基于Gabor纹理学习的地震数据重建算法

地震数据重建技术主要用于解决地震数据采集过程中出现的地震道缺失或空间采样不足等问题。针对支持向量回归(SVR)地震数据重建方法未充分利用地震数据物理信息的不足，引入可提取不同尺度和方向纹理特征的Gabor变换，旨在充分挖掘地震数据的物理信息，并基于SVR算法框架重建缺失的地震数据。即首先利用Gabor滤波器提取地震数据的纹理特征，并与原始数据特征相结合，构建新的特征向量数据库；然后通过SVR算法学习回归模型，用于重建缺失的地震数据。通过大量合成地震数据与实际地震数据重建实例，表明由Gabor变换提取的纹理特征能有效提高SVR算法的重建精度，并获得更高信噪比。     

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。     

基于双注意力U-Net网络的提高地震分辨率方法

提高地震数据分辨率的传统方法，如反褶积、Q补偿等，受到子波为最小相位、反射系数为白噪声等假定条件的限制且需要求取复杂参数，不便于实际应用。深度学习方法使用数据驱动的方式可以自适应地刻画输入与目标间的关系，具备良好的自主学习能力，但目前基于深度学习提高地震数据分辨率的方法对注意力信息的利用不够全面。因此，提出一种基于双注意力U-Net网络的提高地震数据分辨率方法。首先，在原始U-Net网络中加入改进的通道注意力模块、空间注意力模块和级联残差模块，不仅可以快速学习高、低分辨率数据间的映射关系，还能够合理分配不同通道和空间的权重、充分利用数据间的相关性；然后，使用L₁损失和多尺度结构相似性指数损失的组合作为损失函数，提高模型对局部信息变化的敏感度，便于恢复细节信息。模拟数据和实际数据的测试结果表明，该方法提升了地震数据的主频，增加了频带宽度，同相轴变得更清晰，细节纹理信息更丰富，有效提高了地震数据的分辨率。     

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,...     

基于深度嵌入网络的地震相聚类技术

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。     

应用双通道卷积神经网络的地震随机噪声压制方法

地震资料中随机噪声的压制一直是人们关注的热点。传统方法难以平衡噪声的去除与有效信号的保护,且执行效率低。为此,提出了基于双通道卷积神经网络的随机噪声压制方法。首先,该网络是一个双通道网络,即由两个结构不同的子网络组成,目的是在压制噪声过程中提取到互补有效信息;其次,在下通道子网络中引入空洞卷积增大感受野,充分捕捉到地震资料中的邻域信息,从而更充分地保留细节信息;最后,借鉴残差学习的思想并使用Swish激活函数,提高了网络的降噪性能。模型和实际资料的实验结果表明,所提方法在有效地压制随机噪声的同时能够保留更丰富的纹理细节信息。     

改进的各向异性扩散滤波方法压制地震数据噪声

在压制地震数据噪声时,为有效保持地质体边界、断层等细节特征信息,根据地震数据噪声多尺度特性,分析已有的各向异性扩散滤波模型的特点,将控制扩散特性的梯度阀值、迭代时间和高斯滤波尺度因子参数引入扩散模型中,并借鉴模拟退火的冷却思想,设定高斯滤波尺度因子和梯度阀值为时间的函数,构建了能够保持边缘特征、压制地震数据噪声的各向异性扩散滤波模型。数值试算和实际资料的应用表明,构建的各向异性扩散滤波模型能够自适应地、有效地压制地震数据噪声,为地震数据解释和分析、属性提取提供了较好的基础数据。     

基于环境噪声的地震响应重建方法及应用

被动源地震干涉能够从环境噪声中重建有用的地震响应,如面波甚至体波,以用于建立地下速度模型。但由于环境噪声源具有随机分布的特征,记录混沌而杂乱无序,如何进行资料预处理并从中重建地震响应是一件具有挑战性的工作。为此,针对地表噪声源记录特点以及噪声源分布不均匀而导致重建因果格林函数与逆时格林函数不相等等问题,提出了振幅规则化和求和虚源道集构建方法,显著改善和增强了重构地震响应中的面波信号。利用高铁线附近采集的环境噪声数据,进行了地震响应重建试验,结果表明:振幅规则化和求和虚源道集构建方法能有效地从环境噪声中恢复直达波和面波响应,可进一步用于走时层析成像和面波反演以及近地表纵波和横波速度模型的建立。     

