CN111983668B - 一种获取地震参数估计的方法及系统 - Google Patents
一种获取地震参数估计的方法及系统 Download PDFInfo
- Publication number
- CN111983668B CN111983668B CN202010834813.6A CN202010834813A CN111983668B CN 111983668 B CN111983668 B CN 111983668B CN 202010834813 A CN202010834813 A CN 202010834813A CN 111983668 B CN111983668 B CN 111983668B
- Authority
- CN
- China
- Prior art keywords
- seismic
- travel time
- wave travel
- data
- earthquake
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 11
- 230000001788 irregular Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101100202858 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SEG2 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G01V1/01—Measuring or predicting earthquakes
-
- 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
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- 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
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种获取地震参数估计的方法及系统，包括：将地震图数据中的稀疏地震信号进行压缩感知，构建地震图数据库；对地震图数据库完整信号进行空间划分，建立第一索引；将地震波走时信息中的稀疏地震信号进行压缩感知，构建地震波走时表；对地震波走时表完整信号进行空间划分，建立第二索引；输入地震事件信息，在地震图数据库、地震波走时表中通过第一索引、第二索引进行并行搜索，得到搜索结果集合；从搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取地震事件的地震参数估计。本发明提供的方法采用压缩感知技术构建地震图数据库和地震波走时表，可以减小模型的差异对搜索结果的影响，获取地震参数的估计。
Description
技术领域
本发明涉及地震监测技术领域，具体涉及一种快速获取地震事件的地震参数估计的方法及系统。
背景技术
地震是由于地球内部某个局部区域的介质构造突变而产生的，包括自然地震和人工地震。地震的发生是一种地球内部能量释放的过程。能量的释放是以地震波的形式传播和扩散的。
当地震发生的时候，该地震对应的地震波形信号会被地震监测台站(地震波接收仪器)记录下来。地震波形中包含有丰富的地震震源信息(地震发生位置、地震震级以及地震震源机制等)。我们想要尽可能快速的判断出地震事件发生的位置，震级以及震源机制等信息。目前该领域最为先进的技术是利用已知的地下一维速度模型，运用地震的传播理论计算出理论的地震波形，用实际记录到的地震波形与理论计算出的地震波形相比较，将与实际记录的地震波形最相近的理论地震波形所对应的位置，震级以及震源机制等信息作为实际地震的震源信息。一维速度模型是一种近似的模型，不能够反映出地下介质的结构特点，因此用来计算出的理论的地震波形与实际地震波形有明显的差别。另外，一个地区的一维速度模型通常可
以由不同的方法得出，如拟合纵波和/或横波的到时信息、拟合地震波形(纵波和/横波和/面波)等。理论地震波形的计算会由于应用不同的一维速度模型而产生差异，因此会产生同一个地震不同的地震监测机构会提供出不同的震源信息。
需要一种不依赖于速度模型的确定地震事件发生的地震参数信息的方法。
在数字信号处理领域中，奈奎斯特-香农采样定理架起了模拟信号(连续时间信号)和数字信号(离散时间信号)之间的桥梁。在模拟信号向数字信号转化的过程中，当采样频率大于信号最高频率的二倍时，采集之后的数字信号完整的保留了原始信号的信息。压缩感知是一种新的采样理论，由Emmanuel Candès，Justin Romberg，Terence Tao和DavidDonoho等科学家于2004年提出。它通过开发信号的稀疏性，利用远小于奈奎斯特-香农采样定理所规定的采样率所获取的离散数据样本就可以对信号无失真的重建。这项技术已经应用于无线通讯、地球物理、信号处理以及医疗成像等领域。
发明内容
(一)要解决的技术问题
针对上述问题，本发明提供了一种获取地震参数估计的方法及系统，用于至少部分解决传统地震波形的计算会由于应用不同的一维速度模型而产生差异，以及不能快速的判断出地震事件发生的位置、震级以及震源机制等技术问题。
(二)技术方案
本发明提供了一种获取地震参数估计的方法，包括：S1，将地震图数据中的稀疏地震信号进行压缩感知，得到规则网格上的完整信号，根据完整信号构建地震图数据库；对地震图数据库完整信号进行空间划分，建立第一索引；S2，将地震波走时信息中的稀疏地震信号进行压缩感知，得到规则网格上的完整信号，根据完整信号构建地震波走时表；对地震波走时表完整信号进行空间划分，建立第二索引；S3，输入地震事件的地震图数据和地震波走时信息，在地震图数据库、地震波走时表中通过第一索引、第二索引进行并行搜索，按照预定的相似度条件识别与地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；S4，从搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取地震事件的地震参数估计。
进一步地，S1中通过压缩感知技术得到规则网格上的完整信号包括：
S111，数据重建的最优化问题表达式如下：
