CN113391354B - 混叠噪声压制方法及装置 - Google Patents

混叠噪声压制方法及装置 Download PDF

Info

Publication number
CN113391354B
CN113391354B CN202010170533.XA CN202010170533A CN113391354B CN 113391354 B CN113391354 B CN 113391354B CN 202010170533 A CN202010170533 A CN 202010170533A CN 113391354 B CN113391354 B CN 113391354B
Authority
CN
China
Prior art keywords
aliasing
data
noise
common
domain
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
Application number
CN202010170533.XA
Other languages
English (en)
Other versions
CN113391354A (zh
Inventor
董烈乾
张慕刚
汪长辉
骆飞
周大同
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.)
China National Petroleum Corp
BGP Inc
Original Assignee
China National Petroleum Corp
BGP Inc
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 China National Petroleum Corp, BGP Inc filed Critical China National Petroleum Corp
Priority to CN202010170533.XA priority Critical patent/CN113391354B/zh
Publication of CN113391354A publication Critical patent/CN113391354A/zh
Application granted granted Critical
Publication of CN113391354B publication Critical patent/CN113391354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/36—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
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/30—Noise handling
    • G01V2210/32—Noise reduction

Abstract

本发明提供一种混叠噪声压制方法及装置，其中，该方法包括以下步骤：将混叠的共炮点域数据转换为共偏移距域混叠数据；对共偏移距域混叠数据进行混叠噪声压制；若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据，重复执行以上步骤，直到压制混叠噪声后的共偏移距域混叠数据的信噪比大于等于预设值；将信噪比大于等于预设值的压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据。本发明实现了对混叠的共炮点域数据中混叠噪声的压制，提高了地震数据的信噪比，提升了混叠噪声压制效果。

