CN116561481B - 一种针对avo效应的速度分析方法 - Google Patents
一种针对avo效应的速度分析方法 Download PDFInfo
- Publication number
- CN116561481B CN116561481B CN202310519793.7A CN202310519793A CN116561481B CN 116561481 B CN116561481 B CN 116561481B CN 202310519793 A CN202310519793 A CN 202310519793A CN 116561481 B CN116561481 B CN 116561481B
- Authority
- CN
- China
- Prior art keywords
- data
- domain
- radon
- avo
- original
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 229910052704 radon Inorganic materials 0.000 claims abstract description 43
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000011084 recovery Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Discrete Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种针对AVO效应的速度分析方法，包括对原始数据分别进行处理域及求取绝对值再进行处理域转换至Radon域，分别对上述两Radon域数据联合施加稀疏约束条件，对约束后的结果进行Radon反变换获取二者对应的时空域记录，求取原始数据和经过Radon域处理后数据的局部相似系数，将两组相似系数再次转换到Radon域，并计算转换后二者的残差，将阈值函数作用于原始数据，获得仅存在AVO效应同相轴的数据，将所获数据应用于卷积神经网络进行恢复，恢复后的数据替换原始记录中包含AVO效应的同相轴，再记录计算速度谱。本方法可在速度分析过程中处理包含AVO现象的地震记录，避免计算速度谱时能量团干涉相消。
Description
技术领域
本发明属于地震勘探技术领域，具体涉及一种针对AVO效应的速度分析方法。
背景技术
对于地震勘探而言，地下介质的速度属性是一个非常关键的参数，速度信息的使用贯穿了整个地震数据处理与解释环节，作为获取速度信息的速度分析流程，其速度谱的质量会对最终成果的好坏造成影响。因此，如何提升速度谱的分辨率一直是人们关注的重点。目前，计算叠加速度的方法一般遵循几个主要的判别准则，如平均振幅准则、相似系数准则、归一化及非归一化互相关准则等，然而常规的速度谱制作方法并没有考虑到AVO(Amplitude Versus Offset)现象的存在，这使得常规的速度谱分析方法存在失效的可能。
AVO效应是指在地震勘探中，在接收地震波时，随着反射波到达地表所需的时间的增加，反射波的振幅发生变化的现象。这种效应是由地下岩层介质物理特性不同造成的，这些物理特性包括地下岩层的密度、速度和衰减系数等，这些参数会影响反射波的振幅。当AVO效应存在于地震记录中，特别是极性相反时，常规的叠加速度谱会由于具有相反极性的同相轴叠加，而使得速度谱中的能量团消失，这会导致速度分析人员无法识别速度的真实情况，进而对后续处理产生严重影响。
发明内容
本发明的目的就在于提供一种针对AVO效应的速度分析方法，以解决传统速度分析方法无法处理包含AVO效应的数据，以及速度谱中因为极性相反的同相轴叠加而产生能量团消失的问题。
本发明的目的是通过以下技术方案实现的：
一种针对AVO效应的速度分析方法，包括以下步骤：
A、对原始数据D1(t,x)进行处理域转换至Radon域，转换后的数据记录为M1(τ,p)，
M1(τ,p)＝R[D1(t,x)]
其中，R,R-1表示正、逆Radon变换；
B、对原始数据D1(t,x)求取绝对值记录为D2(t,x)，再将D2(t,x)进行处理域转换至Radon域，转换后的数据记录为M2(τ,p)，
D2(t,x)＝|D1(t,x)|
M2(τ,p)＝R[D2(t,x)]
C、分别对Radon域数据M1(τ,p)和M2(τ,p)联合施加基于L1范数的稀疏约束条件，其目标函数公式表示为：
其中，FFT和IFFT分别表示正、逆傅里叶变化，λ为正则化参数，|| ||1为求取L1范数，表示求取L2范数，将约束后的结果分别记录为/>和/>
D、对约束后的结果进行Radon反变换获取二者对应的时空域记录，
E、求取原始数据D1(t,x)和经过Radon域处理后数据D'1(t,x)的局部相似系数L1(t,x)
依次按道计算全波场数据速度谱和预测多次波速度谱的每一道的局部相关系数c，
其中，a代表输入原始数据D1(t,x)的一道，b代表处理后数据D'1(t,x)的一道，A，B代表数据a、b的对角矩阵形式A＝diag(a)，B＝diag(b)，I为单位矩阵，δ代表圆滑算子，λ1,λ2代表控制反演速度的参数；
F、求取原始数据D2(t,x)和经过Radon域处理后数据D'2(t,x)的局部相似系数L2(t,x)，其求取过程与步骤E相同；
G、将求出的两组相似系数再次转换到Radon域，并计算转换后二者的残差ML(τ,p)
ML(τ,p)＝R[L1(t,x)]-R[L2(t,x)]；
H、将残差ML(τ,p)反变化回时空域，以获得加权函数W1和W2
其中，ε为阈值函数；
I、将阈值函数W1作用于原始数据D1(t,x)，获得仅存在AVO效应同相轴的数据D3(t,x)
表示计算二者的哈达玛积；
J、将获得的数据应用于卷积神经网络进行恢复，获得恢复后的结果D4(t,x)
D4(t,x)＝net[D3(t,x)]；
K、将恢复后的数据替换原始记录中包含AVO效应的同相轴，以获得恢复后全地震记录D5(t,x)，
L、通过恢复后的地震记录D5(t,x)，计算速度谱
其中，twin是时间窗口，N是总道数。
进一步地，由步骤A和步骤B能够将原始地震记录中的同相轴转化成Radon域中的团，对Radon域中的团存在的伪影需要进行压制处理。
进一步地，步骤E，采用三角圆滑，λ1,λ2取A，B的最大特征值的10％。
进一步地，步骤J，所述卷积神经网络基于LeNet5神经网络，其结构包括：输入层，所述输入层用于输入样本合集和标签，合集；隐藏层框架，所述隐藏层框架由3层卷积层、2层池化层及7层全连接层组成，在每一层卷积层组合使用不同尺寸的卷积核；输出层，所述输出层用于输出重构后的记录，输出采用sigmoid激活函数。
更进一步地，网络框架每个卷积层都采用一个非线性tanh激活函数，代价函数为均方差函数：其中J为代价函数，n为输入批次的道数，/>为数据的真实值和预测值。
与现有技术相比，本发明的有益效果是：
本发明针对AVO效应的速度分析方法，可以处理速度分析方法中的AVO效应，在合成速度谱前引入了正反Radon变换和局部相似系数来定位包含AVO现象的同相轴，随后将包含AVO现象的同相轴分离并应用卷积神经网络进行恢复，解决了在速度分析过程中无法处理包含AVO现象的地震记录，以及计算速度谱时能量团干涉相消的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明针对AVO效应的速度分析方法的流程图；
图2为含AVO效应数据展示图，图2a为包含AVO效应的地震记录，图2b为局部相似系数残差；
图3处理效果对比图，图3a为传统的叠加速度谱，图3b为改进后方法获得的速度谱。
具体实施方式
下面结合实施例对本发明作进一步说明：
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
将本方法应用于如图2a所示合成数据进行测试。
本发明针对AVO效应的速度分析方法，包括以下步骤：
第一步，对原始数据D1(t,x)进行处理域转换至Radon域，转换后的数据记录为M1(τ,p)，
M1(τ,p)＝R[D1(t,x)]
其中，R,R-1表示正、逆Radon变换。
第二步，对原始数据D1(t,x)求取绝对值记录为D2(t,x)，再将D2(t,x)进行处理域转换至Radon域，转换后的数据记录为M2(τ,p)，
D2(t,x)＝|D1(t,x)|
M2(τ,p)＝R[D2(t,x)]
通过上述两个步骤，可以将原始地震记录中的同相轴转化成Radon域中的团，由于采集数据的孔径有限的影响，Radon域中的团往往存在伪影，为了便于后续处理，需要对伪影进行压制处理。
第三步，分别对Radon域数据M1(τ,p)和M2(τ,p)联合施加基于L1范数的稀疏约束条件，该过程可以理解为最优化问题，其目标函数公式表示为：
其中，FFT和IFFT分别表示正、逆傅里叶变化，λ为正则化参数，|| ||1为求取L1范数，表示求取L2范数，我们将约束后的结果分别记录为/>和/>
第四步，对约束后的结果进行Radon反变换获取二者对应的时空域记录，
Radon域的正反变换可以理解为一个振幅均衡的过程，反变换获得的同相轴相较于包含AVO效应的原始数据，同相轴的极性相同，但振幅会有所减弱。因此，衡量Radon正反变换前后的数据相似程度，可以帮助定位存在AVO效应的同相轴。
第五步，求取原始数据D1(t,x)和经过Radon域处理后数据D'1(t,x)的局部相似系数L1(t,x)
依次按道计算全波场数据速度谱和预测多次波速度谱的每一道的局部相关系数c，
其中，a代表输入原始数据D1(t,x)的一道，b代表处理后数据D'1(t,x)的一道，A，B代表数据a、b的对角矩阵形式A＝diag(a)，B＝diag(b)，I为单位矩阵，δ代表圆滑算子，在本方法中我们采用三角圆滑。λ1,λ2代表控制反演速度的参数，一般取A，B的最大特征值的10％。
第六步，求取原始数据D2(t,x)和经过Radon域处理后数据D'2(t,x)的局部相似系数L2(t,x)，其求取过程与第五步相同。
