CN111722287B - 一种基于渐进数据同化方法的震相特征识别波形反演方法 - Google Patents

一种基于渐进数据同化方法的震相特征识别波形反演方法 Download PDF

Info

Publication number
CN111722287B
CN111722287B CN202010566721.4A CN202010566721A CN111722287B CN 111722287 B CN111722287 B CN 111722287B CN 202010566721 A CN202010566721 A CN 202010566721A CN 111722287 B CN111722287 B CN 111722287B
Authority
CN
China
Prior art keywords
waveform
data
inversion
seismic
theoretical
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
CN202010566721.4A
Other languages
English (en)
Other versions
CN111722287A (zh
Inventor
阮友谊
江文彬
王文闯
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.)
Nanjing University
BGP Inc
Original Assignee
Nanjing University
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 Nanjing University, BGP Inc filed Critical Nanjing University
Priority to CN202010566721.4A priority Critical patent/CN111722287B/zh
Publication of CN111722287A publication Critical patent/CN111722287A/zh
Application granted granted Critical
Publication of CN111722287B publication Critical patent/CN111722287B/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
    • G01V1/36—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
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times

Landscapes

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

Abstract

本发明公开了一种基于渐进数据同化方法的震相特征识别波形反演方法，包括划分地震波时间窗口。比较每个窗口内数据的波形相似度，筛选符合条件的波形进行波形反演。在每次迭代后，根据更新的模型正演数据，重新比较每个时间窗口内观测数据与理论数据的波形相似度，筛选符合条件的波形进行下一次迭代的波形反演。本发明按照固定长度对勘探地震数据划分时间窗口，以及通过波形相似度比较筛选地震数据进行波形反演以解决周期跳跃问题，提高其收敛效率，本发明通过对各个时窗内的波形数据进行比较筛选，帮助解决波形反演的周期跳跃问题，提高波形反演的收敛性。