Description

混叠噪声压制方法及装置
技术领域
本发明涉及地球物理勘探技术领域，特别涉及一种混叠噪声压制的方法及装置。
背景技术
近年来，随着高效采集技术的发展和在实际中的广泛应用，使得陆上宽方位和高密度采集成为可能。高效采集技术的应用不仅大幅度提高了生产效率，能够获得高覆盖次数的地震资料，而且极大地改善了地震资料品质。混叠采集技术采用多组可控震源独立激发，相互间没有等待时间，对可控震源数量没有明显限制，震源越多，效率越高。根据混叠采集的特点，相同的排列接收了不同震源在不同的位置以不同的时间激发的能量，在共炮点道集上具有相干性；而在共偏移距道集、共接收点道集或共中心点道集上，只有来自主激发点的能量具有相干性，来自邻炮干扰的能量则都表现为随机性强振幅或尖脉冲干扰，所以多组震源同时激发会在原始单炮记录上产生很强的邻炮干扰，会产生严重的混叠噪声，严重降低了混叠采集的地震数据的信噪比。目前混叠噪声的压制方法主要包括基于信号域的滤波方法。而基于信号域的滤波方法原理简单，运算效率快，但是压制效果不佳。
发明内容
本发明实施例提供了一种混叠噪声压制方法，用以提升混叠噪声压制效果，采集的地震数据的信噪比同时保护有效信号，该方法包括：
将混叠的共炮点域数据转换为共偏移距域混叠数据；
对共偏移距域混叠数据进行混叠噪声压制；
若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据；
重复执行以上步骤，直到压制混叠噪声后的共偏移距域混叠数据的信噪比大于等于预设值；
将信噪比大于等于预设值的压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据。
本发明实施例还提供了一种混叠噪声压制装置，用以提升混叠噪声压制效果，该装置包括：
共偏移距域混叠数据转换模块，用于将混叠的共炮点域数据转换为共偏移距域混叠数据；
混叠噪声压制模块，用于对共偏移距域混叠数据进行混叠噪声压制；
混叠数据更新模块，用于若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据；
迭代触发模块，用于重复触发所述共偏移距域混叠数据转换模块、混叠噪声压制模块和混叠数据更新模块执行，直到压制混叠噪声后的共偏移距域混叠数据的信噪比大于等于预设值；
压制混叠噪声后的共炮点域数据模块，用于将信噪比大于等于预设值的压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
本发明实施例中，将混叠的共炮点域数据转换为共偏移距域混叠数据，对共偏移距域混叠数据进行混叠噪声压制，若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据，重复执行以上步骤，最终可以得到一信噪比大于预设值的压制混叠噪声后的共偏移距域混叠数据，进而确定了压制混叠噪声后的共炮点域数据。本发明实施例实现了对混叠的共炮点域数据中混叠噪声的压制，提高了地震数据的信噪比，提升了混叠噪声压制效果。
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获得其他的附图。
图1是本发明实施例提供的一种混叠噪声压制方法的流程示意图；
图2是本发明实施例提供的一种原始不含混叠噪声的模拟数据的示意图；
图3是本发明实施例提供的一种含混叠噪声的模拟数据的示意图；
图4是本发明实施例提供的一种压制混叠噪声后的数据的示意图；
图5是本发明实施例提供的一种去除的混叠干扰数据的示意图；
图6是本发明实施例提供的一种不含混叠噪声的实际数据的示意图；
图7是本发明实施例提供的一种模拟的含混叠噪声的实际数据的示意图；
图8是本发明实施例提供的一种压制混叠噪声后的实际数据的示意图；
图9是本发明实施例提供的一种压制的混叠干扰数据的示意图；
图10是本发明实施例提供的一种混叠噪声压制装置的结构示意图。
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。
目前混叠噪声的压制方法主要包括基于信号域的滤波方法。而基于信号域的滤波方法原理简单，运算效率快，但是压制效果不佳。因此，本发明设计了一种迭代的奇异值约束的混叠噪声压制方法。奇异值分解(SVD，Singular Value Decomposition)方法本质上是一种正交分解方法，它利用二维空间中信号相关性压制不相关的噪声，提高地震资料的信噪比。
奇异值分解(SVD，Singular Value Decomposition)是利用特征值或奇异值作为正交基在信号空间正交分解的特征以增强相干能量，压制干扰信号。设M×N的地震数据D，其中M为道数，N为采样点数，则该地震数据的SVD分解表示为：
