CN112748463A - 一种基于深度学习照明分析的局部偏移成像方法 - Google Patents
一种基于深度学习照明分析的局部偏移成像方法 Download PDFInfo
- Publication number
- CN112748463A CN112748463A CN202011522108.9A CN202011522108A CN112748463A CN 112748463 A CN112748463 A CN 112748463A CN 202011522108 A CN202011522108 A CN 202011522108A CN 112748463 A CN112748463 A CN 112748463A
- Authority
- CN
- China
- Prior art keywords
- illumination
- shot
- geological
- result
- weak
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 172
- 238000003384 imaging method Methods 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013508 migration Methods 0.000 claims abstract description 41
- 230000005012 migration Effects 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 34
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 8
- 150000003839 salts Chemical class 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000004613 tight binding model 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. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于深度学习照明分析的局部偏移成像方法,包括如下步骤:步骤1)构建二维地质速度模型,利用传统照明分析方法得到所述二维地质速度模型对应单炮照明结果;步骤2)基于地质速度模型与对应单炮照明结果构建训练数据集,输入构建的Unet神经网络进行训练;步骤3)利用训练好的神经网络预测单炮照明结果,从单炮叠加照明图看出地质速度模型中照明能量的具体分布情况,手动选择像素值小于预定阈值的区域,将该区域定义为弱照明区域;步骤4)依据单炮在弱照明区域照明强度,按照贡献大小筛选出炮集;步骤5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像;最后截取弱照明区域成像结果。
Description
技术领域
本发明利用深度学习的方法实现对地下介质的单向照明,尤其是根据单炮能量分布来筛选出对目标区域有贡献的炮,用更少的炮实现目标区域的偏移成像。
背景技术
随着勘探和开采程度的加深,地球物理勘探面临着勘探目标越来越复杂的问题。地震勘探是油气勘探的核心技术,目前,随着勘探深度的增加、勘探区域构造越来越复杂、海上勘探由浅海向深海发展,地震勘探技术和处理方法也必须得到提升。偏移成像是地震数据处理中的关键步骤,一直以来也是地震处理算法研究的核心。从起初的手动偏移到现在的逆时偏移算法,多种不同的偏移算法被不断的提出并改进。偏移算法从偏移所做的步骤主要分为叠前和叠后偏移,根据所得偏移剖面中纵向坐标为时间或深度,可以分为时间偏移和深度偏移。工业中常用的偏移方法,根据算法的基本原理,可以分为Kirchhoff积分法和波动方程偏移法,两者均可用于叠前、叠后偏移以及时间偏移和深度偏移。Kirchoff积分法是依据几何光学的原理,求取波动方程的高频渐进解。该方法利用了射线理论的高频近似,通过求取炮点震源激发后,地下传播的地震波的格林函数,来求取波动方程的解析解。波动方程偏移算法主要包括单程偏移法和逆时偏移法,这两种方法是通过直接求解波动方程来模拟地下介质中地震波的传播过程。波动方程法根据求解的方法的不同,又可以分为有限差分法、傅立叶变换法和混合域法。Yoon等实现了三维声波逆时偏移;Zhang等提出了真振幅逆时偏移的实现策略;Soubaras等提出了两步显示匹配法逆时偏移成像,可以增大波场外推的时间步长;Zhang等和Huang等实现了稳定的高质量的TTI介质的逆时偏移成像;Zhang等推导了时间域黏滞声波动方程,并实现了带Q补偿的逆时偏移成像。国内许多学者也对逆时偏移进行了大量的研究,研究方法包括有限元法、有限差分法、谱元法和混合法等。杜启振等将逆时偏移方法应用到各向异性介质和弹性波多波多分量数据,得到了较好的应用效果;刘红伟等分析了叠前逆时偏移的去噪技术和存储问题,实现了高阶有限差分法逆时偏移GPU加速算法。