Description

一种基于渐进数据同化方法的震相特征识别波形反演方法
技术领域
本发明涉及勘探地震波形识别技术和深度学习技术，尤其适用于解决波形反演中数据自动拾取的问题。
背景技术
地震波速度建模和反演一直是地球物理的核心问题。而全波形反演(Fullwaveform Inversion,FWI)作为一种高精度的速度建模和反演方法，已成为当前地球物理学，地震学的研究热点之一。它通过拟合观测波形数据和计算数据的所有波形信息来反演，较其它反演方法，能够得到更高分辨率的地下介质构造。全波形反演方法在石油矿产资源勘探，全球尺度结构成像等方面取得了广泛的应用。FWI方法的梯度计算是通过正向传播波场和逆时反向传播伴随波场，并将两个波场进行零时延互相关来实现的。然而波形反演因为非线性强，容易遭受数据周期跳跃(cycle skipping)而产生不收敛的问题。周期跳跃问题即观测波形数据和计算数据之间的波场相位差异必须小于数据周期的1/2。如果相位差异过大，则波形反演就会收敛到错误的模型结果。当初始模型与真实模型相差较远时，FWI难以收敛，周期跳跃问题成为高精度速度建模的瓶颈。因此，需要在数据筛选方法上对其进行改进，以满足FWI对数据拟合的要求。
发明内容
发明目的：为了克服周期跳跃导致FWI无法收敛，产生错误的反演结果的问题。本方法提出一种基于渐进数据同化方法自动筛选时间窗口方法。首先将待反演的地震数据按照固定时间长度划分，通过振幅比、互相关系数及互相关走时差比较各个窗口内的观测数据与理论数据波形相似度，去除发生周期跳跃的数据，缓解周期跳跃和反演不收敛的发生。在每次波形反演迭代更新模型后，理论波形与实际波形的相似度提高，更多的未发生周期跳跃数据被引入波形反演中，进一步提升反演的精度与准确度。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于渐进数据同化(Progressive Dada Assimilation,PDA)策略的震相特征识别波形反演方法，其基于渐进数据同化方法逐步引入未发生周期跳跃的数据进入波形反演方法中，包括以下步骤：
(1)根据Foothill模型，利用谱元法波形正演模拟生成理论波形数据；将观测波形与理论波形数据按照1-3倍主周期长度划分为连续的波形段，优选的，将观测波形与理论波形数据按照1.5倍主周期长度划分为连续的波形段；
(2)波形反演前比较每个波形段内的波形相似度(互相关系数，互相关走时差和振幅比)，选择符合拟合条件的波形进行波形反演；
(3)在随后的每次迭代中重复上述步骤，重新比较新的理论波形与实际波形的相似度，选择符合拟合标准的波形窗口进行反演。
具体步骤如下：
步骤1，获取实际观测地震记录，作为观测波形数据。
步骤2，构建初始速度模型，获得速度。
步骤3，针对每个震源，获取震源子波，通过近偏移距数据沿初至时间叠加获得。
步骤4，根据实际观测系统设置炮点与检波器位置，基于步骤2获得的速度和步骤3获得震源子波利用谱元法进行波形正演获得的理论波形数据。
步骤5，存储步骤4获得的理论波形数据和正演波场。
步骤6，将观测波形数据和理论波形数据进行预处理。
步骤7，针对预处理后的观测波形数据和理论波形数据，按照1-3倍主周期长度划分为连续的波形段，优选的，按照1.5倍主周期长度划分为连续的波形段。
步骤8，对步骤7中选取的每一个波形段内的观测波形数据和理论波形数据进行对比，比较其振幅比、互相关系数和互相关走时差，其公式为：
Figure GDA0003104752780000021
Figure GDA0003104752780000022
其中，ΔA为振幅比，T1与T2分别表示波形时窗的起始点与终点，Ad与As分别表示时窗T1至T2内观测数据与理论数据的振幅平方和，d(t)为某个时窗内的观测波形数据，s(t)为某个时窗内的理论波形数据，C(t)为d(t)与s(t)的互相关函数，t表示互相关函数的时间变量，t'表示理论波形时间采样点，假设t＝Δt时C(t)函数值最大，C(t)函数值最大为Cds；则该时窗内数据的互相关系数和互相关走时差分别为Cds与Δt；若该时窗内d(t)与s(t)满足以下条件：Cds>0.6，-T/2<Δt<T/2,-1<ΔA<1，则该时窗符合拟合标准，进行下一步波形反演，T表示波形的周期；
步骤9，利用波形残差的逆时翻转构建伴随源函数(Adjoint Source)，不满足步骤8拟合标准的时窗内伴随源设为0，同时，对不连续的波形段两端进行平滑处理。
步骤10，计算逆时反向传播伴随波场，并与步骤4的正演波场进行零时延互相关计算梯度。
步骤11，估计反演更新的步长，步长与梯度的乘积即为模型更新量，通过模型更新量对速度模型进行更新。
步骤12，通过更新的速度模型进行波形正演，计算观测波形数据和理论波形数据的差值，判断目标函数是否收敛。若不收敛，在该更新的速度模型的基础上重复步骤3-12，迭代更新速度模型。若收敛，则该速度模型为最终反演结果，进入步骤14。
步骤14输出最终反演结果。
优选的：步骤2中对训练数据集进行筛选，去除波形缺失的样本。
优选的：步骤1中通过走时层析成像方法或者偏移速度分析方法获得速度。
优选的：步骤6预处理包括去噪、滤波、截取。