第七步，将求出的两组相似系数再次转换到Radon域，并计算转换后二者的残差ML(τ,p)
ML(τ,p)＝R[L1(t,x)]-R[L2(t,x)]
对于绝对值D2(t,x)来说，Radon域变换前后同相轴不会发生明显变化，因此其计算出的局部相似系数L2在所有同相轴位置均有强的取值，而对于包含AVO效应的原始数据D1(t,x)来说，其具有AVO效应的同相轴，Radon变换前后的振幅和极性均发生了改变。因此，仅在该同相轴所在位置，局部相似系数较小，当计算L1和L2在Radon域的残差时，尽在包含AVO效应的同相轴位置，会获得较高的取值，如图2b所示。
第八步，将残差ML(τ,p)反变化回时空域，以获得加权函数W1和W2
其中，ε为阈值函数。
第九步，将阈值函数W1作用于原始数据D1(t,x)，获得仅存在AVO效应同相轴的数据D3(t,x)
表示计算二者的哈达玛积。
第十步，将获得的数据应用于卷积神经网络进行恢复，获得恢复后的结果D4(t,x)
D4(t,x)＝net[D3(t,x)]
所述卷积神经网络基于LeNet5神经网络，其结构包括：输入层，所述输入层用于输入样本合集和标签，合集；隐藏层框架，所述隐藏层框架由3层卷积层、2层池化层及7层全连接层组成，在每一层卷积层组合使用不同尺寸的卷积核；输出层，所述输出层用于输出重构后的记录，输出采用sigmoid激活函数。网络框架每个卷积层都采用一个非线性tanh激活函数，代价函数为均方差函数：其中J为代价函数，n为输入批次的道数，为数据的真实值和预测值。
第十一步，将恢复后的数据替换原始记录中包含AVO效应的同相轴，以获得恢复后全地震记录D5(t,x)
第十二步，通过恢复后的地震记录D5(t,x)，计算速度谱
其中，twin是时间窗口，N是总道数，在本例中为200道。
最后，分别使用常规速度分析方法，和本方法求取速度谱，结果如图3所示。通过对比，可以很明显的看出，常规的速度分析方法无法处理包含AVO效应的数据，图中箭头标记处的能量团因为同相轴极性相反而被抵消，而使用提出方法获得的速度谱却可以摆脱这一干扰，正确的恢复出地下介质的真实情况。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种针对AVO效应的速度分析方法，其特征在于，包括以下步骤：
A、对原始数据D1(t,x)进行处理域转换至Radon域，转换后的数据记录为M1(τ,p)，
M1(τ,p)＝R[D1(t,x)]
其中，R,R-1表示正、逆Radon变换；
B、对原始数据D1(t,x)求取绝对值记录为D2(t,x)，再将D2(t,x)进行处理域转换至Radon域，转换后的数据记录为M2(τ,p)，
D2(t,x)＝|D1(t,x)|
M2(τ,p)＝R[D2(t,x)]
C、分别对Radon域数据M1(τ,p)和M2(τ,p)联合施加基于L1范数的稀疏约束条件，其目标函数公式表示为：
其中，FFT和IFFT分别表示正、逆傅里叶变化，λ为正则化参数，||||1为求取L1范数，表示求取L2范数，将约束后的结果分别记录为/>和/>
D、对约束后的结果进行Radon反变换获取二者对应的时空域记录，
E、求取原始数据D1(t,x)和经过Radon域处理后数据D'1(t,x)的局部相似系数L1(t,x)
依次按道计算全波场数据速度谱和预测多次波速度谱的每一道的局部相关系数c，
其中，a代表输入原始数据D1(t,x)的一道，b代表处理后数据D'1(t,x)的一道，A，B代表数据a、b的对角矩阵形式A＝diag(a)，B＝diag(b)，I为单位矩阵，δ代表圆滑算子，λ1,λ2代表控制反演速度的参数；
F、求取原始数据D2(t,x)和经过Radon域处理后数据D'2(t,x)的局部相似系数L2(t,x)，其求取过程与步骤E相同；
G、将求出的两组相似系数再次转换到Radon域，并计算转换后二者的残差ML(τ,p)
ML(τ,p)＝R[L1(t,x)]-R[L2(t,x)]；
H、将残差ML(τ,p)反变化回时空域，以获得加权函数W1和W2
其中，ε为阈值函数；
I、将阈值函数W1作用于原始数据D1(t,x)，获得仅存在AVO效应同相轴的数据D3(t,x)
ο表示计算二者的哈达玛积；
J、将获得的数据应用于卷积神经网络进行恢复，获得恢复后的结果D4(t,x)
D4(t,x)＝net[D3(t,x)]；
K、将恢复后的数据替换原始记录中包含AVO效应的同相轴，以获得恢复后全地震记录D5(t,x)，
L、通过恢复后的地震记录D5(t,x)，计算速度谱
其中，twin是时间窗口，N是总道数。
2.根据权利要求1所述的一种针对AVO效应的速度分析方法，其特征在于：由步骤A和步骤B能够将原始地震记录中的同相轴转化成Radon域中的团，对Radon域中的团存在的伪影需要进行压制处理。
3.根据权利要求1所述的一种针对AVO效应的速度分析方法，其特征在于：步骤E，采用三角圆滑，λ1,λ2取A，B的最大特征值的10％。
