CN109307889A - 基于时空变系数加权的优化叠加方法及系统 - Google Patents
基于时空变系数加权的优化叠加方法及系统 Download PDFInfo
- Publication number
- CN109307889A CN109307889A CN201710632145.7A CN201710632145A CN109307889A CN 109307889 A CN109307889 A CN 109307889A CN 201710632145 A CN201710632145 A CN 201710632145A CN 109307889 A CN109307889 A CN 109307889A
- Authority
- CN
- China
- Prior art keywords
- space
- trace gather
- coefficient
- weighting
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000007493 shaping process Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000003325 tomography Methods 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
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
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)
- Image Processing (AREA)
Abstract
本发明提出了一种基于时空变系数加权的优化叠加方法及系统，该方法包括：由原始数据叠加求取参考序列；计算参考序列和叠前道集间的局部时空变相关系数；确定时空变的加权系数；将时空变的加权系数应用于对应的叠前道集；将加权滤波后的叠前道集进行叠加，得到最终叠加剖面。本发明介绍了一种利用叠前道集与参考序列集之间的时空变相关系数作为加权系数的优化叠加方法，加权系数滤波处理后的叠前道集中的噪声干扰得到有效压制，有效信号得到增强，提高了地震成像道集和叠加剖面的信噪比和整体质量。
Description
技术领域
本发明属于地震勘探资料处理技术领域，涉及高精度地震成像及地震解释处理技术，具体地涉及基于时空变系数加权的优化叠加方法及系统。
背景技术
面对复杂地区的勘探开发，获得正确的构造认识和油气有利圈闭对地震解释工作的精度要求越来越高。由于得到共反射点道集的过程是在叠前实现的，因此其信噪比一般比较低，低信噪比成像道集的直接叠加会降低成像叠加剖面的质量，困扰着传统解释工作的进行。不能被现有方法有效利用的噪声干扰是造成信噪比低的原因之一，并且以随机噪声居多，可以采用叠前去除随机噪声方法来消除或压制，如f-k域倾向滤波、f-x域预测滤波、中值滤波等，但是这些滤波方法没有方向特性，易造成对倾斜同相轴振幅的压制，同时也会模糊小的断层和裂缝等不连续结构。
结构滤波是一种具有地层倾向的滤波方法，能够用于叠前资料的噪声压制，并且具有保护边缘结构的良好特性，但如何有效地对地层倾向进行估计是该方法的关键和难点。
发明内容
本发明介绍了一种利用叠前道集与参考序列集之间的时空变相关系数作为加权系数的优化叠加方法，加权系数滤波处理后的叠前道集中的噪声干扰得到有效压制，有效信号得到增强，提高了地震成像道集和叠加剖面的信噪比和整体质量，对于推动更高精度的地震成像具有重要的现实意义。
针对地震成像道集中存在的噪声干扰问题，本发明介绍了一种利用叠前道集与参考序列集之间的时空变相关系数作为加权系数的优化叠加方法，加权系数滤波处理后的叠前道集中的噪声干扰得到有效压制，有效信号得到增强，提高了地震成像道集和叠加剖面的信噪比和整体质量。
根据本发明的一个方面，提供一种基于时空变系数加权的优化叠加方法，该方法包括：
由原始数据叠加求取参考序列；
计算参考序列和叠前道集间的局部时空变相关系数；
确定时空变的加权系数；
将时空变的加权系数应用于对应的叠前道集；
将加权滤波后的叠前道集进行叠加，得到最终叠加剖面。
进一步地，所述参考序列的求取公式为：
式中，N为叠加道数，j为采样点数，αi,j(t)为叠前道集数据。
进一步地，参考序列和叠前道集间的局部时空变相关系数表示为：
c1＝[λ2I+S(ATA-λ2I)]-1SATb,
c2＝[λ2I+S(BTB-λ2I)]-1SBTa.
式中，A和B分别表示由a和b元素组成的对角矩阵算子，S为整形算子，a和b为两个离散信号的矢量表示，λ为正则化控制算子，c1和c2的积的各个分量即为两个信号的局部时空变相关系数。
进一步地，时空变的加权系数的优化叠加公式表示为：
式中，ωi,j(t)为加权系数，ε为局部相关系数的阈值，为第j个共中心点道集权重的和，Hj(t)为wi,j·ai,j(t)≠0的采样点的个数，ηi,j(t)为第j个共中心点道集第i道的叠前道集与参考序列的局部相关系数。
进一步地，将时空变的加权系数应用于对应的叠前道集的公式为：
式中，ωi,j(t)为加权系数，αi,j(t)为叠前道集数据。
根据本发明的另一方面，提供一种基于时空变系数加权的优化叠加系统，该系统包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
由原始数据叠加求取参考序列；
计算参考序列和叠前道集间的局部时空变相关系数；
确定时空变的加权系数；
将时空变的加权系数应用于对应的叠前道集；
将加权滤波后的叠前道集进行叠加，得到最终叠加剖面。
通过对理论模型和实际资料的处理，验证了本方法对叠前道集中非相关性干扰具有很好的压制效果，有效提高了叠前道集和叠加剖面的质量。
理论模型及实际地震数据处理结果表明：对叠前道集进行基于本方法的时空变加权系数优化叠加处理，有效压制了叠前道集中的随机噪声和非相关性噪声的干扰，提高了叠前道集和叠加剖面的信噪比与整体质量。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本发明实施例的处理流程图。
图2示出了合成理论模型道集及对应的相关系数。
图3示出了常规叠加与本发明得到的叠加道的对比。
图4示出了实际资料原始成像道集。
图5示出了本发明得到的加权滤波后的成像道集。
图6示出了原始叠加剖面。
图7示出了本发明处理后得到的叠加剖面。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本发明属于地震勘探资料处理技术领域，涉及高精度地震成像及地震解释处理技术。成像道集中由于存在随机噪声和非相关性噪声的干扰使得道集信噪比较低，影响了叠加剖面的成像质量。
本发明介绍了一种利用叠前道集与参考序列集之间的时空变相关系数作为加权系数的优化叠加方法，加权系数滤波处理后的叠前道集中的噪声干扰得到有效压制，有效信号得到增强，提高了地震成像道集和叠加剖面的信噪比和整体质量。
常规地震数据处理中，叠加是将多个地震数据道集求和得到单个地震道，使相干信号得到加强，压制随机噪音。本发明提出了一种利用叠前道集和参考序列集计算出时空变相关系数，将此系数作为参与叠加的叠加道的权重，对道集进行叠加，对提高道集信噪比有良好的应用效果。
两个长度为N的离散信号ai和bi的全局相关系数可定义为：
上述公式计算了两列离散信号的一个相关系数，不具有时空变的特征，只能衡量全局的相似性。为了分析信号相似性的局部变化，需要将相似系数转化为时空变量的函数，因此，需要定义滑动时窗相关系数衡量两个信号的局部相似性，其相关系数定义为：
其中w为滑动时窗的长度。相关系数的线性代数表达可以写为两个最小平方逆γ1与γ2的积：
γ2＝γ1γ2
其中a和b为ai和bi的矢量表示。令A和B分别表示由a和b的元素所组成的对角矩阵算子，对上述方程的反演过程加入整形正则化项(Fomel，2007b)，标量γ1和γ2转换为矢量c1和c2，定义为：
c1＝[λ2I+S(ATA-λ2I)]-1SATb,
c2＝[λ2I+S(BTB-λ2I)]-1SBTa.
λ控制算子A和B的相对大小，S是一种整形算子，c1和c2的积的各个分量即为两个信号的局部相似系数。
数学上的局部相关系数法优化叠加公式如下：
ε为局部相关系数的阈值，为第j个共中心点道集权重的和，Hj(t)为wi,j·ai,j(t)≠0的采样点的个数，ηi,j(t)为第j个共中心点道集第i道的叠前道集与参考序列的局部相关系数，其为旅行时和偏移距的函数，参考序列由一个共中心点道集平均叠加得到。局部相关系数阈值ε的应用，使得所有低于阈值的局部相关系数都不参与叠加，只有与参考序列的相似性相对较大的一部分道集参与叠加，这个过程可以看做是提高同相轴相干性的一种非线性滤波。最后，再对所有共中心点道集或共成像点道集进行加权叠加得到最终的叠加剖面。
根据本发明的一个发明，提供一种基于时空变系数加权的优化叠加方法，该方法包括：
由原始数据叠加求取参考序列；
计算参考序列和叠前道集间的局部时空变相关系数；
确定时空变的加权系数；
将时空变的加权系数应用于对应的叠前道集；
将加权滤波后的叠前道集进行叠加，得到最终叠加剖面。
由叠前道集的常规平均叠加得到参考序列，基于叠前道集与参考序列集求取信号的时空变局部相关系数，并对相关系数运用阈值ε进行约束，使得低于阈值的局部相关系数都不参与叠加，只有与参考序列的相似性相对较大的一部分道集参与叠加，对所有叠前道集进行加权滤波，有助于提高地震成像道集和叠加剖面的质量。
如图1所示，本发明实施例的方法具体实现步骤包括：
步骤一：由原始数据叠加求取参考序列，参考序列求取公式为：
式中，N为叠加道数，j为采样点数，αi,j(t)为叠前道集数据。
步骤二：计算参考序列和叠前道集间的局部时空变相关系数：
c1＝[λ2I+S(ATA-λ2I)]-1SATb,
c2＝[λ2I+S(BTB-λ2I)]-1SBTa.
式中，A和B分别表示由a和b元素组成的对角矩阵算子，S为整形算子，a和b为两个离散信号的矢量表示，λ为正则化控制算子，c1和c2的积的各个分量即为两个信号的局部时空变相关系数。
步骤三：定义相关系数加权的优化叠加公式：
式中，ωi,j(t)为加权系数，ε为局部相关系数的阈值，为第j个共中心点道集权重的和，Hj(t)为wi,j·ai,j(t)≠0的采样点的个数，ηi,j(t)为第j个共中心点道集第i道的叠前道集与参考序列的局部相关系数。
步骤四：将时空变的加权系数应用于对应的叠前道集，得到压制噪声干扰，提高同相轴相干性的叠前道集：
式中，ωi,j(t)为加权系数，αi,j(t)为叠前道集数据。
步骤五：将加权滤波后的叠前道集进行叠加，得到最终叠加剖面：
根据本发明的另一方面，提供一种基于时空变系数加权的优化叠加系统，该系统包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
由原始数据叠加求取参考序列；
计算参考序列和叠前道集间的局部时空变相关系数；
确定时空变的加权系数；
将时空变的加权系数应用于对应的叠前道集；
将加权滤波后的叠前道集进行叠加，得到最终叠加剖面。
为便于理解本发明实施例的方案及其效果，以下给出一个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
图2左为合成的理论模型道集记录，并加入了一定的噪声干扰，采用常规平均叠加的方法得到参考序列，让合成记录中的每一道信号与参考序列做局部相关，最后得到每一道的局部相关系数，如图2右所示，由于第一道相对其他四道可以视为非相关干扰，影响了最终的叠加效果，因而其对应的相关系数值整体偏小，即该道权重较小；第二道在时间方向，权重也随着信号的相关性在变化，只有同相时权重最大。以上分析表明，加权系数是时间和空间的函数，具有时空变的性质。
图3为常规方法和本文方法得到的叠加结果，图3左中常规叠加存在着随机噪声和第一道非相关性道的干扰，图3右有效压制了这两种干扰，得到了更好的叠加道集。图4为实际资料处理前成像道集，特别在浅层存在很强的噪声干扰，使得浅层叠加效果不好。
图5为应用本发明得到的加权滤波后的成像道集，道集中噪声得到很好的压制，突出了有效同相轴。图6与图7为原始叠加剖面和本方法处理后的偏移叠加剖面，对比可知，图7得到的叠加剖面信噪比更高，构造成像更加清楚，剖面中噪声干扰得到压制，提高了剖面成像质量。
理论模型及实际地震数据处理结果表明：对叠前道集进行基于本方法的时空变加权系数优化叠加处理，有效压制了叠前道集中的随机噪声和非相关性噪声的干扰，提高了叠前道集和叠加剖面的信噪比与整体质量。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于时空变系数加权的优化叠加方法，其特征在于，该方法包括：
由原始数据叠加求取参考序列；
计算参考序列和叠前道集间的局部时空变相关系数；
确定时空变的加权系数；
将时空变的加权系数应用于对应的叠前道集；
将加权滤波后的叠前道集进行叠加，得到最终叠加剖面。
2.根据权利要求1所述的基于时空变系数加权的优化叠加方法，其特征在于，所述参考序列的求取公式为：
式中，N为叠加道数，j为采样点数，αi,j(t)为叠前道集数据。
3.根据权利要求1所述的基于时空变系数加权的优化叠加方法，其特征在于，参考序列和叠前道集间的局部时空变相关系数表示为：
c1＝[λ2I+S(ATA-λ2I)]-1SATb,
c2＝[λ2I+S(BTB-λ2I)]-1SBTa.
式中，A和B分别表示由a和b元素组成的对角矩阵算子，S为整形算子，a和b为两个离散信号的矢量表示，λ为正则化控制算子，c1和c2的积的各个分量即为两个信号的局部时空变相关系数。
4.根据权利要求1所述的基于时空变系数加权的优化叠加方法，其特征在于，时空变的加权系数的优化叠加公式表示为：
式中，ωi,j(t)为加权系数，ε为局部相关系数的阈值，为第j个共中心点道集权重的和，Hj(t)为wi,j·ai,j(t)≠0的采样点的个数，ηi,j(t)为第j个共中心点道集第i道的叠前道集与参考序列的局部相关系数。
5.根据权利要求1所述的基于时空变系数加权的优化叠加方法，其特征在于，将时空变的加权系数应用于对应的叠前道集的公式为：
式中，ωi,j(t)为加权系数，αi,j(t)为叠前道集数据。
6.一种基于时空变系数加权的优化叠加系统，其特征在于，该系统包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
由原始数据叠加求取参考序列；
计算参考序列和叠前道集间的局部时空变相关系数；
确定时空变的加权系数；
将时空变的加权系数应用于对应的叠前道集；
将加权滤波后的叠前道集进行叠加，得到最终叠加剖面。
7.根据权利要求6所述的基于时空变系数加权的优化叠加系统，其特征在于，所述参考序列的求取公式为：
式中，N为叠加道数，j为采样点数，αi,j(t)为叠前道集数据。
8.根据权利要求6所述的基于时空变系数加权的优化叠加系统，其特征在于，参考序列和叠前道集间的局部时空变相关系数表示为：
c1＝[λ2I+S(ATA-λ2I)]-1SATb,
c2＝[λ2I+S(BTB-λ2I)]-1SBTa.
式中，A和B分别表示由a和b元素组成的对角矩阵算子，S为整形算子，a和b为两个离散信号的矢量表示，λ为正则化控制算子，c1和c2的积的各个分量即为两个信号的局部时空变相关系数。
9.根据权利要求6所述的基于时空变系数加权的优化叠加系统，其特征在于，时空变的加权系数的优化叠加公式表示为：
式中，ωi,j(t)为加权系数，ε为局部相关系数的阈值，为第j个共中心点道集权重的和，Hj(t)为wi,j·ai,j(t)≠0的采样点的个数，ηi,j(t)为第j个共中心点道集第i道的叠前道集与参考序列的局部相关系数。
10.根据权利要求6所述的基于时空变系数加权的优化叠加系统，其特征在于，将时空变的加权系数应用于对应的叠前道集的公式为：
式中，ωi,j(t)为加权系数，αi,j(t)为叠前道集数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632145.7A CN109307889A (zh) | 2017-07-28 | 2017-07-28 | 基于时空变系数加权的优化叠加方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632145.7A CN109307889A (zh) | 2017-07-28 | 2017-07-28 | 基于时空变系数加权的优化叠加方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109307889A true CN109307889A (zh) | 2019-02-05 |
Family
ID=65207388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710632145.7A Pending CN109307889A (zh) | 2017-07-28 | 2017-07-28 | 基于时空变系数加权的优化叠加方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109307889A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180446A (zh) * | 2019-07-04 | 2021-01-05 | 中国石油天然气集团有限公司 | 三维地震数据叠前道集叠加方法及装置 |
| CN114002741A (zh) * | 2020-07-28 | 2022-02-01 | 中国石油天然气股份有限公司 | 叠前深度偏移方法及装置、计算机可读存储介质 |
| CN115860306A (zh) * | 2022-03-07 | 2023-03-28 | 四川大学 | 一种探测突发公卫事件区域公众风险感知时空差异的方法 |
| CN116819627A (zh) * | 2023-06-30 | 2023-09-29 | 中海石油(中国)有限公司深圳分公司 | 地震弱信号的增强方法、装置、设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040210394A1 (en) * | 2001-08-31 | 2004-10-21 | Henning Trappe | Method for the determination of local similitude from seismic 3d measured data |
| CN103197347A (zh) * | 2013-02-20 | 2013-07-10 | 中国海洋石油总公司 | 一种基于自适应时窗的吸收分析油气预测方法 |
| CN106842297A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 井约束非稳态相位校正方法 |
-
2017
- 2017-07-28 CN CN201710632145.7A patent/CN109307889A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040210394A1 (en) * | 2001-08-31 | 2004-10-21 | Henning Trappe | Method for the determination of local similitude from seismic 3d measured data |
| CN103197347A (zh) * | 2013-02-20 | 2013-07-10 | 中国海洋石油总公司 | 一种基于自适应时窗的吸收分析油气预测方法 |
| CN106842297A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油化工股份有限公司 | 井约束非稳态相位校正方法 |
Non-Patent Citations (3)
| Title |
|---|
| GUOCHANG LIU，等: "Stacking seismic data using local correlation", 《GEOPHYSICS》 * |
| 刘国昌，等: "基于整形正则化和S变换的Q值估计方法", 《石油地球物理勘探》 * |
| 邓世广，等: "基于非等权系数的综合优化叠加方法", 《石油地球物理勘探》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180446A (zh) * | 2019-07-04 | 2021-01-05 | 中国石油天然气集团有限公司 | 三维地震数据叠前道集叠加方法及装置 |
| CN114002741A (zh) * | 2020-07-28 | 2022-02-01 | 中国石油天然气股份有限公司 | 叠前深度偏移方法及装置、计算机可读存储介质 |
| CN114002741B (zh) * | 2020-07-28 | 2024-01-30 | 中国石油天然气股份有限公司 | 叠前深度偏移方法及装置、计算机可读存储介质 |
| CN115860306A (zh) * | 2022-03-07 | 2023-03-28 | 四川大学 | 一种探测突发公卫事件区域公众风险感知时空差异的方法 |
| CN115860306B (zh) * | 2022-03-07 | 2023-06-06 | 四川大学 | 一种探测突发公卫事件区域公众风险感知时空差异的方法 |
| CN116819627A (zh) * | 2023-06-30 | 2023-09-29 | 中海石油(中国)有限公司深圳分公司 | 地震弱信号的增强方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fang et al. | Seismic data interpolation based on U-net with texture loss | |
| CN109307889A (zh) | 基于时空变系数加权的优化叠加方法及系统 | |
| Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
| CN103091714B (zh) | 一种自适应面波衰减方法 | |
| Hosseini et al. | Adaptive attenuation of aliased ground roll using the shearlet transform | |
| CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
| US20160054465A1 (en) | Seismic data spectrum restoring and broadening | |
| CN103064115A (zh) | 一种射线参数域纵波与转换波匹配方法 | |
| CN112882099B (zh) | 一种地震频带拓宽方法、装置、介质及电子设备 | |
| Galiana-Merino et al. | Seismic wave characterization using complex trace analysis in the stationary wavelet packet domain | |
| CN104570116A (zh) | 基于地质标志层的时差分析校正方法 | |
| Zhang et al. | A denoising framework for microseismic and reflection seismic data based on block matching | |
| CN115905805A (zh) | 一种基于全局信息判别gan的das数据多尺度噪声消减方法 | |
| Chen et al. | Nonstretching normal-moveout correction using a dynamic time warping algorithm | |
| Shao et al. | Seismic data antialiasing interpolation using sparse Radon transform and dynamic mask function | |
| Hu et al. | Wavefield reconstruction of teleseismic receiver function with the stretching‐and‐squeezing interpolation method | |
| Liao et al. | Residual learning with feedback for strong random noise attenuation in seismic data | |
| Yuan et al. | Attenuation of linear noise based on denoising convolutional neural network with asymmetric convolution blocks | |
| Sun et al. | Beyond correlations: Deep learning for seismic interferometry | |
| Jiang et al. | Seismic wavefield information extraction method based on adaptive local singular value decomposition | |
| US11372122B2 (en) | High-resolution processing method for seismic data based on inverse multi-resolution singular value decomposition | |
| CN104155688A (zh) | 一种高精度加权叠加方法 | |
| Ma et al. | Estimate near-surface velocity with reversals using deep learning and full-waveform inversion: A field-data-driven method | |
| Asgedom et al. | Seismic coherency measures in case of interfering events: A focus on the most promising candidates of higher-resolution algorithms | |
| Dong et al. | Seismic Data Reconstruction Based on a Multi-cascade Self-guided Network |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190205 |