CN116755141B - 一种深度域地震子波提取方法 - Google Patents
一种深度域地震子波提取方法 Download PDFInfo
- Publication number
- CN116755141B CN116755141B CN202310419127.6A CN202310419127A CN116755141B CN 116755141 B CN116755141 B CN 116755141B CN 202310419127 A CN202310419127 A CN 202310419127A CN 116755141 B CN116755141 B CN 116755141B
- Authority
- CN
- China
- Prior art keywords
- seismic
- convolution
- seismic wavelet
- vector
- depth 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 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. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开了一种深度域地震子波提取方法,包括以下步骤:S1、获取深度域测井数据和地震数据,对其进行插值处理,得到常速度深度域测井数据和地震数据;S2、根据常速度深度域测井数据和地震数据计算合成地震记录;S3、将合成地震记录输入卷积神经网络,得到地震子波振幅谱;S4、根据地震子波振幅谱得到地震子波,完成地震子波提取。本发明利用卷积神经网络的优势,在提取地震子波时考虑深度域测井数据和地震数据之间相关性,从而得到最优的地震子波。本发明将常速度深度域地震数据进行平滑处理,减少了地震子波向量对噪声的拟合,通过卷积神经网络输入合成地震记录,挖掘生成地震子波振幅谱,从而获得可靠的地震子波。
Description
技术领域
本发明属于地震勘探领域,具体涉及一种深度域地震子波提取方法。
背景技术
目前常规的地震资料反演方法几乎都是在时间域完成的,反演所需要的子波也是基于时间域的褶积模型得到的。在反演过程中,褶积模型因为形式简单、适用性强的特点而被广泛应用。在时间域中,我们最常用的做法是用时间域的子波与时间域的反射系数进行褶积得到合成地震记录。其中,时间域的反射系数通常是由深度域中的测井资料经深时转换后获得。在将深度域的测井资料转换到时间域的过程中,测井曲线在时间域被拉伸或压缩的情况是不可避免的,这必然会造成反射系数的时移,从而引入误差。同时,经过时深转换后的测井曲线可能会丢失其中许多重要的细节信息。由于深度域不具备“线性时不变”的条件,故无法直接利用褶积模型,因此如何利用褶积模型准确提取准确地深度域地震子波是一个亟待解决的关键问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种深度域地震子波提取方法解决了目前涉及数据的不同域之间转换的提取地震子波方法不可靠的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种深度域地震子波提取方法,包括以下步骤:
S1、获取深度域测井数据和地震数据,对其进行插值处理,得到常速度深度域测井数据和地震数据;
S2、根据常速度深度域测井数据和地震数据计算合成地震记录;
S3、将合成地震记录输入卷积神经网络,得到地震子波振幅谱;
S4、根据地震子波振幅谱得到地震子波,完成地震子波提取。
进一步地:所述S1包括以下分步骤:
S11、获取深度域测井数据和地震数据,对深度域地震数据进行插值处理,使其深度采样间隔与深度域测井数据的采样间隔相同;
S12、将采样间隔相同的深度域测井数据和地震数据转换至常速度深度域测井数据和地震数据。
上述进一步方案的有益效果为:通过插值处理不会增加深度域地震数据本身的信息,使测井数据与地震数据的时间采样间隔保持一致,避免了地震数据按照时-深关系转换到时间域导致有用的层位信息丢失。
进一步地:所述S2包括以下分步骤:
S21、根据常速度深度域测井数据获得深度、速度和密度信息,并根据深度、速度和密度信息计算得到反射系数;
S22、根据常速度深度域地震数据计算地震子波向量;
S23、根据地震子波向量与反射系数利用褶积模型,得到合成地震记录。
进一步地:所述S22具体为:
根据常速度深度域地震数据和反射系数构建目标函数,通过最小二乘法使目标函数最小,得到初始地震子波向量,将初始地震子波向量进行平滑处理,得到地震子波向量;
其中,所述目标函数具体为下式:
式中,d为常速度深度域地震数据,R为由反射系数构成的M阶Toeplitz方阵,||·||2为L2的范数,w为初始地震子波向量。
进一步地:所述将初始地震子波向量进行平滑处理的方法具体为:
将初始地震子波向量分成若干初始地震子波子向量,将每个初始地震子波子向量赋予权重,进而计算平滑的地震子波向量;
计算地震子波向量W的表达式具体为下式:
式中,wi为第i个初始地震子波子向量,αi为第i个初始地震子波子向量的权重,i=1,…,n,n为初始地震子波子向量的总数,其中,计算第i个初始地震子波子向量的权重αi的表达式具体为:
式中,wi-j为第i-j个初始地震子波子向量,wi+j为第i+j个初始地震子波子向量,wq为最大的初始地震子波子向量,j=1,…,m,m为设置的初始地震子波子向量的阈值。
