CN109782347A - 一种基于小波分析的地震走时反演成像方法 - Google Patents
一种基于小波分析的地震走时反演成像方法 Download PDFInfo
- Publication number
- CN109782347A CN109782347A CN201910047414.2A CN201910047414A CN109782347A CN 109782347 A CN109782347 A CN 109782347A CN 201910047414 A CN201910047414 A CN 201910047414A CN 109782347 A CN109782347 A CN 109782347A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- threshold value
- threshold
- time
- seismic
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于小波分析的地震走时反演成像方法，包括如下步骤：信号源产生共炮点道集和波形数据获取、数据预处理、基于小波变换的地震信号随机噪声压制、对处理过的时空数据拾取初至波走时信息、进行计算机反演输出结果图像、对结果图像的分析和解释。本发明结合图像处理跟地震信号反演成像技术，在基于小波变换的地震信号随机噪声压制改进的算法中，结合人工蜂群算法与GCV阈值选取函数进而获取最优小波阈值，再结合软硬阈值改良折衷法进行阈值量化，提高去噪性能，能够在小波逆变换时得到更加清晰可靠的时空图像，提高走时数据拾取的精确度，在反演时才能输出更加清晰、准确的结构图像，可运用于地球资源勘测、地质勘探等领域中。
Description
技术领域
本发明属于地震层析成像技术，具体涉及一种基于小波分析的地震走时反演成像方法。
背景技术
地震层析成像就是利用地震数据来反演地下结构的物质属性，并逐层剖析经过计算得出其图像的技术。通过人工激发地震波对地下进行探测，其科学依据是地震波在不同地层的传播速度不同，并且会发生反射和折射现象，地震信号在地下传播的过程中又会受到炮源、检波器的位置、地下结构的物质组成特点、震源的特性等因素的影响，会产生不同的物理现象。因此我们可以利用地震波在地下传播的特性，在地表不同的空间几何位置上建立炮源和检波器，通过检波器接收到的地震信号，进行分析和处理，再结合地质资料对地下结构做出反演，完成对地下结构的重建。
在实际应用中，我们得到的地震信号含有大量的有用信号，但同时也会夹杂着一些干扰信号(噪声)，这些干扰信号严重影响了信号的原始情况，不利于我们后面对信号分析和处理，甚至会导致我们得到的地震数据难以解读，对地震资料的解释造成较大的困难。
因此，在信号的预处理过程中，合理有效的处理我们得到的地震数据，减少或消除噪声的干扰，尽可能最大程度的提取有用的信号是非常有必要的。在地震数据处理中，对地震信号中包含的噪声进行有效的压制，可以获取清晰易读的有效信号，提高信号整体的信噪比和分辨率，可以在后续工作中让我们得到更好的反演结果，也可以相应的节约勘探成本。
在地震信号噪声处理中，小波变换因其具有多分辨率、多尺度的特性，在信号处理领域上具有天然的优势。而在传统的小波幅值阈值法去噪算法中，获取阈值的算法都需要对信号整体的噪声方差进行估计，这就需要对信号进行先验估计，并且估计的噪声方差也不能保证完全准确，会影响获取阈值的准确性，造成去噪效果不佳。另一方面上，在阈值量化处理中，传统的硬、软阈值法也存在一些缺点，软阈值法会使去噪后的信号丢掉某些特征，而硬阈值法在平滑方面会有一些欠缺。
发明内容
发明目的：本发明针对地震勘探所采集到的数据中常常会夹杂一些干扰信息导致数据难以解读的问题做出改进，提出一种基于小波分析的地震走时反演成像方法，本发明通过一种改进的地震信号随机噪声压制法解决如何获取更为清晰易读的有效信号问题，进而经过迭代反演获得更加清晰、可靠的结构图像。
技术方案：本发明一种基于小波分析的地震走时反演成像方法，包括如下步骤：
S1、信号源产生共炮点道集以及获取波形数据，按照炮源对波形数据进行分类，然后做波形数据处理并建立初始时空图像；
S2、根据S1得到的时空图像进行小波分析，选取合适的小波基，通过小波分解将信号分解成多个尺度的高频的和低频的小波系数(此处高低频界限约为 10～15Hz)；
S3、阈值的选取：通过人工蜂群小波阈值算法迭代优化选取最优的小波阈值；
S4、构建软硬阈值改良折衷法算法模型，保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下小波系数做阈值量化处理；
S5、进行小波重构，得到去噪后的信号；
S6、对S5得到的去噪后的图像拾取初至波走时信息；
