CN109471171B - 一种混叠地震数据分离的方法、装置及系统 - Google Patents

一种混叠地震数据分离的方法、装置及系统 Download PDF

Info

Publication number
CN109471171B
CN109471171B CN201811120334.7A CN201811120334A CN109471171B CN 109471171 B CN109471171 B CN 109471171B CN 201811120334 A CN201811120334 A CN 201811120334A CN 109471171 B CN109471171 B CN 109471171B
Authority
CN
China
Prior art keywords
data
common
linear radon
separation
seismic data
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.)
Active
Application number
CN201811120334.7A
Other languages
English (en)
Other versions
CN109471171A (zh
Inventor
宋家文
张少华
李培明
王文闯
孙鹏远
詹毅
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.)
China National Petroleum Corp
BGP Inc
Original Assignee
China National Petroleum Corp
BGP Inc
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 China National Petroleum Corp, BGP Inc filed Critical China National Petroleum Corp
Priority to CN201811120334.7A priority Critical patent/CN109471171B/zh
Publication of CN109471171A publication Critical patent/CN109471171A/zh
Application granted granted Critical
Publication of CN109471171B publication Critical patent/CN109471171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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. analysis, for interpretation, for correction
    • G01V1/32—Transforming one recording into another or one representation into another
    • G01V1/325—Transforming one representation into another

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

本说明书实施例公开了一种混叠地震数据分离的方法、装置及系统，所述方法包括根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间‑空间域共偏移距共方位角道集；对所述时间‑空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；对阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。利用本说明书各实施例，可以提高混叠地震数据分离的效果和稳定性。

