利用抗假频凸集投影算法的规则缺失地震数据重建

在地震数据现场采集过程中,因受工区复杂地形等条件限制,采集到的地震数据大多不完整、不规则,且会呈现不同程度的空间假频现象。在均匀空间网格下,规则地震道缺失引起的假频与真实频谱相似,而常规基于傅里叶变换和凸集投影（POCS）的重建方法不能实现反假频重建。为此,针对线性同相轴规则缺失地震数据,通过在f-k域中采用倾角扫描方法拾取有效波能量,建立相应的选择函数,将其引入到POCS算法对数据进行反演计算,重建得到无假频数据。数值实验结果表明,文中所提方法在重建规则缺失地震数据的同时有效地消除了假频信息。     

基于空间—波数域联合深度学习的数值频散压制

有限差分法是地震勘探领域常用的波场数值模拟方法，当空间网格间距大或使用低阶差分算子时会产生严重数值频散现象，影响模拟精度。为此提出一种基于联合学习深度卷积神经网络的数值频散压制方法，该方法使用卷积神经网络自适应提取波场特征进行频散校正。首先，利用波场数据在空间域和波数域的稀疏特征构建残差学习卷积神经网络，提取波场的主要特征；其次，基于L₁范数对网络模型进行稀疏优化，降低模型的复杂度，增加网络的泛化能力；最后，构造联合目标优化函数，使网络在空间—波数域联合约束的语义下学习频散压制的非线性逼近能力。将所提方法应用到不同模型正演的波场数据，结果表明：该方法可有效保护地震信号、压制频散；将网络与迁移学习结合，用于新模型的正演数据，可取得较好效果。与同类算法相比，该方法可以提高粗网格的计算精度、降低计算成本，所得波场快照具有较高的信噪比。     

基于联合小波域深度学习的地震数据规则化方法

数据规则化是地震资料处理的关键步骤之一，基于物理建模的传统方法计算量大且不具备广泛适用性。当前基于卷积神经网络的地震数据规则化方法通常局限在时域，尤其在低采样率条件下，重建数据过于平滑，纹理细节信息损失严重。小波分析具有多尺度、多方向的特性，更适于表示二维数据的纹理特性，可以聚焦地震数据信号的细节信息。为此，提出一种联合小波域的卷积神经网络模型，学习地震数据在时域与小波域的联合分布特征以逼近实际数据，将不规则地震数据重建问题转化为在卷积神经网络框架下各尺度不同方向分量的小波系数预测，重建规则化的地震数据；构建时域与小波域的联合损失函数，结合地震数据的整体分布和局部细节特征，约束网络模型，通过修正联合损失函数的权重调整卷积神经网络学习的注意力，提高重建地震数据信噪比。实验结果表明，与其他方法对比，该方法细节保持效果更好，对地震数据缺失位置不敏感，更具鲁棒性。     

面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。     

利用曲波变换预测多次波模型

针对SRME方法在多次波模型预测阶段存在的缺陷,利用曲波变换多方向的特性,自动选取遵循斯奈尔定律(即走时平稳区域)的多次波贡献道集,对多次波模型道进行构建。该策略减小了非平稳走时区域多次波贡献道集可能产生的假频对多次波模型的影响。对于原始含有空间假频的数据,借助曲波变换多尺度的特性,利用地震数据中不含假频的低频分量对假频分量进行约束,构建了一个抑制假频滤波器,可以减小空间假频对多次波模型的影响,提高多次波模型的预测精度,为后续的相减阶段提供更好的模型数据,有利于最终多次波压制。模型数据和实际资料验证了本文方法的有效性。     

高阶高分辨率Radon变换地震数据重建方法

地震数据缺失会影响处理和解释结果。本文基于Radon变换地震数据重建并结合地震波同相轴横向连续性,提出高阶高分辨率Radon变换地震数据重建方法。该方法将正交多项式变换和Radon变换结合,通过正交多项式变换拟合地震波振幅随炮检距变化特性,改进了传统Radon变换只考虑地震道叠加特性的缺陷,增加了振幅变化的斜率和曲率信息,保留了地震波AVO特性,有利于地震波振幅信息在横向变化情况下缺失地震数据的重建。理论模型和实际数据处理结果表明,该方法可以克服空间假频,实现缺失道数据重建,并保留振幅AVO信息。     

反假频POCS数据规则化及其在偏移成像中的应用

受地形条件和障碍物等因素的影响,陆上地震数据采集容易出现地震道丢失现象,对地震资料的后续处理和解释造成不良影响。文中提出一种反假频凸集投影(POCS)插值方法,借助f-k域低频成分预测高频无假频成分,剔除混叠假频,达到恢复缺失地震道的目的。Marmousi模型数据试验说明凸集投影反假频插值能提高偏移成像品质。     

不规则地震数据的抗假频重建方法

 不规则采样地震数据会对地震数据多道处理的效果造成严重影响。本文将单步预测滤波拓展到多步预测滤波,基于多步自回归预测滤波方法,实现对不规则地震数据的分步、抗假频重建方法。文中首先运用带限Fourier重建方法对不规则地震数据进行规则化重建,得到无假频低频数据的频率谱;接着使用多步自回归算子从重建数据的无假频低频谱中提取整个有效频带的预测滤波因子;然后利用已知道数据和预测滤波因子重建得到完整数据的频率谱,最终实现不规则地震数据的抗假频重建。理论模型和实际资料的处理结果验证了本文方法的有效性。     

双平方根方程偏移反假频研究

假频的存在给地震数据的去噪、偏移和反演带来了很大干扰。根据双平方根方程偏移公式及偏移成像假频理论，从输入的地震观测数据、偏移算子以及成像条件三个方面对基于双平方根方程的偏移方法假频来源进行了全面分析，得出该偏移方法不存在算子假频以及成像条件假频的结论，指出偏移距方向的数据假频才是该方法主要的假频来源。结合CMP数据时距曲线公式和空间假频基本公式，推导出双平方根方程偏移输入数据在偏移距方向的采样规则。分析当今主流地震数据采集观测系统后发现，该偏移方法的输入数据在偏移距方向很难满足采样条件，因此，双平方根方程偏移会面临较严重的数据空间假频影响。结合三角平滑滤波器，提出了一种压制偏移距方向数据假频的方法。利用模型数据对新的反假频方法处理结果和加密采样方法处理结果进行了对比，验证了新的反假频方法的正确性及其计算内存需求、计算量方面的优势。三维实际数据测试结果表明，新的方法能够压制假频噪声，改善成像效果。最后讨论了新方法的适应性和加密采样方法处理三维数据的局限性，认为将加密采样与本文方法结合，能够得到计算效率和成像效果均衡的结果。     

基于Shearlet变换稀疏约束地震数据重建

地震数据重建是地震数据处理流程中关键步骤之一,重建效果的好坏直接影响到后续的多次波消除以及偏移成像效果。为了获得更好的重建效果,提出了以压缩感知为理论基础,采用jitter欠采样的Shearlet变换稀疏约束地震数据重建方法。将Shearlet变换与凸集投影(POCS)算法结合起来在动校正预处理后对地震数据进行重建,增强了地震数据在Shearlet域的稀疏性。理论分析和实际地震数据验证结果表明,该方法可以在部分地震数据缺失的情况下取得很好的重建效果,有效地解决了假频问题。     

天然气超声流量计健康状态评价方法初探

目的天然气计量用超声流量计性能诊断主要采用设定参数阈值的诊断方法,为降低误报、漏报等情况,建立了基于生成对抗神经网络(generated adjoint neural network,GAN)和高维非线性无监督学习的超声流量计健康状态系统诊断方法。 方法采用GAN对原始数据进行学习、生成和扩充,保障超声流量计健康状态诊断建模的数据基础,提取超声流量计在运行过程中的健康状态参数并对其进行时序分析,采用高维非线性无监督聚类学习方法,结合超声流量计失效模式分析,对超声流量计设备进行在线的健康状态诊断。 结果结合超声流量计工作原理和现场实际采集数据,对生成的故障数据集进行了验证。 结论能够准确识别超声流量计当前状态,显著解决传统阈值法误报率、漏报率高的问题,为超声流量计健康诊断的统一管理与开发给予支撑。      

基于迭代最小化稀疏学习的三维地震数据重建

受采集技术、现场环境及经济成本等因素的影响，地震勘探中采集的原始数据往往存在缺炮或缺道等现象，这种数据的不完整性对后续数据处理和成像会造成不良影响，故必须重建此类缺失数据。为此，提出基于迭代最小化稀疏学习（Sparse Learning via Iterative Minimization，SLIM）的方法，主要利用三维地震数据频率切片的二维谐波结构特性，对三维随机缺失地震数据进行重建。即先对三维地震数据沿时间轴方向做傅里叶变换，再利用循环最小化算法（Cyclic Minimization，CM）对频率切片的二维谐波谱进行迭代求解，最后对谱估计做傅里叶逆变换而重构缺失数据。此外，采用共轭梯度最小二乘法实现数据重建过程中的求逆运算，以缩短数据重建时间。试验结果表明：所采用的基于频率切片的SLIM方法对合成和实际三维地震数据均取得了较好的重建效果；该方法的重建性能优于基于频率切片的Hankel矩阵降秩的多道奇异谱分析方法（Multi-channel Singular Spectrum Analysis，MSSA）。     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。     

基于联合深度学习的地震数据随机噪声压制

噪声压制是地震资料处理中的一项关键任务。根据不同噪声的形成机制、特性,可以采用不同的压制方法,使地震资料的信噪比达到预期,提高后续地震资料处理和解释的效率和精度。现有基于深度学习的地震数据去噪方法,通常仅关注单一时域或频域的特征提取,导致局部过平滑或纹理模糊的现象;此外,传统卷积神经网络的卷积核往往采用固定较小的尺寸,限制了感受野大小,容易导致地震数据特征信息提取不充分。为此,提出一种基于联合深度学习的地震数据随机噪声压制方法。首先,考虑时域和频域两方面的特征信息,利用联合误差定义损失函数,改善特征提取效果;其次,通过分析卷积核大小和网络深度对感受野大小的影响,采用扩充卷积的方式,增加地震数据特征提取的多样性,减少地震数据细节的损失;再次,根据网络输入与输出数据具有相似性的特点,引入残差学习策略;最后,利用批归一化算法加快模型收敛,提高地震数据去噪效率。与同类算法对比实验表明,应用所提出的方法可得到更好的同相轴纹理保持效果和较高的信噪比。     

基于串级双向长短时记忆神经网络的测井数据重构

测井数据是油气田开发和评价的基础，对于确定地下油气层位置、计算及评价油气储量等具有重要意义。然而，实际开采过程中井壁垮塌、仪器故障等因素往往导致部分深度的多条测井数据失真或缺失，而重新测井的成本高昂，施工难度大。为此，提出一种基于串级双向长短时记忆神经网络(CBi-LSTM)的测井数据重构方法，在不增加额外测量成本的情况下，充分考虑缺失数据点的前趋与后继之间的双向关联性及测井曲线之间的相关性，利用串级系统将所获估计值与已知测井曲线合并为新的输入，采用迭代更新策略完成对缺失数据块的重构。对苏里格气田4口井的测井数据进行补全重构实验，所得结果表明：文中测井数据重构方法具有较高精度，同时所用模型具有更强的鲁棒性和泛化能力。     

基于GRU神经网络的测井曲线重构

通过测井曲线解释可以获得地层岩性、电性以及孔渗饱等地层参数,然而,实际应用中时常出现部分测井数据失真或缺失的情况,而重新测井不仅价格昂贵且实现较困难。目前基于传统的线性假设和统计分析的测井曲线重构方法已不能满足储层特征的精细描述要求。门控循环单元（GRU）神经网络是一种适合于解决非线性和时序性问题的新型深度学习算法。基于深度学习的最新成果,提出使用GRU神经网络进行测井曲线重构。该方法兼顾了测井数据之间的非线性映射关系、数据随储层深度变化的趋势及历史数据之间的关联性。对实际资料进行试算,并与多元回归方法结果对比,表明GRU网络模型取得了良好的重构效果,为测井曲线重构提供了一种新的思路。     

Analysis of the ambiguity of log-constrained seismic impedance inversion

Although the ambiguity of seismic inversion is widely recognized in both theory and practice,so far as a concrete inversion example is concerned,there is not any objective,controllable method or any standard for how to evaluate and determine its ambiguity and reliability,especially for the high frequency components beyond the effective seismic frequency band.Taking log-constrained impedance inversion as an example,a new appraisal method is proposed on the basis of analyzing a simple geological model.Firstly,the inverted impedance model is transformed to a reflection coefficient series.Secondly,the maximum effective frequency of the real seismic data is chosen as a cutoff point and the reflection coefficient series is decomposed into two components by low-pass and high-pass filters.Thirdly,the geometrical reflection characteristics of the high-frequency components and that of the real seismic data are compared and analyzed.Then,the reliability of the inverted impedance model is appraised according to the similarity of geometrical characteristics between the high-frequency components and the real seismic data.The new method avoids some subjectivity in appraising the inverted result,and helps to enhance the reliability of reservoir prediction by impedance inversion technology.     

基于高阶扩展快速行进法的缺失地震数据重建

传统地震数据重建算法大多采用整体重建模式.受数字图像重建思路启发,提出了一种基于高阶扩展快速行进法的缺失地震数据重建算法.该算法采用局部重建模式,首先将缺失地震数据映射为地震图像,并定量分析映射导致的量化误差; 再采用二抽取小波变换对地震图像进行分解,分解后的低频分量采用高阶扩展快速行进法做局部逐点重建,高频分量通过已重建低频部分的水平、垂直和对角预测滤波做重建; 然后采用小波逆变换得到重建后的地震图像; 最后将地震图像映射回地震数据.叠前和叠后实际地震数据重建实例验证了算法的可行性; 与基于形态分量分析、基于K-奇异值分解(SVD)字典学习等地震数据重建算法的对比结果表明,本文算法具有更快的重建速度和更高的重建精度.     

用瞬时振幅进行图像重建的方法

近年来,图像重建技术已在地震资料处理中得到应用,但是,目前多数方法一般都以改善地下界面的几何形态为研究对象,很少涉及岩性特征。针对这一情况,我们提出一种采用瞬时振幅进行图像重建的方法。由于瞬时振幅与地震信号的符号、频率和相位无关,因此,该法的图像重建不会因岩性变化引起的极性反转、频率或相位的变化而受影响。对实际地震资料处理的结果表明,该方法不仅可保持有效信号的频率和相位特性,而且有较强的去噪能力。