CN113341460B - 一种基于连续算子***的循环式极小化地震数据重建方法 - Google Patents
一种基于连续算子***的循环式极小化地震数据重建方法 Download PDFInfo
- Publication number
- CN113341460B CN113341460B CN202110637320.8A CN202110637320A CN113341460B CN 113341460 B CN113341460 B CN 113341460B CN 202110637320 A CN202110637320 A CN 202110637320A CN 113341460 B CN113341460 B CN 113341460B
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- seismic data
- data
- operator
- original
- 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 139
- 230000009977 dual effect Effects 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G01V1/32—Transforming one recording into another or one representation into another
-
- 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
- G01V2210/62—Physical property of subsurface
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
本发明提供了一种基于连续算子***的循环式极小化地震数据重建方法,获取采集的原始地震数据,从其中自适应地提取观测算子;基于所述原始地震数据和观测算子,根据反演理论,构建地震数据重建的优化问题;采用连续化策略以及变分算子***法,将构建的重建优化问题转化成对偶子问题和原始子问题;利用临近梯度极小化对偶子问题,利用非局部均值极小化原始子问题,并不断循环,直至满足收敛条件,得到最优的重建可行解;保持所述原始地震数据不变,将最优的重建可行解置于未观测位置处,实现地震数据的重建。本发明具有较高的灵活性和适应性,能够高效、高精度的重建欠采样的地震数据,有效地提升地震反射的连续性。
Description
技术领域
本发明属于地震数据重建技术领域,具体涉及一种基于连续算子***的循环式极小化地震数据重建方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在地震数据的野外采集过程中,受工区地形地貌(荒漠、山地、沼泽、森林等)、地表建筑(城镇、大坝、工厂、交通设施等)等因素的影响,震源和检波器经常无法放置在预先设计的测网上,从而致使地震数据在空间上产生欠采样的现象。地震数据的欠采样会导致反映地下介质特征的地球物理信息缺失,进而严重影响后续油气资源勘探的准确性。为了恢复缺失的地球物理信息、提高后续油气勘探的精度,对欠采样的地震数据进行高质量重建便成了一项重要的工作。
据发明人了解,为了解决上述问题,已经有多种地震数据重建方法被提出,大体可分为四类,但是,这些地震数据重建方法都存在一定的局限性,进行如下具体技术分析:
第一类,基于预测误差滤波器的重建方法,如时间-空间预测误差滤波、频率-空间预测误差滤波、频率-双空间预测误差滤波、非稳态频率-波数预测误差滤波。此类方法首先根据最小二乘法原理从数据的低频分量中估算预测误差滤波器,之后利用此滤波器来预测数据的高频分量,进而实现欠采样数据的重建。由于该方法需要地震数据满足等间距采样的条件,因此其仅适用于规则欠采样数据的重建。
第二类,基于波动方程的重建方法,其依据地震波的传播原理来重建地震数据。具体来说,重建是通过反转一个连接地下模型和已知数据的算子来实现的。此类方法虽物理意义明确,但受限于地下速度先验的估算精度。
第三类,基于压缩感知的重建方法,此类方法通过提高变换域中的稀疏性来达到重建欠采样数据的目的。虽然此类方法原理简单,但其需要对稀疏变换、优化算法以及多个迭代参数进行优选,交叉验证使得此类方法的实际应用效率并不是很高。
第四类,基于降秩理论的重建方法。此类方法的基本假设是地震数据重排的汉克尔矩阵具有低秩特征,欠采样会破坏该特征,导致汉克尔矩阵的秩增加。因此,此类方法通过降低汉克尔矩阵的秩来实现欠采样数据的重建。事实上,只有包含线性同向轴的地震数据才能满足上述的低秩假设,即此类方法仅适用于重建包含线性同相轴的地震数据,无法解决非线性同相轴的高精度重建问题。