Description

一种混叠地震数据分离的方法、装置及系统
技术领域
本发明涉及石油天然气勘探开发技术领域，特别地，涉及一种混叠地震数据分离的方法、装置及系统。
背景技术
常规地震采集采用较大的时间间隔激发震源，检波器接收到的各炮记录互不干扰，地震数据品质较好，但采集效率低。超高效混叠地震采集技术极大的缩短了震源激发间隔，提高了采集效率，但各炮记录相互干扰。超高效混叠地震采集时，混叠的炮数较多，达到十几甚至几十个，炮间干扰非常严重，需要依靠精确、稳健的分离方法提高地震数据品质。
目前工业界采用的混叠地震数据分离方法主要包括滤波法和反演法两种。滤波法利用主炮信号与邻炮噪声在道集上的相干性差异来分离它们，如中值滤波。反演法利用主炮信号与邻炮噪声在变换域(傅里叶变换、聚焦变换等)的稀疏度差异来区分它们，该方法分离效果优于滤波法，但计算量较大。超高效混叠地震采集数据具有混叠度高、信噪比低等特点，严重影响了上述方法的有效性和稳定性。因此，目前亟需一种更加稳定有效的混叠地震数据分离方法。
发明内容
本说明书实施例的目的是提供一种混叠地震数据分离的方法、装置及系统，可以提高混叠地震数据分离效果和稳定性。
本说明书提供一种混叠地震数据分离的方法、装置及系统是包括如下方式实现的：
一种混叠地震数据分离的方法，包括：
根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
另一方面，本说明书实施例还提供一种混叠地震数据分离的方法，包括：
获取目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息；
采用迭代的方式获得所述目标工区的分离地震数据，包括：
根据上次迭代的分离数据及所述原始混叠地震数据、炮检点位置、激发时间、听时间信息，构建时间-空间域共偏移距共方位角道集；
对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据；
将本次迭代的分离数据用于下次迭代过程，直至满足预设要求，获得所述目标工区的分离地震数据。
本说明书提供的所述方法的另一个实施例中，所述对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：所述多模分级阈值处理中的模类型q包括：0<q<1。
本说明书提供的所述方法的另一个实施例中，所述对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
Figure BDA0001811218710000021
式中，f[k]表示线性拉东域共偏移距共方位角道集数据，T(f[k])表示对f[k]阈值处理后的数据，q表示模类型，τ表示自适应阈值，sgn表示符号函数。
本说明书提供的所述方法的另一个实施例中，所述对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
计算线性拉东域共偏移距共方位角道集数据的振幅，将所述振幅进行降序排序获得振幅数组；
根据本次迭代的次数及所述振幅数组求取本次迭代的自适应阈值；
根据所述自适应阈值对所述线性拉东域共偏移距共方位角道集数据进行多模分级阈值处理。
本说明书提供的所述方法的另一个实施例中，所述求取本次迭代的自适应阈值，包括：
Figure BDA0001811218710000031
式中，τ表示自适应阈值，i表示本次迭代次数，sortA表示振幅数组，M表示样点数目，N表示总迭代次数，INT表示取整运算。
本说明书提供的所述方法的另一个实施例中，所述对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据，包括：
对阈值处理的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得阈值处理后的分离数据；
计算阈值处理后的分离数据和上次迭代分离数据的差值，获得本次迭代的更新梯度；
根据所述更新梯度及预设加权系数更新阈值处理后的分离数据，获得本次迭代的分离数据。
本说明书提供的所述方法的另一个实施例中，所述根据所述更新梯度及预设加权系数更新阈值处理后的分离数据，获得本次迭代的分离数据，包括：
mi(xR,xS,t)＝mi-1(xR,xS,t)+wi*Δm(xR,xS,t)
式中，mi(xR,xS,t)表示本次迭代的分离数据，mi-1(xR,xS,t)表示上次迭代分离的数据，Δm(xR,xS,t)表示本次迭代的更新梯度，
Figure BDA0001811218710000032
表示本次迭代对应的梯度加权系数。
另一方面，本说明书实施例还提供一种混叠地震数据分离的装置，包括：
第一数据获取模块，用于根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
正变换模块，用于对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
阈值处理模块，用于对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
反变换模块，用于对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
另一方面，本说明书实施例还提供一种混叠地震数据分离的装置，包括：
第二数据获取模块，用于获取目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息；
迭代模块，用于执行下述迭代步骤：
道集构建单元，用于根据上次迭代的分离数据及所述原始混叠地震数据、炮检点位置、激发时间、听时间信息，构建时间-空间域共偏移距共方位角道集；
正变换单元，用于对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
阈值处理单元，用于对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
反变换单元，用于对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据；
结果输出模块，用于当满足预设要求时，将最后一次迭代获得的分离数据确定为所述目标工区的分离地震数据。
另一方面，本说明书实施例还提供一种混叠地震数据分离的设备，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
另一方面，本说明书实施例还提供一种混叠地震数据分离的系统，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个实施例所述方法的步骤。