其中，bw为地震图数据中的稀疏信号，D为稀疏变换矩阵，A＝FN -1F为变换矩阵，F为离散傅里叶变换，FN为非均匀离散傅里叶反变换，‖·‖1代表向量中每个元素的绝对值之和，s.t.为英文“subject to”的缩写形式，含义为“约束于”，min为“取得最小值”的含义；矩阵uw为要求取的地震图数据在规则网格上的完整的信号；S112，输入为不规则网格上的稀疏的数据bw，通过计算与更新迭代直到达到收敛的标准，得到在规则网格上的完整信号uw。
进一步地，S1中进行空间划分的方法包括应用MRKD-tree方法建立至少一棵KD树，具体包括：S121，计算组内所有地震图数据在每个维度上的均值和方差；S122，确定多个维度中具有相对于均值的最大方差的一个或多个维度；S123，对于一个或多个维度中的每一个维度，以该维度上的均值作为中位数，将地震图数据划分成两部分；S124，对两部分中的每一个部分递归地进行计算、确定和划分步骤，直到每一部分只剩下单个地震图数据，从而建立一棵或多棵KD树。
进一步地，KD树为多棵时，针对多棵KD树并行执行搜索步骤。
进一步地，S2中通过压缩感知技术得到规则网格上的完整信号包括：
S211，数据重建的最优化问题表达式如下：
其中，bt为地震波走时信息中的稀疏信号，D为稀疏变换矩阵，A＝FN -1F为变换矩阵，F为离散傅里叶变换，FN为非均匀离散傅里叶反变换，‖·‖1代表向量中每个元素的绝对值之和，s.t.为英文“subject to”的缩写形式，含义为“约束于”，min为“取得最小值”的含义；矩阵ut为要求取的地震波走时表在规则网格上的完整的信号；S212，输入为不规则网格上的稀疏的数据bt，通过计算与更新迭代直到达到收敛的标准，得到在规则网格上的完整信号ut。
进一步地，S2中进行空间划分的方法包括应用MRKD-tree方法建立至少一棵KD树，具体包括：S221，计算组内所有地震波走时数据在每个维度上的均值和方差；S222，确定多个维度中具有相对于均值的最大方差的一个或多个维度；S223，对于一个或多个维度中的每一个维度，以该维
度上的均值作为中位数，将地震波走时数据划分成两部分；S224，对两部分中的每一个部分递归地进行计算、确定和划分步骤，直到每一部分只剩下单个地震波走时数据，从而建立一棵或多棵KD树。
进一步地，KD树为多棵时，针对多棵KD树并行执行搜索步骤。
进一步地，S2中在构建地震波走时表之前还包括：采用双差定位法对地震波走时信息包含的地震位置进行精定位，以消除部分由于地下介质速度模型不准确造成的定位偏差。
进一步地，S4中确定匹配的地震图数据和地震波走时信息包括：计算输入地震图数据库的地震图数据与搜索结果集合中每个搜索结果之间的差值和互相关系数，并采用互相关系数最大的搜索结果作为匹配地震图数据；计算输入地震走时信息与搜索结果集合中每个搜索结果之间的差值，并采用差值从小到大进行排序。
进一步地，还包括：S5，通过比较所有匹配地震图数据和地震波走时信息的互相关系数分布，来评估搜索结果的解析度和可靠性。
进一步地，地震图数据包括地震波形数据，地震波走时信息包括地震发生时刻至地震台站接收到地震波时刻的时间差信息。
本发明另一方面提供了一种获取地震参数估计的系统，包括：地震图数据库，存储由压缩感知技术构建的地震图数据，对地震图数据库建立第一索引；地震波走时表，存储由压缩感知技术构建的地震波走时表，对地震波走时表建立第二索引；输入装置，用于输入地震事件的地震图数据和地震波走时信息；搜索引擎，用于在地震图数据库、地震波走时表中通过第一索引、第二索引进行并行搜索，按照预定的相似度条件识别与地震事件相似
的多个地震图数据和地震波走时信息，作为搜索结果集合；从搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取地震事件的地震参数估计。
进一步地，还包括：评估装置，用于比较所有匹配地震图数据和地震波走时信息的互相关系数分布，来评估搜索结果的解析度和可靠性。
进一步地，还包括：精定位装置，通过采用双差定位法对地震波走时信息包含的地震位置进行精定位，以消除部分由于地下介质速度模型不准确造成的定位偏差。
本发明还有一方面提供了一种获取地震参数估计的搜索引擎，包括：搜索装置，针对输入地震事件的地震图数据和地震波走时数据，在预先建立的由压缩感知构建的地震图数据库和由压缩感知构建的地震波走时表中通过第一索引、第二索引并行搜索，按照预定的相似度条件识别与地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；其中地震图数据库存储由压缩感知技术构建的地震图数据，对地震图数据库建立第一索引；地震波走时表存储由压缩感知技术构建的地震波走时表，对地震波走时表建立第二索引；确定装置，从搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取地震事件的地震参数估计。
(三)有益效果
本发明实施例提供的一种获取地震参数估计的方法及系统，通过压缩感知算法，用有限的观测到的地震波形图和地震波走时数据，构建出区域的每一规则网格点上的地震波形图和地震波走时；将构建出的地震波形图和地震波走时数据作为数据库，利用搜索引擎技术快速获取输入地震事件
的地震参数。
附图说明
图1示意性示出了根据本发明实施例获取地震参数估计的方法流程图；
图2示意性示出了根据本发明实施例三分量地震图数据的示意图；
图3示意性示出了根据本发明实施例对地震图数据库完整信号进行空间划分的方法流程图；
图4示意性示出了根据本发明实施例对地震波走时表完整信号进行空间划分的方法流程图；
图5示意性示出了根据本发明实施例获取地震事件的地震参数估计的系统的示意框图；
图6示意性示出了根据本发明实施例由压缩感知技术构建地震图数据库的示意流程图；
图7示意性示出了根据本发明实施例由压缩感知技术构建地震波走时表的示意流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
地震事件是地球内部在某个局部区域产生的介质构造突变而发生的。地震事件是由地下的岩石构造瞬间破裂所造成的。地震的震源信息可以用经度，纬度，深度，震级，地震破裂面的走向角度，倾向角度，滑动角度来表示。地震图是一个时间序列信号。每一个地震都对应着一个独特的地震图，如纵波，横波，面波以及地震波到达地震接收仪器的时间。所以可以从地震图中反推出地震的震源信息。地震台站或者地震仪记录到的是地震发生后地震波传播到记录地点所引起的介质的位移，或者位移的速度(一阶时间导数)，或者位移的加速度(二阶时间导数)。一般地震台可采用三分量(垂直，东西，南北方向震动记录)地震图数据，或一分量(垂直分量)地震图数据。图2显示的是三分量地震图数据的示意性示例，其中BHE表示南北振动分量，BHN表示东西振动分量，BHZ表示垂直振动分量，红线(靠近字母P的线)标注地震波纵波的到时，蓝线(靠近字母S的线)标注地震波横波的到时，横轴为相对时间(秒)，纵轴为地震仪所在处地球介质振动的位移。