发明内容
本发明为了解决上述问题,提出了一种基于连续算子***的循环式极小化地震数据重建方法,本发明具有较高的灵活性和适应性,能够高效、高精度的重建欠采样的地震数据,有效地提升地震反射的连续性,并大幅改善重建数据的信噪比和保真度,为后续的构造解释、储层描述等油气资源勘探工作提供完整、可信的基础性资料。
根据一些实施例,本发明采用如下技术方案:
一种基于连续算子***的循环式极小化地震数据重建方法,包括以下步骤:
获取采集的原始地震数据,从其中自适应地提取观测算子;
基于所述原始地震数据和观测算子,根据反演理论,构建地震数据重建的优化问题;
采用连续化策略以及变分算子***法,将构建的重建优化问题转化成对偶子问题和原始子问题;
利用临近梯度极小化对偶子问题,利用非局部均值极小化原始子问题,并不断循环,直至满足收敛条件,得到最优的重建可行解;
保持所述原始地震数据不变,将最优的重建可行解置于未观测位置处,实现地震数据的重建。
作为选择的实施方式,从其中自适应地提取观测算子的具体过程包括:根据野外采集数据中缺失道、空道以及死道的空间分布规律,按照以下公式来自适应地提取观测算子G:
式中,[G]ij表示算子G的第i行j列元素,其中i∈[1,Nt],j∈[1,Nx],Nt为地震采样点数,Nx为地震采样道数,Θ表示空道、缺失道以及死道的空间位置索引集。
作为选择的实施方式,所述地震数据重建的优化问题为:
作为选择的实施方式,对偶子问题和原始子问题描述为:
作为选择的实施方式,利用临近梯度极小化对偶子问题的过程中,令对偶子问题的偏导数为零,进行对偶可行解的计算求解。
作为选择的实施方式,利用非局部均值极小化原始子问题的具体过程包括:
(1)保持对偶可行解不变,计算过程变量;
(2)从过程变量中划定局部窗,并在局部窗中滑动数据提取窗,形成数据子集;
(3)基于过程变量、数据子集和重建步长,求解重建可行解;
(4)滑动局部窗,重复步骤(2)-(3),直到局部窗遍历整个过程变量为止。
作为选择的实施方式,所述收敛条件为迭代次数大于预先设定值。
作为选择的实施方式,将最优的重建可行解置于未观测位置处的具体过程包括:获得最优的重建可行解MK后,在保持原始地震数据D不变的基础上,按照赋值算式更新未观测位置处的地震道,进而获得高精度的重建数据,其中,所述赋值算式为:
M*=(I-G)MK+D
式中,I为单位矩阵,MK为最优的重建可行解,K为设定的最大迭代次数,M*为重建的完整数据。
一种基于连续算子***的循环式极小化地震数据重建***,包括:
提取模块,被配置为获取采集的原始地震数据,从其中自适应地提取观测算子;
构建优化问题模块,被配置为基于所述原始地震数据和观测算子,根据反演理论,构建地震数据重建的优化问题;
问题转化模块,被配置为采用连续化策略以及变分算子***法,将构建的重建优化问题转化成对偶子问题和原始子问题;
求解计算模块,被配置为利用临近梯度极小化对偶子问题,利用非局部均值极小化原始子问题,并不断循环,直至满足收敛条件,得到最优的重建可行解;
数据重建模块,被配置为保持所述原始地震数据不变,将最优的重建可行解置于未观测位置处,实现地震数据的重建。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明能够实现地震数据的高精度重建,且过程较为简单、高效、对地震数据没有适用限制,消除了局限性,适应性好。
本发明通过连续化策略以及变分算子***法将复杂的重建问题转化成两个简单的子问题,有效的降低了计算复杂度,显著的提高了欠采样数据的重建效率,更有利于实际生产中的应用。另外,临近梯度和非局部均值对两个子问题的循环式优化也使得本发明能够有效地降低重建振幅伪影,改善重建数据的信噪比和保真度。
与常规的压缩感知重建方法相比,本发明在大幅提升重建效率的基础上,能够更好的保持振幅随偏移距变化规律,提升地震反射的连续性;与传统的降秩重建方法相比,本发明能够同时实现线性同相轴和非线性同相轴的高精度重建,具有更广泛的适用范围和应用前景。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是基于连续算子***的循环式极小化地震数据重建方法的流程图。
图2是正演的用于重建实验的模型数据。
图3是常规重建方法与本发明方法对模型数据的重建结果对比图。
图4是图3中不同方法重建结果与原始模型数据的差值剖面对比图。
图5是用于重建实验的野外地震资料。
图6是常规重建方法与本发明方法对野外资料的重建结果对比图。
图7是图6中不同方法重建结果与原始野外资料的差值剖面对比图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供了一种基于连续算子***的循环式极小化地震数据重建方法,该方法具有较高的灵活性和适应性,能够高效、高精度的重建欠采样的地震数据,有效地提升地震反射的连续性,并大幅改善重建数据的信噪比和保真度,为后续的构造解释、储层描述等油气资源勘探工作提供完整、可信的基础性资料。
本发明的核心步骤包括:一是根据反演理论,利用野外采集的地震数据和提取的观测算子自适应地构建地震数据重建的优化问题;二是为了实现简单且高效的地震数据重建,采用连续化策略以及变分算子***法将构建的重建优化问题转化为简单的对偶子问题和原始子问题;三是通过临近梯度和非局部均值循环地极小化对偶子问题和原始子问题,直至迭代次数达到收敛标准,得到最优的重建可行解;四是在保持原有采集数据不变的基础上,按照赋值算式将最优的重建可行解置于未观测位置处,进而实现地震数据的高精度重建。
本发明通过以下技术方案实施,具体可以包括如下步骤:
(1)从野外采集的地震数据中自适应地提取观测算子。根据野外采集数据中缺失道、空道以及死道的空间分布规律,按照式(1)来自适应地提取观测算子G:
式中,[G]ij表示算子G的第i行j列元素(其中i∈[1,Nt],j∈[1,Nx],Nt为地震采样点数,Nx为地震采样道数),Θ表示空道、缺失道以及死道的空间位置索引集。
(2)根据反演理论,利用采集到的地震数据和提取的观测算子构建地震数据重建的优化问题。具体的,地震数据重建的优化问题可以构建成如下形式:
(3)采用连续化策略以及变分算子***法将构建的重建优化问题转化成简单的对偶子问题和原始子问题。具体的,对偶子问题和原始子问题可以描述为:
(4)利用临近梯度极小化对偶子问题以获得对偶可行解Zk+1。具体的,令对偶子问题的偏导数为零,得到如式(5)所示的对偶可行解的计算公式:
(5)利用非局部均值极小化原始子问题以获得重建可行解Mk+1。具体的,利用非局部均值对原始子问题的优化步骤如下:
(5-1)保持对偶可行解Zk+1不变,通过式(6)计算过程变量Ak+1:
Ak+1=Mk-ηkGTZk+1 (6)
(5-2)从过程变量Ak+1中划定局部窗Ν∈Rp×p,并在局部窗中滑动数据提取窗Q∈Rs ×s(s<p),形成数据子集U=[Ak+1(x1),Ak+1(x2),...,Ak+1(xn)],其中Ak+1(xi)表示数据提取窗中的过程变量数据,xi(1≤i≤n)为数据提取窗的中心,n为数据提取窗的总数目。
(5-3)按照式(7)计算重建可行解Mk+1(xi):
(5-4)滑动局部窗Ν,并重复步骤(5-2)和(5-3),直到局部窗遍历整个过程变量Ak +1为止。
(6)重复步骤四到五,直至迭代次数k大于预先设定值K时停止迭代。
(7)利用赋值算式更新未观测位置处的地震道,实现地震数据的高质量重建。获得最优的重建可行解MK后,在保持原有采集的地震数据D不变的基础上,按照式(8)更新未观测位置处的地震道,进而获得高精度的重建数据。
M*=(I-G)MK+D (8)
式中,I为单位矩阵,MK为最优的重建可行解,K为设定的最大迭代次数,M*为重建的完整数据。
作为一个典型实施例,图1是基于连续算子***的循环式极小化地震数据重建方法的流程图。
首先根据缺失道、空道以及死道的空间分布规律,自适应地从野外采集的地震数据中提取观测算子。随后按照反演理论,利用野外采集的地震数据和提取的观测算子构建地震数据重建的优化问题,之后采用连续化策略以及变分算子***法将该重建优化问题转化成简单的对偶子问题和原始子问题。然后通过临近梯度和非局部均值循环地极小化对偶子问题和原始子问题,直至迭代次数达到收敛标准,获得最优的重建可行解。最后在保持原有采集数据不变的基础上,按照赋值算式将得到的重建可行解置于未观测位置处,进而实现地震数据的高精度重建。
图2是正演的用于重建实验的模型数据,其中,图2a为正演的完全采样数据,图2b为50%随机采样的欠采样数据。从图中可见,随机采样使得模型数据的部分地震道出现了缺失,造成了地震同向轴的不连续现象,这会对后续的地球物理处理和解释流程产生不利的影响。
图3是常规重建方法与本发明方法对模型数据的重建结果对比图,其中,图3a为压缩感知重建方法的重建结果,图3b为降秩重建方法的重建结果,图3c为本发明方法的重建结果。从图3中可以看到,经三种方法处理后缺失的地震道都实现了恢复,但压缩感知方法无法有效地保持振幅随偏移距的变化规律,如图3a圆圈处所示。由于模型数据满足降秩重建方法的低秩假设,所以降秩重建方法取得了相对较好的重建结果。为了定量的比较降秩重建方法与本发明方法的重建精度,引入信噪比SNR=20log10(||M*||2/||M*-M||2)来进行评价。具体的,重建结果的信噪比越高,表明重建结果与真实数据越接近,重建精度也就越高。压缩感知重建方法重建结果的SNR为16.56dB,计算时间为76.34s;降秩重建方法重建结果的SNR为22.08dB,计算时间为56.52s;本发明方法重建结果的SNR为27.43dB,计算时间为25.03s。从信噪比方面来看,本发明方法的重建精度远高于压缩感知重建方法和降秩重建方法。另外,从计算耗时也可以看到本发明方法的重建耗时远低于传统的压缩感知重建方法和降秩重建方法。由此可知本发明相比于传统的重建方法不仅拥有更高的重建精度,而且能够显著地提升重建效率。