本说明书一个或多个实施例提供的一种混叠地震数据分离的方法、装置及系统，可以利用地震数据在线性拉东域有效信号与噪声的分布差异，在线性拉东域基于多模分级阈值法识别共偏移距共方位角道集中的信噪差异，提高地震数据分离的效果和稳定性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书提供的一种混叠地震数据分离的方法实施例的流程示意图；
图2为本说明书提供的一个实施例中的混叠地震数据采集示意图；
图3为本说明书提供的另一种混叠地震数据分离的方法实施例的流程示意图；
图4为本说明书提供的一个实例中的混叠数据分离前的共偏移距共方位角道集示意图；
图5为本说明书提供的另一个实例中的混叠数据分离后的共偏移距共方位角道集示意图；
图6为本说明书提供的另一个实例中的混叠数据分离前的炮集示意图；
图7为本说明书提供的另一个实例中的混叠数据分离后的炮集示意图；
图8为本说明书提供的一种混叠地震数据分离的装置实施例的模块结构示意图；
图9为本说明书提供的另一种混叠地震数据分离的装置实施例的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。基于说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例方案保护的范围。
常规地震采集采用较大的时间间隔激发震源，检波器接收到的各炮记录互不干扰，地震数据品质较好，但采集效率低。超高效混叠地震采集技术极大的缩短了震源激发间隔，提高了采集效率，但各炮记录相互干扰。超高效混叠地震采集时，混叠的炮数较多，达到十几甚至几十个，炮间干扰非常严重，需要依靠精确、稳健的分离方法提高地震数据品质。
相应的，本说明书实施例提供了一种混叠地震数据分离的方法，可以利用地震数据在线性拉东域有效信号与噪声的分布差异，在线性拉东域基于多模分级阈值方法识别共偏移距共方位角道集中的信噪差异，提高地震数据分离的效果和稳定性。
图1是本说明书提供的所述一种混叠地震数据分离的方法实施例流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示，本说明书提供的混叠地震数据分离的方法的一个实施例中，所述方法可以包括：
S102：根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集。
可以获取目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息。
所述原始混采数据可以包括基于混叠地震采集技术采集到的地震数据。
所述炮检点位置可以包括采用混叠地震采集技术采集地震数据时，每个检波器连续记录的地震数据所对应的激发点和接收点位置信息。
所述激发时间可以包括每个检波器连续记录的地震数据所对应的震源的激发时间。
所述听时间可以根据实际地震采集的炮检点排布等信息预先确定。
图2是混叠地震采集的示意图，其中S＝{S1,…,Si,Si+1,…,Sn}表示n个震源，各震源依次在Ti时刻激发，混采数据由检波器R连续记录，ΔT是听时间。
由图2可知，Ti+1-Ti＜ΔT，即相邻两炮的激发间隔小于听时间，因此两炮记录存在混叠。超高效混叠地震采集时，混叠的炮数更多，达到十几甚至几十个，采集到的数据炮间干扰非常严重。
可以根据炮检点位置、激发时间、听时间信息对原始混叠地震数据进行拆分，获得分离数据m(xR,xS,t)，具体拆分方式可以参考现有技术实施，这里不做累述。然后，可以根据拆分后的分离数据构建时间-空间域共偏移距共方位角道集数据。
S104：对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集。
可以对每一个共偏移距共方位角道集分别在时间方向和空间方向上做线性拉东正变换，获得线性拉东域共偏移距共方位角道集数据。
S106：对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理。
可以利用多模分级阈值方法进行线性拉东域共偏移距共方位角道集中的信噪分离。所述模可以理解为两个n维变量(或者两个n维空间点)间的闵可夫斯基距离，其中，模类型对应空间维数n。一些实施方式中，对拉东域的上述角道集数据进行多模分级阈值处理，可以包括：计算线性拉东域共偏移距共方位角道集数据振幅值，对所述振幅值大小分布进行分析，根据分析结果对所述振幅值划分不同的数值等级分别进行多模阈值处理。相应的，不同数据等级对应的阈值不同，可以根据实际数据分布逐步调整确定所述阈值。所述模类型可以根据实际需要自行设定。
具体实施时，可以根据地震数据的噪声与有效信号在线性拉东域的差异性分布，基于多模分级阈值方法对线性拉东域共偏移距共方位角道集数据进行稀疏约束处理，有效压制地震数据的噪声，提取地震数据的有效信号。
本说明书的一个实施例中，对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理中模类型q可以包括：0<q<1。
具体实施时，模类型q的取值可以为0-1之间的任意值，可以通过分析数据处理后分离地震数据的信噪比来确定最优的q值。通常，地震数据噪声压制较多，会影响有效信号的真实性，而噪声压制的太少，又会影响分离后的地震数据的信噪比。本实施利通过利用优化后的q值对线性拉东域共偏移距共方位角道集数据进行稀疏约束处理，可以在兼顾信号的稳定性的同时，有效提高分离后地震数据的信噪比，从而有效保证数据分离的效果和稳定性。
本说明书的一个实施例中，还可以根据下述方式对线性拉东域共偏移距共方位角道集进行多模分级阈值处理：
Figure BDA0001811218710000081
式中，T(f[k])表示对f[k]阈值处理后的数据，q是模类型，τ表示预设阈值，sgn表示符号函数。
其中，预设阈值τ的大小可以根据实际需要自行设定。本实施例通过综合分析数据处理的效果，利用上述公式进一步明确稀疏约束的具体运算方式。从而，利用上述实施例提供的方案，可以进一步提高数据分离的效果和稳定性。
S108：对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
可以对多模分级阈值处理后的线性拉东域共偏移距共方位角道集数据进行线性拉东反变换，得到阈值处理的时间-空间域共偏移距共方位角道集数据。
可以重复上述步骤，进行下一个共偏移距共方位角道集处理，直到完成所有共偏移距共方位角道集处理，获得所述目标工区的分离地震数据。