地震照明分析利用面向地质目标的地震正演方法,已知观测系统和地下地质结构,认识和研究地震波能量在地下复杂构造中的传播分布情况。在资料采集中,地震照明可以辅助观测系统的设计(Hoffmann,2001),资料处理中,照明能量分析的结果用来辅助数据规则化,对实际资料中出现缺漏数据以及炮检点分布不规则进行处理,并且对弱化的照明能量阴影部分进行补偿,其应用价值不可估量。照明算子逐渐从基于高斯射线束发展为单程波正演算子、波动方程有限差分算子。照明技术最早利用射线追踪,得到地下各反射界面的覆盖次数。Beylkin(1985)基于广义拉登变换和Born近似,提出利用覆盖次数评价成像分辨率的方法;Lecomte和Gelius(1998)以及Gelius和Lecomte(2000)提出利用射线追踪方法计算地面散射波覆盖次数的方法;基于射线追踪的照明分析提供了方向性照射信息,计算速度快,但仅反映了地震波的运动学特征,当介质较为均一时计算结果可靠;对于复杂构造(如盐丘、膏体等),该方法因射线高频近似,照明区域产生阴影区和散焦区,产生计算误差。为了避免这个算法的缺点,照明分析引入波动方程,并有了一定效果。波动理论陆续应用到研究复杂地质下的照明情况(Wu and Chen,2001;Wu and Chen,2002;Xie and Wu,2002;Xie et al.,2005;Wu and Chen,2006;Xie et al.,2006;Xie and Yang,2008),吴如山等提出了利用照明分析的手段优化设计采集系统参数的理念;李万万(2008)利用双程波算子进行照明分析;董良国等(2006)利用地震波照明分析得到CRP意义上的能量分布进行地震数据采集设计并优化观测系统。基于射线的照明分析方法其计算速度很快,但对于比较复杂的地质模型其照明结果比较差;基于波动方程的照明分析方法其照明结果比较精确,但需要花费大量的计算时间。近些年,随着机器性能的大幅度提升,深度学习方法能很好的解决一些非线性映射问题,利用大批量的数据集进行训练,可以得到很好的网络模型,大大提升计算速率。
发明内容
为了解决上述技术问题,本发明提出一种基于深度学习照明分析的局部成像算法,利用照明分析研究震源激发产生的地震波在地下介质中传播的能量分布情况,可以优化观测系统,使介质中的能量分布达到最优,同时可以进行能量补偿。基于深度学习的方法可以很快得到地下地质体的能量分布情况,再通过能量角度筛选出对目标区域贡献较大的炮集,利用部分炮集来对该区域进一步成像补偿,能大大缩减计算时间,提高工作效率。
本发明的技术方案为:一种基于深度学习照明分析的局部偏移成像方法,利用深度学习实现波场中能量的分布情况,以合成数据为例,包括如下步骤:
步骤1)构建二维地质速度模型,利用传统照明分析方法得到所述二维地质速度模型对应单炮照明结果;
步骤2)基于地质速度模型与对应单炮照明结果构建训练数据集,输入构建的Unet神经网络进行训练;
步骤3)利用训练好的神经网络预测单炮照明结果,从单炮叠加照明图看出地质速度模型中照明能量的具体分布情况,手动选择像素值小于预定阈值的区域,将该区域定义为弱照明区域;
步骤4)依据单炮在弱照明区域照明强度,按照贡献大小筛选出炮集;
步骤5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像;最后截取弱照明区域成像结果。
进一步的,所述步骤(1)构建二维地质速度模型,照明分析是针对地下复杂地质结构而言,编写matlab程序随机产生一些地下速度结构模型,在模型中加入倾斜地层、褶皱、断层以及高速异常体构造以保证模型的丰富度。
进一步的,所述步骤(1)利用传统照明分析方法得到模型对应单炮照明结果,依据二维常密度时间域声波波动方程为:
其中v(x,z)是在空间(x,z)处的地震波速度,u(x,z,t)是指t时刻在空间(x,z)处的波场,s(t)是t时刻的震源;
定义空间一点的单炮震源照明强度为:
N炮震源的照明强度,是所有单炮震源的照明强度的总和:
进一步的,所述步骤(2)基于地质速度模型与对应单炮照明结果构建训练数据集,将炮点的位置信息加入到地质速度模型中并转为RGB图片保存,得到神经网络的输入数据集:在对应炮点位置加入点高斯函数,模拟炮点的情况;对于炮点位置为(x0,y0),则在模型上加上二维高斯函数为:
其中(x,y)为模型中点坐标,c1与c2为定义x和y方向上的方差;
进一步的,所述步骤(2)基于地质速度模型与对应单炮照明结果构建训练数据集,将地质模型单炮照明结果转化为RGB图片保存,得到神经网络的标签数据集;再基于传统Unet网络构架,调整网络参数得到该项目的网络结构,将输入训练集与标签数据集加载入神经网络进行训练。
进一步的,所述步骤(3)将神经网络的单炮预测结果叠加得到多炮能量照明图,从照明图上看出各个区域的能量强弱,借助matlab程序读取叠加照明图然后手动选择弱照明区域的大小。
进一步的,所述步骤(4)依据单炮在弱照明区域照明强度,按照贡献大小筛选出炮集;根据叠加照明图对弱照明区域求均值得到平均照明度,将每个单炮照明结果在弱照明区域求均值,如果其均值大于平均照明度,则该炮为筛选的炮集。
进一步的,所述步骤(5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像,最后截取弱照明区域成像结果,只记录弱照明区域上边界的正传波场,再将检波器波场反传应用互相关成像条件在空间各点进行成像;其中互相关成像条件公式为,
