EA044840B1 - METHOD AND DEVICE FOR ELIMINATING ALIASING USING DEEP LEARNING - Google Patents
METHOD AND DEVICE FOR ELIMINATING ALIASING USING DEEP LEARNING Download PDFInfo
- Publication number
- EA044840B1 EA044840B1 EA202290223 EA044840B1 EA 044840 B1 EA044840 B1 EA 044840B1 EA 202290223 EA202290223 EA 202290223 EA 044840 B1 EA044840 B1 EA 044840B1
- Authority
- EA
- Eurasian Patent Office
- Prior art keywords
- data
- seismic data
- aliasing
- classification
- aliased
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 73
- 238000013135 deep learning Methods 0.000 title claims description 18
- 230000011218 segmentation Effects 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims 2
- 230000004048 modification Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 21
- 229930195733 hydrocarbon Natural products 0.000 description 19
- 150000002430 hydrocarbons Chemical class 0.000 description 19
- 239000004215 Carbon black (E152) Substances 0.000 description 14
- 230000015572 biosynthetic process Effects 0.000 description 14
- 238000005755 formation reaction Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Description
Уровень техникиState of the art
Изобретение относится в общем к анализу сейсмических данных и, более конкретно, к устранению алиасинга сейсмических данных, связанного с наложением частот сигналов, с использованием глубокого обучения.The invention relates generally to the analysis of seismic data and, more specifically, to the elimination of seismic data aliasing associated with signal frequency aliasing using deep learning.
Настоящая часть предназначена для введения в различные аспекты техники, которые могут относиться к различным аспектам настоящего изобретения, описанным и/или заявленным ниже. Предполагается, что настоящее описание будет полезным в получении исходной информации для облегчения понимания различных аспектов настоящего изобретения. Соответственно, необходимо понимать, что нижеизложенное должно истолковываться в этом смысле, а не как признание предшествующего уровня.This part is intended to provide an introduction to various aspects of the art that may relate to the various aspects of the present invention described and/or claimed below. It is intended that the present description will be useful in providing background information to facilitate understanding of various aspects of the present invention. Accordingly, it is understood that the following is to be construed in that sense and not as an admission of prior knowledge.
Сейсмические данные могут быть данными, полученными в результате осуществления сейсмической разведки. Сейсмическая разведка включает получение изображения или карты подземной зоны путем передачи в почву звуковой энергии и записи отраженной звуковой энергии, которая вернулась от геологических формирований внутри подземной зоны. При выполнении сейсмической разведки источник энергии размещают в различных местах на поверхности, находящейся над подземной зоной, которая может содержать месторождения углеводородов. Каждый раз, когда источник включают, он генерирует сейсмический сигнал (например, звуковую волну), который проходит сквозь толщу земли, отражается и после его возвращения записывается одним или несколькими приемниками, расположенными на разведываемой подземной зоне или над ней. Затем сейсмические данные, записанные приемниками, могут быть использованы для создания изображения или профиля соответствующей подземной зоны.Seismic data may be data obtained from a seismic survey. Seismic exploration involves obtaining an image or map of an underground zone by transmitting sound energy into the soil and recording the reflected sound energy that has returned from geological formations within the underground zone. In seismic surveys, the energy source is placed at various locations on the surface above a subterranean zone that may contain hydrocarbon deposits. Each time the source is turned on, it generates a seismic signal (eg, a sound wave) that travels through the earth, is reflected, and upon its return is recorded by one or more receivers located on or above the underground area being explored. The seismic data recorded by the receivers can then be used to create an image or profile of the corresponding underground zone.
После создания изображения или профиля подземной зоны эти изображения и/или профили могут использоваться для получения характеристик продуктивного пласта.Once an image or profile of the subsurface zone has been created, the images and/or profiles can be used to characterize the reservoir.
Раскрытие изобретенияDisclosure of the Invention
Ниже приведено краткое описание конкретных вариантов, раскрытых в настоящей заявке. Следует понимать, что эти аспекты приведены просто для того, чтобы дать специалисту предварительное представление об этих конкретных вариантах, и что эти аспекты не должны восприниматься как ограничения объема настоящего изобретения. В самом деле, настоящее изобретение может охватывать множество аспектов, которые могут быть не указаны в нижеприведенном описании.The following is a brief description of the specific embodiments disclosed herein. It should be understood that these aspects are provided simply to give one skilled in the art a preliminary understanding of these particular embodiments, and that these aspects should not be construed as limiting the scope of the present invention. Indeed, the present invention may cover many aspects that may not be indicated in the following description.
В одном или в нескольких вариантах способ может включать прием смоделированных сейсмических данных, которые должны быть проанализированы по меньшей мере одним процессором классификации и/или сегментации. Смоделированные сейсмические данные могут быть представлены в области преобразования. Способ может также включать формирование данных на выходе указанного по меньшей мере одного процессора классификации и/или сегментации на основе принятых смоделированных сейсмических данных. Способ может также включать сравнение данных на выходе указанного по меньшей мере одного процессора классификации и/или сегментации с требуемыми данными на выходе. Способ может также включать модификацию процессора классификации и/или сегментации таким образом, чтобы данные на его выходе соответствовали требуемым данным на выходе.In one or more embodiments, the method may include receiving simulated seismic data to be analyzed by at least one classification and/or segmentation processor. Modeled seismic data can be represented in a transform domain. The method may also include generating output from said at least one classification and/or segmentation processor based on the received modeled seismic data. The method may also include comparing the output of the at least one classification and/or segmentation processor with the desired output. The method may also include modifying the classification and/or segmentation processor such that its output matches the desired output data.
В одном или в нескольких вариантах способ может включать прием действительных сейсмических данных. Принятые действительные сейсмические данные содержат алиасинг, который должен быть идентифицирован по меньшей мере одним обученным процессором классификации и/или сегментации. Принятые действительные сейсмические данные могут быть представлены в области преобразования. Способ может также включать формирование данных на выходе указанного по меньшей мере одного обученного процессора классификации и/или сегментации на основе принятых действительных сейсмических данных. Способ может также включать формирование маски на основе информации на выходе. Способ может также включать удаление алиасинга из принятых действительных сейсмических данных с использованием сформированной маски. В одном или в нескольких вариантах указанный по меньшей мере один обученный процессор классификации и/или сегментации может быть обучен на смоделированных данных. После того, как осуществлено обучение на смоделированных данных указанного по меньшей мере одного обученного процессора классификации и/или сегментации, он может принимать действительные сейсмические данные для устранения алиасинга, который имеет место в действительных сейсмических данных. В других вариантах может быть осуществлено обучение указанного по меньшей мере одного обученного процессора классификации и/или сегментации на действительных сейсмических данных и/или на сочетании действительных сейсмических данных со смоделированными сейсмическими данными.In one or more embodiments, the method may include receiving actual seismic data. The received actual seismic data contains aliasing that must be identified by at least one trained classification and/or segmentation processor. The received actual seismic data can be represented in the transform domain. The method may also include generating data as an output of said at least one trained classification and/or segmentation processor based on the received actual seismic data. The method may also include generating a mask based on the output information. The method may also include removing aliasing from the received actual seismic data using the generated mask. In one or more embodiments, said at least one trained classification and/or segmentation processor may be trained on simulated data. Once the at least one trained classification and/or segmentation processor has been trained on the simulated data, it may receive the actual seismic data to remove aliasing that occurs in the actual seismic data. In other embodiments, said at least one trained classification and/or segmentation processor may be trained on actual seismic data and/or on a combination of actual seismic data with simulated seismic data.
В связи с вышеизложенным один или несколько вариантов осуществления настоящего изобретения направлены на устранение алиасинга. В одном или в нескольких вариантах устранение алиасинга может осуществляться с использованием глубокого обучения процессоров классификации и/или сегментации.In connection with the above, one or more embodiments of the present invention are directed to eliminating aliasing. In one or more embodiments, aliasing removal may be accomplished using deep learning classification and/or segmentation processors.
Краткое описание чертежейBrief description of drawings
Различные аспекты настоящего изобретения можно будет лучше понять после ознакомления с нижеприведенным подробным описанием со ссылками на чертежи, на которых показано:Various aspects of the present invention will be better understood by reference to the following detailed description in conjunction with the drawings, in which:
на фиг. 1 - блок-схема различных процессов, которые могут быть выполнены на основе анализа сейсмических данных, полученных с помощью системы сейсмической разведки;in fig. 1 is a flow diagram of various processes that can be performed based on the analysis of seismic data acquired by a seismic acquisition system;
на фиг. 2 - схематический вид системы морской сейсмической разведки;in fig. 2 - schematic view of a marine seismic survey system;
- 1 044840 на фиг. 3 - схематический вид системы наземной сейсмической разведки;- 1 044840 in Fig. 3 - schematic view of the surface seismic survey system;
на фиг. 4 - схема вычислительной системы, которая может осуществлять операции, указанные в настоящем описании, на основе данных, полученных с помощью системы морской сейсмической разведки фиг. 2 и/или системы наземной сейсмической разведки фиг. 3;in fig. 4 is a diagram of a computing system that can perform the operations described herein based on data obtained from the marine seismic survey system of FIG. 2 and/or surface seismic systems of FIG. 3;
на фиг. 5 - представления сейсмических данных, которые не содержат алиасинг;in fig. 5 - representations of seismic data that do not contain aliasing;
на фиг. 6 - сравнительные представления сейсмических данных без алиасинга и сейсмических данных с алиасингом;in fig. 6 - comparative views of seismic data without aliasing and seismic data with aliasing;
на фиг. 7 - представление данных с алиасингом в пространстве Фурье, вместе с соответствующей маской, в соответствии с одним или несколькими вариантами осуществления настоящего изобретения;in fig. 7 is a Fourier space representation of aliased data, along with an associated mask, in accordance with one or more embodiments of the present invention;
на фиг. 8 - представление восстановленных данных после увеличения эффективной частоты Найквиста, в соответствии с одним или несколькими вариантами;in fig. 8 is a representation of reconstructed data after increasing the effective Nyquist frequency, in accordance with one or more embodiments;
на фиг. 9 - блок-схема способа по одному или нескольким вариантам;in fig. 9 is a flow diagram of a method according to one or more embodiments;
на фиг. 10 - блок-схема способа по одному или нескольким вариантам.in fig. 10 is a flow diagram of a method according to one or more embodiments.