上述进一步方案的有益效果为:平滑处理的方法通过将每个初始地震子波子向量赋予权重,根据权重结合初始地震子波子向量计算地震子波向量,使计算的地震子波向量更为光滑,减少噪声对地震子波向量的影响。
进一步地:所述S23中,褶积模型的表达式具体为下式:
S=W*r
其中,S表示合成地震记录,r表示反射系数,W表示地震子波向量。
上述进一步方案的有益效果为:本发明根据地震子波向量与反射系数构建合成地震记录,获得具有深度域测井数据和地震数据之间相关性的合成地震记录,并将该合成地震记录输入卷积神经网络,从而获取最优的地震子波。
进一步地:所述S3中,卷积神经网络包括依次连接的输入层、卷积网络层、归一化层和输出层;
其中,所述卷积网络层包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块,所述第一卷积模块还与所述输入层连接,所述第五卷积模块还与所述归一化层连接。
进一步地:所述S3中,所述第一卷积模块包括依次连接的两个第一卷积层;
其中,每个第一卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为16;
所述第二卷积模块包括依次连接的两个第二卷积层;
其中,每个第二卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为32;
所述第三卷积模块包括依次连接的两个第三卷积层;
其中,每个第三卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为64;
所述第四卷积模块包括依次连接的两个第四卷积层;
其中,每个第四卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为32;
所述第五卷积模块包括依次连接的两个第五卷积层;
其中,每个第五卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为16;
所述第六卷积模块具体为第六卷积层;
其中,第六卷积层的卷积核尺寸为3×3,步长为1,输出通道个数为1。
进一步地:所述S4具体为:
将地震子波振幅谱进行傅里叶变换,得到地震子波,完成地震子波提取。
本发明的有益效果为:
(1)本发明提供的一种深度域地震子波提取方法,利用卷积神经网络的优势,在提取地震子波时考虑深度域测井数据和地震数据之间相关性,从而得到最优的地震子波。
(2)本发明将常速度深度域地震数据进行平滑处理,得到平滑的地震子波向量,减少了地震子波向量对噪声的拟合,根据地震子波向量计算合成地震记录,再通过卷积神经网络输入合成地震记录,挖掘生成地震子波振幅谱,从而获得可靠的地震子波。
附图说明
图1为本发明的一种深度域地震子波提取方法的流程图。
图2为本发明的卷积神经网络的结构示意图。
图3为本发明的卷积网络层的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,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。
如图1所示,在本发明的一个实施例中,一种深度域地震子波提取方法,包括以下步骤:
S1、获取深度域测井数据和地震数据,对其进行插值处理,得到常速度深度域测井数据和地震数据;
S2、根据常速度深度域测井数据和地震数据计算合成地震记录;
S3、将合成地震记录输入卷积神经网络,得到地震子波振幅谱;
S4、根据地震子波振幅谱得到地震子波,完成地震子波提取。
所述S1包括以下分步骤:
S11、获取深度域测井数据和地震数据,对深度域地震数据进行插值处理,使其深度采样间隔与深度域测井数据的采样间隔相同;
S12、将采样间隔相同的深度域测井数据和地震数据转换至常速度深度域测井数据和地震数据。
在本实施例中,通过插值处理不会增加深度域地震数据本身的信息,使测井数据与地震数据的时间采样间隔保持一致,避免了地震数据按照时-深关系转换到时间域导致有用的层位信息丢失。
所述S2包括以下分步骤:
S21、根据常速度深度域测井数据获得深度、速度和密度信息,并根据深度、速度和密度信息计算得到反射系数;
S22、根据常速度深度域地震数据计算地震子波向量;
S23、根据地震子波向量与反射系数利用褶积模型,得到合成地震记录。
所述S22具体为:
根据常速度深度域地震数据和反射系数构建目标函数,通过最小二乘法使目标函数最小,得到初始地震子波向量,将初始地震子波向量进行归一化处理,得到地震子波向量;
其中,所述目标函数具体为下式:
式中,d为常速度深度域地震数据,R为由反射系数构成的M阶Toeplitz方阵,||·||2为L2的范数,w为初始地震子波向量。
在本实施例中,最小二乘法是要使得合成数据与已知数据之间的残差能量达到最小,在地震数据信噪较好的条件时,得到受干扰度较少的初始地震子波向量,在地震数据信噪较差的条件时,得到的初始地震子波向量中存在对噪声的拟合,需要对其进行归一化滤波处理,减少噪声对地震子波向量的干扰。
将初始地震子波向量进行平滑处理的方法具体为:
将初始地震子波向量分成若干初始地震子波子向量,将每个初始地震子波子向量赋予权重,进而计算平滑的地震子波向量;
计算地震子波向量W的表达式具体为下式:
式中,wi为第i个初始地震子波子向量,αi为第i个初始地震子波子向量的权重,i=1,…,n,n为初始地震子波子向量的总数,其中,计算第i个初始地震子波子向量的权重αi的表达式具体为:
式中,wi-j为第i-j个初始地震子波子向量,wi+j为第i+j个初始地震子波子向量,wq为最大的初始地震子波子向量,j=1,…,m,m为设置的初始地震子波子向量的阈值。
在本实施例中,平滑处理的方法通过将每个初始地震子波子向量赋予权重,根据权重结合初始地震子波子向量计算地震子波向量,使计算的地震子波向量更为光滑,减少噪声对地震子波向量的影响。
所述S23中,褶积模型的表达式具体为下式:
S=W*r
其中,S表示合成地震记录,r表示反射系数,W表示地震子波向量。
本发明根据地震子波向量与反射系数构建合成地震记录,获得具有深度域测井数据和地震数据之间相关性的合成地震记录,并将该合成地震记录输入卷积神经网络,从而获取最优的地震子波。
如图2所示,所述S3中,卷积神经网络包括依次连接的输入层、卷积网络层、归一化层和输出层;
其中,所述卷积网络层包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块,所述第一卷积模块还与所述输入层连接,所述第五卷积模块还与所述归一化层连接。
如图3所示,所述S3中,所述第一卷积模块包括依次连接的两个第一卷积层;
其中,每个第一卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为16;
所述第二卷积模块包括依次连接的两个第二卷积层;
其中,每个第二卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为32;
所述第三卷积模块包括依次连接的两个第三卷积层;
其中,每个第三卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为64;
所述第四卷积模块包括依次连接的两个第四卷积层;
其中,每个第四卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为32;
所述第五卷积模块包括依次连接的两个第五卷积层;
其中,每个第五卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为16;
所述第六卷积模块具体为第六卷积层;
其中,第六卷积层的卷积核尺寸为3×3,步长为1,输出通道个数为1。
所述S4具体为:
将地震子波振幅谱进行傅里叶变换,得到地震子波,完成地震子波提取。
本发明的有益效果为:本发明提供的一种深度域地震子波提取方法,利用卷积神经网络的优势,在提取地震子波时考虑深度域测井数据和地震数据之间相关性,从而得到最优的地震子波。
本发明将常速度深度域地震数据进行平滑处理,得到平滑的地震子波向量,减少了地震子波向量对噪声的拟合,根据地震子波向量计算合成地震记录,再通过卷积神经网络输入合成地震记录,挖掘生成地震子波振幅谱,从而获得可靠的地震子波。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”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,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设备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”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (6)
1.一种深度域地震子波提取方法,其特征在于,包括以下步骤:
S1、获取深度域测井数据和地震数据,对其进行插值处理,得到常速度深度域测井数据和地震数据;
S2、根据常速度深度域测井数据和地震数据计算合成地震记录;
S3、将合成地震记录输入卷积神经网络,得到地震子波振幅谱;
S4、根据地震子波振幅谱得到地震子波,完成地震子波提取;
所述S2包括以下分步骤:
S21、根据常速度深度域测井数据获得深度、速度和密度信息,并根据深度、速度和密度信息计算得到反射系数;
S22、根据常速度深度域地震数据计算地震子波向量;
S23、根据地震子波向量与反射系数利用褶积模型,得到合成地震记录;
所述S22具体为:
根据常速度深度域地震数据和反射系数构建目标函数,通过最小二乘法使目标函数最小,得到初始地震子波向量,将初始地震子波向量进行平滑处理,得到地震子波向量;
其中,所述目标函数具体为下式:
式中,d为常速度深度域地震数据,R为由反射系数构成的M阶Toeplitz方阵,∥·∥2为L2的范数,w为初始地震子波向量;
所述将初始地震子波向量进行平滑处理的方法具体为:
将初始地震子波向量分成若干初始地震子波子向量,将每个初始地震子波子向量赋予权重,进而计算平滑的地震子波向量;
计算地震子波向量W的表达式具体为下式:
式中,wi为第i个初始地震子波子向量,αi为第i个初始地震子波子向量的权重,i=1,…,n,n为初始地震子波子向量的总数,其中,计算第i个初始地震子波子向量的权重αi的表达式具体为:
式中,wi-j为第i-j个初始地震子波子向量,wi+j为第i+j个初始地震子波子向量,wq为最大的初始地震子波子向量,j=1,…,m,m为设置的初始地震子波子向量的阈值。
2.根据权利要求1所述的深度域地震子波提取方法,其特征在于,所述S1包括以下分步骤:
S11、获取深度域测井数据和地震数据,对深度域地震数据进行插值处理,使其深度采样间隔与深度域测井数据的采样间隔相同;
S12、将采样间隔相同的深度域测井数据和地震数据转换至常速度深度域测井数据和地震数据。
3.根据权利要求1所述的深度域地震子波提取方法,其特征在于,所述S23中,褶积模型的表达式具体为下式:
S=W*r
其中,S表示合成地震记录,r表示反射系数,W表示地震子波向量。
4.根据权利要求1所述的深度域地震子波提取方法,其特征在于,所述S3中,卷积神经网络包括依次连接的输入层、卷积网络层、归一化层和输出层;
其中,所述卷积网络层包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块和第六卷积模块,所述第一卷积模块还与所述输入层连接,所述第六卷积模块还与所述归一化层连接。
5.根据权利要求4所述的深度域地震子波提取方法,其特征在于,所述S3中,所述第一卷积模块包括依次连接的两个第一卷积层;
其中,每个第一卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为16;
所述第二卷积模块包括依次连接的两个第二卷积层;
其中,每个第二卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为32;
所述第三卷积模块包括依次连接的两个第三卷积层;
其中,每个第三卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为64;
所述第四卷积模块包括依次连接的两个第四卷积层;
其中,每个第四卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为32;
所述第五卷积模块包括依次连接的两个第五卷积层;
其中,每个第五卷积层的卷积核尺寸均为3×3,步长均为1,输出通道个数均为16;
所述第六卷积模块具体为第六卷积层;
其中,第六卷积层的卷积核尺寸为3×3,步长为1,输出通道个数为1。
6.根据权利要求1所述的深度域地震子波提取方法,其特征在于,所述S4具体为:
将地震子波振幅谱进行傅里叶变换,得到地震子波,完成地震子波提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419127.6A CN116755141B (zh) | 2023-04-18 | 2023-04-18 | 一种深度域地震子波提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419127.6A CN116755141B (zh) | 2023-04-18 | 2023-04-18 | 一种深度域地震子波提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116755141A CN116755141A (zh) | 2023-09-15 |
CN116755141B true CN116755141B (zh) | 2024-03-29 |
Family
ID=87955959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310419127.6A Active CN116755141B (zh) | 2023-04-18 | 2023-04-18 | 一种深度域地震子波提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116755141B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772573A (zh) * | 2016-11-16 | 2017-05-31 | 电子科技大学 | 基于最大相关熵的地震子波信号提取方法 |
CN106873038A (zh) * | 2017-03-15 | 2017-06-20 | 成都理工大学 | 一种从深度域地震数据中提取深度域地震子波的方法 |
CN108459350A (zh) * | 2018-03-07 | 2018-08-28 | 成都理工大学 | 一种深度域地震子波提取与地震记录合成的一体化方法 |
CN111708083A (zh) * | 2020-06-05 | 2020-09-25 | 成都理工大学 | 一种基于模型的深度域地震子波提取方法 |
CN111751883A (zh) * | 2020-07-15 | 2020-10-09 | 中南大学 | 一种基于各向异性流体因子的致密裂缝储层地震预测方法 |
CN111948712A (zh) * | 2020-08-10 | 2020-11-17 | 中海石油(中国)有限公司 | 一种基于深度域地震记录的叠前线性反演方法 |
CN113031070A (zh) * | 2021-03-19 | 2021-06-25 | 大庆油田有限责任公司 | 一种深度域合成地震记录的制作方法 |
CN115620136A (zh) * | 2022-10-24 | 2023-01-17 | 中国石油化工股份有限公司 | 一种基于地球物理引导无监督学习的反褶积方法及系统 |
-
2023
- 2023-04-18 CN CN202310419127.6A patent/CN116755141B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772573A (zh) * | 2016-11-16 | 2017-05-31 | 电子科技大学 | 基于最大相关熵的地震子波信号提取方法 |
CN106873038A (zh) * | 2017-03-15 | 2017-06-20 | 成都理工大学 | 一种从深度域地震数据中提取深度域地震子波的方法 |
CN108459350A (zh) * | 2018-03-07 | 2018-08-28 | 成都理工大学 | 一种深度域地震子波提取与地震记录合成的一体化方法 |
CN111708083A (zh) * | 2020-06-05 | 2020-09-25 | 成都理工大学 | 一种基于模型的深度域地震子波提取方法 |
CN111751883A (zh) * | 2020-07-15 | 2020-10-09 | 中南大学 | 一种基于各向异性流体因子的致密裂缝储层地震预测方法 |
CN111948712A (zh) * | 2020-08-10 | 2020-11-17 | 中海石油(中国)有限公司 | 一种基于深度域地震记录的叠前线性反演方法 |
CN113031070A (zh) * | 2021-03-19 | 2021-06-25 | 大庆油田有限责任公司 | 一种深度域合成地震记录的制作方法 |
CN115620136A (zh) * | 2022-10-24 | 2023-01-17 | 中国石油化工股份有限公司 | 一种基于地球物理引导无监督学习的反褶积方法及系统 |
Non-Patent Citations (1)
Title |
---|
韩浩宇 等.基于生成对抗网络的塔里木深层超深层叠前地震子波提取.《地球物理学报》.2022,第65卷(第2期),763-771. * |
Also Published As
Publication number | Publication date |
---|---|
CN116755141A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Noise attenuation for 2-D seismic data by radial-trace time-frequency peak filtering | |
CN105116442A (zh) | 岩性油气藏弱反射地震信号的重构方法 | |
CN109031422A (zh) | 一种基于CEEMDAN与Savitzky-Golay滤波的地震信号噪声抑制方法 | |
CN103995950A (zh) | 基于空域相关修正阈值的变小波系数局部放电信号消噪方法 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN108345033A (zh) | 一种微地震信号时频域初至检测方法 | |
CN103021405A (zh) | 基于music和调制谱滤波的语音信号动态特征提取方法 | |
CN111708083B (zh) | 一种基于模型的深度域地震子波提取方法 | |
CN113685172A (zh) | 一种随钻声波固井质量评价方法及处理装置 | |
CN115905805A (zh) | 一种基于全局信息判别gan的das数据多尺度噪声消减方法 | |
CN107783191A (zh) | 多维空间时空时频峰值滤波消减地震勘探随机噪声的方法 | |
CN116755141B (zh) | 一种深度域地震子波提取方法 | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
CN112185405B (zh) | 一种基于差分运算和联合字典学习的骨导语音增强方法 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN110865375A (zh) | 一种水中目标检测方法 | |
CN111308557B (zh) | 一种地质与工程参数约束的微地震数据去噪方法 | |
CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
CN111968627B (zh) | 一种基于联合字典学习和稀疏表示的骨导语音增强方法 | |
CN110749923A (zh) | 一种基于范数方程提高分辨率的反褶积方法 | |
CN114676734A (zh) | 一种基于wpd-emd-wpd的微震信号降噪方法 | |
CN109991657B (zh) | 基于逆二分递推奇异值分解的地震资料高分辨率处理方法 | |
CN109633744B (zh) | 地震子波的提取方法、装置、设备及存储介质 | |
Tian et al. | Efficient SPSNet for downhole weak DAS signals recovery | |
Gimlin et al. | Maximum likelihood stacking in white Gaussian noise with unknown variances |
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 |