本发明相比现有技术，具有以下有益效果：
本发明一方面，通过直观有效的波形分段组合对比各个时间窗口内的理论波形和实际波形的相似度，排除发生周期跳跃的波形，极大地提高了反演效率，避免反演陷入局部极值。另一方面，在后续迭代中随着初始模型的更新，波形相似度提高，越来越多的波形被引入波形反演，保证了反演结果的可靠性。因此本发明通过对各个时窗内的波形数据进行比较筛选，帮助解决波形反演的周期跳跃问题,提高波形反演的收敛性。
附图说明
图1反演方法流程图；
图2(a)Foothill模型P波真实速度模型；(b)Foothill模型S波真实速度模型；(c)Foothill模型P波初始速度模型；(d)Foothill模型S波初始速度模型。
图3(a)标准的体波波形反演P波反演速度模型；(b)标准的体波波形反演S波反演速度模型；(c)基于渐进数据同化方法的体波波形反演P波反演速度模型；(d)基于渐进数据同化方法的体波波形反演S波反演速度模型。
图4(a)标准的体波波形反演和(b)基于渐进数据同化方法的体波波形反演波形拟合情况。黑色波形为观测数据，红色波形为理论数据。
图5基于渐进数据同化方法的体波波形反演的(a)第一次迭代伴随源与(b)最后一次迭代伴随源。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于渐进数据同化方法的震相特征识别波形反演方法，如图1所示，在传统的全波形反演流程中加入波形筛选机制，避免周期跳跃的发生，将待反演的地震数据按照固定长度时窗分割，得到所有时窗后，比较观测数据与理论数据的波形相似度，从而去除存在周期跳跃现象的波形数据，包括以下步骤：
步骤1，获取实际观测地震记录，作为观测波形数据。
步骤2，构建初始速度模型，获得速度，一般可通过走时层析成像或者偏移速度分析等方法获得背景速度。
步骤3，针对每个震源，获取震源子波，可通过近偏移距数据沿初至时间叠加获得。
步骤4，根据实际观测系统设置炮点与检波器位置，基于步骤2获得的速度和步骤3震源子波利用谱元法进行波形正演获得的理论波形数据，所述谱元法正演模拟采用弹性波波动方程进行正演模拟。
步骤5，存储步骤4获得的理论波形数据和正演波场。
步骤6，将观测波形数据和理论波形数据进行预处理，如去噪、滤波、截取等。
步骤7，针对预处理后的观测波形数据和理论波形数据，利用训练好的全卷积神经网络选取有效震相的时间窗口，按照1.5倍主周期长度划分为连续的波形段。
步骤8，对步骤7中选取的每一个波形段内的观测波形数据和理论波形数据进行对比，比较其振幅比、互相关系数和互相关走时差，其公式为：
Figure GDA0003104752780000041
Figure GDA0003104752780000042
其中，ΔA为振幅比，T1与T2分别表示波形时窗的起始点与终点，Ad与As分别表示时窗T1至T2内观测数据与理论数据的振幅平方和，d(t)为某个时窗内的观测波形数据，s(t)为某个时窗内的理论波形数据，C(t)为d(t)与s(t)的互相关函数，t表示互相关函数的时间变量，t'表示理论波形时间采样点，假设t＝Δt时C(t)函数值最大，C(t)函数值最大为Cds；则该时窗内数据的互相关系数和互相关走时差分别为Cds与Δt；若该时窗内d(t)与s(t)满足以下条件：Cds>0.6，-T/2<Δt<T/2,-1<ΔA<1，则该时窗符合拟合标准，进行下一步波形反演，T表示波形的周期；
波形反演目标函数为：
Figure GDA0003104752780000051
其中，Φ(m)表示波形反演目标函数，r表示检波器，s表示震源，Dd表示预处理后的观测波形，Ds表示预处理后的理论波形，t表示波形时间采样点，T1和T2分别代表一段时窗的起点与终点，D为作用于地震波形数据的处理算子(如包络、滤波、截取等)，xr与xs为检波点和炮点坐标，m表示模型参数，d和s分别代表观测数据与理论数据；
步骤9，利用波形残差的逆时翻转构建伴随源函数。不满足步骤8拟合标准的时窗内伴随源设为0，同时，对不连续的波形段两端进行平滑处理，避免波形被截断造成振幅突变。
步骤10，计算逆时反向传播伴随波场，并与步骤4的正演波场进行零时延互相关计算梯度。
步骤11，估计反演更新的步长，步长与梯度的乘积即为模型更新量，通过模型更新量对速度模型进行更新。
步骤12，通过更新的速度模型进行波形正演，计算观测波形数据和理论波形数据的差值，判断目标函数是否收敛。若不收敛，在该更新的速度模型的基础上重复步骤3-12，迭代更新速度模型。若收敛，则该速度模型为最终反演结果，进入步骤14。
步骤14输出最终反演结果。
本发明按照固定长度对勘探地震数据划分时间窗口，以及通过波形相似度比较筛选地震数据进行波形反演以解决周期跳跃问题，提高其收敛效率。
仿真
在本仿真实施例中，在该实施例中，利用Foothill模型来检测本发明的方法。图2a与2b为P波与S波真实速度模型。该模型包含剧烈的地形起伏，模型内存在复杂的高速反射层。图2c与2d分别为P波与S波初始速度模型。初始速度模型为真实模型高度平滑的结果，不包含复杂的反射构造。地震观测系统中包含40个炮点，间距为600m，410个检波器，间距为60m。采用10Hz雷克子波进行波形正演模拟，采样长度为4.8s，采样间隔为0.8ms。图3a与3b为标准的体波波形反演重建P、S波速度图像，由于初始模型与真实模型相差较远，反演陷入局部极值，未能恢复真实速度模型。为了克服反演中存在的周期跳跃现象，采用渐进数据同化方法进行体波波形反演。图3c与3d为基于渐进数据同化方法的体波波形反演结果。该方法可以重建一个可靠的速度图像。
为了进一步验证和对比实验结果，比较了最终反演模型的正演理论波形与观测波形。图4a与4b为标准的体波波形反演和基于渐进数据同化方法的体波波形反演波形拟合情况。黑色波形为观测数据，红色波形为理论数据。基于渐进数据同化方法的体波波形反演的波形拟合情况远好于标准的体波波形反演，这说明基于渐进数据同化方法的体波波形反演能提供一个更精确的速度分布模型。
图5a与5b为基于渐进数据同化方法的体波波形反演的第一次迭代伴随源与最后一次迭代伴随源。第一次迭代中初始模型与真实模型相差较远，仅有约一半数据参与反演。而最后一次迭代中，几乎所有的数据都参与了反演，表面所有的体波都符合拟合条件，不存在周期跳跃现象。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于渐进数据同化方法的震相特征识别波形反演方法，其特征在于，包括以下步骤：
步骤1，获取实际观测地震记录，作为观测波形数据；
步骤2，利用传统方法构建初始速度模型；
步骤3，针对每个震源，获取震源子波；
步骤4，根据实际观测系统设置炮点与检波器位置，基于步骤2获得的速度和步骤3获得震源子波，利用谱元法进行波形正演获得理论波形数据；
步骤5，存储步骤4获得的理论波形数据；
步骤6，将观测波形数据和理论波形数据进行预处理；
步骤7，针对预处理后的观测波形数据和理论波形数据，按照1-3倍主周期长度划分为连续的波形段；
步骤8，对步骤7中选取的每一个波形段内的观测波形数据和理论波形数据进行对比，比较其振幅比、互相关系数和互相关走时差，其公式为：
Figure FDA0003104752770000011
Figure FDA0003104752770000012
其中，ΔA为振幅比，T1与T2分别表示波形时窗的起始点与终点，Ad与As分别表示时窗T1至T2内观测数据与理论数据的振幅平方和，d(t)为某个时窗内的观测波形数据，s(t)为某个时窗内的理论波形数据，C(t)为d(t)与s(t)的互相关函数，t表示互相关函数的时间变量，t'表示理论波形时间采样点，假设t＝Δt时C(t)函数值最大，C(t)函数值最大为Cds；则该时窗内数据的互相关系数和互相关走时差分别为Cds与Δt；若该时窗内d(t)与s(t)满足以下条件：Cds>0.6，-T/2<Δt<T/2,-1<ΔA<1，则该时窗符合拟合标准，进行下一步波形反演，T表示波形的周期；
波形反演目标函数为：
Figure FDA0003104752770000013
其中，Φ(m)表示波形反演目标函数，r表示检波器，s表示震源理论数据，Dd表示预处理后的观测波形，Ds表示预处理后的理论波形，t表示波形时间采样点，T1和T2分别代表一段时窗的起点与终点，D为作用于地震波形数据的处理算子，xr与xs为检波点和炮点坐标，m表示模型参数，d表示震源观测数据；
步骤9，构建伴随源函数，不满足步骤8拟合标准的时窗内伴随源设为0，同时，对不连续的波形段两端进行平滑处理；
步骤10，计算正向传播波场和逆时反向传播伴随波场，将两个波场进行零时延互相关计算梯度；
步骤11，估计反演更新的步长，步长与梯度的乘积即为模型更新量，通过模型更新量对速度模型进行更新；
步骤12，通过更新的速度模型进行波形正演，计算观测波形数据和理论波形数据的差值，判断目标函数是否收敛；若不收敛，在该更新的速度模型的基础上重复步骤3-12，迭代更新速度模型；若收敛，则该速度模型为最终反演结果，进入步骤14；
步骤14输出最终反演结果。
2.根据权利要求1所述基于渐进数据同化方法的震相特征识别波形反演方法，其特征在于：步骤2中通过走时层析成像方法或者偏移速度分析方法获得速度。
3.根据权利要求2所述基于渐进数据同化方法的震相特征识别波形反演方法，其特征在于：步骤3中震源子波通过近偏移距数据沿初至时间叠加获得。
4.根据权利要求3所述基于渐进数据同化方法的震相特征识别波形反演方法，其特征在于：步骤6预处理包括去噪、滤波、截取。
CN202010566721.4A 2020-06-19 2020-06-19 一种基于渐进数据同化方法的震相特征识别波形反演方法 Active CN111722287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010566721.4A CN111722287B (zh) 2020-06-19 2020-06-19 一种基于渐进数据同化方法的震相特征识别波形反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010566721.4A CN111722287B (zh) 2020-06-19 2020-06-19 一种基于渐进数据同化方法的震相特征识别波形反演方法

Publications (2)

Publication Number Publication Date
CN111722287A CN111722287A (zh) 2020-09-29
CN111722287B true CN111722287B (zh) 2021-10-08

Family

ID=72567725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010566721.4A Active CN111722287B (zh) 2020-06-19 2020-06-19 一种基于渐进数据同化方法的震相特征识别波形反演方法

Country Status (1)

Country Link
CN (1) CN111722287B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054244A (zh) * 2016-06-16 2016-10-26 吉林大学 截断时窗的低通滤波多尺度全波形反演方法
CN109143336A (zh) * 2018-08-03 2019-01-04 中国石油大学(北京) 一种克服全波形反演中周期跳跃的方法
CN109407151A (zh) * 2018-12-18 2019-03-01 吉林大学 基于波场局部相关时移的时间域全波形反演方法
CN110058307A (zh) * 2019-05-05 2019-07-26 四川省地质工程勘察院 一种基于快速拟牛顿法的全波形反演方法
CN111123374A (zh) * 2019-12-25 2020-05-08 常州工学院 一种基于匹配滤波的探地雷达全波形反演方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180180755A1 (en) * 2016-12-28 2018-06-28 China Petroleum & Chemical Corporation Method for angle-domain common image gather
US11048001B2 (en) * 2018-03-30 2021-06-29 Cgg Services Sas Methods using travel-time full waveform inversion for imaging subsurface formations with salt bodies

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054244A (zh) * 2016-06-16 2016-10-26 吉林大学 截断时窗的低通滤波多尺度全波形反演方法
CN109143336A (zh) * 2018-08-03 2019-01-04 中国石油大学(北京) 一种克服全波形反演中周期跳跃的方法
CN109407151A (zh) * 2018-12-18 2019-03-01 吉林大学 基于波场局部相关时移的时间域全波形反演方法
CN110058307A (zh) * 2019-05-05 2019-07-26 四川省地质工程勘察院 一种基于快速拟牛顿法的全波形反演方法
CN111123374A (zh) * 2019-12-25 2020-05-08 常州工学院 一种基于匹配滤波的探地雷达全波形反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Full-waveform inversion of triplicated data using a normalized-correlation-coefficient-based misfit function;KaiTao 等;《Geophysical Journal International》;20171231;第210卷(第3期);第1517-1524页 *
基于自适应非稳态相位校正的时频域多尺度全波形反演;胡勇 等;《地球物理学报》;20180731;第61卷(第7期);第2969-2988页 *

Also Published As

Publication number Publication date
CN111722287A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
RU2693495C1 (ru) Полная инверсия волнового поля с компенсацией показателя качества
CN111723329B (zh) 一种基于全卷积神经网络的震相特征识别波形反演方法
US6317695B1 (en) Seismic data processing method
CN105277978B (zh) 一种确定近地表速度模型的方法及装置
CN103492910B (zh) 时域中的同步小波提取和反卷积
EP2165221A1 (en) Method for velocity analysis using waveform inversion in laplace domain for geophysical imaging
CN103293551A (zh) 一种基于模型约束的阻抗反演方法及系统
MX2014003060A (es) Sistemas y metodos de filtracion de dominio de frecuencia y discriminacion de dominio de espacio-tiempo de datos sismicos.
CN110187382B (zh) 一种回折波和反射波波动方程旅行时反演方法
US9952341B2 (en) Systems and methods for aligning a monitor seismic survey with a baseline seismic survey
CN110895348B (zh) 一种地震弹性阻抗低频信息提取方法、系统及存储介质
CN111856577B (zh) 一种降低逆时偏移地表炮检距道集计算量的方法
CN111580163B (zh) 一种基于非单调搜索技术的全波形反演方法及系统
WO2005026776A1 (en) Wide-offset-range pre-stack depth migration method for seismic exploration
CN104570116A (zh) 基于地质标志层的时差分析校正方法
CN109116413A (zh) 成像域立体层析速度反演方法
CA2412995C (en) Seismic survey system
CN111722287B (zh) 一种基于渐进数据同化方法的震相特征识别波形反演方法
CN109581494B (zh) 叠前偏移方法及装置
CN108897039B (zh) 基于层位控制的dtw多波匹配方法
CN112305615B (zh) 一种地震资料角度域共成像点道集提取方法及系统
CN110646846B (zh) Vti介质各向异性参数确定方法、装置和设备
CN113589365A (zh) 基于时频域信息的储层尖灭线描述方法
CN113138416B (zh) 一种敏感核函数优化的全波形反演速度建模方法
CN110161565A (zh) 一种地震数据重建方法

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