本说明书实施例提供的上述方案，通过利用地震数据在线性拉东域地震信噪数据的差异性分布，基于多模分级阈值方法进行有效信号与噪声的分离，有效提高了信噪分离的效果和稳定性。
图3表示本说明书提供的另一种混叠地震数据分离的方法实施例流程示意图。如图3所示，所述方法可以包括：
S202：获取目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息。
所述原始混采数据可以包括基于混叠地震采集技术采集到的地震数据。
所述炮检点位置可以包括采用混叠地震采集技术采集地震数据时，每个检波器连续记录的地震数据所对应的激发点和接收点位置信息。
所述激发时间可以包括每个检波器连续记录的地震数据所对应的震源的激发时间。
所述听时间可以根据实际地震采集的炮检点排布等信息预先确定。
S204：执行迭代步骤。
可以设定初始分离数据，执行下述迭代步骤：
S2042：根据上次迭代的分离数据及原始混叠地震数据、炮检点位置、激发时间、听时间信息，构建时间-空间域共偏移距共方位角道集数据。
可以利用上次迭代分离数据和炮检点位置、激发时间、听时间信息，合成混采数据：
Figure BDA0001811218710000091
式中，xR表示检波器位置，xS表示震源位置，TS表示震源激发时间，ΔT表示听时间，di(xR,t)表示本次迭代合成的混采数据，mi-1(xR,xS,t)表示上次迭代分离的数据，Γ(xS,TS,ΔT)表示合成算子，
Figure BDA0001811218710000092
表示对所有震源求和。
其中，所述合成算子可以表示基于炮检点位置、震源激发时间及听时间信息，将上次迭代分离的地震数据进行合成的算法。
然后，可以对原始混采数据与合成混采数据的残差进行拆分：
Figure BDA0001811218710000093
式中，
Figure BDA0001811218710000094
表示拆分的残差，d(xR,t)表示原始混采数据，Γ(xS,TS,ΔT)H表示拆分算子。其中，所述拆分算子可以表示合成算子的逆运算。
然后，计算拆分的残差与上次迭代分离数据的和，并根据求和之后的数据构建时间-空间域共偏移距共方位角道集。
S2044：对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集。
可以对每一个共偏移距共方位角道集分别在时间方向和空间方向上做线性拉东正变换，获得线性拉东域共偏移距共方位角道集数据。
S2046：对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理。
可以利用多模分级阈值方法进行线性拉东域共偏移距共方位角道集中的信噪分离。所述模可以理解为两个n维变量(或者两个n维空间点)间的闵可夫斯基距离，其中，模类型对应空间维数n。一些实施方式中，对拉东域的上述角道集数据进行多模分级阈值处理，可以包括：计算线性拉东域共偏移距共方位角道集数据振幅值，对所述振幅值大小分布进行分析，根据分析结果对所述振幅值划分不同的数值等级分别进行多模阈值处理。相应的，不同数据等级对应的阈值不同，可以根据实际数据分布逐步调整确定所述阈值。所述模类型可以根据实际需要自行设定。
本说明书的一个实施例中，对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理中模类型q可以包括：0<q<1。
具体实施时，模类型q的取值可以为0-1之间的任意值，可以通过分析数据处理后分离地震数据的信噪比来确定最优的q值。通常，地震数据噪声压制较多，会影响有效信号的真实性，而噪声压制的太少，又会影响分离后的地震数据的信噪比。本实施利通过利用优化后的q值对线性拉东域共偏移距共方位角道集数据进行稀疏约束处理，可以在兼顾信号的稳定性的同时，有效提高分离后地震数据的信噪比，从而有效保证数据分离的效果和稳定性。
本说明书的一个实施例中，还可以根据下述方式对线性拉东域共偏移距共方位角道集进行多模分级阈值处理：
Figure BDA0001811218710000111
式中，T(f[k])表示对f[k]阈值处理后的数据，q是模类型，τ表示自适应阈值，sgn表示符号函数。
其中，预设阈值τ的大小可以根据实际需要自行设定。本实施例通过综合分析数据处理的效果，利用上述公式进一步明确稀疏约束的具体运算方式。从而，利用上述实施例提供的方案，可以进一步提高数据分离的效果和稳定性。
本说明书的另一个实施例中，还可以先计算线性拉东域共偏移距共方位角道数据的振幅，然后，将所述振幅进行降序排序获得振幅数组。根据本次迭代的次数及所述振幅数组求取本次迭代的自适应阈值，并根据所述自适应阈值对线性拉东域共偏移距共方位角道集进行多模分级阈值处理。
具体实施时，可以获取待多模分级阈值处理的某一线性拉东域共偏移距共方位角道数据，然后，计算该地震道数据的振幅。并将该地震道各采样点的振幅降序排列，获得振幅数组。然后，可以根据本次迭代的次数及所述振幅数组求取本次迭代的自适应阈值，基于所述自适应阈值对相应的线性拉东域共偏移距共方位角道数据进行多模分级阈值处理。
利用降序排列的振幅及迭代次数确定自适应阈值，可以在初始迭代过程中利用较大的阈值条件，先过滤出较强的有效信号数据。然后，随着迭代次数的增加，再逐步将稍弱些的有效信号进行有效过滤。从而，可以在有效保证信号信噪分离的同时，加快收敛速度，进一步提高计算效率。
本说明书的一个或者多个实施例中，所述自适应阈值τ求取方式可以包括：
首先，计算线性拉东域数据的振幅：
Figure BDA0001811218710000112
式中，f[k]是线性拉东域数据，k＝1,2,3,…,M，M表示样点数目，Re(f[k])和Im(f[k])分别表示f[k]的实部和虚部，A[k]表示f[k]的振幅。
然后，对A[k]中的数据进行降序排序，得到排序后的振幅数组sortA；
最后，求取本次迭代对应的自适应阈值：
Figure BDA0001811218710000121
式中，i表示本次迭代次数，N表示总迭代次数，INT表示取整运算。
S2048：对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据。
可以对多模分级阈值处理的线性拉东域共偏移距共方位角道集进行线性拉东反变换，得到多模分级阈值处理的时间-空间域共偏移距共方位角道集。
可以重复上述步骤，进行下一个共偏移距共方位角道集处理，直到完成所有共偏移距共方位角道集处理，得到本次迭代的分离数据。
本说明书的另一个实施例中，所述对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据，可以包括：
