CN105445792A - 一种叠前多次波逆时偏移地震数据处理方法及系统 - Google Patents

一种叠前多次波逆时偏移地震数据处理方法及系统 Download PDF

Info

Publication number
CN105445792A
CN105445792A CN201510846550.XA CN201510846550A CN105445792A CN 105445792 A CN105445792 A CN 105445792A CN 201510846550 A CN201510846550 A CN 201510846550A CN 105445792 A CN105445792 A CN 105445792A
Authority
CN
China
Prior art keywords
data
time migration
prestack
multiple reflection
reverse
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
Application number
CN201510846550.XA
Other languages
English (en)
Inventor
王一博
薛清峰
常旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geology and Geophysics of CAS
Original Assignee
Institute of Geology and Geophysics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geology and Geophysics of CAS filed Critical Institute of Geology and Geophysics of CAS
Priority to CN201510846550.XA priority Critical patent/CN105445792A/zh
Publication of CN105445792A publication Critical patent/CN105445792A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种叠前多次波逆时偏移地震数据处理方法及系统，其方法包括以下步骤：步骤1：获取地震数据；步骤2：在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；步骤3：对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；步骤4：将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；步骤5：将成像结果输出，生成成像剖面。本发明通过采用Mapreduce框架和GPU加速实现了地震数据的叠前多次波逆时偏移计算，该方法不仅方便处理大规模、超大规模地震数据，而且还可以提高偏移处理的效率。