在地震学领域，地震模拟中存在一个基本假设：如果同一个地震监测台站记录的两个地震图是相同的，那么这两个地震图对应的震源解以及它们传播过程的速度结构也应该是一样的。因此，在地震学领域，采用正演和反演方法来查找波形匹配的地震图是估计地震参数和地球结构的标准方法，例如可以参见Xu,Y.,Herrmann,R.B.,and Keith,D.K.(2010).Source parameters of regional snall-to-moderate earthquakes in theYunnan-Sichuan region of China,Bull.Seismol.Soc.Am.100,No.5B,pp.2518-2531，以及Bonner,J.,Herrmann.R.,and Harley,B.(2010).Variable-period surface-wavemagnitudes:a rapid and robust estimator of seismicmoments.Bull.Seismol.Soc.Am.100,No.5A,pp.2301-2309。为了减少波形匹配地震图所消耗的时间，可以采用搜索引擎技术提高匹配地震图效率，例如可以参见Zhang,J.,Zhang,H.,Chen,E.,Zheng,Y.,Kuang,W.,and Zhang,X.(2014).Real-time earthquakemonitoring using a search engine method.Nature communications,5,5664.该方法需要预先准备好人工模拟地震图数据库，输入地震事件后，该搜索方法不仅仅是找出一个地震波形的解，还可以找出在一定相似度条件下不同的地震事件的波形的解集。本发明中，我们同时匹配地震图和地震波走时信息。对于每个地震事件的波形和走时的解就像是网络搜索引擎的结果中的每个网页链接一样，可以按相似度排序。这样使得有机会检测地震模拟中非唯一的地震事件的波形的解集。本发明中，采用压缩感知技术构建地震图数据库和地震波走时表，可以减小模型的差异对搜索结果的影响。
本发明的第一实施例提供了一种获取地震参数估计的方法，请参见图1，包括：
S1，将地震图数据中的稀疏地震信号进行压缩感知，得到规则网格上的完整信号，根据完整信号构建地震图数据库；对地震图数据库完整信号进行空间划分，建立第一索引；
由压缩感知技术构建的地震图数据库是预先建立的，该地震图数据库可以针对某个特定的地区以及地震监测台网建立数据库，然后对由压缩感知构建的地震图数据进行索引。
S2，将地震波走时信息中的稀疏地震信号进行压缩感知，得到规则网格上的完整信号，根据完整信号构建地震波走时表；对地震波走时表完整信号进行空间划分，建立第二索引；
同样地，由压缩感知技术构建的地震波走时表是预先建立的，该地震波走时表可以针对某个特定的地区以及地震监测台网建立数据库，然后对由压缩感知构建的地震波走时表进行索引。
S3，输入地震事件的地震图数据和地震波走时信息，在地震图数据库、地震波走时表中通过第一索引、第二索引进行并行搜索，按照预定的相似度条件识别与地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；
在预先由压缩感知技术构建的地震波数据库和地震波走时表通过匹配，采用近似最近邻搜索方法进行并行搜索，按照预定的相似度条件找出与该输入地震事件的地震图数据相似的多个地震图数据，作为搜索结果集合。
S4，从搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取地震事件的地震参数估计。
根据匹配的地震事件的地震参数，以获取例如震源机制和其他震源参数的估计。
在上述实施例的基础上，S1中通过压缩感知技术得到规则网格上的完整信号包括：S111，数据重建的最优化问题表达式如下：
其中，bw为地震图数据中的稀疏信号，D为稀疏变换矩阵，A＝FN -1F为变换矩阵，F为离散傅里叶变换，FN为非均匀离散傅里叶反变换，‖·‖1代表向量中每个元素的绝对值之和，s.t.为英文“subject to”的缩写形式，含义为“约束于”，min为“取得最小值”的含义；矩阵uw为要求取的地震图数据在规则网格上的完整的信号；S112，输入为不规则网格上的稀疏的数据bw，通过计算与更新迭代直到达到收敛的标准，得到在规则网格上的完整信号uw。
利用压缩感知技术来构建地震图是一个L1范数最优化问题。以用标准的交替方向乘子算法(Alternative direction method of multipliers，ADMM)来解决。具体步骤如下所示。根据压缩感知技术的理论，数据重建的最优化问题可以用上述公式(1)描述。在这里我们用三维离散傅里叶变换矩阵(3D DFT)作为稀疏变换矩阵，A＝FN -1F为变换矩阵，它根据离散傅里叶变换DFT(F)和非均匀离散傅里叶反变换NDFT(FN)将规则网格点投影到不规则的网格点。‖·‖1代表L1范数，即向量中每个元素的绝对值之和。其中的矩阵uw即为我们所要求取得地震图数据库。
我们引入一个辅助变量ω放入上述公式的稀疏项中：
min||ω||1，s.t.Auw＝bw，Duw＝ω (2)
然后，上述方程可以写成增广拉格朗日的形式：
其中，v和λ是两个对偶变量，β和μ是两个平衡参数。这样，两个未知的变量可以通过计算交替迭代更新。我们先来解变量ω:
通过公式4，我们可以直接用公式(5)解出变量ω。
公式中的下标k和k+1分别代表第k次迭代和第k+1次迭代。接下来，我们通过解下列的二次优化问题来求解变量uw的值，公式(6)如下：
公式(6)中，我们认为当LA的梯度值为零时会得到最小二乘解的最小值。
公式中符号
代表矩阵的伪逆运算。DT是稀疏变换的逆变换，并且有AT＝F-1FN。在更新uw和ω我们通过公式(8)和公式(9)来更新两个对偶变量v和λ。
Vk+1＝Vk-β(Duw(k+1)-ωk+1) (8)
λk+1＝λk-μ(Auw(k+1)-bw) (9)