4.根据权利要求1所述的一种针对AVO效应的速度分析方法，其特征在于，步骤J，所述卷积神经网络基于LeNet5神经网络，其结构包括：输入层，所述输入层用于输入样本合集和标签，合集；隐藏层框架，所述隐藏层框架由3层卷积层、2层池化层及7层全连接层组成，在每一层卷积层组合使用不同尺寸的卷积核；输出层，所述输出层用于输出重构后的记录，输出采用sigmoid激活函数。
5.根据权利要求4所述的一种针对AVO效应的速度分析方法，其特征在于：网络框架每个卷积层都采用一个非线性tanh激活函数，代价函数为均方差函数：其中J为代价函数，n为输入批次的道数，/>y为数据的真实值和预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519793.7A CN116561481B (zh) | 2023-05-10 | 2023-05-10 | 一种针对avo效应的速度分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519793.7A CN116561481B (zh) | 2023-05-10 | 2023-05-10 | 一种针对avo效应的速度分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116561481A CN116561481A (zh) | 2023-08-08 |
| CN116561481B true CN116561481B (zh) | 2023-12-19 |
Family
ID=87497649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310519793.7A Active CN116561481B (zh) | 2023-05-10 | 2023-05-10 | 一种针对avo效应的速度分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116561481B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110806602A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油化工股份有限公司 | 基于深度学习的智能化地震数据随机噪声压制方法 |
| CN111239830A (zh) * | 2020-03-09 | 2020-06-05 | 吉林大学 | 基于局部相关加权函数的海洋地震数据自动速度分析方法 |
| CN115079254A (zh) * | 2022-05-19 | 2022-09-20 | 西安石油大学 | 基于Radon域AWT的VSP上下行波分离方法 |
| CN115267912A (zh) * | 2022-08-02 | 2022-11-01 | 西南石油大学 | 基于压缩感知的avo特征保持去噪方法及系统 |
| CN115630295A (zh) * | 2022-09-27 | 2023-01-20 | 北京大学 | 双深度神经网络约束的无监督学习分离多震源数据的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9008972B2 (en) * | 2009-07-06 | 2015-04-14 | Exxonmobil Upstream Research Company | Method for seismic interpretation using seismic texture attributes |
-
2023
- 2023-05-10 CN CN202310519793.7A patent/CN116561481B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110806602A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油化工股份有限公司 | 基于深度学习的智能化地震数据随机噪声压制方法 |
| CN111239830A (zh) * | 2020-03-09 | 2020-06-05 | 吉林大学 | 基于局部相关加权函数的海洋地震数据自动速度分析方法 |
| CN115079254A (zh) * | 2022-05-19 | 2022-09-20 | 西安石油大学 | 基于Radon域AWT的VSP上下行波分离方法 |
| CN115267912A (zh) * | 2022-08-02 | 2022-11-01 | 西南石油大学 | 基于压缩感知的avo特征保持去噪方法及系统 |
| CN115630295A (zh) * | 2022-09-27 | 2023-01-20 | 北京大学 | 双深度神经网络约束的无监督学习分离多震源数据的方法 |
Non-Patent Citations (2)
| Title |
|---|
