联合VMD和Shearlet变换的去噪方法研究

地震数据中的噪声信号会很大程度上降低地震数据的信噪比,对后续的处理和解释工作造成一定的难度,因此研究一种去噪方法具有十分重要的意义。本文构建一种变分模态分解(Variational Mode Decomposition,VMD)和Shearlet变换联合去噪的方法,首先通过VMD将地震数据分解为一系列不同中心频率分布的模态分量(Intrinsic Mode Function,IMF),然后使用Shearlet变换对含噪的IMF分量进行去噪并对处理后的分量进行重构,最终达到去噪目的。该方法引入基于稀疏表示的地震数据去噪方法,兼顾VMD和Shearlet变换的优点,可以有效去除噪声。经过合成信号、模型及实际数据测试结果表明,本文方法处理合成信号结果显示,与VMD和小波变换方法相比,信噪比分别提高1.69、1.87,均方误差数值上减少近一半,在去除噪声的同时能更好地保留地震数据特征,提高地震资料的信噪比。

基于可调因子Gabor小波变换的地震高分辨处理方法

时频分析是利用地震资料识别薄层的重要方法之一,常规的时频分析方法受到固定时窗、窗函数等因素影响。为此,采用一种基于可调因子Gabor小波(Tunable Factor Gabor Wavelet,TFGW)的连续小波变换(Continuous Wavelet Transform,CWT)(简称TFGW-CWT)的时频分析方法对地震资料进行处理。该方法采用具有可调因子的Gabor小波进行变换,然后使用最小绝对值投影方法组合每个可调因子的连续小波系数,降低邻近频率的交叉干扰,提高局部时频分辨率。进一步采用非负矩阵分解(Non-negative Matrix Factorization,NMF)对时频数据体降维,得到一个低秩的特征数据结构关系体,减少了高维空间的数据冗余,凸显了高频信息,达到提高地震资料分辨率的目的。模拟记录和实际资料处理结果证实了该方法的有效性,可为薄层检测提供一种新的技术手段。

基于ICEEMDAN的曲波阈值地震数据去噪方法研究

地震数据去噪对地震资料的品质的提升有重要的作用,因此对地震数据噪声的压制非常必要。本文提出一种基于ICEEMDAN与曲波阈值相结合去噪处理的方法,该方法解决了经验模态分解的模态混叠问题,使ICEEMDAN分解出来的模态分量特征更明显,然后通过曲波阈值对模态分量进行去噪并对处理的模态分量进行重构,利用信噪比(SNR)、均方根差(RMSE)对地震合成记录和地震实际数据与小波变换的去噪效果进行对比分析。结果表明,基于ICEEMDAN与曲波阈值相结合的方法提高了信噪比,可以更好地保留有效信息,验证了本文方法对地震信号的降噪处理的有效性。

主体性教育视角下的工科专业课程教学案例构建研究——以高分辨率地震勘探课程为例

主体教育思想是自改革开放以来在我国教育界形成的一种教育哲学思想,该教育理论在研究生教育政策文件中得到体现。通过教学案例探讨研究生专业课程的建设,充分体现科研在教学内容上的应用和对学生能力的培养途径,达到师生的和谐发展。在主体性教育思想理论指导下以教师和学生为双主体来构建教学案例,探索如何通过案例教学来提升教师的职业素养,促进学生的全面发展。围绕教师、学生的主体性与教学案例、培养目标的自洽,以教学案例构建及教学的实施来论述师生的协调发展。教学案例的构建及实施期望达到与研究生教育特征相匹配的教师职业提升与研究生培养,为优质课程建设中教学案例的构建提供参与示范。

基于深度学习的三种地震波阻抗反演方法比较

神经网络结构的差异性导致深度学习效果不同。为此,在对比全卷积神经网络(FCN)、卷积循环神经网络(CRNN)和时域卷积神经网络(TCN)的三种网络结构的基础上,通过正演模型测试,对比、分析基于上述三种深度学习的地震波阻抗反演方法的精度和计算效率;然后通过实际资料应用进一步对比三种方法的效果。模型测试结果表明,基于TCN的波阻抗反演的计算效率和反演精度相对较高,基于TCN、FCN和CRNN的波阻抗反演用时分别为82、68和264s,皮尔逊相关系数分别为99.15%、97.84%和98.14%。实际资料应用表明,基于TCN的波阻抗反演结果与测井资料更加匹配。该结论可为智能地震波阻抗反演方法的优选提供参考。

应用时域卷积神经网络的地震波阻抗反演方法

地震波阻抗反演是储层预测研究的一种重要手段,线性地震波阻抗反演方法求解精度依赖于初始地质模型,而完全非线性方法可望得到高精度求解结果。有鉴于此,首先利用全卷积神经网络、因果卷积、膨胀卷积和残差块构建一个时域卷积神经网络(TCN),以建立地震数据与波阻抗之间的非线性映射关系;然后通过该网络对样本进行训练得到反演映射模型,进一步将地震数据输入该模型得到地震波阻抗。正演数据及实际数据测试结果表明,所提方法实现了地震数据到地震波阻抗间的映射,为地震波阻抗反演提供了具有并行计算能力和自适应结构的智能化方法,并在港2025区块砂泥岩储层预测中得到成功应用。

BP神经网络算法在页岩气饱和度评价的应用

页岩气储层中高含量的有机质和黏土矿物会对饱和度的计算会产生影响,常规油气储层建立的饱和度计算模型在页岩气储层饱和度评价中存在较大误差,亟需寻求新的途径与思路。本文分析总结了页岩气储层性质及其与含水饱和度的关系机理。利用井中地层密度和铀含量与岩心分析含水饱和度有较好的相关性,通过BP神经网络训练建立新的非电性测井饱和度评价模型。在以往饱和度计算模型基础上,考虑总有机碳含量对页岩储层含水饱和度的影响,建立新的含水饱和度计算公式。研究结果表明,此模型通过铀含量和地层密度计算得出的含水饱和度与岩心分析数据具有更高的吻合度。本次研究基于岩心分析数据,建立基于BP神经网络的含水饱和度计算模型,为页岩气含水饱和度的评价提供了新的方法与思路。

基于深度全卷积神经网络的地震波阻抗预测方法

波阻抗反演是高分辨率地震资料处理的最终表达形式,线性的地震波阻抗反演方法求解精度依赖于初始地质模型,为高效地求解得到完全非线性的反演结果,地震波阻抗反演迫切需要发展智能化的反演技术。鉴于此,本文在全卷积神经网络(Fully Convolutional Network,FCN)的基础上,提出一种深度全卷积神经网络的地震波阻抗预测方法,以此来实现波阻抗反演。其实现过程是通过深度全卷积神经网络对正演模型和对应的波阻抗标签训练建立非线性的映射关系,得到反演映射模型,进一步通过该反演映射模型预测地震波阻抗。正演数据测试和实际资料应用结果表明,该方法可以实现地震与波阻抗之间的非线性映射,为地震波阻抗反演提供一种智能化的新手段。

基于知识蒸馏的回归方法在地震层位追踪中的应用

近年来深度学习方法在地震层位追踪上得到了广泛应用,但其存在计算量大、占用内存多等缺点.针对上述问题,通常采取知识蒸馏方法进行优化,其主要利用学生模型模仿教师模型的输出,将复杂的教师模型压缩为简单的学生模型,降低了神经网络模型的参数量和计算量,并使模型保持较高的精度.然而,现有的知识蒸馏方法大多侧重于分类任务,并要求教师和学生模型体系结构相似.为了突破上述限制,本文构建了一种用于回归任务的知识蒸馏方法,该方法首先使用不同架构的学生模型和教师模型,其教师模型和学生模型分别采用长短期记忆(LSTM)循环神经网络和卷积神经网络(CNN)进行构建,然后通过LSTM和CNN来构建一个新的目标函数,该方法的关键是将CNN预测结果和LSTM预测结果之间的差异作为知识蒸馏信息,从而得到适合回归任务的地震层位追踪模型,最后利用该模型进行层位追踪.经合成数据和实际数据测试,结果表明,本文的方法比基于CNN的层位追踪精度明显提高,且达到LSTM相当的层位追踪效果,验证了基于知识蒸馏的地震层位追踪方法的可行性和有效性.

时域卷积神经网络地震波阻抗反演因素影响的研究

时域卷积神经网络(Temporal Convolutional Network,简称TCN)被用于地震波阻抗反演,在取得较好反演效果的同时,因其最初的成功实例主要是自然语言处理领域,而在地震反演的应用相对较少,且影响反演结果的因素众多,为了加快该方法在反演中的应用,基于前人研究的基础,注重对地震资料的预处理及网络超参数的选择进行系统分析.因此,笔者在Marmousi-2数据集实现TCN地震波阻抗反演的基础上,进一步研究噪声、归一化、随机采样三种数据预处理方法及TCN反演网络构建时学习率、dropout、批数量、通道数量四种超参数的选取对TCN地震波阻抗反演的影响,为TCN地震波阻抗反演提供预处理与超参数选择依据,并将所选取的预处理操作和超参数组合在TCN地震波阻抗反演中进行应用.该研究可为TCN地震波阻抗反演提供可行的质控手段,同时可为其他深度学习反演的数据预处理和超参数的选取提供参考,对加快基于深度学习的地震波阻抗反演应用进程具有一定的现实意义.