KR102532502B1 - Seismic data processing device by deep learning and method thereof - Google Patents

Seismic data processing device by deep learning and method thereof Download PDF

Info

Publication number
KR102532502B1
KR102532502B1 KR1020200152794A KR20200152794A KR102532502B1 KR 102532502 B1 KR102532502 B1 KR 102532502B1 KR 1020200152794 A KR1020200152794 A KR 1020200152794A KR 20200152794 A KR20200152794 A KR 20200152794A KR 102532502 B1 KR102532502 B1 KR 102532502B1
Authority
KR
South Korea
Prior art keywords
transmission waveform
waveform element
reflection coefficient
coefficient function
seismic
Prior art date
Application number
KR1020200152794A
Other languages
Korean (ko)
Other versions
KR20220066593A (en
Inventor
변중무
최용규
설순지
조영화
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020200152794A priority Critical patent/KR102532502B1/en
Publication of KR20220066593A publication Critical patent/KR20220066593A/en
Application granted granted Critical
Publication of KR102532502B1 publication Critical patent/KR102532502B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
    • G01V1/168—Deployment of receiver elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/284—Application of the shear wave component and/or several components of the seismic signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/12—Signal generation
    • G01V2210/129—Source location
    • G01V2210/1293—Sea
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/14—Signal detection
    • G01V2210/142—Receiver location
    • G01V2210/1423—Sea
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/14—Signal detection
    • G01V2210/142—Receiver location
    • G01V2210/1425—Land surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/16—Survey configurations
    • G01V2210/161—Vertical seismic profiling [VSP]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling

Abstract

본 발명은 탄성파 탐사 자료 처리 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 딥러닝(Deep Learning)을 이용하여 탄성파 탐사 자료를 처리하는 장치 및 그 방법에 대한 것이다. 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치는, 프로세서 및 프로세서에 연결되고, 딥러닝 알고리즘 및 탄성파탐사자료가 저장되는 메모리를 포함하며, 메모리는 프로세서에 의해 실행 가능한, 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하고, 탄성파탐사자료에서 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하며, 제1 송신파형요소, 제2 송신파형요소, 제1 반사계수함수 및 제2 반사계수함수를 이용하여 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장할 수 있다. 본 발명에 따르면, 합성의 탄성파 트레이스(Synthetic Seismic Trace)를 이용하여 학습한 딥러닝을 이용하여 탄성파 탐사 자료의 해상도를 향상시키므로, 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공할 수 있다. The present invention relates to an apparatus and method for processing seismic data, and more particularly, to an apparatus and method for processing seismic data using deep learning. An apparatus for processing seismic data according to an embodiment of the present invention includes a processor and a memory connected to the processor and storing deep learning algorithms and seismic data, wherein the memory stores seismic data executable by the processor in advance. The first transmission waveform element and the second transmission waveform element are extracted according to the set extraction criteria, the first reflection coefficient function and the second reflection coefficient function are extracted from the seismic survey data according to the extraction criteria, and the first transmission waveform element and the second transmission waveform element are extracted. Program instructions for learning a deep learning algorithm using 2 transmission waveform elements, a first reflection coefficient function, and a second reflection coefficient function may be stored. According to the present invention, since the resolution of seismic exploration data is improved by using deep learning learned using synthetic seismic traces, seismic exploration data whose applicability does not vary depending on the individual characteristics of the seismic exploration data A processing device and method thereof can be provided.

Description

딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법{SEISMIC DATA PROCESSING DEVICE BY DEEP LEARNING AND METHOD THEREOF}Seismic exploration data processing device and method using deep learning {SEISMIC DATA PROCESSING DEVICE BY DEEP LEARNING AND METHOD THEREOF}

본 발명은 탄성파 탐사 자료 처리 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 딥러닝(Deep Learning)을 이용하여 탄성파 탐사 자료를 처리하는 장치 및 그 방법에 대한 것이다. The present invention relates to an apparatus and method for processing seismic data, and more particularly, to an apparatus and method for processing seismic data using deep learning.

석유가스 부존 유망 지층구조의 규명, 토목 건축 등의 분야에서 시설부지 기반암의 구조와 물성파악을 위한 목적으로 탄성파 탐사법이 사용되고 있다. 탄성파 탐사법은 지표 또는 해면 부근에서 송신기가 탄성파를 발생시켜 지하에 전파시키고, 지표 또는 해상에 설치된 복수의 수신기에 들어오는 반사파 또는 굴절파를 수신하여 파형과 주행시간을 측정함으로써 대상 지반의 구조를 규명하는 방법이다. 탄성파 탐사 자료는 탄성파 탐사법에 의해 생성된 자료를 의미한다. Seismic wave exploration is used for the purpose of identifying the structure and properties of bedrock at facility sites in areas such as identification of promising strata structures for oil and gas reserves and civil engineering and construction. In the seismic survey method, a transmitter generates a seismic wave near the surface or sea level, propagates it underground, receives reflected waves or refracted waves entering a plurality of receivers installed on the surface or sea, and measures the waveform and travel time to identify the structure of the target ground. way. Seismic survey data refers to data generated by the seismic survey method.

일반적인 탄성파 탐사 자료의 해상도 향상 기술들은 디컨볼루션(deconvolution) 필터를 기반으로 한다. 탄성파 탐사 자료는 수식적으로 지층의 임피던스 차이로 인하여 생기는 지하 구조의 정보인 반사계수 함수(reflection coefficient)와 탐사 자료 취득에서 송신원에 따라 달라지는 정보인 송신파형요소(source wavelet)의 컨볼루션으로 이루어져 있다. Common seismic data resolution enhancement techniques are based on deconvolution filters. Seismic survey data is composed of the convolution of a reflection coefficient function, which is information on the underground structure caused by the difference in impedance of the stratum, and a source wavelet, which is information that varies depending on the transmission source in the acquisition of the exploration data. .

디컨볼루션이란 탄성파 탐사자료에서 송신파형요소의 영향을 최소화하여 반사계수 함수, 즉, 지하 구조 정보만을 남겨 해상도를 향상시키는 자료처리 기술을 말한다. 디컨볼루션을 이용한 방법들은 정확한 송신파형요소의 추정이 요구된다. 부정확한 송신파형요소에 의해 디컨볼루션을 이용한 방법이 사용될 경우 다음과 같은 오류가 발생될 수 있다. 첫째, 잘못된 송신파형요소를 이용하여 해상도가 향상되었을 경우 지하구조 정보의 왜곡이 발생될 수 있다. 둘째, 송신파형요소에 대한 정보가 없거나 추출이 어려운 경우에는 탄성파 탐사 자료의 해상도 향상 처리가 불가능하다. 셋째, 노이즈가 많거나 송신파형요소가 비정상적(nonstationary)인 경우 등에는 그에 상응하는 추가적인 자료 처리를 수행해야 하는 번거로움이 존재한다. Deconvolution is a data processing technology that minimizes the influence of transmission waveform elements in seismic data and improves resolution by leaving only the reflection coefficient function, that is, underground structure information. Methods using deconvolution require accurate estimation of transmission waveform components. If the method using deconvolution is used due to incorrect transmission waveform elements, the following errors may occur. First, if the resolution is improved by using the wrong transmission waveform element, distortion of the geologic structure information may occur. Second, if there is no information about transmission waveform elements or it is difficult to extract them, it is impossible to improve the resolution of seismic data. Third, when there is a lot of noise or when the transmission waveform element is nonstationary, there is a hassle of performing additional data processing corresponding thereto.

따라서 자료의 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료의 해상도 향상 기술이 요구된다. Therefore, a technology for improving the resolution of seismic data that does not vary in applicability depending on the characteristics of the data is required.

본 발명은 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공하고자 한다. An object of the present invention is to provide an apparatus and method for processing seismic data that do not vary in applicability according to individual characteristics of seismic data.

본 발명의 일 실시예에 따르면, 프로세서; 및 상기 프로세서에 연결되고, 딥러닝 알고리즘 및 탄성파탐사자료가 저장되는 메모리;를 포함하며, 상기 메모리는 상기 프로세서에 의해 실행 가능한, 상기 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하고, 상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하며, 상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치가 개시된다. According to one embodiment of the invention, a processor; and a memory connected to the processor and storing a deep learning algorithm and seismic data, wherein the memory includes a first transmission waveform element and a first transmission waveform element according to a preset extraction criterion executable by the processor from the seismic data. A second transmission waveform element is extracted, and a first reflection coefficient function and a second reflection coefficient function are extracted from the seismic survey data according to the extraction criterion, and the first transmission waveform element, the second transmission waveform element, and the second transmission waveform element are extracted. An apparatus for processing seismic data, which stores program instructions for learning the deep learning algorithm using a first reflection coefficient function and the second reflection coefficient function, is disclosed.

실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응할 수 있다. Depending on the embodiment, the extraction criterion may correspond to a portion where frequency characteristics change in the time domain of the seismic survey data.

실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 메모리는, 상기 가스층의 상부에 상응하는 상기 제1 송신파형요소 및 상기 제1 반사계수함수를 추출하는 프로그램 명령어들을 저장할 수 있다. According to an embodiment, the extraction criterion corresponds to a gas layer included in the seismic survey data, and the memory includes program instructions for extracting the first transmission waveform element and the first reflection coefficient function corresponding to an upper portion of the gas layer. can save them.

실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 메모리는, 상기 가스층의 하부에 상응하는 상기 제2 송신파형요소 및 상기 제2 반사계수함수를 추출하는 프로그램 명령어들을 저장할 수 있다. According to an embodiment, the extraction criterion corresponds to a gas layer included in the seismic survey data, and the memory includes program instructions for extracting the second transmission waveform element and the second reflection coefficient function corresponding to a lower portion of the gas layer. can save them.

실시예에 따라, 상기 메모리는, 상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하고, 상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하며, 상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장할 수 있다. According to an embodiment, the memory generates a first virtual acoustic wave trace using the first transmission waveform element and the first reflection coefficient function, and generates a first virtual acoustic wave trace using the second transmission waveform element and the second reflection coefficient function. Program instructions for generating a second virtual elastic wave trace and generating a first synthetic elastic wave trace by combining the first virtual elastic wave trace and the second virtual elastic wave trace may be stored.

실시예에 따라, 상기 메모리는, 상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하고, 상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하고, 상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하고, 상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하며, 상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장할 수 있다. According to an embodiment, the memory generates a 1-1 transmission waveform element by increasing the frequency of the first transmission waveform element by a preset amount, and increases the frequency of the second transmission waveform element by a preset amount to generate the second transmission waveform element. -1 A transmission waveform element is generated, a 1-1 virtual acoustic wave trace is generated using the 1-1 transmission waveform element and the first reflection coefficient function, and the 2-1 transmission waveform element and the second Program instructions for generating a 2-1 virtual elastic wave trace using a reflection coefficient function and generating a second synthetic elastic wave trace by combining the 1-1 virtual elastic wave trace and the 2-1 virtual elastic wave trace may be stored. .

실시예에 따라, 상기 메모리는, 상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 프로그램 명령어들을 저장할 수 있다. According to an embodiment, the memory uses the first synthetic elastic part trace as an input of the deep learning algorithm, and uses the second synthetic elastic part trace as a label of the first synthetic elastic part trace to perform the deep learning algorithm. It can store program instructions for supervised learning of an algorithm.

본 발명의 다른 실시예에 따르면, 탄성파 탐사 자료 처리 장치에서 수행되는 탄성파 탐사 자료 처리 방법에 있어서, 구비된 메모리에 저장된 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하는 단계; 상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하는 단계; 및 상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;를 포함하는 탄성파 탐사 자료 처리 방법이 개시된다. According to another embodiment of the present invention, in the seismic data processing method performed in a seismic data processing device, a first transmission waveform element and a second transmission waveform are obtained according to a preset extraction criterion from seismic data stored in a provided memory. extracting elements; extracting a first reflection coefficient function and a second reflection coefficient function from the seismic survey data according to the extraction criterion; and learning the deep learning algorithm using the first transmission waveform element, the second transmission waveform element, the first reflection coefficient function, and the second reflection coefficient function. do.

실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응할 수 있다. Depending on the embodiment, the extraction criterion may correspond to a portion where frequency characteristics change in the time domain of the seismic survey data.

실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 제1 송신파형요소 및 상기 제1 반사계수함수는 상기 가스층의 상부에 상응할 수 있다. Depending on the embodiment, the extraction criterion may correspond to a gas layer included in the seismic data, and the first transmission waveform element and the first reflection coefficient function may correspond to an upper portion of the gas layer.

실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 제2 송신파형요소 및 상기 제2 반사계수함수는 상기 가스층의 하부에 상응할 수 있다. Depending on the embodiment, the extraction criterion may correspond to a gas layer included in the seismic data, and the second transmission waveform element and the second reflection coefficient function may correspond to a lower portion of the gas layer.

실시예에 따라, 상기 딥러닝 알고리즘을 학습시키는 단계는, 상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하는 단계; 상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하는 단계; 및 상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 단계;를 포함할 수 있다. In some embodiments, the step of learning the deep learning algorithm may include generating a first virtual acoustic wave trace using the first transmission waveform element and the first reflection coefficient function; generating a second virtual acoustic wave trace using the second transmission waveform element and the second reflection coefficient function; and generating a first synthetic elastic part trace by combining the first virtual elastic part trace and the second virtual elastic part trace.

실시예에 따라, 상기 딥러닝 알고리즘을 학습시키는 단계는, 상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하는 단계; 상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하는 단계; 상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하는 단계; 상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하는 단계; 및 상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 단계;를 더 포함할 수 있다. According to an embodiment, the step of learning the deep learning algorithm may include generating a 1-1st transmission waveform element by increasing the frequency of the first transmission waveform element by a predetermined amount; generating a 2-1st transmission waveform element by increasing the frequency of the second transmission waveform element by a predetermined amount; generating a 1-1 virtual acoustic wave trace using the 1-1 transmission waveform element and the first reflection coefficient function; generating a 2-1 virtual acoustic wave trace using the 2-1 transmission waveform element and the second reflection coefficient function; and generating a second synthetic elastic part trace by combining the 1-1 virtual elastic part trace and the 2-1 virtual elastic part trace.

실시예에 따라, 상기 딥러닝 알고리즘을 학습시키는 단계는, 상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 단계;를 더 포함할 수 있다. According to an embodiment, the step of learning the deep learning algorithm may include using the first synthetic elastic part trace as an input of the deep learning algorithm, and using the second synthetic elastic part trace as a label of the first synthetic elastic part trace. It may further include; supervised learning the deep learning algorithm by using.

본 발명에 따르면, 가상의 탄성파 트레이스(Synthetic Seismic Trace)를 이용하여 딥러닝을 학습시키고, 학습된 딥러닝을 이용하여 탄성파 탐사 자료의 해상도를 향상시키므로, 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공할 수 있다. According to the present invention, since deep learning is learned using virtual seismic traces (Synthetic Seismic Trace) and the resolution of seismic exploration data is improved using the learned deep learning, applicability is increased according to individual characteristics of seismic exploration data. It is possible to provide a seismic survey data processing device and method that do not change.

본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치에 대한 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치의 동작을 설명하기 위한 동작 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 탄성파 탐사 자료에서 복수의 송신파형요소를 추출하는 동작을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따라 추출된 복수의 송신파형요소들의 특성을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따라 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 생성하는 동작을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 방법을 설명하기 위한 순서도이다. In order to more fully understand the drawings cited in the detailed description of the present invention, a brief description of each drawing is provided.
1 is a block diagram of a seismic survey data processing device according to an embodiment of the present invention.
2 is an operation flowchart for explaining the operation of a seismic survey data processing device according to an embodiment of the present invention.
3 is an exemplary diagram for explaining an operation of extracting a plurality of transmission waveform elements from seismic survey data according to an embodiment of the present invention.
4 is a diagram for explaining characteristics of a plurality of transmission waveform elements extracted according to an embodiment of the present invention.
5 is an exemplary diagram for explaining an operation of generating a first synthetic elastic part trace and a second synthetic elastic part trace according to an embodiment of the present invention.
6 is a flowchart illustrating a method for processing seismic survey data according to an embodiment of the present invention.

본 발명의 기술적 사상에 따른 예시적인 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 기술적 사상의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.Exemplary embodiments according to the technical spirit of the present invention are provided to more completely explain the technical spirit of the present invention to those skilled in the art, and the following embodiments are modified in various forms. It can be, the scope of the technical spirit of the present invention is not limited to the following embodiments. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the spirit of the invention to those skilled in the art.

본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 발명의 기술적 사상의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들면, 본 발명의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.Although the terms first, second, etc. are used in this specification to describe various members, regions, layers, regions and/or components, these members, parts, regions, layers, regions and/or components refer to these terms. It is self-evident that it should not be limited by These terms do not imply any particular order, top or bottom, or superiority or inferiority, and are used only to distinguish one member, region, region, or component from another member, region, region, or component. Accordingly, a first member, region, region, or component described in detail below may refer to a second member, region, region, or component without departing from the teachings of the technical idea of the present invention. For example, a first element may be termed a second element, and similarly, the second element may also be termed a first element, without departing from the scope of the present invention.

달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 발명의 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것이다.Unless defined otherwise, all terms used herein, including technical terms and scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the art to which the concept of the present invention belongs. In addition, commonly used terms as defined in the dictionary should be interpreted as having a meaning consistent with what they mean in the context of the technology to which they relate, and in an overly formal sense unless explicitly defined herein. will not be interpreted.

여기에서 사용된 '및/또는' 용어는 언급된 부재들의 각각 및 하나 이상의 모든 조합을 포함한다.The term 'and/or' as used herein includes each and every combination of one or more of the recited elements.

이하에서는 첨부한 도면들을 참조하여 본 발명의 기술적 사상에 의한 실시예들에 대해 상세히 설명한다.Hereinafter, embodiments according to the technical idea of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치에 대한 블록 구성도이다. 1 is a block diagram of a seismic survey data processing device according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 탄성파탐사자료처리장치(100)는 모뎀(MODEM, 110), 프로세서(PROCESSOR, 120) 및 메모리(MEMORY, 130)를 포함할 수 있다. Referring to FIG. 1 , a seismic data processing apparatus 100 according to an embodiment of the present invention may include a modem 110 , a processor 120 and a memory 130 .

모뎀(110)은 다른 외부 장치(미도시)들과 전기적으로 연결되어 상호 통신이 이뤄지도록 하는 통신 장치일 수 있다. 특히 모뎀(110)은 이들 외부 장치들로부터 수신된 '탄성파 탐사 자료(Seismic Data)'를 프로세서(120)로 출력할 수 있고, 프로세서(120)는 이들 탄성파 탐사 자료를 메모리(130)에 저장시킬 수 있다. The modem 110 may be a communication device that is electrically connected to other external devices (not shown) to enable mutual communication. In particular, the modem 110 may output 'seismic data' received from these external devices to the processor 120, and the processor 120 may store these seismic data in the memory 130. can

메모리(130)는 탄성파탐사자료처리장치(100)의 동작을 위한 각종 정보 및 프로그램 명령어들이 저장되는 구성으로서, 하드 디스크(Hard Disk), SSD(Solid State Drive) 등과 같은 기억장치일 수 있다. 특히 메모리(130)는 프로세서(120)의 제어에 의해 모뎀(110)에서 입력되는 하나 이상의 탄성파 탐사 자료(Seismic Data)를 저장할 수 있다. 또한, 메모리(130)는 프로세서(120)에 의해 실행 가능한 탄성파 탐사 자료 처리 방법을 실행시키기 위한 딥러닝(Deep-Learning) 알고리즘과 같은 프로그램 명령어들을 저장할 수 있다. The memory 130 is a configuration in which various information and program commands for operation of the seismic data processing apparatus 100 are stored, and may be a storage device such as a hard disk or a solid state drive (SSD). In particular, the memory 130 may store one or more seismic data input from the modem 110 under the control of the processor 120 . Also, the memory 130 may store program instructions such as a deep-learning algorithm for executing a seismic survey data processing method executable by the processor 120 .

여기서, 탄성파 탐사 자료(Seismic data)는 지표 또는 해수면에서 인위적으로 발생시킨 송신파가 지하 매질에 의해 반사되어 수신된 신호를 감지 및 분석한 자료일 수 있다. 본 발명에서, 탄성파 탐사 자료는 반사계수함수(reflection coefficient)와 송신파형요소(source wavelet)의 콘볼루션에 의해 생성되는 탄성파 트레이스(Seismic Trace)를 하나 이상 포함할 수 있다. Here, the seismic data may be data obtained by detecting and analyzing a received signal after a transmission wave artificially generated on the surface or sea level is reflected by an underground medium. In the present invention, seismic survey data may include one or more seismic traces generated by convolution of a reflection coefficient and a source wavelet.

프로세서(120)는 메모리(130)에 저장된 정보 및 프로그램 명령어들을 이용하여 탄성파 탐사 자료를 처리할 수 있다. 이하, 도 2 내지 도 5를 참조하여 프로세서(120)의 동작에 대해 구체적으로 설명한다. The processor 120 may process seismic data using information stored in the memory 130 and program instructions. Hereinafter, the operation of the processor 120 will be described in detail with reference to FIGS. 2 to 5 .

도 2는 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치의 동작을 설명하기 위한 동작 흐름도이고, 도 3은 본 발명의 일 실시예에 따라 탄성파 탐사 자료에서 복수의 송신파형요소를 추출하는 동작을 설명하기 위한 예시도이며, 도 4는 본 발명의 일 실시예에 따라 추출된 복수의 송신파형요소들의 특성을 설명하기 위한 도면이다. 또한, 도 5는 본 발명의 일 실시예에 따라 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 생성하는 동작을 설명하기 위한 예시도이다. 2 is an operation flow chart illustrating an operation of a seismic data processing device according to an embodiment of the present invention, and FIG. 3 is an operation of extracting a plurality of transmission waveform elements from seismic data according to an embodiment of the present invention. , and FIG. 4 is a diagram for explaining characteristics of a plurality of transmission waveform elements extracted according to an embodiment of the present invention. 5 is an exemplary diagram for explaining an operation of generating a first synthetic elastic part trace and a second synthetic elastic part trace according to an embodiment of the present invention.

도 2에는, 본 발명의 일 실시예에 따른 탄성파탐사자료처리장치(100)의 프로세서(120)가 탄성파 탐사 자료를 처리(예를 들어, 탄성파 탐사 자료를 이용하여 하나 이상의 합성탄성파트레이스를 생성하는 동작 등)하기 위한 동작을 설명하기 위한 동작 흐름이 예시된다. 2, the processor 120 of the seismic data processing apparatus 100 according to an embodiment of the present invention processes seismic data (eg, generates one or more synthetic elastic wave traces using seismic data). An operation flow for explaining an operation to perform an operation, etc.) is illustrated.

먼저, 프로세서(120)는 탄성파 탐사 자료를 수집 및 정리할 수 있다(Seismic Data Gathering, 210). 예를 들어, 프로세서(120)는 모뎀(110)을 통해 외부 장치들로부터 수신된 탄성파 탐사 자료(하나 이상의 '탄성파 트레이스'를 포함함)를 메모리(130)에 저장할 수 있다. 따라서 프로세서(120)는 탄성파 탐사 자료의 탄성파 트레이스를 디컨볼루션(Deconvolution)하여 미리 설정된 방법에 따라 반사계수함수와 송신파형요소로 분리한 후 메모리(130)에 저장할 수도 있다. First, the processor 120 may collect and organize seismic data (Seismic Data Gathering, 210). For example, the processor 120 may store seismic survey data (including one or more 'acoustic wave traces') received from external devices through the modem 110 in the memory 130 . Accordingly, the processor 120 may deconvolve the seismic trace of the seismic survey data, separate the reflection coefficient function and the transmission waveform element according to a preset method, and store them in the memory 130 .

도 3을 참조하면, 탄성파 탐사 자료(ex. 송신파형요소와 반사계수함수의 콘볼루션으로 구성된 탄성파 트레이스들)에서 송신파형요소를 추출하는 경우가 예시된다. 이때, 프로세서(120)는 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출할 수 있다. 예를 들어, 추출 기준이 탄성파 탐사 자료의 시간 영역 상에서 주파수 특성이 변화하는 부분인 경우를 가정한다. 프로세서(120)는 메모리(130)에 저장된 탄성파 탐사 자료를 시간 영역에서 분석하여 주파수 성분이 급격히 변화하는(예를 들어, 주파수 성분이 미리 설정된 임계값 이상 변화하는) 시간 지점을 추출 기준으로 할 수 있다. 또한, 프로세서(120)는 추출 기준 이전 시간의 탄성파 탐사 자료에 상응하는 송신파형요소를 제1 송신파형요소(Statistical wavelet from upper part of data)로 추출할 수 있다. 또한, 프로세서(120)는 추출 기준 이후 시간의 탄성파 탐사 자료에 상응하는 송신파형요소를 제2 송신파형요소(Statistical wavelet from lower part of data)로 추출할 수 있다. Referring to FIG. 3 , a case of extracting transmission waveform elements from seismic survey data (eg, elastic wave traces composed of convolutions of transmission waveform elements and reflection coefficient functions) is exemplified. In this case, the processor 120 may extract the first transmission waveform element and the second transmission waveform element from the seismic data according to a preset extraction criterion. For example, it is assumed that the extraction criterion is a portion in which frequency characteristics change in the time domain of seismic survey data. The processor 120 analyzes the seismic data stored in the memory 130 in the time domain and uses a time point at which the frequency component rapidly changes (eg, the frequency component changes above a preset threshold value) as an extraction criterion. there is. In addition, the processor 120 may extract a transmission waveform element corresponding to the seismic survey data of a time prior to the extraction reference as a first transmission waveform element (Statistical wavelet from upper part of data). In addition, the processor 120 may extract a transmission waveform element corresponding to seismic survey data of time after the extraction criterion as a second transmission waveform element (Statistical wavelet from lower part of data).

도 4에는, 전체 탄성파 탐사 자료에서 추출한 송신파형요소(이하 '전체송신파형요소'가 칭함)와 추출 기준에 따라 구분하여 추출한 제1 송신파형요소 및 제2 송신파형요소의 특징을 비교한 그래프가 예시된다. 도 4에 도시된 바와 같이, 전체송신파형요소는 제1 송신파형요소와 제2 송신파형요소의 중간 정도의 진폭(도 4의 상단 그래프 참조)과 주파수 특성(도 4의 하단 그래프 참조)을 보여줌을 확인할 수 있다. 따라서 프로세서(120)가 전체송신파형요소를 이용하여 탄성파 트레이스 등의 자료를 임의로 합성(또는 생성)할 경우 추출 기준에 따라 급격히 변화하는 탄성파 탐사 자료를 생성하기 어려울 수 밖에 없다. 반면, 프로세서(120)가 제1 송신파형요소 및/또는 제2 송신파형요소를 이용하여 탄성파 트레이스 등의 자료를 임의로 합성(또는 생성)할 경우 추출 기준에 따라 급격히 변화하는 탄성파 탐사 자료를 생성할 수 있을 것이다. 4, a graph comparing characteristics of transmission waveform elements (hereinafter referred to as 'total transmission waveform elements') extracted from all seismic survey data and first transmission waveform elements and second transmission waveform elements extracted by classification according to an extraction criterion is shown. is exemplified As shown in FIG. 4, all transmission waveform elements show intermediate amplitudes (see the upper graph in FIG. 4) and frequency characteristics (see the lower graph in FIG. 4) of the first transmission waveform element and the second transmission waveform element. can confirm. Therefore, when the processor 120 arbitrarily synthesizes (or generates) data such as seismic traces using all transmitted waveform elements, it is inevitably difficult to generate seismic exploration data that rapidly change according to the extraction criteria. On the other hand, when the processor 120 arbitrarily synthesizes (or generates) data such as a seismic trace using the first transmission waveform element and/or the second transmission waveform element, seismic exploration data that rapidly changes according to an extraction criterion may be generated. You will be able to.

또한 프로세서(120)는 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 반사계수함수 및 제2 반사계수함수를 추출할 수 있다. 예를 들어, 프로세서(120)는 이미 공개된 기술인 SSI(Sparse Spike Inversion)을 이용하여 탄성파 탐사 자료에서 반사계수함수를 추출할 수 있을 것이다. 이때, 프로세서(120)는 미리 설정된 추출 기준에 따라 탄성파 탐사 자료에서 제1 반사계수함수 및 제2 반사계수함수를 추출할 수 있다. 예를 들어, 추출 기준이 탄성파 탐사 자료의 시간 영역 상에서 주파수 특성이 변화하는 부분인 경우를 가정한다. 프로세서(120)는 메모리(130)에 저장된 탄성파 탐사 자료를 시간 영역에서 분석하여 주파수 성분이 급격히 변화하는 시간 지점을 추출 기준으로 할 수 있고, 추출 기준 이전 시간의 탄성파 탐사 자료에 상응하는 반사계수함수를 제1 반사계수함수로 추출할 수 있으며, 추출 기준 이후 시간의 탄성파 탐사 자료에 상응하는 반사계수함수를 제2 반사계수함수로 추출할 수 있다. Also, the processor 120 may extract the first reflection coefficient function and the second reflection coefficient function from the seismic data according to a predetermined extraction criterion. For example, the processor 120 may extract a reflection coefficient function from seismic survey data using SSI (Sparse Spike Inversion), which is an already published technology. In this case, the processor 120 may extract the first reflection coefficient function and the second reflection coefficient function from the seismic survey data according to a preset extraction criterion. For example, it is assumed that the extraction criterion is a portion in which frequency characteristics change in the time domain of seismic survey data. The processor 120 may analyze the seismic exploration data stored in the memory 130 in the time domain to set a time point at which a frequency component rapidly changes as an extraction criterion, and the reflection coefficient function corresponding to the seismic exploration data of a time before the extraction criterion may be extracted as the first reflection coefficient function, and a reflection coefficient function corresponding to the seismic data of the time after the extraction criterion may be extracted as the second reflection coefficient function.

또한, 프로세서(120)는 미리 설정된 방법에 따라 합성탄성파탐사자료(Synthetic Seismic Data)를 생성할 수 있다(Synthetic Seismic Data Processig, 220). Also, the processor 120 may generate synthetic seismic data according to a preset method (Synthetic Seismic Data Processig, 220).

예를 들어, 프로세서(120)는 추출된 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성할 수 있다. 예를 들어, 프로세서(120)는 제1 송신파형요소에 상응하는 주파수[Hz]를 미리 설정된 주파수로 변경하여 제1-1 송신파형요소를 생성할 수 있다. 만일 제1 송신파형요소에 상응하는 주파수가 30[Hz]인 경우이고, 미리 설정된 제1-1 송신파형요소의 주파수가 제1 송신파형요소의 2배인 경우를 가정한다. 이때, 프로세서(120)는 60[Hz] 주파수에 상응하는 제1-1 송신파형요소를 생성할 수 있다. 제1 송신파형요소와 제1-1 송신파형요소의 관계는 다양하게 설정될 수 있으므로 이들 수치가 본 발명의 권리범위를 제한할 수 없음은 자명하다. For example, the processor 120 may generate the 1-1st transmission waveform element by increasing the frequency of the extracted first transmission waveform element by a predetermined amount. For example, the processor 120 may generate the 1-1 transmission waveform element by changing the frequency [Hz] corresponding to the first transmission waveform element to a preset frequency. If the frequency corresponding to the first transmission waveform element is 30 [Hz], it is assumed that the frequency of the preset 1-1 transmission waveform element is twice that of the first transmission waveform element. At this time, the processor 120 may generate the 1-1 transmission waveform element corresponding to the 60 [Hz] frequency. Since the relationship between the first transmission waveform element and the 1-1 transmission waveform element can be set in various ways, it is obvious that these values cannot limit the scope of the present invention.

또한, 프로세서(120)는 추출된 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성할 수 있다. 프로세서(120)가 제2-1 송신파형요소를 생성하는 방법은 제1-1 송신파형요소를 생성하는 경우와 유사할 수 있다. In addition, the processor 120 may generate the 2-1st transmission waveform element by increasing the frequency of the extracted second transmission waveform element by a predetermined amount. A method of generating the 2-1 transmission waveform element by the processor 120 may be similar to the case of generating the 1-1 transmission waveform element.

또한, 프로세서(120)는 제1 송신파형요소와 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 도 5에 예시된 바와 같이 제1 반사계수함수와 제1 송신파형요소를 콘볼루션하여 제1 가상탄성파트레이스를 생성할 수 있다. 또한, 프로세서(120)는 제2 송신파형요소와 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성할 수 있다. 마찬가지로, 프로세서(120) 제2 반사계수함수와 제2 송신파형요소를 콘볼루션하여 제2 가상탄성파트레이스를 생성할 수 있다. Also, the processor 120 may generate a first virtual acoustic wave trace using the first transmission waveform element and the first reflection coefficient function. For example, as illustrated in FIG. 5 , the processor 120 may generate a first virtual acoustic wave trace by convolving the first reflection coefficient function with the first transmission waveform component. Also, the processor 120 may generate a second virtual acoustic wave trace using the second transmission waveform element and the second reflection coefficient function. Similarly, the processor 120 may generate a second virtual acoustic wave trace by convolving the second reflection coefficient function and the second transmission waveform element.

또한, 프로세서(120)는 제1 가상탄성파트레이스와 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 추출 기준의 상부에 상응하는 제1 가상탄성파트레이스와 하부에 상응하는 제2 가상탄성파트레이스를 단순 결합하여 제1 합성탄성파트레이스를 생성할 수 있을 것이다. 제1 합성탄성파트레이스는 낮은 주파수의 제1 송신파형요소 및 제2 송신파형요소에 의해 생성된 데이터이므로 그 해상도가 낮을 것이다.Also, the processor 120 may generate a first synthetic elastic part trace by combining the first virtual elastic wave trace and the second virtual elastic wave trace. For example, the processor 120 may generate the first synthetic elastic part trace by simply combining the first virtual elastic part trace corresponding to the upper part of the extraction criterion and the second virtual elastic part trace corresponding to the lower part. Since the first synthetic acoustic wave trace is data generated by the first transmission waveform element and the second transmission waveform element of low frequency, its resolution will be low.

