CN106574979A - 实时原位地下成像 - Google Patents
实时原位地下成像 Download PDFInfo
- Publication number
- CN106574979A CN106574979A CN201580040663.9A CN201580040663A CN106574979A CN 106574979 A CN106574979 A CN 106574979A CN 201580040663 A CN201580040663 A CN 201580040663A CN 106574979 A CN106574979 A CN 106574979A
- Authority
- CN
- China
- Prior art keywords
- sensor node
- sensor
- real
- time
- node
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 73
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000003325 tomography Methods 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 239000003921 oil Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 239000003345 natural gas Substances 0.000 claims description 5
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 4
- 239000011707 mineral Substances 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000004587 chromatography analysis Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 31
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 22
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000001360 synchronised effect Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000000243 solution Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001338 self-assembly Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- YGANSGVIUGARFR-UHFFFAOYSA-N dipotassium dioxosilane oxo(oxoalumanyloxy)alumane oxygen(2-) Chemical compound [O--].[K+].[K+].O=[Si]=O.O=[Al]O[Al]=O YGANSGVIUGARFR-UHFFFAOYSA-N 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910052627 muscovite Inorganic materials 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/003—Seismic data acquisition in general, e.g. survey design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
- G01V1/18—Receiving elements, e.g. seismometer, geophone or torque detectors, for localised single point measurements
- G01V1/181—Geophones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/22—Transmitting seismic signals to recording or processing apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/70—Other details related to processing
- G01V2210/72—Real-time processing
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
本文描述了实时原位地下成像的系统和方法。
Description
相关专利申请的交叉引用
本专利申请要求于2014年6月24日提交的美国临时专利申请62/016,319和于2014年10月3日提交的美国临时专利申请62/059,427的优先权和权益,这两个专利申请全文以引用方式并入本文并构成本专利申请的一部分。
政府支持条款
本发明是在由国家科学基金会(NSF)授予的合同号1125165的政府支持下进行的。政府对本发明拥有一定的权利。
背景技术
应用于油田勘探和监测的静态二维(2D)或三维(3D)地下成像技术有许多,并且自20世纪70年代后期以来一直在发展。在延时地下成像的石油勘探应用中,已经包含了数千个大规模的站点。然而,它们仍然基于集中式离线处理,并且通常通过多个主动源记录来实现,其中主要目标在是多年跨度上的变化。在工业和学术界,地震探测尚不具备以高分辨率实时的方式揭示其物理动力学的能力,因为它涉及将原始地震数据从传感器收集到数据记录器,然后手动检索数据进行后期处理,这可能需要几个月才能完成。
最新的传感器网络技术已经成熟,现在可以部署和维护大型网络来实现实时地球物理监测。此外,每个传感器的计算和通信能力可用于分布式层析成像反演。目前常用的地震成像算法不能在现场环境下直接实施,因为它们依赖于集中式算法并且需要从传感器收集大量原始地震数据并将其传输到中央处理单元。然而,由于低功率传感器网络存在严重的带宽和能量约束,无法实时传输原始地震数据。因此,时变的实时地震层析成像需要在层析成像算法和传感器网络设计这两个方面的新方法。这里的研究难题是开发用于在有限的网络资源(带宽、能量、计算能力、存储器等)的严格限制约束下,实时原位处理原始地震数据和计算层析成像的新方法。
因此,需要的是克服如上所述的本领域中的一些难题的系统和方法。
发明内容
本文描述了传感器网络内的实时地下成像系统框架的实施例。与数据收集的集中方法相比,本文所述的系统、方法和算法在满足严格的资源(带宽、能量、计算能力、存储器等)约束的同时在网络中执行实时数据处理和地下成像。本文所述的本发明的实施例适用于火山特例之外的许多领域,例如油田勘探、采矿和天然气勘探,它们具有相似的难题和需求。
本文描述了用以将层析成像反演计算负荷分布到网络的分布式多分辨率演进层析成像系统。部署的传感器节点使用地震事件的到达时间和事件位置来推导地质结构的多维(例如,三维、四维)速度模型。随着记录更多的地球物理数据(例如,主动或被动事件),该速度模型随时间演进,以使现有的模型细化。除了分散化之外,这种方法与传统的数据收集之后集中后期处理的方法形成鲜明对比。就此方面而言,每个节点处的事件到达时间已经由每个节点本身从原始地震数据中提取,并且可在传感器网络中执行地下地球物理成像相关处理和计算。本文所述算法的实施例适用于火山特例之外的诸多领域,例如具有相似的难题和需求的地球物理勘探(诸如石油、天然气、矿产勘探和生产等)。
在一个方面,本文描述了实时地下成像系统。该系统的一个实施例可包括多个传感器节点的网状网络。这些传感器节点可以是无线的、有线的或无线和有线的组合。在一个实施例中,每个传感器节点可包括与存储器通信的处理器;通信模块、能量源、传感器、以及传感器接口板。这些传感器节点中的一个或多个传感器节点可被配置为至少部分地基于由传感器节点接收的数据来计算执行所关注项目的实时地下成像的至少一部分,并且将所关注项目的实时图像的至少一部分提供至另一个传感器节点或用户。