图4是图3中不同方法重建结果与原始模型数据的差值剖面对比图,图4a为压缩感知重建方法重建结果与原始模型数据的差值剖面,图4b为降秩重建方法重建结果与原始模型数据的差值剖面,图4c为本发明方法重建结果与原始模型数据的差值剖面。从图中可见,压缩感知重建方法的重建误差最大,降秩重建方法的重建误差次之,本发明方法的重建误差最小,这进一步证实了本发明具有更好的保持振幅随偏移距变化规律的优势。
图5是用于重建实验的野外地震资料,其中,图5a是完全采样的野外地震资料,图5b是50%随机观测得到的欠采样资料。从图中可见,野外的地震资料中包含了更多、更复杂的非线性的地震同相轴,非线性同相轴的存在对地震数据的高精度重建提出了严峻的挑战。
图6是常规重建方法与本发明方法对野外资料的重建结果对比图,其中,图6a为压缩感知重建方法的重建结果,图6b为降秩重建方法的重建结果,图6c为本发明方法的重建结果。压缩感知重建方法重建结果的SNR为15.39dB,计算时间为338.98s;降秩重建方法重建结果的SNR为11.21dB,计算时间为224.84s;本发明方法重建结果的SNR为19.39dB,计算时间为82.14s。通过分析信噪比和计算用时我们可以发现,相比于传统的压缩感知重建方法以及降秩重建方法,本发明方法实现了最优的重建效果,同时也有效地降低了重建耗时,这更有利于实际生产中的应用。
图7是图6中不同方法重建结果与原始野外资料的差值剖面对比图,图7a为压缩感知重建方法重建结果与原始野外资料的差值剖面,图7b为降秩重建方法重建结果与原始野外资料的差值剖面,图7c为本发明方法重建结果与原始野外资料的差值剖面。从图中可见,降秩重建方法的振幅伪影最大,其原因在于野外地震数据的同相轴是非线性的,这种非线性的同相轴并不满足降秩重建方法的基本假设,因此其重建效果最差。相比之下,由于本发明方法不依赖地震数据的任何假设,故其在重建非线性同相轴时也能有效地避免振幅伪影,实现高精度的地震数据重建。
本发明还提供以下产品实施例:
一种基于连续算子***的循环式极小化地震数据重建***,包括:
提取模块,被配置为获取采集的原始地震数据,从其中自适应地提取观测算子;
构建优化问题模块,被配置为基于所述原始地震数据和观测算子,根据反演理论,构建地震数据重建的优化问题;
问题转化模块,被配置为采用连续化策略以及变分算子***法,将构建的重建优化问题转化成对偶子问题和原始子问题;
求解计算模块,被配置为利用临近梯度极小化对偶子问题,利用非局部均值极小化原始子问题,并不断循环,直至满足收敛条件,得到最优的重建可行解;
数据重建模块,被配置为保持所述原始地震数据不变,将最优的重建可行解置于未观测位置处,实现地震数据的重建。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于连续算子***的循环式极小化地震数据重建方法,其特征是:包括以下步骤:
获取采集的原始地震数据,从其中自适应地提取观测算子;
基于所述原始地震数据和观测算子,根据反演理论,构建地震数据重建的优化问题;
采用连续化策略以及变分算子***法,将构建的重建优化问题转化成对偶子问题和原始子问题;
利用临近梯度极小化对偶子问题,利用非局部均值极小化原始子问题,并不断循环,直至满足收敛条件,得到最优的重建可行解;
保持所述原始地震数据不变,将最优的重建可行解置于未观测位置处,实现地震数据的重建;
从其中自适应地提取观测算子的具体过程包括:根据野外采集数据中缺失道、空道以及死道的空间分布规律,按照以下公式来自适应的提取观测算子G:
式中,[G]ij表示算子G的第i行j列元素,其中i∈[1,Nt],j∈[1,Nx],Nt为地震采样点数,Nx为地震采样道数,Θ表示空道、缺失道以及死道的空间位置索引集;
所述地震数据重建的优化问题为:
对偶子问题和原始子问题描述为:
2.如权利要求1所述的一种基于连续算子***的循环式极小化地震数据重建方法,其特征是:利用临近梯度极小化对偶子问题的过程中,令对偶子问题的偏导数为零,进行对偶可行解的计算求解。
3.如权利要求1所述的一种基于连续算子***的循环式极小化地震数据重建方法,其特征是:利用非局部均值极小化原始子问题的具体过程包括:
(1)保持对偶可行解不变,计算过程变量;
(2)从过程变量中划定局部窗,并在局部窗中滑动数据提取窗,形成数据子集;
(3)基于过程变量、数据子集和重建步长,求解重建可行解;
(4)滑动局部窗,重复步骤(2)-(3),直到局部窗遍历整个过程变量为止。
4.如权利要求1所述的一种基于连续算子***的循环式极小化地震数据重建方法,其特征是:所述收敛条件为迭代次数大于预先设定值。
5.如权利要求1所述的一种基于连续算子***的循环式极小化地震数据重建方法,其特征是:将最优的重建可行解置于未观测位置处的具体过程包括:获得最优的重建可行解MK后,在保持原始地震数据D不变的基础上,按照赋值算式更新未观测位置处的地震道,进而获得高精度的重建数据,其中,所述赋值算式为:
M*=(I-G)MK+D
式中,I为单位矩阵,MK为最优的重建可行解,K为设定的最大迭代次数,M*为重建的完整数据。
6.一种基于连续算子***的循环式极小化地震数据重建***,其特征是:包括:
提取模块,被配置为获取采集的原始地震数据,从其中自适应地提取观测算子;
构建优化问题模块,被配置为基于所述原始地震数据和观测算子,根据反演理论,构建地震数据重建的优化问题;
问题转化模块,被配置为采用连续化策略以及变分算子***法,将构建的重建优化问题转化成对偶子问题和原始子问题;
求解计算模块,被配置为利用临近梯度极小化对偶子问题,利用非局部均值极小化原始子问题,并不断循环,直至满足收敛条件,得到最优的重建可行解;
数据重建模块,被配置为保持所述原始地震数据不变,将最优的重建可行解置于未观测位置处,实现地震数据的重建;
从其中自适应地提取观测算子的具体过程包括:根据野外采集数据中缺失道、空道以及死道的空间分布规律,按照以下公式来自适应的提取观测算子G:
式中,[G]ij表示算子G的第i行j列元素,其中i∈[1,Nt],j∈[1,Nx],Nt为地震采样点数,Nx为地震采样道数,Θ表示空道、缺失道以及死道的空间位置索引集;
所述地震数据重建的优化问题为:
对偶子问题和原始子问题描述为:
7.一种电子设备,其特征是:包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如权利要求1-5中任一项所述的一种基于连续算子***的循环式极小化地震数据重建方法中的步骤。
8.一种计算机可读存储介质,其特征是:用于存储计算机指令,所述计算机指令被处理器执行时,完成如权利要求1-5中任一项所述的一种基于连续算子***的循环式极小化地震数据重建方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637320.8A CN113341460B (zh) | 2021-06-08 | 2021-06-08 | 一种基于连续算子***的循环式极小化地震数据重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637320.8A CN113341460B (zh) | 2021-06-08 | 2021-06-08 | 一种基于连续算子***的循环式极小化地震数据重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341460A CN113341460A (zh) | 2021-09-03 |
CN113341460B true CN113341460B (zh) | 2022-05-27 |
Family
ID=77474817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637320.8A Active CN113341460B (zh) | 2021-06-08 | 2021-06-08 | 一种基于连续算子***的循环式极小化地震数据重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341460B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609162A (zh) * | 2009-07-17 | 2009-12-23 | 中国石化集团胜利石油管理局 | 叠前地震非线性三参数关联反演方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288997A (zh) * | 2010-08-10 | 2011-12-21 | 中国石油大学(华东) | 一种利用微测井反演近地表品质因子三维数据体技术 |
CN104422954A (zh) * | 2013-08-20 | 2015-03-18 | 中国石油化工股份有限公司 | 一种地震数据规则化中稀疏采样方法 |
US9702999B2 (en) * | 2014-10-17 | 2017-07-11 | Chevron U.S.A. Inc. | System and method for velocity analysis in the presence of critical reflections |
CN105700016B (zh) * | 2016-02-19 | 2018-09-25 | 中国石油集团东方地球物理勘探有限责任公司 | 生物滩储层地震预测的方法 |
-
2021
- 2021-06-08 CN CN202110637320.8A patent/CN113341460B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609162A (zh) * | 2009-07-17 | 2009-12-23 | 中国石化集团胜利石油管理局 | 叠前地震非线性三参数关联反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113341460A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Deep-learning seismology | |
CN110208862B (zh) | 一种基于混合高阶分数阶ATpV稀疏正则化的地震反演方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及*** | |
CN110857998B (zh) | 一种基于lowrank有限差分的弹性逆时偏移方法及*** | |
CN113093272A (zh) | 基于卷积编码的时间域全波形反演方法 | |
Qian et al. | DTAE: Deep tensor autoencoder for 3-D seismic data interpolation | |
CN114897737A (zh) | 一种基于非配对无监督神经网络的高光谱图像去噪方法 | |
Gao et al. | Deep learning vertical resolution enhancement considering features of seismic data | |
CN113176607B (zh) | 基于融入物理规律的稀疏自编码器地震反演方法及*** | |
CN113341460B (zh) | 一种基于连续算子***的循环式极小化地震数据重建方法 | |
CN111045084B (zh) | 基于预测特征提取的多次波自适应相减方法 | |
CN114428278A (zh) | 基于压缩感知地震数据重建方法、装置、电子设备及介质 | |
CN110161565B (zh) | 一种地震数据重建方法 | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
Sheng et al. | Arrival-time picking of microseismic events based on MSNet | |
CN109490954B (zh) | 波场正演模拟方法及装置 | |
CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
Wen et al. | Fast recovery of weak signal based on three‐dimensional curvelet transform and generalised cross validation | |
CN114779332A (zh) | 地震数据沉积背景去除方法、装置及电子设备 | |
Zhou et al. | Fast Dictionary Learning Based on Data-Driven Tight Frame for 3D Seismic Data Denoising | |
CN110850473B (zh) | 一种基于稀疏变换学习的地震波阻抗反演方法 | |
CN113722893A (zh) | 地震记录反演方法、装置、设备及存储介质 | |
Li et al. | Simple framework for the contrastive learning of visual representations-based data-driven tight frame for seismic denoising and interpolation | |
CN107871028B (zh) | 一种层序地层的级别划分方法及装置 | |
CN114460633B (zh) | 基于加权框架变换-低维流形模型的地震去噪与插值方法 |
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 |