또한, 프로세서(120)는 제1-1 송신파형요소와 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 도 5에 예시된 바와 같이 제1 반사계수함수와 제1-1 송신파형요소를 콘볼루션하여 제1-1 가상탄성파트레이스를 생성할 수 있다. 또한, 프로세서(120)는 제2-1 송신파형요소와 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성할 수 있다. 마찬가지로, 프로세서(120) 제2 반사계수함수와 제2-1 송신파형요소를 콘볼루션하여 제2-1 가상탄성파트레이스를 생성할 수 있다. Also, the processor 120 may generate the 1-1 virtual acoustic wave trace using the 1-1 transmission waveform element and the first reflection coefficient function. For example, as illustrated in FIG. 5 , the processor 120 may generate a 1-1 virtual acoustic wave trace by convolving the first reflection coefficient function with the 1-1 transmission waveform component. In addition, the processor 120 may generate the 2-1st virtual acoustic wave trace by using the 2-1st transmission waveform element and the 2nd reflection coefficient function. Similarly, the processor 120 may generate the 2-1 virtual acoustic wave trace by convolving the second reflection coefficient function and the 2-1 transmission waveform element.

또한, 프로세서(120)는 제1-1 가상탄성파트레이스와 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 추출 기준의 상부에 상응하는 제1-1 가상탄성파트레이스와 하부에 상응하는 제2-1 가상탄성파트레이스를 단순 결합하여 제2 합성탄성파트레이스를 생성할 수 있을 것이다. 제2 합성탄성파트레이스는 높은 주파수의 제1-1 송신파형요소 및 제2-1 송신파형요소에 의해 생성된 데이터이므로 그 해상도가 (제1 합성탄성파트레이스에 비하여) 높을 것이다Also, the processor 120 may generate a second synthetic elastic wave trace by combining the 1-1 virtual elastic wave trace and the 2-1 virtual elastic wave trace. For example, the processor 120 may generate a second synthetic elastic wave trace by simply combining the 1-1 virtual elastic wave trace corresponding to the upper part of the extraction criterion and the 2-1 virtual elastic wave trace corresponding to the lower part of the extraction criterion. . Since the 2nd synthetic elastic wave trace is data generated by the 1-1 transmission waveform element and the 2-1 transmission waveform element of high frequency, its resolution will be high (compared to the 1st synthetic acoustic wave trace)

또한, 프로세서(120)는 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 이용하여 메모리(130)에 저장된 딥러닝 알고리즘을 학습시킬 수 있다. 예를 들어, 프로세서(120)는 제1 합성탄성파트레이스를 딥러닝 알고리즘의 입력으로 이용하고, 제2 합성탄성파트레이스를 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시킬 수 있다. Also, the processor 120 may learn the deep learning algorithm stored in the memory 130 using the first synthetic elastic part trace and the second synthetic elastic part trace. For example, the processor 120 uses the first synthetic elastic part trace as an input of the deep learning algorithm, and uses the second synthetic elastic part trace as a label of the first synthetic elastic part trace to perform supervised learning ( supervised learning).

프로세서(120)는 수많은 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 생성한 후 이들을 이용하여 딥러닝 알고리즘을 학습시킬 수 있다. 또한, 프로세서(120)는 상술한 방법으로 학습된 딥러닝 알고리즘을 이용하여 임의의 탄성파 탐사 자료의 해상도를 개선할 수 있다. 탄성파 탐사 자료는 복수의 탄성파 트레이스의 조합으로 형성될 수 있다. 따라서, 프로세서(120)는 탄성파 탐사 자료의 각 탄성파 트레이스를 딥러닝 알고리즘에 입력시키면, 지도 학습된 딥러닝 알고리즘은 해상도를 개선한 탄성파 트레이스를 출력할 수 있다. 프로세서(120)는 해상도가 개선된 탄성파 트레이스들을 결합하여 해상도가 개선된 탄성파 탐사 자료를 생성할 수 있을 것이다. The processor 120 may generate a number of first synthetic elastic part traces and second synthetic elastic part traces and then use them to train the deep learning algorithm. In addition, the processor 120 may improve the resolution of arbitrary seismic data by using the deep learning algorithm learned in the above-described method. Seismic survey data may be formed by a combination of a plurality of seismic traces. Accordingly, when the processor 120 inputs each seismic trace of the seismic data to the deep learning algorithm, the supervised deep learning algorithm may output the seismic trace with improved resolution. The processor 120 may generate seismic survey data with improved resolution by combining seismic wave traces with improved resolution.

도 6은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 방법을 설명하기 위한 순서도이다. 6 is a flowchart illustrating a method for processing seismic survey data according to an embodiment of the present invention.

이하, 도 6을 참조하여, 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 방법을 설명한다. 이하에서 수행되는 단계들은 탄성파탐사자료처리장치(100)의 메모리(130)에 저장된 프로그램이 프로세서(120)에 의해 실행되는 것일 수 있고, 구체적인 동작들은 도 2 내지 도 5를 참조하여 설명한 것과 대동소이할 수 있다. 따라서, 이하의 각 단계를 수행하는 주체는 프로세서(120)로 통칭하고, 각 단계들을 구성하는 구체적인 동작에 대한 설명은 생략한다. Hereinafter, a seismic survey data processing method according to an embodiment of the present invention will be described with reference to FIG. 6 . Steps performed below may be programs stored in the memory 130 of the seismic data processing apparatus 100 being executed by the processor 120, and specific operations are the same as those described with reference to FIGS. 2 to 5 can do. Therefore, the subject performing each of the following steps is collectively referred to as the processor 120, and a description of specific operations constituting each step is omitted.

먼저, 단계 S610에서, 프로세서(120)는 메모리(130)에 기저장된 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출할 수 있다. First, in step S610, the processor 120 may extract a first transmission waveform element and a second transmission waveform element from seismic survey data pre-stored in the memory 130 according to a preset extraction criterion.

또한, 단계 S620에서, 프로세서(120)는 추출된 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소 생성할 수 있다. In addition, in step S620, the processor 120 may generate the 1-1st transmission waveform element by increasing the frequency of the extracted first transmission waveform element by a preset amount.

또한, 단계 S630에서, 프로세서(120)는 추출된 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소 생성할 수 있다. In addition, in step S630, the processor 120 may generate the 2-1st transmission waveform element by increasing the frequency of the extracted second transmission waveform element by a predetermined amount.

또한, 단계 S640에서, 프로세서(120)는 기저장된 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 반사계수함수 및 제2 반사계수함수 추출할 수 있다. Also, in step S640, the processor 120 may extract a first reflection coefficient function and a second reflection coefficient function from previously stored seismic survey data according to a preset extraction criterion.

또한, 단계 S650에서, 프로세서(120)는 제1 송신파형요소와 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스 생성할 수 있다. In addition, in step S650, the processor 120 may generate a first virtual acoustic wave trace using the first transmission waveform element and the first reflection coefficient function.

또한, 단계 S655에서, 프로세서(120)는 제2 송신파형요소와 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스 생성할 수 있다. Also, in step S655, the processor 120 may generate a second virtual acoustic wave trace using the second transmission waveform element and the second reflection coefficient function.

또한, 단계 S657에서, 프로세서(120)는 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스 생성할 수 있다. Also, in step S657, the processor 120 may generate a first synthetic elastic part trace by combining the first virtual elastic part trace and the second virtual elastic part trace.

또한, 단계 S660에서, 프로세서(120)는 제1-1 송신파형요소와 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스 생성할 수 있다. Also, in step S660, the processor 120 may generate the 1-1 virtual acoustic wave trace using the 1-1 transmission waveform element and the first reflection coefficient function.

또한, 단계 S665에서, 프로세서(120)는 제2-1 송신파형요소와 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스 생성할 수 있다. Also, in step S665, the processor 120 may generate the 2-1st virtual acoustic wave trace using the 2-1st transmission waveform element and the 2nd reflection coefficient function.

또한, 단계 S667에서, 프로세서(120)는 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스 생성할 수 있다. Also, in step S667, the processor 120 may generate a second synthetic elastic part trace by combining the 1-1 virtual elastic part trace and the 2-1 virtual elastic part trace.

또한, 단계 S670에서, 프로세서(120)는 제1 및 제2 합성탄성파트레이스를 이용하여 딥러닝을 학습시킬 수 있다. Also, in step S670, the processor 120 may learn deep learning using the first and second synthetic elastic part traces.

상술한 바와 같이, 본 발명에 따르면, 미리 설정된 추출 기준에 따라 분할되어 합성된 탄성파 트레이스(Synthetic Seismic Trace)를 이용하여 딥러닝이 학습되고, 학습된 딥러닝을 이용하여 탄성파 탐사 자료의 해상도를 향상시키므로, 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공할 수 있다. As described above, according to the present invention, deep learning is learned using synthetic seismic traces divided and synthesized according to preset extraction criteria, and the resolution of seismic exploration data is improved using the learned deep learning. Therefore, it is possible to provide a seismic data processing device and method that do not vary in applicability depending on individual characteristics of seismic data.

이상, 본 발명을 바람직한 실시 예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시 예에 한정되지 않고, 본 발명의 기술적 사상 및 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러가지 변형 및 변경이 가능하다. In the above, the present invention has been described in detail with preferred embodiments, but the present invention is not limited to the above embodiments, and various modifications and changes are made by those skilled in the art within the technical spirit and scope of the present invention. this is possible

100 : 탄성파탐사자료처리장치
110 : 모뎀
120 : 프로세서
130 : 메모리100: Seismic probe data processing device
110: modem
120: processor
130: memory

Claims (14)

삭제delete 프로세서; 및
상기 프로세서에 연결되고, 딥러닝 알고리즘 및 탄성파탐사자료가 저장되는 메모리;
를 포함하며,
상기 메모리는 상기 프로세서에 의해 실행 가능한,
상기 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하고, 상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하며, 상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장하되,
상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응하는, 탄성파 탐사 자료 처리 장치.
processor; and
a memory connected to the processor and storing deep learning algorithms and seismic data;
Including,
The memory is executable by the processor,
Extracting a first transmission waveform element and a second transmission waveform element from the seismic survey data according to a predetermined extraction criterion, and extracting a first reflection coefficient function and a second reflection coefficient function from the seismic survey data according to the extraction criterion; , Store program instructions for learning the deep learning algorithm using the first transmission waveform element, the second transmission waveform element, the first reflection coefficient function, and the second reflection coefficient function,
The extraction criterion corresponds to a portion in which frequency characteristics change in the time domain of the seismic survey data.
 제2항에 있어서,
상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
상기 메모리는,
상기 가스층의 상부에 상응하는 상기 제1 송신파형요소 및 상기 제1 반사계수함수를 추출하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
According to claim 2,
The extraction criterion corresponds to the gas layer included in the seismic data,
the memory,
and storing program instructions for extracting the first transmission waveform element and the first reflection coefficient function corresponding to the upper part of the gas layer.
 제2항에 있어서,
상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
상기 메모리는,
상기 가스층의 하부에 상응하는 상기 제2 송신파형요소 및 상기 제2 반사계수함수를 추출하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
According to claim 2,
The extraction criterion corresponds to the gas layer included in the seismic data,
the memory,
and storing program instructions for extracting the second transmission waveform element and the second reflection coefficient function corresponding to the lower portion of the gas layer.
 프로세서; 및
상기 프로세서에 연결되고, 딥러닝 알고리즘 및 탄성파탐사자료가 저장되는 메모리;
를 포함하며,
상기 메모리는 상기 프로세서에 의해 실행 가능한,
상기 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하고, 상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하며, 상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장하되,
상기 메모리는,
상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하고, 상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하며, 상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
processor; and
a memory connected to the processor and storing deep learning algorithms and seismic data;
Including,
The memory is executable by the processor,
Extracting a first transmission waveform element and a second transmission waveform element from the seismic survey data according to a predetermined extraction criterion, and extracting a first reflection coefficient function and a second reflection coefficient function from the seismic survey data according to the extraction criterion; , Store program instructions for learning the deep learning algorithm using the first transmission waveform element, the second transmission waveform element, the first reflection coefficient function, and the second reflection coefficient function,
the memory,
generating a first virtual acoustic wave trace using the first transmission waveform element and the first reflection coefficient function, and generating a second virtual acoustic wave trace using the second transmission waveform element and the second reflection coefficient function; and storing program instructions for generating a first synthetic elastic wave trace by combining the first virtual elastic wave trace and the second virtual elastic wave trace.
 제5항에 있어서,
상기 메모리는,
상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하고, 상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하고, 상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하고, 상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하며, 상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
According to claim 5,
the memory,
Increasing the frequency of the first transmission waveform element by a preset amount to generate a 1-1 transmission waveform element, and increasing the frequency of the second transmission waveform element by a preset amount to generate a 2-1 transmission waveform element; A 1-1 virtual acoustic wave trace is generated using the 1-1 transmission waveform element and the first reflection coefficient function, and a 2-1 virtual acoustic wave trace is generated using the 2-1 transmission waveform element and the second reflection coefficient function. 1 virtual elastic wave trace, and storing program instructions for generating a second synthetic elastic wave trace by combining the 1-1 virtual elastic wave trace and the 2-1 virtual elastic wave trace.
 제6항에 있어서,
상기 메모리는,
상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
According to claim 6,
the memory,
Supervised learning of the deep learning algorithm by using the first synthetic elastic part trace as an input of the deep learning algorithm and using the second synthetic elastic part trace as a label of the first synthetic elastic part trace A seismic data processing device that stores program instructions.
 삭제delete 탄성파 탐사 자료 처리 장치에서 수행되는 탄성파 탐사 자료 처리 방법에 있어서,
구비된 메모리에 저장된 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하는 단계;
상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하는 단계; 및
상기 제1 송신파형요소, 상기 제2 송신파형요소, 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;
를 포함하되,
상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응하는, 탄성파 탐사 자료 처리 방법.
In the seismic data processing method performed in the seismic data processing device,
extracting a first transmission waveform element and a second transmission waveform element according to a preset extraction criterion from seismic survey data stored in a provided memory;
extracting a first reflection coefficient function and a second reflection coefficient function from the seismic survey data according to the extraction criterion; and
learning the deep learning algorithm using the first transmission waveform element, the second transmission waveform element, a first reflection coefficient function, and the second reflection coefficient function;
Including,
Wherein the extraction criterion corresponds to a portion in which frequency characteristics change in the time domain of the seismic survey data.
 제9항에 있어서,
상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
상기 제1 송신파형요소 및 상기 제1 반사계수함수는 상기 가스층의 상부에 상응하는, 탄성파 탐사 자료 처리 방법.
According to claim 9,
The extraction criterion corresponds to the gas layer included in the seismic data,
Wherein the first transmission waveform element and the first reflection coefficient function correspond to an upper portion of the gas layer.
 제9항에 있어서,
상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
상기 제2 송신파형요소 및 상기 제2 반사계수함수는 상기 가스층의 하부에 상응하는, 탄성파 탐사 자료 처리 방법.
According to claim 9,
The extraction criterion corresponds to the gas layer included in the seismic data,
The second transmission waveform element and the second reflection coefficient function correspond to the lower part of the gas layer, the seismic data processing method.
 탄성파 탐사 자료 처리 장치에서 수행되는 탄성파 탐사 자료 처리 방법에 있어서,
구비된 메모리에 저장된 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하는 단계;
상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하는 단계; 및
상기 제1 송신파형요소, 상기 제2 송신파형요소, 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;
를 포함하되,
상기 딥러닝 알고리즘을 학습시키는 단계는,
상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하는 단계;
상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하는 단계; 및
상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 단계;
를 포함하는, 탄성파 탐사 자료 처리 방법.
In the seismic data processing method performed in the seismic data processing device,
extracting a first transmission waveform element and a second transmission waveform element according to a preset extraction criterion from seismic survey data stored in a provided memory;
extracting a first reflection coefficient function and a second reflection coefficient function from the seismic survey data according to the extraction criterion; and
learning the deep learning algorithm using the first transmission waveform element, the second transmission waveform element, a first reflection coefficient function, and the second reflection coefficient function;
Including,
The step of learning the deep learning algorithm,
generating a first virtual acoustic wave trace using the first transmission waveform element and the first reflection coefficient function;
generating a second virtual acoustic wave trace using the second transmission waveform element and the second reflection coefficient function; and
generating a first synthetic elastic wave trace by combining the first virtual elastic wave trace and the second virtual elastic wave trace;
Including, seismic exploration data processing method.
 제12항에 있어서,
상기 딥러닝 알고리즘을 학습시키는 단계는,
상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하는 단계;
상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하는 단계;
상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하는 단계;
상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하는 단계; 및
상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 단계;
를 더 포함하는, 탄성파 탐사 자료 처리 방법.
According to claim 12,
The step of learning the deep learning algorithm,
generating a 1-1st transmission waveform element by increasing the frequency of the first transmission waveform element by a predetermined amount;
generating a 2-1st transmission waveform element by increasing the frequency of the second transmission waveform element by a predetermined amount;
generating a 1-1 virtual acoustic wave trace using the 1-1 transmission waveform element and the first reflection coefficient function;
generating a 2-1 virtual acoustic wave trace using the 2-1 transmission waveform element and the second reflection coefficient function; and
generating a second synthetic elastic part trace by combining the 1-1 virtual elastic part trace and the 2-1 virtual elastic part trace;
Further comprising a seismic wave exploration data processing method.
 제13항에 있어서,
상기 딥러닝 알고리즘을 학습시키는 단계는,
상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 단계;
를 더 포함하는, 탄성파 탐사 자료 처리 방법.According to claim 13,
The step of learning the deep learning algorithm,
Supervised learning of the deep learning algorithm by using the first synthetic elastic part trace as an input of the deep learning algorithm and using the second synthetic elastic part trace as a label of the first synthetic elastic part trace step;
Further comprising a seismic wave exploration data processing method.
KR1020200152794A 2020-11-16 2020-11-16 Seismic data processing device by deep learning and method thereof KR102532502B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200152794A KR102532502B1 (en) 2020-11-16 2020-11-16 Seismic data processing device by deep learning and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200152794A KR102532502B1 (en) 2020-11-16 2020-11-16 Seismic data processing device by deep learning and method thereof

Publications (2)

Publication Number Publication Date
KR20220066593A KR20220066593A (en) 2022-05-24
KR102532502B1 true KR102532502B1 (en) 2023-05-16

Family

ID=81806412

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200152794A KR102532502B1 (en) 2020-11-16 2020-11-16 Seismic data processing device by deep learning and method thereof

Country Status (1)

Country Link
KR (1) KR102532502B1 (en)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1693685B1 (en) * 2005-02-22 2014-10-22 Services Petroliers Schlumberger An electromagnetic probe
KR102160443B1 (en) * 2018-07-31 2020-09-28 한양대학교 산학협력단 Method for processing seismic data, processing device and program using the same

Also Published As

Publication number Publication date
KR20220066593A (en) 2022-05-24

Similar Documents

Publication Publication Date Title
Maity et al. Novel hybrid artificial neural network based autopicking workflow for passive seismic data
US9261613B2 (en) Passive monitoring method for seismic events
US9334718B2 (en) Processing time series data embedded in high noise
CN106842298A (en) A kind of unconformity strong reflection auto-adaptive separating method based on match tracing
CN103293552B (en) A kind of inversion method of Prestack seismic data and system
US9448317B2 (en) Method for swell noise detection and attenuation in marine seismic surveys
Saad et al. Automatic waveform-based source-location imaging using deep learning extracted microseismic signals
EP3631523B1 (en) System and method for predicting fault seal from seismic data
CN108375785B (en) Method and device for correcting position of crack belt
Yuan et al. First arrival picking using U-net with Lovasz loss and nearest point picking method
Maity et al. Neuro-evolutionary event detection technique for downhole microseismic surveys
EP3631524B1 (en) System and method for predicting fault seal from seismic data
KR102532502B1 (en) Seismic data processing device by deep learning and method thereof
CN115877464B (en) Lithology recognition method and device, computer equipment and storage medium
CN111665558B (en) Oil gas distribution detection method and system
CN111502647A (en) Method and device for determining drilling geological environment factors and storage medium
CN109633744B (en) Method, device and equipment for extracting seismic wavelets and storage medium
US20170336523A1 (en) Seismic signal processing method, apparatus and system
KR20220028647A (en) Seismic data processing device by deep learning and method thereof
CN112130209A (en) Karst reservoir prediction method and device
Husebye et al. Focal‐depth estimation using Pn‐coda phases including pP, sP, and PmP
CN111077573A (en) Method, device and system for determining stratum elastic parameters
US20220397690A1 (en) Detection and Removal of Delayed Seismic Travel Times Produced by Velocity Inversions
KR102512123B1 (en) An method for picking first arrival using machine learning
CN114063169B (en) Wave impedance inversion method, system, equipment and storage medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant