CN113341463A - 一种叠前地震资料非平稳盲反褶积方法及相关组件 - Google Patents
一种叠前地震资料非平稳盲反褶积方法及相关组件 Download PDFInfo
- Publication number
- CN113341463A CN113341463A CN202110648641.8A CN202110648641A CN113341463A CN 113341463 A CN113341463 A CN 113341463A CN 202110648641 A CN202110648641 A CN 202110648641A CN 113341463 A CN113341463 A CN 113341463A
- Authority
- CN
- China
- Prior art keywords
- stack
- blind deconvolution
- prestack
- seismic data
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G01V1/28—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
- G01V1/362—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. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G01V2210/512—Pre-stack
-
- 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
- G01V2210/53—Statics correction, e.g. weathering layer or transformation to a datum
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本申请公开了一种叠前地震资料非平稳盲反褶积方法及相关组件。该方法包括:获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。由此利用叠前非平稳盲反褶积模型可以在没有任何先验信息的情况下准确地估计叠前反射系数和子波,并且通过引入衰减影响补偿了衰减引起的能量损失,有效提高了叠前资料的分辨率,有利于后续的反演和地质解释。
Description
技术领域
本发明涉及地震信号处理技术领域,特别涉及一种叠前地震资料非平稳盲反褶积方法、装置、设备及存储介质。
背景技术
在地震信号处理中,由于地层的吸收衰减作用,地震波的各个分量,特别是高频分量在地下传播时,往往会发生振幅衰减和相位畸变,由此降低了获取的地震资料的分辨率。现有技术中,通过假定品质因子Q为常数进行地震资料的反褶积计算,需要先验信息降低了反褶积能力。因此,如何高效实现叠前非平稳盲反褶积,提高地震资料的分辨率是目前亟需解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种叠前地震资料非平稳盲反褶积方法、装置、设备及介质,能够提高地震资料的分辨率。其具体方案如下:
第一方面,本申请公开了一种叠前地震资料非平稳盲反褶积方法,包括:
获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;
基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;
基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。
可选的,所述基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型,包括:
根据所述叠前衰减函数,将所述叠后非平稳盲反褶积模型扩展到叠前CMP道集以得到第一目标盲反褶积模型,并将所述第一目标盲反褶积模型作为所述叠前非平稳盲反褶积模型;
其中,所述第一目标模型的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,w表示子波,r表示反射系数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,λ为正则化参数,||·||1表示L1范数,Regw(W)表示fused-lasso最小化问题,
可选的,所述基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型,包括:
基于所述叠前衰减函数和所述叠后非平稳盲反褶积模型,利用滑动时间窗口算法生成针对单个窗口的第二目标盲反褶积模型;其中,所述第二目标盲反褶积模型包括反射系数求解模块和子波求解模块;
将所述第二目标盲反褶积模型作为所述叠前非平稳盲反褶积模型。
可选的,所述基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波,包括:
通过所述滑动时间窗口将所述叠前地震资料分割为多个子数据;
利用所述叠前非平稳盲反褶积模型对每个时间窗口内的所述子数据进行并行处理,以利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量;
通过合并所述反射系数分量得到所述反射系数,并通过计算所述子波分量的平均值得到所述子波。
可选的,所述利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量,包括:
利用所述反射系数求解模块得到每个时间窗口内的所述子数据的反射系数分量,并利用所述子波求解模块得到每个时间窗口内的所述子数据的子波分量;
其中,所述反射系数求解模块的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,r表示反射系数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,λ为正则化参数,||·||1表示L1范数,为以时间t和时移量τ为坐标的权矩阵,(i,j)表示的范围为(ti,tj)和(τi,τj);
所述子波求解模块的目标函数为:
其中,w表示子波,Regw(W)表示fused-lasso最小化问题,
可选的,所述获取叠前地震资料之后,还包括:
判断所述叠前地震资料的信噪比,若所述信噪比小于预设信噪比阈值,则对所述叠前地震资料进行信号预处理;所述信号预处理包括去噪处理。
可选的,所述基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数,包括:
基于所述叠前地震资料通过平面波分解计算得到同相轴局部斜率,并基于所述叠前地震资料通过预测映射计算得到零偏移旅行时;
以所述同相轴局部斜率和所述零偏移旅行时为目标域,对旅行时和地层Q模型进行域变换处理,得到所述目标域下的变换后旅行时和变换后地层Q模型;
对所述变换后旅行时的零偏移旅行时进行微分得到微分结果,并对所述微分结果与所述变换后地层Q模型的比值沿所述零偏移旅行时进行因果信号积分,以得到所述目标域内的第一累积衰减因子;
对所述第一累积衰减因子进行逆映射,得到时间域空间域内的第二累积衰减因子,并根据所述第二累积衰减因子和指数衰减模型,利用傅里叶逆变换得到相应CMP道集在所述时间域空间域内的所述叠前衰减函数。
第二方面,本申请公开了一种叠前地震资料非平稳盲反褶积装置,包括:
叠前衰减函数确定模块,用于获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;
叠前非平稳盲反褶积模型确定模块,用于基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;
反射系数及子波计算模块,用于基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述的叠前地震资料非平稳盲反褶积方法。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中计算机程序被处理器执行时实现前述的叠前地震资料非平稳盲反褶积方法。
本申请中,获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。可见,本实施例中基于叠前地震资料通过扭曲映射得到每个CMP道集的叠前衰减函数,然后利用叠前衰减函数和叠后非平稳盲反褶积模型确定出叠前非平稳盲反褶积模型,由此利用叠前非平稳盲反褶积模型可以在没有任何先验信息的情况下准确地估计叠前反射系数和子波,并且通过引入衰减影响不仅补偿了衰减引起的能量损失,同时解决了由于子波的有限频带对地震记录的影响,有效且自动提高了叠前资料的分辨率,有利于后续的反演和地质解释。
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,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种叠前地震资料非平稳盲反褶积方法流程图;
图2为本申请提供的一种具体的叠前地震资料非平稳盲反褶积方法流程图;
图3为本申请提供的一种叠前非平稳盲反褶积的工作流程图;
图4为本申请提供的一种含噪声模拟数据处理前后CMP道集
图5为本申请提供的一种实际数据处理前后CMP道集;
图6为本申请提供的一种实际数据处理前后偏移剖面;
图7为本申请提供的一种叠前地震资料非平稳盲反褶积装置结构示意图;
图8为本申请提供的一种电子设备结构图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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说明书一部分实施例,而不是全部的实施例。基于说明书一个或多个实施例,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,都应当属于本说明书实施例方案保护的范围。
现有技术中,通过假定品质因子Q为常数进行地震资料的反褶积计算,需要先验信息降低了反褶积能力。为克服上述技术问题,本申请提出一种基于叠前衰减函数的叠前地震资料非平稳盲反褶积方法,能够自动提高叠前地震资料的分辨率。
本申请实施例公开了一种叠前地震资料非平稳盲反褶积方法,参见图1所示,该方法可以包括以下步骤:
步骤S11:获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数。
本实施例中,首先获取叠前地震资料,叠前地震资料包括但不限于CMP道集和Q值场。得到叠前地震资料后,基于上述叠前地震资料通过扭曲映射(Warpped Mapping,WP)预估得到每个CMP道集的叠前衰减函数。
本实施例中,所述基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数,可以包括:基于所述叠前地震资料通过平面波分解计算得到同相轴局部斜率,并基于所述叠前地震资料通过预测映射计算得到零偏移旅行时;以所述同相轴局部斜率和所述零偏移旅行时为目标域,对旅行时和地层Q模型进行域变换处理,得到所述目标域下的变换后旅行时和变换后地层Q模型;对所述变换后旅行时的零偏移旅行时进行微分得到微分结果,并对所述微分结果与所述变换后地层Q模型的比值沿所述零偏移旅行时进行因果信号积分,以得到所述目标域内的第一累积衰减因子;对所述第一累积衰减因子进行逆映射,得到时间域空间域内的第二累积衰减因子,并根据所述第二累积衰减因子和指数衰减模型,利用傅里叶逆变换得到相应CMP道集在所述时间域空间域内的所述叠前衰减函数。
可以理解的是,扭曲映射为一种复合映射,首先,通过平面波分解计算得到同相轴局部斜率σ(t,x),并通过预测映射(predictive painting)计算得到零偏移旅行时t0(t,x);然后,以同相轴局部斜率和零偏移旅行时为目标域,将旅行时t(t,x)和Q模型Q(t,x)转换为t0-σ(零偏移旅行时—局部斜率)域的t(t0,σ)和Q(t0,σ),得到目标域下的变换后旅行时和变换后地层Q模型;再将t(t0,σ)对t0进行微分得到微分结果,将微分后的结果除以Q(t0,σ)。然后对该结果沿t0轴的进行因果积分,即可得到t0-σ域内的第一累积衰减因子A(t0,σ);最后,进行逆映射以获得时间空间域的第二累积衰减因子A(t,x),并将A(t,x)引入指数衰减模型,再利用反傅里叶变换得到时间空间域的叠前衰减函数αpre(t,τ,x)。在扭曲映射的基础上,将叠前衰减函数表示为:
αpre(t,τ,x)=T(t(t,x),t0(t,x),σ(t,x),Q(t,x)),其中T表示扭曲映射算子。
本实施例中,所述获取叠前地震资料之后,还可以包括:判断所述叠前地震资料的信噪比,若所述信噪比小于预设信噪比阈值,则对所述叠前地震资料进行信号预处理;所述信号预处理包括去噪处理。可以理解的是,在叠前非稳态盲反褶积方法的应用过程中,由于噪声是影响扭曲映射精度的一个重要因素,对于低信噪比(SIGNAL-NOISE RATIO,SNR)数据,应该对数据进行去噪等预处理。
步骤S12:基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型。
本实施例中,基于得到的叠前衰减函数和叠后非平稳盲反褶积,确定出叠前非平稳盲反褶积模型,具体的,在叠前衰减函数基础上,将非平稳盲反褶积应用于叠前的CMP道集,以得到叠前非平稳盲反褶积模型。其中,叠后非平稳盲反褶积模型为基于托普利兹(Toeplitz)稀疏矩阵分解得到的模型。
可以理解的是,本实施例适用于时变Q模型并且不依赖于速度信息,上述叠后非平稳盲反褶积模型为Q依赖稀疏矩阵分解非平稳盲反褶积模型,上述叠前非平稳盲反褶积模型为Q依赖叠前稀疏矩阵分解非平稳盲反褶积模型即本实施例中,在基于Toeplitz稀疏矩阵分解的非平稳稀疏脉冲盲反褶积模型中引入叠前衰减函数,得到叠前非平稳盲反褶积模型。
本实施例中,所述基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型,可以包括:根据所述叠前衰减函数,将所述叠后非平稳盲反褶积模型扩展到叠前CMP道集以得到第一目标盲反褶积模型,并将所述第一目标盲反褶积模型作为所述叠前非平稳盲反褶积模型;
其中,所述第一目标模型的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,w表示子波,r表示反射系数,λ为正则化参数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,||·||1表示L1范数,Regw(W)表示fused-lasso最小化问题,
可以理解的是,W为子波的Toeplitz矩阵,为了便于向W添加额外的约束项,通过Toeplitz矩阵分解通过子波与矩阵Ik的乘积和重构W,将额外的约束项应用于震源子波向量w,间接约束W。fused-lasso约束可以调节w的稀疏性和光滑性之间的平衡。β1、β2、β3为权重,可以为用户输入的参数,以便在实际中需要根据测试情况或经验确定。利用Toeplitz矩阵分解,目标函数可以写成如下形式
步骤S13:基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。
本实施例中,得到上述叠前非平稳盲反褶积模型后,基于上述叠前地震资料,利用叠前非平稳盲反褶积模型通过反复迭代确定出最终的反射系数和子波。
由上可见,本实施例中获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。可见,本实施例中基于叠前地震资料通过扭曲映射得到每个CMP道集的叠前衰减函数,然后利用叠前衰减函数和叠后非平稳盲反褶积模型确定出叠前非平稳盲反褶积模型,由此利用叠前非平稳盲反褶积模型可以在没有任何先验信息的情况下准确地估计叠前反射系数和子波,并且通过引入衰减影响不仅补偿了衰减引起的能量损失,同时解决了由于子波的有限频带对地震记录的影响,有效提高了叠前资料的分辨率,有利于后续的反演和地质解释。
本申请实施例公开了一种具体的叠前地震资料非平稳盲反褶积方法,参见图2所示,该方法可以包括以下步骤:
步骤S21:获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数。
步骤S22:基于所述叠前衰减函数和叠后非平稳盲反褶积模型,利用滑动时间窗口算法生成针对单个窗口的第二目标盲反褶积模型;其中,所述第二目标盲反褶积模型包括反射系数求解模块和子波求解模块。
本实施例中,得到叠前衰减函数后,基于叠前衰减函数和叠后非平稳盲反褶积模型,利用滑动时间窗口算法生成针对单个窗口的第二目标盲反褶积模型;其中,第二目标盲反褶积模型包括反射系数求解模块和子波求解模块。其中,叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型。可以理解的是,第二目标盲反褶积模型为上述实施例中第一目标盲反褶积模型的改进,第一目标盲反褶积模型实现需要大量内存,因此,本实施例中通过滑动时窗减少内存占用量,同时可以提高深层弱信号的恢复效果。
步骤S23:将所述第二目标盲反褶积模型作为叠前非平稳盲反褶积模型。
步骤S24:通过所述滑动时间窗口将所述叠前地震资料分割为多个子数据。
本实施例中,利用得到的叠前非平稳盲反褶积模型通过滑动时间窗口将上述叠前地震资料分割为多个子数据。
步骤S25:利用所述叠前非平稳盲反褶积模型对每个时间窗口内的所述子数据进行并行处理,以利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量。
本实施例中,利用叠前非平稳盲反褶积模型对每个时间窗口内的子数据进行并行处理,即利用反射系数求解模块和子波求解模块计算每个子数据对应的反射系数分量和子波分量。如图3所示,通过对每个时间窗口内的子数据进行并行处理得到相应的反射系数分量r(t,x1)和子波分量wM(t,xM),其中,图3中B(t,τ,xM)表示对应的单个CMP道集的叠前衰减函数。