整个计算流程可整个计算流程可以描述为：输入为不规则网格上的稀疏的数据bw，初始化参数uw0＝ATbw，ω0＝0，v0＝0，λ0＝0。然后我们用公式(5)计算ω，通过公式(7)更新uw值，接着通过公式(8)和公式(9)更新v和λ，不断更新迭代直到达到收敛的标准，最后获得uw，即在规则网格上的完整信号。
在上述实施例的基础上，S1中进行空间划分的方法包括应用MRKD-tree方法建立至少一棵KD树，请参见图3，具体包括：S121，计算组内所有地震图数据在每个维度上的均值和方差；S122，确定多个维度中具有相对于均值的最大方差的一个或多个维度；S123，对于一个或多个维度中的每一个维度，以该维度上的均值作为中位数，将地震图数据划分成两部分；S124，对两部分中的每一个部分递归地进行计算、确定和划分步骤，直到每一部分只剩下单个地震图数据，从而建立一棵或多棵KD树。
对得到的地震图数据库数据应用MRKD-tree方法，建立一棵或者多棵KD树。根据本发明实施例，可以对具有这种MRKD-Tree结构的数据库应用MRKD-Tree方法与近似最近邻搜索方法的结合进行搜索。根据本发明实施例，地震图数据可以是多维度数据，这里“维度”可以是时间维度，或者也称为时间采样。对于每一组地震图数据建立KD树可以包括：计算组内所有地震图数据在每个维度上的均值和方差，确定多个维度中具有相对于均值的最大方差的一个或多个维度，并且对于所确定的一个或多个维度中的每一个维度，以该维度上的均值作为中位数，将地震图数据划分成两部分，对每一个部分递归地进行计算、确定和划分步骤，直到每一部分只剩下单个地震图数据，从而建立一棵或多棵KD树。
在从多个不同地震监测台站获得记录的地震图数据后，图6示出了建立由压缩感知技术构建的地震图数据库的一个示例的示意流程图300，在步骤302，进行地震事件波形数据的截取，信号处理、去噪。在步骤304，应用压缩感知技术构建地震图数据库。在步骤306，对得到的地震图数据库数据应用MRKD-tree方法，建立一棵或者多棵KD树。根据本发明实施例，可以对具有这种MRKD-Tree结构的数据库应用MRKD-Tree方法与近似最近邻搜索方法的结合进行搜索。
在上述实施例的基础上，KD树为多棵时，针对多棵KD树并行执行搜索步骤。
其中对于由压缩感知构建的地震图数据库，对得到的数据应用多棵随机KD树方法，以针对每一组地震图数据建立一棵或多棵KD树，并且在多棵KD树的情况下，针对每一组内的多棵KD树并行执行搜索步骤。在多棵KD树中采用近似最近邻搜索方法找出多个搜索结果，并将多个搜索结果按照近似程度从高到低的顺序排序，从中选择排列在前面的多个搜索结果，作为构成搜索结果集合的近似最近邻。
在上述实施例的基础上，S2中通过压缩感知技术得到规则网格上的完整信号包括：S211，数据重建的最优化问题表达式如下：
其中，bt为地震波走时信息中的稀疏信号，D为稀疏变换矩阵，A＝FN -1F为变换矩阵，F为离散傅里叶变换，FN为非均匀离散傅里叶反变换，‖·‖1代表向量中每个元素的绝对值之和，s.t.为英文“subject to”的缩写形式，含义为“约束于”，min为“取得最小值”的含义；矩阵ut为要求取的地震波走时在规则网格上的完整的信号；S212，输入为不规则网格上的稀疏的数据bt，通过计算与更新迭代直到达到收敛的标准，得到在规则网格上的完整信号ut。
同构建地震图数据库类似地，利用压缩感知技术来构建地震波走时表是一个L1范数最优化问题。以用标准的交替方向乘子算法(Alternative direction method ofmultipliers，ADMM)来解决。具体步骤如下所示。根据压缩感知技术的理论，数据重建的最优化问题可以用上述公式(2)描述。在这里我们用三维离散傅里叶变换矩阵(3D DFT)作为稀疏变换矩阵，A＝FN -1F为变换矩阵，它根据离散傅里叶变换DFT(F)和非均匀离散傅里叶反变换NDFT(FN)将规则网格点投影到不规则的网格点。‖·‖1代表L1范数，即向量中每个元素的绝对值之和。其中的矩阵ut即为我们所要求取得地震波走时表。其计算推导过程与地震图数据库中的过程一致。
在上述实施例的基础上，S2中进行空间划分的方法包括应用MRKD-tree方法建立至少一棵KD树，请参见图4，具体包括：S221，计算组内所有地震波走时数据在每个维度上的均值和方差；S222，确定多个维度中具有相对于均值的最大方差的一个或多个维度；S223，对于一个或多个维度中的每一个维度，以该维度上的均值作为中位数，将地震波走时数据划分成两部分；S224，对两部分中的每一个部分递归地进行计算、确定和划分步骤，直到每一部分只剩下单个地震波走时数据，从而建立一棵或多棵KD树。
这里对地震波走时表完整信号进行空间划分的具体方法与对地震图数据库完整信号进行空间划分的方法类似，请参照前部分对空间划分的说明。由压缩感知构建的地震图数据和由压缩感知构建的地震波走时表是根据单个或多个地震台记录的地震参数来建立的，如果采用多个地震台记录的地震参数，搜索引擎针对每个地震台获取地震参数估计，并将多个地震台地震参数估计的交集确定为输入地震事件的地震参数估计。
地震波走时表为不同位置发生地震时，地震波传播到地震台站的时间的集合。图7示出了由压缩感知构建地震波走时表的示意流程图400，在步骤402中，整理历史地震的地震波走时数据。我们利用双差定位法来对历史地震的位置进行精定位。地震事件精定位算法可以消除部分由于地下介质速度模型不准确造成的定位偏差。精定位的目的在于使得由压缩感知构建的走时表的输入信息更准确。步骤404为压缩感知构建地震波走时表的过程。
在上述实施例的基础上，KD树为多棵时，针对多棵KD树并行执行搜索步骤。
其中对于由压缩感知构建的地震波走时表，对得到的数据应用多棵随机KD树方法，以针对每一组地震图数据建立一棵或多棵KD树，并且在多棵KD树的情况下，针对每一组内的多棵KD树并行执行搜索步骤。在多棵KD树中采用近似最近邻搜索方法找出多个搜索结果，并将多个搜索结果按照近似程度从高到低的顺序排序，从中选择排列在前面的多个搜索结果，作为构成搜索结果集合的近似最近邻。
在上述实施例的基础上，S2中在构建地震波走时表之前还包括：采用双差定位法对地震波走时信息包含的地震位置进行精定位，以消除部分由于地下介质速度模型不准确造成的定位偏差。
在整理历史地震的地震波走时数据时，我们利用双差定位法来对历史地震的位置进行精定位。地震事件精定位算法可以消除部分由于地下介质速度模型不准确造成的定位偏差。精定位的目的在于使得由压缩感知构建的走时表的输入信息更准确。
在上述实施例的基础上，S4中确定匹配的地震图数据和地震波走时信息包括：计算输入地震图数据库的地震图数据与搜索结果集合中每个搜索结果之间的差值和互相关系数，并采用互相关系数最大的搜索结果作为匹配地震图数据；计算输入地震走时信息与搜索结果集合中每个搜索结果之间的差值，并采用差值从小到大进行排序。
我们同时匹配地震图和地震波走时信息，对于每个地震事件的波形和走时的解就像是网络搜索引擎的结果中的每个网页链接一样，可以按相似度排序，这样使得有机会检测地震模拟中非唯一的地震事件的波形的解集。
在上述实施例的基础上，还包括：S5，通过比较所有匹配地震图数据和地震波走时信息的互相关系数分布，来评估搜索结果的解析度和可靠性。
通过比较所有匹配地震图数据和走时信息的差值分布来评估搜索结果的解析度和可靠性。
在上述实施例的基础上，地震图数据包括地震波形数据，地震波走时信息包括地震发生时刻至地震台站接收到地震波时刻的时间差信息。
地震波形中包含有丰富的地震震源信息(地震发生位置、地震震级以及地震震源机制等)，走时数据包括地震发生时刻至地震波传播至地震波接收仪器时刻；将构建出的地震波形图和地震波走时数据作为数据库，利用搜索引擎技术快速获取输入地震事件的地震参数。其中地震参数包括如下中的至少一个：震中距、震源深度、震源机制和震级。根据本发明，在数以百万计的数据量的数据库上，仅仅花费数秒时间就可以得到搜索结果，实现了快速甚至实时的地震参数估计。
本发明的第二实施例提供了一种获取地震参数估计的系统，请参见图5，包括：地震图数据，存储由压缩感知技术构建的地震图数据，对地震图数据库建立第一索引；地震波走时表，存储由压缩感知技术构建的地震波走时表，对地震波走时表建立第二索引；输入装置，用于输入地震事件的地震图数据和地震波走时信息；搜索引擎，用于在地震图数据库、地震波走时表中通过第一索引、第二索引进行并行搜索，按照预定的相似度条件识别与地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；从搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取地震事件的地震参数估计。
图5示出了根据本发明实施例的获取地震事件的地震参数估计的系统的示意框图，该系统10包括：地震图数据库110，地震波走时表120；地震图数据可以是如图2所示的三分量波形信号，也可以采用任何其他适合的形式，例如一分量垂直波形信号。地震波走时信息为地震发生时刻至地震台站接收到地震波时刻的时间差，单位为秒。地震图数据可以是数字化记录的，采用如标准的SAC，SEG2，SEGD或SEGY格式等存储，在数据文件头存储国际地震组织认定的地震参数，地震参数例如包括经度、纬度、震源深度、震源机制和震级，其中震源机制可以包括走向角度、倾角角度和滑动角度。其中由压缩感知构建的地震图数据库和由压缩感知构建的地震波走时表是经过索引处理的，以及搜索引擎采用多棵随机KD树方法进行搜索。
输入装置130，输入已发生地震事件的地震图数据和地震波走时信息，地震图数据包括地震波形，地震波走时信息包括地震发震时刻至地震台站接收到地震波的时刻；输入装置130可以是用于输入地震事件的地震图数据和地震波走时信息的接口，例如可以与单个或多个地震监测台的输出装置或通信接口相连，以从单个或多个地震监测台接收产生的地震事件的地震图记录和地震波走时信息。输入装置130也可以包括例如键盘、触摸屏等用户接口，用户或操作者可以通过输入装置130输入系统设置、预定条件等，来控制和管理系统的运行。可以采用任何适当结构或形式来实现输入装置130。
压缩感知构建的地震图数据库和压缩感知构建的走时表可以是本地或远程存储的数据库，也可以是集中式或分布式的数据。搜索引擎140可以是分立实现的设备，也可以实现为与压缩感知构建的地震图数据库110、压缩感知构建的地震波走时表120和输入装置130中的一个或多个形成在同一位置。搜索引擎140可以利用微处理器、现场可编程门阵列或者专用计算设备来实现。一个充足的地震事件的数据库包含数以亿计到数以十亿计的地震图。即使是使用最先进的计算机设备，如果采用原始的线性搜索方法，也没有足够的处理能力来查询如此大量的数据。诸如近似最近邻搜索的计算机搜索技术使得我们可以从大规模数据库中在一定准确率程度下进行快速的查找，从而得到相似的地震图，并且这一技术在互联网的数据量级下，已经成功地应用于图片检索，音乐检索以及视频检索领域中。
搜索引擎140采用近似最近邻方法在压缩感知构建的地震图数据库110和压缩感知构建的地震波走时表120中进行并行搜索，按照预定的残差条件找出与该输入地震事件的地震图数据相似的多个地震图数据，作为搜索结果集合。其中搜索引擎在多棵KD树中采用近邻近似搜索方法找出多个搜索结果，并将多个搜索结果按照相似度从高到低排序，从中选择排列在前面的多个搜索结果，作为构成搜索结果集合的近似最近邻。由于地震波形和地震波走时是两个完全不同的物理量，在搜索匹配时我们权重因子a(0≤a≤1)填在走时表搜索结果之前与之相乘。当a＝0时，搜索匹配的结果仅为波形匹配的结果；当a＝1时，匹配结果中波形匹配和走时匹配两者权重各占一半。例如，预定的残差条件可以是预定的最小的10个结果，凡是满足这一条件的地震图数据都可以作为搜索结果。搜索引擎计算输入地震图的地震图数据和地震波走时数据与搜索结果集合中每个搜索结果之间的残差值，并采用残差值最小的搜索结果作为匹配地震图数据，从而确定匹配地震图数据。
在上述实施例的基础上，还包括：评估装置，用于比较所有匹配地震图数据和地震波走时信息的互相关系数分布，来评估搜索结果的解析度和可靠性。
通过比较所有匹配地震图数据和走时信息的差值分布来评估搜索结果的解析度和可靠性。
在上述实施例的基础上，还包括：精定位装置，通过采用双差定位法对地震波走时信息包含的地震位置进行精定位，以消除部分由于地下介质速度模型不准确造成的定位偏差。
地震事件精定位算法可以消除部分由于地下介质速度模型不准确造成的定位偏差。精定位的目的在于使得由压缩感知构建的走时表的输入信息更准确。
本发明的第三实施例提供了一种获取地震参数估计的搜索引擎，包括：搜索装置，针对输入地震事件的地震图数据和地震波走时数据，在预先建立的由压缩感知构建的地震图数据库和由压缩感知构建的地震波走时表中通过第一索引、第二索引并行搜索，按照预定的相似度条件识别与地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；其中地震图数据库存储由压缩感知技术构建的地震图数据，对地震图数据库建立第一索引；地震波走时表存储由压缩感知技术构建的地震波走时表，对地震波走时表建立第二索引；确定装置，从搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取地震事件的地震参数估计。
搜索装置采用近似最近邻方法在压缩感知构建的地震图数据库和压缩感知构建的地震波走时表中进行并行搜索，按照预定的残差条件找出与该输入地震事件的地震图数据相似的多个地震图数据，作为搜索结果集合。确定装置，获取输入地震事件的地震参数估计。其中地震参数包括如下中的至少一个：震中距、震源深度、震源机制和震级；由压缩感知构建的地震图数据库和由压缩感知构建的地震波走时表是经过索引处理的，以及搜索引擎采用多棵随机KD树方法进行搜索。根据本发明，在数以百万计的数据量的数据库上，仅仅花费数秒时间就可以得到搜索结果，实现了快速甚至实时的地震参数估计。
以上描述了根据本发明实施例的快速获取输入地震事件的地震参数估计的方法和系统以及地震时间搜索引擎，能够在得到输入地震数据后数秒钟内估计出该输入地震事件的地震参数。该方法和系统使用地震事件搜索引擎，通过建立由压缩感知算法构建的地震图数据库和由压缩感知构建的地震波走时表，快速从数据库中搜索出相似于输入地震图的所有地震事件。一旦搜索得到了输入地震事件对应的匹配结果，该系统立即显示出这些匹配地震事件的地震参数，以便获取例如震源机制和其他震源参数的估计。本发明实施例方法和系统能够利用计算机搜索技术，应用于天然地震的实时监测，实时监测石油与天然气开采生产所激发的微震事件，并且也可以用于实时监测核爆或者炸药爆炸等。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (15)
1.一种获取地震参数估计的方法，包括：
S1，将地震图数据中的稀疏地震信号进行压缩感知，得到规则网格上的完整信号，根据所述完整信号构建地震图数据库；对所述地震图数据库完整信号进行空间划分，建立第一索引；
S2，将地震波走时信息中的稀疏地震信号进行压缩感知，得到规则网格上的完整信号，根据所述完整信号构建地震波走时表；对所述地震波走时表完整信号进行空间划分，建立第二索引；
S3，输入地震事件的地震图数据和地震波走时信息，在所述地震图数据库、地震波走时表中通过所述第一索引、第二索引进行并行搜索，按照预定的相似度条件识别与所述地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；
S4，从所述搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取所述地震事件的地震参数估计。
2.根据权利要求1所述的获取地震参数估计的方法，其特征在于，所述S1中通过压缩感知技术得到规则网格上的完整信号包括：
S111，数据重建的最优化问题表达式如下：
其中，bw为地震图数据中的稀疏信号，D为稀疏变换矩阵，A＝FN -1F为变换矩阵，F为离散傅里叶变换，FN为非均匀离散傅里叶反变换，‖·‖1代表向量中每个元素的绝对值之和，s.t.为英文“subject to”的缩写形式，含义为“约束于”，min为“取得最小值”的含义；矩阵uw为要求取的地震图数据在规则网格上的完整的信号；
S112，输入为不规则网格上的稀疏的数据bw，通过计算与更新迭代直到达到收敛的标准，得到在规则网格上的完整信号uw。
3.根据权利要求1所述的获取地震参数估计的方法，其特征在于，所述S1中进行空间划分的方法包括应用MRKD-tree方法建立至少一棵KD树，具体包括：
S121，计算组内所有地震图数据在每个维度上的均值和方差；
S122，确定多个维度中具有相对于均值的最大方差的一个或多个维度；
S123，对于所述一个或多个维度中的每一个维度，以该维度上的均值作为中位数，将地震图数据划分成两部分；
S124，对所述两部分中的每一个部分递归地进行所述计算、确定和划分步骤，直到每一部分只剩下单个地震图数据，从而建立一棵或多棵KD树。
4.根据权利要求3所述的获取地震参数估计的方法，其特征在于，所述KD树为多棵时，针对多棵KD树并行执行所述搜索步骤。
5.根据权利要求1所述的获取地震参数估计的方法，其特征在于，所述S2中通过压缩感知技术得到规则网格上的完整信号包括：
S211，数据重建的最优化问题表达式如下：
其中，bt为地震波走时信息中的稀疏信号，D为稀疏变换矩阵，A＝FN -1F为变换矩阵，F为离散傅里叶变换，FN为非均匀离散傅里叶反变换，‖·‖1代表向量中每个元素的绝对值之和，s.t.为英文“subject to”的缩写形式，含义为“约束于”，min为“取得最小值”的含义；矩阵ut为要求取的地震波走时表在规则网格上的完整的信号；
S212，输入为不规则网格上的稀疏的数据bt，通过计算与更新迭代直到达到收敛的标准，得到在规则网格上的完整信号ut。
6.根据权利要求1所述的获取地震参数估计的方法，其特征在于，所述S2中进行空间划分的方法包括应用MRKD-tree方法建立至少一棵KD树，具体包括：
S221，计算组内所有地震波走时数据在每个维度上的均值和方差；
S222，确定多个维度中具有相对于均值的最大方差的一个或多个维度；
S223，对于所述一个或多个维度中的每一个维度，以该维度上的均值作为中位数，将地震波走时数据划分成两部分；
S224，对所述两部分中的每一个部分递归地进行所述计算、确定和划分步骤，直到每一部分只剩下单个地震波走时数据，从而建立一棵或多棵KD树。
7.根据权利要求6所述的获取地震参数估计的方法，其特征在于，所述KD树为多棵时，针对多棵KD树并行执行所述搜索步骤。
8.根据权利要求1所述的获取地震参数估计的方法，其特征在于，所述S2中在构建地震波走时表之前还包括：
采用双差定位法对所述地震波走时信息包含的地震位置进行精定位，以消除部分由于地下介质速度模型不准确造成的定位偏差。
9.根据权利要求1所述的获取地震参数估计的方法，其特征在于，所述S4中确定匹配的地震图数据和地震波走时信息包括：
计算输入地震图数据库的地震图数据与搜索结果集合中每个搜索结果之间的差值和互相关系数，并采用互相关系数最大的搜索结果作为匹配地震图数据；
计算输入地震走时信息与搜索结果集合中每个搜索结果之间的差值，并采用差值从小到大进行排序。
10.根据权利要求1所述的获取地震参数估计的方法，其特征在于，还包括：
S5，通过比较所有匹配地震图数据和地震波走时信息的互相关系数分布，来评估搜索结果的解析度和可靠性。
11.根据权利要求1所述的获取地震参数估计的方法，其特征在于，所述地震图数据包括地震波形数据，所述地震波走时信息包括地震发生时刻至地震台站接收到地震波时刻的时间差信息。
12.一种获取地震参数估计的系统，其特征在于，包括：
地震图数据库，存储由压缩感知技术构建的地震图数据，对所述地震图数据库建立第一索引；
地震波走时表，存储由压缩感知技术构建的地震波走时表，对所述地震波走时表建立第二索引；
输入装置，用于输入地震事件的地震图数据和地震波走时信息；
搜索引擎，用于在所述地震图数据库、地震波走时表中通过所述第一索引、第二索引进行并行搜索，按照预定的相似度条件识别与所述地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；从所述搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取所述地震事件的地震参数估计。
13.根据权利要求12所述的获取地震参数估计的系统，其特征在于，还包括：
评估装置，用于比较所有匹配地震图数据和地震波走时信息的互相关系数分布，来评估搜索结果的解析度和可靠性。
14.根据权利要求12所述的获取地震参数估计的系统，其特征在于，还包括：
精定位装置，通过采用双差定位法对所述地震波走时信息包含的地震位置进行精定位，以消除部分由于地下介质速度模型不准确造成的定位偏差。
15.一种获取地震参数估计的搜索引擎，其特征在于，包括：
搜索装置，针对输入地震事件的地震图数据和地震波走时数据，在预先建立的由压缩感知构建的地震图数据库和由压缩感知构建的地震波走时表中通过第一索引、第二索引并行搜索，按照预定的相似度条件识别与所述地震事件相似的多个地震图数据和地震波走时信息，作为搜索结果集合；其中所述地震图数据库存储由压缩感知技术构建的地震图数据，对所述地震图数据库建立第一索引；所述地震波走时表存储由压缩感知技术构建的地震波走时表，对所述地震波走时表建立第二索引；
确定装置，从所述搜索结果集合中确定匹配的地震图数据和地震波走时信息，并从中获取所述地震事件的地震参数估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834813.6A CN111983668B (zh) | 2020-08-18 | 2020-08-18 | 一种获取地震参数估计的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010834813.6A CN111983668B (zh) | 2020-08-18 | 2020-08-18 | 一种获取地震参数估计的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111983668A CN111983668A (zh) | 2020-11-24 |
| CN111983668B true CN111983668B (zh) | 2022-09-09 |
Family
ID=73435549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010834813.6A Active CN111983668B (zh) | 2020-08-18 | 2020-08-18 | 一种获取地震参数估计的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111983668B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221395B (zh) * | 2021-03-16 | 2023-10-20 | 禁核试北京国家数据中心 | 基于分层介质的地震走时参数化网格模型构建方法及应用 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1669778A1 (fr) * | 2004-12-07 | 2006-06-14 | Institut Français du Pétrole | Méthode pour déterminer des informations spéculaires après imagerie sismique avant sommation |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6405136B1 (en) * | 1999-10-15 | 2002-06-11 | Schlumberger Technology Corporation | Data compression method for use in wellbore and formation characterization |
| CN103365916B (zh) * | 2012-03-31 | 2016-12-14 | 中国科学技术大学 | 地震事件参数估计获取方法和系统，地震事件搜索引擎 |
| US20150316666A1 (en) * | 2014-05-05 | 2015-11-05 | The Board Of Trustees Of The Leland Stanford Junior University | Efficient Similarity Search of Seismic Waveforms |
| CN106154334B (zh) * | 2015-04-13 | 2018-02-16 | 中石化石油工程地球物理有限公司胜利分公司 | 基于网格搜索的井下微地震事件实时反演定位方法 |
| CN108957404A (zh) * | 2018-05-18 | 2018-12-07 | 中国科学技术大学 | 一种地震定位方法、装置及系统 |
| CN111337973B (zh) * | 2018-12-19 | 2022-08-05 | 中国石油天然气集团有限公司 | 地震数据重建方法、系统 |
| CN110348169B (zh) * | 2019-07-25 | 2023-03-28 | 西北工业大学 | 一种基于压缩感知理论的尾波干涉成像方法 |
-
2020
- 2020-08-18 CN CN202010834813.6A patent/CN111983668B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1669778A1 (fr) * | 2004-12-07 | 2006-06-14 | Institut Français du Pétrole | Méthode pour déterminer des informations spéculaires après imagerie sismique avant sommation |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111983668A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11163080B2 (en) | Computer implemented method for generating a subsurface rock and/or fluid model of a determined domain | |
| US8296069B2 (en) | Pseudo-analytical method for the solution of wave equations | |
| US10002211B2 (en) | Artifact reduction in iterative inversion of geophysical data | |
| Pavlis et al. | Progressive multiple event location (PMEL) | |
| US7805250B2 (en) | Methods and apparatus for geophysical exploration via joint inversion | |
| CA2683618C (en) | Inverse-vector method for smoothing dips and azimuths | |
| Rodriguez et al. | Simultaneous recovery of origin time, hypocentre location and seismic moment tensor using sparse representation theory | |
| AU4577102A (en) | Extraction of P-wave and S-wave velocities from multi- component seismic data by joint velocity inversion | |
| CN108645994A (zh) | 一种基于多点地质统计学的地质随机反演方法及装置 | |
| Huang et al. | Geological structure-guided initial model building for prestack AVO/AVA inversion | |
| WO2020009752A1 (en) | Full wavefield inversion with an image-gather-flatness constraint | |
| EP4030198B1 (en) | Building accurate training images for automatic seismic interpretation | |
| WO2016001697A1 (en) | Systems and methods for geologic surface reconstruction using implicit functions | |
| CN113945982A (zh) | 用于去除低频和低波数噪声以生成增强图像的方法和系统 | |
| WO2022232572A1 (en) | Method and system for high resolution least-squares reverse time migration | |
| CN115877449A (zh) | 用于在勘测区域内获得地下堆叠图像的计算机实现方法 | |
| US6324478B1 (en) | Second-and higher-order traveltimes for seismic imaging | |
| CN111983668B (zh) | 一种获取地震参数估计的方法及系统 | |
| Priolo et al. | The Campi Flegrei Blind Test: evaluating the imaging capability of local earthquake tomography in a volcanic area | |
| CN114185098B (zh) | 用于将元素连接到震源和接收器的方法和系统 | |
| CN114114412B (zh) | 使用各向异性参数来生成时间偏移图像道集的方法和系统 | |
| Masfara et al. | Hamiltonian Monte Carlo to characterize induced earthquakes: Application to a ML 3.4 event in the Groningen gas field and the role of prior | |
| Weemstra | Hamiltonian Monte Carlo for the Purpose of Induced Source Characterization: Application to an ML 3.4 Event in the Groningen Gas Field | |
| Parasyris et al. | Near surface full waveform inversion via deep learning for subsurface imaging | |
| Peng‐Cheng et al. | NEAR‐FIELD SEISMIC LOCALIZATION USING DELTA T MAPPING |
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 |