作为另外一种选择或任选地,一个或多个传感器节点包括簇头,并且该簇头与传感器节点中的至少一个传感器节点或网关通信。在一个实施例中,簇头向网关提供所关注项目的实时图像的至少一部分。
在其他方面,本文描述了实时地下成像的方法。该方法的一个实施例包括由多个传感器节点的网状网络中的至少一个传感器节点接收地球物理数据;至少部分地基于由至少一个传感器节点接收的数据来计算执行所关注项目的实时地下物地球物理成像的至少一部分;以及将该所关注项目的实时图像的至少一部分传输至所述多个传感器节点中的另一个传感器节点或传输至与所述多个传感器节点中的至少一个传感器节点通信的网关。这些传感器节点可以是无线的、有线的或无线和有线的组合。
作为另外一种选择或任选地,所关注项目的实时图像的至少一部分被传输至簇头,其中一个或多个簇头将所关注项目的实时图像的至少一部分提供给网关。
在下面的描述中,火山中的走时层析成像仅被描述为地下成像的一个示例;然而,本发明的实施例不限于火山应用,通常适用于地球物理勘探和生产(诸如石油、天然气、矿产勘探和生产)。此外,走时层析成像算法只是一种类型的层析成像算法,层析成像反演仅仅是一种类型的地震成像方法,并且地震成像仅仅是一种类型的地下地球物理成像方法。本发明系统架构和方法的实施例适用于通常用于实时原位成像的许多地下成像应用。
另外的优点将在下面的描述中部分地阐述或者可通过实践来获知。这些优点将通过所附权利要求中具体指出的元素和组合来实现和获得。应当理解,上述一般性描述和以下详细描述都仅仅出于示例性和说明性目的,而不是限制性的,如声明中所述。
附图说明
并入并构成本说明书一部分的附图示出了实施例,并且连同说明书一起用来解释所述方法和系统的原理:
图1a至图1c示出了走时地震层析成像中的示例性过程;
图2是用于实现实时地下成像的基本过程的系统透视图的实施例;
图3是由可用于实时地下成像的许多传感器节点组成的网状网络的示意图;
图4是实时原位走时地震层析成像的示例性系统架构和框架的示意图;
图5示出了用于原位地下成像的示例性传感器网络,其中每个圆圈表示一个传感器节点;
图6是示例性传感器节点的示意图;
图7示出了用于实时地下成像的示例性无线传感器节点;以及
图8示出了可用于实践本发明的各方面的网关的实施例。
具体实施方式
在公开和描述本发明的方法和系统之前,应当理解,所述方法和系统不限于特定的合成方法、特定部件或特定的组成。另外应当了解,本文所用的术语只是为了描述具体实施例的目的,并非旨在进行限制。
如本说明书和所附权利要求中所使用的,单数形式“一个”和“所述”包括复数指代,除非上下文另有明确说明。在本文中,范围可被表示为从“约”一个具体的值,和/或到“约”另一个具体的值。当表示这样的范围时,另一个实施例包括从一个具体的值和/或到其他具体的值。相似地,当前面用“约”将值表示为近似值时,应当理解,该值的具体值构成了另一个实施例。还应当理解,每个范围的端值相对于另一个端值以及独立于另一个端值都是有意义的。
“任选的”或“任选地”是指随后描述的事件或情况可发生或可不发生,并且该描述包括所述事件或情况发生的实例和不发生的实例。
在本说明书的整个说明和权利要求书中,词语“包括”及其变型形式,诸如“含有”和“包含”是指“包括但不限于”,而非意图排除例如其他添加物、部件、整数或步骤。“示例性”是指“…的示例”,并且并非意图传达优选或理想实施例的指示。“诸如”并非以限制性意义使用,而是出于解释的目的。
本发明公开了可用于执行所公开的方法和系统的部件。本文公开了这些及其他部件,并且应当理解,当公开这些部件的组合、子组、交互、组等时,尽管可能没有明确公开对这些部件的各种单独和集合组合和排列中每一者的特定引用,但对于所有的方法和系统,本文对每一者都进行了具体地设想和描述。这适用于本申请的所有方面,包括但不限于所公开的方法中的步骤。因此,如果存在可执行的各种附加步骤,则应当理解,这些附加步骤中的每一个步骤可利用所公开的方法的任何具体实施例或实施例的组合来执行。
本发明的方法和系统可通过参见以下对优选实施例的详细描述和包括在其中的实例以及参见附图及其前文和下文的描述而更易于理解。
如本领域的技术人员将理解的,所述方法和系统可采取纯硬件实施例、纯软件实施例或软件和硬件方面相组合的实施例的形式。此外,该方法和系统可采取计算机可读存储介质上的计算机程序产品的形式,该计算机可读存储介质具有在存储介质中实施的计算机可读程序指令(例如,计算机软件)。更具体地讲,本发明的方法和系统可采取网络实现的计算机软件的形式。可利用任何合适的计算机可读存储介质,包括硬盘、CD-ROM、光存储设备或磁存储设备。
下面参考方法、系统、装置和计算机程序产品的框图和流程图图示来描述所述方法和系统的实施例。应当理解,框图和流程图图示中的每个框,以及框图和流程图图示中的框的组合可分别通过计算机程序指令来实现。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理装置上来生产机器,从而使得在计算机或其他可编程数据处理装置上执行的指令创建用于实现在一个或多个流程图框中指定的功能的方法。
这些计算机程序指令还可被存储在计算机可读存储器中,可指示计算机或其他可编程数据处理装置以特定方式工作,从而使得存储在计算机可读存储器中的指令产生制品,该制品包括用于实现在一个或多个流程图框中指定的功能的计算机可读指令。计算机程序指令还可被加载到计算机或其他可编程数据处理装置上,以导致在所述计算机或其他可编程装置上执行一系列可操作步骤来产生计算机实现的过程,使得在所述计算机或其他可编程装置上执行的指令提供用于实现在一个或多个流程图框中指定的功能的步骤。
因此,框图和流程图图示中的框支持用于执行指定功能的方法的组合、用于执行指定功能的步骤和用于执行指定功能的程序指令方法的组合。还应当理解,框图和流程图图示中的每个框以及框图和流程图图示中的框的组合可由执行指定功能或步骤的基于专用硬件的计算机系统或专用硬件和计算机指令的组合来实施。
应用于火山和油田勘探的多维(例如,三维)结构静态层析成像反演自20世纪70年代末开始被研究。在火山应用中,层析成像反演使用来自最多由数十个节点组成的网络的被动地震数据。所述技术被开发和应用的火山包括圣海伦火山、雷尼尔山、克柳切夫火山、俄罗斯的堪察加火山群和日本的云仙火山。在美国加州的柯索(Coso)地热场,研究人员通过调整速度、各向异性、衰减和孔隙度的层析成像反演,对地震成像做出了重要贡献。
然而,这种反演的分辨率通常以公里或甚至几十公里计。关于火山的复杂内部系统的细节无法解析,因为在发出来自内部通道系统的信号的火山体上缺少节点覆盖。在延时地下成像的石油勘探应用中,已经包含了数千个节点。但是三维成像仍然基于可能在几个月后才会进行的集中式离线处理,并且通常通过多个主动源记录来实现,其中主要目标是关注多年时间跨度上的变化。另一方面,涉及水库和矿区的实时减灾或微震监测的时间尺度是几分钟到几小时。为了实现有效的灾害警报和及时的响应,需要新的方案和方法来解决实时地震层析成像问题。这是开发分布式实时原位地下成像系统和方法的一个初衷。
本文描述了用于实时或近实时地下成像的系统和方法。在一个实施例中,公开了基于走时层析成像原理的实时或近实时地震成像的系统和方法。描述了用于实时监测、数据采集和分布式计算的示例性系统。还描述了为了适应系统设计而特别开发用于高效处理的示例性算法,但是应当理解,本发明的实施例不限于本文所公开的算法。
在一个实施例中,如本文所述的用于地震层析成像的方法是走时地震层析成像,该方法使用传感器节点处的P波到达时间来推导地下的内部速度结构。随着时间的推移,记录到更多的地震或其他主动或被动事件,这个模型不断细化和发展。
如上所述,本发明的一个非限制性实施例包括基于走时层析成像原理的实时地震成像。走时地震层析成像的基本过程通常包括以下步骤:
(1)事件检测与时序。一旦发生地震扰动,检测到地震扰动的节点可确定P波到达时间,然后使用该P波到达时间来估计地震扰动的源位置和发震时刻。在各种实施例中,地震扰动可能是自然发生的(火山、地震等),也可能是被诱发的(爆炸冲击等)。根据本发明的实施例,可用多种方法和算法实现p波到达时间的检测和提取。
(2)事件源定位。然后使用来自所有节点的P波到达时间来估计事件源位置和发震时刻。
(3)层析成像反演。在每个事件之后,地震射线传播到节点并穿过异常介质。这些射线受到扰动,因此记录异常残差。给定地震事件的源位置和火山的当前速度模型,射线跟踪找到从地震源位置到节点的射线路径。跟踪的射线路径继而用于对火山内的地质结构的多维(例如,三维或四维(X、Y、Z和时间))速度模型成像。火山或其他所关注项目(例如,油田、天然气、矿床等的场)被划分成小块,并且地震层析成像问题可被公式化为大型稀疏矩阵的反演问题。图1中示出了这些步骤。
在满足系统设计要求的同时可用于解决层析反演问题的算法的示例描述于Kamath等人的“COMPONENT-AVERAGE BASED DISTRIBUTEDSEISMIC TOMOGRAPHY IN SENSORNETWORKS”(传感器网络中基于分量平均的分布式地震层析成像),第1至8页,该文发表于2013年5月20至23日在美国马萨诸塞州剑桥市举行的“2013IEEE传感器系统中的分布式计算国际会议”论文集中,其全文以引用方式并入本文并构成本文的一部分;以及Shi等人的“IMAGING SEISMIC TOMOGRAPHY IN SENSORNETWORK”(在传感器网络中进行地震层析成像),第1至9页,该文发表于2013年6月24日至27日在洛杉矶新奥尔良举行的“2013年第10届年度IEEE通信学会关于传感器、网格和自组通信与网络的会议(SECON)”论文集中,其全文以引用方式并入本文并构成本文的一部分,但是应当理解,这些算法仅仅是示例,并且层析成像仅是一种类型的地震成像方法。地震成像只是一种类型的地下成像方法。
如前所述,走时层析成像仅被提供作为可通过本发明的实施例来实现的地球物理成像的示例。本发明不限于走时层析成像,而是总体而言适用于实时的地下地球物理成像应用。
图1a至图1c中示出了用于实现实时地下成像的基本过程的系统透视图的实施例。如图所示,传感器节点检测地震扰动(图1a)并确定到达时间,然后将其用于估计火山体中的地震源位置(图1b)。这继而迭代地用于对火山内的速度结构的多维层析成像模型进行成像(图1c)。与典型残差的显著偏差表明火山内部的临界变化,诸如岩浆注入或流体流动。然而,生成和更新这一模型需要大量计算,并且在选择事件时需要高精确度以在每个站处理和推导信号到达时间。该过程由节点协调和数据融合引导以减少(消除)含有噪声的测量值或传感器校准不良的影响。传感器网络中可提供的灵活性可涉及从网关(例如,控制中心)到外围传感器节点的反馈回路,该反馈回路可在获得当前状态信息时适应网络中的采样和计算。
本文所述的地震层析成像技术的用途可包括用于工业应用的微地震成像,其中诱发地震活动监测是它和全波反演地震层析成像的一个子组或步骤。微地震成像可用于识别水压致裂事件的位置,诱发地震活动监测可用于识别废水注入事件的位置和量级。该方法可被看作是地震层析成像中的一个步骤。微地震成像的方法可包括垂直层析成像分区(如Shi等人所述),基于分量平均的分布式地震层析成像(如Kamath等人所述)以及分散优化、时间反转和叠后等。
所述技术的其他用途可包括地震迁移,也称为主动地震成像,其将倾斜反射器移动到其真正的地下位置并且使衍射坍缩。这里,每个节点执行公共接收器迁移计算,从而计算出迁移图像。然后,通过分布式聚合或分散的平均一致性将这些图像堆叠以形成最终图像。所述技术的另一个用途包括环境噪声地震成像,其不需要地震或其他有源源来用于成像。利用实时原位环境噪声成像,在网络节点之间进行互相关来获得到达时间差。每个节点计算程函层析成像,然后将这些图像堆叠以通过分布式聚合或分散的平均一致性形成最终图像。应当理解,本文所述系统的实施例可被扩展为通用现场仪器平台,并且结合地震之外的新的地球物理数据处理和成像算法。
所述技术的实施例可应用于各种各样的地球物理勘探主题,诸如水热、石油勘探、采矿安全、矿产资源监测等。应用的非限制性示例可包括化石燃料勘探和生产(例如,诱发地震活动监测、勘探成像、微地震成像),政府和学术应用(例如,地震/火山研究、地质勘测、环境应用)及其他应用,诸如地下水位置和测绘、地热应用、填埋场选址、桥梁位置研究等。
系统
本文描述了用以支持实时原位地下成像的分布式网络内计算、自适应网络内信号处理和环境感知网络设计的实施例。图2是低成本地球物理站的大规模传感器网络202的实施例的概览,这些站点感测并分析地震信号,而且原位、实时地计算研究对象的实时三维地球物理图像。结果可被传送到网关204(所述结果随后可由远程计算机经由任何有线或无线网络进行访问,包括互联网或卫星),以用于实时地呈现研究对象。所述系统需要一种变换方法来通向层析成像计算算法、协同信号处理和相关联的传感器网络设计。例如,图2的系统可用于感测和分析与火山活动206相关联的地震信号。
如图3所示,本文描述了可用于执行实时地下成像的由许多传感器节点和网关(图3中未示出)组成的网状网络。传感器节点302动态自组织并形成自适应网状网络304(其中一些节点可充当簇头306),该网状网络允许传感器节点彼此通信并将数据中继到网关。使用例如太阳能电池板和可充电电池或其他自给式能量源为所有传感器302和簇头306节点供电,并且所述网关可以是例如用于控制和监测传感器阵列以及用于数据存储和可视化的微型计算机。传感器节点302可被编程以执行各种各样的任务,包括传感器数据的采样、存储、处理和通信。通常,传感器节点302将连续地对传感器数据进行采样,随后将其缓冲到存储器或闪存。节点302可在本地处理传感器数据,例如执行事件检测或波形到达时间计算。节点302然后可与簇头通信或在这些节点本身之间通信以执行分布式计算,例如进行分布式层析成像。
图4示出了实时原位走时地震层析成像的示例性系统架构和框架。如图4所示(402),通信和计算架构可以是平的(其中每个节点扮演相同的角色)或分级的(其中一些节点被选择为较重要的角色,如簇头)。在图4的右侧(404),层析成像计算的分辨率是逐渐演进的,例如随着更多的事件到达,分辨率逐渐增大。在该算法中,因为每个地主的计算只使用系统的一部分As=t,因此结果不等于原系统的解。为了逼近最优解,引入了分辨率演进方案:网络最初计算粗分辨率层析成像,而不对少量地震事件进行分区;随着越来越多的地震事件到达,该网络将使用更多的分区来计算越来越精细的分辨率层析成像。
该方案背后的直观根据是,网络首先以低分辨率计算层析成像结构的轮廓,然后内部用更精细的细节进行填充。利用多分辨率演进方案,不需要等待所有计算完成,并且可按实时方式检索中间结果。
图5示出了用于原位地下成像的示例性传感器网络,其中每个圆圈表示一个传感器节点。
图6是示例性传感器节点500的示意图,该节点包括与存储器504和通信模块506通信的处理器502,以及能量源508和一个或多个传感器。在一个实施例中,传感器节点500还包括能量计510。对于本发明的实施例,一些传感器节点可被选为簇头。
从图6可以理解,在该具体实施中,传感器节点500可包括经由系统接口或总线(未示出)与传感器节点500内的其他元件通信的处理器502。尽管在图6中未示出,但传感器节点500中还可包括用于接收和显示数据的显示设备/输入设备。该显示设备/输入设备可以是例如与监视器联合使用的键盘或指点设备。传感器节点500还可包括存储器504,该存储器可包括只读存储器(ROM)和随机存取存储器(RAM)两者。该节点的ROM可用于存储基本输入/输出系统(BIOS),其包含有助于跨一个或多个网络传送信息的基本例程。
另外,传感器节点500可包括用于在各种计算机可读介质(诸如,硬盘、可移动磁盘或CD-ROM盘)上存储信息的至少一个存储设备,诸如硬盘驱动器、软盘驱动器、CD Rom驱动器、SD盘、光盘驱动器等。如本领域普通技术人员应当理解的,这些存储设备中的每一者可通过适当的接口连接到系统总线。存储设备及其相关联的计算机可读介质可为传感器节点提供非易失性存储。重要的是需注意,上述计算机可读介质可由本领域中已知的任何其他类型的计算机可读介质代替。此类介质包括例如磁带盒、闪存存储器卡和数字视频盘。
多个程序模块可由各种存储设备存储在RAM内。此类程序模块可包括操作系统和多个一个或多个(N)模块。这些模块可在处理器502和操作系统的帮助下控制传感器节点500的操作的某些方面。例如,这些模块可执行上文、下文所描述的以及由附图和本文所公开的其他材料所示的功能。
例如,在一种传感器节点设计中,可使用低功率硬件平台。对于通信模块506,该实施例可使用低功率无线电部件,例如TI CC1101(德州仪器公司),支持高达500Kbps的数据速率,其在900MHz频带上的最大发射功率为12dBm,这允许在相同的能量消耗下覆盖更大的空间。通常,通信模块506还将包括天线512。CC1101支持硬件无线电唤醒功能,可大幅降低功耗。传感器节点500的该实施例还可包括微安精度的能量计510,其允许节点500实时监测其能量消耗率。在传感器节点的不具有能量计510的其他实施例中,可通过软件方法对操作数进行计数并假设每个操作的能量消耗恒定,从而确定能量消耗量。然而,板载能量计510使得实际的能量同步传感器网络设计更具可行性。在一个实施例中,传感器500包括例如用以执行事件检测的低功率处理器502,例如德州仪器MSP430微控制器。在其他实施例中,可使用不同的处理器502,诸如XScale或Atmel AVR32处理器,其具有明显更快的速度(高达几百MHz)和足够的内存(但是能量消耗率更高)来支持本发明的实施例所需的计算。每个节点500还包括传感器514,诸如三轴地震计。在地震成像应用中,传感器514通常是地震检波器或MEMS加速度计。在其他地下地球物理成像应用中,传感器514可以是次声传感器、电磁传感器、电容电极等。
通常,传感器节点500可被封装在防水外壳516中,该外壳具有用于传感器514和无线电天线512的外部连接器。在一个实施例中,所述天线包括安装在天线杆(例如,1m的天线杆)上的8.5dBi天线,以便增加无线电射程和减小地面效应。传感器节点500可采用多跳路由,从而允许阵列的总尺寸在数十公里上延伸。每个节点500还包括执行高分辨率采样和模数转换的传感器接口板516。例如,在一个实施例中,传感器接口板516包括美国模拟器件公司(Analog Devices)ADS1281ADC,从而允许以24位每样本进行采样。采样速率可被编程为最高1kHz。在一个方面,节点500可包括能量源508,该能量源包括由小型(24×21cm)6W太阳能电池板充电的三个10000mAh电池,但是也设想了其他能量源。为了进行位置跟踪和精确的时间戳记,传感器节点500还可包括例如可与网络共同部署的GPS接收器518。图7示出了用于实时地下成像的示例性无线传感器节点。
虽然图6和图7示出并描述了无线传感器节点,但是应当理解,所公开系统的实施例还可包括有线传感器,其中无线电部件和天线被有线网络连接和接口电子设备替代。如本文所述,所述组成网状网络的多个传感器节点可包括无线传感器节点、有线传感器节点,或无线和有线传感器节点的组合。术语“有线”可用于描述用于连接传感器节点或将传感器节点与另一台设备连接的任何物理介质,并且可包括同轴电缆、多股绞合线或实芯线,或光纤电缆。
所述系统的实施例还可包括网关,如图8所示。本领域的技术人员将理解,本文所公开的系统和方法可经由包括计算设备601或计算机形式的通用计算设备的网关来实现。计算机601的部件可包括但不限于:一个或多个处理器或处理单元603、系统存储器612,以及系统总线613,该系统总线将包括处理器603在内的各种系统部件耦接到系统存储器612。在具有多个处理单元603的情况下,该系统可利用并行计算。
系统总线613表示若干可能类型的总线结构中的一种或多种,包括存储器总线或存储器控制器、外围总线、加速图形端口,以及使用各种总线架构中的任一种的处理器或局部总线。例如,此类架构可包括工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线、加速图形端口(AGP)总线,以及外围部件互连(PCI)、PCI-Express总线、个人计算机存储卡工业协会(PCMCIA)、通用串行总线(USB)等。总线613和本说明书中指定的所有总线还可通过有线或无线网络连接来实现,并且每个子系统(包括处理器603、大容量存储设备604、操作系统605、地球物理软件606、地球物理数据607(可包括从传感器节点500接收的数据)、网络适配器608、系统存储器612、输入/输出接口610、显示适配器609、显示设备611和人机接口602)可包含在物理上分离的位置处的一个或多个远程计算设备601内,并通过这种形式的总线连接,实际上实现了完全分布式的系统。
计算机601通常包括各种计算机可读介质。示例性可读介质可以是可由计算机601访问的任何可用介质,并且包括例如但不限于易失性和非易失性介质、可移动介质和不可移动介质。系统存储器612包括易失性存储器形式的计算机可读介质(诸如随机存取存储器(RAM))和/或非易失性存储器(诸如只读存储器(ROM))。系统存储器612通常包含数据诸如地球物理数据607,以及/或者程序模块诸如操作系统605和地球物理软件606,所述程序模块可由处理单元603即时访问和/或当前由该处理单元进行操作。
在另一方面,计算机601还可包括其他可移动/不可移动、易失性/非易失性计算机存储介质。例如,图4示出了可为计算机601提供计算机代码、计算机可读指令、数据结构、程序模块和其他数据的非易失性存储的大容量存储设备604。例如并且不旨在进行限制,大容量存储设备604可以是硬盘、可移动磁盘、可移动光盘、磁带盒或其他磁存储设备、闪存存储器卡、CD-ROM、数字通用光盘(DVD)或其他光学存储器、随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)等。
任选地,可在大容量存储设备604上存储任何数量的程序模块,包括例如操作系统605和地球物理软件606。操作系统605和地球物理软件606中的每一者(或它们的一些组合)可包括编程元素和地球物理软件606。地球物理数据607也可存储在大容量存储设备604上。地球物理数据607可存储在本领域中已知的一种或多种文件或数据库中的任一者中。此类数据库的示例包括Access、SQL Server、mySQL、PostgreSQL等。这些数据库可跨多个系统集中或分布。
在另一方面,显示设备611也可经由接口(诸如显示适配器609)连接到系统总线613。可以设想,计算机601可具有不止一个显示适配器609,并且计算机601可具有不止一个显示设备611。例如,显示设备可以是监视器、LCD(液晶显示器)或投影仪。除了显示设备611之外,其他输出外围设备可包括可经由输入/输出接口610连接到计算机601的部件,诸如扬声器(未示出)和打印机(未示出)。所述方法的任何步骤和/或结果可按任何形式输出到输出设备。该输出可以是任何形式的视觉表示,包括但不限于文本、图形、动画、音频、触觉等。
计算机601可在联网环境中进行操作,该联网环境包括例如本文所述的传感器节点500的网状网络,具体方法是使用到一个或多个传感器节点和/或远程计算设备614a、614b、614c的逻辑连接,诸如上文中关于图4和图5所述的那些。
为了说明的目的,应用程序和其他可执行程序组件(诸如操作系统605)在本文中被示为离散块,但应当理解,此类程序和组件在不同时间驻留在计算设备601的不同存储部件中,并且由计算机的一个或多个数据处理器执行。地球物理软件606的一个具体实施可存储在某种形式的计算机可读介质上,或在某种形式的计算机可读介质之间传输。本发明所公开的方法中的任一方法可由在计算机可读介质上实施的计算机可读指令执行。计算机可读介质可以是可由计算机访问的任何可用介质。作为示例而不旨在进行限制,计算机可读介质可包括“计算机存储介质”和“通信介质”。“计算机存储介质”包括以任何方法或技术实现以用于存储信息诸如计算机可读指令、数据结构、程序模块或其他数据的易失性和非易失性介质、可移动和不可移动介质。示例性计算机存储介质包括但不限于:RAM、ROM、EEPROM、闪存存储器或其他存储技术、CD-ROM、数字通用光盘(DVD)或其他光学存储器、磁带盒、磁带、磁盘存储器或其他磁存储设备,或可用于存储所需信息以及可由计算机访问的任何其他介质。
如上所述,本发明的一个非限制性实施例包括基于走时层析成像原理的实时地震成像。该走时地震层析成像问题可被公式化为大型稀疏矩阵反演。假设有M个地震事件和N个传感器。令ti=[ti1,ti2,…,ti M]T,其中tij是传感器i在第j个地震事件中经历的走时残差。假设该层析成像模型中共存在L个块,并且令s∈RL×1表示该速度模型。对于传感器i,要求解的方程组将是ti=Ai s,
(1)其中Ai∈RM×L,并且Ai[m,l]是第l个块与在第m个地震事件中连接传感器i和源位置的射线路径的相交长度。由于每个射线路径在少数模型节点处与模型相交,所以该设计矩阵Ai为稀疏矩阵。该地震层析成像问题是从下式求解s
其中t=[t1,t2,...,tN]T,A=[A1,A2,...,AN]T,并且Θ是使反演过程正则化的阻尼参数。上述方程常常是一个超定问题。为了求得最小二乘解s*,即
s*=arg min t-As。(3)
最优速度模型s*的计算是层析成像中计算最密集和耗时的方面。即使在标准PC或服务器级机器上,大量站点的计算可能需要数小时或数天才能完成。一般而言,采用稀疏矩阵法如LSQR或其他共轭梯度法来对该方程组求解。还开发了各种并行算法以加快这些方法的执行。然而,这些集中式方法是为高性能计算机所设计,需要大量的计算/存储器资源,并且需要了解全局信息(例如,t和A)。因此,它们此前不能由传感器网络以分布式方式执行。
本文描述了可将计算负担分配给传感器节点本身的方法。首先,使用在部署之前确定的简单起始模型来初始化所有传感器节点。然后,利用检测到的和定位的每个后续主动或被动事件来使实时层析成像模型更新并演变。与此前的集中式方法相比,所述解决方案的实施例是完全分布式的,并且只需要每个传感器存储本地信息(例如,其本身的到达时间ti和火山模型Ai的一部分)并与相邻传感器通信。一个实施例包括以下阶段:
1。射线追踪阶段:每次地震后,射线传播到传感器并与模型中的块相交。穿过异常体(岩浆堆积)的射线受到扰动,因此记录异常残差。给定地震事件的源位置和当前速度模型,每个传感器更新从地震源位置到其本身物理位置的射线路径,并由此更新Ai。由于每个站点可执行其自己的射线跟踪,因此每个传感器节点需要传递到其他站点的唯一信息是穿透块的整数索引向量和相关联的残差。只有被射线路径穿透的那些块需要更新。根据每个块中的射线路径段沿着该射线划分残差,并将残差的该比例添加到每个块。
2。迭代优化阶段:利用为所有传感器更新的Ai,可使用分布式最小二乘法算法来迭代地求解上述方程(3)。每个传感器保持其自己的速度模型si,并且簇头协调分布式优化来实现一致性解s。具体地讲,在每次迭代中,传感器i使ti-Ai si最小化,并将局部解si传输到其簇头。每个簇头将局部解组合并将组合的模型发送回成员传感器。簇头也彼此进行通信以实现全局一致性。更新的体素还被实时传送到网关节点以用于实时层析成像可视化。已经证明,基于上述策略的若干算法可收敛于全局最优解。本文描述了此类算法的示例。优化阶段的通信复杂度是O(N·K),其中N是节点数,K是使用的迭代数。
基于上述网络内层析成像反演的基本思想,本文描述了用以改进所述分布式方法的实时性能的方法和系统的实施例。实时层析成像反演的关键挑战是在获得地震事件的所有信息之前逐步更新系统模型。在一个方面,可使用分布式增量最小二乘法算法,其中根据历史数据的老旧程度对其进行指数加权。在另一方面,描述了行运算矩阵法的使用,其不需要完整的设计矩阵同时在存储器中。事实上,连续反投影的方法可在无需停机的情况下实时并入新信息(射线路径或行)。在这种情况下,当地震发生时,模型不断地被新的信息更新,并被纳入反演中。该方法是演进结构的实时反演的理想选择,其中地震可动态地包括在分析中。之前从未尝试过对正在爆发的火山中的地下结构特征进行动态更新,并且这种动态更新代表了在火山分析、物理火山学和以减灾为目的的地震监测方面的重要进展。
本文描述了适用于地震层析成像的新的分布式最小二乘法算法,其用于所述系统的实施例中。此前的最小二乘算法采用局部解的加权和来实现一致性,而没有考虑地震层析成像的精度。如本文所述,组合规则以在所期望的层析成像精度界限下加速收敛可能是更有效的。此前的算法被设计为采用低维度估计信号。相比之下,地震层析成像通常是高维估计问题,其中火山模型A是非常大的稀疏矩阵。可利用A的稀疏度来减少节点间通信开销。
一般来讲,地下成像应用通常与地震层析成像应用具有某些相似性(尤其是在空间和时间覆盖率和反演性质方面),并且可被公式化为最小二乘反演问题。即使它们不形成为最小二乘问题,所述的感测和计算架构仍然可以经常应用。如本文所指出的,所述的系统架构和框架的实施例使得以前在数据收集之后以集中式方式完成的处理和计算,现在以分布式方式在传感器本身之间原位完成,从而实现了实时成像同时节省了资源。
环境感知和能量同步联网
本文所述实施例的底层基础设施是环境感知而且对资源约束和波动自适应的大规模智能传感器网络。随时间的推移,网络的运行状况预期会有高度的变化性。火山活动极其多变。太阳能充电波动、灰尘覆盖和恶劣的天气状况可导致存储在每个传感器节点处的能量的量随时间推移而不同。此外,节点中途退出和偶然重启可导致可变的传感器数据可用性和网络拓扑结构。由于期望网络处理面对这些波动时能够稳健操作,因此本文描述了用以处理不利条件和部分的、可能是临时的系统故障的一种方法的实施例。
环境感知网络自适应
为了确保高数据质量,本文描述了多个算法的实施例,其允许传感器节点适应其行为,从而适应网络状态的变化,包括对网络拓扑结构、节点数量和能量水平的那些运行时反馈。例如,期望在节点故障、通信链路被破坏或能量级耗尽时,网络数据产品的保真性温和地降低。
例如,可调整层析成像反演过程来排除具有低能量水平的传感器节点,如同这些站点当初没有检测到事件一样。通过使资源有限的节点空闲,可节省能量用于以后的计算。同样,节点可执行纯局部事件检测,并推迟更新全局层析成像模型,直到能量以更大的量供应。这将导致模型中的某些体素的精度降低,但是一旦这些节点再次联机,这些体素就可以被更新。通过在簇内的节点之间共用体素,该算法可容忍单个节点故障。
通过相应减少每个节点为处理给定地震所执行的处理量或数据传输量,可明确地增加网络使用寿命和能量效率,从而提高数据质量。例如,强烈地震将产生非常清晰的P波初动,并且可能不需要涉及所有的节点,因为所得到的事件位置将是非常准确的。为了执行事件定位,可能需要从分布良好的传感器节点的子组(例如,至少四个)准确选择P波,但是从额外节点进行选择可限制误差包络。根据地震的估计位置和当前模型的精度,可自适应地选择传感器节点的子组,从而对每个事件执行层析成像反演。这具有在整个网络上平衡负载的效果,大大延长了整体使用寿命。此外,某些数据可能比其他数据对层析成像模型更新有更重要的贡献。因此,该数据的传送可优先进行,并且某对节点可具有较高的优先级来同步其占空比以进行更快的数据传送。期望一种分布式方法来找到满足给定信息质量约束的最小代价和最短时延路由结构。一种可能的方法是基于拓扑感知的直方图聚合结构,其压缩了包括每个激活的节点的数据质量贡献招致的成本。
在另一方面,可采取效用驱动的方法来适应网络保真度,其中基于数据对全局模型的预期贡献来在节点处收集或处理数据。效用函数可用于驱动从节点收集原始数据。该方法可被显著扩展为涵盖中间数据产品,从而允许系统基于在每个站点处采集的数据来智能分配计算、带宽和能量资源。簇头节点可为计算中的每个数据产品分配期望的效用。然后节点分配资源以在诸如预期电池寿命目标的约束下实现效用最大化。
能量同步资源协调
用于在传感器网络中节能的技术包括MAC、路由、拓扑控制协议以及跨层优化。然而,减少总能量消耗不需要延长全局网络使用寿命。部署传感器网络技术所面临的挑战是,电池或太阳能供电的传感器网络是否能够提供所需的监测服务质量,同时满足使用寿命要求。在本发明的一个实施例中,可使用能量同步的资源协调机制,其中包括每个节点内的任务管理和整个网络上的通信协调。如本文所指出的,传感器节点可具有板载低成本能量计,使得实际的能量同步设计成为可能。
在每个节点内,可根据能量预算来将任务同步和按优先级排列,以满足使用寿命和服务质量要求。感测、发送、接收和计算任务在不同状态下具有不同的优先级。每个节点可确定需要以正确顺序运行的任务组,使得网络服务质量不受影响。可以作出实时决定来确定数据是否应存储在本地存储器(例如,闪存)中还是经由无线电传输,或者确定是否应处理数据以生成高级元数据,从而使数据质量的减损降到最低。在一个实施例中,通用的能量同步中间件紧密耦接到传感器网络操作系统的任务调度器(例如,TinyOS),该任务调度器可用于基于应用需求、能量条件和任务依赖性来对任务进行优先级排序。
在能量同步网络中,每个节点可使其无线电状态处于周期性活动或睡眠模式(例如,占空比),与其能量水平同步以确保连续操作。能量发生波动时,占空比波动,并且一些节点可能必须进入休眠模式。剧烈的能量状况和恶劣的火山环境可能破坏通信,随着时间的推移将导致网络运行状况出现高度的变化性。传统的路由协议假设一个随时连接的网络,其目的是找到一条将源与目的地连接的最佳路径。相比之下,网络连通性是动态的,并由每个相邻节点对的占空比和状态来确定。在一个方面,可使用能量同步的MAC和路由协议栈,使得介质访问和分组路由与能量波动同步并且容忍网络中断。给定一张能量图,图中的每个像素表示节点中的能量水平,所面临的挑战是设计优化与该图对应的资源和数据流的分布式通信协议,使得网络时延和中断可被降到最低。在一个方面,可使用社会启发的机制实现协同资源协调。例如,为了达到网络上的能量平衡,可将阿特金森的不平等指数用作路由度量,该指数是社会中经济收入不平等性的量度。
实例
提出以下实例以向本领域的普通技术人员提供如何制备和评价本文要求保护的复合物、组合物、制品、设备和/或方法的完整公开内容和描述,并且预期这些实例仅仅是示例性的,并非旨在限制所述方法和系统的范围。已经努力确保关于数字(例如,量、温度等)的准确性,但是应当考虑一定的误差和偏差。除非另有说明,否则份数是重量份,温度是℃或为环境温度,压力是大气压或接近大气压。
Kamath等人的“COMPONENT-AVERAGE BASED DISTRIBUTEDSEISMIC TOMOGRAPHY INSENSOR NETWORKS”(传感器网络中基于分量平均的分布式层析成像),第1至8页,该文发表于2013年5月20至23日在美国马萨诸塞州剑桥市举行的“2013IEEE传感器系统中的分布式计算国际会议”论文集中,在此附上并且其全文以引用方式并入本文,而且构成本文的一部分;以及Shi等人的“IMAGING SEISMIC TOMOGRAPHY INSENSOR NETWORK”(在传感器网络中进行地震层析成像),第1至9页,该文发表于2013年6月24日至27日在洛杉矶新奥尔良举行的“2013年第10届年度IEEE通信学会关于传感器、网格和自组通信与网络的会议(SECON)”论文集中;
例如,参见例如Kamath等人发表于2015年《传感器网络国际期刊》上的“Distributed Tomography with Adaptive Mesh Refinement in SensorNetworks”(传感器网络中具有自适应网格细化的分布式层析成像);以及Kamath等人于2015年在巴西福塔雷萨(Fortaleza,Brazil)举行的第11届传感器系统分布式计算(DCOSS)国际会议上发表的“Distributed RandomizedKaczmarz and Applications to Seismic Imaging in SensorNetwork”(传感器网络中地震成像的分布式随机卡茨马尔兹和应用),这些文章全文以引用方式并入本文并构成本文的一部分。
虽然已经结合优选实施例和具体示例描述了所述方法和系统,但是并非意图将范围限制在所陈述的具体实施例,因为本文的实施例在所有方面都旨在是示例性的而不是限制性的。
除非另有明确说明,否则绝无意于将本文所陈述的任何方法理解为要求其步骤以特定顺序执行。因此,在方法权利要求实际上未叙述其步骤所遵循的顺序或者在权利要求或具体实施方式中没有另外具体说明步骤被限制为特定顺序的情况下,绝无意于在任何方面推断出一种顺序。这适用于任何可能的非明确的解读基础,包括:关于步骤或操作流程的安排的逻辑问题;从语法组织或标点符号推导的普通意义;在说明书中描述的实施例的数量或类型。
多种出版物的引用可贯穿于本申请书。这些出版物的公开内容据此全文以引用方式并入本申请中以更全面地描述所述方法和系统所属技术领域的现状。
对于本领域的技术人员将显而易见的是,可在不脱离本发明的范围或精神的前提下作出各种修改形式和变型形式。在考虑了本文所公开的说明书和实践的情况下,其他实施例对于本领域的技术人员来说将是显而易见的。说明书和实例应被认为仅为示例性的,本发明的真实范围和实质由所附权利要求书限定。
Claims (22)
1.一种实时原位地下成像系统,包括:
多个传感器节点,其中每个传感器节点包括:
与存储器通信的处理器;
通信模块;
能量源;
传感器;以及
传感器接口板,
其中所述多个传感器节点感测地球物理信号,自形成和自适应网状网络以用于所述多个传感器节点之间的通信,并且
其中在所述传感器节点网状网络中实时执行分布式数据处理和地下成像计算。
2.根据权利要求1所述的系统,其中所述多个传感器节点的至少一部分包括无线传感器节点。
3.根据权利要求1至2中任一项所述的系统,其中所述多个传感器节点的至少一部分包括有线传感器节点。
4.根据权利要求1至3中任一项所述的系统,其中在所述传感器节点网状网络中实时执行分布式数据处理和地下成像计算包括在所述传感器节点网状网络中实时执行分布式地震数据处理和层析成像计算。
5.根据权利要求1至4中任一项所述的系统,其中用户可通过一个或多个传感器节点检索和监测所述实时分布式数据处理和地下成像计算的结果。
6.根据权利要求5所述的系统,其中所述用户通过网关检索和监测所述实时地下成像结果。
7.根据权利要求6所述的系统,其中所述网关显示所关注项目的实时图像的至少一部分。
8.根据权利要求6或7所述的系统,其中所述多个传感器节点中的至少一个包括簇头,并且所述簇头将所述实时分布式数据处理和地下成像计算的所述结果的至少一部分提供给所述网关。
9.根据权利要求4所述的系统,其中在所述传感器节点网状网络中实时执行分布式地震数据处理和层析成像计算包括所述一个或多个传感器节点检测和定位地震事件,确定从所述地震事件的位置到所述传感器节点的射线路径,以及使用所述射线路径和分布式层析成像反演算法来确定所关注项目的实时图像的至少一部分。
10.根据权利要求9所述的系统,其中所关注项目的所述实时图像的分辨率随着额外的检测到的地震事件而增大。
11.根据权利要求9至10中任一项所述的系统,其中所关注项目是石油、天然气、矿产勘探或其他地质环境。
12.根据权利要求9至11中任一项所述的系统,其中所述分布式层析成像反演算法包括垂直分区层析成像反演或基于分量平均的分布式地震层析成像反演。
13.根据权利要求1至12中任一项所述的系统,其中所述传感器节点还包括能量计,并且由每个传感器节点基于由所述能量计确定的所使用的能量来执行计算。
14.一种实时原位地下成像的方法,包括:
由多个传感器节点组成的网状网络中的传感器节点感测地球物理数据;以及
至少部分地基于由所述传感器节点接收的数据来执行实时地下成像计算的一部分。
15.根据权利要求14所述的方法,其中所述多个传感器节点的至少一部分包括无线传感器节点。
16.根据权利要求14至15中任一项所述的方法,其中所述多个传感器节点的至少一部分包括有线传感器节点。
17.根据权利要求14至16中任一项所述的方法,其中由多个传感器节点组成的网状网络中的所述传感器节点感测地球物理数据包括由多个传感器节点组成的所述网状网络中的所述传感器节点中的至少一个检测事件。
18.根据权利要求17所述的方法,其中所述地下成像包括地震层析成像,并且所述事件是地震或微地震,或者是由主动源引起的地震事件。
19.根据权利要求18所述的方法,其中至少部分地基于由所述传感器节点接收的数据来执行实时地下成像计算的至少一部分包括通过检测至少一个传感器节点来确定从所述地震事件的位置到所述传感器节点的射线路径;以及通过所述检测至少一个传感器节点,使用所述射线路径和分布式层析成像反演算法来确定所关注项目的实时图像的至少一部分。
20.根据权利要求14至19中任一项所述的方法,其中所述多个传感器节点中的至少一个包括网关,并且其中用户可通过用作所述网关的所述至少一个传感器节点监测实时地下成像结果。
21.根据权利要求20所述的方法,其中所述多个传感器节点中的至少一个包括簇头,并且所述簇头将实时地下成像结果的至少一部分提供给所述网关。
22.根据权利要求19至21中任一项所述的方法,其中通过所述检测至少一个传感器节点来确定的所关注项目的所述实时图像的分辨率随着更多的检测到的地震事件而增大。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462016319P | 2014-06-24 | 2014-06-24 | |
US62/016,319 | 2014-06-24 | ||
US201462059427P | 2014-10-03 | 2014-10-03 | |
US62/059,427 | 2014-10-03 | ||
PCT/US2015/037056 WO2015200240A1 (en) | 2014-06-24 | 2015-06-23 | Real-time in-situ sub-surface imaging |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106574979A true CN106574979A (zh) | 2017-04-19 |
CN106574979B CN106574979B (zh) | 2020-07-28 |
Family
ID=54938718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580040663.9A Active CN106574979B (zh) | 2014-06-24 | 2015-06-23 | 实时原位地下成像 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10393896B2 (zh) |
EP (1) | EP3161523A4 (zh) |
CN (1) | CN106574979B (zh) |
WO (1) | WO2015200240A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10713144B2 (en) | 2017-11-15 | 2020-07-14 | General Electric Company | Virtual processor enabling real-time in situ disassembly and debugging in SoC environment |
FR3085212B1 (fr) * | 2018-08-21 | 2020-08-07 | Centre Nat Rech Scient | Procede de detection d'un fluide et systeme associe |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5235857A (en) * | 1986-05-02 | 1993-08-17 | Forrest Anderson | Real time 3D imaging device using filtered ellipsoidal backprojection with extended transmitters |
CN102163363A (zh) * | 2011-04-07 | 2011-08-24 | 北京航空航天大学 | 山体滑坡实时监测与预警系统 |
CN102457932A (zh) * | 2010-10-26 | 2012-05-16 | 高旭 | 低功耗无线传感器网络节点 |
CN102597808A (zh) * | 2009-11-02 | 2012-07-18 | 界标制图有限公司 | 采用倾斜的横向各向同性的3d逆向时间偏移的地震成像系统与方法 |
CN103038761A (zh) * | 2010-04-13 | 2013-04-10 | 视觉智能有限合伙公司 | 自校准的远程成像和数据处理系统 |
CN103210323A (zh) * | 2011-03-31 | 2013-07-17 | 雪佛龙美国公司 | 处理地震数据的系统和方法 |
CN103576194A (zh) * | 2012-08-02 | 2014-02-12 | 中国石油天然气集团公司 | 一种准确的深度域复杂地表地震构造成像方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6414955B1 (en) * | 1999-03-23 | 2002-07-02 | Innovative Technology Licensing, Llc | Distributed topology learning method and apparatus for wireless networks |
US6832251B1 (en) | 1999-10-06 | 2004-12-14 | Sensoria Corporation | Method and apparatus for distributed signal processing among internetworked wireless integrated network sensors (WINS) |
US7127353B2 (en) * | 2004-08-27 | 2006-10-24 | Strm, Llc | Method and apparatus for imaging permeability pathways of geologic fluid reservoirs using seismic emission tomography |
-
2015
- 2015-06-23 US US15/321,962 patent/US10393896B2/en active Active
- 2015-06-23 WO PCT/US2015/037056 patent/WO2015200240A1/en active Application Filing
- 2015-06-23 EP EP15810909.0A patent/EP3161523A4/en not_active Withdrawn
- 2015-06-23 CN CN201580040663.9A patent/CN106574979B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5235857A (en) * | 1986-05-02 | 1993-08-17 | Forrest Anderson | Real time 3D imaging device using filtered ellipsoidal backprojection with extended transmitters |
CN102597808A (zh) * | 2009-11-02 | 2012-07-18 | 界标制图有限公司 | 采用倾斜的横向各向同性的3d逆向时间偏移的地震成像系统与方法 |
CN103038761A (zh) * | 2010-04-13 | 2013-04-10 | 视觉智能有限合伙公司 | 自校准的远程成像和数据处理系统 |
CN102457932A (zh) * | 2010-10-26 | 2012-05-16 | 高旭 | 低功耗无线传感器网络节点 |
CN103210323A (zh) * | 2011-03-31 | 2013-07-17 | 雪佛龙美国公司 | 处理地震数据的系统和方法 |
CN102163363A (zh) * | 2011-04-07 | 2011-08-24 | 北京航空航天大学 | 山体滑坡实时监测与预警系统 |
CN103576194A (zh) * | 2012-08-02 | 2014-02-12 | 中国石油天然气集团公司 | 一种准确的深度域复杂地表地震构造成像方法 |
Non-Patent Citations (3)
Title |
---|
CAIMU TANG等: "An Energy Efficient Adaptive Distributed Source Coding Scheme in Wireless Sensor Networks", 《NEW FRONTIERS IN TELECOMMUNICATIONS:2003 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 * |
LEI SHI等: "Imaging Seismic Tomography in Sensor Network", 《2013 IEEE INTERNATIONAL CONFERENCE ON SENSING, COMMUNICATIONS AND NETWORKING (SECON)》 * |
WEN-ZHAN SONG等: "Air-dropped Sensor Network for Real-time High-fidelity Volcano Monitoring", 《MOBISYS 09 PROCEEDINGS OF THE 7TH INTERNATIONAL CONFERENCE ON MOBILE SYSTEMS,APPLICATIONS AND SERVICES》 * |
Also Published As
Publication number | Publication date |
---|---|
US20170139064A1 (en) | 2017-05-18 |
EP3161523A1 (en) | 2017-05-03 |
CN106574979B (zh) | 2020-07-28 |
EP3161523A4 (en) | 2017-05-31 |
WO2015200240A1 (en) | 2015-12-30 |
US10393896B2 (en) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10519766B2 (en) | Reservoir modelling with multiple point statistics from a non-stationary training image | |
US9378312B2 (en) | Faulted geological structures having unconformities | |
Iervolino et al. | Uncertainty in early warning predictions of engineering ground motion parameters: What really matters? | |
Xu et al. | Evaluation of active learning algorithms for formation lithology identification | |
Song et al. | GANSim‐3D for conditional geomodeling: theory and field application | |
CN116665067B (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
CN109113729A (zh) | 基于测井曲线的岩性识别方法及装置 | |
Fan et al. | Land cover classification of resources survey remote sensing images based on segmentation model | |
Shen et al. | Distributed Markov Chain Monte Carlo Method on Big-Data Platform for Large-Scale Geosteering Inversion Using Directional Electromagnetic Well Logging Measurements. | |
Straubhaar et al. | Conditioning Multiple‐Point Statistics Simulation to Inequality Data | |
Jiang et al. | Multi-sensor InSAR time series fusion for long-term land subsidence monitoring | |
CN106574979A (zh) | 实时原位地下成像 | |
Solomentsev et al. | Ionosphere state and parameter estimation using the Ensemble Square Root Filter and the global three‐dimensional first‐principle model | |
CN107817524B (zh) | 三维地震层析成像的方法和装置 | |
Poppeliers et al. | The relative importance of assumed infrasound source terms and effects of atmospheric models on the linear inversion of infrasound time series at the source physics experiment | |
Pinsky | Modeling warning times for the Israel’s earthquake early warning system | |
CHO et al. | Constructing a system to explore shallow velocity structures using a miniature microtremor array—Accumulating and utilizing large microtremor datasets— | |
Gvishiani et al. | Big data in geophysics and other earth sciences | |
Sorkhabi et al. | Investigating the efficiency of deep learning methods in estimating GPS geodetic velocity | |
Cheng et al. | Extended analysis of real‐time fof2 mapping in mideastern China based on shortwave signals | |
Chena et al. | Federated learning for cross-block oil-water layer identification | |
Vinard et al. | Localizing weak microseismic events using transfer learning with a deep neural network | |
Chen et al. | Seismic ahead-prospecting based on deep learning of retrieving seismic wavefield | |
Uzun | Estimating parameters of subsurface structures from airborne gravity gradiometry data using a Monte-Carlo Optimization Method | |
Tang et al. | Review for the microseismic source location in surrounding rock of deep-buried tunnel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1234497 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1234497 Country of ref document: HK |