其中r(x,z,t)为检波器在空间点(x,z)处t时刻反传波场,s(x,z,t)为震源在空间点(x,z)处t时刻正传波场;Image(x,z)为空间(x,z)处成像结果;
所述步骤(5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像,最后截取弱照明区域成像结果,本发明基于弱照明区域上边界波场进行波场正传对于弱照明区域的成像结果有一定的提升,只提取弱照明区域能更好的看清该区域的地质构造。
有益效果:
1)本发明利用深度学习的卷积神经网络来实现对地下速度模型的单炮照明,可以根据给定炮点位置很快得到地质模型的能量分布情况;
2)根据单炮的照明结果筛选出来的部分对弱照明区域有较大贡献的炮集;通过这些炮集来实现对弱照明区域的偏移成像,大大提高计算效率;在实际采集中也可以对弱照明区域的采集设计提供参考作用。
附图说明
图1本发明的一种基于深度学习照明分析的局部偏移成像方法流程图;
图2随机产生的速度模型;
图3训练数据集:(a)神经网络输入;(b)神经网络输出;
图4 SEG盐丘模型;
图5 SEG盐丘模型测试结果:(a)神经网络输入;(b)单炮照明预测结果;
图6 SEG盐丘模型处理结果:(a)所有炮叠加照明结果;(b)手动选择弱照明区域位置;
图7炮集的筛选情况:图下方黑色的为所有炮,图上方黑色的为被选择的炮集,白色的为未被选择;
图8逆时偏移结果:(a)部分炮集偏移结果;(b)全部炮集偏移结果。
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、完整的描述,显然,所描述的实施例仅为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,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,根据本发明的实施例,提出一种基于深度学习照明分析的局部成像算法,利用深度学习实现预测波场中能量的分布情况,以合成数据为例,其过程包括以下步骤:
步骤1)构建二维地质速度模型,利用传统照明分析方法得到所述二维地质速度模型对应单炮照明结果;
步骤2)基于地质速度模型与对应单炮照明结果构建训练数据集,输入构建的Unet神经网络进行训练;
步骤3)利用训练好的神经网络预测单炮照明结果,从单炮叠加照明图看出地质速度模型中照明能量的具体分布情况,手动选择像素值小于预定阈值的区域,将该区域定义为弱照明区域;
步骤4)依据单炮在弱照明区域照明强度,按照贡献大小筛选出炮集;
步骤5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像;最后截取弱照明区域成像结果。
进一步的,所述步骤(1)构建二维地质速度模型,照明分析是针对地下复杂地质结构而言,编写matlab程序随机产生一些地下速度结构模型,在模型中加入倾斜地层、褶皱、断层以及高速异常体构造以保证模型的丰富度。
进一步的,所述步骤(1)利用传统照明分析方法得到模型对应单炮照明结果,依据二维常密度时间域声波波动方程为:
其中v(x,z)是在空间(x,z)处的地震波速度,u(x,z,t)是指t时刻在空间(x,z)处的波场,s(t)是t时刻的震源;
定义空间一点的单炮震源照明强度为:
N炮震源的照明强度,是所有单炮震源的照明强度的总和:
进一步的,所述步骤(2)基于地质速度模型与对应单炮照明结果构建训练数据集,将炮点的位置信息加入到地质速度模型中并转为RGB图片保存,得到神经网络的输入数据集:在对应炮点位置加入点高斯函数,模拟炮点的情况;对于炮点位置为(x0,y0),则在模型上加上二维高斯函数为:
其中(x,y)为模型中点坐标,c1与c2为定义x和y方向上的方差;
进一步的,所述步骤(2)基于地质速度模型与对应单炮照明结果构建训练数据集,将地质模型单炮照明结果转化为RGB图片保存,得到神经网络的标签数据集;再基于传统Unet网络构架,调整网络参数得到该项目的网络结构,将输入训练集与标签数据集加载入神经网络进行训练。
进一步的,所述步骤(3)将神经网络的单炮预测结果叠加得到多炮能量照明图,从照明图上看出各个区域的能量强弱,借助matlab程序读取叠加照明图然后手动选择弱照明区域的大小。
进一步的,所述步骤(4)依据单炮在弱照明区域照明强度,按照贡献大小筛选出炮集;根据叠加照明图对弱照明区域求均值得到平均照明度,将每个单炮照明结果在弱照明区域求均值,如果其均值大于平均照明度,则该炮为筛选的炮集。
进一步的,所述步骤(5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像,最后截取弱照明区域成像结果,只记录弱照明区域上边界的正传波场,再将检波器波场反传应用互相关成像条件在空间各点进行成像;其中互相关成像条件公式为,
其中r(x,z,t)为检波器在空间点(x,z)处t时刻反传波场,s(x,z,t)为震源在空间点(x,z)处t时刻正传波场;Image(x,z)为空间(x,z)处成像结果;
所述步骤(5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像,最后截取弱照明区域成像结果,本发明基于弱照明区域上边界波场进行波场正传对于弱照明区域的成像结果有一定的提升,只提取弱照明区域能更好的看清该区域的地质构造。
根据本发明的一个具体实施例,如下:利用SEG盐丘模型进行测试,由于原始模型比较巨大,对原始模型进行抽稀处理。真实模型如图2所示,速度范围从1.5km/s到4.5km/s,模型大小为230×676,网格距dx=dz=10m。数据采集系统由66个炮和676个检波器组成,它们沿全地表均匀分布。
1)速度模型的产生在matlab下实现,单炮照明以及偏移成像在C语言下实现,神经网络的训练在python下实现;
2)编写程序生成一系列包含斜层、褶皱、断层以及高速异常体的随机地质速度模型(如图2);
3)将生成的地质速度模型利用双程声波方程有限差分正演方法得到其对应的单炮照明结果;
4)将炮的位置信息加入到地质速度模型中转存为RGB图片,对照明结果也做同样的处理(如图3):图3(a)为训练集的输入,图3(b)为训练集的输出;
5)基于Unet网络模型修改层数、优化算子等参数生成该项目的神经网络,将上面图片训练集输入网络进行训练;
6)将SEG盐丘模型作为测试模型(如图4),添加炮点信息,输入神经网络进行单炮照明预测:图5(a)为神经网络的输入,速度模型加炮点信息;图5(b)为神经网络的输出,单炮照明结果;
7)将所有预测的单炮照明结果进行叠加,得到全炮叠加照明情况(如图6(a));根据叠加照明结果筛选出明显的弱照明区域(如图6(b));
8)每个炮的照明能量在弱照明区域均有贡献,根据叠加照明图对弱照明区域求均值得到平均照明度,将每个单炮照明结果在弱照明区域求均值,如果其均值大于平均照明度,则该炮为筛选的炮集(如图7),与图下方黑色的全部炮集相比,图上方黑色的为选择出来的炮集,白色的为未被选择;
9)记录SEG模型弱照明区域上边界正演模拟中的正传波场;
10)将筛选出来的炮集与全部炮集依据记录的正传波场与检波器反传波场应用互相关成像条件进行偏移成像,最后截取弱照明区域成像结果(见图8):图8(a)为筛选出来部分炮集的偏移结果,图8(b)为全部炮集的偏移结果。逆时偏移的运行时间对比见表1。
表1逆时偏移时间运行时间对比结果
全炮偏移成像 | 部分炮偏移成像 | |
HP Z8 G4 Workstation 10核 | 26小时 | 9小时 |
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (8)
1.一种基于深度学习照明分析的局部偏移成像方法,其特征在于,包括如下步骤:
步骤1)构建二维地质速度模型,利用传统照明分析方法得到所述二维地质速度模型对应单炮照明结果;
步骤2)基于地质速度模型与对应单炮照明结果构建训练数据集,输入构建的Unet神经网络进行训练;
步骤3)利用训练好的神经网络预测单炮照明结果,从单炮叠加照明图看出地质速度模型中照明能量的具体分布情况,手动选择像素值小于预定阈值的区域,将该区域定义为弱照明区域;
步骤4)依据单炮在弱照明区域照明强度,按照贡献大小筛选出炮集;
步骤5)将筛选出来的炮集与全部炮集依据正传波场与检波器反传波场进行偏移成像;最后截取弱照明区域成像结果。
2.根据权利要求1所述的一种基于深度学习照明分析的局部偏移成像方法,其特征在于,所述步骤(1)构建二维地质速度模型,照明分析是针对地下复杂地质结构而言,编写matlab程序随机产生一些地下速度结构模型,在模型中加入倾斜地层、褶皱、断层以及高速异常体构造以保证模型的丰富度。
5.根据权利要求1所述的一种基于深度学习照明分析的局部偏移成像方法,其特征在于,所述步骤(2)基于地质速度模型与对应单炮照明结果构建训练数据集,将地质模型单炮照明结果转化为RGB图片保存,得到神经网络的标签数据集;再基于传统Unet网络构架,调整网络参数得到该项目的网络结构,将输入训练集与标签数据集加载入神经网络进行训练。
6.根据权利要求1所述的一种基于深度学习照明分析的局部偏移成像方法,其特征在于,所述步骤(3)将神经网络的单炮预测结果叠加得到多炮能量照明图,从照明图上看出各个区域的能量强弱,借助matlab程序读取叠加照明图然后手动选择弱照明区域的大小。
7.根据权利要求1所述的一种基于深度学习照明分析的局部偏移成像方法,其特征在于,所述步骤(4)依据单炮在弱照明区域照明强度,按照贡献大小筛选出炮集;根据叠加照明图对弱照明区域求均值得到平均照明度,将每个单炮照明结果在弱照明区域求均值,如果其均值大于平均照明度,则该炮为筛选的炮集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522108.9A CN112748463A (zh) | 2020-12-21 | 2020-12-21 | 一种基于深度学习照明分析的局部偏移成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522108.9A CN112748463A (zh) | 2020-12-21 | 2020-12-21 | 一种基于深度学习照明分析的局部偏移成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112748463A true CN112748463A (zh) | 2021-05-04 |
Family
