CN115267898A - 天然地震数据重建方法、装置和电子设备 - Google Patents
天然地震数据重建方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115267898A CN115267898A CN202210962030.5A CN202210962030A CN115267898A CN 115267898 A CN115267898 A CN 115267898A CN 202210962030 A CN202210962030 A CN 202210962030A CN 115267898 A CN115267898 A CN 115267898A
- Authority
- CN
- China
- Prior art keywords
- seismic data
- data
- natural
- target
- natural seismic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005070 sampling Methods 0.000 claims abstract description 79
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003325 tomography Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming 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
- G01V1/282—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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种天然地震数据重建方法、装置和电子设备,涉及地质数据处理的技术领域,包括:获取天然地震数据的采样数据和采样矩阵;基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,确定天然地震数据的正则化反演模型;对正则化反演模型进行求解,得到目标地震数据;其中,目标地震数据为天然地震数据在预设变换域中对应的数据;基于目标地震数据和稀疏变换算子重构天然地震数据。本发明方法无需依赖地震模型即可完成天然地震数据的重建,因此,本发明方法的可实施性更强,应用范围更广。
Description
技术领域
本发明涉及地质数据处理的技术领域,尤其是涉及一种天然地震数据重建方法、装置和电子设备。
背景技术
地震层析成像是采用地表观测的地震波信号来获得地下介质物性参数二维和三维图像的技术,是研究地球深部速度结构的重要方法。然而受到地震台站分布稀疏、环境和场地的限制,天然地震采集数据存在缺失和不规则的问题。天然地震数据的采样数据越多,地震层析成像精度越高;反之,天然地震数据的采样数据越少,地震层析成像精度越低,因此,亟需一种天然地震数据重建的方法,以保证地震层析成像精度。
目前国内外地震数据重建的方法多数采用基于波动方程的方法,该方法利用波动方程模型,根据波在传播过程中的各种物理性质来实现地震数据的重建。当地震模型较为准确时,能够很好的重建地震数据,但此种方法对地震模型的准确性要求较高。
发明内容
本发明的目的在于提供一种天然地震数据重建方法、装置和电子设备,以避免了现有技术中地震数据重建方法对地震模型依赖的技术问题。
第一方面,本发明提供一种天然地震数据重建方法,包括:获取天然地震数据的采样数据和采样矩阵;基于稀疏性假设,利用所述采样数据、所述采样矩阵和预设变换域的稀疏变换算子,确定所述天然地震数据的正则化反演模型;对所述正则化反演模型进行求解,得到目标地震数据;其中,所述目标地震数据为所述天然地震数据在所述预设变换域中对应的数据;基于所述目标地震数据和所述稀疏变换算子重构所述天然地震数据。
在可选的实施方式中,基于稀疏性假设,利用所述采样数据、所述采样矩阵和预设变换域的稀疏变换算子,确定所述天然地震数据的正则化反演模型,包括:基于所述采样数据和所述采样矩阵,构建所述天然地震数据的采集模型;利用所述稀疏变换算子对所述天然地震数据的采集模型进行转化,得到目标数据采集模型;基于稀疏性假设对所述目标数据采集模型进行处理,得到所述正则化反演模型。
在可选的实施方式中,所述天然地震数据的正则化反演模型表示为:其中,R表示所述采样矩阵,ψ表示所述预设变换域的稀疏变换算子,s表示所述天然地震数据在所述预设变换域中对应的数据,s=ψx,x表示所述天然地震数据,d表示所述采样数据,λ表示平衡残差的2范数和解的1范数的正则参数。
在可选的实施方式中,对所述正则化反演模型进行求解,包括:利用目标算法对所述正则化反演模型进行求解,得到所述目标地震数据;其中,所述目标算法包括:梯度算法,凸集投影算法,Bregman算法。