Description

一种叠前多次波逆时偏移地震数据处理方法及系统
技术领域
本发明涉及一种叠前多次波逆时偏移地震数据处理方法及系统，属于地球物理勘探领域。
背景技术
逆时偏移成像通过双程波波动方程在时间上对地震资料进行反方向外推并结合成像条件实现偏移成像，它避免了上下行波分离，且不受倾角限制，能够对任意倾斜构造进行成像。基于波动方程的多次波逆时偏移方法，它有着不需要做多次波预测、能够提供比常规一次波偏移更大成像范围等优点(TuandHerrmann,2012；Fleury,2013；Wangetal.,2014；Huetal.,2015；Wongetal.,2015；Zhengetal.,2015；郑忆康etal.,2015)。在计算方面，叠前多次波逆时偏移是典型的大计算量、大吞吐量的地震数据处理方法，需采用并行计算的策略才能达到实际应用要求；
CPU/CPU协同并行计算就是将GPU和CPU两种不同架构的处理器结合在一起，组成硬件上的协同并行模式，同时在应用程序上实现GPU和CPU软件协同的并行计算。CPU主要负责GPU的控制、数据的准备、数据在节点间的发送和接受等，即进行并行控制；GPU主要进行多次波逆时偏移最耗时的波场外推计算，即进行并行计算。目前工业界普遍采用的基于有限差分方法的波场外推是最典型的单指令多数据计算模式，非常适合GPU处理，例如TeslaK40有2880个核心，可以同时处理2880个数据样本。此外，多次波逆时偏移算法一般采用单精度进行计算，具有较高的处理效率。
Mapreduce是一种编程模型，采用分布式文件系统(HDFS)将数据存储和部署到各计算节点上，具有高容错性，且能自动处理失败节点，性能稳定，非常适合大规模数据集(大于1TB)管理和并行运算。Mapreduce的主要思想，是从函数式编程语言借鉴而来，它极大地方便了编程人员在不了解分布式并行编程的情况下，将自己的程序运行在分布式系统上。
发明内容
本发明所要解决的技术问题是，针对现有技术的不足，提供一种基于Mapreduce框架及GPU加速的大规模叠前多次波逆时偏移地震数据处理方法及系统。
本发明解决上述技术问题的技术方案如下：一种叠前多次波逆时偏移地震数据处理方法，具体包括以下步骤：
步骤1：获取地震数据；
步骤2：在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
步骤3：对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
步骤4：将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
步骤5：将成像结果输出，生成成像剖面。
本发明的有益效果是：通过采用Mapreduce框架和GPU加速实现了地震数据的叠前多次波逆时偏移计算，该方法不仅方便处理大规模、超大规模地震数据，而且还可以提高偏移处理的效率。该方法在Mapreduce框架下通过GPU加速来实现地震资料的叠前多次波逆时偏移计算，相对传统基于CPU集群的叠前偏移方法，大幅度提高了地震资料叠前多次波逆时偏移的计算效率，缩短了地震资料处理的时间。同时，由于采用了GPU计算，处理相同规模的地震数据，所消耗的电能相对于CPU设备，将大大减少，节约了资源和成本。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤4与步骤5之间还包括处理步骤：将临时成像结果合并后得到的共成像点道集进行切除和叠加处理，得到成像结果，所述切除和叠加处理一般是对成像结果进行进一步分析，切除一些噪音很强的部分。
采用上述进一步方案的有益效果是，经过切除和叠加处理后的成像结果，能够输出更准确的成像剖面。
进一步，所述步骤1具体包括：将野外采集的原始地震数据进行预处理，得到高信噪比共炮点道集(CSG道集)数据和对应的介质速度模型共同构成地震数据。
采用上述进一步方案的有益效果是，对原始地震数据进行预处理，可以得到高信噪比的地震数据，地震数据中包括共炮点道集数据和对应的介质速度模型。
进一步，所述预处理包括静校正、反褶积和去噪中的至少一种。
进一步，所述步骤2中所述地震数据划分成数据块的数量与启动的数据节点的数量相适配。
采用上述进一步方案的有益效果是，使每个数据节点处理一个数据块，加快处理速度，提高处理效率。
进一步，所述步骤2中将每个数据块发给集群上的一个数据节点的同时，获取每个数据节点所处理数据的对应偏移参数，截取偏移孔径内的地震数据。
采用上述进一步方案的有益效果是，所述偏移参数由已知的参数文件表中读取。
进一步，所述步骤3具体包括以下步骤：
步骤3.1：对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果累加到本地临时文件中；
步骤3.2：将本地临时文件中的临时成像结果拷贝到分布式文件系统中，删除本地临时文件。
采用上述进一步方案的有益效果是，将本地临时文件作为临时缓存，更大的利用虚拟空间，可保证同时处理多个数据节点的地震数据，加快了计算速度；并且在本地临时文件清空时，删除本地临时文件，实时释放空间，不占用空间。
进一步，所述叠前多次波逆时偏移计算是基于CPU/GPU异构集群叠前多次波逆时偏移并行实现的，具体计算过程包括以下步骤：
将每个数据节点中的地震数据从CPU拷贝到GPU中；
在GPU中进行炮集多次波逆时偏移计算，得到计算结果；
将计算结果传输到CPU中并构成临时成像结果。
采用上述进一步方案的有益效果是，由于采用了GPU计算，处理相同规模的地震数据，所消耗的电能相对于CPU设备，将大大减少，节约了资源和成本。
本发明解决上述技术问题的技术方案如下：一种叠前多次波逆时偏移地震数据处理系统，包括数据获取模块、数据管理和访问模块、数据偏移模块、数据汇总模块和输出模块；
所述数据获取模块用于获取地震数据；
所述数据管理和访问模块用于在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
所述数据偏移模块用于对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
所述数据汇总模块用于将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
所述输出模块将成像结果输出，生成成像剖面。
本发明的有益效果是：通过采用Mapreduce框架和GPU加速实现了地震数据的叠前多次波逆时偏移计算，该方法不仅方便处理大规模、超大规模地震数据，而且还可以提高偏移处理的效率。该方法在Mapreduce框架下通过GPU加速来实现地震资料的叠前多次波逆时偏移计算，相对传统基于CPU集群的叠前偏移方法，大幅度提高了地震资料叠前多次波逆时偏移的计算效率，缩短了地震资料处理的时间。同时，由于采用了GPU计算，处理相同规模的地震数据，所消耗的电能相对于CPU设备，将大大减少，节约了资源和成本。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，还包括处理模块；
所述处理模块用于将临时成像结果合并后得到的共成像点道集进行切除和叠加处理。
附图说明
图1为本发明具体实施例1所述的一种叠前多次波逆时偏移地震数据处理方法流程图；
图2为本发明具体实施例2所述的一种叠前多次波逆时偏移地震数据处理系统结构框图；
图3为本发明所述的叠前多次波逆时偏移地震数据处理过程图；
图4为本发明所述的叠前多次波逆时偏移计算流程图；
图5为本发明具体示例获得的叠前多次波逆时偏移结果。
附图中，各标号所代表的部件列表如下：
1、数据获取模块，2、数据管理和访问模块，3、数据偏移模块，4、数据汇总模块，5、输出模块，6、处理模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明具体实施例1所述的一种叠前多次波逆时偏移地震数据处理方法，具体包括以下步骤：
步骤1：获取地震数据；
步骤2：在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
步骤3：对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
步骤4：将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
步骤5：将成像结果输出，生成成像剖面。
本发明具体实施例2，在实施例1的基础上，所述步骤4与步骤5之间还包括处理步骤：将临时成像结果合并后得到的共成像点道集进行切除和叠加处理。
本发明具体实施例3，在实施例1或2的基础上，所述步骤1具体包括：将野外采集的原始地震数据进行预处理，得到高信噪比共炮点道集(CSG道集)数据和对应的介质速度模型共同构成地震数据。
本发明具体实施例4，在实施例3的基础上，所述预处理包括静校正、反褶积和去噪中的至少一种。
本发明具体实施例5，在实施例1-4任一实施例的基础上，所述步骤2中所述地震数据划分成数据块的数量与启动的数据节点的数量相适配。
本发明具体实施例6，在实施例1-5任一实施例的基础上，所述步骤2中将每个数据块发给集群上的一个数据节点的同时，获取每个数据节点所处理数据的对应偏移参数，截取偏移孔径内的地震数据。
本发明具体实施例7，在实施例1-6任一实施例的基础上，所述步骤3具体包括以下步骤：
步骤3.1：对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果累加到本地临时文件中；
步骤3.2：将本地临时文件中的临时成像结果拷贝到分布式文件系统中，删除本地临时文件。
本发明具体实施例8，在实施例1-7任一实施例的基础上，所述叠前多次波逆时偏移计算是基于CPU/GPU异构集群叠前多次波逆时偏移并行实现的，具体计算过程包括以下步骤：
将每个数据节点中的地震数据从CPU拷贝到GPU中；
在GPU中进行炮集多次波逆时偏移计算，得到计算结果；
将计算结果传输到CPU中并构成临时成像结果。
本发明具体实施例1所述的一种叠前多次波逆时偏移地震数据处理系统，包括数据获取模块1、数据管理和访问模块2、数据偏移模块3、数据汇总模块4和输出模块5；
所述数据获取模块1用于获取地震数据；
所述数据管理和访问模块2用于在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
所述数据偏移模块3用于对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
所述数据汇总模块4用于将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
所述输出模块5将成像结果输出，生成成像剖面。
如图2所示，本发明具体实施例2，在实施例1的基础上，还包括处理模块6；
所述处理模块6用于将临时成像结果合并后得到的共成像点道集进行切除和叠加处理。
叠前多次波逆时偏移地震数据处理过程如图3所示，主要内容包括：
基于Mapreduce框架的地震数据管理和访问机制实现：
在集群上启动每个hadoop数据节点，将地震数据集分发给网络上的每个节点。首先，从分布式文件系统中读入地震道集数据和速度数据，然后进行叠前多次波逆时偏移计算，并将结果累加到本地临时文件；接着，将本地临时文件拷贝到HDFS(分布式文件系统)上，拷贝成功后删除本地临时文件，最后启动程序将HDFS上的临时文件合成并生成成像道集，完成偏移计算。
基于GPU/CPU异构集群的叠前多次波逆时偏移算法实现：
首先，应用(1)中Mapreduce机制在每个节点中获取地震道集数据和速度数据。然后，将这些数据从CPU拷贝到GPU上，在GPU卡上进行多次波逆时偏移计算，计算结束后，将计算结果传给CPU，最后写出临时成像结果。
在本发明的具体示例中，叠前多次波逆时偏移地震数据处理方法包括以下步骤：
1)首先，地震数据为野外采集的原始地震资料进行静校正、反褶积、去噪等预处理后，得到的高信噪比共炮点道集(CSG道集)和对应的介质速度模型；
2)然后，在集群上启动每个hadoop数据节点，将地震数据分成大概相当的若干块，并发给网络上的每个节点，在分发给网络上的每个节点数据的同时，还包括对获取每个节点所处理数据的对应偏移参数(从参数文件表中读取)，截取偏移孔径内地震数据的步骤；
3)再次，根据图4所示的算法流程，图4为叠前多次波逆时偏移计算流程图，由CPU完成数据和参数的读入工作，并将地震数据和参数从CPU拷贝到GPU完成多次波逆时偏移的计算，结束后再将计算结果拷贝到CPU上，并在分布式并行文件系统中写入临时偏移成像结果；
4)接着，启动Reduce操作，将各计算节点分布式文件系统中的临时文件手机并累加得到最终的成像道集；
5)最后，根据处理目标和要求，对成像道集进行切除和叠加处理，得到最终的成像剖面，如图5所示，为本发明具体示例获得的叠前多次波逆时偏移结果。
本发明所述的方法通过数值算例，取得了较好的结果，通过对本发明的测试分析，基于Mapreduce框架实现的叠前多次波逆时偏移GPU加速方法处理效率相较于传统CPU集群有15-20倍的效率提升。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种叠前多次波逆时偏移地震数据处理方法，其特征在于，具体包括以下步骤：
步骤1：获取地震数据；
步骤2：在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
步骤3：对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
步骤4：将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
步骤5：将成像结果输出，生成成像剖面。
2.根据权利要求1所述的一种叠前多次波逆时偏移地震数据处理方法，其特征在于，所述步骤1具体包括：将野外采集的原始地震数据进行预处理，得到高信噪比共炮点道集数据和对应的介质速度模型共同构成地震数据。
3.根据权利要求2所述的一种叠前多次波逆时偏移地震数据处理方法，其特征在于，所述预处理包括静校正、反褶积和去噪中的至少一种。
4.根据权利要求1-3任一项所述的一种叠前多次波逆时偏移地震数据处理方法，其特征在于，所述步骤2中将每个数据块发给集群上的一个数据节点的同时，获取每个数据节点所处理数据的对应偏移参数，截取偏移孔径内的地震数据。
5.根据权利要求1-3任一项所述的一种叠前多次波逆时偏移地震数据处理方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1：对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果累加到本地临时文件中；
步骤3.2：将本地临时文件中的临时成像结果拷贝到分布式文件系统中，删除本地临时文件。
6.根据权利要求1-3任一项所述的一种叠前多次波逆时偏移地震数据处理方法，其特征在于，所述叠前多次波逆时偏移计算是基于CPU/GPU异构集群叠前多次波逆时偏移并行实现的，具体计算过程包括以下步骤：
将每个数据节点中的地震数据从CPU拷贝到GPU中；
在GPU中进行炮集多次波逆时偏移计算，得到计算结果；
将计算结果传输到CPU中并构成临时成像结果。
7.根据权利要求1所述的一种叠前多次波逆时偏移地震数据处理方法，其特征在于，所述步骤2中所述地震数据划分成数据块的数量与启动的数据节点的数量相适配。
8.一种叠前多次波逆时偏移地震数据处理系统，其特征在于，包括数据获取模块、数据管理和访问模块、数据偏移模块、数据汇总模块和输出模块；
所述数据获取模块用于获取地震数据；
所述数据管理和访问模块用于在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
所述数据偏移模块用于对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
所述数据汇总模块用于将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
所述输出模块将成像结果输出，生成成像剖面。
9.根据权利要求8所述的一种叠前多次波逆时偏移地震数据处理系统，其特征在于，还包括处理模块；
所述处理模块用于将临时成像结果合并后得到的共成像点道集进行切除和叠加处理。
CN201510846550.XA 2015-11-26 2015-11-26 一种叠前多次波逆时偏移地震数据处理方法及系统 Pending CN105445792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510846550.XA CN105445792A (zh) 2015-11-26 2015-11-26 一种叠前多次波逆时偏移地震数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510846550.XA CN105445792A (zh) 2015-11-26 2015-11-26 一种叠前多次波逆时偏移地震数据处理方法及系统

Publications (1)

Publication Number Publication Date
CN105445792A true CN105445792A (zh) 2016-03-30

Family

ID=55556204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510846550.XA Pending CN105445792A (zh) 2015-11-26 2015-11-26 一种叠前多次波逆时偏移地震数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN105445792A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526667A (zh) * 2016-10-26 2017-03-22 中国石油天然气集团公司 叠前时间偏移方法和装置
CN107894617A (zh) * 2017-10-19 2018-04-10 中国石油化工股份有限公司 一种地震资料处理中消除偏移噪声的方法
CN108983283A (zh) * 2018-05-04 2018-12-11 中国石油天然气股份有限公司 一种消除并行成像处理痕迹的方法、装置及系统
CN111025400A (zh) * 2018-10-10 2020-04-17 中国石油化工股份有限公司 基于Hadoop的地震偏移成像作业续航方法及系统
CN111965699A (zh) * 2020-09-09 2020-11-20 中国海洋石油集团有限公司 一种克西霍夫叠前深度偏移地震数据处理方法和系统
CN112444851A (zh) * 2019-08-30 2021-03-05 中国石油化工股份有限公司 基于MapReduce并行框架的逆时偏移成像方法及存储介质
CN113126162A (zh) * 2019-12-30 2021-07-16 中国石油天然气集团有限公司 随机噪声衰减计算方法及装置
CN113238283A (zh) * 2021-05-10 2021-08-10 南京大学 一种基于分布式并进计算框架的逆时偏移成像方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269820A (zh) * 2010-06-01 2011-12-07 潜能恒信能源技术股份有限公司 一种基于gpu小存储量交错网格三维地震叠前逆时偏移成像方法
CN102565854A (zh) * 2011-12-27 2012-07-11 中国科学院地质与地球物理研究所 一种海量数据gpu波动方程逆时偏移成像方法
CN103675908A (zh) * 2012-09-21 2014-03-26 中国石油化工股份有限公司 一种海量数据图形处理器的波动方程逆时偏移成像方法
US20140142860A1 (en) * 2012-11-20 2014-05-22 International Business Machines Corporation Efficient wavefield compression in seismic imaging
CN104570081A (zh) * 2013-10-29 2015-04-29 中国石油化工股份有限公司 一种积分法叠前时间偏移地震资料处理方法及系统
CN104570080A (zh) * 2013-10-29 2015-04-29 中国石油化工股份有限公司 一种海量数据叠前逆时偏移多gpu卡协同快速计算方法
CN104635258A (zh) * 2013-11-06 2015-05-20 中国石油天然气集团公司 一种应用cpu-gpu平台进行地震波逆时偏移成像方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269820A (zh) * 2010-06-01 2011-12-07 潜能恒信能源技术股份有限公司 一种基于gpu小存储量交错网格三维地震叠前逆时偏移成像方法
CN102565854A (zh) * 2011-12-27 2012-07-11 中国科学院地质与地球物理研究所 一种海量数据gpu波动方程逆时偏移成像方法
CN103675908A (zh) * 2012-09-21 2014-03-26 中国石油化工股份有限公司 一种海量数据图形处理器的波动方程逆时偏移成像方法
US20140142860A1 (en) * 2012-11-20 2014-05-22 International Business Machines Corporation Efficient wavefield compression in seismic imaging
CN104570081A (zh) * 2013-10-29 2015-04-29 中国石油化工股份有限公司 一种积分法叠前时间偏移地震资料处理方法及系统
CN104570080A (zh) * 2013-10-29 2015-04-29 中国石油化工股份有限公司 一种海量数据叠前逆时偏移多gpu卡协同快速计算方法
CN104635258A (zh) * 2013-11-06 2015-05-20 中国石油天然气集团公司 一种应用cpu-gpu平台进行地震波逆时偏移成像方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘红伟 等: ""地震叠前逆时偏移高阶有限差分算法及GPU实现"", 《地球物理学报》 *
张慧 等: ""基于GPU并行加速的逆时偏移成像方法"", 《石油地球物理勘探》 *
朱博 等: ""基于多卡GPU集群的多次波逆时偏移成像技术"", 《油气地质与采收率》 *
石颖 等: ""基于GPU并行加速的叠前逆时偏移方法"", 《东北石油大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526667A (zh) * 2016-10-26 2017-03-22 中国石油天然气集团公司 叠前时间偏移方法和装置
CN106526667B (zh) * 2016-10-26 2018-10-16 中国石油天然气集团公司 叠前时间偏移方法和装置
CN107894617A (zh) * 2017-10-19 2018-04-10 中国石油化工股份有限公司 一种地震资料处理中消除偏移噪声的方法
CN108983283A (zh) * 2018-05-04 2018-12-11 中国石油天然气股份有限公司 一种消除并行成像处理痕迹的方法、装置及系统
CN111025400A (zh) * 2018-10-10 2020-04-17 中国石油化工股份有限公司 基于Hadoop的地震偏移成像作业续航方法及系统
CN112444851A (zh) * 2019-08-30 2021-03-05 中国石油化工股份有限公司 基于MapReduce并行框架的逆时偏移成像方法及存储介质
CN113126162A (zh) * 2019-12-30 2021-07-16 中国石油天然气集团有限公司 随机噪声衰减计算方法及装置
CN113126162B (zh) * 2019-12-30 2024-05-28 中国石油天然气集团有限公司 随机噪声衰减计算方法及装置
CN111965699A (zh) * 2020-09-09 2020-11-20 中国海洋石油集团有限公司 一种克西霍夫叠前深度偏移地震数据处理方法和系统
CN113238283A (zh) * 2021-05-10 2021-08-10 南京大学 一种基于分布式并进计算框架的逆时偏移成像方法

Similar Documents

Publication Publication Date Title
CN105445792A (zh) 一种叠前多次波逆时偏移地震数据处理方法及系统
Lu et al. Large-scale distributed graph computing systems: An experimental evaluation
Elnikety et al. iHadoop: asynchronous iterations for MapReduce
Simmhan et al. Goffish: A sub-graph centric framework for large-scale graph analytics
US8572575B2 (en) Debugging a map reduce application on a cluster
CN104570081B (zh) 一种积分法叠前时间偏移地震资料处理方法及系统
US9201697B2 (en) System and method to reduce memory usage by optimally placing VMS in a virtualized data center
CN105205154B (zh) 数据迁移方法以及装置
CN110659278A (zh) 基于cpu-gpu异构架构的图数据分布式处理系统
Samosir et al. An evaluation of data stream processing systems for data driven applications
Valvåg et al. Cogset: a high performance MapReduce engine
CN109657197A (zh) 一种叠前深度偏移计算方法及系统
You et al. High-performance polyline intersection based spatial join on GPU-accelerated clusters
CN108319604B (zh) 一种hive中大小表关联的优化方法
Gupta et al. Map-based graph analysis on MapReduce
US11042530B2 (en) Data processing with nullable schema information
CN104090895B (zh) 获取基数的方法、装置、服务器及系统
CN110120959A (zh) 大数据推送方法、装置、系统、设备及可读存储介质
Teixeira et al. Implementation of Kirchhoff prestack depth migration on GPU
CN103678545A (zh) 进行网络资源聚类的方法及装置
Ge et al. S2 reducer: High-performance sparse communication to accelerate distributed deep learning
Liu et al. A-MapCG: an adaptive MapReduce framework for GPUs
CN112444851B (zh) 基于MapReduce并行框架的逆时偏移成像方法及存储介质
Kang et al. A comparative analysis of iterative MapReduce systems
Gao et al. On the power of combiner optimizations in mapreduce over MPI workflows

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160330

RJ01 Rejection of invention patent application after publication