S7、根据走时信息进行反演成像，并对结果图像进行分析和解释。
进一步的，所述S2具体算法为：选取合适的小波基，确定尺度参数，利用小波将地震信号根据公式(1)分解成多个尺度的高频和低频的小波系数；由于噪声和有效信号重叠分布在小波域中，但是它们的幅值是不相同的，并且噪声一般分布在高频，因此此处保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数，设定一个阈值，幅值低于该阈值的小波系数，认为是噪音，应当舍弃；幅值高于该阈值的小波系数，认为是有效信号，应当保留；
连续小波变换公式为：
公式(1)中，a是时间轴尺度伸缩参数，b是时间平移参数，t是时间。
其中，选取小波基的标准是：在信号处理中，对称性优异的小波基，能够避免信号发生相移；消失距较大的小波基，小波变换的能量将会更为集中；正则性较好的小波基可以使重构信号的过程更为平滑，重构后信号的还原度会增高；本发明依据上述标准针对实际情况选取合适的小波基。
进一步的，所述S3具体方法为：选取基于广义交叉验证GCV阈值选取函数作为选取阈值的基函数，并采用人工蜂群ABC算法对该基函数进行迭代优化获取最优小波阈值；
其中，GCV阈值选取函数是基于广义交叉验证而推导出来的一类小波阈值去噪算法的阈值选取函数，该函数的数学表达式为：
其中：N0表示阈值处理后收缩的小波系数个数，N表示该分解尺度高频小波系数的总个数；表示该分解尺度高频小波系数，表示阈值处理后的高频小波系数；
为了选取合适的阈值，需要对公式(2)进行不断的迭代计算，一直到得到 GCV(λ)的最小值，此时得到的阈值就是最优小波阈值；
然后采用人工蜂群算法对GCV阈值选取函数进行迭代优化直至选取处最优小波阈值，人工蜂群算法模型中蜂群角色一共有三种角色：引领蜂、跟随蜂和侦查蜂，其中引领蜂和跟随蜂负责蜜源的开采，侦查蜂负责开拓新的蜜源，引领蜂的数量就相当于解的数量，而侦查蜂用来观察是否陷入局部最优解；则选取阈值的基本步骤是：
S3-1、初始化人工蜂群算法模型参数，其中包括：蜜蜂群的种群规模、最大迭代次数、全局和局部搜索能力限制参数；
S3-2、将GCV阈值选取函数作为蜜蜂判定蜜源是否优质的判定函数，采用人工蜂群算法获取当前最优的蜜源位置，并保存该位置；
S3-3、判定是否满足终止条件，若满足则输出最优阈值λbest，不满足则继续迭代。
进一步的，所述S4具体方法为：根据S3得出的最优小波阈值，结合软硬结合阈值改良折衷方法，对各尺度高频小波系数进行阈值量化处理，该阈值函数为：
公式(3)中m,n均为大于1的实常数，根据实际情况调整m、n取值。
进一步的，所述S5具体方法为：原信号经过连续小波变换重构后，需要进行小波变换逆变换，得到去噪后的信号，逆变换公式为：
进一步的，所述S6具体方法为：分别对去噪之后的时空图像拾取初至波走时信息，然后进行归一化校正；其中采用下述两种方法进行拾取：若数据质量较好则可直接利用编程工具对时空图像拾取初至波最开始的起震点、波峰或者波谷的时间作为走时记录；若数据质量欠佳或含噪较多，则可在前一方法的基础之上利用半自动或自动的初至波走时拾取系统确定各信号源数据的走时。
进一步的，所述S7具体方法为：根据S6得到的走时数据，输入计算机进行迭代反演成像，然后由专业解释人员分析解释实验结果，看是否需要调整相关网格参数再次进行迭代成像。
有益效果：本发明采用改进的小波阈值去噪方法，提高信号降噪的质量，其中最关键的是如何选择阈值以及如何进行阈值量化，本发明采用了一种人工蜂群小波阈值算法获取最优小波阈值，在确定阈值的过程中，不需要信号的先验信息，与传统小波阈值选取方法相比大大降低了阈值选取的猜测性与不确定性，再结合一种软硬阈值改良折衷方法做阈值量化处理，进而可以提高地震信号的去噪性能；有效的压制地震信号中包含的随机噪声，消除噪声的干扰，可以提高走时信息拾取的准确度，从而获得高分辨率的地震图像，有助于我们对地质结果的观察和分析，本发明能够广泛应用于石油、天然气等地球资源的勘测以及地质勘探。
附图说明
图1为本发明的流程示意图；
图2为本发明中人工蜂群算法模型的流程图；
图3为实施例中走时拾取示意图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明的一种基于小波分析的地震走时反演成像方法，包括如下步骤：
S1、信号源产生共炮点道集和波形数据获取，按照炮源进行分类，然后做波形数据处理并建立初始图像。
S2、根据S1得到的时空图像进行小波分析，选取合适的小波基，通过小波分解将信号分解成多个尺度的高频的和低频的小波系数，具体内容为：选取合适的小波基，确定尺度参数，利用小波将地震信号根据公式(1)分解成多个尺度的高频和低频的小波系数；由于噪声和有效信号重叠分布在小波域中，但是它们的幅值是不相同的，并且噪声一般分布在高频，以此为突破口本实施例保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数，可以设定一个阈值，幅值低于该阈值的小波系数，认为是噪音，应当舍弃；幅值高于该阈值的小波系数，认为是有效信号，应当保留；