ID=75648140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011522108.9A Pending CN112748463A (zh) | 2020-12-21 | 2020-12-21 | 一种基于深度学习照明分析的局部偏移成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112748463A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659848A (zh) * | 2022-12-12 | 2023-01-31 | 成都理工大学 | 一种基于深度学习网络快速预测二维盆地基底界面的方法 |
CN117492079A (zh) * | 2024-01-03 | 2024-02-02 | 中国海洋大学 | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879816A (zh) * | 2012-07-17 | 2013-01-16 | 中国科学院地质与地球物理研究所 | 一种地震多次波偏移方法 |
WO2013009944A1 (en) * | 2011-07-12 | 2013-01-17 | Colorado School Of Mines | Wave-equation migration velocity analysis using image warping |
CN103576201A (zh) * | 2012-08-02 | 2014-02-12 | 中国石油天然气集团公司 | 基于均炮源波场照明的逆时偏移空间振幅补偿方法 |
US20140293744A1 (en) * | 2013-04-02 | 2014-10-02 | Bp Corporation North America Inc. | Specular filter (sf) and dip oriented partial imaging (dopi) seismic migration |
CN108345032A (zh) * | 2018-01-12 | 2018-07-31 | 中国科学技术大学 | 一种弱照明区域高信噪比偏移成像方法 |
CN110414675A (zh) * | 2019-09-02 | 2019-11-05 | 中北大学 | 一种基于深度学习的地下浅层震源定位方法 |
-
2020
- 2020-12-21 CN CN202011522108.9A patent/CN112748463A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013009944A1 (en) * | 2011-07-12 | 2013-01-17 | Colorado School Of Mines | Wave-equation migration velocity analysis using image warping |
CN102879816A (zh) * | 2012-07-17 | 2013-01-16 | 中国科学院地质与地球物理研究所 | 一种地震多次波偏移方法 |
CN103576201A (zh) * | 2012-08-02 | 2014-02-12 | 中国石油天然气集团公司 | 基于均炮源波场照明的逆时偏移空间振幅补偿方法 |
US20140293744A1 (en) * | 2013-04-02 | 2014-10-02 | Bp Corporation North America Inc. | Specular filter (sf) and dip oriented partial imaging (dopi) seismic migration |
CN108345032A (zh) * | 2018-01-12 | 2018-07-31 | 中国科学技术大学 | 一种弱照明区域高信噪比偏移成像方法 |
CN110414675A (zh) * | 2019-09-02 | 2019-11-05 | 中北大学 | 一种基于深度学习的地下浅层震源定位方法 |
Non-Patent Citations (6)
Title |
---|
杨晓柳: "二维声波方程交错网格有限差分数值模拟研究", 《中国锰业》 * |
荣超等: "基于深度学习的照明分析", 《2020年中国地球科学联合学术年会论文集(十四)—专题四十:地震波传播与成像、专题四十一:高压实验矿物学、岩石学与地球化学、专题四十二:地球物理人工智能和信息技术进展》 * |
裴正林: "波动方程地震定向照明分析", 《石油地球物理勘探》 * |
许璐等: "逆时偏移去噪方法研究进展", 《地球物理学进展》 * |
陈永芮等: "波动方程双向照明优化的全波形反演", 《地球物理学进展》 * |
陈波等: "基于染色算法的宽频带地震照明及分辨率分析", 《APPLIED GEOPHYSICS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659848A (zh) * | 2022-12-12 | 2023-01-31 | 成都理工大学 | 一种基于深度学习网络快速预测二维盆地基底界面的方法 |
