CN112649863A - 分频地震属性数据优化方法及*** - Google Patents

分频地震属性数据优化方法及*** Download PDF

Info

Publication number
CN112649863A
CN112649863A CN201910968677.7A CN201910968677A CN112649863A CN 112649863 A CN112649863 A CN 112649863A CN 201910968677 A CN201910968677 A CN 201910968677A CN 112649863 A CN112649863 A CN 112649863A
Authority
CN
China
Prior art keywords
data
attribute
frequency
frequency division
seismic
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.)
Pending
Application number
CN201910968677.7A
Other languages
English (en)
Inventor
钟晗
胡华锋
周丹
邢廷栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Geophysical Research Institute filed Critical China Petroleum and Chemical Corp
Priority to CN201910968677.7A priority Critical patent/CN112649863A/zh
Publication of CN112649863A publication Critical patent/CN112649863A/zh
Pending legal-status Critical Current

Links

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
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase

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

公开了一种分频地震属性数据优化方法及***。该方法可以包括：针对地震资料进行小波包变换，获得分频数据体；针对分频数据体提取相干属性，获得分频属性体；针对分频属性体的相干属性进行局部线性嵌入，获得降维优化的地震属性体。本发明采用频谱分解技术，通过小波包变换获得了高分辨率的分频数据体，携带了大量频率信息，从高频到低频刻画了不同尺度的断裂；基于分频数据，提取对断裂敏感的相干属性，并利用局部线性嵌入对分频相干属性进行优化，优化结果能够更好的突出断裂特征。

