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。     

应用快速POCS算法的非均匀地震数据重建

凸集投影(Projection on Convex Sets, POCS)算法已经成功地应用于地震数据重建,灵活且简单。然而该算法要求重构数据必须是在规则网格上进行,由于障碍物等因素导致实际采集数据偏离预设网格点,重构效果不佳,且该算法的收敛速度仅为O(1/k),其中k为迭代次数。针对以上问题,首先构建了非均匀网格地震数据正演模型;然后从快速迭代收缩阈值算法(Fast Iterative Shrinkage Thresholding Algorithm, FISTA)出发,推导并提出了基于曲波变换的快速凸集投影算法(Fast POCS,FPOCS),该算法保留了迭代收缩阈值算法(ISTA)的计算简单性,具有全局收敛速度O(1/k²);是一种快速的地震数据重构方法;最后通过模拟和实际数据处理验证了本文方法的有效性。     

非抽样离散小波变换叠前地震数据重建方法

叠前地震数据包含了丰富的地层信息,但在实际勘探中由于受采集条件等影响,叠前地震数据地震道缺失现象严重。针对规则采样不规则道缺失的插值恢复问题,一些传统的插值方法无能为力或者插值效果不佳,而近年来发展起来的非抽样离散小波变换（UDWT）,具有很好的稀疏表示能力,比傅里叶变换能更加稀疏地表示地震数据;根据压缩感知理论,即使不满足Nyquist采样定理的要求,利用极少的观测数据,也可能较好地恢复缺失的地震数据。本文提出一种基于UDWT的地震数据插值方法,对地震数据做插值和规则化处理,可以提高叠前地震数据的完整性,理论模型和实际资料的重建效果验证了方法的有效性和实用性。     

三维不规则地震数据重建方法

不规则采样地震数据会对多道处理技术产生不良影响,降低地震资料的处理质量。本文针对有限带宽三维不规则地震数据,将二维空间非均匀Fourier变换理论和贝叶斯参数反演方法相结合,进行反演重建。首先,采用分频重建策略,对每一个时间频率依据最小视速度确定出待重建数据的空间频率带宽,从不规则地震数据中估计出重建数据的空间Fourier谱。然后,将不规则地震数据重建视为谱重建的地球物理反演问题,运用贝叶斯参数反演理论估计出空间Fourier谱。在反演求解时,采用Delaunay三角网格剖分方法来确定不规则采样点的权值。此外,为避免复数矩阵求逆,使用预条件共轭梯度算法来保证求解的稳定性和收敛速度。理论模型和实际资料处理结果验证了本文方法的有效性和实用性。     

标准正交紧支集小波基与地震数据的分解和重建

本讨论了Ｄａｕｂｅｒｃｈｉｅｓ标准正交紧支集小波基，借助于多分辨率分析方法，建立了地震数据的分解和重建算法，并对实测地震数据进行了压缩和重建。     

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。     

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。     

形态分量分析在地震数据重建中的应用

本文从稀疏信号恢复理论出发,采用形态分量分析(MCA)方法重建地震数据。MCA方法的核心是选取合适的字典。首先从地震数据的特点和计算复杂性出发,选取非抽样小波变换(UWT)字典和曲波变换(Curve-let)字典,UWT字典用来稀疏表示地震数据的局部奇异部分,Curvelet字典用来稀疏表示地震数据平滑和线状变化部分;其次将数据分解为形态特征不同的两个分量,采用BCR(Block Coordinate Relaxation)算法求解目标函数;最后对两个分量进行插值重建、合并得到最终的重建结果。模型测试和实际资料处理结果表明:利用MCA方法不仅可以对非均匀和大间距数据进行插值重建,而且可消除空间假频;同时该方法本身还具有去噪功能,不受数据带宽的限制。     

基于Curvelet变换的缺失地震数据插值方法

Curvelet变换具有局部性、多尺度性和多方向性,在处理非稳态地震信号中具有较大的优势,可以利用Curvelet变换的压缩特性重建缺失的地震数据。本文首先分析了基于稀疏变换的缺失地震数据插值的基本原理,在反问题正则化理论框架下,针对L2范数约束和L1范数约束条件,分析了两种约束的差异,着重阐述了基于Curvelet变换的L1范数约束的插值方法,其优点在于对非线性同相轴不需要分窗口处理,并将凸集投影算法(POCS)引入到Curvelet变换的插值方法中,通过采用按指数规律衰减的阈值参数加快了迭代收敛的速度。理论和实际算例验证了Curvelet变换插值方法的有效性。     

利用小波变换压缩地震勘探数据

在石油地震勘探中，所涉及的数据量庞大，其中数据的冗余量也比较大。本文根据地震数据的特点，利用小波变换对地震数据进行压缩，不但可大大减少存储介质的数量，而且还保持了后续资料处理中有用的地震信息不损失。文中的实例表明，压缩后的地震数据所带来的误差，从视觉上是可以接收的一般能满足后续处理的要求。     

波前快速推进法起伏地表地震波走时计算

波前快速推进法(FMM)是一种快速、准确而稳定的走时计算方法，它不仅计算速度快、灵活性好，而且对任何复杂速度场都具有无条件稳定的特点。常规的走时计算基本都是基于水平地表，这限制了方法在山区、丘陵等起伏地表地区的应用。以FMM为基础，提出了一种在复杂地质条件下计算起伏地表起伏界面地震波走时计算方法。理论模型的计算结果表明，该方法对于复杂地质条件下的走时计算是切实可行的。     

应用快速不动点延续算法的地震数据重建

地形条件或采集成本等因素往往导致现场采集到的地震数据呈现不完整分布,从而影响后续地震数据的分析与处理,因此对原始地震数据做高精度重建显得尤为必要。不动点延续算法是一种基于核范数最小化的重建方法,但该算法需进行奇异值分解（SVD,其计算复杂度为O[mnmin（m,n）],m、n为矩阵的维度）,且当矩阵维度较高时运算耗时较长;传统方法是直接利用PROPACK加速包,将计算复杂度降低为O（rmn）（r为矩阵的秩）,但此加速方法依然耗时较长。为此,提出一种快速不动点延续算法,通过利用块克雷洛夫迭代近似奇异值分解算法和子空间复用技术,将SVD的计算复杂度降低为O[mcmin（m,c）]（c<m,n）,c∈R⁺）为复杂度常数。仿真地震数据和实际地震数据重建结果表明,在确保一定信噪比的情况下,文中提出的快速不动点延续算法的计算效率显著高于传统加速型不动点延续算法。     

快速行进法射线追踪提高旅行时计算精度和效率的改进措施

快速行进法(FMM)是一种基于网格的新型射线追踪方法,其旅行时计算精度和效率受差分格式及网格剖分大小的影响。本文针对传统FMM旅行时的精度和效率存在的问题,给出三项改进措施: ①加入角点计算; ②细化并补充改进一阶差分计算公式; ③引入Vidale差分方法,并采用双重网格技术与三者结合。模型试算结果表明:第一项改进措施可提高一阶差分格式及其计算精度,后两项改进措施可不同程度地提高FMM旅行时计算的精度和效率,增强了FMM的适用性,有利于基于网格的射线追踪法的应用。     

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。     

基于压缩感知的小波域地震数据实时压缩与高精度重构

地震数据压缩是解决地震仪无线数据传输的一项关键技术。现有技术方案是对现场数据变换编码,消除其冗余达到压缩效果,再解码反变换恢复原始数据。这类方案需要对完整采集的地震数据进行操作,不仅时效性差,造成了硬件资源浪费,而且数据解码难以高精度恢复。针对以上问题,本文基于压缩感知理论（CS）提出一种新的地震数据压缩重构方案,通过构造混沌伯努利测量矩阵（CBMM）对地震数据小波变换后的稀疏系数进行压缩,在下位机端实时编码;为了提高重构精度,采用贝叶斯小波树结构CS重构算法（BTSWCS）,根据小波树结构统计特性,构建一个分层贝叶斯CS先验模型,利用马尔科夫链蒙特卡洛推理对模型参数后验估计,在上位机端恢复原始数据。实际地震数据处理表明,使用本方法对总采样点为2⁸的数据压缩,压缩时间可缩短至1.0×10^-5s。低信噪比情况下,本文重构算法使峰值信噪比（PSNR）值至少提升5dB。