上述连续小波变换公式为：
公式(1)中，a是时间轴尺度伸缩参数，b是时间平移参数，t是时间。
其中，选取小波基的标准是：在信号处理中，对称性优异的小波基，能够避免信号发生相移；消失距较大的小波基，小波变换的能量将会更为集中；正则性较好的小波基可以使重构信号的过程更为平滑，重构后信号的还原度会增高；本实施例依据这些标准针对实际情况选取合适的小波基。
S3、阈值的选取，通过人工蜂群小波阈值算法迭代优化选取最优的小波阈值：选取基于广义交叉验证(Generalized Cross-validation,GCV)阈值选取函数作为选取阈值的基函数，并采用人工蜂群(Artificial Bee Colony,ABC)算法对该基函数进行迭代优化获取最优小波阈值。GCV阈值选取函数是基于广义交叉验证而推导出来的一类小波阈值去噪算法的阈值选取函数，该函数的数学表达式为：
其中：N0表示阈值处理后收缩的小波系数个数，N表示该分解尺度高频小波系数的总个数；表示该分解尺度高频小波系数，表示阈值处理后的高频小波系数；。
为选取合适的阈值，需要对公式(2)进行不断的迭代计算，一直到得到GCV(λ) 的最小值，则认为此时得到的阈值就是最优小波阈值。本实施例采用人工蜂群算法对GCV阈值选取函数进行迭代优化，人工蜂群算法模型中蜂群角色一共有三种角色：引领蜂、跟随蜂和侦查蜂，其中引领蜂和跟随蜂负责蜜源的开采，侦查蜂负责开拓新的蜜源，引领蜂的数量就相当于解的数量，而侦查蜂用来观察是否陷入局部最优解。如图2所示，结合人工蜂群算法选取阈值的基本步骤是：
S3-1、初始化人工蜂群算法模型参数，其中包括：蜜蜂群的种群规模、最大迭代次数、全局和局部搜索能力限制参数。
S3-2、将GCV阈值选取函数作为蜜蜂判定蜜源是否优质的判定函数，采用人工蜂群算法获取当前最优的蜜源位置，并保存该位置。
S3-3、判定是否满足终止条件，若满足则输出最优阈值λbest，不满足则继续迭代。
S4、构建软硬阈值改良折衷法算法模型，对分解后的高频小波系数做阈值量化处理：根据S3得出的最优小波阈值，结合一种软硬结合阈值改良折衷方法，对各尺度高频小波系数进行阈值量化处理，该阈值函数为：
公式(3)中m,n均为大于1的实常数，可根据实际情况调整m、n取值。
S5、进行小波重构，得到去噪后的信号。原信号经过连续小波变换重构后，需要进行小波变换逆变换，得到去噪后的信号，逆变换公式为：
S6、对S5得到的去噪后的图像拾取初至波走时信息。分别对去噪之后的时空图像拾取初至波走时信息，可以选择直接利用编程工具对时空图像拾取初至波最开始的起震点、波峰或者波谷的时间作为走时记录，或者利用半自动或自动的初至波走时拾取系统(该系统已经比较成熟)确定各信号源数据的走时，然后进行归一化校正。
如图3所示，本实施例中一个信号源的拾取走时的结果示意图，顶部的“+”号表示每个检波器接受到的初至波的走时拾取。该实施例有60个炮源、60个检波器，图3是第一个炮源经过初始速度模型正演得到的时空图像，并在该时空图上拾取每个检波器接收到的初至波，把每个初至波的最开始起震点的时间作为走时数据。
S7、根据S6得到的走时数据，输入计算机进行迭代反演成像，然后由专业解释人员分析解释实验结果，看是否需要调整相关网格参数再次进行迭代成像。
Claims (7)
1.一种基于小波分析的地震走时反演成像方法，其特征在于，包括如下步骤：
S1、信号源产生共炮点道集以及获取波形数据，按照炮源对波形数据进行分类，然后做波形数据处理并建立初始时空图像；
S2、根据S1得到的时空图像进行小波分析，选取合适的小波基，通过小波分解将信号分解成多个尺度的高频的和低频的小波系数，高低频界限为10～15Hz；
S3、阈值的选取：通过人工蜂群小波阈值算法迭代优化选取最优的小波阈值；
S4、构建软硬阈值改良折衷法算法模型，保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下小波系数做阈值量化处理；
S5、进行小波重构，得到去噪后的信号；
S6、对S5得到的去噪后的图像拾取初至波走时信息；
S7、根据走时信息进行反演成像，并对结果图像进行分析和解释。
2.根据权利要求1所述的基于小波分析的地震走时反演成像方法，其特征在于：所述S2具体算法为：选取合适的小波基，确定尺度参数，利用小波将地震信号根据公式(1)分解成多个尺度的高频和低频的小波系数；然后保留大尺度低分辨率下的全部小波系数，对于各尺度高分辨率下的小波系数，设定一个阈值，幅值低于该阈值的小波系数，认为是噪音，应当舍弃；幅值高于该阈值的小波系数，认为是有效信号，应当保留；