在可选的实施方式中,所述梯度算法包括:迭代收缩阈值算法;所述迭代收缩阈值算法通过下述算式对所述目标地震数据进行迭代更新:其中,n表示迭代次数,sn+1表示第n+1次迭代得到的目标地震数据,sn表示第n次迭代得到的目标地震数据,α表示预设步长。
第二方面,本发明提供一种天然地震数据重建装置,包括:获取模块,用于获取天然地震数据的采样数据和采样矩阵;确定模块,用于基于稀疏性假设,利用所述采样数据、所述采样矩阵和预设变换域的稀疏变换算子,确定所述天然地震数据的正则化反演模型;求解模块,用于对所述正则化反演模型进行求解,得到目标地震数据;其中,所述目标地震数据为所述天然地震数据在所述预设变换域中对应的数据;重构模块,用于基于所述目标地震数据和所述稀疏变换算子重构所述天然地震数据。
在可选的实施方式中,所述确定模块具体用于:基于所述采样数据和所述采样矩阵,构建所述天然地震数据的采集模型;利用所述稀疏变换算子对所述天然地震数据的采集模型进行转化,得到目标数据采集模型;基于稀疏性假设对所述目标数据采集模型进行处理,得到所述正则化反演模型。
在可选的实施方式中,所述天然地震数据的正则化反演模型表示为:其中,R表示所述采样矩阵,ψ表示所述预设变换域的稀疏变换算子,s表示所述天然地震数据在所述预设变换域中对应的数据,s=ψx,x表示所述天然地震数据,d表示所述采样数据,λ表示平衡残差的2范数和解的1范数的正则参数。
第三方面,本发明提供一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述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前述实施方式中任一项所述的天然地震数据重建方法的步骤。
第四方面,本发明提供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计算机指令,所述计算机指令被处理器执行时实现上述前述实施方式中任一项所述的天然地震数据重建方法。
本发明提供的天然地震数据重建方法,首先,获取天然地震数据的采样数据和采样矩阵;然后,基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,确定天然地震数据的正则化反演模型;接下来,对正则化反演模型进行求解,得到目标地震数据;其中,目标地震数据为天然地震数据在预设变换域中对应的数据;最后基于目标地震数据和稀疏变换算子重构天然地震数据。本发明方法无需依赖地震模型即可完成天然地震数据的重建,因此,本发明方法的可实施性更强,应用范围更广。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种天然地震数据重建方法的流程图;
图2为本发明实施例提供的一种天然地震模拟数据原始数据的示意图;
图3为本发明实施例提供的一种天然地震模拟数据的采样数据的示意图;
图4为本发明实施例提供的一种天然地震模拟数据的重建数据的示意图;
图5为本发明实施例提供的一种原始地震数据走时残差示意图;
图6为本发明实施例提供的一种重建地震数据走时残差示意图;
图7为本发明实施例提供的一种天然地震数据重建装置的功能模块图;
图8为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
地震波数据空间上的非均匀性和不完备性一直是影响地震成像的一个重要难题;一方面由于地震的分布不均匀,另一方面由于地震台站的分布不均匀,如架设台站困难的地区(山区,海域等)。在全球尺度上,地震台站主要分布在北半球的大陆上,而且绝大多数地震发生在板块边界处,因此地震波采样是不充分的;在区域尺度上,通常也只有在活动断层附近才有足够多的地震事件和台站。这些因素都造成了采集数据是非均匀的和不完备的,从而降低了层析成像结果的分辨率。因此,亟需一种天然地震数据重建的方法,以保证天然地震数据的地震层析成像精度。
目前国内外地震数据重建的方法大致可以分为两类:第一类是滤波方法,通过褶积插值滤波器,从而实现地震数据重建,最常用的方法是预测滤波方法,该方法用低频的信号来预测高频信号。目前,滤波方法主要针对规则数据插值重建,由于天然地震的地震数据是不规则的,因此基于滤波的方法不适用于天然地震数据重建;第二类是基于波动方程的方法,该方法利用波动方程模型,根据波在传播过程中的各种物理性质来实现地震数据的重建。当地震模型较为准确时,能够很好的重建地震数据,但此种方法对地震模型的准确性要求较高。有鉴于此,本发明实施例提供了一种天然地震数据重建方法,用以缓解上文中所提出的技术问题。
实施例一
图1为本发明实施例提供的一种天然地震数据重建方法的流程图,如图1所示,该方法具体包括如下步骤:
步骤S102,获取天然地震数据的采样数据和采样矩阵。
步骤S104,基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,确定天然地震数据的正则化反演模型。
地震数据虽然在时域不具有稀疏性,但是在合适的域下具有稀疏的表示。例如,地震数据在时域是不稀疏的,而实际接收到的地震数据是经过地层的滤波作用采集得到的,其频谱宽度是非常有限的,因此可以理解为地震数据在频率域具有稀疏性。压缩感知理论是一种新的信号理论,它通过挖掘信号的稀疏特性,在低于奈奎斯特采样频率的条件下,通过非线性重建算法恢复原始信号。信号的稀疏性指的是,若信号在某个域中只有少量非零值,那么它在该域稀疏,该域也被称为信号的稀疏域。由于地震波场具有连续性,缺失而不规则的地震数据可以通过压缩感知理论得到恢复。
本发明实施例基于压缩感知理论,将地震数据重建方法应用于天然地震远震P波,为了重建天然地震数据,首先需要获取天然地震数据的采样数据和采样矩阵,采样数据即利用采样矩阵对天然地震数据进行采样后得到的数据。进一步的,如果地震数据在预设变换域中是稀疏的,那么基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,即可确定出天然地震数据的正则化反演模型。正则化反演模型中,待求解的未知数是天然地震数据在预设变换域中对应的数据。
根据少量的采样数据估计原始的天然地震数据的问题,现有技术中的经典解法为最小二乘法,但是最小二乘法通常具有很大的范数,因此,为了克服这一问题,本发明实施例采用正则化方法来稳定解,也即,上述正则化反演模型也可以理解为一种约束优化问题模型。
步骤S106,对正则化反演模型进行求解,得到目标地震数据。
具体的,正则化反演模型实质上是一个凸优化问题,本发明实施例不对如何求解凸优化问题进行具体限定,用户可以根据实际需求进行选择,求解之后,即可得到目标地震数据,其中,目标地震数据为天然地震数据在预设变换域中对应的数据。
步骤S108,基于目标地震数据和稀疏变换算子重构天然地震数据。
若原始的天然地震数据为x,目标地震数据为s,预设变换域的稀疏变换算子为ψ,则有s=ψx,x=ψ-1s。因此,在求解出目标地震数据之后,利用算式x=ψ-1s即可重构出原始的天然地震数据。
本发明提供的天然地震数据重建方法,首先,获取天然地震数据的采样数据和采样矩阵;然后,基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,确定天然地震数据的正则化反演模型;接下来,对正则化反演模型进行求解,得到目标地震数据;其中,目标地震数据为天然地震数据在预设变换域中对应的数据;最后基于目标地震数据和稀疏变换算子重构天然地震数据。本发明方法无需依赖地震模型即可完成天然地震数据的重建,因此,本发明方法的可实施性更强,应用范围更广。
在一个可选的实施方式中,上述步骤S104,基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,确定天然地震数据的正则化反演模型,具体包括如下步骤:
步骤S1041,基于采样数据和采样矩阵,构建天然地震数据的采集模型。
步骤S1042,利用稀疏变换算子对天然地震数据的采集模型进行转化,得到目标数据采集模型。
步骤S1043,基于稀疏性假设对目标数据采集模型进行处理,得到正则化反演模型。
具体的,天然地震数据的采集模型可表示为:Rx+ε=d,其中,R表示采样矩阵,x表示(原始的)天然地震数据,d表示采样数据,ε表示地震数据采集过程中的可加性噪声,由于可加性噪声是随机的,因此将其变换到稀疏域(进行积分)后,得到的可加性噪声值较小,因此,可以将其忽略。
现有技术中存在多种可选的稀疏变换方式,例如,曲波变换,小波变换,拉动变换,且上述多种变换均具有以下特点:ψ-1=ψ*,也即,稀疏变换算子的共轭转置也是其逆,因此,在已知Rx+ε=d,x=ψ-1s和ψ-1=ψ*的情况下,可将天然地震数据的采集模型Rx+ε=d转换为目标数据采集模型:Rψ*s+ε=d。鉴于曲波变换的ψ-1=ψ*相对小波变换和拉动变换更精确,因此,步骤S1042中优选使用曲波变换域的稀疏变换算子进行模型转化。
由于目标数据采集模型Rψ*s+ε=d是一个欠定问题,存在无穷多解,因此,本发明实施例基于稀疏性假设,对目标数据采集模型进行处理,建立基于L1范数的正则化反演模型。
在一个可选的实施方式中,天然地震数据的正则化反演模型表示为:其中,R表示采样矩阵,ψ表示预设变换域的稀疏变换算子,s表示天然地震数据在预设变换域中对应的数据,s=ψx,x表示天然地震数据,d表示采样数据,λ表示平衡残差的2范数和解的1范数的正则参数。
在一个可选的实施方式中,对正则化反演模型进行求解,包括:利用目标算法对正则化反演模型进行求解,得到目标地震数据;其中,目标算法包括:梯度算法,凸集投影算法,Bregman算法。
可选地,梯度算法包括:迭代收缩阈值算法;迭代收缩阈值算法通过下述算式对目标地震数据进行迭代更新:其中,n表示迭代次数,sn+1表示第n+1次迭代得到的目标地震数据,sn表示第n次迭代得到的目标地震数据,α表示预设步长。
具体的,对正则化反演模型的凸优化问题进行求解可以采用梯度算法,或者凸集投影算法,或者Bregman算法,用户可以根据实际需求进行选择,下面以梯度算法为例进行举例说明,在众多基于梯度的算法中,迭代收缩阈值算法(Iterative ShrinkageThresholding Algorithm,ISTA)是一种非常稳定的算法,ISTA算法在每一次迭代中通过一个收缩软阈值操作来更新s,其具体迭代格式如下:soft函数为预定义的软阈值函数,若将以复数形式表达时:其中,z为的模,则有
因此,进行地震数据重建时,给定初次迭代时的s0以及迭代次数n,利用上述迭代算式即可求解出所需的目标地震数据s。进一步,利用算式x=ψ-1s即可重构出原始的天然地震数据x。
为了验证本发明实施例提供的方法对天然地震数据的重建效果,发明人进行了大量实验。实验中采用反透射系数法来计算理论地震图。在模拟地震P波数据时,选择地震(2012.317.20.42.14.620M6.3级地震,震中位置(57.79°N 142.85°W),震源深度9km)。36个地震台接收,采样间隔2ms,采样点为5501个。经计算得到了模拟地震数据,然后经过随机采样及重建,分别获得了相应的数据,见图2、图3、图4。从三幅图中可以看出,P波被很好的重构出来,缺失地震台站波形数据均基本都被很好重构出来。
并且,经过实验证明,利用本发明实施例提供的方法不仅可以重建P波,还能对噪声进行压制,提高信噪比。由于实际记录过程中会有很多的干扰因素,从而使得所采集的实测数据会含有各种噪声,所以造成了重建的初至波之后的信噪比结果不高,因为一些规则相干噪声信号会被放大增强,但是有效信号(初至数据)均可得到较好的重建。
为了进一步验证重建的有效性,发明人还对重建前后的走时残差进行了对比,图5示出了原始地震数据走时残差示意图,图6示出了重建地震数据走时残差示意图,通过图5和图6的对比可知,原始数据走时残差为0的最大个数在900以内,而重建数据走时残差为0的最大个数在600以内,这说明基于二维重建天然地震数据方法还存在一定的误差;另一个方面从数据残差来看,原始数据残差值在(-4,4)之间,而重建后数据残差在(-3,3)之间,这说明重建数据可以一定程度上实现去噪。
进一步的,发明人还基于层析成像方法验证本发明实施例提供的数据重建方法的有效性,分别获取原始数据、采样数据和重建数据反演获得的在600km深度的水平切面和垂直切面,实验表明,根据采样数据(数据缺失时)计算的层析成像速度与完整数据计算的层析成像速度差别很大;而利用重建数据计算的层析成像结果和完整数据计算的层析成像结果相对误差在千分之二以内。结合以上实验结果可知,利用原始数据和重建数据获得的走时残差所反演的层析成像结果具有高度的相似性,主要的高低速异常的空间位置和形态具有高度的一致性,这说明采样数据通过压缩感知理论重建方法可以恢复原始数据的成像结果。
综上所述,本发明实施例提供的方案基于压缩感知理论,将地震数据重建方法应用于天然地震远震P波,以曲波变换为稀疏变换(示例),建立了基于L1范数的正则化反演模型,并采用迭代收缩阈值法进行求解,发展了重建天然地震数据的方法。利用该方法对信噪比较差的地震数据进行重建,可以获取高信噪比的地震数据。通过数据重建技术可以提高地震层析成像的分辨率,为提高地震观测困难的地区的成像分辨率提供了一种方法和思路。
实施例二
本发明实施例还提供了一种天然地震数据重建装置,该天然地震数据重建装置主要用于执行上述实施例一所提供的天然地震数据重建方法,以下对本发明实施例提供的天然地震数据重建装置做具体介绍。
图7是本发明实施例提供的一种天然地震数据重建装置的功能模块图,如图7所示,该装置主要包括:获取模块10,确定模块20,求解模块30,重构模块40,其中:
获取模块10,用于获取天然地震数据的采样数据和采样矩阵。
确定模块20,用于基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,确定天然地震数据的正则化反演模型。
求解模块30,用于对正则化反演模型进行求解,得到目标地震数据;其中,目标地震数据为天然地震数据在预设变换域中对应的数据。
重构模块40,用于基于目标地震数据和稀疏变换算子重构天然地震数据。
本发明实施例提供的天然地震数据重建装置所执行的天然地震数据重建方法,首先,获取天然地震数据的采样数据和采样矩阵;然后,基于稀疏性假设,利用采样数据、采样矩阵和预设变换域的稀疏变换算子,确定天然地震数据的正则化反演模型;接下来,对正则化反演模型进行求解,得到目标地震数据;其中,目标地震数据为天然地震数据在预设变换域中对应的数据;最后基于目标地震数据和稀疏变换算子重构天然地震数据。本发明实施例无需依赖地震模型即可完成天然地震数据的重建,因此,本发明实施例提供的天然地震数据重建装置的可实施性更强,应用范围更广。
可选地,确定模块20具体用于:
基于采样数据和采样矩阵,构建天然地震数据的采集模型。
利用稀疏变换算子对天然地震数据的采集模型进行转化,得到目标数据采集模型。