| De-aliased high-resolution Radon transform based on the sparse prior information from the convolutional neural network;Luyu Feng 等;《Journal of Geophysics and Engineering》;第19卷(第4期);663-680 * |
| 基于稀疏反演理论的自动叠加速度反演方法;徐文君;殷俊锋;王华忠;冯波;;地球物理学报(第07期);2791-2800 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116561481A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | White noise attenuation of seismic trace by integrating variational mode decomposition with convolutional neural network | |
| CN109490957B (zh) | 一种基于空间约束压缩感知的地震数据重建方法 | |
| Avci et al. | A new automatic target recognition system based on wavelet extreme learning machine | |
| CN110490219B (zh) | 一种基于纹理约束的U-net网络进行地震数据重建的方法 | |
| CN111368247B (zh) | 基于快速正交字典的稀疏表征正则化叠前avo反演方法 | |
| CN107144879A (zh) | 一种基于自适应滤波与小波变换结合的地震波降噪方法 | |
| CN111723701A (zh) | 一种水中目标识别方法 | |
| CN110646841B (zh) | 时变稀疏反褶积方法及系统 | |
| CN111856578A (zh) | 张量深度自编码网络的宽方位叠前地震反射模式分析方法 | |
| CN113077386A (zh) | 基于字典学习和稀疏表征的地震资料高分辨率处理方法 | |
| CN112526599A (zh) | 基于加权l1范数稀疏准则的子波相位估计方法及系统 | |
| CN115146667A (zh) | 一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法 | |
| CN116561481B (zh) | 一种针对avo效应的速度分析方法 | |
| Zhou et al. | Unsupervised machine learning for waveform extraction in microseismic denoising | |
| CN113158830A (zh) | 一种剩余重力异常场分离方法 | |
| Zhang et al. | Seismic data denoising using double sparsity dictionary and alternating direction method of multipliers | |
| CN111856559B (zh) | 基于稀疏贝叶斯学习理论的多道地震谱反演方法及系统 | |
| CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 | |
| Zhang et al. | Seismic signal matching and complex noise suppression by Zernike moments and trilateral weighted sparse coding | |
| CN116027406B (zh) | 提高反演分辨率的多道同时反演识别方法、装置及介质 | |
| Liao et al. | Automatic first arrival picking combining transfer learning and the short-time Fourier transform | |
| Chihang et al. | De-noising signal of the quartz flexural accelerometer by multiwavelet shrinkage | |
| CN113419275B (zh) | 一种基于稀疏字典学习的高分辨率地震处理方法 | |
| Bui et al. | Comparison of sparse Gabor-based methods for detection of microseismic events | |
| CN115545080B (zh) | 滑油屑末在线检测方法及装置 |
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 |