其中，ui为矩阵DDT第i个特征向量，vi为矩阵DTD第i个特征向量，U＝[u1,...,uM]M×M和V＝[v1,...,vN]N×N均为正交矩阵，矩阵∑由D的奇异值σi构成，r为地震数据D的秩，奇异值σ1≥σ2...≥σr≥0由大到小排列在其主对角线上。
地震数据经SVD分解后，根据能量大小可分为若干个奇异值，大奇异值主要反映原始记录中地震道与地震道间相关性强的信号，小奇异值主要对应着噪声。通过合理选择较大的奇异值可以重建原始地震数据中具有相关特性的地震数据，压制不相关噪声，提高地震资料的信噪比。
本发明实施例中混叠噪声压制方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤101：将混叠的共炮点域数据转换为共偏移距域混叠数据；
步骤102：对共偏移距域混叠数据进行混叠噪声压制；
步骤103：若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据；
步骤104：重复执行以上步骤，直到压制混叠噪声后的共偏移距域混叠数据的信噪比大于等于预设值；
步骤105：将信噪比大于等于预设值的压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据。
本发明实施例中，将混叠的共炮点域数据转换为共偏移距域混叠数据，对共偏移距域混叠数据进行混叠噪声压制，若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据，重复执行以上步骤，最终可以得到一信噪比大于预设值的压制混叠噪声后的共偏移距域混叠数据，进而确定了压制混叠噪声后的共炮点域数据。本发明实施例实现了对混叠的共炮点域数据中混叠噪声的压制，提高了地震数据的信噪比，提升了混叠噪声压制效果。
具体实施时，首先将混叠的共炮点域数据转换为共偏移距域混叠数据，其次，对共偏移距域混叠数据进行混叠噪声压制，而对共偏移距域混叠数据进行混叠噪声压制的方法有多种，下面给出其中一个实施例。
在一实施例中，对共偏移距域混叠数据进行混叠噪声压制，包括：
对共偏移距域混叠数据进行奇异值分解，得到共偏移距域混叠数据的奇异值向量；
从共偏移距域混叠数据中选取一仅包括混叠噪声的矩形窗，对矩形窗中的数据进行奇异值分解，得到混叠噪声的奇异值向量；
根据共偏移距域混叠数据的奇异值向量和混叠噪声的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
在上述实施例中，按如下公式，对共偏移距域混叠数据进行奇异值分解，得到共偏移距域混叠数据的奇异值向量：
doffset＝Ubl VblWT bl
其中，Vbl为共偏移距域混叠数据的奇异值向量；doffset为共偏移距域混叠数据；Ubl为共偏移距域混叠数据的左特征向量；WT bl为共偏移距域混叠数据的右特征向量。
在上述实施例中，从共偏移距域混叠数据中选取一仅包括混叠噪声的矩形窗，可以包括：
从共偏移距域混叠数据中，选取距离激发点最近的共偏移距域混叠数据，确定有效波最先到达的时间；
根据有效波最先到达的时间，从距离激发点最近的共偏移距域混叠数据中，选取一仅包括混叠噪声的矩形窗。
实施例中，根据有效波最先到达的时间，从共偏移距域混叠数据中选取一仅包括混叠噪声的矩形窗，可以包括：
从距离激发点最近的共偏移距域混叠数据中，选取在有效波最先到达的时间前的不含有效波(主要是混叠噪声)的一矩形窗。
在上述实施例中，按如下公式，对选取的矩形窗中的混叠数据进行奇异值分解，得到混叠噪声的奇异值向量：
dnoise＝UnoiseVnoiseWT noise
其中，Vnoise为混叠噪声的奇异值向量；dnoise为选取的仅含有混叠噪声的数据；Unoise为混叠噪声的左特征向量；WT noise为混叠噪声的右特征向量。
在上述实施例中，根据共偏移距域混叠数据的奇异值向量和混叠噪声的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据，可以包括：
取混叠噪声的奇异值向量的最大值为混叠噪声的约束值；
采用硬阈值函数，根据混叠噪声的约束值，对共偏移距域混叠数据的奇异值向量进行更新计算，得到压制混叠噪声后的共偏移距域混叠数据的奇异值向量；
根据压制混叠噪声后的共偏移距域混叠数据的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
实施例中，按如下公式，取混叠噪声的奇异值向量的最大值为混叠噪声的约束值：
λ＝max(Vnoise)
其中，λ为混叠噪声的约束值；Vnoise为混叠噪声的奇异值向量。
实施例中，按如下公式，采用硬阈值函数，根据混叠噪声的约束值对共偏移距域混叠数据的奇异值向量进行更新计算，得到压制混叠噪声后的共偏移距域混叠数据的奇异值向量：
V1＝max(0,Vbl-λ)×Vbl
