CN112505779B - 基于特征分解的采集脚印去除方法 - Google Patents
基于特征分解的采集脚印去除方法 Download PDFInfo
- Publication number
- CN112505779B CN112505779B CN202011149399.1A CN202011149399A CN112505779B CN 112505779 B CN112505779 B CN 112505779B CN 202011149399 A CN202011149399 A CN 202011149399A CN 112505779 B CN112505779 B CN 112505779B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- feature
- collected
- footprint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 8
- 238000004141 dimensional analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了基于特征分解的采集脚印去除方法,方法根据部分分析点的三维时窗数据的特征空间分布特点,识别出能表征采集脚印的特征映射子空间,然后将此特征向量作用至整个地震体数据,识别出采集脚印数据,并从原始数据中去掉。本发明方法基于部分数据的统计特征分析进而识别采集脚印的特征子空间向量,利用采集脚印特征子空间向量提取采集脚印噪声分量数据,能准确的识别出采集脚印,灵活选择部分数据进行特征分析,节约了分析计算的时间;利用特征分解,使不同统计特征信号在不同的特征向量子空间中进行分离,对于有效信号具有无损性。
Description
技术领域
本发明涉及油气勘探技术领域,尤其涉及基于特征分解的采集脚印去除方法。
背景技术
近年来,随着油气勘探工作的深入,以油气检测为目标对地震勘探处理提出了更高的要求。实际三维地震采集过程中,会产生周期振动的规则噪声,这些噪声在时间切片和深度域切片上表现为周期性的噪声,这些噪声是由于采集过程中炮检点的规则变化引起,称为采集脚印。采集脚印对地震构造成像处理和油气属性分析造成影响,因此,采集脚印的压制保障了基础资料的品质,有利于后续的构造解释与油气解释。
目前除了采集阶段利用炮检距道数变化最小来压制采集脚印,采集脚印的压制主要是在地震资料处理阶段,目前地震处理阶段采集脚印的压制方法主要有f-k滤波方法、小波变换方法,主成分分析方法。其中f-k滤波方法是根据噪声在频率波数域的分布特征进行噪声去除和波场分离,但由于傅里叶变换本身会产生卷绕形的假频噪声,且f-k滤波器由阻带到通带必须平滑的过度,否则容易产生假频噪声,不易控制;小波变换方法是针对二维地震信号不同分辨率的分布特征,通过调整小波变换系数的阈值,去除噪声,实际生产中,小波变换的过程的冗余数据较多,有效信号与采集脚印对应的小波系数接近,采集脚印压制不彻底;主成分分析方法,主要是根据地震数据的协方差矩阵的特征分解,依据特征映射子空间特点,识别出采集脚印,但主成分分析方法受数据规模影响较大,数据样本个数与属性维度大小影响主成分分析的准确性,只能在分析结果中识别出采集脚印对应的特征空间,结果的准确性需要进行反复的判断和筛选。
发明内容
本发明的目的在于克服现有技术的不足,提供基于特征分解的采集脚印去除方法,根据部分分析点的三维时窗数据的特征空间分布特点,识别出能表征采集脚印的特征映射子空间,然后将此特征向量作用至整个地震体数据,识别出采集脚印数据,并从原始数据中去掉,达到压制采集脚印的目标。
本发明的目的是通过以下技术方案来实现的:
基于特征分解的采集脚印去除方法,具体包括以下步骤:
步骤一:给定三维分析窗口大小,在原始地震体中随机选出部分数据点为特征向量分析点;
步骤二:以每个数据分析点为中心,取三维窗口数据为一个分析样本,遍历所有的特征向量分析点,得到分析数据样本集;
步骤三:对样本集进行特征分解,并根据特征空间映射特点,筛选出能表征采集脚印的特征子空间向量;
步骤四:以原始地震的每个点为中心,取三维窗口数据为一个分析样本,计算样本数据在采集脚印特征子空间向量的投影;
步骤五:利用步骤四遍历所有地震体数据点,得到采集脚印特征子空间向量投影,即采集脚印分量数据,原始地震数据减去采集脚印分量数据去除采集脚印噪声。
本发明的有益效果:
1、本发明方法基于部分数据的统计特征分析进而识别采集脚印的特征子空间向量,利用采集脚印特征子空间向量提取采集脚印噪声分量数据,本发明方法具有准确、灵活和无损的特点,首先,由于采集脚印数据具有低属性维度特征,本方法使用时窗长度控制地震数据投影正交特征空间的维度,在地震数据的协方差矩阵基础上进行特征分解,采集脚印分量数据会集中在某个特征向量子空间具有有效投影长度,而其它有效信号与此特征向量呈正交关系,所以本发明方法能准确的识别出采集脚印;
2、本发明方法可以灵活选择部分数据进行特征分析,针对实际地层地震响应的复杂度选择合适比例的数据进行分析,节约了分析计算的时间;
3、最后,本发明方法利用特征分解,也是对原三维坐标进行了伸缩、切变和旋转,使不同统计特征信号在不同的特征向量子空间中进行分离,对于有效信号具有无损性。
附图说明
图1是本发明的方法流程图。
图2是本发明的采集脚印特征空间向量计算流程和地震数据采集脚印分量的计算示意图。
图3是本发明的采集脚印压制效果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
图2是本发明方法的技术流程图:(a)表示采集脚印特征空间向量计算流程;(b)利用(a)步骤的特征空间向量提取出地震数据采集脚印分量的计算流程。
本实施例中,如图1所示,基于特征分解的采集脚印去除方法,具体包括以下步骤:
步骤一:给定三维分析窗口大小,在原始地震体中随机选出部分数据点为特征向量分析点;
针对地震数据的统计特征分析,实际地震数据往往存在冗余数据,只用部分数据点进行特征分析有利于提高整体运算效率,节约计算成本。针对实际地震响应的复杂度,可以选择不同比例的地震数据作为特征分析点,复杂地层对应的地震响应数据,选取稍大比例的分析数据,平稳地层对应的地震响应数据,选取小比例的分析数据。
步骤二:以每个数据分析点为中心,取三维窗口数据为一个分析样本,遍历所有的特征向量分析点,得到分析数据样本集;
针对一个分析数据点,以此点为中心,取三维窗口数据为一个分析样本,设地震数据体是S,共有M个分析点,三维窗一个边的长度是l,则一个分析样本为d={Sijk,i=1,2,…l;j=1,2,…l;k=1,2,…l},遍历所有的特征向量分析点,得到分析样本数据集D=[d1 T,d2 T,…,dM T]T,D是M×N的矩阵,其中N=l3。由于M>>N,所以矩阵特征分析的特征子空间的维度由l决定。一般l的取值范围可根据采集脚印的优势频数决定。
步骤三:对样本集进行特征分解,并根据特征空间映射特点,筛选出能表征采集脚印的特征子空间向量;
对步骤二的样本数据集进行特征分解:
(1)求特征分析数据集的协方差矩阵:
协方差矩阵表征了数据集的特征属性之间的相关度,是统计分析的基础数据,对数据集协方差矩阵的分析等效于对原始数据的统计分析,式(3-1)计算得到原始样本集的协方差矩阵;
(2)对(1)的协方差矩阵进行矩阵特征分解:
矩阵的特征分解,是对原三维坐标进行了伸缩、切变和旋转,使不同统计特征信号在不同的特征向量子空间中进行分离,对于有效信号具有无损性。
C是N阶方阵,若存在N维列向量x和非零集合λ,使得Cx=λx成立,则λ是C的特征值,x是C的特征向量。
首先求解特征值λ,求解关于C的特征多项式的其次特征方程解的过程就是求解特值λ的过程,如式(3-2)是关于C的特征方程:
(C-λE)x=0 (3-2)
其中E是N阶单位矩阵,根据式(3-2)计算得到特征值λ,然后回带进一步计算得到特征向量x,其中x=[v1,v2,v3,…,vN],每个vi表示第i个特征向量子空间。
(3)通过交互分析判断出采集脚印对应的特征向量子空间,假设对应第j个子空间向量,从而获得能表征采集脚印的特征子空间向量vj。
步骤四:以原始地震的每个点为中心,取三维窗口数据为一个分析样本,计算样本数据在采集脚印特征子空间向量的投影;
每个点为中心的三维窗口数据为d={Sijk,i=1,2,…l;j=1,2,…l;k=1,2,…,l},d是1×N维数据,d与步骤三的(3)结果vj进行相乘得到当前地震数据分析点的采集脚印分量数据,计算过程如式(3-3)所示:
式中:Sp是采集脚印分量数据,vj是步骤三的(3)中表示采集脚印对应的特征向量子空间,它是N×1维数据。
步骤五:步骤四遍历所有地震体数据点,得到采集脚印特征子空间向量投影,即采集脚印分量数据,原始地震数据减去采集脚印分量数据去除采集脚印噪声。
本发明方法的采集脚印压制效果如图3所示,其中,图中(a)是原始地震剖面;(b)是去除采集脚印的地震剖面;(c)是采集脚印分量数据;
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (1)
1.基于特征分解的采集脚印去除方法,其特征在于,包括以下步骤:
步骤一:给定三维分析窗口大小,在原始地震体中随机选出部分数据点为分析数据点;
步骤二:以每个分析数据点为中心,取三维窗口数据为一个分析样本,遍历所有的分析数据点,得到分析数据样本集;所述步骤二具体包括以下子步骤:
S201,针对一个分析数据点,以此点为中心,取三维窗口数据为一个分析样本,设地震数据体是S,共有M个分析数据点,三维窗一个边的长度是l,则一个分析样本为d={Sijk,i=1,2,…l;j=1,2,…l;k=1,2,…l};
S202,遍历所有的分析数据点,得到分析数据样本集D=[d1 T,d2 T,…,dM T]T,D是M×N的矩阵,其中N=l3;
步骤三:对分析数据样本集进行特征分解,并根据特征空间映射特点,筛选出能表征采集脚印的特征子空间向量;所述步骤三中对分析数据样本集进行特征分解具体包括以下子步骤:
S301,构建特征分析数据集的协方差矩阵,根据分析数据样本集D进行计算得到特征分析数据集的协方差矩阵,并对协方差矩阵进行分析,获得数据集的特征属性之间的相关度,其中特征分析数据集的协方差矩阵的计算过程如下式所示:
式中,C是N阶方阵;D是分析数据样本集;
S302,对特征分析数据集的协方差矩阵进行矩阵特征分解,对关于N阶方阵C的特征方程计算求解,分别获得协方差矩阵的特征向量和特征值,其中,关于N阶方阵C的特征方程如下式所示:
(C-λE)x=0
式中,则λ是C的特征值,x是C的特征向量,E是N阶单位矩阵;
S303,通过交互分析判断出采集脚印对应的特征子空间向量,假设对应第j个子空间向量;
步骤四:以原始地震的每个点为中心,取三维窗口数据为一个分析样本,计算样本数据在采集脚印特征子空间向量的投影;
步骤五:利用步骤四遍历所有地震体数据点,得到采集脚印特征子空间向量投影,即采集脚印分量数据,原始地震数据减去采集脚印分量数据去除采集脚印噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149399.1A CN112505779B (zh) | 2020-10-23 | 2020-10-23 | 基于特征分解的采集脚印去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149399.1A CN112505779B (zh) | 2020-10-23 | 2020-10-23 | 基于特征分解的采集脚印去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112505779A CN112505779A (zh) | 2021-03-16 |
CN112505779B true CN112505779B (zh) | 2021-09-07 |
Family
ID=74954673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011149399.1A Active CN112505779B (zh) | 2020-10-23 | 2020-10-23 | 基于特征分解的采集脚印去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112505779B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109307887A (zh) * | 2017-07-28 | 2019-02-05 | 中国石油化工股份有限公司 | 地震弱反射体识别方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10191165B2 (en) * | 2015-01-13 | 2019-01-29 | Cgg Services Sas | Using an offset vector tile gather to image a subsurface |
CN107607992B (zh) * | 2017-08-24 | 2020-08-18 | 电子科技大学 | 基于卷积神经网络的多波匹配方法 |
CN110749924B (zh) * | 2018-07-24 | 2021-12-24 | 中国石油化工股份有限公司 | 一种断裂带识别方法 |
CN112147678B (zh) * | 2020-09-27 | 2021-12-28 | 中国石油集团工程咨询有限责任公司 | 一种高精度的时变子波反演方法 |
-
2020
- 2020-10-23 CN CN202011149399.1A patent/CN112505779B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109307887A (zh) * | 2017-07-28 | 2019-02-05 | 中国石油化工股份有限公司 | 地震弱反射体识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112505779A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
CN104932010B (zh) | 一种基于近道镶边稀疏Radon变换的绕射波分离方法 | |
CN108267784A (zh) | 一种地震信号随机噪声压制处理方法 | |
CN111089856B (zh) | 一种拉曼光谱弱信号提取的后处理方法 | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN110646851B (zh) | 一种基于Shearlet变换的自适应阈值地震随机噪声压制方法 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
CN113358357A (zh) | 数控机床滚动轴承故障诊断方法 | |
CN112985809A (zh) | 基于信号多维度精细画像的滚动轴承故障诊断方法 | |
Zhou et al. | A hybrid method for noise suppression using variational mode decomposition and singular spectrum analysis | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN116610907B (zh) | 基于变分模态分解的齿轮振动信号特征提取方法 | |
CN112505779B (zh) | 基于特征分解的采集脚印去除方法 | |
CN116719088B (zh) | 一种航空瞬变电磁数据噪声压制方法 | |
CN113158830A (zh) | 一种剩余重力异常场分离方法 | |
CN105513058B (zh) | 一种脑激活区检测方法和装置 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN113640891B (zh) | 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法 | |
CN113655534B (zh) | 基于多线性奇异值张量分解核磁共振fid信号噪声抑制方法 | |
Martin* et al. | Using machine learning to produce a global automated quantitative QC for noise attenuation. | |
Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model | |
CN113435487B (zh) | 一种面向深度学习的多尺度样本生成方法 | |
Zhang et al. | Seismic signal matching and complex noise suppression by Zernike moments and trilateral weighted sparse coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |