利用能量比法拾取地震初至的一种改进方法

介绍了能量比法拾取地震道初至的一种改进方法，即利用时窗滚动来计算能量比值，并从比值特征中判断初至。在以前的计算中是把要计算的地震道划分成许多个时窗，然后逐个求能量比值。由于各道初至的到达有先有后，如果静态地划分时窗，有可能初至到达前后时窗的能量比值并不是最大的，也就是说这时的拾取结果是错误的。但是通过时窗滚动可以多次计算初至前后时窗内的能量比值，经比较得出最佳比值。改进的方法能快速准确地拾取地震道的初至，并且可以提高拾取的精度和稳定性。     

神经网络在初至折射同相轴拾取和地震道编辑中的应用

已经开发出应用神经网络学习算法进行含噪声地震道编辑和拾取初至折射同相轴的人机交互地震处理系统。我们应用改进的后传神经网络（ＢＮＮ），以改善ＢＮＮ的收敛速度。通过人工处理员精心选择道编辑或折射拾取的例子，并将这些例子输入ＢＮＮ，交互地对ＢＮＮ进行训练，使它能编辑地震数据或拾取初至波。然后，迭代地对网络中的内部权重进行调整，直至它能精确地重复由用户提供的例子。在完成训练之后，ＢＮＮ系统就可模仿人工处理     

基于混合网络U-SegNet的地震初至自动拾取

传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。     

深度学习在中低信噪比地震数据初至拾取中的应用研究

随着地震勘探地区的复杂化和地震装备及采集技术的发展,采集到的中低信噪比地震数据数量急剧增加,传统的初至拾取方法由于效率低、精度差己不能满足资料处理需求。针对这一问题,在充分分析传统语义分割网络方法基础上,提出了一种由编码器和解码器两部分组成的端到端的深度学习网络模型融合自注意力机制的空洞卷积空间金字塔池化(Adaptive Aggregation Net, AANet)。实验结果表明,训练后的网络模型能够高质量地拾取中低信噪比地震数据中的初至时刻,在测试集中的预测评价指标均交并比(Mean Intersection over Union, MIoU)达到99.9%。AANet提高了中低信噪比地震数据初至拾取的精度和效率,有良好应用前景。     

低信噪比地震资料初至自动拾取技术

为提高低信噪比地震资料初至自动拾取的精度,提出了一种联合应用曲波变换与希尔伯特变换进行初至拾取的方法。首先采用基于Wrapping的快速离散曲波变换算法对检波点静校正和线性动校正后的炮域数据进行曲波变换,然后根据随机噪声和有效初至信号的曲波系数在不同尺度不同方向上的分布差异,设置合适的阈值对曲波系数进行"去噪"处理,最后将处理后的曲波系数进行反变换,获得压制随机噪声后的地震记录。利用希尔伯特变换计算各地震道的瞬时振幅,然后利用改进的瞬时强度比公式逐道计算给定的时窗内各采样点的瞬时强度比,最后根据瞬时强度比极大值确定单炮的初至时间。理论数据和实际资料处理结果表明,对于低信噪比地震资料,利用曲波变换法进行去噪后,数据的信噪比得到了提高。结合具有一定抗噪能力的改进型瞬时强度比初至拾取方法,可以有效地提高自动拾取初至的精度,减少人工修改错误初至的工作量,该方法具有一定的实用价值。     

用地震记录预测薄层厚度

经理论模型计算，用时差估算薄层厚度的分辨率在１／８～１／４波长之间。由于川东石炭系是一套含泥质极少、横向分布比较稳定的高速白云岩，上覆地层是阳新统底部的低速泥岩，下伏地层是志留系的大套低速砂质泥岩。这一地层组合使其上下构成良好的反射界面。经数口井合成记录与地震记录对比，符合性很好，且由合成记录上的时差计算的厚度与钻井厚度一致。由此证明，用地震记录上的时差计算厚度（大于调谐厚度）是可行的。     

关于初至时间标准值的计算方法

中国石油天色气总公司行业标准中的“钟ＴＢ至近道初至时间误差不超过正常值的二分之一道间初至时差”是对地震监视记录初至时间作出的规定。标准中的正常值可根据初至时间的正态分布特性，即平均值分布极差是原值分布极差的１／√ｎ理论，动用实际生产资料是ｎ个个初至时间进行计算而求是。     

CDZ24地震仪初至时间的自动拾取

目前低速带初至时间的拾取多以人工拾取为主，在实际工作中存在许多问题，经过对CDZ24地震仪记录进行研究，设计出一种新模型。并用TurboC编程，实现了CDZ24地震记录初至时间的自动拾取，解决了人工拾取中存在的问题。     

用于初至拾取的三分量井间地震资料时间—频率相干分析

本文提出了一种处理三分量宽带井间资料的方法,目的是压制尾波信号,分离开重叠在一起的滤场分量。其基础是：当用小道距检波器接收,或由小炮点距震源激发时,尾波的相关度减小。具体实现方法是通过把信号变换到时间－频率域,并计算相邻射线传播信号各个时刻的瞬时相关度,得到相干波的高相干时间－频率域。由此认别出地震记录中的直达Ｐ波、Ｓ波、反射波和转换管波等不同波型。本文还提出了一种计算地震信号中不同波型初至时间的     

基于局部相似属性的初至自动拾取

本文提出了一种基于局部相似属性的初至自动拾取方法。首先是由炮记录中的地震道计算其局部互相关相似属性,形成局部相似属性道;然后根据粗略估计的近地表速度和炮检距对炮集中的每一道计算一个初至搜索中心,并以此中心确定每一道的搜索范围;最后将这些局部属性道作为能量比法的输入,计算局部相似属性道的能量比曲线,取搜索范围内能量比曲线的最大值所在位置为初至时刻。模型数据和实际资料试验结果表明,该方法具有一定的抗噪性能,且易于使用。     

用人工神经网络实现同相轴自动拾取

利用人工神经网络原理实现同相轴自动拾取包括以下两个方面的内容:①地震波动力学和运动学特征的定量表示;②用于同相轴自动拾取的人工神经网络的基本结构和计算方法的分析。该方法经过实际资料的试验表明,用人工神经网络拾取同相轴具有原理简单、使用方便、适应范围广和准确度较高等优点,是一项值得进一步研究的方法。     

用自组织神经网络实现地震同相轴自动追踪

本文提出了一种用自组织神经网络自动追踪地震同相轴的方法。文中简单地介绍了自组织神经网络，并针对地震同相轴追踪这一具体问题，设计了相应的学习方法。自组织神经网络可以进行无监督学习，且可以边学习边工作，因此本文提出的方法追踪迅速，自动化程度高，实际资料处理结果表明，本方法具有较好的应用前景。     

利用神经网络拾取叠加速度

鉴于三维地震和高密度二维地震的数据量很大,仍然采用人工方法拾取速度谱,不仅效率低,而且精度低。为此,人们提出许多新的方法。本文采用人工神经网络与模糊数学相结合的方法。首先对输入数据用模糊教学方法作边界搜索和模糊聚类预处理,然后通过人工神经网络误差反向传递算法（BP算法）,学习结定的样本值,训练网络模型,输入经过预处理的待识别数据,完成识别工作,自动提取叠加速度。该方法肯有抗噪能力强、拾取速度精度高的特点,而且能够实现自动解释速度谱。     

一种用于地震道自动编辑的人工神经网络方法

目前，用于地震道自动编辑的最好方法是张学工、李衍达提出的新奇滤波器方法。该方法是一个满足负Ｈｅｂｂ学习规则的单层全连接反馈网络。网络的实现分为两个阶段和识别阶段。在训练阶段，如果每步均输入一个不变的样本序列，则随迭迭次数的增加，输出序列迅速地收敛，且系统对样本信息具有记忆特性。在识别阶段，所输入的信号与训练阶段的信号一致时，则网络输出一个小值，否则输出一个大值。但是，为了让学习样本具有统计特性，就     

用神经网络和地质统计学综合多元信息进行储层预测

由于实际地下地质地球物理条件的复杂性和地震等资料品质所限,相关问题的解决较为困难。在研究中如何将多元信息结合起来是实现这一目标的可行途径。遵循这一思路,在D气田地震储层预测中,针对研究区储层地质、地球物理特点,尝试用神经网络和地质统计学作为不同信息的融合平台,并将二者结合起来,充分地将多种地震属性和测井资料相结合,有效地减少了储层预测的多解性,提高了储层预测精度,达到了良好的应用效果。     

用人工神经网络计算薄层厚度

薄层厚度与薄层地震反射特征之间存在着复杂的关系,这种关系可通过一个3层人工神经网络来描述。选取地震道中时窗内的最大振幅值、振幅谱的最大值及对应的频率、自相关函数极大值与极小值之比、中心频率和低频能量这6个地震反射特征值作为网络的输入,将网络的输入值和输出值作适当的数值转换,就可以根据地震资料求出薄层的厚度。对模型进行试算,当地震资料的信噪比较高时,用文中的神经网络可正确地计算出薄层的厚度;用信噪比较高的样本道训练的神经网络也可正确地计算出信噪比较低的地震资料的薄层厚度。用该方法处理实际资料的效果令人满意。     

应用人工神经网络方法确定岩石压缩系数

应用吉林油区现有的实际岩石压缩系数资料对前人的经验公式进行验证的结果，总相对误差为504．25％～681．15％，由此发现这些经验公式对吉林油区并不适用。采用人工神经网络BP算法，以压力、孔隙度为输入层参数，以岩石压缩系数为输出层参数，分别预测了吉林油区两个地区油藏的岩石压缩系数，应用实际资料验证，相对误差仅为12．8％，表明用此方法预测岩石压缩系数的可靠性。     

基于物理信息驱动神经网络的三维初至波旅行时计算方法

在地震勘探中,初至波旅行时的精确求取是偏移成像和旅行时反演等处理技术的重要基础。基于程函方程的有限差分算法在地震波旅行时求取中展现出良好的效果,但需要付出巨大的计算成本,尤其是对多震源、高密度网格的旅行时计算。为此,提出了一种基于物理信息驱动神经网络(PINN)的三维程函方程旅行时求取算法,由三维程函方程及其物理条件信息构成损失函数,再通过最小化该损失函数训练神经网络,最终输出满足程函方程的旅行时结果。不同速度模型的数值模拟实验结果表明,所提方法相对于传统算法具有更高的计算效率和更高的精确度。