其中，V1为压制混叠噪声后的共偏移距域混叠数据的奇异值向量；λ为混叠噪声的约束值；Vbl为共偏移距域混叠数据的奇异值向量。
实施例中，按如下公式，根据压制混叠噪声后的共偏移距域混叠数据的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据：
moffset＝Ubl V1 WT bl
其中，moffset为压制混叠噪声后的共偏移距域混叠数据；V1为压制混叠噪声后的共偏移距域混叠数据的奇异值向量；Ubl为共偏移距域混叠数据的左特征向量；WT bl为共偏移距域混叠数据的右特征向量。
具体实施时，对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据的方法有多种，下面给出其中一个实施例。
在一实施例中，将所述压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据；
按如下公式，采用混叠因子，对压制混叠噪声后的共炮点域数据进行计算，得到混叠数据：
dbl,1＝Γm1
其中，dbl,1为混叠数据；Γ为混叠因子；m1为压制混叠噪声后的共炮点域数据。
本发明实施例还提供了一具体实例：
(1)将混叠采集得到的共炮点域数据dbl,0转换到共偏移距域混叠数据doffset,0；
(2)选取距离激发点最近的共偏移距域混叠数据，在本实施例中可为抽取最小偏移距剖面，确定有效波的最先到达的时间tb；
(3)对共偏移距域混叠数据据进行奇异值分解(SVD)，根据公式doffset，0＝Ubl0Vbl0WT bl0，(上标T表示转置运算)，获得该共偏移距域混叠数据的奇异值向量Vbl，0；
(4)选取步骤(2)确定的时间tb前的不含有效波(主要是混叠噪声)的一个矩形窗数据dnoise,0，进行SVD，根据公式dnoise,0＝Unoise,0Vnois,e0WT nois,e0，获得混叠噪声数据的奇异值向量Vnoise,0，并确定该次迭代的混叠噪声的约束值λ0＝max(Vnoise，0)；
(5)采用硬阈值函数，采用硬阈值函数，根据混叠噪声的约束值，对共偏移距域混叠数据的奇异值向量进行更新计算，根据公式V1＝max(0,Vbl，0-λ0)Vbl，0，得到更新后的奇异值向量V1，进而根据公式moffset,1＝Ubl0V1WT bl0获得第一次压制混叠噪声后的共偏移距域混叠数据；
(6)将获得的本次压制混叠噪声操作的的共偏移距域混叠数据moffset,1，转换到共炮点域，得到此次压制混叠噪声的共炮点数据m1，然后根据混叠因子Γ，根据公式dbl,1＝Γm1计算m1的混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据；
(7)依次重复步骤(3)-(6)，逐步得到第n次更新后的Vbl,n-1和Vnoise,n-1，以及第n次更新后压制混叠噪声的奇异值向量Vn，Vn＝max(0,Vbl,n-1-λn-1)×Vbl,n-1，和压制混叠噪声后的共偏移距数据moffset,n＝Ubl,n-1Vbl,nWT bl,n-1，直到压制混叠噪声后的共偏移距数据的信噪比达到初始设定的期望信噪比，循环结束，将第n次压制混叠噪声后的共偏移距数据moffset,n转换到共炮点域，得到最终压制混叠噪声的数据mn。
本发明实施例在计算信噪比的过程中，采取了一种名为基于反演的混叠噪声分离的方法：
混叠采集技术是不同空间位置的多个震源按照随机线性编码方式激发构成时域混叠的炮记录，由下式表达：
dbl＝d1+Γd2
其中，dbl表示混叠炮集记录，d1和d2为来自不同炮的单炮数据，Γ表示混叠算子。
其求解不同炮数据的反演一般式可以表示为：
其中，
通过Landweber迭代算法和正则化方法得到求解式的最优化问题的的一般形式解为：
其中，R表示整形正则化因子，本文选取混叠噪声的奇异值作为约束因子，mn表示第n次迭代去噪结果，B为反传算子，近似可以看做F的逆。
本发明实施例中计算信噪比所用的公式为：
其中，SNRn为信噪比。
本发明实施例首先利用了模拟的数据进行方法测试。图2为模拟的不含混叠噪声数据，通过加入混叠因子模拟的含有混叠噪声的数据如图3所示。按照本发明实施例流程对该加入混叠因子模拟的含有混叠噪声的数据进行处理，将图3数据转换到共偏移距域，在共偏移距域选取图2红线所对应的旅行时以上的部分数据，对选取的该部分数据进行奇异值分解，分解得到的奇异值矩阵的最大值作为约束的混叠噪声的奇异值。图4和图5分别为压制混叠噪声后的数据和压制的混叠干扰，通过与图1对比，可以看出混叠干扰得到了很好的压制，有效信号得到了很好的保存，验证了本发明方法在压制混叠干扰和保护有效信号的有效性。
