明属于地震数据处理技术领域，涉及一种基于正则化技术的地震数据倾角估计方法，本发明还涉及一种基于正则化技术的地震数据倾角估计装置。

背景技术

估计地震数据或图像的倾角是地震数据处理重要研究内容，并广泛应用于地震波场分离与去噪(Harlan et al.,1984；Fomel et al.,2007)、反假频插值方法(Bardan,1987)、共反射面元叠加(CRS)，法入射点(NIP)层析建模等。地震数据倾角属性不仅包含了重要的地震地层学信息，而且还可以直接用于工区构造解释。地震倾角属于运动学属性，其估计方法一般需要两个步骤。首先是检测步骤，主要是根据局部相干分析；其次是提取步骤，该过程主要依据相干水平与同相轴连续性。在地震数据倾角估计研究上，Ottolini提出了局部倾斜叠加方法；Barnes提出了复数道地震数据分析方法；Fehmers给出了一种利用局部构造张量估计倾角的方法；Marfurt等通过截取地震数据构造分析窗口计算地震波形相干值，并将最大相干值对应的倾角作为局部地层倾角；Fomel等人利用平面波破坏方法研究地层倾角，该方法通过局部平面波近似局部波场。但是现有的技术均无法精确估计地震数据倾角的问题。

考虑了地震数据通常被噪声污染及地层倾角平滑特性，本发明通过构建正则化模型，提出了一种快速精确的倾角估计方法及装置。

发明内容

本发明的目的是提供一种基于正则化技术的地震数据倾角估计方法，解决现有技术中无法精确估计地震数据倾角难题。

本发明的另一目的是提供一种基于正则化技术的地震数据倾角估计装置。

本发明所采用的技术方案是，一种基于正则化技术的地震数据倾角估计方法，包括以下步骤：

步骤101)：根据地震数据，选取其中任意一点作为地震数据倾角估计位置；

步骤102)：依据全通数字滤波器计算出邻近地震道滤波器系数，进而计算出当前点地震数据预测值，其中包含待求地震数据倾角；

步骤103)：循环执行上述未选取的地震数据位置，计算出所有位置地震数据预测值；

步骤104)：根据所获取的地震数据、预测的地震数据及地震数据倾角构建正则化模型；

步骤105)：利用非线性迭代反演算法获得地震数据倾角。

本发明所采用的另一技术方案是，一种基于正则化技术的地震数据倾角估计装置，包括：

地震数据获取器件，用于从储存介质获取地震数据；

地震数据预测器件，用于依据全通数字滤波器计算出邻近地震道滤波器系数，进而计算出当前点地震数据预测值；

循环执行器件，用于循环执行所述未选取的地震数据位置，计算出所有位置地震数据预测值；

正则化模型构建器件，用于根据所述获取的地震数据、预测的地震数据及地震数据倾角构建正则化模型；

非线性求解器件，用于根据非线性迭代反演算法获得地震数据倾角。

本发明的有益效果是，本发明通过最小二乘化获取地震数据与预测地震数据残差，并约束地震数据倾角，构建了正则化模型，该模型充分考虑了地震倾角平滑特性，而且非线性迭代算法能够快速精确逼近真实值，适用于大规模地震数据计算。通过正则化模型，提供了一种精确的地震数据倾角估计方法，该技术能够更好的解决地震数据处理问题，如偏移成像孔径优选，速度建模，反射预测、噪声去除等，可以广泛应用于地震资料分析的各个环节。

附图说明

图1为本发明提出的地震数据倾角估计方法流程图。

图2为本发明的地震数据倾角估计装置结构框图。

图3为三维地震成像数据主测线方向示意图。

图4为三维地震成像数据地震数据倾角示意图。

图中，201.地震数据获取器件，202.地震数据预测器件，203.循环执行器件，204.正则化模型构建器件，205.非线性求解器件。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种基于正则化技术的地震数据倾角估计方法，流程如图1所示，包括以下步骤：

步骤101)：根据地震数据，选取其中任意一点作为地震数据倾角估计位置；

步骤102)：依据全通数字滤波器计算出邻近地震道滤波器系数，进而计算出当前点地震数据预测值，其中包含待求地震数据倾角；

步骤103)：循环执行上述未选取的地震数据位置，计算出所有位置地震数据预测值；

步骤104)：根据所获取的地震数据、预测的地震数据及地震数据倾角构建正则化模型；

步骤105)：利用非线性迭代反演算法获得地震数据倾角。

其中，在上述步骤102中计算出当前点地震数据预测值包括以下步骤：

由全通数字滤波器设计出不同阶数的滤波器系数，并根据滤波器系数、地震数据倾角和获取的地震数据，计算出当前点地震数据预测值。

在上述步骤104中，构建正则化模型包括以下步骤：

根据所获取的地震数据和模拟数据预测值求最小二乘残差，作为模型构建第一项；约束的地震数据倾角作为第二项，构建正则化模型，如下所示：

$J^{\mathrm{\α}}\left(\mathrm{\σ}\right)=\frac{1}{2}{\left|\right|P\left(\mathrm{\σ}\right)d\left|\right|}^2+\mathrm{\α}\·(\mathrm{L\σ},\mathrm{\σ})\→\min$

其中，J^α(σ)为目标函数，d表示获取的地震数据，σ为待估计的地震数据倾角，P为全通数字滤波器破坏算子，α为正则化因子，L为拉普拉斯算子，min表示最小化。

在上述步骤105中，非线性迭代反演算法，通过计算梯度、方向参数实现迭代，包括以下步骤：

对上式J^α(σ)求梯度，得出：

$g_{J^{\mathrm{\α}}}\left(\mathrm{\σ}\right)=\frac{1}{2}\frac{d}{\mathrm{d\σ}}{\left|\right|P\left(\mathrm{\σ}\right)d\left|\right|}^2+\mathrm{\αL\σ}$

其中，为梯度，且

$\frac{1}{2}\frac{d}{\mathrm{d\σ}}{\left|\right|P\left(\mathrm{\σ}\right)d\left|\right|}^2=P^{\′}{\left(\mathrm{\σ}\right)}^{T}P\left(\mathrm{\σ}\right)d$

且当仅且得出倾角σ临界点σ^*：

${\mathrm{\σ}}^{*}=P_{\mathrm{\Γ}}({\mathrm{\σ}}^{*}-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}\left({\mathrm{\σ}}^{*}\right))$

其中，步长参数ξ>0，P_Γ表示投影，由上式，给出以下固定点迭代公式：

${\mathrm{\σ}}_{k+1}=P_{\mathrm{\Γ}}({\mathrm{\σ}}_k-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}\left({\mathrm{\σ}}_k\right))$

迭代过程如下所示：

步骤1：输入初始倾角σ＝0，设定迭代序号k:＝0；

步骤2：k次迭代，并判断收敛条件；

步骤3：计算负梯度

步骤4：线性搜索得出， ${\mathrm{\ξ}}_k=\underset{\mathrm{\ξ}>0}{\arg \min }{J}^{\mathrm{\α}}\left(P_{\mathrm{\Γ}}({\mathrm{\σ}}_k+{\mathrm{\ξs}}_k)\right);$

步骤5：更新倾角：σ_k+1＝P_Γ(σ_k+ξ_ks_k)；

步骤6：设置k:＝k+1，返回步骤2.

其中，步长参数ξ，可通过Powell-Wolfe线性搜索准则获得。

一种基于正则化技术的地震数据倾角估计装置，结构如图2所示，

包括：

地震数据获取器件201，用于从储存介质获取地震数据；

地震数据预测器件202，用于依据全通数字滤波器计算出邻近地震道滤波器系数，进而计算出当前点地震数据预测值；

循环执行器件203，用于循环执行所述未选取的地震数据位置，计算出所有位置地震数据预测值；

正则化模型构建器件204，用于根据所述获取的地震数据、预测的地震数据及地震数据倾角构建正则化模型；

非线性求解器件205，用于根据非线性迭代反演算法获得地震数据倾角。

其中，地震数据预测器件202件包括：

滤波器系数计算单元，由全通数字滤波器设计出不用阶数的滤波器系数；

数值计算单元，根据滤波器系数、地震数据倾角和获取的地震数据，计算出当前点地震数据预测值。

正则化模型构建器件204包括：

最小二乘单元，根据所获取的地震数据和模拟预测值求最小二乘残差，作为模型构建第一项；

倾角单元，根据约束的地震数据倾角作为第二项，构建正则化估计模型，如下所示：

$J^{\mathrm{\α}}\left(\mathrm{\σ}\right)=\frac{1}{2}{\left|\right|P\left(\mathrm{\σ}\right)d\left|\right|}^2+\mathrm{\α}\·(\mathrm{L\σ},\mathrm{\σ})\→\min$

其中，J^α(σ)为目标函数，d表示获取的地震数据，σ为待估计的地震数据倾角，P为全通数字滤波器破坏算子，α为正则化因子，L为拉普拉斯算子，min表示最小化。

非线性求解器件205，通过计算梯度、方向等参数实现，迭代过程如下：

对上式J^α(σ)求梯度，得出：

$g_{J^{\mathrm{\α}}}\left(\mathrm{\σ}\right)=\frac{1}{2}\frac{d}{\mathrm{d\σ}}{\left|\right|P\left(\mathrm{\σ}\right)d\left|\right|}^2+\mathrm{\αL\σ}$