步骤S26:通过合并所述反射系数分量得到所述反射系数,并通过计算所述子波分量的平均值得到所述子波。
本实施例中,计算得到每个窗口对应的反射系数分量和子波分量后,通过合并所有的反射系数分量得到最终的反射系数,并通过计算所有子波分量的平均值得到最终的子波。
本实施例中,所述利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量,可以包括:利用所述反射系数求解模块得到每个时间窗口内的所述子数据的反射系数分量,并利用所述子波求解模块得到每个时间窗口内的所述子数据的子波分量;
其中,所述反射系数求解模块的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,r表示反射系数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,λ为正则化参数,||·||1表示L1范数,为以时间t和时移量τ为坐标的权矩阵,(i,j)表示的范围为(ti,tj)和(τi,τj);
所述子波求解模块的目标函数为:
其中,w表示子波,E为单位矩阵,Regw(W)表示fused-lasso最小化问题,
下面通过模拟数据和实际数据来进一步说明。图4(a)和图4(b)分别显示了含噪CMP道集,以及经过叠前非平稳盲反褶积之后的CMP道集,可以发现本实施例即使在含有一定噪声的情况下仍然能够提高地震资料的分辨率,得到叠前的反射系数道集。图5(a)显示了实际原始CMP道集,图5(b)显示了通过叠前非平稳盲反褶积反演估计的反射系数序列。可以清楚地观察到,图5(b)显示了更详细的信息,可用于叠前AVO(Amplitude variationwith offset,振幅随偏移距的变化)反演。叠前非平稳盲反褶积方法在恢复深部弱信号方面也表现出良好的性能,如图6(a)所示的实际数据原始叠前时间偏移剖面,以及图6(b)所示的实际数据经过叠前地震资料智能自动提高分辨率后的叠前时间偏移剖面,可以观察到分辨率的显著提高,特别是对于弱信号。可见,通过数值算例和实际数据验证本实施例的稳定性和有效性。
其中,关于上述步骤S21的具体过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
由上可见,本实施例中基于所述叠前衰减函数和叠后非平稳盲反褶积模型,利用滑动时间窗口算法生成针对单个窗口的第二目标盲反褶积模型,其中,所述第二目标盲反褶积模型包括反射系数求解模块和子波求解模块;然后,通过所述滑动时间窗口将所述叠前地震资料分割为多个子数据,再利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量;最后通过合并所述反射系数分量得到所述反射系数,并通过计算所述子波分量的平均值得到所述子波。可见,通过滑动时窗可以减少内存占用量,并且,通过对子数据的细微处理再综合得到最终的反射系数和子波,可以提高深层弱信号的恢复效果,进一步提高了叠前地震资料的分辨率。
相应的,本申请实施例还公开了一种叠前地震资料非平稳盲反褶积装置,参见图。所示,该装置包括:
叠前衰减函数确定模块11,用于获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;
叠前非平稳盲反褶积模型确定模块12,用于基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;
反射系数及子波计算模块13,用于基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。
由上可见,本实施例中获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。可见,本实施例中基于叠前地震资料通过扭曲映射得到每个CMP道集的叠前衰减函数,然后利用叠前衰减函数和叠后非平稳盲反褶积模型确定出叠前非平稳盲反褶积模型,由此利用叠前非平稳盲反褶积模型可以在没有任何先验信息的情况下准确地估计叠前反射系数和子波,并且通过引入衰减影响不仅补偿了衰减引起的能量损失,同时解决了由于子波的有限频带对地震记录的影响,有效提高了叠前资料的分辨率,有利于后续的反演和地质解释。
在一些具体实施例中,所述叠前衰减函数确定模块11具体可以包括:
参数计算单元,用于基于所述叠前地震资料通过平面波分解计算得到同相轴局部斜率,并基于所述叠前地震资料通过预测映射计算得到零偏移旅行时;
域变换单元,用于以所述同相轴局部斜率和所述零偏移旅行时为目标域,对旅行时和地层Q模型进行域变换处理,得到所述目标域下的变换后旅行时和变换后地层Q模型;
第一累积衰减因子确定单元,用于以对所述变换后旅行时的零偏移旅行时进行微分得到微分结果,并对所述微分结果与所述变换后地层Q模型的比值沿所述零偏移旅行时进行因果信号积分,以得到所述目标域内的第一累积衰减因子;
叠前衰减函数确定单元,用于对所述第一累积衰减因子进行逆映射,得到时间域空间域内的第二累积衰减因子,并根据所述第二累积衰减因子和指数衰减模型,利用傅里叶逆变换得到相应CMP道集在所述时间域空间域内的所述叠前衰减函数。
在一些具体实施例中,所述叠前地震资料非平稳盲反褶积装置具体可以包括:
信号预处理单元,用于判断所述叠前地震资料的信噪比,若所述信噪比小于预设信噪比阈值,则对所述叠前地震资料进行信号预处理;所述信号预处理包括去噪处理。
在一些具体实施例中,所述叠前非平稳盲反褶积模型确定模块12具体可以包括:
第一目标盲反褶积模型确定单元,用于根据所述叠前衰减函数,将所述叠后非平稳盲反褶积模型扩展到叠前CMP道集以得到第一目标盲反褶积模型,并将所述第一目标盲反褶积模型作为所述叠前非平稳盲反褶积模型;
其中,所述第一目标模型的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,w表示子波,r表示反射系数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,λ为正则化参数,||·||1表示L1范数,Regw(W)表示fused-lasso最小化问题,
在一些具体实施例中,所述叠前非平稳盲反褶积模型确定模块12具体可以包括:
第二目标盲反褶积模型确定单元,用于基于所述叠前衰减函数和所述叠后非平稳盲反褶积模型,利用滑动时间窗口算法生成针对单个窗口的第二目标盲反褶积模型;其中,所述第二目标盲反褶积模型包括反射系数求解模块和子波求解模块;
将所述第二目标盲反褶积模型作为所述叠前非平稳盲反褶积模型。
在一些具体实施例中,所述反射系数及子波计算模块13具体可以包括:
滑动分割单元,用于通过所述滑动时间窗口将所述叠前地震资料分割为多个子数据;
反射系数分量及子波分量计算单元,用于利用所述叠前非平稳盲反褶积模型对每个时间窗口内的所述子数据进行并行处理,以利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量;
反射系数及子波确定单元,用于通过合并所述反射系数分量得到所述反射系数,并通过计算所述子波分量的平均值得到所述子波。
其中,所述反射系数及子波确定单元具体可以包括:
反射系数及子波计算单元,用于利用所述反射系数求解模块得到每个时间窗口内的所述子数据的反射系数分量,并利用所述子波求解模块得到每个时间窗口内的所述子数据的子波分量;
其中,所述反射系数求解模块的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,r表示反射系数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,λ为正则化参数,||·||1表示L1范数,为以时间t和时移量τ为坐标的权矩阵,(i,j)表示的范围为(ti,tj)和(τi,τj);
所述子波求解模块的目标函数为:
其中,w表示子波,Regw(W)表示fused-lasso最小化问题,
进一步的,本申请实施例还公开了一种电子设备,参见图8所示,图中的内容不能被认为是对本申请的使用范围的任何限制。
图8为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的叠前地震资料非平稳盲反褶积方法中的相关步骤。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统221、计算机程序222及包括叠前地震资料在内的数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的叠前地震资料非平稳盲反褶积方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请实施例还公开了一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现前述任一实施例公开的叠前地震资料非平稳盲反褶积方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种叠前地震资料非平稳盲反褶积方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种叠前地震资料非平稳盲反褶积方法,其特征在于,包括:
获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;
基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;
基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。
2.根据权利要求1所述的叠前地震资料非平稳盲反褶积方法,其特征在于,所述基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型,包括:
根据所述叠前衰减函数,将所述叠后非平稳盲反褶积模型扩展到叠前CMP道集以得到第一目标盲反褶积模型,并将所述第一目标盲反褶积模型作为所述叠前非平稳盲反褶积模型;
其中,所述第一目标模型的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,w表示子波,r表示反射系数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,λ为正则化参数,||·||1表示L1范数,Regw(W)表示fused-lasso最小化问题,
3.根据权利要求1所述的叠前地震资料非平稳盲反褶积方法,其特征在于,所述基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型,包括:
基于所述叠前衰减函数和所述叠后非平稳盲反褶积模型,利用滑动时间窗口算法生成针对单个窗口的第二目标盲反褶积模型;其中,所述第二目标盲反褶积模型包括反射系数求解模块和子波求解模块;
将所述第二目标盲反褶积模型作为所述叠前非平稳盲反褶积模型。
4.根据权利要求3所述的叠前地震资料非平稳盲反褶积方法,其特征在于,所述基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波,包括:
通过所述滑动时间窗口将所述叠前地震资料分割为多个子数据;
利用所述叠前非平稳盲反褶积模型对每个时间窗口内的所述子数据进行并行处理,以利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量;
通过合并所述反射系数分量得到所述反射系数,并通过计算所述子波分量的平均值得到所述子波。
5.根据权利要求4所述的叠前地震资料非平稳盲反褶积方法,其特征在于,所述利用所述反射系数求解模块和所述子波求解模块得到每个所述子数据对应的反射系数分量和子波分量,包括:
利用所述反射系数求解模块得到每个时间窗口内的所述子数据的反射系数分量,并利用所述子波求解模块得到每个时间窗口内的所述子数据的子波分量;
其中,所述反射系数求解模块的目标函数为:
其中,h表示地震记录,B表示衰减因子的时间域响应,r表示反射系数,||·||2表示L2范数,W为子波褶积矩阵的表达式、并且,表示除第k个对角线对应的元素外其余元素均为零的方阵,Regr(r)表示L1最小化问题、Regr(r)=λ||r||1,λ为正则化参数,||·||1表示L1范数,为以时间t和时移量τ为坐标的权矩阵,(i,j)表示的范围为(ti,tj)和(τi,τj);
所述子波求解模块的目标函数为:
其中,w表示子波,Regw(W)表示fused-lasso最小化问题,
6.根据权利要求1所述的叠前地震资料非平稳盲反褶积方法,其特征在于,所述获取叠前地震资料之后,还包括:
判断所述叠前地震资料的信噪比,若所述信噪比小于预设信噪比阈值,则对所述叠前地震资料进行信号预处理;所述信号预处理包括去噪处理。
7.根据权利要求1至6任一项所述的叠前地震资料非平稳盲反褶积方法,其特征在于,所述基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数,包括:
基于所述叠前地震资料通过平面波分解计算得到同相轴局部斜率,并基于所述叠前地震资料通过预测映射计算得到零偏移旅行时;
以所述同相轴局部斜率和所述零偏移旅行时为目标域,对旅行时和地层Q模型进行域变换处理,得到所述目标域下的变换后旅行时和变换后地层Q模型;
对所述变换后旅行时的零偏移旅行时进行微分得到微分结果,并对所述微分结果与所述变换后地层Q模型的比值沿所述零偏移旅行时进行因果信号积分,以得到所述目标域内的第一累积衰减因子;
对所述第一累积衰减因子进行逆映射,得到时间域空间域内的第二累积衰减因子,并根据所述第二累积衰减因子和指数衰减模型,利用傅里叶逆变换得到相应CMP道集在所述时间域空间域内的所述叠前衰减函数。
8.一种叠前地震资料非平稳盲反褶积装置,其特征在于,包括:
叠前衰减函数确定模块,用于获取叠前地震资料,并基于所述叠前地震资料通过扭曲映射预估得到每个CMP道集的叠前衰减函数;
叠前非平稳盲反褶积模型确定模块,用于基于所述叠前衰减函数和叠后非平稳盲反褶积模型,确定出叠前非平稳盲反褶积模型;其中,所述叠后非平稳盲反褶积模型为基于托普利兹稀疏矩阵分解得到的模型;
反射系数及子波计算模块,用于基于所述叠前地震资料,利用所述叠前非平稳盲反褶积模型通过反复迭代确定出反射系数和子波。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的叠前地震资料非平稳盲反褶积方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中计算机程序被处理器执行时实现如权利要求1至7任一项所述的叠前地震资料非平稳盲反褶积方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648641.8A CN113341463B (zh) | 2021-06-10 | 2021-06-10 | 一种叠前地震资料非平稳盲反褶积方法及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648641.8A CN113341463B (zh) | 2021-06-10 | 2021-06-10 | 一种叠前地震资料非平稳盲反褶积方法及相关组件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341463A true CN113341463A (zh) | 2021-09-03 |
CN113341463B CN113341463B (zh) | 2023-05-26 |
Family
ID=77476378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110648641.8A Active CN113341463B (zh) | 2021-06-10 | 2021-06-10 | 一种叠前地震资料非平稳盲反褶积方法及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341463B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117741750A (zh) * | 2024-02-21 | 2024-03-22 | 东北石油大学三亚海洋油气研究院 | 一种基于Radon变换的多道叠前反褶积方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598805A (zh) * | 2008-06-04 | 2009-12-09 | 中国石油天然气集团公司 | 一种多分量地震资料层位对比和标定方法 |
CN101813786A (zh) * | 2010-04-02 | 2010-08-25 | 中国石油集团西北地质研究所 | 子波处理二步法反褶积方法 |
CN102466816A (zh) * | 2010-11-04 | 2012-05-23 | 中国石油天然气集团公司 | 一种叠前地震数据地层弹性常数参数反演的方法 |
US20120243372A1 (en) * | 2011-03-25 | 2012-09-27 | Saudi Arabian Oil Company | Simultaneous Wavelet Extraction and Deconvolution in the Time Domain |
CN102998704A (zh) * | 2012-12-13 | 2013-03-27 | 石颖 | 一种地球物理勘探地震资料处理方法 |
CN102998703A (zh) * | 2012-11-23 | 2013-03-27 | 中国石油大学(北京) | 基于地表一致性反褶积进行储层预测的方法及设备 |
CN103364826A (zh) * | 2012-03-30 | 2013-10-23 | 中国石油化工股份有限公司 | 基于独立分量分析的地震盲源反褶积方法 |
CN105549076A (zh) * | 2015-12-08 | 2016-05-04 | 中国石油天然气股份有限公司 | 一种基于交替方向法和全变分理论的地震数据处理方法 |
CN106597532A (zh) * | 2016-11-14 | 2017-04-26 | 中国石油化工股份有限公司 | 一种结合井资料与层位资料的叠前地震数据频带拓展方法 |
CN107238862A (zh) * | 2016-03-29 | 2017-10-10 | 中国石油化工股份有限公司 | 基于贝叶斯反演框架的反射系数估计方法和装置 |
CN107589448A (zh) * | 2017-07-13 | 2018-01-16 | 西安交通大学 | 一种多道地震记录反射系数序列同时反演方法 |
CN108535775A (zh) * | 2018-03-30 | 2018-09-14 | 中国石油大学(北京) | 非平稳地震资料声波阻抗反演方法及装置 |
CN108693555A (zh) * | 2018-05-16 | 2018-10-23 | 中国石油大学(北京) | 智能化时变盲反褶积宽频处理方法及装置 |
CN110618449A (zh) * | 2018-06-20 | 2019-12-27 | 中国石油化工股份有限公司 | 一种地震数据处理的方法及系统 |
CN110646841A (zh) * | 2018-06-27 | 2020-01-03 | 中国石油化工股份有限公司 | 时变稀疏反褶积方法及系统 |
CN111060961A (zh) * | 2019-12-27 | 2020-04-24 | 中国石油大学(北京) | 基于多信息约束反演的品质因子确定方法、装置及系统 |
GB202016945D0 (en) * | 2019-11-21 | 2020-12-09 | Cgg Services | Methods and devices performing adaptive subtraction of multiples |
-
2021
- 2021-06-10 CN CN202110648641.8A patent/CN113341463B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598805A (zh) * | 2008-06-04 | 2009-12-09 | 中国石油天然气集团公司 | 一种多分量地震资料层位对比和标定方法 |
CN101813786A (zh) * | 2010-04-02 | 2010-08-25 | 中国石油集团西北地质研究所 | 子波处理二步法反褶积方法 |
CN102466816A (zh) * | 2010-11-04 | 2012-05-23 | 中国石油天然气集团公司 | 一种叠前地震数据地层弹性常数参数反演的方法 |
US20120243372A1 (en) * | 2011-03-25 | 2012-09-27 | Saudi Arabian Oil Company | Simultaneous Wavelet Extraction and Deconvolution in the Time Domain |
CN103364826A (zh) * | 2012-03-30 | 2013-10-23 | 中国石油化工股份有限公司 | 基于独立分量分析的地震盲源反褶积方法 |
CN102998703A (zh) * | 2012-11-23 | 2013-03-27 | 中国石油大学(北京) | 基于地表一致性反褶积进行储层预测的方法及设备 |
CN102998704A (zh) * | 2012-12-13 | 2013-03-27 | 石颖 | 一种地球物理勘探地震资料处理方法 |
CN105549076A (zh) * | 2015-12-08 | 2016-05-04 | 中国石油天然气股份有限公司 | 一种基于交替方向法和全变分理论的地震数据处理方法 |
CN107238862A (zh) * | 2016-03-29 | 2017-10-10 | 中国石油化工股份有限公司 | 基于贝叶斯反演框架的反射系数估计方法和装置 |
CN106597532A (zh) * | 2016-11-14 | 2017-04-26 | 中国石油化工股份有限公司 | 一种结合井资料与层位资料的叠前地震数据频带拓展方法 |
CN107589448A (zh) * | 2017-07-13 | 2018-01-16 | 西安交通大学 | 一种多道地震记录反射系数序列同时反演方法 |
CN108535775A (zh) * | 2018-03-30 | 2018-09-14 | 中国石油大学(北京) | 非平稳地震资料声波阻抗反演方法及装置 |
CN108693555A (zh) * | 2018-05-16 | 2018-10-23 | 中国石油大学(北京) | 智能化时变盲反褶积宽频处理方法及装置 |
CN110618449A (zh) * | 2018-06-20 | 2019-12-27 | 中国石油化工股份有限公司 | 一种地震数据处理的方法及系统 |
CN110646841A (zh) * | 2018-06-27 | 2020-01-03 | 中国石油化工股份有限公司 | 时变稀疏反褶积方法及系统 |
GB202016945D0 (en) * | 2019-11-21 | 2020-12-09 | Cgg Services | Methods and devices performing adaptive subtraction of multiples |
CN111060961A (zh) * | 2019-12-27 | 2020-04-24 | 中国石油大学(北京) | 基于多信息约束反演的品质因子确定方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
刘喜武;宁俊瑞;张改兰;: "Cauchy稀疏约束Bayesian估计地震盲反褶积框架与算法研究" * |
蔡连芳;田学民;: "基于PSO的地震盲反褶积方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117741750A (zh) * | 2024-02-21 | 2024-03-22 | 东北石油大学三亚海洋油气研究院 | 一种基于Radon变换的多道叠前反褶积方法及系统 |
CN117741750B (zh) * | 2024-02-21 | 2024-04-26 | 东北石油大学三亚海洋油气研究院 | 一种基于Radon变换的多道叠前反褶积方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113341463B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A 1D time-varying median filter for seismic random, spike-like noise elimination | |
Wang et al. | Seismic sparse-spike deconvolution via Toeplitz-sparse matrix factorization | |
Ansari et al. | Correction of highly noisy strong motion records using a modified wavelet de-noising method | |
US20140372043A1 (en) | Full Waveform Inversion Using Perfectly Reflectionless Subgridding | |
JP2020511645A (ja) | 大規模地震データセットの適応性があり堅牢なノイズの除去のための自動化されたシステム及び方法 | |
EP2791708B1 (en) | Iterative dip-steering median filter for seismic data processing | |
Innocent Oboué et al. | Robust damped rank-reduction method for simultaneous denoising and reconstruction of 5D seismic data | |
CN112882099B (zh) | 一种地震频带拓宽方法、装置、介质及电子设备 | |
Yong-Shou et al. | A time-varying wavelet extraction using local similarity | |
CN110646841B (zh) | 时变稀疏反褶积方法及系统 | |
Aghayan et al. | Seismic denoising using the redundant lifting scheme | |
Geng et al. | Relative time seislet transform | |
Chen et al. | 5D dealiased seismic data interpolation using nonstationary prediction-error filter | |
CN111399057A (zh) | 一种基于非凸稀疏约束的地震资料噪声压制方法 | |
CN108445539A (zh) | 一种消除地震子波旁瓣干扰的方法、设备及系统 | |
CN113341463B (zh) | 一种叠前地震资料非平稳盲反褶积方法及相关组件 | |
Oboué et al. | Erratic and random noise attenuation using adaptive local orthogonalization | |
CN110687597A (zh) | 一种基于联合字典的波阻抗反演方法 | |
Wang et al. | Denoising with weak signal preservation by group-sparsity transform learning | |
Chen et al. | Nonstationary seismic reflectivity inversion based on prior-engaged semisupervised deep learning method | |
Wang et al. | Robust singular value decomposition filtering for low signal-to-noise ratio seismic data | |
Kuruguntla et al. | Erratic noise attenuation using double sparsity dictionary learning method | |
Zhang et al. | Seismic random noise attenuation by time-frequency peak filtering based on joint time-frequency distribution | |
Xu et al. | Random noise attenuation using a structure-oriented adaptive singular value decomposition | |
Liu et al. | Adaptive time-reassigned synchrosqueezing transform for seismic random noise suppression |
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 |