本发明实施例接着选取了某实际数据进行方法测试。图6为原始不含混叠噪声数据，通过加入混叠因子模拟的含有混叠噪声的数据如图7所示。按照本发明实施例流程对该加入混叠因子模拟的含有混叠噪声的数据进行处理，将图7数据转换到共偏移距域，在共偏移距域选取图6红线所对应的旅行时以上的部分数据，对选取的该部分数据进行奇异值分解，分解得到的奇异值矩阵的最大值作为约束的混叠噪声的奇异值。图8和图9分别为压制混叠噪声后的数据和压制的混叠干扰，与图6对比，同样可以看出，本发明方法能够在压制混叠噪声数据的同时，有效地保护信号。
本发明实施例中，将混叠的共炮点域数据转换为共偏移距域混叠数据，对共偏移距域混叠数据进行混叠噪声压制，若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据，重复执行以上步骤，最终可以得到一信噪比大于预设值的压制混叠噪声后的共偏移距域混叠数据，进而确定了压制混叠噪声后的共炮点域数据。本发明实施例实现了对混叠的共炮点域数据中混叠噪声的压制，提高了地震数据的信噪比，提升了混叠噪声压制效果。
本发明实施例通过混叠噪声的奇异值对共偏移距域混叠数据进行约束，并逐步迭代更新共偏移距域混叠数据的奇异值向量，最终在共偏移距域或经过动校正的共中心点域，实现了混叠噪声的压制，同时也可以很好地保护有效信号。
基于同一发明构思，本发明实施例中还提供了一种混叠噪声压制装置，如下面的实施例所述。由于混叠噪声压制装置解决问题的原理与混叠噪声压制方法相似，因此混叠噪声压制装置的实施可以参见混叠噪声压制方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图10是本发明实施例中混叠噪声压制装置的结构示意图，如图10所示，包括：
共偏移距域混叠数据转换模块01，用于将混叠的共炮点域数据转换为共偏移距域混叠数据；
混叠噪声压制模块02，用于对共偏移距域混叠数据进行混叠噪声压制；
混叠数据更新模块03，用于若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据；
迭代触发模块04，用于重复触发所述共偏移距域混叠数据转换模块、混叠噪声压制模块和混叠数据更新模块执行，直到压制混叠噪声后的共偏移距域混叠数据的信噪比大于等于预设值；
压制混叠噪声后的共炮点域数据转换模块05，用于将信噪比大于等于预设值的压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据。
在一个实施例中，混叠噪声压制模块，用于：
对共偏移距域混叠数据进行奇异值分解，得到共偏移距域混叠数据的奇异值向量；
从共偏移距域混叠数据中选取一仅包括混叠噪声的矩形窗，对矩形窗中的数据进行奇异值分解，得到混叠噪声的奇异值向量；
根据共偏移距域混叠数据的奇异值向量和混叠噪声的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
在一个实施例中，混叠噪声压制模块，具体用于：
按如下公式，对共偏移距域混叠数据进行奇异值分解，得到共偏移距域混叠数据的奇异值向量：
doffset＝Ubl VblWT bl
其中，Vbl为共偏移距域混叠数据的奇异值向量；doffset为共偏移距域混叠数据；Ubl为共偏移距域混叠数据的左特征向量；WT bl为共偏移距域混叠数据的右特征向量。
在一个实施例中，混叠噪声压制模块具体用于：
从共偏移距域混叠数据中，选取距离激发点最近的共偏移距域混叠数据，确定有效波最先到达的时间；
根据有效波最先到达的时间，从距离激发点最近的共偏移距域混叠数据中，选取一仅包括混叠噪声的矩形窗。
在一个实施例中，混叠噪声压制模块，具体用于：
按如下公式，对选取的矩形窗中的混叠数据进行奇异值分解，得到混叠噪声的奇异值向量：
dnoise＝UnoiseVnoiseWT noise
其中，Vnoise为混叠噪声的奇异值向量；dnoise为选取的仅含有混叠噪声的数据；Unoise为混叠噪声的左特征向量；WT noise为混叠噪声的右特征向量。
在一个实施例中，混叠噪声压制模块，具体用于：
取混叠噪声的奇异值向量的最大值为混叠噪声的约束值；
采用硬阈值函数，根据混叠噪声的约束值，对共偏移距域混叠数据的奇异值向量进行更新计算，得到压制混叠噪声后的共偏移距域混叠数据的奇异值向量；
根据压制混叠噪声后的共偏移距域混叠数据的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
在一个实施例中，混叠噪声压制模块，具体用于按如下公式，取混叠噪声的奇异值向量的最大值为混叠噪声的约束值：
λ＝max(Vnoise)
其中，λ为混叠噪声的约束值；Vnoise为混叠噪声的奇异值向量。
在一个实施例中，混叠噪声压制模块，具体用于：按如下公式，采用硬阈值函数，根据混叠噪声的约束值对共偏移距域混叠数据的奇异值向量进行更新计算，得到压制混叠噪声后的共偏移距域混叠数据的奇异值向量：
