应用长短期记忆循环神经网络的弱反射信号增强方法

由于沉积环境的特殊性和复杂性,地下介质中不同反射界面的波阻抗差可能差异巨大。如果储层的有效反射信息较弱,在地震数据中极可能被强反射信息掩盖,不易被识别,影响了储层识别效果,因此亟需一种解释性处理技术突出弱反射信息。常规方法一般是先从地震数据中分离出强反射分量,再将它削弱或删除。但如果地震子波提取不准确,减去法中强反射残留会引入虚假信号。文中提出了一种“升弱降强”的新思路,通过构建幂次反射系数映射模型缩小弱反射信号与强反射信号的相对差异。首先计算测井反射系数的幂次反射系数,将弱反射系数相对增大、强反射系数相对减小,得到拟反射系数序列;再用原始反射系数序列和拟反射系数序列分别与地震子波进行褶积运算,得到合成地震记录和拟合成地震记录,生成训练样本集;然后用该样本集训练长短期记忆(LSTM)循环神经网络,建立合成地震记录与拟合成地震记录的映射关系;最后将该网络应用于地震数据,增强了地震弱反射信号。模型和实际数据应用结果表明,该方法能有效增强地层本身引起的弱反射信号,提高地震数据的储层识别能力。

一种精确消除倾斜地层对相干值影响的方法

相干属性是检测地下介质不连续特征的主要技术之一,但倾斜地层会使相干值产生畸变,故在计算相干属性之前需进行倾角搜索或对地震数据做层拉平处理。为获取更精确的地层倾角用于频率域层拉平,引入并改进了一种在频率域内的地层倾角估算法,总结出一套融合时间域倾角搜索和频率域倾角估计的层拉平算法流程。实际地震数据的应用结果表明,这种联合利用时间域—频率域的层拉平算法可更彻底消除地层倾角对相干属性的影响。

消除倾角影响的振幅曲率及其加权算法

为提高振幅曲率的精度和计算效率,提出基于最小均方根振幅差的倾角搜索算法,沿着求取的地层方向计算振幅曲率。传统振幅曲率通常采用相干能量进行加权,需要构造协方差矩阵并求其特征值,文中使用中心道的均方根振幅对振幅曲率进行加权,避免上述矩阵运算,提高了计算效率。实际数据测试表明了该方法的有效性和适用性。

多属性分析技术在准噶尔盆地腹部油气勘探中的应用

准噶尔盆地腹部侏罗系三工河组断裂系统复杂,断距小;储层厚度薄,横向变化快;断层及储层的精细刻画难度大。针对这些难点,采用GeoEast解释系统中的构造导向滤波及断层形态指数技术落实了小断层展布,利用多属性分析技术刻画了砂体分布,通过波形分类技术进一步优选出砂体厚、物性好的区域。经过研究,在前哨1井南侧低勘探区域预测了三个Ⅰ类储层条带,为该区下一步勘探部署提供了依据。

基于最大特征值估计的C3算法及应用

第三代相干体算法(C3算法)具有分辨率高、压制噪声能力强的优点,但是该算法需要计算协方差矩阵的特征值,所以耗时较多。为提高大矩阵特征值分解的运算速度,提出了一种估计最大特征值的快速收敛算法,通过运用A2k矩阵的迹来构造一种收敛速度更快的特征值估计方法,并给出了这种方法的误差估计表达式,实现计算精度的有效控制。文中还讨论了地震数据体边缘补地震道方法,解决了将递推算法应用到平面方向时空间窗越过边界的问题。实例表明,本算法的计算效率明显高于常规的C3算法。

一种基于振幅谱的地震相干属性计算方法（英文）

相干属性是检测地下介质不连续性特征的主要参数之一,但倾斜地层会对相干属性产生干扰,故在计算相干属性时需要消除地层倾角的影响。传统的相干属性计算一般使用时域倾角扫描法来消除地层倾角的影响,但这种方法的精度受到采样间隔等因素的限制,并不能很好地消除地层倾角的影响。根据振幅谱具有不受地层倾角影响的特点,本文提出将预先定义的子数据体内的地震数据变换为振幅谱,再利用振幅谱构造协方差矩阵,协方差矩阵最大特征根与矩阵迹的比值作为子数据体中心点的相干值。利用振幅谱计算相干属性的方法能够较好地消除地层倾角的影响,而且可以使用不同频段的振幅谱计算相干体,具备多尺度相干体算法的特性。模型数据和实际地震数据的应用结果表明,振幅谱相干属性可以更好地消除地层倾角对相干属性的影响。

基于SOM和PSO的非监督地震相分析技术

地震相分析技术是储层预测的一种重要方法,可以用来描述有利沉积相带的分布规律.传统的地震相聚类分析方法对大数据的处理运算速度较慢,且容易陷入局部极小值,造成聚类分析的结构不准确.本文提出基于自组织神经网络(SOM)和粒子群优化方法(PSO)相结合的地震相分析技术,利用自组织神经网络能够保持原始地震数据的拓扑结构特性的特点,将大量冗余样本压缩为小样本数据,再通过粒子群的全局寻优能力改善K均值聚类的效果.理论模型和实际应用表明该方法能既有效实现数据压缩,又能提供较为准确的全局解,在地震相预测中兼顾计算效率和计算精度.

基于交叠组稀疏非凸Lp伪范数高阶全变分的地震随机噪声压制

针对高阶全变分模型在地震资料去噪中存在严重阶梯效应的问题,引入交叠组稀疏去噪技术;为提升对局部细节的保护能力,加入非凸Lp伪范数正则化,形成一种改进的去噪模型。该模型是从传统孤立的数据点向四周延伸,充分挖掘信号的邻域相似性。由于改进模型存在耦合问题,进一步采用交替方向乘子迭代法将其转化为四个子问题,并在求解过程中采用最大最小值算法和加权方向迭代L1算法以提高计算精度和效率。模拟数据和实际资料的应用结果表明,所提方法不仅能有效减弱阶梯效应,压制地震数据中的随机噪声,而且具有保护弱小信号局部细节的能力。

基于深度残差傅里叶神经算子方法压制地震多次波

多次波是一种较为严重影响地震成像的干扰波,如何有效压制多次波是需要关注的地震资料处理关键问题之一.本文基于傅里叶神经算子(FNO)和残差网络(ResNet),提出了基于深度残差傅里叶神经算子(DRFNO)网络的多次波压制方法.DRFNO是一种弱约束模型+数据驱动的人工智能算法,包含一次波和多次波的全波场炮集为输入,其中真实一次波炮集为标签训练网络,输出为压制多次波后的一次波炮集.DRFNO的网络结构中考虑了地震波场的数据特点,结合波动方程正演模拟的物理机理,约束网络训练过程.基于传统机器学习中的激活函数设置方法,该方法通过一个用于地震数据样本与标签预处理的激活函数(SDAF),克服地震炮集数据中因同相轴能量差异导致神经网络无法训练的问题.采用两套层状介质模型和Sigsbee2B复杂模型的模拟地震数据验证了DRFNO方法多次波压制处理的有效性,抗噪性和泛化能力.最后,通过一套实际地震数据实例表明本文提出的DRFNO方法应用于压制实际复杂地震波场中多次波的良好效果.