Description

分频地震属性数据优化方法及***
技术领域
本发明涉及油气地球物理勘探领域，更具体地，涉及一种分频地震属性数据优化方法及***。
背景技术
地震属性一般在全频带地震数据上提取，无法体现频率差异。频谱分解技术采用时频分析策略，将地震数据由时间域变换到频率域并分解得到不同频率成分的数据，充分利用了不同频率成分数据的信息，有效挖掘了地震数据中隐含的信息，从而获得更高精度，更高分辨率的结果。Gabor变换是最早采用的时频分析工具，基于此，Potter提出短时傅里叶变换(STFT)，但它窗函数的形状和大小是固定的，一旦选定时间和频率的分辨率不能调整；Morlet等提出的连续小波变换(CWT)吸收了STFT信号局部性的思想，但窗口可变，具备尺缩与聚焦特征；S变换等采用高斯滑动窗，同时保留多尺度特征，兼顾了时间与频率分辨率；小波包分析在小波分析与多分辨率的基础上，加入对高频部分的分解，并自适应选择相应频带，提高了时频分辨率。
地震属性多达百种，高维数据虽然带来了关于储层极其丰富、详尽的信息，但也增加了工作量，耗费了有限资源，甚至带来维度灾难。因此，需要从多种地震属性数据中获取少数更有效、更具实际地质意义的地震属性。一般采用主成分分析等线性方法进行降维优选，但实际地震属性多具有非线性特征，线性方法面对非线性问题则显得有些不足。因此，有必要开发一种分频地震属性数据优化方法及***。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种分频地震属性数据优化方法及***，其采用频谱分解技术，通过小波包变换获得了高分辨率的分频数据体，携带了大量频率信息，从高频到低频刻画了不同尺度的断裂；基于分频数据，提取对断裂敏感的相干属性，并利用局部线性嵌入对分频相干属性进行优化，优化结果能够更好的突出断裂特征。
根据本发明的一方面，提出了一种分频地震属性数据优化方法。所述方法可以包括：针对地震资料进行小波包变换，获得分频数据体；针对所述分频数据体提取相干属性，获得分频属性体；针对所述分频属性体的相干属性进行局部线性嵌入，获得降维优化的地震属性体。
优选地，所述针对所述分频数据体提取相干属性包括：建立分析时窗；在所述分频数据体上滑动所述分析时窗，建立时窗内的协方差矩阵；根据所述协方差矩阵，计算所述分析时窗对应的相干属性。
优选地，所述协方差矩阵为：
Figure BDA0002231350830000021
其中，C为协方差矩阵，d为分频数据体内的数据。
优选地，所述局部线性嵌入包括：确定所述分频属性体中每个样本数据欧氏距离最近的多个邻近点；根据所述邻近点计算对应样本数据的局部重构矩阵；根据所述局部重构矩阵与所述邻近点，计算所述样本数据的输出值。
优选地，所述局部重构矩阵为：
Figure BDA0002231350830000031
其中，c为相干属性，wij为局部重构矩阵的系数。
优选地，通过公式(3)计算所述样本数据的输出值：
Figure BDA0002231350830000032
其中，z为样本数据的输出值。
根据本发明的另一方面，提出了一种分频地震属性数据优化***，其特征在于，该***包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：针对地震资料进行小波包变换，获得分频数据体；针对所述分频数据体提取相干属性，获得分频属性体；针对所述分频属性体的相干属性进行局部线性嵌入，获得降维优化的地震属性体。
优选地，所述针对所述分频数据体提取相干属性包括：建立分析时窗；在所述分频数据体上滑动所述分析时窗，建立时窗内的协方差矩阵；根据所述协方差矩阵，计算所述分析时窗对应的相干属性。
优选地，所述协方差矩阵为：
Figure BDA0002231350830000033
其中，C为协方差矩阵，d为分频数据体内的数据。
优选地，所述局部线性嵌入包括：确定所述分频属性体中每个样本数据欧氏距离最近的多个邻近点；根据所述邻近点计算对应样本数据的局部重构矩阵；根据所述局部重构矩阵与所述邻近点，计算所述样本数据的输出值。
优选地，所述局部重构矩阵为：
Figure BDA0002231350830000041
其中，c为相干属性，wij为局部重构矩阵的系数。
优选地，通过公式(3)计算所述样本数据的输出值：
Figure BDA0002231350830000042
其中，z为样本数据的输出值。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的分频地震属性数据优化方法的步骤的流程图。
图2a、图2b、图2c、图2d分别示出了根据本发明的一个实施例的原始S曲线数据、采样数据、PCA降维优化的地震属性体、LLE降维优化的地震属性体的示意图。
图3示出了根据本发明的一个实施例的常规相干属性的示意图。
图4a、图4b、图4c、图4d分别示出了根据本发明的一个实施例的10Hz、20Hz、30Hz、40Hz的分频数据体的相干属性的示意图。
图5a、图5b分别示出了根据本发明的一个实施例的PCA降维优化的地震属性体、LLE降维优化的地震属性体的示意图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
图1示出了根据本发明的分频地震属性数据优化方法的步骤的流程图。
在该实施例中，根据本发明的分频地震属性数据优化方法可以包括：步骤101，针对地震资料进行小波包变换，获得分频数据体；步骤102，针对分频数据体提取相干属性，获得分频属性体；步骤103，针对分频属性体的相干属性进行局部线性嵌入，获得降维优化的地震属性体。
在一个示例中，针对分频数据体提取相干属性包括：建立分析时窗；在分频数据体上滑动分析时窗，建立时窗内的协方差矩阵；根据协方差矩阵，计算分析时窗对应的相干属性。
在一个示例中，协方差矩阵为：
Figure BDA0002231350830000051
其中，C为协方差矩阵，d为分频数据体内的数据。
在一个示例中，局部线性嵌入包括：确定分频属性体中每个样本数据欧氏距离最近的多个邻近点；根据邻近点计算对应样本数据的局部重构矩阵；根据局部重构矩阵与邻近点，计算样本数据的输出值。
在一个示例中，局部重构矩阵为：
Figure BDA0002231350830000052
其中，c为相干属性，wij为局部重构矩阵的系数。
在一个示例中，通过公式(3)计算样本数据的输出值：
Figure BDA0002231350830000061
其中，z为样本数据的输出值。
具体地，根据本发明的分频地震属性数据优化方法可以包括：
针对地震资料进行小波包变换，获得分频数据体；设地震信号un(t)是一个可测的、平方可积的函数，即un(t)∈L2(R)，定义子空间
Figure BDA0002231350830000062
是函数un(t)的闭包空间，
Figure BDA0002231350830000063
是函数u2n(t)的闭包空间，并令un(t)满足多尺度方程：
Figure BDA0002231350830000064
其中，g(k)＝(-1)kh(1-k)，由上式构造的序列{un(t)}n∈Z称为由u0(t)确定的正交小波包。当n＝0，u0(t)、u1(t)分别对应尺度函数φ(t)和小波基函数ψ(t)。设
Figure BDA0002231350830000065
则
Figure BDA0002231350830000066
表示为
Figure BDA0002231350830000067
则小波包分解算法为：
Figure BDA0002231350830000068
小波包重构算法为：
Figure BDA0002231350830000069
选用合适的小波基函数对地震数据u进行多层次分解，然后利用重构算法，获得分频数据D，小波包变换将小波分析中没有细分的高频部分进一步分解，提高了时频分辨率。
建立分析时窗，设分析时窗内有J道数据dj，坐标为(xj,yj)，J为空间孔径。以时间孔径t＝nΔt为中心，沿一对视倾角和方位角(p,q)计算2M+1个采样点，这些采样点对应一个J×J的协方差矩阵为公式(1)；设λj(j＝1,2,3,…,J)为协方差矩阵C的第j个特征值，λ1为最大的特征值。则C3相干算法的公式为：
Figure BDA0002231350830000071
在分频数据体上不断滑动分析时窗，计算分析时窗对应的相干属性，获得分频属性体。
相干表示相邻地震道之间的不连续性，它是地震波形之间相似性的度量。遇到断裂时，相邻道反射系数出现突变，也就是说，高度相似的地震波形在地质上表示岩性横向上的连续性，而波形的快速变化指示地层中存在断层或裂缝。
