应用图像语义分割网络的微地震事件识别和初至拾取方法

微地震初至精确拾取是目前微地震监测关键环节之一,传统的人工拾取方法耗时长、效率低,在实际应用中容易导致无法及时预警等问题。近年来,基于深度学习的长短期记忆网络模型(LSTM)常用于微地震初至拾取,但在低信噪比环境下拾取准确率较低,且忽视了微地震数据中相邻道初至之间的关联性。针对上述问题,将微地震初至发生前、后看作是图像二分类问题,提出了一种应用图像语义分割网络的微地震事件识别和初至自动拾取方法。应用在矿井中采集的实际微地震数据进行实验,结果表明,对包含岩石破裂、工程爆破等多类型微地震事件,该方法的识别准确率较现有的深度学习方法明显提高,平均拾取误差大幅降低,特别是低信噪比数据的平均拾取误差远小于LSTM法,因而具有良好的实际工程应用价值。     

基于深度残差网络的初至拾取软件开发

基于残差的优化卷积神经网络—深度残差网络(ResNet)能够对图像进行有效的识别分类。将深度残差网络应用于地震数据的初至识别,借助Hadoop分布式批处理计算系统和TensorFlow人工智能学习平台开发了基于残差网络深度学习的初至波自动拾取软件。采用不同地区、不同震源类型和不同地表的地震数据对深度残差神经网络模型进行训练和验证,最终得到一个精度较高的地震初至自动拾取网络模型。本文总结了深度残差网络的基本方法原理、初至波自动拾取软件实现的关键步骤、地震初至自动拾取网络模型的训练、并验证了拾取效果和效率。     

基于深度卷积生成对抗网络的地震初至拾取

地震记录初至拾取质量往往受限于地震数据的复杂性,在陆地和浅海地震数据中尤为明显。为了更高效地拾取初至,提出了一种基于深度卷积生成对抗网络(DCGAN)的地震数据初至拾取方法,其关键在于构建一个适用于地震数据初至拾取的DCGAN,包含生成器与判别器两部分。生成器由一个全卷积神经网络(FCN)构成,用于学习地震炮集数据到初至波之间的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练。基于DCGAN的初至拾取方法的实现分为三步:数据预处理、网络训练和预测拾取。通过对不同卷积层数的网络结构的对比分析,确定了一个最优的DCGAN结构。一旦DCGAN的训练完成,利用其完成一炮地震数据的初至拾取仅需几秒的时间。将DCGAN方法应用于实际数据初至拾取并与现有初至拾取方法(如长短时窗比(STA/LTA)法和峰度赤池信息量准则(AIC)法)的拾取结果相比较,结果表明基于DCGAN的初至拾取方法的精度更高,能满足生产需要。     

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。     

一种强噪声微地震信号P震相初至拾取的新方法

针对水力压裂微地震监测信号信噪比普遍偏低,难以准确拾取初至的问题,提出了一种基于特征函数构建的峰度和小波多尺度分解的P震相初至精确拾取方法。首先利用小波多尺度分解法提取低信噪比微地震数据的主成分,进而构建针对主成分数据的特征函数,并计算该特征函数序列的峰度值,最终将峰度曲线的全局最大斜率定义为P震相的初至。与传统峰度法、小波分解和高阶统计量联合方法相比,该方法能够显著减小拾取误差。将该方法应用于不同信噪比的模拟微地震数据的P震相初至拾取,结果表明:其拾取误差为0.0302×10-3~1.3002×10-3s,同时,相比于小波分解与高阶统计量联合方法,其计算效率稍有提高。将该方法应用于实测微地震数据的P震相初至拾取的结果表明,与人工拾取和传统峰度法相比,拾取结果更接近于人工拾取结果,具有更高的准确率。     

人工智能和视速度约束的地震波初至拾取方法

初至拾取是近地表静校正处理的重要步骤之一.随着采集密度的不断提高,地震数据量不断增加,迫切需要发展新的方法解决大数据量的初至自动拾取问题.传统方法通过人工交互拾取和质量控制,在面对庞大数据量的高密度数据时效率很低,而基于深度学习的初至自动拾取方法效率较高.在用于初至自动拾取的各种深度学习算法中,全卷积神经网络(FCN)...     

基于超虚干涉法约束的模糊C均值聚类地震初至自动提取

在静校正和层析成像等地震数据处理中,准确并快速地拾取初至是随后速度结构成像和地震资料综合解释的前提。手动拾取方法难以适用于海量地震数据处理,且存在人为误差。对于低信噪比地震数据,相关法、能量比值法（STA/LTA）、分形维法等常规自动拾取方法需不断调整参数以达到设定拾取精度,导致稳定性变差。为此,提出一种基于超虚干涉（SVI）约束的模糊C均值（FCM）聚类地震初至自动拾取方法。FCM聚类分析是一种非监督的机器学习方法,仅依赖数据本身进行分类,可更灵活、方便地应用于实际地震初至拾取;对于低信噪比数据,须预先利用SVI法加强远炮检距等弱初至信号的能量,提高地震数据的信噪比,以实现地震初至的准确、稳定拾取。理论模型数据和实际地震资料测试结果进一步表明了该方法的稳定性和高效性。     

浅层折射波勘探中初至自动拾取新算法

地震波初至拾取是地震勘探中广泛应用的基础技术,尤其在浅层折射波勘探和层析成像中初至时间拾取精度直接影响地下地层结构的反演结果。由于初至时间对应的并不总是能量比最大值(可能是次极值),以往的滑动时窗能量比法仅根据前后两个滑动时窗能量比的最大值判断初至时间,造成对低信噪比数据的拾取效果不理想,而对高信噪比数据则难以检测能量较弱的折射波。基于此,本文提出多时窗能量比初至拾取算法,该算法在实现过程中结合应用自动质量控制技术,满足了浅层折射波勘探的初至拾取精度要求,且具有较高的稳定性。将该方法应用于准噶尔盆地中部M区地震勘探,取得了非常好的效果。     

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。     

基于小波分解与高阶统计量的微地震初至拾取方法研究

微地震资料的处理、解释首先需要拾取精确的初至信息。微地震初至的人工拾取虽然精度较高,但工作量大,不能满足实时处理的需要。为此,提出了一种基于小波多尺度分解和高阶统计量相结合的长短时窗峰度比(wavelet transform based short time window kurtosis/long time window kurtosis,W-STK/LTK)微地震初至拾取方法。考虑到有效微地震信号频率较低,而噪声信号频率则相对较高,首先对微地震信号进行小波多尺度分解,剥离有效信号与噪声;接着对分解得到的最大尺度信号应用基于高阶统计量的长短时窗峰度比(STK/LTK)算法;最后在分析特征曲线异常点特征的基础上识别微地震有效信号并拾取初至。模型数据和实际资料测试结果表明,该方法能够从信噪比较低的微地震资料中较准确地拾取微地震P波初至。     

可控震源地震数据初至时间拾取方法

如今中国境内可控震源勘探作业大多采用扫描信号与地震仪器接收信号进行互相关方式获取共炮点道集数据,这一过程通常在野外地震仪器系统上通过硬件完成。对于互相关单炮记录,相关噪声的存在降低了初至波的信噪比,需对单炮记录进行最小相位化处理后拾取初至时间;采用扫描信号或地面力信号对振动记录做反褶积处理,能改善初至波信噪比,使初至起跳更加干脆,从而可提高初至时间拾取精度和静校正精度。在低信噪比地区,宜采用人机交互方式拾取初至,通过改变显示方式等改善初至起跳效果,以提高初至拾取精度和静校正精度。     

基于小波分解与Akaike信息准则的微地震初至拾取方法

微地震震源的定位要求精确确定初至,人工拾取微地震有效事件需要很大的工作量。首先讨论了Akaike信息准则(AIC)初至拾取方法;然后根据微地震信号在相邻小波尺度上连续的特点,将基于AIC的初至拾取方法与小波多尺度分析方法相结合,对微地震资料进行多尺度分析;最后利用AIC拾取初至,并根据初至的分布特点确定地震记录中是否存在有效的微地震事件。克服了传统AIC法由于噪声影响使初至点模糊而难以准确拾取的缺点。模型与实际资料的应用表明,基于小波分解与AIC相结合的初至拾取方法能够从信噪比低的资料中较准确地识别出有效微地震事件。     

复杂山前带地震初至拾取方法应用研究

复杂山前带表层结构在纵、横向上变化剧烈,单炮能量弱,背景噪声发育,信噪比低,地震初至难以准确拾取.为了提高初至拾取精度及效率,针对单炮初至难以准确识别及初至拾取范围不明确等问题,开展波动方程正演、可控震源预处理及不同初至范围层析反演分析等方面工作.结果 表明,波动方程正演模拟方法指导地震单炮的初至拾取,可以避免初至漏拾...     

最小二乘曲线拟合的微地震初至优化拾取方法及应用

水力压裂改造中微地震事件具有能量弱、信噪比变化大、干扰源复杂等特点,对微地震信号进行快速精确的初至拾取是微地震实时监测、指导压裂生产急需解决的关键问题。针对微地震事件时窗能量比法拾取精度低、不同信噪比事件适应性差的特点。首先应用能量比法粗略拾取初至位置。然后应用最小二乘曲线拟合法拟合理论曲线,在拟合曲线定义的前、后时窗范围内二次优化拾取初至。通过实际数据测试,并与能量比法对比,验证了本文方法的有效性与可行性。基于最小二乘曲线拟合的微地震初至优化拾取方法能较快速、准确地拾取不同波形特征、不同信噪比的微地震事件初至,有效提高微地震实时定位的准确性与效率。     

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。     

无微测井情况下的可控震源三维地震资料静校正解决方法——以951D-Doshan区三维为例

高精度静校正是地震资料准确落实构造圈闭的基础,通常需要进行近地表调查以质控静校正精度。针对缺乏近地表调查资料,同时地震采集激发方式为可控震源激发而导致初至不宜拾取的情况,采取灰度位图转换自动拾取技术提高初至拾取效率和精度,利用层析模型约束的折射综合静校正技术来解决上述问题,为构造的准确落实奠定了基础。     

S-变换初至拾取技术及其在复杂山区中的应用

初至的拾取在地震资料处理中有着非常重要的作用,它是折射波资料分析、VSP处理和井间地震资料处理的基础工作,并为其他处理工作提供可靠参数。提出了基于S-变换的初至拾取技术,设计单道模型将S-变换与不同时窗长度的短时窗傅里叶变换以及小波变换进行初至拾取的比较,并对不同信噪比的理论模型进行初至拾取,对比得出该方法具有容噪性好、初至拾取准确、适应性强等特性。该技术应用于复杂山区低信噪比地区实际地震资料处理中,取得较好的效果。     

自适应数据驱动的紧框架微地震数据随机噪声压制

地面微地震数据的信噪比很低,严重影响初至拾取的精度及反演结果的可靠性。本文首先采用基于弱纹理块的噪声估计方法求取含噪微地震数据中的噪声方差,然后采用数据驱动紧框架方法去噪,有效地压制实际微地震数据中的随机噪声,提高数据的信噪比。理论模型和实际资料的处理结果表明,该方法可以去除传统方法在低信噪比数据去噪后引入的背景斑块,且去噪后的信噪比得到了极大的提高。因此,相对于传统的方法,本文方法具有显著的优势及较好的应用价值。     

提高初至波二次定位精度技术的探讨

检波器二次定位是浅海地震资料采集的关键技术之一。影响二次定位精度的因素较多,为此,对初至波二次定位精度的影响因素和提高定位精度的技术进行了系统的分析研究。重点讨论了初至拾取的精度控制、关联炮点的选择、速度参数的确定和检波点位置的求解算法等。认为初至拾取是影响定位精度的主要因素,合理选择拾取初至波的地震道、依据数据的信噪比选择合适的初至拾取方式,以及合理选择关联炮点等是提高定位精度的有效措施。设计了5种精度分析措施,可以进行单点和整条拖缆的定位精度误差评价。将提高定位精度的方法应用于山东龙口某浅海地区,并与一次定位和水鸟系统二次定位的结果做对比,结果表明,该方法可以更好地提高地震资料的品质,并具有较好的适应性。     

论垂直时间剖面初至计时问题

垂直时间剖面(VSP)或爆炸检验记录道上信号能量的出现被定义为初至。在没有噪音的情况下可以精确地拾取这个初至.然而,实际数据记录道不可避免地搀杂有噪音,因为初至附近的信噪比较低,从而给初至识别带来困难。在这种情况下,一种显而易见可采用的方法是拾取“波谷”,该处的信噪比可能要高得多。尽管波谷拾取是将噪音问题降至最低限度的一种有效方法,可是它对初至拾取精度没有影响的信号特征(例如吸收作用和多次反射)是敏感的。因此,波谷拾取对信号敏感,而初至拾取则对噪音敏感。显然,初至拾取的理想方法应该是将波谷拾取的噪音容许特性和初至拾取的信号容许特性结合起来。这种设想可利用VSP记录道已知的特性应用信号处理常规方法来逼近。这样处理的结果将问题简化为正确地拾取以真实初至时间为中心的波谷。