连续小波变换公式为：
公式(1)中，a是时间轴尺度伸缩参数，b是时间平移参数，t是时间；
其中，选取小波基的标准是：选取对称性优异、消失距大且正则性好的小波基。
3.根据权利要求1所述的基于小波分析的地震走时反演成像方法，其特征在于：所述S3具体方法为：选取基于广义交叉验证GCV阈值选取函数作为选取阈值的基函数，并采用人工蜂群ABC算法对该基函数进行迭代优化获取最优小波阈值；
其中，GCV阈值选取函数的数学表达式为：
其中：N0表示阈值处理后收缩的小波系数个数，N表示该分解尺度高频小波系数的总个数，表示该分解尺度高频小波系数，表示阈值处理后的高频小波系数；
为选取合适的阈值，对公式(2)进行不断的迭代计算，一直到得到GCV(λ)的最小值，此时得到的阈值就是最优小波阈值；
然后采用人工蜂群算法对GCV阈值选取函数进行迭代优化直至选取处最优小波阈值，具体步骤为：
S3-1、初始化人工蜂群算法模型参数，其中包括：蜜蜂群的种群规模、最大迭代次数、全局和局部搜索能力限制参数；
S3-2、将GCV阈值选取函数作为蜜蜂判定蜜源是否优质的判定函数，采用人工蜂群算法获取当前最优的蜜源位置，并保存该位置；
S3-3、判定是否满足终止条件，若满足则输出最优阈值λbest，不满足则继续迭代。
4.根据权利要求1所述的基于小波分析的地震走时反演成像方法，其特征在于：所述S4具体方法为：根据S3得出的最优小波阈值，结合软硬结合阈值改良折衷方法，对各尺度高频小波系数进行阈值量化处理，该阈值函数为：
公式(3)中m,n均为大于1的实常数，根据实际情况调整m、n取值。
5.根据权利要求1所述的基于小波分析的地震走时反演成像方法，其特征在于：所述S5具体方法为：原信号经过连续小波变换重构后，需要进行小波变换逆变换，得到去噪后的信号，逆变换公式为：
a是时间轴尺度伸缩参数，b是时间平移参数，t是时间。
6.根据权利要求1所述的基于小波分析的地震走时反演成像方法，其特征在于：所述S6具体方法为：分别对去噪之后的时空图像拾取初至波走时信息，然后进行归一化校正；其中采用下述两种方法进行拾取：若数据质量较好则可直接利用编程工具对时空图像拾取初至波最开始的起震点、波峰或者波谷的时间作为走时记录；若数据质量欠佳或含噪较多，则可在前一方法的基础之上利用半自动或自动的初至波走时拾取系统确定各信号源数据的走时。
7.根据权利要求1所述的基于小波分析的地震走时反演成像方法，其特征在于：所述S7具体方法为：根据S6得到的走时数据，输入计算机进行迭代反演成像，然后由专业解释人员分析解释实验结果，看是否需要调整相关网格参数再次进行迭代成像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047414.2A CN109782347A (zh) | 2019-01-18 | 2019-01-18 | 一种基于小波分析的地震走时反演成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047414.2A CN109782347A (zh) | 2019-01-18 | 2019-01-18 | 一种基于小波分析的地震走时反演成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109782347A true CN109782347A (zh) | 2019-05-21 |
Family
ID=66501599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910047414.2A Pending CN109782347A (zh) | 2019-01-18 | 2019-01-18 | 一种基于小波分析的地震走时反演成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109782347A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244202A (zh) * | 2019-06-21 | 2019-09-17 | 三峡大学 | 基于同步压缩小波变换域变压器局部放电去噪方法 |
| CN110765834A (zh) * | 2019-08-25 | 2020-02-07 | 青岛科技大学 | 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法 |
| CN113552632A (zh) * | 2020-04-23 | 2021-10-26 | 中国石油大学(北京) | 基于小波域卡尔曼滤波的地震互相关信号拾取方法和系统 |