对阈值处理的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得阈值处理后的分离数据；计算多模分级阈值处理后的分离数据和上次迭代分离数据的差值，获得本次迭代的更新梯度；根据所述更新梯度及预设加权系数更新阈值处理后的分离数据，获得本次迭代的分离数据。
通过在更新梯度的基础上，进一步增加加权系数进行迭代数据的更新，可以加快迭代的收敛速度，提高计算效率。
一些实施方式中，可以先计算本次迭代分离数据的更新梯度，计算公式为：
Δm(xR,xS,t)＝mi(xR,xS,t)-mi-1(xR,xS,t)
式中，mi(xR,xS,t)和mi-1(xR,xS,t)分别表示本次迭代和上次迭代分离的数据；
然后，可以利用加权梯度wi更新本次迭代分离数据，计算公式为：
mi(xR,xS,t)＝mi-1(xR,xS,t)+wi*Δm(xR,xS,t)
本说明书提供的一个或者多个实施例中，所述加权梯度可以表示为：
Figure BDA0001811218710000122
其中，w0＝1。
利用本实施例提供的加权梯度计算方式，可以进一步加快迭代的收敛速度，提高计算效率。
S206：结束迭代，获得所述目标工区的分离地震数据。
可以判断上述迭代是否满足预设要求，当满足预设要求时，则结束迭代，将最后一次迭代获得的分离地震数据确定为所述目标工区的分离地震数据。
一些实施方式中，所述判断上述迭代是否满足预设要求可以包括：预先设置迭代次数，当达到预设迭代次数时，则结束迭代，输出最后一次迭代获得的分离地震数据。其中，所述迭代次数可以通过预先对迭代结果的精度要求、迭代收敛的速度进行综合分析后确定。另一些实施方式中，所述预设要求还可以包括预设精度要求，即可以通过判断每次迭代输出的分离数据的信噪比是否达到预设精度，如果满足，则输出相应的分离地震数据，结束迭代。当然，具体实施时，也可以采用其他方式判断迭代结果是否满足要求，这里不做限定。
本说明书实施例提供的上述方案，基于迭代的方式，利用地震数据在线性拉东域地震信噪数据的差异性分布，基于多模分级阈值方法进行有效信号与噪声的有效分离，进一步有效提高了信噪分离的效果和稳定性。同时，还可以采用自适应阈值和梯度加权算法加快收敛速度，提高了计算效率。
本说明书为了更好的说明上述实施例提供的方案的实用性及可行性，还提供了一种应用上述实施例方案的具体实例。
本说明书实例中使用的数据是超高效混采地震数据，具体实现步骤如下：
1)获取原始混采数据和炮检点位置、激发时间、听时间信息。
2)设定最大迭代次数N＝50和初始分离数据m0(xR,xS,t)＝0，开始迭代。
3)利用上次迭代分离数据和炮检点位置、激发时间、听时间信息，合成混采数据：
Figure BDA0001811218710000131
式中，xR表示检波器位置，xS表示震源位置，TS表示震源激发时间，ΔT表示听时间，di(xR,t)表示本次迭代合成的混采数据，mi-1(xR,xS,t)表示上次迭代分离的数据，Γ(xS,TS,ΔT)表示合成算子，
Figure BDA0001811218710000141
表示对所有震源求和。
4)对原始混采数据与合成混采数据的残差进行拆分：
Figure BDA0001811218710000142
式中，
Figure BDA0001811218710000143
表示拆分的残差，d(xR,t)表示原始混采数据，Γ(xS,TS,ΔT)H表示拆分算子。
5)利用拆分的残差与上次迭代分离数据求和，构建时间-空间域共偏移距共方位角道集，图2展示了分离前(第一次迭代)的共偏移距共方位角道集。
6)对每一个共偏移距共方位角道集分别在时间方向和空间方向上做线性拉东正变换，获得线性拉东域共偏移距共方位角道集。
7)对当前线性拉东域共偏移距共方位角道集求取自适应阈值，求取方式是：
首先，计算线性拉东域数据的振幅：
Figure BDA0001811218710000144
式中，f[k]是线性拉东域数据，k＝1,2,3,…,M，M表示样点数目，Re(f[k])和Im(f[k])分别表示f[k]的实部和虚部，A[k]表示f[k]的振幅；
然后，对振幅数组A进行降序排序，得到排序后的数组sortA；
最后，求取本次迭代对应的自适应阈值：
Figure BDA0001811218710000145
式中，i表示本次迭代次数，N表示总迭代次数，INT表示取整运算。
8)根据求取的自适应阈值，对线性拉东域共偏移距共方位角道集进行多模分级阈值处理：
Figure BDA0001811218710000151
式中，T(f[k])表示对f[k]阈值处理后的数据，q是模类型，这里q＝0.5，τ是自适应阈值，sgn表示符号函数。
9)对阈值处理的线性拉东域共偏移距共方位角道集进行线性拉东反变换，得到阈值处理的时间-空间域共偏移距共方位角道集。
10)重复步骤6)至步骤9)，进行下一个共偏移距共方位角道集处理，直到完成所有共偏移距共方位角道集处理，得到本次迭代分离数据。
11)计算本次迭代分离数据的更新梯度，计算公式为：
Δm(xR,xS,t)＝mi(xR,xS,t)-mi-1(xR,xS,t)
式中，mi(xR,xS,t)和mi-1(xR,xS,t)分别表示本次迭代和上次迭代分离的数据。
12)利用加权梯度更新本次迭代分离数据，计算公式为：
mi(xR,xS,t)＝mi-1(xR,xS,t)+wi*Δm(xR,xS,t)
式中，
Figure BDA0001811218710000152
表示本次迭代对应的梯度加权系数，其中w0＝1。
13)重复步骤3)至步骤12)，进行下一次迭代处理，直至达到最大迭代次数，完成混采数据分离。
图4表示超高效混采数据分离前的共偏移距共方位角道集示意图；图5表示超高效混采数据分离后的共偏移距共方位角道集示意图。图4、图5中的横坐标第一行表示线号(LINE)，第二行表示共中心点号(CMP)，纵坐标表示时间(Time)。由图4可以看到主炮信号是线性相干的，而邻炮干扰是随机分布的。对比图4和图5可知，邻炮干扰得到了有效的压制。
图6表示分离前的炮集示意图；图7表示分离后的炮集示意图。图6、图7中的横坐标第一行表示炮号(SP)，第二行表示道号(Trace)，纵坐标表示时间(Time)。由图6可以看出，主炮信号与邻炮干扰干涉严重。对比图6和图7可知，主炮信号和邻炮干扰得到了有效的分离，地震数据品质显著提升。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述，在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例提供的一种混叠地震数据分离的方法，可以利用地震数据在线性拉东域有效信号与噪声的分布差异，在线性拉东域基于多模分级阈值方法识别共偏移距共方位角道集中的信噪差异，提高地震数据分离的效果和稳定性。