针对分频属性体的相干属性进行局部线性嵌入，确定分频属性体中每个样本数据欧氏距离最近的多个邻近点；根据邻近点计算对应样本数据的局部重构矩阵为公式(2)；根据局部重构矩阵与邻近点，计算样本数据的输出值为公式(3)，获得降维优化的地震属性体。局部线性嵌入方法兼备平移和旋转不变性，在保持原始数据的拓扑结构的同时，实现数据从高维到低维的映射，更适用于非线性数据的优化问题。
在降维优化的地震属性体上通过波形变化识别断裂等地质异常，快速变化指示断层或裂缝的存在，高相似性则表征横向的连续性。
本方法采用频谱分解技术，通过小波包变换获得了高分辨率的分频数据体，携带了大量频率信息，从高频到低频刻画了不同尺度的断裂；基于分频数据，提取对断裂敏感的相干属性，并利用局部线性嵌入对分频相干属性进行优化，优化结果能够更好的突出断裂特征。
应用示例
为便于理解本发明实施例的方案及其效果，以下给出一个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
以中国东部某区块为例，对断裂体系进行识别。
图2a、图2b、图2c、图2d分别示出了根据本发明的一个实施例的原始S曲线数据、采样数据、PCA降维优化的地震属性体、LLE降维优化的地震属性体的示意图。图中不同深度颜色的数据为三维空间中不同类型的数据。采样数据是对S曲线数据进行抽稀之后的数据，由于原始S曲线数据是连续的，故需要进行重采样获得采样数据。由图可得，PCA方法具有一定的降维效果，但没能实现数据的完全分离，图中不同深度颜色的数据点出现重合现象，而这主要是由于该方法是一种线性方法，在处理非线性问题时存在一定缺陷。LLE方法在保持原始的流形特征的前提下被很好的分类，能更好的处理非线性问题。
图3示出了根据本发明的一个实施例的常规相干属性的示意图。从图中可以看出，相干属性可以反映断裂体系的发育情况。
针对地震资料进行小波包变换，获得4个分频数据体，分别对应10Hz、20Hz、30Hz、40Hz的地震数据，采用Morlet小波作为小波函数，其数学表达式为
Figure BDA0002231350830000081
C为归一化常数，C＝1。
根据分频数据体采用相干的计算公式得到分频相干属性，其中J＝5。
图4a、图4b、图4c、图4d分别示出了根据本发明的一个实施例的10Hz、20Hz、30Hz、40Hz的分频数据体的相干属性的示意图。高频相干属性主要反映裂缝发育情况，低频相干属性主要携带大断层的分布信息。相比图3的传统相干属性，分频相干属性中包含了更多有用信息，从高频到低频，从大尺度到小尺度，更加精细的描绘了断裂体系的发育、分布情况。
对目的层分频相干属性采用主成分分析、局部线性嵌入进行优化。
图5a、图5b分别示出了根据本发明的一个实施例的PCA降维优化的地震属性体、LLE降维优化的地震属性体的示意图。对比两种方法的结果可以看出，两种方法都能有效的实现地震属性数据的降维优化，并包括原始信息中的主要部分，但在描绘连续性方面LLE方法效果更佳，且LLE方法能够更好刻画断层的细微形态，多方位的挖掘地震属性数据中的隐含信息。
综上所述，本发明采用频谱分解技术，通过小波包变换获得了高分辨率的分频数据体，携带了大量频率信息，从高频到低频刻画了不同尺度的断裂；基于分频数据，提取对断裂敏感的相干属性，并利用局部线性嵌入对分频相干属性进行优化，优化结果能够更好的突出断裂特征。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
根据本发明的实施例，提供了一种分频地震属性数据优化***，其特征在于，该***包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：针对地震资料进行小波包变换，获得分频数据体；针对分频数据体提取相干属性，获得分频属性体；针对分频属性体的相干属性进行局部线性嵌入，获得降维优化的地震属性体。
在一个示例中，针对分频数据体提取相干属性包括：建立分析时窗；在分频数据体上滑动分析时窗，建立时窗内的协方差矩阵；根据协方差矩阵，计算分析时窗对应的相干属性。
在一个示例中，协方差矩阵为：
Figure BDA0002231350830000091
其中，C为协方差矩阵，d为分频数据体内的数据。
在一个示例中，局部线性嵌入包括：确定分频属性体中每个样本数据欧氏距离最近的多个邻近点；根据邻近点计算对应样本数据的局部重构矩阵；根据局部重构矩阵与邻近点，计算样本数据的输出值。
在一个示例中，局部重构矩阵为：
Figure BDA0002231350830000101
其中，c为相干属性，wij为局部重构矩阵的系数。
在一个示例中，通过公式(3)计算样本数据的输出值：
Figure BDA0002231350830000102
其中，z为样本数据的输出值。
本***采用频谱分解技术，通过小波包变换获得了高分辨率的分频数据体，携带了大量频率信息，从高频到低频刻画了不同尺度的断裂；基于分频数据，提取对断裂敏感的相干属性，并利用局部线性嵌入对分频相干属性进行优化，优化结果能够更好的突出断裂特征。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种分频地震属性数据优化方法，其特征在于，包括：
针对地震资料进行小波包变换，获得分频数据体；
针对所述分频数据体提取相干属性，获得分频属性体；
针对所述分频属性体的相干属性进行局部线性嵌入，获得降维优化的地震属性体。
2.根据权利要求1所述的分频地震属性数据优化方法，其中，所述针对所述分频数据体提取相干属性包括：
建立分析时窗；
在所述分频数据体上滑动所述分析时窗，建立时窗内的协方差矩阵；
根据所述协方差矩阵，计算所述分析时窗对应的相干属性。
3.根据权利要求2所述的分频地震属性数据优化方法，其中，所述协方差矩阵为：
Figure FDA0002231350820000011
其中，C为协方差矩阵，d为分频数据体内的数据。
4.根据权利要求1所述的分频地震属性数据优化方法，其中，所述局部线性嵌入包括：
确定所述分频属性体中每个样本数据欧氏距离最近的多个邻近点；
根据所述邻近点计算对应样本数据的局部重构矩阵；
根据所述局部重构矩阵与所述邻近点，计算所述样本数据的输出值。
5.根据权利要求4所述的分频地震属性数据优化方法，其中，所述局部重构矩阵为：
Figure FDA0002231350820000021
其中，c为相干属性，wij为局部重构矩阵的系数。
6.根据权利要求4所述的分频地震属性数据优化方法，其中，通过公式(3)计算所述样本数据的输出值：
Figure FDA0002231350820000022
其中，z为样本数据的输出值。
7.一种分频地震属性数据优化***，其特征在于，该***包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
针对地震资料进行小波包变换，获得分频数据体；
针对所述分频数据体提取相干属性，获得分频属性体；
针对所述分频属性体的相干属性进行局部线性嵌入，获得降维优化的地震属性体。
8.根据权利要求7所述的分频地震属性数据优化***，其中，所述针对所述分频数据体提取相干属性包括：
建立分析时窗；
在所述分频数据体上滑动所述分析时窗，建立时窗内的协方差矩阵；
根据所述协方差矩阵，计算所述分析时窗对应的相干属性。
9.根据权利要求7所述的分频地震属性数据优化***，其中，所述局部线性嵌入包括：
确定所述分频属性体中每个样本数据欧氏距离最近的多个邻近点；
根据所述邻近点计算对应样本数据的局部重构矩阵；
根据所述局部重构矩阵与所述邻近点，计算所述样本数据的输出值。
10.根据权利要求9所述的分频地震属性数据优化***，其中，所述局部重构矩阵为：
Figure FDA0002231350820000031
通过公式(3)计算所述样本数据的输出值：
Figure FDA0002231350820000032
其中，c为相干属性，wij为局部重构矩阵的系数，z为样本数据的输出值。
CN201910968677.7A 2019-10-12 2019-10-12 分频地震属性数据优化方法及*** Pending CN112649863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910968677.7A CN112649863A (zh) 2019-10-12 2019-10-12 分频地震属性数据优化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910968677.7A CN112649863A (zh) 2019-10-12 2019-10-12 分频地震属性数据优化方法及***

Publications (1)

Publication Number Publication Date
CN112649863A true CN112649863A (zh) 2021-04-13

Family

ID=75342973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910968677.7A Pending CN112649863A (zh) 2019-10-12 2019-10-12 分频地震属性数据优化方法及***

Country Status (1)

Country Link
CN (1) CN112649863A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002052299A2 (en) * 2000-12-22 2002-07-04 Conoco Inc. Seismic processing system and method to determine the edges of seismic data events
US6876599B1 (en) * 1999-10-21 2005-04-05 Westerngeco, L.L.C. Seismic data acquisition and processing method
CN101545984A (zh) * 2009-05-05 2009-09-30 中国石油集团西北地质研究所 基于小波变换的地震相干体计算方法
RU2014118825A (ru) * 2014-05-08 2014-09-27 Алексей Алексеевич Никитин Способ обработки и интерпретаций сейсмических данных
CN105607125A (zh) * 2016-01-15 2016-05-25 吉林大学 基于块匹配算法和奇异值分解的地震资料噪声压制方法
CN105740784A (zh) * 2016-01-25 2016-07-06 山东毅康科技股份有限公司 一种基于距离优化降维的手写字体识别***
CN107272063A (zh) * 2017-07-05 2017-10-20 西安交通大学 基于高分辨率时频分析和一致性度量的非均质性刻画方法
CN109242968A (zh) * 2018-08-24 2019-01-18 电子科技大学 一种基于多属性超体素图割的河道三维建模方法
CN109799531A (zh) * 2019-03-20 2019-05-24 成都理工大学 一种基于地震分频相干属性的裂缝储层预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6876599B1 (en) * 1999-10-21 2005-04-05 Westerngeco, L.L.C. Seismic data acquisition and processing method
WO2002052299A2 (en) * 2000-12-22 2002-07-04 Conoco Inc. Seismic processing system and method to determine the edges of seismic data events
CN101545984A (zh) * 2009-05-05 2009-09-30 中国石油集团西北地质研究所 基于小波变换的地震相干体计算方法
RU2014118825A (ru) * 2014-05-08 2014-09-27 Алексей Алексеевич Никитин Способ обработки и интерпретаций сейсмических данных
CN105607125A (zh) * 2016-01-15 2016-05-25 吉林大学 基于块匹配算法和奇异值分解的地震资料噪声压制方法
CN105740784A (zh) * 2016-01-25 2016-07-06 山东毅康科技股份有限公司 一种基于距离优化降维的手写字体识别***
CN107272063A (zh) * 2017-07-05 2017-10-20 西安交通大学 基于高分辨率时频分析和一致性度量的非均质性刻画方法
CN109242968A (zh) * 2018-08-24 2019-01-18 电子科技大学 一种基于多属性超体素图割的河道三维建模方法
CN109799531A (zh) * 2019-03-20 2019-05-24 成都理工大学 一种基于地震分频相干属性的裂缝储层预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何怀玉: "LLE算法在地震属性参数降维中的应用", 中国优秀硕士论文全文数据库 基础科学辑, no. 12, pages 16 - 20 *
韩磊等: "分频相干技术在复杂断裂解释中的应用", 复杂油气藏, vol. 9, no. 4, pages 17 - 21 *

Similar Documents

Publication Publication Date Title
CN107817527B (zh) 基于块稀疏压缩感知的沙漠地震勘探随机噪声压制方法
EP2168057B1 (en) Geologic features from curvelet based seismic attributes
CN107422381B (zh) 一种基于eemd-ica的地震低频信息流体预测方法
Lubo-Robles et al. Independent component analysis for reservoir geomorphology and unsupervised seismic facies classification in the Taranaki Basin, New Zealand
Li et al. Denoising of magnetotelluric data using K‐SVD dictionary training
CN109272029B (zh) 井控稀疏表征大规模谱聚类地震相划分方法
Zoukaneri et al. A combined Wigner-Ville and maximum entropy method for high-resolution time-frequency analysis of seismic data
Lyu et al. Multispectral coherence: Which decomposition should we use?
Zhao et al. Signal detection and enhancement for seismic crosscorrelation using the wavelet-domain Kalman filter
CN111582114A (zh) 一种地震断层识别方法、装置、设备和存储介质
Du et al. Random noise attenuation via convolutional neural network in seismic datasets
Yu Using cylindrical surface-based curvature change rate to detect faults and fractures
Yao-Jun et al. Unsupervised seismic facies analysis using sparse representation spectral clustering
CN104424393B (zh) 一种基于主成分分析的地震数据储层反射特征加强方法
Wang et al. Gas reservoir characterization using Lp-norm constrained high-resolution seismic spectral attributes
Wu‐Yang et al. Research and application of improved high precision matching pursuit method
CN108226997A (zh) 一种基于叠前地震数据的地震相划分方法
CN112649863A (zh) 分频地震属性数据优化方法及***
Rizk et al. Toward real-time seismic feature analysis for bright spot detection: A distributed approach
Liu et al. Enhanced coherence using principal component analysis
Shokri Kaveh et al. Automatic P-wave picking using undecimated wavelet transform
US11867857B2 (en) Method and system for updating a seismic velocity model
Geetha et al. Microseismic signal denoising based on variational mode decomposition with adaptive non-local means filtering
Chen et al. Coal mine microseismic identification and first-arrival picking based on Conv-LSTM-Unet
Xu et al. Ground-penetrating radar time-frequency analysis method based on synchrosqueezing wavelet transformation

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