其中，为梯度，且

$\frac{1}{2}\frac{d}{\mathrm{d\σ}}{\left|\right|P\left(\mathrm{\σ}\right)d\left|\right|}^2=P^{\′}{\left(\mathrm{\σ}\right)}^{T}P\left(\mathrm{\σ}\right)d$

且当仅且得出倾角σ临界点σ^*：

${\mathrm{\σ}}^{*}=P_{\mathrm{\Γ}}({\mathrm{\σ}}^{*}-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}\left({\mathrm{\σ}}^{*}\right))$

其中，步长参数ξ>0，P_Γ表示投影，由上式，给出以下固定点迭代公式：

${\mathrm{\σ}}_{k+1}=P_{\mathrm{\Γ}}({\mathrm{\σ}}_k-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}\left({\mathrm{\σ}}_k\right))$

迭代过程如下所示：

步骤1：输入初始倾角σ＝0，设定迭代序号k:＝0；

步骤2：k次迭代，并判断收敛条件；

步骤3：计算负梯度

步骤4：线性搜索得出， ${\mathrm{\ξ}}_k=\underset{\mathrm{\ξ}>0}{\arg \min }{J}^{\mathrm{\α}}\left(P_{\mathrm{\Γ}}({\mathrm{\σ}}_k+{\mathrm{\ξs}}_k)\right);$

步骤5：更新倾角：σ_k+1＝P_Γ(σ_k+ξ_ks_k)；

步骤6：设置k:＝k+1，返回步骤2.

其中，步长参数ξ，可通过Powell-Wolfe线性搜索准则获得。

实施例

通过实际采集的三维地震数据实例分析，说明一种基于正则化技术的地震数据倾角估计方法在倾角估计上的应用。图3给出的是，三维叠前时间偏移成像结果，图中2.5秒位置为风化壳界面，3秒为“串珠状”溶洞发育位置。对三维成像地震数据，进行正则化地震倾角估计后，得到的结果如图4所示，图中带状分布地震数据倾角场表示平滑反射层，而“串珠状”溶洞、断层等不连续地质体位置，倾角变化剧烈。可见，估计出的地震数据倾角能够在一定程度上，反映地层连续性情况。

Claims (2)

1.一种基于正则化技术的地震数据倾角估计方法，其特征在于，包括以下步骤：

步骤101)：根据地震数据，选取其中任意一点作为地震数据倾角估计位置；

步骤102)：依据全通数字滤波器计算出邻近地震道滤波器系数，进而计算出当前点地震数据预测值，其中包含待求地震数据倾角；

步骤103)：循环执行所述步骤101中未选取的地震数据位置，计算出所有位置地震数据预测值；

步骤104)：根据所获取的地震数据、预测的地震数据及地震数据倾角构建正则化模型；

步骤105)：利用非线性迭代反演算法获得地震数据倾角；

所述步骤102中计算出当前点地震数据预测值包括以下步骤：

由全通数字滤波器设计出不同阶数的滤波器系数，并根据滤波器系数、地震数据倾角和获取的地震数据，计算出当前点地震数据预测值；

所述步骤104中，构建正则化模型包括以下步骤：

根据所述获取的地震数据和地震数据预测值求最小二乘残差，作为模型构建第一项；

约束的地震数据倾角作为第二项，构建正则化估计模型，如下所示：

$J^{\mathrm{\α}}\left(\mathrm{\σ}\right)=\frac{1}{2}\left|\right|d-P\left(\mathrm{\σ}\right)|{|}^2+\mathrm{\α}\·(L\mathrm{\σ},\mathrm{\σ})\→min$

其中，J^α(σ)为目标函数，d表示获取的地震数据，σ为待估计的地震数据倾角，P为全通数字滤波器算子，α为正则化因子，L为拉普拉斯算子，min表示最小化；

所述步骤105中，所述非线性迭代反演算法，通过计算梯度、方向参数实现迭代，包括如下步骤：

对上式J^α(σ)求梯度，得出：

$g_{J^{\mathrm{\α}}}\left(\mathrm{\σ}\right)=\frac{1}{2}\frac{d}{d\mathrm{\σ}}\left|\right|d-P\left(\mathrm{\σ}\right)|{|}^2+\mathrm{\α}L\mathrm{\σ}$