基于上述所述的混叠地震数据分离的方法，本说明书一个或多个实施例还提供一种混叠地震数据分离的装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，图8表示说明书提供的一种混叠地震数据分离的装置实施例的模块结构示意图，如图8所示，所述装置可以包括：
第一数据获取模块302，可以用于根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
正变换模块304，可以用于对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
阈值处理模块306，可以用于对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
反变换模块308，可以用于对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
利用上述实施例的方案，可以有效提高信噪分离的效果和稳定性。
图9表示说明书提供的另一种混叠地震数据分离的装置实施例的模块结构示意图，如图9所示，所述装置可以包括：
第二数据获取模块402，可以用于获取目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息；
迭代模块404，可以用于执行下述迭代步骤：
道集构建单元，可以用于根据上次迭代的分离数据及所述原始混叠地震数据、炮检点位置、激发时间、听时间信息，构建时间-空间域共偏移距共方位角道集；
正变换单元，可以用于对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
阈值处理单元，可以用于对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
反变换单元，可以用于对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据；
结果输出模块406，可以用于当满足预设要求时，将最后一次迭代获得的分离数据确定为所述目标工区的分离地震数据。
利用上述实施例的方案，可以进一步有效提高信噪分离的效果和稳定性，同时，还可以利用自适应阈值和梯度加权算法加快收敛速度，提高计算效率。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书一个或多个实施例提供的一种混叠地震数据分离的装置，可以利用地震数据在线性拉东域有效信号与噪声的分布差异，在线性拉东域基于多模分级阈值方法识别共偏移距共方位角道集中的信噪差异，提高地震数据分离的效果和稳定性。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。因此，本说明书还提供一种混叠地震数据分离的设备，包括处理器及存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理；
对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
需要说明的，上述所述的处理设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
上述实施例所述的一种混叠地震数据分离的设备，可以利用地震数据在线性拉东域有效信号与噪声的分布差异，在线性拉东域基于多模分级阈值方法识别共偏移距共方位角道集中的信噪差异，提高地震数据分离的效果和稳定性。
本说明书还提供一种混叠地震数据分离的系统，所述系统可以为单独的混叠地震数据分离的系统，也可以应用在多种类型的油田开发系统或者数据分析系统中。所述的系统可以为单独的计算机，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置(如激发装置、接收装置、接收线路)等。所述混叠地震数据分离的系统可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
需要说明的，上述所述的系统根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
上述实施例所述的一种混叠地震数据分离的系统，可以利用地震数据在线性拉东域有效信号与噪声的分布差异，在线性拉东域基于多模分级阈值方法识别共偏移距共方位角道集中的信噪差异，提高地震数据分离的效果和稳定性。
需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
尽管本说明书实施例内容中提到的多模分级阈值处理、自适应阈值等获取、定义、交互、计算、判断等操作和数据描述，但是，本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书的可选实施方案范围之内。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元，可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、平板计算机或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种混叠地震数据分离的方法，其特征在于，包括：
根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
Figure FDA0002388885080000011
式中，f[k]表示线性拉东域共偏移距共方位角道集数据，T(f[k])表示对f[k]阈值处理后的数据，q表示模类型，τ表示自适应阈值，sgn表示符号函数；
对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
2.一种混叠地震数据分离的方法，其特征在于，包括：
获取目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息；
采用迭代的方式获得所述目标工区的分离地震数据，包括：
根据上次迭代的分离数据及所述原始混叠地震数据、炮检点位置、激发时间、听时间信息，构建时间-空间域共偏移距共方位角道集；
对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
Figure FDA0002388885080000021
式中，f[k]表示线性拉东域共偏移距共方位角道集数据，T(f[k])表示对f[k]阈值处理后的数据，q表示模类型，τ表示自适应阈值，sgn表示符号函数；
对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据；
将本次迭代的分离数据用于下次迭代过程，直至满足预设要求，获得所述目标工区的分离地震数据。
3.根据权利要求2所述的混叠地震数据分离的方法，其特征在于，所述对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：所述多模分级阈值处理中的模类型q包括：0<q<1。
4.根据权利要求2或3所述的混叠地震数据分离的方法，其特征在于，所述对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
计算线性拉东域共偏移距共方位角道集数据的振幅，将所述振幅进行降序排序获得振幅数组；
根据本次迭代的次数及所述振幅数组求取本次迭代的自适应阈值；
根据所述自适应阈值对所述线性拉东域共偏移距共方位角道集数据进行多模分级阈值处理。
5.根据权利要求4所述的混叠地震数据分离的方法，其特征在于，所述求取本次迭代的自适应阈值，包括：
Figure FDA0002388885080000022
式中，τ表示自适应阈值，i表示本次迭代次数，sortA表示振幅数组，M表示样点数目，N表示总迭代次数，INT表示取整运算。
6.根据权利要求2所述的混叠地震数据分离的方法，其特征在于，所述对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据，包括：
对阈值处理的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得阈值处理后的分离数据；
计算阈值处理后的分离数据和上次迭代分离数据的差值，获得本次迭代的更新梯度；
根据所述更新梯度及预设加权系数更新阈值处理后的分离数据，获得本次迭代的分离数据。
7.根据权利要求6所述混叠地震数据分离的方法，其特征在于，所述根据所述更新梯度及预设加权系数更新阈值处理后的分离数据，获得本次迭代的分离数据，包括：
mi(xR，xS,t)＝mi-1(xR，xS，t)+wi*Δm(xR，xS，t)
式中，mi(xR,xS,t)表示本次迭代的分离数据，mi-1(xR，xS，t)表示上次迭代分离的数据，Δm(xR，xS，t)表示本次迭代的更新梯度，
Figure FDA0002388885080000031
表示本次迭代对应的梯度加权系数。
8.一种混叠地震数据分离的装置，其特征在于，包括：
第一数据获取模块，用于根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
正变换模块，用于对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
阈值处理模块，用于对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
Figure FDA0002388885080000041
式中，f[k]表示线性拉东域共偏移距共方位角道集数据，T(f[k])表示对f[k]阈值处理后的数据，q表示模类型，τ表示自适应阈值，sgn表示符号函数；
反变换模块，用于对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
9.一种混叠地震数据分离的装置，其特征在于，包括：
第二数据获取模块，用于获取目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息；
迭代模块，用于执行下述迭代步骤：
道集构建单元，用于根据上次迭代的分离数据及所述原始混叠地震数据、炮检点位置、激发时间、听时间信息，构建时间-空间域共偏移距共方位角道集；
正变换单元，用于对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
阈值处理单元，用于对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
Figure FDA0002388885080000042
式中，f[k]表示线性拉东域共偏移距共方位角道集数据，T(f[k])表示对f[k]阈值处理后的数据，q表示模类型，τ表示自适应阈值，sgn表示符号函数；
反变换单元，用于对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得本次迭代的分离数据；
结果输出模块，用于当满足预设要求时，将最后一次迭代获得的分离数据确定为所述目标工区的分离地震数据。
10.一种混叠地震数据分离的设备，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：
根据目标工区的原始混叠地震数据及炮检点位置、激发时间、听时间信息构建时间-空间域共偏移距共方位角道集；
对所述时间-空间域共偏移距共方位角道集进行线性拉东正变换，获得线性拉东域共偏移距共方位角道集；
对所述线性拉东域共偏移距共方位角道集进行多模分级阈值处理，包括：
Figure FDA0002388885080000051
式中，f[k]表示线性拉东域共偏移距共方位角道集数据，T(f[k])表示对f[k]阈值处理后的数据，q表示模类型，τ表示自适应阈值，sgn表示符号函数；
对多模分级阈值处理后的线性拉东域共偏移距共方位角道集进行线性拉东反变换，获得所述目标工区的分离地震数据。
11.一种混叠地震数据分离的系统，其特征在于，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-7中任意一项所述方法的步骤。
CN201811120334.7A 2018-09-21 2018-09-21 一种混叠地震数据分离的方法、装置及系统 Active CN109471171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811120334.7A CN109471171B (zh) 2018-09-21 2018-09-21 一种混叠地震数据分离的方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811120334.7A CN109471171B (zh) 2018-09-21 2018-09-21 一种混叠地震数据分离的方法、装置及系统