V1＝max(0,Vbl-λ)×Vbl
其中，V1为压制混叠噪声后的共偏移距域混叠数据的奇异值向量；λ为混叠噪声的约束值；Vbl为共偏移距域混叠数据的奇异值向量。
在一个实施例中，混叠噪声压制模块，具体用于
按如下公式，根据压制混叠噪声后的共偏移距域混叠数据的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据：
moffset＝Ubl V1 WT bl
其中，moffset为压制混叠噪声后的共偏移距域混叠数据；V1为压制混叠噪声后的共偏移距域混叠数据的奇异值向量；Ubl为共偏移距域混叠数据的左特征向量；WT bl为共偏移距域混叠数据的右特征向量。
在一个实施例中，混叠数据更新模块，具体用于：
将所述压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据；
按如下公式，采用混叠因子，对压制混叠噪声后的共炮点域数据进行计算，得到混叠数据：
dbl,1＝Γm1
其中，dbl,1为混叠数据；Γ为混叠因子；m1为压制混叠噪声后的共炮点域数据。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
本发明实施例中，将混叠的共炮点域数据转换为共偏移距域混叠数据，对共偏移距域混叠数据进行混叠噪声压制，若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据，重复执行以上步骤，最终可以得到一信噪比大于预设值的压制混叠噪声后的共偏移距域混叠数据，进而确定了压制混叠噪声后的共炮点域数据。本发明实施例实现了对混叠的共炮点域数据中混叠噪声的压制，提高了地震数据的信噪比，提升了混叠噪声压制效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种混叠噪声压制方法，其特征在于，包括：
将混叠的共炮点域数据转换为共偏移距域混叠数据；
对共偏移距域混叠数据进行混叠噪声压制；
若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据；
重复执行以上步骤，直到压制混叠噪声后的共偏移距域混叠数据的信噪比大于等于预设值；
将信噪比大于等于预设值的压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据；
对共偏移距域混叠数据进行混叠噪声压制，包括：
对共偏移距域混叠数据进行奇异值分解，得到共偏移距域混叠数据的奇异值向量；
从共偏移距域混叠数据中选取一仅包括混叠噪声的矩形窗，对矩形窗中的数据进行奇异值分解，得到混叠噪声的奇异值向量；
根据共偏移距域混叠数据的奇异值向量和混叠噪声的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
2.如权利要求1所述的方法，其特征在于，按如下公式，对共偏移距域混叠数据进行奇异值分解，得到共偏移距域混叠数据的奇异值向量：
doffset＝Ubl VblWT bl
其中，Vbl为共偏移距域混叠数据的奇异值向量；doffset为共偏移距域混叠数据；Ubl为共偏移距域混叠数据的左特征向量；WT bl为共偏移距域混叠数据的右特征向量。
3.如权利要求1所述的方法，其特征在于，从共偏移距域混叠数据中选取一仅包括混叠噪声的矩形窗，包括：
从共偏移距域混叠数据中，选取距离激发点最近的共偏移距域混叠数据，确定有效波最先到达的时间；
根据有效波最先到达的时间，从距离激发点最近的共偏移距域混叠数据中，选取一仅包括混叠噪声的矩形窗。
4.如权利要求1所述的方法，其特征在于，按如下公式，对选取的矩形窗中的混叠数据进行奇异值分解，得到混叠噪声的奇异值向量：
dnoise＝UnoiseVnoiseWT noise
其中，Vnoise为混叠噪声的奇异值向量；dnoise为选取的仅含有混叠噪声的数据；Unoise为混叠噪声的左特征向量；WT noise为混叠噪声的右特征向量。
5.如权利要求1所述的方法，其特征在于，根据共偏移距域混叠数据的奇异值向量和混叠噪声的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据，包括：
取混叠噪声的奇异值向量的最大值为混叠噪声的约束值；
采用硬阈值函数，根据混叠噪声的约束值，对共偏移距域混叠数据的奇异值向量进行更新计算，得到压制混叠噪声后的共偏移距域混叠数据的奇异值向量；
根据压制混叠噪声后的共偏移距域混叠数据的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
6.如权利要求5所述的方法，其特征在于，按如下公式，取混叠噪声的奇异值向量的最大值为混叠噪声的约束值：
λ＝max(Vnoise)
其中，λ为混叠噪声的约束值；Vnoise为混叠噪声的奇异值向量。
7.如权利要求5所述的方法，其特征在于，按如下公式，采用硬阈值函数，根据混叠噪声的约束值对共偏移距域混叠数据的奇异值向量进行更新计算，得到压制混叠噪声后的共偏移距域混叠数据的奇异值向量：
V1＝max(0,Vbl-λ)×Vbl
其中，V1为压制混叠噪声后的共偏移距域混叠数据的奇异值向量；λ为混叠噪声的约束值；Vbl为共偏移距域混叠数据的奇异值向量。
8.如权利要求5所述的方法，其特征在于，按如下公式，根据压制混叠噪声后的共偏移距域混叠数据的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据：
moffset＝UblV1WT bl
其中，moffset为压制混叠噪声后的共偏移距域混叠数据；V1为压制混叠噪声后的共偏移距域混叠数据的奇异值向量；Ubl为共偏移距域混叠数据的左特征向量；WT bl为共偏移距域混叠数据的右特征向量。
9.如权利要求1所述的方法，其特征在于，对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，包括：
将所述压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据；
按如下公式，采用混叠因子，对压制混叠噪声后的共炮点域数据进行计算，得到混叠数据：
dbl,1＝Γm1
其中，dbl,1为混叠数据；Γ为混叠因子；m1为压制混叠噪声后的共炮点域数据。
10.一种混叠噪声压制装置，其特征在于，包括：
共偏移距域混叠数据转换模块，用于将混叠的共炮点域数据转换为共偏移距域混叠数据；
混叠噪声压制模块，用于对共偏移距域混叠数据进行混叠噪声压制；
混叠数据更新模块，用于若压制混叠噪声后的共偏移距域混叠数据的信噪比小于预设值，则对所述压制混叠噪声后的共偏移距域混叠数据进行混叠计算，得到混叠数据，将所述混叠的共炮点域数据更新为所述混叠数据；
迭代触发模块，用于重复触发所述共偏移距域混叠数据转换模块、混叠噪声压制模块和混叠数据更新模块执行，直到压制混叠噪声后的共偏移距域混叠数据的信噪比大于等于预设值；
压制混叠噪声后的共炮点域数据转换模块，用于将信噪比大于等于预设值的压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据；
混叠噪声压制模块，具体用于：对共偏移距域混叠数据进行奇异值分解，得到共偏移距域混叠数据的奇异值向量；
从共偏移距域混叠数据中选取一仅包括混叠噪声的矩形窗，对矩形窗中的数据进行奇异值分解，得到混叠噪声的奇异值向量；
根据共偏移距域混叠数据的奇异值向量和混叠噪声的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
11.如权利要求10所述的装置，其特征在于，混叠噪声压制模块，具体用于：
从共偏移距域混叠数据中，选取距离激发点最近的共偏移距域混叠数据，确定有效波最先到达的时间；
根据有效波最先到达的时间，从距离激发点最近的共偏移距域混叠数据中，选取一仅包括混叠噪声的矩形窗。
12.如权利要求10所述的装置，其特征在于，混叠噪声压制模块，具体用于：
取混叠噪声的奇异值向量的最大值为混叠噪声的约束值；
采用硬阈值函数，根据混叠噪声的约束值，对共偏移距域混叠数据的奇异值向量进行更新计算，得到压制混叠噪声后的共偏移距域混叠数据的奇异值向量；
根据压制混叠噪声后的共偏移距域混叠数据的奇异值向量，确定压制混叠噪声后的共偏移距域混叠数据。
13.如权利要求10所述的装置，其特征在于，混叠数据更新模块具体用于：
将所述压制混叠噪声后的共偏移距域混叠数据，转换为压制混叠噪声后的共炮点域数据；
按如下公式，采用混叠因子，对压制混叠噪声后的共炮点域数据进行计算，得到混叠数据：
dbl,1＝Γm1
其中，dbl,1为混叠数据；Γ为混叠因子；m1为压制混叠噪声后的共炮点域数据。
14.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至9任一所述方法的计算机程序。
CN202010170533.XA 2020-03-12 2020-03-12 混叠噪声压制方法及装置 Active CN113391354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010170533.XA CN113391354B (zh) 2020-03-12 2020-03-12 混叠噪声压制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010170533.XA CN113391354B (zh) 2020-03-12 2020-03-12 混叠噪声压制方法及装置

Publications (2)

Publication Number Publication Date
CN113391354A CN113391354A (zh) 2021-09-14
CN113391354B true CN113391354B (zh) 2024-03-26

Family

ID=77615578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010170533.XA Active CN113391354B (zh) 2020-03-12 2020-03-12 混叠噪声压制方法及装置

Country Status (1)

Country Link
CN (1) CN113391354B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296134B (zh) * 2021-12-24 2023-03-31 西安交通大学 一种深度卷积网络地震资料解混方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301654A (zh) * 2015-09-18 2016-02-03 中国石油天然气集团公司 线性噪声去除方法及装置
CN108549106A (zh) * 2018-03-09 2018-09-18 中国石油天然气集团有限公司 混叠噪声压制方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012145113A1 (en) * 2011-04-18 2012-10-26 Siemens Corporation Methods for deblending of seismic shot gathers
AU2014343360B2 (en) * 2013-11-01 2016-05-26 Cgg Services Sa Hybrid deblending method and apparatus

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301654A (zh) * 2015-09-18 2016-02-03 中国石油天然气集团公司 线性噪声去除方法及装置
CN108549106A (zh) * 2018-03-09 2018-09-18 中国石油天然气集团有限公司 混叠噪声压制方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An iterative SVD method for deblending: theory and examples;Margherita Maraschini等;SEG Las Vegas 2012 Annual Meeting;全文 *
基于SVD分解的多震源数据分离方法研究;黄远松;中国优秀博硕士学位论文全文数据库（硕士）;全文 *
基于焦点变换和seislet变换的多震源分离方法研究;曹俊海;中国优秀博硕士学位论文全文数据库（博士）;摘要 *
应用SVD约束的迭代反演混叠噪声压制方法;董烈乾等;石油地球物理勘探;全文 *

Also Published As

Publication number Publication date
CN113391354A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
Xue et al. Simultaneous sources separation via an iterative rank-increasing method
US20070274155A1 (en) Coding and Decoding: Seismic Data Modeling, Acquisition and Processing
CN106371138B (zh) 地震数据重建方法和装置
CN110673222B (zh) 一种基于原子训练的大地电磁信号噪声压制方法及系统
CN114839673B (zh) 多震源高效采集波场分离方法、分离系统及计算机设备
CN113391354B (zh) 混叠噪声压制方法及装置
CN111025385B (zh) 一种基于低秩和稀疏约束的地震数据重建方法
CN113962244A (zh) 瑞雷波地震数据噪声去除方法、存储介质及电子设备
CN113917540A (zh) 基于稀疏约束的抗假频射线束进行地震数据去噪的方法
CN106950597B (zh) 基于三边滤波的混合震源数据分离方法
CN109558857B (zh) 一种混沌信号降噪方法
CN104765069A (zh) 一种压制同步激发采集邻炮干扰的方法
CN114236610B (zh) 基于深度卷积网络先验的迭代地震资料解混方法及系统
CN114245117B (zh) 多采样率复用重建网络方法、装置、设备及存储介质
CN114296134B (zh) 一种深度卷积网络地震资料解混方法及系统
CN113139918B (zh) 一种基于决策灰狼优化字典学习的图像重构方法
Wang et al. A physics-augmented deep learning method for seismic data deblending
CN113640891B (zh) 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法
CN112817056B (zh) 一种大地电磁信号去噪方法及系统
CN113204051B (zh) 一种基于变分模态分解的低秩张量地震数据去噪方法
CN111830560B (zh) 一种基于降秩算法的地震数据重建方法
CN110161565B (zh) 一种地震数据重建方法
CN110687605A (zh) 基于改进的k-svd算法在地震信号处理的算法分析应用
CN109541687B (zh) 一种熵约束数据驱动正规框架地震数据规则化方法
CN112285793A (zh) 一种大地电磁去噪方法及系统

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