基于稀疏性假设对目标数据采集模型进行处理,得到正则化反演模型。
可选地,天然地震数据的正则化反演模型表示为:其中,R表示采样矩阵,ψ表示预设变换域的稀疏变换算子,s表示天然地震数据在预设变换域中对应的数据,s=ψx,x表示天然地震数据,d表示采样数据,λ表示平衡残差的2范数和解的1范数的正则参数。
可选地,求解模块具体用于:
利用目标算法对正则化反演模型进行求解,得到目标地震数据;其中,目标算法包括:梯度算法,凸集投影算法,Bregman算法。
可选地,梯度算法包括:迭代收缩阈值算法。
实施例三
参见图8,本发明实施例提供了一种电子设备,该电子设备包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种天然地震数据重建方法、装置和电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种天然地震数据重建方法,其特征在于,包括:
获取天然地震数据的采样数据和采样矩阵;
基于稀疏性假设,利用所述采样数据、所述采样矩阵和预设变换域的稀疏变换算子,确定所述天然地震数据的正则化反演模型;
对所述正则化反演模型进行求解,得到目标地震数据;其中,所述目标地震数据为所述天然地震数据在所述预设变换域中对应的数据;
基于所述目标地震数据和所述稀疏变换算子重构所述天然地震数据。
2.根据权利要求1所述的天然地震数据重建方法,其特征在于,基于稀疏性假设,利用所述采样数据、所述采样矩阵和预设变换域的稀疏变换算子,确定所述天然地震数据的正则化反演模型,包括:
基于所述采样数据和所述采样矩阵,构建所述天然地震数据的采集模型;
利用所述稀疏变换算子对所述天然地震数据的采集模型进行转化,得到目标数据采集模型;
基于稀疏性假设对所述目标数据采集模型进行处理,得到所述正则化反演模型。
4.根据权利要求3所述的天然地震数据重建方法,其特征在于,对所述正则化反演模型进行求解,包括:
利用目标算法对所述正则化反演模型进行求解,得到所述目标地震数据;其中,所述目标算法包括:梯度算法,凸集投影算法,Bregman算法。
6.一种天然地震数据重建装置,其特征在于,包括:
获取模块,用于获取天然地震数据的采样数据和采样矩阵;
确定模块,用于基于稀疏性假设,利用所述采样数据、所述采样矩阵和预设变换域的稀疏变换算子,确定所述天然地震数据的正则化反演模型;
求解模块,用于对所述正则化反演模型进行求解,得到目标地震数据;其中,所述目标地震数据为所述天然地震数据在所述预设变换域中对应的数据;
重构模块,用于基于所述目标地震数据和所述稀疏变换算子重构所述天然地震数据。
7.根据权利要求6所述的天然地震数据重建装置,其特征在于,所述确定模块具体用于:
基于所述采样数据和所述采样矩阵,构建所述天然地震数据的采集模型;
利用所述稀疏变换算子对所述天然地震数据的采集模型进行转化,得到目标数据采集模型;
基于稀疏性假设对所述目标数据采集模型进行处理,得到所述正则化反演模型。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述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上述权利要求1至5中任一项所述的天然地震数据重建方法的步骤。
10.一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计算机指令,所述计算机指令被处理器执行时实现上述权利要求1至5中任一项所述的天然地震数据重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962030.5A CN115267898A (zh) | 2022-08-11 | 2022-08-11 | 天然地震数据重建方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962030.5A CN115267898A (zh) | 2022-08-11 | 2022-08-11 | 天然地震数据重建方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115267898A true CN115267898A (zh) | 2022-11-01 |
Family
ID=83750693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210962030.5A Pending CN115267898A (zh) | 2022-08-11 | 2022-08-11 | 天然地震数据重建方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115267898A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104880731A (zh) * | 2015-03-27 | 2015-09-02 | 西安交通大学 | 基于广义Morse标架的地震瞬时属性提取方法 |
CN106597541A (zh) * | 2017-02-22 | 2017-04-26 | 中国石油大学(华东) | 基于Shearlet变换的地震数据重构方法 |
CN106970419A (zh) * | 2017-04-10 | 2017-07-21 | 东华理工大学 | 一种基于线性Bregman算法的非均匀曲波三维地震数据重建方法 |
CN107015274A (zh) * | 2017-04-12 | 2017-08-04 | 中国石油大学(华东) | 一种缺失地震勘探数据恢复重构方法 |
CN107589451A (zh) * | 2017-09-05 | 2018-01-16 | 中国科学院地质与地球物理研究所 | 地震全波形反演方法及装置 |
CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
CN108828483A (zh) * | 2018-04-25 | 2018-11-16 | 东北大学 | 一种磁共振图像的收缩阈值迭代重建算法 |
CN109765611A (zh) * | 2019-03-11 | 2019-05-17 | 河北地质大学 | 地震数据插值方法及装置 |
CN110161565A (zh) * | 2019-03-20 | 2019-08-23 | 中国海洋石油集团有限公司 | 一种地震数据重建方法 |
CN110794458A (zh) * | 2019-10-30 | 2020-02-14 | 中国石油大学(北京) | 基于时频分析的含气性检测方法、装置及存储介质 |
CN113109866A (zh) * | 2020-01-09 | 2021-07-13 | 中国石油天然气集团有限公司 | 一种基于压缩感知的多域稀疏地震数据重构方法及系统 |
-
2022
- 2022-08-11 CN CN202210962030.5A patent/CN115267898A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104880731A (zh) * | 2015-03-27 | 2015-09-02 | 西安交通大学 | 基于广义Morse标架的地震瞬时属性提取方法 |
CN106597541A (zh) * | 2017-02-22 | 2017-04-26 | 中国石油大学(华东) | 基于Shearlet变换的地震数据重构方法 |
CN106970419A (zh) * | 2017-04-10 | 2017-07-21 | 东华理工大学 | 一种基于线性Bregman算法的非均匀曲波三维地震数据重建方法 |
CN107015274A (zh) * | 2017-04-12 | 2017-08-04 | 中国石油大学(华东) | 一种缺失地震勘探数据恢复重构方法 |
CN107589451A (zh) * | 2017-09-05 | 2018-01-16 | 中国科学院地质与地球物理研究所 | 地震全波形反演方法及装置 |
CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
CN108828483A (zh) * | 2018-04-25 | 2018-11-16 | 东北大学 | 一种磁共振图像的收缩阈值迭代重建算法 |
CN109765611A (zh) * | 2019-03-11 | 2019-05-17 | 河北地质大学 | 地震数据插值方法及装置 |
CN110161565A (zh) * | 2019-03-20 | 2019-08-23 | 中国海洋石油集团有限公司 | 一种地震数据重建方法 |
CN110794458A (zh) * | 2019-10-30 | 2020-02-14 | 中国石油大学(北京) | 基于时频分析的含气性检测方法、装置及存储介质 |
CN113109866A (zh) * | 2020-01-09 | 2021-07-13 | 中国石油天然气集团有限公司 | 一种基于压缩感知的多域稀疏地震数据重构方法及系统 |
Non-Patent Citations (2)
Title |
---|
朱跃飞 等: "含随机噪声地震数据重建的稀疏反演模型与算法", 《河北地质大学学报》, vol. 44, no. 1, pages 49 - 56 * |
高秋菊;张云银;曲志鹏;徐彦凯;王宗家;王千军;: "基于ISTA算法的稀疏约束反演谱分解及应用", 新疆石油地质, no. 04, pages 97 - 102 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ravishankar et al. | Efficient blind compressed sensing using sparsifying transforms with convergence guarantees and application to magnetic resonance imaging | |
Van der Tol et al. | Image Domain Gridding: a fast method for convolutional resampling of visibilities | |
CA2947678C (en) | Compressive sensing | |
US8335955B2 (en) | System and method for signal reconstruction from incomplete data | |
Li et al. | Interpolated compressive sensing for seismic data reconstruction | |
JP7142968B2 (ja) | フルウェーブフォームインバージョン方法、装置及び電子設備 | |
CN103077510B (zh) | 基于小波hmt模型的多变量压缩感知重构方法 | |
US20200278410A1 (en) | Image reconstruction using a colored noise model with magnetic resonance compressed sensing | |
CN104217448A (zh) | 基于迭代特征修正的磁共振快速成像方法及系统 | |
US10401520B2 (en) | Method for processing seismic data with a sobel filter | |
Almadani et al. | Dictionary learning with convolutional structure for seismic data denoising and interpolation | |
Soltanpour et al. | The use of second-generation wavelets to combine a gravimetric quasigeoid model with GPS-levelling data | |
CN115267898A (zh) | 天然地震数据重建方法、装置和电子设备 | |
CN109782346B (zh) | 一种基于形态成分分析的采集脚印压制方法 | |
EP2193503B1 (en) | Geospatial modeling system providing wavelet decomposition and inpainting features and related methods | |
Robini et al. | Stochastic nonlinear image restoration using the wavelet transform | |
CN110568391B (zh) | 一种磁共振成像方法、系统及相关装置 | |
Cao et al. | REDUNDANCY, FAST CURVELET TRANSFORM | |
CN113946778A (zh) | 欠采样混合震源数据处理方法及装置 | |
WO2013159836A1 (en) | A computerized method and a computer program product for determining a resulting data set representative of a geological region of interest | |
Adamo et al. | Irregular interpolation of seismic data through low-rank tensor approximation | |
CN112799126B (zh) | 沿起伏地表的地震数据重构方法、装置、介质及设备 | |
Chang et al. | A wavelet domain detail compensation filtering technique for InSAR interferograms | |
EP3063564A1 (en) | Compressive sensing | |
Qiu et al. | Iteration empirical mode decomposition method for filling the missing data of GNSS position time series |
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 |