CN112147694B - 一种面向主成分的avo趋势去除多次波的方法 - Google Patents
一种面向主成分的avo趋势去除多次波的方法 Download PDFInfo
- Publication number
- CN112147694B CN112147694B CN202011035779.2A CN202011035779A CN112147694B CN 112147694 B CN112147694 B CN 112147694B CN 202011035779 A CN202011035779 A CN 202011035779A CN 112147694 B CN112147694 B CN 112147694B
- Authority
- CN
- China
- Prior art keywords
- gather
- data
- avo
- principal component
- multiples
- 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 56
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 230000001427 coherent effect Effects 0.000 claims abstract description 17
- 230000003321 amplification Effects 0.000 claims abstract description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002679 ablation Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000011426 transformation method Methods 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
- G01V1/28—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
- G01V1/364—Seismic filtering
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
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
本发明公开了一种面向主成分的AVO趋势去除多次波的方法，通过应用奇异值分解算法将原始道集分解为主成分道集和弱相干道集两部分。针对主成分道集，算法中利用了多次波误差放大函数剔除了多次波位置的数据，剩余数据做最小方差的抛物线拟合，利用正演数据做近道数据替换，达到剔除多次波的目标。主成分道集的特点是信噪比很高，多次波去除过程中受噪声的影响小，有利于抛物线模型的反演精度的保证，同时避免了噪声产生的虚假同相轴现象的产生。算法保持了中远角度数据和弱相干的弱反射同相轴数据不变，保护了原始数据的AVO特征，提高了后续AVO特征分析和反演的可靠性。旨在解决现有技术中存在的面向主成分的AVO趋势去除多次波误差大的技术问题。
Description
技术领域
本发明涉及油气勘探技术领域，尤其涉及一种面向主成分的AVO趋势去除多次波的方法。
背景技术
AVO是地震勘探中一项具有重大发展潜力的技术。如今，在基于叠前道集的精细油藏描述和储层预测的工作中，AVO理论是最重要的技术。叠前道集中若存在噪声，极易导致近远道的振幅失真，引起AVO分析异常，造成叠前反演和AVO属性分析结果的多解与偏差，不能反映真实的岩性和物性。多次波是常见的一种相干噪声，它是不止一次反射后被接收到的能量。在叠前道集中，中远偏移距部分，多次波与一次波的视速度差异较大，比较容易去除，但是在近偏移距部分，由于多次波与一次有效反射波的视速度差异较小，往往难以分离，导致多次波的残留较多，引起了AVO分析工作中小角度资料的失真。多次波的去除一直都是一个很棘手的问题。
目前，去除多次波的方法大致分为两种：滤波方法和基于波动理论的方法。其中滤波法主要是利用一次波和多次波之间的视速度差异(如f-k，τ-p)或者多次波的周期性(预测反褶积)等，此类方法只有在多次波和一次波的视速度具有较大差异性的时候才能有效衰减多次波。基于波动理论的方法主要有波场外推法、预测减去法和逆散射级数法等，虽然此类方法在理论上可以完全衰减掉所有阶的表面多次波，但是在实际应用中的限制条件导致其理论建设不满足而存在较大的误差，另外，此类方法计算量也是相当的巨大，使得海量数据的三维地震中的应用受到了限制。
单点的AVO趋势呈抛物线型，最小二乘的AVO趋势拟合技术目前被广泛应用于叠前道集的近、远道能量补偿，AVO属性提取等方面。AVO趋势拟合目前同样被用于近道多次波的去除，利用受多次波影响较小的中远角度数据进行AVO趋势拟合，拟合的近道数据替换原近道数据，达到去除多次波的目的。AVO趋势拟合是逐点进行，遍历整个时间轴，经过处理的叠前道集往往在近道上会出现模型化、虚假同相轴等现象，一些弱的有效反射同相轴受噪声影响发生畸变，影响后续AVO分析和反演的可靠性。
因此，如何减小AVO趋势的多次波去除产生的误差，是一个亟需解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种面向主成分的AVO趋势去除多次波的方法，旨在解决现有技术中存在的面向主成分的AVO趋势去除多次波误差大的技术问题。
为实现上述目的，本发明提出一种面向主成分的AVO趋势去除多次波的方法，所述AVO趋势去除多次波的方法包括如下步骤：
对叠前道集进行数据预处理；
利用奇异值分解算法提取叠前道集主要特征，构建包含一次反射和多次反射同相轴在内的主成分部分叠前道集，同时构建含弱反射同相轴和随机噪声在内的弱相干叠前道集；
剔除误差大的角度范围数据，利用保留的角度范围数据建立最小方差的抛物线模型的目标方程，对主成分部分叠前道集做AVO趋势拟合，通过求解抛物线模型并替换拟合后的全角度范围振幅数据，实现多次波去除；
将处理后的主成分叠前道集和弱相干叠前道集合并。
优选的，一种面向主成分的AVO趋势去除多次波的方法，所述对叠前道集进行数据预处理操作包括对叠前道集进行动校拉伸切除和角道集转化。
优选的，一种面向主成分的AVO趋势去除多次波的方法，所述奇异值分解通过根据奇异值分解参考式对叠前道集X进行奇异值分解：
其中：r是矩阵的秩，ui是XXT的第i个特征向量，vi是XTX的第i个特征向量，σi是X的第i个特征值。
优选的，一种面向主成分的AVO趋势去除多次波的方法，所述主成分部分叠前道集的构建利用奇异值分解参考式对分解的奇异值构建出包含一次反射和多次反射同相轴在内的主成分部分叠前道集；所述弱相干叠前道集的构建利用奇异值分解参考式对分解的奇异值构建出含弱反射同相轴和随机噪声在内的弱相干叠前道集。
优选的，的一种面向主成分的AVO趋势去除多次波的方法，所述剔除误差大的角度范围数据通过利用多次波误差放大函数确定AVO抛物线模型繁衍数据范围，剔除误差最大的预设比例的数据来进行后续趋势拟合：
其中：ei是第i角度对应的振幅ri与平均振幅
之间的差异，式中wi是第i个角度的误差权重，即为多次波误差放大函数，θi是第i个角度值，θmax是最大角度值。
优选的，一种面向主成分的AVO趋势去除多次波的方法，所述剔除误差最大的预设比例设置为10％。
优选的，一种面向主成分的AVO趋势去除多次波的方法，所述建立最小方差的抛物线模型的目标方程，通过基于Shuey近似式可视为抛物线的形式建立目标方程：
其中：f(x)＝ax2+bx+c；xi的值为sin2(θi)；yi的值为ricos2(θ)；；i是角度的序号，一共有N个角度，ri是第i角度对应的振幅，a、b、c是剖物线系数模型。
优选的，一种面向主成分的AVO趋势去除多次波的方法，所述替换拟合后的全角度范围振幅数据通过对建立目标方程进行求解，分别得到模型数据的抛物线拟合系数模型a，b，c，利用模型数据正演出全角度范围振幅数据，用正演数据中的振幅替换原主成分道集相同位置的振幅。
优选的，一种面向主成分的AVO趋势去除多次波的方法，所述实现多次波去除还包括遍历主成分道集的每个采样点，实现主成分道集中多次波的去除。
本发明中，通过应用奇异值分解算法将原始道集分解为主成分道集和弱相干道集两部分。针对主成分道集，算法中利用了多次波误差放大函数剔除了多次波位置的数据，剩余数据做最小方差的抛物线拟合，利用正演数据做近道数据替换，达到剔除多次波的目标。主成分道集的特点是信噪比很高，多次波去除过程中受噪声的影响小，有利于抛物线模型的反演精度的保证，同时避免了噪声产生的虚假同相轴现象的产生。算法保持了中远角度数据和弱相干的弱反射同相轴数据不变，保护了原始数据的AVO特征，提高了后续AVO特征分析和反演的可靠性。旨在解决现有技术中存在的面向主成分的AVO趋势去除多次波误差大的技术问题。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提出的面向主成分的AVO趋势去除多次波的方法的流程处理示意图；
图2为本发明中正演带近道多次波的角度域叠前道集示意图；其中图2(a)为原始角道集示意图；图2(b)为利用奇异值提取主奇异值，重构得到的主成分叠前道集示意图；图2(c)为利用剩余奇异值重构的剩余部分叠前道集示意图；
图3为本发明中叠前道集矩阵数据的奇异值分布示意图；
图4为本发明中误差放大函数示意图；
图5为本发明中某一时间点处利用本方法去除近道多次波的处理效果对比示意图；
图6为本发明中正演叠前角道集利用本方法去除近道多次波的对比示意图；其中图6(a)为原始角道集示意图；图6(b)为去除近道多次波的角道集示意图；图6(c)为残差道集示意图；
图7为本发明中实际角道集利用本方法去除近道多次波的对比示意图；其中图7(a)为原始角道集示意图；图7(b)为去除近道多次波的角道集示意图；图7(c)为残差道集示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明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本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出了一种实施例，如图1所示，本发明提出了一种面向以强能量为主的主成分部分的AVO趋势去除多次波的方法，旨在消除传统AVO趋势拟合由噪声引起的虚假同相轴现象，保护弱反射同相轴，去除近道多次波。该方法主要包括以下步骤：
步骤一：叠前道集预处理：对叠前CDP道集进行动校拉伸切除和角道集转换；
步骤二：利用奇异值分解方法提取出道集的主成分部分：
对叠前道集进行奇异值分解，按照奇异值的分布，取奇异值较大的一部分进行波场重建，构建出相干性较强的包含一次反射和多次反射同相轴在内的主成分部分叠前道集，剩下的奇异值构建出含弱反射同相轴和随机噪声在内的弱相干叠前道集。
步骤三：对主成分叠前道集做AVO趋势拟合去除近道多次波：
对于某个时间点，首先利用针对近道多次波误差放大函数剔除掉误差大的角度范围数据，并记录剔除数据对应的索引，利用剩下的角度范围数据建立最小方差的抛物线模型的目标方程组，利用最小二乘法求解出抛物线模型，然后正演拟合全角度范围振幅数据，用拟合数据中的的振幅替换原主成分道集相同位置的振幅，去除多次波。遍历主成分道集的每个采样点，完成主成分道集中多次波的去除；
步骤四：将处理过后的主成分叠前道集和弱相干叠前道集合并。
在本实施例中，结合算法设计流程图和其它附图展开对算法的详细说明。
步骤一：叠前道集预处理：对叠前CDP道集做动校拉伸切除与角道集的转化；
步骤二：利用奇异值分解方法提取出道集的主成分部分；
1、奇异值的分解与重构：奇异值分解(Singular Value Decomposition,简称为SVD)是在机器学习领域广泛应用的算法，它是一种基础的矩阵分解算法，不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及图片处理、自然语言等领域，是很多机器学习的基石。它可以从大量复杂的矩阵数据中，提取出能表示该矩阵的主要成分，这些主要成分代表该矩阵的主要特征，某个特征分量对矩阵的影响与该特征分量对应的奇异值的大小成比例，奇异值越大，它所对应的特征分量对矩阵的贡献就越大，所以最初几个特征值分量对矩阵的贡献最大(图3)。
Radon变换是经典的去除多次波算法中的波场变换算法，它将原始时空域地震信号映射至曲率截距(τ-p)域中，原时空域中相同的曲率和截距信号在τ-p域中进行积分收敛于一个点，剔除掉多次波后，反变换回时空域中，完成近道多次波的去除。处理过程中，正变换往往存在假象，收敛不彻底，振幅泄漏；处理过程中容易出现端点和处理边界效应，成为反变换后新的噪声数据，其它的波场变换方法同样会出现类似的不足与缺点。与Radon变换不同，本发明中利用奇异值分解算法提取叠前道集主要特征后做叠前道集的重构，即为主成分道集，在主成分道集(时空域)中做AVO趋势拟合的近道多次波去除，变换后再处理的过程，避免了波场再变换引发的新噪声。
由于强阻抗界面容易产生多次波，叠前道集中多次波是能量相对较强的相干噪声。对叠前道集X按照(2-1)式做奇异值分解，其中r是矩阵的秩，ui是XXT的第i个特征向量，vi是XTX的第i个特征向量，σi是X的第i个特征值。最大的几个特征值对应的特征向量反映相干性较强包括一次反射和多次波在内的同相轴，最后几个奇异值对应的特征向量反映的是无相干的随机噪声，中间的奇异值包含弱反射同相轴和噪声。取前几个奇异值，利用(2-1)式进行波场重建，构建出相干性较强的包含一次反射和多次反射同相轴在内的主成分部分叠前道集，剩下的奇异值构建出含弱反射同相轴和随机噪声在内的弱相干叠前道集。
图2所示，(a)含近道多次波的叠前角道集正演记录，(b)奇异值分解、重构得到的主成分道集,(c)是剩余弱相干道集。
2、利用多次波误差放大函数确定AVO抛物线模型反演数据范围：近道多次波的能量一般相对较强，直接影响了有效一次反射波的累积能量和分布特征，若直接用全角度域数据进行抛物线模型反演，则多次波的参与比例较大，导致模型结果偏差，油气层的AVO类型的指示错误。利用多次波误差放大函数将多次波更加的凸显出来，剔除掉多次波部分，让剩余部分进行抛物线趋势拟合，避免了多次波对抛物线参数的影响，保证后续抛物线模型反演的准确性。
wi＝1+3exp(-3.5(θi/θmax)) (2-3)
(2-2)式中：ei是第i角度对应的振幅ri与平均振幅
之间的差异，(2-3)式中wi是第i个角度的误差权重，即为多次波误差放大函数，θi是第i个角度值，θmax是最大角度值，剔除掉误差最大的10％左右比例的数据后的剩余部分进行AVO抛物线模型拟合。
图4所示，是多次波误差放大函数，横轴是角度，将误差放大权系数wi作用于误差ei，近角度数据的误差被放大，优先剔除，而中远角度数据相对误差较小，保持不变。
3、建立目标函数，求解拟合参数：基于Shuey近似式可视为抛物线的形式(2-4)，xi的值为sin2(θi)。
f(x)＝ax2+bx+c (2-4)
建立目标函数L(2-5)，yi的值为ricos2(θ)，i是角度的序号，一共有N个角度，ri是第i角度对应的振幅，a、b、c是剖物线系数模型。
分别对a，b，c求导，得方程组(2-6)
求解(2-6)方程组，得到模型数据a，b，c，然后利用模型数据正演出全角度范围振幅数据，用正演数据中的振幅替换原主成分道集相同位置的振幅，去除了近道多次波，而中远角度数据几乎保持不变。
图5是主成分道集中某一单点的处理效果，虚线线段是原始未加近道多次波和随机噪声振幅随角度变化曲线；直线段与加号相间隔线段是加入近道多次波与随机噪声后的振幅随角度变换曲线；实线是本方法在主成分道集中的处理效果。遍历主成分道集的每个采样点，完成主成分道集中多次波的去除。
步骤四：处理过后的主成分叠前道集和弱相干叠前道集合并：主成分道集的信噪比很高，抛物线反演受噪声干扰小，保证了准确性，同时也避免了噪声拟合反演出现的虚假同相轴的出现，算法去除了近道多次波，而弱相干的弱反射信息得以保留。图6和图7分别是正演模型和实际道集数据去除近道多次波的处理效果，(a)是原始道集；(b)是本发明方法去除多次波的处理效果；(c)是残差道集。
在本实施例中，应用了奇异值分解算法将原始道集分解为主成分道集和弱相干道集两部分。针对主成分道集，算法中利用了多次波误差放大函数剔除了多次波位置的数据，剩余数据做最小方差的抛物线拟合，利用正演数据做近道数据替换，达到剔除多次波的目标。主成分道集的特点是信噪比很高，多次波去除过程中受噪声的影响小，有利于抛物线模型的反演精度的保证，同时避免了噪声产生的虚假同相轴现象的产生。算法保持了中远角度数据和弱相干的弱反射同相轴数据不变，保护了原始数据的AVO特征，提高了后续AVO特征分析和反演的可靠性。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述面向主成分的AVO趋势去除多次波的方法包括如下步骤：
对叠前道集进行数据预处理；
利用奇异值分解算法提取叠前道集主要特征，构建包含一次反射和多次反射同相轴在内的主成分部分叠前道集，同时构建含弱反射同相轴和随机噪声在内的弱相干叠前道集；
剔除误差大的角度范围数据，利用保留的角度范围数据建立最小方差的抛物线模型的目标方程，对主成分部分叠前道集做AVO趋势拟合，通过求解抛物线模型并替换拟合后的全角度范围振幅数据，实现多次波去除；
将处理后的主成分叠前道集和弱相干叠前道集合并。
2.如权利要求1所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述对叠前道集进行数据预处理操作包括对叠前道集进行动校拉伸切除和角道集转化。
3.如权利要求1所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述奇异值分解根据奇异值分解参考式对叠前道集X进行奇异值分解：
其中：r是矩阵的秩，ui是XXT的第i个特征向量，vi是XTX的第i个特征向量，σi是X的第i个特征值。
4.如权利要求3所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述主成分部分叠前道集的构建利用奇异值分解参考式对分解的奇异值构建出包含一次反射和多次反射同相轴在内的主成分部分叠前道集；所述弱相干叠前道集的构建利用奇异值分解参考式对分解的奇异值构建出含弱反射同相轴和随机噪声在内的弱相干叠前道集。
5.如权利要求1所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述剔除误差大的角度范围数据通过利用多次波误差放大函数确定AVO抛物线模型反演数据范围，剔除误差最大的预设比例的数据来进行后续趋势拟合：
其中：ei是第i角度对应的振幅ri与平均振幅
之间的差异，式中wi是第i个角度的误差权重，即为多次波误差放大函数，θi是第i个角度值，θmax是最大角度值。
6.如权利要求1所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述剔除误差最大的预设比例设置为10％。
7.如权利要求1所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述建立最小方差的抛物线模型的目标方程，通过基于Shuey近似式可视为抛物线的形式建立目标方程：
其中：f(x)＝ax2+bx+c；xi的值为sin2(θi)；yi的值为ricos2(θ)；i是角度的序号，一共有N个角度，ri是第i角度对应的振幅，a、b、c是抛物线系数模型。
8.如权利要求7所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述替换拟合后的全角度范围振幅数据通过对建立目标方程进行求解，分别得到抛物线拟合模型系数数据a，b，c，利用模型数据正演出全角度范围振幅数据，用正演数据中的振幅替换原主成分道集相同位置的振幅。
9.如权利要求1所述的一种面向主成分的AVO趋势去除多次波的方法，其特征在于，所述实现多次波去除还包括遍历主成分道集的每个采样点，实现主成分道集中多次波的去除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011035779.2A CN112147694B (zh) | 2020-09-27 | 2020-09-27 | 一种面向主成分的avo趋势去除多次波的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011035779.2A CN112147694B (zh) | 2020-09-27 | 2020-09-27 | 一种面向主成分的avo趋势去除多次波的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112147694A CN112147694A (zh) | 2020-12-29 |
| CN112147694B true CN112147694B (zh) | 2021-09-07 |
Family
ID=73895540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011035779.2A Active CN112147694B (zh) | 2020-09-27 | 2020-09-27 | 一种面向主成分的avo趋势去除多次波的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112147694B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113075734B (zh) * | 2021-03-30 | 2024-03-29 | 中煤科工集团西安研究院有限公司 | 一种基于信噪比约束的剩余曲率谱计算方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0625953D0 (en) * | 2006-12-28 | 2007-02-07 | Westerngeco Seismic Holdings | Geophysical signal processing |
| CN103869364A (zh) * | 2014-03-25 | 2014-06-18 | 中国石油大学(华东) | 一种基于双项抛物拉东变换的多次波压制方法 |
| CN104502974A (zh) * | 2014-12-31 | 2015-04-08 | 中国石油天然气集团公司 | 一种压制多次波的组合方法及装置 |
| CN105158800A (zh) * | 2015-07-27 | 2015-12-16 | 清华大学 | 基于分频主成分分析的多次波消除方法及装置 |
| CN110568500A (zh) * | 2019-08-21 | 2019-12-13 | 中国石油化工股份有限公司 | 一种去除地震资料中多次波的方法及装置 |
-
2020
- 2020-09-27 CN CN202011035779.2A patent/CN112147694B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0625953D0 (en) * | 2006-12-28 | 2007-02-07 | Westerngeco Seismic Holdings | Geophysical signal processing |
| CN103869364A (zh) * | 2014-03-25 | 2014-06-18 | 中国石油大学(华东) | 一种基于双项抛物拉东变换的多次波压制方法 |
| CN104502974A (zh) * | 2014-12-31 | 2015-04-08 | 中国石油天然气集团公司 | 一种压制多次波的组合方法及装置 |
| CN105158800A (zh) * | 2015-07-27 | 2015-12-16 | 清华大学 | 基于分频主成分分析的多次波消除方法及装置 |
| CN110568500A (zh) * | 2019-08-21 | 2019-12-13 | 中国石油化工股份有限公司 | 一种去除地震资料中多次波的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 在深水资料中基于AVO技术衰减近道多次波;易淑昌;《2013年物探技术研讨会文集》;20131231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112147694A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Ground-roll attenuation using generative adversarial networks | |
| CN111257929B (zh) | 一种奇异值衰减的降秩去噪方法 | |
| CN112946749B (zh) | 基于数据增广训练深度神经网络压制地震多次波的方法 | |
| CN105700020A (zh) | 一种地震数据随机噪声压制方法及装置 | |
| CN110658557B (zh) | 基于生成对抗网络的地震数据面波压制方法 | |
| CN110471113B (zh) | 基于非稳态地震资料的反演动校正方法、装置及存储介质 | |
| CN113625337B (zh) | 一种极浅水高精度地震资料快速成像方法 | |
| CN108828670B (zh) | 一种地震数据降噪方法 | |
| CN114418886B (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
| CN112147694B (zh) | 一种面向主成分的avo趋势去除多次波的方法 | |
| Wang et al. | Seismic multiple suppression based on a deep neural network method for marine data | |
| Wang et al. | Attention-based neural network for erratic noise attenuation from seismic data with a shuffled noise training data generation strategy | |
| CN109143341A (zh) | 基于Hampel范数的降秩滤波方法 | |
| Chen et al. | Robust adaptive polarization analysis method for eliminating ground roll in 3C land seismics | |
| Tyapkin et al. | Optimum stacking of seismic records with irregular noise | |
| CN108919345B (zh) | 一种海底电缆陆检噪声的衰减方法 | |
| CN109212609A (zh) | 基于波动方程延拓的近地表噪音压制方法 | |
| Porsani et al. | An adaptive local-slope SVD filtering approach to enhance events on seismic sections | |
| CA2870892A1 (en) | A computerized method and a computer program product for determining a resulting data set representative of a geological region of interest | |
| Wang et al. | A joint framework for seismic signal denoising using total generalized variation and shearlet transform | |
| Wang | Research Status and Progress of Multiples Suppression Based on Radon Transform | |
| LU503107B1 (en) | Method for Reconstructing Ocean bottom Seismic Data | |
| Fan et al. | Application of anisotropic high-resolution Radon transform for multiple attenuation | |
| Liu et al. | Deep learning for prestack strong scattered noise suppression | |
| Jeong et al. | Shear noise suppression for seafloor vertical geophone using robust reduced-rank filtering |
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 |