Publications (2)

Publication Number Publication Date
CN109471171A CN109471171A (zh) 2019-03-15
CN109471171B true CN109471171B (zh) 2020-06-09

Family

ID=65663214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811120334.7A Active CN109471171B (zh) 2018-09-21 2018-09-21 一种混叠地震数据分离的方法、装置及系统

Country Status (1)

Country Link
CN (1) CN109471171B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244361B (zh) * 2019-06-21 2020-07-07 同济大学 基于插值与去混叠同时处理的地震数据分离方法及系统
CN110244360B (zh) * 2019-06-21 2020-07-07 同济大学 基于有效频率波数域去混叠的地震数据分离方法及系统
CN112444844A (zh) * 2019-08-30 2021-03-05 中国石油化工股份有限公司 一种降低混叠干扰单炮记录对目的层成像的影响的方法
CN112731519A (zh) * 2019-10-28 2021-04-30 中国石油天然气集团有限公司 确定颤动时间区间的方法和装置
CN112782754A (zh) * 2019-11-06 2021-05-11 中国石油天然气集团有限公司 多源同步采集数据模拟方法及装置
CN112782769B (zh) * 2019-11-07 2024-04-30 中国石油天然气集团有限公司 确定地震高效混叠采集作业参数的方法和装置
CN112051613B (zh) * 2020-08-03 2023-09-26 中国石油天然气集团有限公司 混叠采集颤动时间生成方法及装置
CN112462425A (zh) * 2020-10-28 2021-03-09 中国石油天然气集团有限公司 海底节点混采数据中交叉干扰源的识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301640A (zh) * 2015-10-27 2016-02-03 中国石油天然气集团公司 地震数据叠加方法和装置
CN106556861A (zh) * 2015-09-24 2017-04-05 中国石油化工股份有限公司 一种基于全方位地震资料的方位avo反演方法
CN106772579A (zh) * 2016-12-07 2017-05-31 中国矿业大学(北京) 一种薄煤层中地震叠前反演方法和装置
CN107102359A (zh) * 2017-05-18 2017-08-29 中国石油集团东方地球物理勘探有限责任公司 地震数据保幅重建方法和系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5970023A (en) * 1999-02-19 1999-10-19 Baker Hughes Incorporated Reducing aliasing artifacts in seismic data processing using sharpened (TAU-P-Q) transforms
US9612361B2 (en) * 2014-12-12 2017-04-04 Halliburton Energy Services, Inc. Optical computing device diagnostics and treatment
CN104614763B (zh) * 2015-01-19 2017-06-06 中国石油大学(北京) 基于反射率法的多波avo储层弹性参数反演方法及系统
CN105974470B (zh) * 2016-07-04 2017-06-16 中国石油大学(华东) 一种多分量地震资料最小二乘逆时偏移成像方法及系统
CN106199701B (zh) * 2016-07-15 2018-06-01 中国石油天然气集团公司 不规则地震数据的重建方法及装置
CN106597539B (zh) * 2016-12-28 2019-07-12 中国石油化工股份有限公司 针对黄土塬地区的曲波域Radon变换噪声压制方法
CN108107474B (zh) * 2018-02-02 2019-11-08 中国石油天然气集团有限公司 一种基于稀疏反演的混叠数据分离方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556861A (zh) * 2015-09-24 2017-04-05 中国石油化工股份有限公司 一种基于全方位地震资料的方位avo反演方法
CN105301640A (zh) * 2015-10-27 2016-02-03 中国石油天然气集团公司 地震数据叠加方法和装置
CN106772579A (zh) * 2016-12-07 2017-05-31 中国矿业大学(北京) 一种薄煤层中地震叠前反演方法和装置
CN107102359A (zh) * 2017-05-18 2017-08-29 中国石油集团东方地球物理勘探有限责任公司 地震数据保幅重建方法和系统

Also Published As

Publication number Publication date
CN109471171A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109471171B (zh) 一种混叠地震数据分离的方法、装置及系统
Beaucé et al. Fast matched filter (FMF): An efficient seismic matched‐filter search for both CPU and GPU architectures
CN107153216B (zh) 确定地震波场的坡印廷矢量的方法、装置以及计算机存储介质
Park Modeling uncertainty in metric space
CN109143339B (zh) 基于横波应力不变量的弹性逆时偏移成像方法及装置
CN108983285B (zh) 一种基于矩张量的多种震源波场模拟方法及装置
CN108828668B (zh) 一种叠前时间偏移数据处理方法及装置
CA2888237A1 (en) System and method for characterizing geological systems using statistical methodologies
CN108897036B (zh) 一种地震数据处理方法及装置
CN109581502B (zh) 地震勘探数据压缩方法、装置以及压缩存储结构
CN111239808A (zh) 一种地震反演谱分解方法、装置、电子设备及存储介质
CN103364826A (zh) 基于独立分量分析的地震盲源反褶积方法
CN109709602B (zh) 一种远探测声波偏移成像方法、装置及系统
US20190331721A1 (en) Noise spectrum analysis for electronic device
CN104181600A (zh) 地震数据线性噪声衰减方法及装置
CN107561588B (zh) 一种地震数据噪声压制方法及装置
Hamilton et al. Revisiting implicit finite difference schemes for 3-D room acoustics simulations on GPU
CN114114421B (zh) 基于深度学习的导向自学习地震数据去噪方法及装置
CN109471173B (zh) 一种剩余静校正方法及装置
CN112200069B (zh) 时频域谱减法和经验模态分解联合的隧道滤波方法及系统
CN113743193A (zh) 一种叠前地震资料线性干扰压制方法及系统
CN112241020B (zh) 稀疏地震数据采集中确定欠采样率的方法和装置
CN108387928B (zh) 基于地震特征变换空间的数据构建方法
Wodecki et al. Combination of principal component analysis and time-frequency representation for P-wave arrival detection
CN110988991A (zh) 一种弹性参数反演方法、装置及系统

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
GR01 Patent grant
GR01 Patent grant