CN112612056A - 一种基于fpga的逆时偏移成像方法 - Google Patents

一种基于fpga的逆时偏移成像方法 Download PDF

Info

Publication number
CN112612056A
CN112612056A CN202110017126.XA CN202110017126A CN112612056A CN 112612056 A CN112612056 A CN 112612056A CN 202110017126 A CN202110017126 A CN 202110017126A CN 112612056 A CN112612056 A CN 112612056A
Authority
CN
China
Prior art keywords
data
wave field
fpga
initial
wavefield
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
Application number
CN202110017126.XA
Other languages
English (en)
Inventor
田志明
高雨豪
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.)
Shanghai Xuehu Technology Co ltd
Original Assignee
Shanghai Xuehu Technology Co ltd
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 Shanghai Xuehu Technology Co ltd filed Critical Shanghai Xuehu Technology Co ltd
Priority to CN202110017126.XA priority Critical patent/CN112612056A/zh
Publication of CN112612056A publication Critical patent/CN112612056A/zh
Pending legal-status Critical Current

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. 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration

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

本发明涉及到油气勘探技术领域，尤其涉及到一种基于FPGA的逆时偏移成像方法，具体包括将需要计算的对应数据从存储介质中传入FPGA内存中并根据雷克子波计算震源波场；之后存储每个时间片的震源波场数据；按时间片倒序读取每个时间片的震源数据；根据检波器数据计算并与按时间片倒序读取每个时间片的震源数据进行互关成像计算，得到最终成像。本发明利用了FPGA硬件特性，对正向延拓、逆向延拓过程进行了实现，对计算过程进行合理拆分、组合，从而达到流水的方式对数据进行计算,充分利用硬件资源，较现有GPU方案同精度下更快，功耗更低。

Description

一种基于FPGA的逆时偏移成像方法
技术领域
本发明涉及到油气勘探技术领域，尤其涉及到一种基于FPGA的逆时偏移成像方法。
背景技术
随着油气田勘探程度的不断深化,普通易探明油气田几乎没有剩余，但油气资源又是现代工业所必须产品，故只能向结构复杂地域、海洋进行探索。现有成像方法多使用克希霍夫射线法来进行成像处理，此方法对盐下构造、复杂地质构造探照度不够，从而使用逆时偏移(RTM)方法来对地下地质结构进行成像。这是一种基于波动方程在时间-空间域用高阶差分方方程求解声波偏微分方程的成像方法，此方法可以真实的模拟波在地下的传播过程，无倾角限制，适合海洋及复杂地质结构，在复杂三维结构成像方面有明显优势，成像精度较射线法更高。
在油气地质勘探过程中使用逆时偏移方法进行成像涉及到对波动方程的求解，此过程计算量巨大，现有技术方案使用的为GPU加速卡进行多核多线程，相较于传统使用CPU计算有较大的提升。
但在现今阶段GPU加速卡价格昂贵且功耗高，现有方案均是通过调用NVIDIA公司发布CUDA平台调用GPU进行并行计算，但GPU实现的为通用计算，会进行大量的调度，且仅对算法部分流程进行加速，CPU与GPU要频繁交互，从而造成有效计算占比低，最终导致并行计算速度低。
FPGA(Field Programmable Gate Array)即现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物，它是作为专用集成电路(ASIC)领域中的一种半定制电路出现的，是可编程的逻辑列阵，能够有效的解决原有的器件门电路数不足的问题。FPGA的基本结构包括可编程输入输出单元，可配置逻辑块，数字时钟管理模块，嵌入式块RAM，布线资源，内嵌专用硬核，底层内嵌功能单元。基于FPGA的可定制，可编程的特性，可以针对算法求解过程做了等价变形，使得在计算时充分发挥FPGA芯片的并发性能，使得计算指令无需等待，以流水的方式实现无缝连接的计算，省去了CPU、GPU等传统冯诺依曼架构芯片的指令调度、指令执行等待、数据搬运时间，从而大大加速了计算过程，据统计比同价位GPU快5倍以上，较CPU快百倍以上。
发明内容
鉴于上述技术问题，本发明提供了一种基于FPGA的逆时偏移成像方法，该技术方案利用了FPGA硬件特性，针对正向延拓和逆向延拓过程进行了实现，对计算过程进行合理拆分、组合，从而达到流水的方式对数据进行计算,充分利用硬件资源，较现有GPU方案同精度下更快，功耗更低。
一种基于FPGA的逆时偏移成像方法，其特征在于，所述方法包括：
步骤S1：将需要计算的对应数据从存储介质中传入FPGA内存中并根据雷克子波计算震源波场；之后存储每个时间片的震源波场数据；
步骤S2：按时间片倒序读取每个时间片的震源波场数据；
步骤S3：根据检波器数据计算并与按时间片倒序读取每个时间片的震源波场数据进行互关成像计算，得到最终成像。
上述的基于FPGA的逆时偏移成像方法，其特征在于，需要计算的坐标数据包括有震源波场W、速度模型V、初始波场P0、初始辅助波场B0、检波器数据R。
上述的基于FPGA的逆时偏移成像方法，其特征在于，步骤S1具体包括：
步骤S11：将需要计算的对应坐标数据从存储介质中传入FPGA内存中，FPGA将数据从内存中读取到芯片内部，有震源波场W、速度模型V、初始波场P0、初始辅助波场B0、检波器数据R，等待计算信号；
步骤S12：接收到计算信号后，开始对震源波场W、速度模型V、初始辅助波场B0、初始波场P0，进行顺序组装；
步骤S13：在初始波场P0子波对应坐标加上子波值；
步骤S14：使用差分方程方式对波动方程求解，通过速度模型V，初始辅助波场B0、初始波场P0组成当前时间片计算所需数据；
步骤S15：按照引入PML边界计算的波动方程对初始辅助波场求解，得到下一时刻边界辅助波场Bt+1；
步骤S16：使用组装好的数据计算当前时刻的波场Pt，并存储下最终结果当前时刻的波场Pt；
步骤S17：重复步骤S12到步骤S16，得到正演过程最终时刻波场P(tmax)。
上述的基于FPGA的逆时偏移成像方法，其特征在于，所述波动方程为：
Figure BDA0002887325270000031
p(x,y,z,t)为波场
v(x,y,z)为介质速度
上述的基于FPGA的逆时偏移成像方法，其特征在于，所述差分方程方式为：
Figure BDA0002887325270000032
其中，M为阶数。
上述的基于FPGA的逆时偏移成像方法，其特征在于，所述引入PML边界计算的波动方程为：
Figure BDA0002887325270000041
Figure BDA0002887325270000042
Figure BDA0002887325270000043
Figure BDA0002887325270000044
上述技术方案具有如下优点或有益效果：
本发明利用了FPGA硬件特性，针对正(逆)向延拓过程进行了实现，对计算过程进行合理拆分、组合，从而达到流水的方式对数据进行计算,充分利用硬件资源，较现有GPU方案同精度下更快，功耗更低。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未可以按照比例绘制附图，重点在于示出本发明的主旨。
图1是本发明实现流程构图；
图2和图3是本发明方法计算流程图；
其中，图中Pn：当前时间切片波场数据；Pn-1：前一时间切片波场数据；V：速度参数场；Wm：差分系数；Pn+1：后一时间切片波长数据；B：辅助波场；dx：x分量上的衰减系数；dy：y分量上的衰减系数；dz：z分量上的衰减系数。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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做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。
本发明中震源波场的正向外推涉及到吸收边界计算、波动方程求解；检波点波场反向外推所用公式及求解方法与正向过程一致仅波场数据不一致。
如图1～图3所示，本发明提供的基于FPGA的逆时偏移成像方法，该技术方案利用了FPGA硬件特性，针对正向延拓、逆向延拓过程进行了实现，对计算过程进行合理拆分、组合，从而达到流水的方式对数据进行计算,充分利用硬件资源，较现有GPU方案同精度下更快，功耗更低；具体方案如下：
步骤S1：将需要计算的对应坐标数据从存储介质中传入FPGA内存中并根据雷克子波计算震源波场；之后存储每个时间片的震源波场数据；
步骤S2：按时间片倒序读取每个时间片的震源波场数据；
步骤S3：根据检波器数据计算并与按时间片倒序读取每个时间片的震源波场数据进行互关成像计算，得到最终成像。
在本发明的实施例中，需要计算的对应坐标数据包括有震源波场W、速度模型V、初始波场P0、初始辅助波场B0、检波器数据R；步骤S1中，包括步骤S11：将需要计算的坐标数据从硬盘或其他存储介质中传入FPGA内存中，FPGA将坐标数据从内存中读取到芯片内部，有震源波场W、速度模型V、初始波场P0、初始辅助波场B0、检波器数据R，等待计算信号；步骤S12：接收到计算信号后，开始对震源波场W、速度模型V、初始辅助波场B0、初始波场P0，进行顺序组装；步骤S13：在初始波场P0子波对应坐标加上子波值；步骤S14：使用差分方程方式对波动方程求解，通过速度模型V，初始辅助波场B0、初始波场P0组成当前时间片计算所需数据；步骤S15：按照引入PML边界计算的波动方程对初始辅助波场求解，得到下一时刻边界辅助波场Bt+1；步骤S16：使用组装好的数据计算当前时刻的波场Pt，并存储下最终结果当前时刻的波场Pt；步骤S17：重复步骤S12到步骤S16，得到正演过程最终时刻波场P(tmax)。
在本发明的实施例中，上述的波动方程为：
Figure BDA0002887325270000061
p(x,y,z,t)为波场
v(x,y,z)为介质速度
差分方程方式为：
Figure BDA0002887325270000062
其中，M为阶数。
引入PML边界计算的波动方程为：
Figure BDA0002887325270000063
Figure BDA0002887325270000064
Figure BDA0002887325270000065
Figure BDA0002887325270000066
进一步的，步骤S2按时间片倒序读取每个时间片的震源波场数据，步骤S3根据检波器数据计算并与按时间片倒序读取每个时间片的震源波场数据进行互关成像计算，得到最终成像。其具体流程如下：
将检波器数据R、速度模型V、初始辅助波场Bt、初始波场Pt，从DDR中读入FPGA板卡FIFO中；
对检波器数据R、速度模型V、初始辅助波场Bt、初始波场Pt进按照PML边界计算的波动方程形式排布组装数据。
在初始波场Pt检波器对应坐标加上检波器波场数据值；使用组装好的数据计算当前时刻的波场Pt；
按照PML边界计算的波动方程对初始辅助波场求解，得到下一时刻边界辅助波场Bt+1；将当前时刻逆演得到的波场与上面正演过程中存储的波场进行互相关成像计算，Pt逆演×Pt正演+RTMlast得到此时刻成像图RTMt。
重复上述流程，得到最终成像图RTM，并将最终结果从FPGA内存中转移到上位机存储器件中。
本领域技术人员应该理解，本领域技术人员在结合现有技术以及上述实施例可以实现所述变化例，在此不做赘述。这样的变化例并不影响本发明的实质内容，在此不予赘述。
以上对本发明的较佳实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (6)

1.一种基于FPGA的逆时偏移成像方法，其特征在于，所述方法包括：
步骤S1：将需要计算的对应数据从存储介质中传入FPGA内存中并根据雷克子波计算震源波场；之后存储每个时间片的震源波场数据；
步骤S2：按时间片倒序读取每个时间片的震源波场数据；
步骤S3：根据检波器数据计算并与按时间片倒序读取每个时间片的震源波场数据进行互关成像计算，得到最终成像。
2.根据权利要求1所述的基于FPGA的逆时偏移成像方法，其特征在于，需要计算的点坐标数据包括有震源波场W、速度模型V、初始波场P0、初始辅助波场B0、检波器数据R。
3.根据权利要求1所述的基于FPGA的逆时偏移成像方法，其特征在于，步骤S1具体包括：
步骤S11：将需要计算的对应坐标数据从存储介质中传入FPGA内存中，FPGA将数据从内存中读取到芯片内部，有震源波场W、速度模型V、初始波场P0、初始辅助波场B0、检波器数据R，等待计算信号；
步骤S12：接收到计算信号后，开始对震源波场W、速度模型V、初始辅助波场B0、初始波场P0，进行顺序组装；
步骤S13：在初始波场P0子波对应坐标加上子波值；
步骤S14：使用差分方程方式对波动方程求解，通过速度模型V，初始辅助波场B0、初始波场P0组成当前时间片计算所需数据；
步骤S15：按照引入PML边界计算的波动方程对初始辅助波场求解，得到下一时刻边界辅助波场Bt+1；
步骤S16：使用组装好的数据计算当前时刻的波场Pt，并存储下最终结果当前时刻的波场Pt；
步骤S17：重复步骤S12到步骤S16，得到正演过程最终时刻波场P(tmax)。
4.根据权利要求3所述的基于FPGA的逆时偏移成像方法，其特征在于，所述波动方程为：
Figure FDA0002887325260000021
p(x,y,z,t)为波场
v(x,y,z)为介质速度。
5.根据权利要求4所述的基于FPGA的逆时偏移成像方法，其特征在于，所述差分方程方式为：
Figure FDA0002887325260000022
其中，M为阶数。
6.根据权利要求5所述的基于FPGA的逆时偏移成像方法，其特征在于，所述引入PML边界计算的波动方程为：
Figure FDA0002887325260000023
Figure FDA0002887325260000024
Figure FDA0002887325260000025
。
Figure FDA0002887325260000026
CN202110017126.XA 2021-01-07 2021-01-07 一种基于fpga的逆时偏移成像方法 Pending CN112612056A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110017126.XA CN112612056A (zh) 2021-01-07 2021-01-07 一种基于fpga的逆时偏移成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110017126.XA CN112612056A (zh) 2021-01-07 2021-01-07 一种基于fpga的逆时偏移成像方法

Publications (1)

Publication Number Publication Date
CN112612056A true CN112612056A (zh) 2021-04-06

Family

ID=75253427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110017126.XA Pending CN112612056A (zh) 2021-01-07 2021-01-07 一种基于fpga的逆时偏移成像方法

Country Status (1)

Country Link
CN (1) CN112612056A (zh)

Similar Documents

Publication Publication Date Title
Lian et al. High-performance FPGA-based CNN accelerator with block-floating-point arithmetic
CN109146067B (zh) 一种基于FPGA的Policy卷积神经网络加速器
CN103278848B (zh) 基于mpi并行预条件迭代的地震成像正演方法
Fan et al. Reconfigurable acceleration of 3D-CNNs for human action recognition with block floating-point representation
He et al. Accelerating seismic migration using FPGA-based coprocessor platform
CN115238863A (zh) 一种卷积神经网络卷积层的硬件加速方法、系统及应用
Shan et al. A CNN Accelerator on FPGA with a Flexible Structure
CN112612056A (zh) 一种基于fpga的逆时偏移成像方法
CN111814332A (zh) 一种基于fpga的pml边界三维地震波传播模拟方法
CN110765715B (zh) 一种面向gpu芯片渲染输出单元性能仿真方法及平台
CN110376646B (zh) 一种基于曲坐标系纵横波解构方程的弹性棱柱波逆时偏移成像方法
CN112596105A (zh) 一种基于fpga的地震波正向延拓方法
Mao et al. An energy-efficient mixed-bitwidth systolic accelerator for NAS-optimized deep neural networks
CN111859253B (zh) 一种基于fpga的高阶波动方程求解方法
Di et al. Exploring resource-efficient acceleration algorithm for transposed convolution of GANs on FPGA
Sergienko et al. New information operators in mathematical modeling (a review)
CN112862080B (zh) EfficientNet的注意力机制的硬件计算方法
Shahadi et al. High performance FPGA architecture for dual mode processor of integer Haar lifting-based wavelet transform
Kowsalya A novel cognitive Wallace compressor based multi operand adders in CNN architecture for FPGA
Liu et al. Accelerating finite difference wavefield-continuation depth migration by GPU
Lau et al. A FPGA-based library for on-line signal processing
Chen et al. High Speed Winograd Convolutional Circuit for Convolutional Neural Networks
CN110007285A (zh) 一种基于fpga的探地雷达分布式滤波方法
Duggal et al. Shallow SqueezeNext: Real Time Deployment on Bluebox2. 0 with 272KB Model Size
CN113791445A (zh) 一种基于fpga全波形反演的频率成分波场信息提取方法

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