其中，为梯度，且

$\frac{1}{2}\frac{d}{d\mathrm{\σ}}\left|\right|d-P\left(\mathrm{\σ}\right)|{|}^2=P^{\′}{\left(\mathrm{\σ}\right)}^{T}P\left(\mathrm{\σ}\right)$

且当仅且得出倾角σ临界点σ^*：

${\mathrm{\σ}}^{*}=P_{\mathrm{\Γ}}({\mathrm{\σ}}^{*}-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}({\mathrm{\σ}}^{*}\left)\right)$

其中，步长参数ξ>0，P_Γ表示投影，

由上式，给出以下固定点迭代公式：

${\mathrm{\σ}}_{k+1}=P_{\mathrm{\Γ}}({\mathrm{\σ}}_k-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}({\mathrm{\σ}}_k\left)\right)$

迭代过程如下所示：

步骤1：输入初始倾角σ＝0，设定迭代序号k:＝0；

步骤2：k次迭代，并判断收敛条件；

步骤3：计算负梯度

步骤4：线性搜索得出，

步骤5：更新倾角：σ_k+1＝P_Γ(σ_k+ξ_ks_k)；

步骤6：设置k:＝k+1，返回步骤2；

其中，步长参数ξ，可通过Wolfe线性搜索准则获得。

2.一种基于正则化技术的地震数据倾角估计装置，其特征在于，包括：

地震数据获取器件(201)，用于从储存介质获取地震数据；

地震数据预测器件(202)，用于依据全通数字滤波器计算出邻近地震道滤波器系数，进而计算出当前点地震数据预测值；

循环执行器件(203)，用于循环执行未选取的地震数据位置，计算出所有位置地震数据预测值；

正则化模型构建器件(204)，用于根据所述获取的地震数据、预测的地震数据及地震数据倾角构建正则化模型；

非线性求解器件(205)，用于根据非线性迭代反演算法获得地震数据倾角；

所述地震数据预测器件(202)包括：

滤波器系数计算单元，由全通数字滤波器设计出不用阶数的滤波器系数；

数值计算单元，根据滤波器系数、地震数据倾角和获取的地震数据，计算出当前点地震数据预测值；

所述正则化模型构建器件(204)包括：

最小二乘单元，根据所述获取的地震数据和地震数据预测值求最小二乘残差，作为模型构建第一项；

倾角单元，根据约束的地震数据倾角作为第二项，构建正则化估计模型，如下所示：

$J^{\mathrm{\α}}\left(\mathrm{\σ}\right)=\frac{1}{2}\left|\right|d-P\left(\mathrm{\σ}\right)|{|}^2+\mathrm{\α}\·(L\mathrm{\σ},\mathrm{\σ})\→min$

其中，J^α(σ)为目标函数，d表示获取的地震数据，σ为待估计的地震数据倾角，P为全通数字滤波器算子，α为正则化因子，L为拉普拉斯算子，min表示最小化；

所述非线性求解器件(205)，通过计算梯度、方向参数实现，迭代过程如下：

对上式J^α(σ)求梯度，得出：

$g_{J^{\mathrm{\α}}}\left(\mathrm{\σ}\right)=\frac{1}{2}\frac{d}{d\mathrm{\σ}}\left|\right|d-P\left(\mathrm{\σ}\right)|{|}^2+\mathrm{\α}L\mathrm{\σ}$

其中，为梯度，且

$\frac{1}{2}\frac{d}{d\mathrm{\σ}}\left|\right|d-P\left(\mathrm{\σ}\right)|{|}^2=P^{\′}{\left(\mathrm{\σ}\right)}^{T}P\left(\mathrm{\σ}\right)$

且当仅且得出倾角σ临界点σ^*：

${\mathrm{\σ}}^{*}=P_{\mathrm{\Γ}}({\mathrm{\σ}}^{*}-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}({\mathrm{\σ}}^{*}\left)\right)$

其中，步长参数ξ>0，P_Γ表示投影，

由上式，给出以下固定点迭代公式：

${\mathrm{\σ}}_{k+1}=P_{\mathrm{\Γ}}({\mathrm{\σ}}_k-{\mathrm{\ξg}}_{J^{\mathrm{\α}}}({\mathrm{\σ}}_k\left)\right)$

迭代过程如下所示：

步骤1：输入初始倾角σ＝0，设定迭代序号k:＝0；

步骤2：k次迭代，并判断收敛条件；

步骤3：计算负梯度

步骤4：线性搜索得出，

步骤5：更新倾角：σ_k+1＝P_Γ(σ_k+ξ_ks_k)；

步骤6：设置k:＝k+1，返回步骤2；

其中，步长参数ξ，可通过Wolfe线性搜索准则获得。