| CN115079258A (zh) * | 2022-07-19 | 2022-09-20 | 自然资源部第二海洋研究所 | 一种基于小波分析的海底地震信号在线识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103576060A (zh) * | 2013-10-11 | 2014-02-12 | 华南理工大学 | 基于小波自适应阈值的局部放电信号去噪方法 |
| US20150120199A1 (en) * | 2013-10-31 | 2015-04-30 | Matthew S. Casey | Multiple Domain Processing For Combining Reservoir Models and Seismic Data |
| CN107340539A (zh) * | 2017-06-30 | 2017-11-10 | 中国科学技术大学 | 一种地震数据反演方法及系统 |
-
2019
- 2019-01-18 CN CN201910047414.2A patent/CN109782347A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103576060A (zh) * | 2013-10-11 | 2014-02-12 | 华南理工大学 | 基于小波自适应阈值的局部放电信号去噪方法 |
| US20150120199A1 (en) * | 2013-10-31 | 2015-04-30 | Matthew S. Casey | Multiple Domain Processing For Combining Reservoir Models and Seismic Data |
| CN107340539A (zh) * | 2017-06-30 | 2017-11-10 | 中国科学技术大学 | 一种地震数据反演方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 刘军 等: "基于改进混沌果蝇优化小波阈值法地震信号随机噪声压制", 《地质与勘探》 * |
| 张迅 等: "基于混沌蜂群算法的高耸结构振动信号小波阈值去噪方法研究", 《建筑结构学报》 * |
| 王琼: "基于小波变换信号去噪方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110244202A (zh) * | 2019-06-21 | 2019-09-17 | 三峡大学 | 基于同步压缩小波变换域变压器局部放电去噪方法 |
| CN110244202B (zh) * | 2019-06-21 | 2021-07-20 | 三峡大学 | 基于同步压缩小波变换域变压器局部放电去噪方法 |
| CN110765834A (zh) * | 2019-08-25 | 2020-02-07 | 青岛科技大学 | 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法 |
| CN113552632A (zh) * | 2020-04-23 | 2021-10-26 | 中国石油大学(北京) | 基于小波域卡尔曼滤波的地震互相关信号拾取方法和系统 |
| CN115079258A (zh) * | 2022-07-19 | 2022-09-20 | 自然资源部第二海洋研究所 | 一种基于小波分析的海底地震信号在线识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Data-driven seismic waveform inversion: A study on the robustness and generalization | |
| Wang et al. | Residual learning of deep convolutional neural network for seismic random noise attenuation | |
| CN109782347A (zh) | 一种基于小波分析的地震走时反演成像方法 | |
| Yang et al. | Random noise attenuation based on residual convolutional neural network in seismic datasets | |
| Dong et al. | New suppression technology for low-frequency noise in desert region: The improved robust principal component analysis based on prediction of neural network | |
| Zhao et al. | Low-frequency desert noise intelligent suppression in seismic data based on multiscale geometric analysis convolutional neural network | |
| CA2589004A1 (en) | System and method for fault identification | |
| Chen | Automatic velocity analysis using high-resolution hyperbolic Radon transform | |
| CN114418886B (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
| Liu et al. | Unsupervised deep learning for random noise attenuation of seismic data | |
| CN110023790A (zh) | 地震采集几何全波形反演 | |
| Liu et al. | Irregularly sampled seismic data reconstruction using multiscale multidirectional adaptive prediction-error filter | |
| CN103713324B (zh) | 一种基于局部方差分析的自适应曲波阈值地震去噪方法 | |
| Li et al. | Super-resolution of seismic velocity model guided by seismic data | |
| Wu et al. | Fast principal component analysis for stacking seismic data | |
| Zhou et al. | Deblending of simultaneous-source data using iterative seislet frame thresholding based on a robust slope estimation | |
| WO2022045932A1 (ru) | Система для определения тектонических нарушений по сейсмическим данным | |
| CN117631028A (zh) | 一种多尺度全局信息融合神经网络地震数据低频重构方法 | |
| Wang et al. | Attribute-guided target data separation network for DAS VSP data | |
| Zhao et al. | Unsupervised dual learning for seismic data denoising in the absence of labelled data | |
| Wu et al. | Multi-scale progressive fusion attention network based on small sample training for DAS noise suppression | |
| Wang et al. | Application of multi-scaled morphology in denoising seismic data | |
| Zhao et al. | Sample2Sample: an improved self-supervised denoising framework for random noise suppression in distributed acoustic sensing vertical seismic profile data | |
| Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
| Yang et al. | Wasserstein distance-based full-waveform inversion with a regularizer powered by learned gradient |
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: 20190521 |