Подробное описание осуществления изобретенияDetailed Description of the Invention
Ниже будет описан один или несколько конкретных вариантов осуществления изобретения. Для сокращения описания этих вариантов ниже рассматриваются не все признаки, используемые при их реальном осуществлении. Следует понимать, что в процессе проработки любого такого реального осуществления, как это происходит при разработке любого инженерного проекта, должны приниматься различные решения, связанные с особенностями конкретной реализации, для решения разработчиками конкретных задач, таких как соблюдение ограничений, связанных с бизнесом и с системным решением задач, которые могут варьироваться от одной реализации к другой. Кроме того, следует понимать, что такая разработка может быть сложной и продолжительной, однако, тем не менее, она представляет собой стандартные действия по конструированию, изготовлению и производству для специалистов, ознакомившихся с описанием настоящего изобретения.One or more specific embodiments of the invention will be described below. To shorten the description of these options, not all features used in their actual implementation are discussed below. It should be understood that during the development of any such actual implementation, as occurs in the development of any engineering project, various decisions related to the features of the specific implementation must be made in order for the developers to solve specific problems, such as complying with the constraints associated with the business and with the system solution tasks that may vary from one implementation to another. Moreover, it should be understood that such development may be complex and time-consuming, but nevertheless represents standard design, manufacturing, and manufacturing activities for those skilled in the art having learned the disclosure of the present invention.
Предварительно необходимо отметить, что сейсмические данные могут быть получены в процессе осуществления различных систем и технологий сейсмической разведки, две из которых описываются со ссылками на фиг. 2 и 3. Вне зависимости от технологии сбора сейсмических данных они могут быть проанализированы после их получения с помощью вычислительной системы, и результаты анализа сейсмических данных (например, сейсмограмм, карты геологических образований и т.п.) могут быть использованы для выполнения различных операций в отраслях разведки и добычи углеводородов. Например, на фиг. 1 приведена блок-схема способа 10, в котором подробно указаны различные процессы, которые могут быть осуществлены на основе результатов анализа полученных сейсмических данных.It should be noted in advance that seismic data can be acquired through various seismic survey systems and technologies, two of which are described with reference to FIGS. 2 and 3. Regardless of the seismic data acquisition technology, they can be analyzed after their acquisition using a computing system, and the results of the analysis of seismic data (for example, seismograms, geological formation maps, etc.) can be used to perform various operations in hydrocarbon exploration and production industries. For example, in FIG. 1 is a flow diagram of a method 10 detailing various processes that can be carried out based on the results of analysis of acquired seismic data.
Хотя способ 10 описан в определенном порядке, необходимо понимать, что он может быть осуществлен в любом подходящем порядке.Although method 10 is described in a particular order, it should be understood that it may be carried out in any suitable order.
Как показано на фиг. 1, на шаге 12 на основе проанализированных сейсмических данных могут быть определены места нахождения и характеристики месторождений углеводородов в подземной зоне, в отношении которой проводилась сейсмическая разведка. В одном из вариантов полученные сейсмические данные могут быть проанализированы для создания карты или профиля, на котором показаны различные геологические образования внутри подземной зоны. На основе обнаруженных мест нахождения и характеристик месторождений углеводородов на шаге 14 могут быть исследованы определенные позиции или части подземной зоны. То есть, организации, занимающиеся разведкой углеводородов, могут использовать места нахождения месторождений углеводородов для определения позиций на поверхности над подземной зоной для бурения скважин. В этом случае организации, занимающиеся разведкой углеводородов, могут использовать места нахождения и характеристики месторождений углеводородов и соответствующих перекрывающих пород для определения расположения скважин, методики их бурения и им подобных данных.As shown in FIG. 1, in step 12, based on the analyzed seismic data, the location and characteristics of hydrocarbon deposits in the subterranean zone that was seismically surveyed can be determined. In one embodiment, the acquired seismic data can be analyzed to create a map or profile that shows various geological formations within the subterranean zone. Based on the discovered locations and characteristics of hydrocarbon deposits, certain positions or portions of the subterranean zone may be explored in step 14. That is, hydrocarbon exploration organizations can use the locations of hydrocarbon deposits to determine surface positions above the subsurface zone for drilling wells. In this case, hydrocarbon exploration organizations can use the locations and characteristics of hydrocarbon deposits and associated overburden to determine well locations, drilling techniques, and the like.
После установки разведочного оборудования в районе подземной зоны на шаге 16 углеводороды из месторождений могут быть извлечены с использованием скважин естественного фонтанирования, скважин с насосно-компрессорной добычей и им подобных сооружений. На шаге 18 добытые углеводороды могут транспортироваться на нефтеперегонные заводы и им подобные производства с помощью транспортных средств, трубопроводов и им подобных устройств. На шаге 20 добытые углеводороды могут быть переработаны с использованием различных процессов для получения из углеводородов различных продуктов.After exploration equipment is installed in the subterranean zone in step 16, hydrocarbons from the deposits can be recovered using natural flow wells, pumping wells, and the like. At step 18, the produced hydrocarbons can be transported to refineries and the like using vehicles, pipelines and the like. In step 20, the produced hydrocarbons may be processed using various processes to produce various products from the hydrocarbons.
Следует отметить, процессы, указанные в отношении способа 10, могут включать и другие подходящие процессы, которые могут зависеть от местонахождения и характеристик месторождений углеводородов, как это указывается в сейсмических данных, полученных в результате одной или нескольких сейсмических разведок. Таким образом, следует понимать, что вышеописанные процессы не представляют собой исчерпывающий перечень процессов, которые могут быть осуществлены после определения мест нахождения и характеристик месторождений углеводородов в подземной зоне.It should be noted that the processes specified in relation to method 10 may include other suitable processes, which may depend on the location and characteristics of the hydrocarbon deposits as indicated in the seismic data obtained from one or more seismic surveys. Thus, it should be understood that the processes described above do not represent an exhaustive list of processes that may be carried out once the locations and characteristics of hydrocarbon deposits in the subterranean zone have been determined.
С учетом вышеизложенного на фиг. 2 приведено схематическое представление системы 22 морской сейсмической разведки (например, для использования на шаге 12 фиг. 1), которая может использоваться для получения сейсмических данных (например, сигналов), относящихся к подземной зоне под морскимIn view of the above, FIG. 2 is a schematic representation of a marine seismic survey system 22 (eg, for use in step 12 of FIG. 1) that can be used to obtain seismic data (eg, signals) related to a subterranean zone under the sea.
- 2 044840 дном. Обычно морская сейсмическая разведка с помощью системы 22 может выполняться в океане 24 или в другом водоеме над подземной зоной 26, которая находится под морским дном 28.- 2 044840 bottom. Typically, a marine seismic survey using the system 22 may be performed in the ocean 24 or other body of water above a subterranean zone 26 that lies beneath the seabed 28.
Система 22 морской сейсмической разведки может включать судно 30, один или несколько сейсмических источников 32, сейсмическую косу 34, один или несколько сейсмических приемников 36 и/или другое оборудование, которое может способствовать получению сейсмических изображений, представляющих геологические образования в подземной зоне 26. Судно 30 может буксировать сейсмический источник (или источники) 32, например пневматический источник сейсмических сигналов, который может излучать энергию, например, в форме сейсмических колебательных сигналов, которые направляются в сторону морского дна 28. Судно 30 может также буксировать сейсмическую косу 34 с приемниками 36 (например, гидрофонами), которые могут принимать сейсмические колебательные сигналы, излучаемые источниками 32, после их отражения от различных геологических образований (например, соляные купола, разломы, складки и т.п.) внутри подземной зоны 26. Хотя в описании системы 22 морской сейсмической разведки указан один сейсмический источник 32 (представленный на фиг. 2 как пневматический источник сейсмических сигналов) и один приемник 36 (показанный на фиг. 2 как группа гидрофонов), однако система 22 морской сейсмической разведки может содержать группу сейсмических источников 32 и группу приемников 36. Аналогично, хотя для системы 22 морской сейсмической разведки указана выше одна сейсмическая коса 34, однако следует понимать, что эта система 22 может включать несколько сейсмических кос, аналогичных косе 34. Кроме того, дополнительные суда 30 могут включать дополнительные сейсмические источники 32, сейсмические косы 34 и другое оборудование для выполнения операций системы 22 морской сейсмической разведки.The marine seismic survey system 22 may include a vessel 30, one or more seismic sources 32, a seismic streamer 34, one or more seismic receivers 36, and/or other equipment that may facilitate the acquisition of seismic images representative of geological formations in the subsurface zone 26. Vessel 30 may tow a seismic source (or sources) 32, such as a pneumatic seismic source, which may emit energy, for example, in the form of seismic waveforms that are directed toward the seafloor 28. Vessel 30 may also tow a seismic streamer 34 with receivers 36 (e.g. , hydrophones) that can receive seismic vibration signals emitted by sources 32 after they are reflected from various geological formations (for example, salt domes, faults, folds, etc.) within the underground zone 26. Although in the description of the marine seismic survey system 22 one seismic source 32 is indicated (shown in FIG. 2 as a pneumatic seismic source) and one receiver 36 (shown as a hydrophone array in FIG. 2), however, the marine seismic system 22 may include a group of seismic sources 32 and a group of receivers 36. Similarly, although for the marine seismic system 22 above one seismic streamer 34, however, it should be understood that this system 22 may include multiple seismic streamers similar to streamer 34. Additionally, additional vessels 30 may include additional seismic sources 32, seismic streamers 34, and other equipment to perform the operations of the marine seismic system 22 .
На фиг. 3 приведено схематическое представление системы 38 наземной сейсмической разведки (например, для использования на шаге 12 фиг. 1), которая может использоваться для получения информации в отношении подземной зоны 26 с земной поверхности. Система 38 наземной сейсмической разведки может включать сейсмический источник 40 и приемник 44, оба наземного базирования. В некоторых вариантах система 38 наземной сейсмической разведки может включать группу сейсмических источников 40 и один или несколько приемников 44 и 46, все наземного базирования. Для целей описания система 38 наземной сейсмической разведки включает сейсмический источник 40 и два приемника 44 и 46, все наземного базирования. Сейсмический источник 40 (например, сейсмический вибратор) наземного базирования может быть расположен на земной поверхности 42 над подземной зоной 26, представляющей интерес. Сейсмический источник 40 наземного базирования может излучать энергию (например, звуковые волны, сейсмические колебательные сигналы), которые направляются в подземную зону 26. После достижения различных геологических образований (например, соляных куполов, разломов, складок) внутри подземной зоны 26 энергия, излучаемая сейсмическим источником 40 наземного базирования, может отразиться от этих геологических образований и приниматься или записываться одним или несколькими приемниками (44 и 46) наземного базирования.In fig. 3 is a schematic representation of a surface seismic survey system 38 (eg, for use in step 12 of FIG. 1) that can be used to obtain information regarding a subterranean zone 26 from the earth's surface. The land seismic system 38 may include a seismic source 40 and a receiver 44, both land-based. In some embodiments, the surface seismic survey system 38 may include an array of seismic sources 40 and one or more receivers 44 and 46, all land-based. For purposes of description, the land seismic system 38 includes a seismic source 40 and two receivers 44 and 46, all land-based. A ground-based seismic source 40 (eg, a seismic vibrator) may be located on the earth's surface 42 above a subterranean area 26 of interest. The land-based seismic source 40 may emit energy (e.g., sound waves, seismic vibrations) that are directed into the underground zone 26. After reaching various geological formations (e.g., salt domes, faults, folds) within the underground zone 26, the energy emitted by the seismic source 40 ground-based may be reflected from these geological formations and received or recorded by one or more ground-based receivers (44 and 46).
В некоторых вариантах приемники 44 и 46 наземного базирования могут быть распределены по земной поверхности 42 для формирования структуры типа сетка. В этом случае каждый приемник 44 или 46 наземного базирования может принимать отраженные сейсмические колебательные сигналы, передаваемые в подземную зону 26 сейсмическим источником 40. В некоторых случаях один сейсмический колебательный сигнал, излучаемый сейсмическим источником 40, может отражаться от различных геологических образований и приниматься разными приемниками. Например, как показано на фиг. 3, сейсмический источник 40 может излучать энергию, которая может быть направлена в подземную зону 26 в форме сейсмических колебательных сигналов 48. Первый приемник 44 может принимать отражение сейсмического колебательного сигнала 48 от одного геологического образования, и второй приемник 46 может принимать отражение сейсмического колебательного сигнала 48 от другого геологического образования. При этом первый приемник 44 может принимать отраженный сейсмический колебательный сигнал 50, и второй приемник 46 может принимать отраженный сейсмический колебательный сигнал 52.In some embodiments, ground-based receivers 44 and 46 may be distributed over the earth's surface 42 to form a grid-like structure. In this case, each surface receiver 44 or 46 may receive reflected seismic waveforms transmitted to the subterranean zone 26 by seismic source 40. In some cases, a single seismic waveform emitted by seismic source 40 may be reflected from different geological formations and received by different receivers. For example, as shown in FIG. 3, seismic source 40 may radiate energy that may be directed to a subterranean zone 26 in the form of seismic waveforms 48. A first receiver 44 may receive a reflection of a seismic waveform 48 from one geological formation, and a second receiver 46 may receive a reflection of a seismic waveform 48 from another geological formation. In this case, the first receiver 44 may receive the reflected seismic waveform 50, and the second receiver 46 may receive the reflected seismic waveform 52.
Вне зависимости от того, как были получены сейсмические данные, вычислительная система (например, для использования на шаге 12 фиг. 1) может анализировать сейсмические колебательные сигналы, полученные приемниками 36, 44, 46 для определения сейсмической информации, относящейся к геологической структуре, местонахождению и характеристикам месторождений углеводородов и т.п. в подземной зоне 26. На фиг. 4 приведена блок-схема примера такой вычислительной системы 60, которая может выполнять различные операции по анализу сейсмических данных, полученных приемниками 36, 44, 46, для определения структуры и/или прогнозирования сейсмических характеристик геологических образований в подземной зоне 26.Regardless of how the seismic data was acquired, a computing system (eg, for use in step 12 of FIG. 1) can analyze the seismic waveforms received by the receivers 36, 44, 46 to determine seismic information related to geological structure, location and characteristics of hydrocarbon deposits, etc. in the underground area 26. In FIG. 4 is a block diagram of an example of such a computing system 60 that can perform various operations to analyze seismic data acquired by receivers 36, 44, 46 to determine the structure and/or predict the seismic characteristics of geological formations in the subterranean zone 26.
Как показано на фиг. 4, вычислительная система 60 может включать устройство 62 связи, процессор 64, запоминающее устройство 66, хранилище 68 данных, порты 70 ввода-вывода и дисплей 72. В некоторых вариантах в вычислительной системе 60 может отсутствовать одно или несколько из дисплея 72, устройства 62 связи и/или портов 70 ввода-вывода. Устройство 62 связи может быть устройством проводной или беспроводной связи, которое может обеспечивать обмен информацией между приемниками 36, 44, 46, одной или несколькими базами 74 данных (БД), другими вычислительными устройствами и/или другими устройствами, имеющими возможность обмена информацией. В одном из вариантов вычислительная система 60 может принимать данныеAs shown in FIG. 4, the computing system 60 may include a communications device 62, a processor 64, a storage device 66, a data storage 68, input/output ports 70, and a display 72. In some embodiments, the computing system 60 may lack one or more of the display 72, communications devices 62 and/or I/O ports 70. The communication device 62 may be a wired or wireless communication device that can enable the exchange of information between receivers 36, 44, 46, one or more databases (DBs) 74, other computing devices, and/or other devices capable of exchanging information. In one embodiment, the computing system 60 may receive data
- 3 044840 из приемников (например, сейсмические данные, сейсмограммы и т.п.) через сетевое устройство, через базу данных или через иное средство. Процессор 64 вычислительной системы 60 может анализировать или обрабатывать данные 76, получаемые из приемников, для определения особенностей, касающихся геологических образований в подземной зоне 26.- 3 044840 from receivers (eg seismic data, seismograms, etc.) via a network device, via a database or other means. The processor 64 of the computing system 60 may analyze or process data 76 received from the receivers to determine features regarding geological formations in the subterranean zone 26.
Процессор 64 может быть любым типом вычислительного процессора или микропроцессора, способного выполнять программные коды, исполняемые компьютером. Процессор 64 может также включать группу процессоров, которые могут выполнять нижеописанные операции. Запоминающее устройство 66 и хранилище 68 данных могут быть любыми изделиями, которые могут служить в качестве носителей информации для хранения программных кодов, исполняемых процессором, данных и т.п. Эти изделия могут представлять собой машиночитаемые носители информации (например, любые подходящие формы запоминающих устройств или хранилищ данных), которые могут хранить программные коды, используемые процессором 64 для выполнения процессов, описанных в заявке. Как правило, процессор 64 может выполнять программные приложения, включающие программы, которые обеспечивают обработку сейсмических данных, полученных через приемники системы сейсмической разведки в соответствии с вариантами, описанными в заявке.Processor 64 may be any type of computer processor or microprocessor capable of executing program codes executable by a computer. Processor 64 may also include a group of processors that can perform the operations described below. The storage device 66 and data storage 68 may be any item that can serve as storage media for storing program codes executed by a processor, data, or the like. These articles may be computer-readable storage media (eg, any suitable form of memory or data storage) that may store program codes used by the processor 64 to perform the processes described in the application. Typically, processor 64 may execute software applications including programs that process seismic data acquired through seismic acquisition system receivers in accordance with the embodiments described in the application.
В одном или в нескольких вариантах процессор 64 может осуществлять функции одного или нескольких процессоров классификации и/или сегментации или работать вместе с ними. В одном или в нескольких вариантах процессоры классификации и/или сегментации могут быть, например, линейными классификаторами (такими как, например, классификаторы в форме многослойного персептрона), классификаторами, использующими опорные векторы, и/или квадратичными классификаторами. В других вариантах процессоры классификации и/или сегментации могут быть реализованы с использованием нейронных сетей. Одна или несколько нейронных сетей могут быть реализованы с помощью программных или аппаратных средств. Одна или несколько нейронных сетей могут быть сверточными нейронными сетями. В одном или в нескольких вариантах процессоры классификации и/или сегментации могут выполнять сегментацию изображений.In one or more embodiments, processor 64 may perform the functions of or work in conjunction with one or more classification and/or segmentation processors. In one or more embodiments, the classification and/or segmentation processors may be, for example, linear classifiers (such as, for example, multilayer perceptron classifiers), support vector machine classifiers, and/or quadratic classifiers. In other embodiments, classification and/or segmentation processors may be implemented using neural networks. One or more neural networks can be implemented using software or hardware. One or more neural networks may be convolutional neural networks. In one or more embodiments, classification and/or segmentation processors may perform image segmentation.
В одном или в нескольких вариантах эти процессоры классификации и/или сегментации могут обеспечивать ответные сигналы на различные входные сигналы. Процесс, посредством которого процессор классификации и/или сегментации обучается и отвечает на различные входные сигналы, может быть в общем случае указан как процесс обучения.In one or more embodiments, these classification and/or segmentation processors may provide responses to various input signals. The process by which a classification and/or segmentation processor learns and responds to various input signals may be generally referred to as a learning process.
Запоминающее устройство 66 и хранилище 68 данных также могут использоваться для хранения данных, результатов анализа данных, программных приложений и т.п. Запоминающее устройство 66 и хранилище 68 данных могут представлять собой энергонезависимые машиночитаемые носители информации (например, любые подходящие формы запоминающих устройств или хранилищ данных), которые могут хранить программные коды, используемые процессором 64 для выполнения различных процессов, описанных в заявке. Следует отметить, что термин энергонезависимый (физический) просто указывает, что носитель информации является материальным объектом, а не сигналом.Memory 66 and data storage 68 may also be used to store data, data analysis results, software applications, and the like. Memory 66 and data storage 68 may be non-transitory computer-readable storage media (eg, any suitable form of memory or data storage) that may store program codes used by processor 64 to perform various processes described in the application. It should be noted that the term non-volatile (physical) simply indicates that the storage medium is a material object and not a signal.
Порты 70 ввода-вывода могу быть средствами сопряжения, которые могут обеспечивать соединение с другими периферийными устройствами, такими как устройства ввода данных (например, клавиатура, мышь), датчики, модули ввода-вывода и т.п. Порты 70 ввода-вывода могут обеспечивать возможность для вычислительной системы 60 обмена информацией с другими устройствами в системе 22 морской сейсмической разведки, в системе 38 наземной сейсмической разведки и в других подобных системах через порты 70 ввода-вывода.I/O ports 70 may be interfaces that may provide connections to other peripheral devices, such as input devices (eg, keyboard, mouse), sensors, I/O modules, and the like. The I/O ports 70 may enable the computing system 60 to exchange information with other devices in the marine seismic system 22, the land seismic system 38, and other similar systems through the I/O ports 70.
На дисплее 72 может визуализироваться информация, связанная с программным обеспечением или исполняемыми программными кодами, обрабатываемыми процессором 64. В одном из вариантов дисплей 72 может быть сенсорным дисплеем, способным принимать информацию, вводимую пользователем вычислительной системы 60. Дисплей 72 может также использоваться для просмотра и изучения результатов анализа полученных сейсмических данных для определения геологических образований в подземной зоне 26, расположения и характеристик месторождений углеводородов в подземной зоне 26, прогноза сейсмических характеристик, связанных с одной или с несколькими скважинами в подземной зоне 26 и т.п. Дисплей 72 может быть любым подходящим типом дисплея, таким как, например, жидкокристаллический дисплей, плазменный дисплей или дисплей на органических светодиодах. В дополнение к отображению на дисплее 72 визуальных образов, описанных в заявке, следует отметить, что вычислительная система 60 может также осуществлять отображение информации и на других физических средствах, таких как бумага (например, с использованием печати) и т.п.The display 72 may display information associated with software or executable program codes being processed by the processor 64. In one embodiment, the display 72 may be a touchscreen display capable of receiving information input from a user of the computing system 60. The display 72 may also be used for viewing and studying. the results of analysis of acquired seismic data to determine geological formations in subterranean zone 26, the location and characteristics of hydrocarbon deposits in subterranean zone 26, predict seismic characteristics associated with one or more wells in subterranean zone 26, and the like. The display 72 may be any suitable type of display, such as, for example, a liquid crystal display, a plasma display, or an OLED display. In addition to displaying the visual images described in the application on the display 72, it should be noted that the computing system 60 may also display information on other physical media such as paper (eg, using printing) and the like.
С учетом всего вышесказанного технология, описанная в заявке, может быть также осуществлена с помощью суперкомпьютера, использующего многочисленные вычислительные системы 60, с помощью облачной вычислительной системы или им подобных средств, для распределения процессов, подлежащих выполнению вычислительными системами 60. В этом случае каждая вычислительная система 60, работающая как часть суперкомпьютера, может содержать не все компоненты из перечня, указанного выше для вычислительной системы 60. Например, в вычислительных системах 60 могут отсутствовать дисплеи 72, поскольку в использовании этих дисплеев нет необходимости для суперкомпьютера, предназначенного для непрерывной обработки сейсмических данных.Having said all of the above, the technology described in the application can also be implemented using a supercomputer using multiple computing systems 60, using a cloud computing system or the like, to distribute processes to be performed by the computing systems 60. In this case, each computing system 60 operating as part of a supercomputer may not contain all of the components listed above for the computing system 60. For example, the computing systems 60 may not have displays 72 because these displays are not necessary for a supercomputer designed to continuously process seismic data.
- 4 044840- 4 044840
После осуществления различных типов обработки сейсмических данных вычислительная система 60 может сохранять результаты анализа в одной или в нескольких базах 74 данных. Базы 74 данных могут быть подсоединены к сети, которая может передавать данные в вычислительную систему 60 и принимать данные из нее через устройство 62 связи. Кроме того, базы 74 данных могут сохранять информацию, относящуюся к подземной зоне 26, такую как предыдущие сейсмограммы, данные геологических образцов, сейсмические изображения и им подобную информацию, относящуюся к подземной зоне 26.After performing various types of seismic data processing, the computing system 60 may store the analysis results in one or more databases 74 . The databases 74 may be connected to a network that may transmit data to and receive data from the computing system 60 through a communication device 62 . In addition, the databases 74 may store information related to the subterranean zone 26, such as previous seismograms, geological sample data, seismic images, and the like information related to the subterranean zone 26.
Хотя в отношении вычислительной системы 60 были указаны вышеописанные компоненты, следует отметить, что вычислительная система 60 может быть сформирована из других им подобных компонентов. Кроме того, вычислительная система 60 может быть также частью системы 22 морской сейсмической разведки или системы 38 наземной сейсмической разведки и, соответственно, может осуществлять мониторинг и управление определенными операциями сейсмических источников 32 или 40, приемников 36, 44, 46 и им подобных устройств. Кроме того, следует отметить, что перечисленные компоненты указываются в качестве примеров, и варианты, рассмотренные в настоящей заявке, не ограничиваются компонентами, описанными со ссылками на фиг. 4.Although the above-described components have been indicated with respect to the computing system 60, it should be noted that the computing system 60 may be formed from other similar components. In addition, the computing system 60 may also be part of a marine seismic system 22 or a land seismic system 38 and, accordingly, may monitor and control certain operations of seismic sources 32 or 40, receivers 36, 44, 46, and the like. In addition, it should be noted that the listed components are provided as examples, and the embodiments discussed herein are not limited to the components described with reference to FIGS. 4.
В некоторых вариантах вычислительная система 60 может генерировать двухмерное или трехмерное представление подземной зоны 26 на основе сейсмических данных, полученных от вышеупомянутых приемников. Кроме того, сейсмические данные, связанные с различными комбинациями источникприемник, могут быть объединены для формирования практически непрерывного профиля подземной зоны 26, которая может простираться на некоторое расстояние. При двухмерной сейсмической разведке точки расположения приемников могут быть распределены по одной линии, в то время как при трехмерной сейсмической разведке точки расположения приемников могут быть распределены по поверхности, формируя сетку. Таким образом, двухмерная сейсмическая разведка может обеспечивать вид сечения (вертикальный разрез) подземных слоев, как они расположены непосредственно под точками расположения приемников. С другой стороны, трехмерная сейсмическая разведка может обеспечивать трехмерный массив данных, который может соответствовать трехмерному изображению подземной зоны 26.In some embodiments, the computing system 60 may generate a two-dimensional or three-dimensional representation of the subterranean zone 26 based on seismic data obtained from the aforementioned receivers. In addition, seismic data associated with various source receiver combinations can be combined to form a substantially continuous profile of the subterranean zone 26, which can extend over some distance. In a 2D seismic survey, receiver locations may be distributed along a single line, while in a 3D seismic survey, receiver locations may be distributed over the surface to form a grid. In this way, a 2D seismic survey can provide a cross-sectional view (vertical section) of the subsurface layers as they lie directly below the receiver locations. On the other hand, a 3D seismic survey may provide a 3D dataset that may correspond to a 3D image of the subterranean zone 26.
Кроме того, может использоваться четырехмерная сейсмическая разведка (съемка с заданным временным интервалом), которая может включать сейсмические данные, полученные при выполнении трехмерной сейсмической разведки в разные моменты времени. Используя разные сейсмические изображения, полученные в разные моменты времени, вычислительная система 60 может сравнивать два изображения для определения изменений в подземной зоне 26.In addition, a 4D seismic survey (time-lapse survey) may be used, which may include seismic data obtained from a 3D seismic survey at different points in time. Using different seismic images acquired at different points in time, the computing system 60 can compare the two images to determine changes in the subterranean zone 26.
В любом случае результаты сейсмической разведки могут содержать большое количество отдельных сейсмических записей или сейсмотрасс. В этом случае вычислительная система 60 может использоваться для анализа полученных сейсмических данных для получения изображения, представляющего подземную зону 26, и определения местонахождения и характеристик месторождений углеводородов. Для этой цели могут использоваться различные алгоритмы обработки сейсмических данных для устранения шумов из полученных сейсмических данных, перемещения предварительно обработанных сейсмических данных, определения сдвигов между множеством сейсмических изображений, выравнивания множества сейсмических изображений и других, им подобных операций.In any case, seismic survey results may contain a large number of individual seismic records or seismic traces. In this case, the computing system 60 may be used to analyze the acquired seismic data to obtain an image representative of the subterranean zone 26 and determine the location and characteristics of hydrocarbon deposits. For this purpose, various seismic data processing algorithms can be used to denoise acquired seismic data, move preprocessed seismic data, determine offsets between multiple seismic images, align multiple seismic images, and other similar operations.
После анализа вычислительной системой 60 полученных сейсмических данных результаты этого анализа (например, сейсмограммы, сейсмические изображения, карта геологических образований и т.п.) могут использоваться для выполнения различных операций в отраслях разведки и добычи углеводородов. Например, как это уже указывалось, полученные сейсмические данные могут использоваться для осуществления способа 10 фиг. 1, на котором детализируются различные процессы, которые могут быть выполнены на основе анализа полученных сейсмических данных.Once the acquired seismic data is analyzed by the computing system 60, the results of this analysis (eg, seismograms, seismic images, geological formation map, etc.) can be used to perform various operations in the hydrocarbon exploration and production industries. For example, as already indicated, the acquired seismic data can be used to implement the method 10 of FIG. 1, which details the various processes that can be performed based on the analysis of acquired seismic data.
В некоторых вариантах результаты анализа сейсмических данных могут обеспечиваться в сочетании со схемой обработки сейсмических данных, которая включает сбор сейсмических данных, редактирование сейсмических данных, первоначальную обработку сейсмических данных, обработку сигналов, приведение к требуемым условиям и получение изображений (которая может включать, например, получение отображаемых разрезов или объемов) перед какой-либо интерпретацией сейсмических данных, другое улучшение изображений в соответствии с заданными целями разведки, получение атрибутов для обработанных сейсмических данных, повторную интерпретацию сейсмических данных, при необходимости, и определение и/или прогнозирование перспектив бурения или другие применения сейсмической разведки. В результате может быть определено расположение углеводородов в подземной зоне 26. Ниже будут более подробно описаны технологии для обнаружения особенностей подземной зоны по сейсмическим данным/изображениям.In some embodiments, seismic data analysis results may be provided in conjunction with a seismic data processing circuit that includes seismic data acquisition, seismic data editing, seismic data initial processing, signal processing, conditioning, and imaging (which may include, for example, imaged sections or volumes) before any interpretation of seismic data, other image enhancement in accordance with specified exploration objectives, obtaining attributes for processed seismic data, reinterpretation of seismic data, if necessary, and identification and/or prediction of drilling prospects or other applications of seismic intelligence. As a result, the location of hydrocarbons in the subterranean zone 26 can be determined. Technologies for detecting subterranean features from seismic data/images will be described in more detail below.
В процессе обработки сейсмических данных может быть необходимо определить случаи алиасинга в сейсмических данных. Алиасинг обычно относится к явлению, которое приводит к тому, что разные сигналы становятся неотличимыми друг от друга, когда осуществляется их дискретизация. Кроме того, если представление данных, содержащихся в сигналах, формируется на основе дискретизированных сигналов, которые отличаются от действительных сигналов, то в результате на основе дискретизированных сигналов формируется представление, которое отличается от действительного представления. После обнаружения алиасинга в представлении сейсмических данных этот алиасинг может быть устранен. Обна- 5 044840 ружение и устранение алиасинга может быть особенно важным в случае выполнения интерполяции с использованием обработанных сейсмических данных.During seismic data processing, it may be necessary to identify instances of aliasing in seismic data. Aliasing generally refers to a phenomenon that causes different signals to become indistinguishable from each other when they are sampled. In addition, if a representation of the data contained in the signals is formed based on sampled signals that differ from the actual signals, then the result is that a representation is formed from the sampled signals that differs from the actual representation. Once aliasing is detected in the seismic data representation, the aliasing can be removed. Detecting and eliminating aliasing can be especially important when performing interpolation using processed seismic data.
Термин интерполяция обычно означает процесс определения новых частей/точек данных на основе массива известных данных. В контексте обработки сейсмических данных интерполяция обычно относится к процессу определения новой части сейсмических данных на основе имеющейся части этих данных. При выполнении интерполяции сейсмических данных определение и/или устранение алиасинга из имеющейся части сейсмических данных может быть важным, поскольку наличие алиасинга в имеющейся части сейсмических данных может привести к появления ошибочных данных в новой части сейсмических данных, полученной путем интерполяции. В общем случае большинство алгоритмов интерполяции работают неудовлетворительно, когда они применяются к сейсмическим данным, содержащим алиасинг.The term interpolation generally refers to the process of identifying new pieces/data points based on a body of known data. In the context of seismic data processing, interpolation generally refers to the process of defining a new piece of seismic data based on an existing piece of that data. When interpolating seismic data, identifying and/or eliminating aliasing from an existing portion of seismic data can be important because the presence of aliasing in an existing portion of seismic data may result in erroneous data in the new interpolated portion of seismic data. In general, most interpolation algorithms perform poorly when applied to seismic data containing aliasing.
Ввиду вышеуказанных технических проблем, вызываемых алиасингом, имеющимся в сейсмических данных, когда сейсмические данные должны обрабатываться, один или несколько вариантов осуществления настоящего изобретения направлены на способ и устройство, обеспечивающие идентификацию и/или устранение алиасинга с помощью алгоритмов глубокого обучения. В частности, один или несколько вариантов осуществления настоящего изобретения могут осуществлять устранение алиасинга. Алгоритмы, предназначенные для осуществления компьютером, обычно сталкиваются с трудностями при попытках идентификации и устранения алиасинга. Один или несколько вариантов осуществления настоящего изобретения могут использоваться для улучшения способов интерполяции, таких как способы проецирования на выпуклые множества и способы, использующие преобразования Фурье, в которых устраняется растекание спектра.In view of the above technical problems caused by aliasing present in seismic data when seismic data is to be processed, one or more embodiments of the present invention are directed to a method and apparatus for identifying and/or eliminating aliasing using deep learning algorithms. In particular, one or more embodiments of the present invention may perform aliasing removal. Algorithms designed to be executed by a computer typically encounter difficulties when attempting to identify and eliminate aliasing. One or more embodiments of the present invention can be used to improve interpolation methods, such as convex set projection methods and methods using Fourier transforms that eliminate spectral spreading.
Для обнаружения и/или устранения алиасинга из сейсмических данных, в одном или в нескольких вариантах могут выполняться один или несколько нижеописанных шагов способа. Способ может включать выполнение моделирования подземной зоны для получения соответствующих сейсмических данных. Моделирование в общем случае относится к получению имитируемой подземной зоны и к ее представлению с использованием соответствующих имитируемых сейсмических данных. В процессе выполнения моделирования в способе могут генерироваться: 1) имитируемые сейсмические данных, которые не включают алиасинг; и 2) имитируемые сейсмические данные, которые включают алиасинг. Ниже описаны конкретные сейсмические данные, полученные в результате моделирования, однако другие варианты осуществления настоящего изобретения могут быть применены к любому другому типу данных, из которых должен быть устранен алиасинг.To detect and/or remove aliasing from seismic data, one or more of the following method steps may be performed in one or more embodiments. The method may include performing a simulation of the subterranean zone to obtain corresponding seismic data. Modeling generally refers to obtaining a simulated subsurface zone and representing it using appropriate simulated seismic data. In the process of performing modeling, the method can generate: 1) simulated seismic data that does not include aliasing; and 2) simulated seismic data that includes aliasing. Specific seismic data obtained from the simulation are described below, but other embodiments of the present invention can be applied to any other type of data from which aliasing must be removed.
После получения вышеуказанных имитируемых сейсмических данных способ может включать отображение полученных сейсмических данных на другую область для осуществления анализа данных, как это будет подробно описано ниже. В частности, в одном или в нескольких вариантах может осуществляться отображение, например, на область Фурье. Хотя в настоящей заявке конкретно указана область Фурье, однако в других вариантах отображение данных может осуществляться на другие области с использованием других преобразований, таких как, например, вейвлет-преобразование, сейслетпреобразование, преобразование Абеля, преобразование Бейтмена, преобразование Габора, преобразование Лапласа, преобразование Якоби и/или любые другие типы преобразований.After acquiring the above simulated seismic data, the method may include mapping the acquired seismic data to another area to perform data analysis, as will be described in detail below. In particular, one or more embodiments may map to, for example, a Fourier domain. Although the Fourier domain is specifically referenced herein, in other embodiments the data may be mapped to other domains using other transforms such as, for example, the Wavelet transform, Seyslet transform, Abel transform, Bateman transform, Gabor transform, Laplace transform, Jacobi transform and/or any other types of transformations.
После генерации сейсмических данных без алиасинга и сейсмических данных с алиасингом (вместе с их соответствующими представлениями в области Фурье) в одном или в нескольких вариантах может осуществляться обучение вычислительной системы для идентификации характеристик алиасинга внутри данных путем анализа сгенерированных данных с алиасингом и сгенерированных данных без алиасинга. Идентифицируемые характеристики алиасинга могут быть указаны в общем случае как сигнатуры алиасинга. В этой связи в одном или в нескольких вариантах может осуществляться обучение процессора классификации и/или сегментации для анализа данных с алиасингом, чтобы выделить сигнатуру алиасинга. В одном или в нескольких вариантах могут также анализироваться соответствующие преобразования данных с алиасингом и данных без алиасинга для выделения сигнатуры алиасинга, которая появляется в области Фурье.Once the unaliased seismic data and the aliased seismic data (along with their respective Fourier domain representations) have been generated, in one or more embodiments, a computing system may be trained to identify aliasing characteristics within the data by analyzing the generated aliased data and the generated non-aliased data. Identifiable aliasing characteristics may be specified generally as aliasing signatures. Accordingly, in one or more embodiments, a classification and/or segmentation processor may be trained to analyze the aliased data to extract an aliasing signature. In one or more embodiments, corresponding transformations of the aliased data and the non-aliased data may also be analyzed to extract the aliasing signature that appears in the Fourier domain.
В одном или в нескольких вариантах процессор классификации и/или сегментации, который должен быть обучен, может быть вычислительной системой, в которой реализуется алгоритм глубокого обучения. В этом случае в способе, используемом в одном или в нескольких вариантах, может осуществляться реализованный алгоритм глубокого обучения для идентификации сигнатур алиасинга, причем одна или несколько сигнатур алиасинга могут появиться, например, в области Фурье. В одном или в нескольких вариантах реализованный алгоритм глубокого обучения может быть алгоритмом многослойного персептрона. Хотя указаны конкретно алгоритмы многослойного персептрона, в других вариантах могут использоваться другие реализованные алгоритмы глубокого обучения.In one or more embodiments, the classification and/or segmentation processor to be trained may be a computing system on which the deep learning algorithm is implemented. In this case, the method used in one or more embodiments may implement an implemented deep learning algorithm to identify aliasing signatures, wherein one or more aliasing signatures may appear, for example, in a Fourier domain. In one or more embodiments, the implemented deep learning algorithm may be a multilayer perceptron algorithm. Although multilayer perceptron algorithms are specifically indicated, other embodiments may use other deep learning algorithms implemented.
В процессе обучения процессора классификации и/или сегментации его обучение может осуществляться путем анализа отмеченных экземпляров сейсмических данных. Данные с алиасингом (и соответствующее преобразование) могут быть отмечены как с алиасингом, а данные без алиасинга (и соответствующее преобразование) могут быть отмечены как без алиасинга. Затем эти экземпляры данных с алиасингом и экземпляры данных без алиасинга могут быть поданы на вход системы глубокого обучения для завершения процесса обучения.During training of the classification and/or segmentation processor, it may be trained by analyzing tagged seismic data instances. Data with aliasing (and the corresponding transformation) can be labeled as aliased, and data without aliasing (and the corresponding transformation) can be labeled as non-aliased. These aliased data instances and non-aliased data instances can then be fed to the input of the deep learning system to complete the training process.
- 6 044840- 6 044840
Как уже указывалось, система глубокого обучения может быть обучена с использованием массивов имитируемых данных с алиасингом и данных без алиасинга. Имитируемые данные могут быть указаны в общем случае как синтезированные данные. Затем после подготовки системы глубокого обучения для идентификации сигнатур алиасинга (и, соответственно, подготовки для обнаружения возникновения алиасинга в сейсмических данных) в одном или в нескольких вариантах обученная система глубокого обучения может использоваться для обнаружения возникновения алиасинга в действительных сейсмических данных, которые подлежат анализу (в отличие от анализа вышеуказанных имитируемых сейсмических данных). Действительные сейсмические данные могут быть сейсмическими данными, для которых должен быть идентифицирован алиасинг, и из которых должен быть устранен идентифицированный алиасинг. Как и в процессе, который применяют к вышеописанным смоделированным/имитируемым данным, в способе по одному или по нескольким вариантам действительные сейсмические данные также отображают в область Фурье.As already stated, a deep learning system can be trained using both aliased and non-aliased simulated data sets. The data being simulated can be generally referred to as synthesized data. Then, after training the deep learning system to identify aliasing signatures (and thus being trained to detect the occurrence of aliasing in seismic data), in one or more embodiments, the trained deep learning system can be used to detect the occurrence of aliasing in the actual seismic data that is to be analyzed (in different from the analysis of the above simulated seismic data). The actual seismic data may be seismic data for which aliasing is to be identified, and from which the identified aliasing is to be removed. As in the process that is applied to the above-described modeled/simulated data, the method, in one or more embodiments, also maps the actual seismic data into a Fourier domain.
Затем в одном или в нескольких вариантах действительные сейсмические данные (и их соответствующее преобразование) подают на вход обученной системы глубокого обучения. Затем система может идентифицировать сигнатуры алиасинга в действительных сейсмических данных и устранить алиасинг, соответствующий идентифицированным сигнатурам, из действительных сейсмических данных.Then, in one or more embodiments, the actual seismic data (and its corresponding transformation) is fed to the input of the trained deep learning system. The system can then identify aliasing signatures in the actual seismic data and remove the aliasing corresponding to the identified signatures from the actual seismic data.
В одном или в нескольких вариантах может идентифицироваться и устраняться алиасинг из преобразованных сейсмических данных (то есть, алиасинг может быть устранен из сейсмических данных, представленных в области Фурье). После устранения алиасинга в способе по одному или по нескольким вариантам может быть выполнено обратное преобразование Фурье преобразованных сейсмических данных. В результате обратного преобразования Фурье в одном или в нескольких вариантах осуществления настоящего изобретения преобразованные сейсмические данные могут быть преобразованы из области Фурье обратно во временную область.In one or more embodiments, aliasing may be identified and removed from the transformed seismic data (ie, aliasing may be removed from seismic data represented in the Fourier domain). After eliminating aliasing in the method, one or more options can perform an inverse Fourier transform of the converted seismic data. As a result of the inverse Fourier transform, in one or more embodiments of the present invention, the transformed seismic data can be transformed from the Fourier domain back to the time domain.
Как уже указывалось, в одном или в нескольких вариантах сначала может осуществляться обучение процессора классификации и/или сегментации с использованием смоделированных сейсмических данных. На фиг. 5 приведены представления смоделированных сейсмических данных, которые не содержат алиасинг. Представление 510 может быть смоделированными сейсмическими данными, показанными в координатах времени и расстояния. В одном или в нескольких вариантах может осуществляться преобразование для отображения смоделированных сейсмических данных в другую область. Например, в одном или в нескольких вариантах осуществления настоящего изобретения может осуществляться преобразование Фурье сейсмических данных представления 510, чтобы преобразовать сейсмические данные в область Фурье. Представление 520 относится к сейсмическим данным, полученным в области Фурье, в которой сейсмические данные показаны в координатах частоты и волнового числа. Представления 510 и 520 могут быть примерами смоделированных данных, которые не содержат алиасинг.As already indicated, in one or more embodiments, a classification and/or segmentation processor may first be trained using simulated seismic data. In fig. Figure 5 shows representations of simulated seismic data that do not contain aliasing. Representation 510 may be simulated seismic data displayed in time and distance coordinates. In one or more embodiments, a transformation may be performed to map the modeled seismic data to another area. For example, in one or more embodiments of the present invention, a Fourier transform may be performed on the seismic data of representation 510 to transform the seismic data into a Fourier domain. Representation 520 relates to seismic data acquired in the Fourier domain, in which the seismic data is shown in frequency and wavenumber coordinates. Views 510 and 520 may be examples of simulated data that do not contain aliasing.
На фиг. 6 показаны сравнительные представления сейсмических данных без алиасинга и сейсмических данных с алиасингом. Как уже указывалось, представление 510 является представлением сейсмических данных без алиасинга, показанных в координатах времени и расстояния.In fig. Figure 6 shows comparative views of seismic data without aliasing and seismic data with aliasing. As already indicated, representation 510 is a representation of unaliased seismic data shown in time and distance coordinates.
Представление 520 является представлением тех же сейсмических данных без алиасинга, полученным в области Фурье, в которой сейсмические данные показаны в координатах частоты и волнового числа. Как уже указывалось, в одном или в нескольких вариантах могут генерироваться смоделированные данные, которые включают алиасинг. В частности, в одном или в нескольких вариантах может осуществляться способ разреживания сейсмических данных без алиасинга для генерации сейсмических данных с алиасингом. Представление 610 является представлением сейсмических данных с алиасингом, показанных в координатах времени и расстояния. Представление 610 является представлением данных с алиасингом, полученных из данных без алиасинга представления 510. Как видно вверху слева на представлении 610, оно включает ступенчатые формы, которые обычно являются указанием на наличие алиасинга. Представление 620 является представлением тех же сейсмических данных с алиасингом, полученным в области Фурье, в которой сейсмические данные показаны в координатах частоты и волнового числа. Сравнивая представление 520 Фурье и представление 620 Фурье, можно отметить, что нижняя часть 621 слева и верхняя часть 622 справа представления 620 Фурье указывают на наличие алиасинга.Representation 520 is a Fourier domain representation of the same seismic data without aliasing, in which the seismic data is shown in frequency and wavenumber coordinates. As already indicated, in one or more embodiments, modeled data may be generated that includes aliasing. In particular, in one or more embodiments, a method of rarefying non-aliased seismic data to generate aliased seismic data may be implemented. View 610 is a representation of aliased seismic data shown in time and distance coordinates. View 610 is a representation of aliased data derived from unaliased data of view 510. As seen at the top left of view 610, it includes stepped shapes, which are typically an indication of the presence of aliasing. View 620 is an aliased Fourier domain representation of the same seismic data, in which the seismic data is shown in frequency and wavenumber coordinates. Comparing the Fourier representation 520 and the Fourier representation 620, it can be noted that the lower left portion 621 and the upper right portion 622 of the Fourier representation 620 indicate the presence of aliasing.
Как уже указывалось, в одном или в нескольких вариантах может осуществляться обучение процессора классификации и/или сегментации с использованием отмеченных входных данных. Обучение процессора классификации и/или сегментации может осуществляться на смоделированных (имитируемых) сейсмических данных и/или на действительных сейсмических данных. В одном или в нескольких вариантах представления данных с алиасингом и представления данных без алиасинга могут быть отмечены, и в одном или в нескольких вариантах отмеченные представления могут быть поданы на вход процессора классификации и/или сегментации для облегчения обучения этого процессора. Сейсмические данные, которые были отображены на область преобразования, также могут быть отмечены и поданы на вход процессора классификации и/или сегментации. В этом случае процессор классификации и/или сегментации может обнаруживать присутствие алиасинга с использованием глубокого обучения.As already indicated, in one or more embodiments, a classification and/or segmentation processor may be trained using the labeled input data. The classification and/or segmentation processor may be trained on modeled (simulated) seismic data and/or on actual seismic data. In one or more embodiments, the aliased data representations and the non-aliased data representations may be marked, and in one or more embodiments, the marked representations may be provided as input to a classification and/or segmentation processor to facilitate training of that processor. Seismic data that has been mapped to the transform region may also be marked and provided as input to a classification and/or segmentation processor. In this case, the classification and/or segmentation processor can detect the presence of aliasing using deep learning.
Процессор классификации и/или сегментации может быть классификатором, реализованным в форме многослойного персептрона. Хотя в одном или в нескольких вариантах может использоватьсяThe classification and/or segmentation processor may be a classifier implemented in the form of a multilayer perceptron. Although it can be used in one or more ways
- 7 044840 вышеуказанный классификатор, однако в других вариантах могут использоваться другие типы классификаторов, таких как, например, другие линейные классификаторы, классификаторы опорных векторов, квадратичные классификаторы. Процессор классификации и/или сегментации может быть также реализован с использованием сверточных нейронных сетей, и/или циклических нейронных сетей, и т.п. Может быть осуществлено обучение процессора классификации и/или сегментации для обнаружения присутствия алиасинга в представлении преобразованных данных.- 7 044840 the above classifier, however in other embodiments other types of classifiers may be used, such as, for example, other linear classifiers, support vector classifiers, quadratic classifiers. The classification and/or segmentation processor may also be implemented using convolutional neural networks and/or circular neural networks, and the like. The classification and/or segmentation processor may be trained to detect the presence of aliasing in the representation of the transformed data.
Таким образом, в том случае, когда данные с алиасингом были преобразованы в область Фурье, может быть осуществлено обучение процессора классификации и/или сегментации для классификации/идентификации частей сейсмических данных (в спектре частота-волновое число), содержащих алиасинг.Thus, when the aliased data has been converted to Fourier domain, a classification and/or segmentation processor can be trained to classify/identify portions of the seismic data (in the frequency-wavenumber spectrum) containing the aliasing.
Для классификации/идентификации алиасинга, имеющего место в сейсмических данных, обученным процессором классификации и/или сегментации в одном или в нескольких вариантах этот процессор может генерировать на выходе интерпретируемые двоичные данные в ответ на вводимые сейсмические данные. Что касается отметок сейсмических данных, которые используются для обучения процессора классификации и/или сегментации, то отметка 1 может быть сделана для данных, которые содержат алиасинг, в то время как отметка 0 может быть сделана для данных, которые не содержат алиасинг. Как уже указывалось, сейсмические данные, которые отображаются на область преобразования, могут использоваться для обучения процессора классификации и/или сегментации. В одном из примеров, когда в преобразовании Фурье входных данных Xf(i, j) имеет место алиасинг, обученный процессор классификации и/или сегментации может формировать на выходе двоичные данные, которые соответствуют y(i, j) = 1. Когда в преобразовании Фурье входных данных Xf(i, j) нет алиасинга, обученный процессор классификации и/или сегментации может генерировать на выходе двоичные данные, которые соответствуют y(i, j) = 0. Далее, в одном или в нескольких вариантах обученный процессор классификации и/или сегментации может быть также сконфигурирован для того, чтобы генерировать на выходе более сложные данные, такие как y(i, j) = р, где 0 <р<1, и р представляет вероятность присутствия алиасинга. В результате анализа отмеченных входных данных в одном или в нескольких вариантах может быть осуществлено обучение системы для обнаружения присутствия алиасинга в сейсмических данных, представленных, например, в области Фурье. Как уже указывалось, в других вариантах может осуществляться обучение для обнаружения присутствия алиасинга в других областях, таких как, например, вейвлет-область и/или сейслет-область.To classify/identify aliasing occurring in seismic data, a trained classification and/or segmentation processor, in one or more embodiments, may output interpretable binary data in response to the input seismic data. With respect to the seismic data marks that are used to train the classification and/or segmentation processor, a mark 1 can be made for data that contains aliasing, while a mark 0 can be made for data that does not contain aliasing. As already indicated, seismic data that is mapped to a transform domain can be used to train a classification and/or segmentation processor. In one example, when there is aliasing in the Fourier transform of the input data Xf(i, j), a trained classification and/or segmentation processor can produce binary data output that corresponds to y(i, j) = 1. When the Fourier transform input data Xf(i, j) is not aliased, the trained classification and/or segmentation processor can generate output binary data that corresponds to y(i, j) = 0. Further, in one or more embodiments, the trained classification and/or segmentation processor segmentation can also be configured to output more complex data, such as y(i, j) = p, where 0 < p < 1, and p represents the probability of aliasing present. By analyzing the marked input data in one or more ways, the system can be trained to detect the presence of aliasing in seismic data represented, for example, in the Fourier domain. As already indicated, in other embodiments, training may be performed to detect the presence of aliasing in other regions, such as, for example, a wavelet region and/or a seslet region.
После того, как осуществлено обучение процессора классификации и/или сегментации для обнаружения присутствия алиасинга, в одном или в нескольких вариантах могут быть выделены те части сейсмических данных, которые содержат алиасинг. Например, в одном или в нескольких вариантах процессор классификации и/или сегментации может формировать маску на основе частей с обнаруженным алиасингом, и эта маска может использоваться для устранения энергии алиасинга.Once a classification and/or segmentation processor has been trained to detect the presence of aliasing, portions of the seismic data that contain the aliasing may, in one or more embodiments, be isolated. For example, in one or more embodiments, a classification and/or segmentation processor may generate a mask based on the parts with detected aliasing, and the mask may be used to remove aliasing energy.
На фиг. 7 показано представление данных с алиасингом в области Фурье, вместе с соответствующей маской, в соответствии с одним или несколькими вариантами осуществления настоящего изобретения. Как уже указывалось, после того, как процессор классификации и/или сегментации идентифицировал/выделил части данных, содержащие алиасинг, этот процессор может формировать маску на основе идентифицированных/выделенных частей данных, содержащих алиасинг. Затем эта маска может быть применена к данным с алиасингом для устранения этих данных. Представление 710 является представлением сейсмических данных с алиасингом (в области Фурье), в котором большое количество алиасинга присутствует в верхней правой и в нижней левой частях представления. Маска 720 соответствует маске (обозначена белым цветом), предназначенной для применения к алиасингу, который присутствует в верхней правой и в нижней левой частях представления 710.In fig. 7 illustrates a Fourier domain representation of aliased data, along with an associated mask, in accordance with one or more embodiments of the present invention. As already indicated, after a classification and/or segmentation processor has identified/selected aliased portions of the data, the processor may generate a mask based on the identified/selected aliased portions of the data. This mask can then be applied to the aliased data to eliminate the data. View 710 is an aliased (Fourier domain) view of seismic data in which a large amount of aliasing is present in the upper right and lower left portions of the view. Mask 720 corresponds to a mask (in white) intended to be applied to the aliasing that is present in the upper right and lower left portions of view 710.
Как уже указывалось, маска может быть применена к преобразованным данным с алиасингом. После применения маски к преобразованным данным с алиасингом эта маска будет в общем случае устранять алиасинг из трансформированных данных с алиасингом, как это будет подробно описано ниже. В одном или в нескольких вариантах осуществления настоящего изобретения маска может включать одну или несколько величин для применения к преобразованным данным с алиасингом. Каждая величина маски может быть связана с частью преобразованных данных с алиасингом, и каждая величина указывает на обнаружение алиасинга в соответствующей части преобразованных данных с алиасингом. В одном из иллюстративных вариантов маска может включать двоичные величины 1 и 0, причем величина 1 присваивается, если в соответствующей части преобразованных данных с алиасингом был обнаружен алиасинг, и величина 0 присваивается, если в соответствующей части преобразованных данных с алиасингом алиасинг не был обнаружен. Хотя были указаны конкретные двоичные величины 0 и 1, однако в других вариантах для указания присутствия алиасинга могут использоваться и другие величины.As already stated, a mask can be applied to aliased transformed data. Once a mask is applied to the transformed aliased data, the mask will generally remove aliasing from the transformed aliased data, as will be detailed below. In one or more embodiments of the present invention, the mask may include one or more values for application to the transformed aliased data. Each mask value may be associated with a portion of the transformed aliased data, and each value indicates detection of aliasing in a corresponding portion of the transformed aliased data. In one illustrative embodiment, the mask may include binary values of 1 and 0, with a value of 1 assigned if aliasing was detected in a corresponding portion of the transformed aliased data and a value of 0 assigned if no aliasing was detected in a corresponding portion of the transformed aliased data. Although specific binary values of 0 and 1 have been specified, other values may be used in other embodiments to indicate the presence of aliasing.
В случае вышеописанного примера маски, которая включает двоичные величины 1 и 0, в одном или в нескольких вариантах маска может применятся к преобразованным данным с алиасингом путем удаления частей преобразованных данных с алиасингом, которые связаны с двоичной величиной 1, причем части преобразованных данных с алиасингом, которые связаны с двоичной величиной 0, не удаляются. Таким образом, в одном или в нескольких вариантах маска может применяться к преобразованным данным с алиасингом для эффективного удаления алиасинга из этих данных.In the case of the above example of a mask that includes binary values 1 and 0, in one or more embodiments, the mask may be applied to the transformed aliased data by removing portions of the transformed aliased data that are associated with the binary value 1, wherein portions of the transformed aliased data are that are associated with the binary value 0 are not deleted. Thus, in one or more embodiments, a mask may be applied to the transformed aliased data to effectively remove aliasing from the data.
- 8 044840- 8 044840
После удаления алиасинга из преобразованных данных с алиасингом в одном или в нескольких вариантах может быть выполнено обратное преобразование для отображения преобразованных данных (уже без алиасинга) во временной области. Например, в случае удаления алиасинга из данных с алиасингом, преобразованных в область Фурье, в одном или в нескольких вариантах может быть выполнено обратное преобразование Фурье для отображения сейсмических данных во временной области. Таким образом, в результате сейсмические данные будут выражены во временной области, причем из этих данных будет в значительной степени удален имеющийся алиасинг.After aliasing has been removed from the transformed aliased data, in one or more embodiments, a reverse transformation may be performed to display the transformed data (no longer aliased) in the time domain. For example, in the case of removing aliasing from Fourier-domain transformed aliased data, an inverse Fourier transform may be performed in one or more embodiments to display the seismic data in the time domain. Thus, the resulting seismic data will be expressed in the time domain, and the existing aliasing will be largely removed from the data.
В свете вышеизложенного в одном или в нескольких вариантах может использоваться маска для удаления алиасинга из сейсмических данных, которые были отображены на область преобразования. После удаления алиасинга из сейсмических данных, которые были отображены на область преобразования, в одном или в нескольких вариантах может выполняться обратное преобразование для отображения сейсмических данных во временную область. Поскольку алиасинг был удален ранее из сейсмических данных, то сейсмические данные (отображенные во временной области) будут в основном свободны от али асинга.In light of the above, in one or more embodiments, a mask may be used to remove aliasing from seismic data that has been mapped to the transform domain. After removing aliasing from seismic data that has been mapped to the transform domain, in one or more embodiments, an inverse transform may be performed to map the seismic data to the time domain. Since aliasing has previously been removed from the seismic data, the seismic data (displayed in the time domain) will be largely free of aliasing.
В дополнение к вышеуказанным достоинствам в одном или в нескольких вариантах может использоваться способ уточнения дискретизации и модификации эффективной частоты Найквиста. В частности, в одном или в нескольких вариантах осуществления настоящего изобретения частота Найквиста может быть эффективно увеличена. Алиасинг может возникать, когда сейсмические данные предназначены для представления сейсмических сигналов, частота которых превышает частоту Найквиста. В частности, алиасинг может возникать, когда частота сейсмических сигналов превышает частоту Найквиста, по скольку эти сигналы восстанавливают с использованием сигналов, частота которых меньше частоты Найквиста, как это описано более подробно ниже.In addition to the above advantages, one or more embodiments may employ a method for refining the sampling and modifying the effective Nyquist frequency. In particular, in one or more embodiments of the present invention, the Nyquist frequency can be effectively increased. Aliasing can occur when seismic data is designed to represent seismic signals whose frequency exceeds the Nyquist frequency. In particular, aliasing can occur when the frequency of seismic signals exceeds the Nyquist frequency, as these signals are reconstructed using signals whose frequency is less than the Nyquist frequency, as described in more detail below.
Если известно, что сейсмические данные содержат данные с алиасингом, и если может быть опре делена частота сигналов, из которых получены данные с алиасингом, то действительная частота данных с алиасингом может быть определена в соответствии со следующей математической зависимостью:If the seismic data is known to contain aliased data, and if the frequency of the signals from which the aliased data is derived can be determined, then the actual frequency of the aliased data can be determined according to the following mathematical relationship:
^алиасинга ^Найкв. - Ддейств. - fНайкв-) ^aliasing ^Nyqu. - Dact. - f Nikev- )
Поэтому, поскольку в одном или в нескольких вариантах могут быть определены части сейсмиче ских данных, содержащие алиасинг, и поскольку может быть определена частота данных с алиасингом, то в одном или в нескольких вариантах осуществления настоящего изобретения может быть также опре делена действительная частота данных с алиасингом.Therefore, since in one or more embodiments the portions of seismic data containing aliasing can be determined, and since the frequency of the aliased data can be determined, in one or more embodiments of the present invention the actual frequency of the aliased data can also be determined. .
Как уже указывалось, алиасинг может возникать, когда частота сейсмических сигналов превышает частоту Найквиста, поскольку эти сигналы восстанавливают с использованием сигналов, частота которых меньше частоты Найквиста. Таким образом, сейсмические данные, включающие данные с алиасингом и данные без алиасинга, вначале представляют в диапазоне частот от О до частоты Найквиста (f Найкв.)- Поскольку частоты некоторых сейсмических сигналов находятся за пределами вышеуказанного узкого диапазона частот, то эти сейсмические сигналы неверно интерпретируются в представлении сей смических данных, и, соответственно, возникает алиасинг.As already discussed, aliasing can occur when the frequency of seismic signals exceeds the Nyquist frequency, since these signals are reconstructed using signals whose frequency is less than the Nyquist frequency. Thus, seismic data, including aliased data and non-aliased data, are first presented in the frequency range from O to Nyquist frequency (f Nyquist). Since the frequencies of some seismic signals are outside the above narrow frequency range, these seismic signals are misinterpreted in the representation of seismic data, and, accordingly, aliasing occurs.
В одном или в нескольких вариантах сейсмические данные могут быть представлены теперь в более широкой полосе частот, например, от 0 до 2 fНайkB-- В одном или в нескольких вариантах сейсмические данные могут быть представлены в более широкой полосе частот путем перемещения данных с алиасингом на их правильные положения в области преобразования (такой как, например, пространство частотаволновое число), так что они не остаются в их первоначальном положении, как это описывается ниже более подробно. Таким образом, в одном или в нескольких вариантах осуществления настоящего изобретения сейсмические данные могут быть представлены правильно путем эффективного повышения частоты дискретизации. Таким образом, в одном или в нескольких вариантах осуществления настоящего изобретения сейсмические данные могут быть более корректно представлены путем эффективного удвоения частоты дискретизации. Хотя в вышеописанном варианте частота Найквиста эффективно увеличивается в два раза, однако в других вариантах эта частота может быть эффективно увеличена на любую другую требуемую величину.In one or more embodiments, the seismic data may now be represented over a wider frequency band, for example, from 0 to 2 f HikB- - In one or more embodiments, the seismic data may be represented over a wider frequency band by moving the aliased data to their correct positions in a transformation domain (such as frequency-wavenumber space) so that they do not remain in their original position, as is described in more detail below. Thus, in one or more embodiments of the present invention, seismic data can be represented correctly by effectively upsampling. Thus, in one or more embodiments of the present invention, seismic data can be more accurately represented by effectively doubling the sampling rate. Although the above embodiment effectively doubles the Nyquist frequency, in other embodiments the frequency can be effectively increased by any other desired amount.
В одном или в нескольких вариантах осуществления настоящего изобретения может осуществляться восстановление сейсмических данных, представленных в области преобразования (такой как, например, область частота-волновое число), в которой ширина полосы частот больше частоты Найквиста. Части сейсмических данных, которые были определены (с использованием алгоритма классификации) как данные, не содержащие алиасинг, могут быть оставлены в том виде, в каком они есть. Эти неизмененные части сейсмических данных могут быть представлены точно путем непосредственного представления. С другой стороны, части сейсмических данных, которые были определены как содержащие алиасинг, могут быть представлены в расширенном спектре.In one or more embodiments of the present invention, recovery of seismic data represented in a transform domain (such as, for example, a frequency-wavenumber domain) in which the frequency bandwidth is greater than the Nyquist frequency can be performed. Portions of seismic data that have been determined (using a classification algorithm) to be non-aliased data can be left as is. These unmodified portions of the seismic data can be represented accurately by direct representation. On the other hand, parts of the seismic data that have been identified as containing aliasing may be represented in a spread spectrum.
На фиг. 8 показано представление восстановленных данных после увеличения эффективной частоты Найквиста, в соответствии с одним или несколькими вариантами. В частности, на фиг. 8 иллюстрируется пример, в котором частота Найквиста (fнайkB-) эффективно удвоена. На фиг. 8А приведено представление сейсмических данных, которые содержат алиасинг. На фиг. 8В иллюстрируется преобразование Фурье тех же сейсмических данных, которые содержат алиасинг. На фиг. 8Б иллюстрируется представ-In fig. 8 shows a representation of the reconstructed data after increasing the effective Nyquist frequency, in accordance with one or more embodiments. In particular, in FIG. Figure 8 illustrates an example in which the Nyquist frequency (fn aikB- ) is effectively doubled. In fig. 8A is a representation of seismic data that contains aliasing. In fig. 8B illustrates the Fourier transform of the same seismic data that contains aliasing. In fig. 8B illustrates the representation
Claims (18)
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US62/871,491 | 2019-07-08 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| EA044840B1 true EA044840B1 (en) | 2023-10-05 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2019382288B2 (en) | Passive seismic imaging | |
| EP3436849B1 (en) | Determining displacement between seismic images using optical flow | |
| EP3436850B1 (en) | Determining displacement between seismic images using optical flow | |
| US20220342103A1 (en) | Noise Attenuation Methods Applied During Simultaneous Source Deblending and Separation | |
| EP3997488B1 (en) | Method for performing de-aliasing using deep learning | |
| US11428838B2 (en) | 4D time shift and amplitude joint inversion for velocity perturbation | |
| US11402528B2 (en) | Wavefield propagator for tilted orthorhombic media | |
| US20230103668A1 (en) | Method and apparatus for implementing a high-resolution seismic pseudo-reflectivity image | |
| AU2019243973A1 (en) | Seismic velocity derived hydrocarbon indication | |
| US11880008B2 (en) | Velocity model construction | |
| EA044840B1 (en) | METHOD AND DEVICE FOR ELIMINATING ALIASING USING DEEP LEARNING | |
| US10761230B2 (en) | System and method for identifying artifacts in seismic images | |
| US20240219596A1 (en) | Method and apparatus for estimating uncertainty of a velocity model of a subsurface region | |
| EA045222B1 (en) | 4D JOINT TIME SHIFT AND AMPLITUDE INVERSION FOR VELOCITY CHANGE |