快速结构字典学习三维地震数据重建方法

目前基于字典学习的三维地震数据重建方法通常采取二维逐切片重建的策略,这种重建方式忽略了切片间的相互联系,未能充分运用地震数据各个方向上的连续性约束。为此,提出了一种三维联合重建方法——快速结构字典学习三维数据重建方法。该方法在压缩感知理论框架下,利用快速结构字典学习算法训练训练集,产生三维自适应字典;然后利用三维自适应字典、观测矩阵以及正则化正交匹配追踪算法对数据进行高精度重建。模型数据和实际数据的重建结果表明,该方法能够恢复地震数据的细节特征,具有重建精度高、保幅性良好的优点。     

随机噪声的多尺度多方向域压制方法研究

介绍了信号的多尺度多方向特性和具有此功能的第2代curvelet变换的基本原理,阐述了对于光滑且二阶连续可微的函数,第2代curvelet变换所具有的最优逼近性能。给出了地震资料随机噪声衰减的阈值方法。基于理论模型讨论了多尺度多方向域(curvelet域)的去噪特性,并将其与传统小波变换的去噪效果进行了对比。最后,将该方法应用于实际地震资料处理,结果表明,与传统小波变换相比,多尺度多方向域阈值法充分利用了信号与噪声在方向上的差异,使随机噪声得到了较好的衰减,有效提高了地震资料的信噪比,较好地保留了地震记录的有效信号。     

联合连续小波变换和脊波变换的面波衰减方法及应用

基于炮集地震记录面波的高振幅、低频率和低速度特性及其与反射波在小波域和脊波域中分布区域不同,提出了一种衰减强干扰面波的联合一维连续小波变换和脊波变换方法。首先根据面波的高振幅和低频率特性,利用一维连续小波变换的时频局部化性质,对强干扰面波进行衰减;然后利用脊波变换将地震记录变换到时间、尺度和射线参数的三维空间;最后在脊波域对剩余干扰进行衰减。合成记录和实际资料处理的应用表明该方法不仅可以较好地衰减地震记录中的干扰面波,而且可以保护有效信号的低频成分,为地震资料后续处理和分析提供更好的保证。     

应用时变子波的盲反射系数反演

由于地震数据的非稳态和全盲特性,实际地震子波通常是未知的且其波形会随传播时间发生变化,故常规基于稳态子波假设的反射系数反演精度将难以保证。为此,利用广义S变换将非稳态地震数据变换到时频域,基于自相关理论逐点提取子波并重新构建时变子波矩阵,而不再是从一道地震记录中仅提取一个时不变子波,将其应用于反演模型以实现非稳态地震资料反射系数的盲反演。模型测试和实际资料处理结果表明,相较于传统时不变子波反演方法,所提方法考虑了地震信号的时变特征,且是数据驱动的,更适用于实际地震资料,能得到更精确的时变子波结果和较高分辨率的反射系数剖面。     

高分辨率滤波算子在小波域中的提取

常规提高分 率的地震处理方法中,反褶积算子局部化特征差,影响算子的频率。小波变换中,小波函数具有非常好的局部化特征。小波变换分频处理地震资料,也可以得到较好的高分辨率资料,但是分频处理地震资料的时间较反褶积方法长。本文基于小波域分频处理方法,提出了一种在泸滤域中的时间域和频率域构造类似于反褶积算子的滤波算子,并且推导出了适应于高分辨率地震资料的处理的导数小波函数,在时间域采用反褶积方法处理高分辨地     

频率域储层预测技术研究

地震信号在频率域和时间域表现出不同的特征，利用频率域的地震信号，可以更好地进行储层预测。利用傅立叶变换和小波变换等数学工具，研究了地震数据在频率域的特征，开发出了小波域时频分析技术、分频地震相技术、频谱相关技术、频谱分解储层成像技术等多种频率域储层预测技术，将这些技术在实际地震资料中进行了应用，取得了较好的效果。     

Bayesian seismic multi-scale inversion in complex Laplace mixed domains

Seismic inversion performed in the time or frequency domain cannot always recover the long-wavelength background of subsurface parameters due to the lack of low-frequency seismic records. Since the low-frequency response becomes much richer in the Laplace mixed domains, one novel Bayesian impedance inversion approach in the complex Laplace mixed domains is established in this study to solve the model dependency problem. The derivation of a Laplace mixed-domain formula of the Robinson convolution is the first step in our work. With this formula, the Laplace seismic spectrum, the wavelet spectrum and time-domain reflectivity are joined together. Next, to improve inversion stability, the object inversion function accompanied by the initial constraint of the linear increment model is launched under a Bayesian framework. The likelihood function and prior probability distribution can be combined together by Bayesian formula to calculate the posterior probability distribution of subsurface parameters. By achieving the optimal solution corresponding to maximum posterior probability distribution, the low-frequency background of subsurface parameters can be obtained successfully. Then, with the regularization constraint of estimated low frequency in the Laplace mixed domains, multi-scale Bayesian inversion in the pure frequency domain is exploited to obtain the absolute model parameters. The effectiveness, anti-noise capability and lateral continuity of Laplace mixed-domain inversion are illustrated by synthetic tests. Furthermore, one field case in the east of China is discussed carefully with different input frequency components and different inversion algorithms. This provides adequate proof to illustrate the reliability improvement in low-frequency estimation and resolution enhancement of subsurface parameters, in comparison with conventional Bayesian inversion in the frequency domain.     

利用Shearlet变换提高叠后地震资料分辨率

反褶积、Q补偿、谱白化、小波变换等方法在提高地震资料分辨率的同时往往会放大噪声,降低地震资料的信噪比。由于地震随机噪声服从高斯分布且其本身并无方向性,因而在Shearlet域可将有效信号与随机噪声分开。通过Shearlet变换将地震信号转换到Shearlet域,对Shearlet域系数进行合理的补偿后,再做Shearlet反变换,可实现对地震资料的提高分辨率处理。结合Shearlet变换的这两个特点,首先舍弃随机噪声Shearlet域系数,同时只对优势频带范围内的Shearlet域系数做补偿和提频处理。这样既提高地震资料分辨率又保持了地震资料信噪比。合成地震数据和叠后实际资料的处理结果表明,本文方法可有效提高叠后地震资料分辨率。     

基于小波变换与多级中值滤波的联合去噪方法

基于小波变换的阈值去噪方法存在阈值选取困难、低信噪比资料去噪后倾斜和弯曲同相轴连续性不好等问题。图像去噪方法中的多级中值滤波具有保护细节的特性,提出了基于多级中值滤波的小波域去噪算法。该方法利用最大和最小中值之差判断平坦区域和边缘区域,提高了小波域中去除噪声的能力,同时有效地保护了信号细节。模型数据与实际数据处理结果表明,该方法比阈值去噪方法分离信、噪的能力更强。     

小波变换域K L变换及其去噪效果分析

K—L变换利用相邻地震道的相关性来去除随机噪声，但对于倾斜和弯曲同相轴反射去噪效果不佳。采用改进的时变倾角扫描叠加K—L变换能够较好地去除随机噪声，但由于在时间域进行，没有考虑有效信号和随机噪声在频率域的特点，高频有效信号易受压制。小波变换具有较强的时频分析能力，在小波变换域进行K—L变换，可以实现分时分频K—L变换去噪。介绍了小波变换域K—L变换压制随机噪声的基本原理，即先将地震信号进行小波分解形成分时分频的小波包剖面，然后用K—L变换对小波包剖面进行去噪，再将去噪后的小波包剖面重构回地震剖面，从而达到消除随机噪声的目的。理论模型计算和实际资料处理表明，小波变换域K—L变换去噪方法在有效去除随机噪声的同时能够保护高频有效信号。     

四参数宽带B样条子波

本文基于地震尖脉冲的小波分解及其重构原理,提出一种基于部分尺度下信号重构理论的宽带子波构成方法,利用此方法可以形成一系列各具特色的地震子波。基于复B样条小波,具体讨论四参数宽带B样条地震子波的构成,推导出四参数宽带B样条子波的时间域和频率域的解析表达式。四参数宽带B样条地震子波不仅具有可直接调节旁瓣衰减的参数,而且还可以直接调节相位的个数,与相同主瓣等效频率的雷克子波和俞氏子波相比,四参数宽带B样条子波旁瓣小,非零时间点的延续时间短。楔形模型制作的合成地震记录表明,四参数宽带B样条子波的分辨率更高且参数选择更为灵活,可为地震资料处理提供一个更方便、更灵活的地震理论子波。