基于结构保护去噪神经网络的地震数据随机噪声压制

随机噪声压制是地震数据处理中的重要环节,直接关系到后续地震资料处理和解释质量.与相干噪声不同,随机噪声具有频谱较宽、规律性差等特点,很难利用常规方法区分随机噪声与地震数据有效信号.相较于传统的基于稀疏域的噪声压制方法,基于神经网络深度学习的随机噪声压制方法具有自动化程度高的特点.现有的网络结构在压制地震数据随机噪声时,不可避免地破坏地震数据结构,尤其是对于含有复杂构造的地震数据.基于以上问题,本文在充分探索地震数据随机噪声特征的基础上,利用结构保护的深层卷积神经网络对野外采集的含噪地震数据进行随机噪声压制研究.研究中利用模拟数据与真实去噪地震数据作为标签数据对,结构保护的深层卷积神经网络可以学习含噪和去噪地震数据之间的内在特征联系.考虑到常规神经网络在地震数据随机噪声压制过程中不能有效保护地下复杂结构特征,文中采用地震数据局部倾角作为约束,并通过修改目标函数达到保护地震数据结构特征的目的.文中利用模拟数据与野外地震数据,对本文方法的噪声压制能力与常用的包括中值滤波、多道奇异谱分解方法在内的地震数据随机噪声压制方法进行了分析对比.数值结果表明,深层卷积神经网络可以有效压制地震数据中的随机噪声,地震倾角的加入可以有效保护地震数据中的复杂构造特征.

地震数据时频分析的W变换及其改进方法

针对常规线性时频分析方法无法同时达到时间域和频率域上的高分辨率和能量聚焦,尤其在低频区域分辨率较差的问题,为提高线性时频分析方法在低频区域的分辨率,提出了W变换方法,在线性变换中引入瞬时频率参数,构建与地震数据瞬时频率相匹配的分析时窗。将W变换方法与典型的非线性时频分析方法——魏格纳-维利分布(WVD)进行了对比。WVD方法展示的是时间-频率域中的能量分布,明确指示子波的时间重心和频率重心,而W变换中由于引入了任意时间位置所对应的瞬时频率作为变换参数,所展示的时间-频率谱因而也具有明确的能量聚焦重心,因此,W变换与WVD方法具有直接对标意义。分析了近年来W变换的3种改进方法的发展状况,详细阐述从常规W变换、谐变时窗W变换、分数阶W变换、直到线性正则W变换的发展和演进。通过W变换在河道砂体识别和溶洞检测方面的3个应用实例,验证W变换可以提高时间-频率谱的分辨率与能量聚焦。

“油气地球物理勘探工程”课程教学模式改革与实践

研究生教育担负着高层次人才培养的重要使命,而专业课程教学是研究生教育的重要组成部分,对研究生专业素质的培养有着十分重要的影响。为提升教学质量,满足新时代的要求,文章以中国石油大学(北京)地质工程专业核心研究生课程“油气地球物理勘探工程”改革为例,从构建多元化教学模式方面探索了课程教学模式的改革,在教学实践中取得了良好的教学效果,为适应新时代要求的油气勘探专业创新型高层次人才培养提供借鉴与启示。