CN117492079A (zh) * | 2024-01-03 | 2024-02-02 | 中国海洋大学 | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 |
CN117492079B (zh) * | 2024-01-03 | 2024-04-09 | 中国海洋大学 | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10386511B2 (en) | Seismic survey design using full wavefield inversion | |
AU2009282411B2 (en) | Removal of surface-wave noise in seismic data | |
CN102395902B (zh) | 使用快速面向目标照明计算的地震成像系统及方法 | |
US9632192B2 (en) | Method of processing seismic data by providing surface offset common image gathers | |
US6763305B2 (en) | Subsurface illumination, a hybrid wave equation-ray-tracing method | |
US10317548B2 (en) | Reflection seismic data Q tomography | |
CN106932819B (zh) | 基于各向异性马尔科夫随机域的叠前地震参数反演方法 | |
CN102636811B (zh) | 一种海上二维地震资料中多次波的消除方法 | |
CN111158049B (zh) | 一种基于散射积分法的地震逆时偏移成像方法 | |
CN111766628A (zh) | 一种预条件的时间域弹性介质多参数全波形反演方法 | |
CN113805237B (zh) | 偏移陆地交叉排列地震的使用压缩感测模型的方法和系统 | |
CN112748463A (zh) | 一种基于深度学习照明分析的局部偏移成像方法 | |
RU2570827C2 (ru) | Гибридный способ для полноволновой инверсии с использованием способа одновременных и последовательных источников | |
US20180156933A1 (en) | Seismic acquisition geometry full-waveform inversion | |
CN105319594B (zh) | 一种基于最小二乘参数反演的傅里叶域地震数据重构方法 | |
Yue et al. | Least-squares Kirchhoff depth migration with fast point-spread-function computation | |
CN116719086A (zh) | 基于点扩散函数的稀疏海底四分量数据高分辨率成像方法 | |
Sun et al. | Joint 3D traveltime calculation based on fast marching method and wavefront construction | |
Sun et al. | LsmGANs: Image-domain least-squares migration using a new framework of generative adversarial networks | |
Yang et al. | Mitigating velocity errors in least-squares imaging using angle-dependent forward and adjoint Gaussian beam operators | |
Wei et al. | Numerical method for horizontal and vertical spatial resolutions of seismic acquisition geometries in complex 3D media | |
CN110161561A (zh) | 一种油气储层中的可控层位分阶层间多次波模拟方法 | |
Liu et al. | Enhance 3D seismic images resolution by deconvolving point spread function | |
Gao‐Xiang et al. | A quantitative analysis method for the seismic geological complexity of near surface | |
Jiang et al. | Fast least-squares prestack time migration via accelerating the explicit calculation of Hessian matrix with dip-angle Fresnel zone |
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: 20210504 |