广义Beta小波域地震高分辨率处理方法研究

渤海湾南部海域A油田是典型的辫状三角洲沉积。由于前积体储层埋藏较深,地震资料主频低且纵向分辨率不够,影响单期前积体储层刻画的准确性。针对这一问题,研究提出了将地震高分辨率处理方法表示成小波域中带有正则化约束的反演问题,引入非凸稀疏约束获得更稳健、准确的衰减补偿结果,从而提高地震资料的纵向分辨率;然后引入广义Beta小波变换,得到更佳匹配地震数据的时频谱,进而补偿每个频率衰减的基于非凸稀疏约束的广义Beta小波域地震高分辨率处理方法。经A油田的无噪及含噪合成地震数据和二维地震数据验证结果表明:研究提出的处理方法能够有效提高地震资料的纵向分辨率,地震波强弱信号关系明显,同相轴横向变化(尖灭)突出,与井震匹配结果吻合程度较高。利用研究成果追踪解释前积体,可以准确刻画岩性圈闭的边界,为后续井位部署和井轨迹优化提供技术支撑。

基于S变换与复值U-Net网络的地震资料高分辨率处理方法

地震资料高分辨率处理方法通过拓展频带范围有效地提高了地震资料的精度。迄今为止,基于深度学习的高分辨率处理方法仅在时域中进行特征提取,忽视了地震数据的频域信息,因而影响高分辨率处理效果。为此,结合深度学习的数据驱动能力与时频分析方法的时频定位能力,提出了一种基于S变换和复值U-Net网络(STCVU-Net)的地震资料高分辨率处理方法。首先,通过褶积模型构建高分辨率与低分辨率的单道地震数据,接着,利用S变换获得不同分辨率地震数据的时频谱并将其作为训练数据,然后基于构建的STCVU-Net对时频谱进行训练和测试,最后,使用迁移学习方法对已训练的网络进行微调并应用于实际数据的处理。STCVU-Net方法充分考虑了地震数据的时域与频域信息,在准确得到地震数据时频谱的同时在时频域中对地震信号进行精准拓频,从而提高了地震资料的分辨率。对比时域端到端的深度学习方法在模型资料和实际工区资料的高分辨率处理结果表明,STCVU-Net方法的高分辨率处理结果更准确,高频信息更丰富,具有较大的实际应用潜力。

基于层序统计结构和空间地质结构的深度学习高分辨率处理方法

高分辨率地震数据在地震数据处理中扮演着关键角色,特别是当地震勘探目标变得越来越复杂时,它可以提供更准确的储层识别和描绘。近年来,随着深度学习技术的快速发展,它越来越多地被引入到高分辨率地震数据处理中。基于大量标记数据,建立了低分辨率地震数据和高分辨率地震数据之间的复杂非线性关系。然而,深度学习在高分辨率数据处理中的精度与稳定性高度依赖于训练集的准确性与多样性。深度学习技术在生产中实际应用的主要挑战之一是稀疏的井数据,这经常导致训练集受限。为了解决这个问题,本文提出了一种基于深度学习的高分辨率处理方法,通过使用大量逼真的训练集,将井数据所表示的分层结构与地震数据所表示的空间地质结构相结合。建立训练集包括三个步骤:(1)使用井数据计算波阻抗序列,并利用高斯匹配函数拟合波阻抗高频部分的振幅分布,得到一个概率密度函数,最后生成一系列符合井数据统计分布的波阻抗序列。(2)在波阻抗序列的基础上,建立二维水平分布的波阻抗模型,并逐步添加折叠变形、倾角变形和断层变形,生成包含各种地质模式的二维阻抗模型。(3)使用阻抗模型计算反射系数,然后用反射系数模型分别卷积低频和高频子波,得到训练集。通过自动生成具有地下地质信息的大量训练集,训练的网络可以估计稳定而准确的高分辨率结果。深度学习的框架由两个部分组成:提取输入数据特征的编码部分和通过提取的特征重建输出的解码部分。此外,残差模块被整合到框架中,使网络更有效地从训练集中提取特征进而提高网络性能,从而实现计算精度和效率之间更好的平衡。通过模型数据和实际数据的测试,本文提出的方法相比于传统深度学习方法对噪声具有更好的鲁棒性,可以产生更精确且横向连续性更好的高分辨率结果。

广义S变换地震高分辨率处理方法研究

广义S变换能根据实际地震信号的频率分布特点和时频分析的侧重点灵活地调节窗函数随频率的变化趋势,加快或减慢窗时宽随频率的变化速度,使窗函数的振幅呈现多种非线性变化特征,更好地适应具体信号的分析和处理。在广义S变换实现时引入窗函数库、弦函数库、快速傅里叶反变换,使运算简洁、易行、高效,通过选取合适的参数组合,对得到的时频谱进行能量重新分配、重构,得到高分辨率地震信号。理论模型和实际资料处理结果表明,该方法能够有效增强地震信号时域和频域的分辨率,使地震剖面的构造特征和岩性特征更为清晰。

高分辨率处理技术在辽河雷家地区碳酸盐岩储层中的应用

为了有效识别薄储层,精细刻画小断层,支撑岩性油气藏勘探,以辽河雷家地区湖相碳酸盐岩为例,依托GeoEast系统,应用独立同步扫描邻炮干扰压制、聚束滤波多次波衰减、混合震源资料匹配、地表一致性反褶积、零相位反褶积、经验模态分解高分辨率处理等技术,在保证资料信噪比的基础上,分阶段逐步提高地震资料的分辨率。地震成果剖面在目的层段层间反射信息丰富,有效频带合理拓宽,显著地提升了地震资料品质。

自然伽马测井曲线高分辨率处理方法

从自然伽马测井基本原理出发 ,首先对测井曲线进行井眼校正 ,扣除井的影响 ,再计算井筒、地层及其上下围岩所占探测球域体积及其重心到探测器的距离 ,以此建立各单元体对伽马测井信号贡献的权函数。通过权函数逐层计算不同厚度地层条件下各单元体权因子 ,实现自然伽马曲线高分辨率处理。应用实例表明 ,该方法简便实用 。

基于衰减补偿的地震资料高分辨率处理方法

反褶积是提高地震记录分辨率的有效手段,它一般基于平稳子波假设。由于地层的非完全弹性性质,实际地震记录往往表现出非平稳性,因此直接对地震记录进行反褶积处理很难达到提高分辨率的目的。提出了基于衰减补偿的高分辨率处理方法,该方法首先利用稳定的反Q滤波技术对地震记录的衰减能量进行补偿,同时进行相位校正,消除其非平稳性;然后利用Wiener反褶积来压缩地震子波,扩展其频带宽度,提高地震记录的分辨率。对比了Wiener反褶积、时变Wiener反褶积和基于衰减补偿的高分辨率处理方法(稳定的反Q滤波+wiener反褶积)在合成数据和实际资料中的应用效果。结果表明,基于衰减补偿的高分辨率处理方法可以有效提高非平稳地震记录的分辨率。

基于希尔伯特变换的测井曲线高分辨率处理方法

探索将希尔伯特变换应用于测井资料高分辨率处理与解释的方法。首先利用希尔伯特变换将测井曲线分解成二维信号,然后利用变换结果求测井曲线的瞬时属性参数(瞬时振幅、瞬时相位和瞬时频率),再利用岩心等地质资料和先验地质认识对测井属性曲线进行检验和标定,并将其用于非取心段的薄层测井识别。将所提方法应用于大港滩海张东地区沙河街组三角洲前缘测井评价,发现瞬时相位和瞬时频率测井曲线能够对原测井曲线上的微小变化产生放大效应,提高薄层界面识别精度。在吉林红岗油气田的三角洲相储层构型研究中,利用岩心对高分辨率处理后的曲线进行标定,验证了处理结果的合理性。

补偿密度测井高分辨率处理技术研究

安丰全，唐炼，牛华，等．补偿密度测井高分辨率处理技术研究．测井技术，１９９７，２１（５）：３２３～３２６从密度测井原理入手，对补偿密度测井曲线纵向分辨率低的原因进行分析，发现补偿密度测井数学转换模型是导致其分辨率低的重要原因之一。提出对α因子技术的改进方法，即加入井眼影响校正因子和相关性因子，使近接收器高频信息真实可靠。该处理方法不仅可将补偿密度测井曲线的纵向分辨率提高到０．２０ｍ，其统计精度优于常规高密采样密度曲线，而且保持了常规采样密度测井曲线的统计精度。

基于高阶谱的高分辨率处理

本文从信号高阶累积量的角度出发给出了一种基于地震信号双谱的高分辨率处理方法。该方法根据双谱的性质 ,首先从含有地震子波相位信息的地震记录双谱中精确地提取地震子波 ,然后进行子波处理 ,从而提高了地震记录的分辨率。理论计算表明 ,对不同性质的地震子波 ,均可从理论地震记录的双谱中重构子波。

地震资料高分辨率处理识别生物礁储集层方法

生物礁属于一类特殊的碳酸盐岩储集体,内部结构复杂,礁盖、礁核、礁基等礁体微相易发育形成薄互层地质架构,地震反射受主频低、频带窄等不利因素约束,难以实现高精度识别。基于地震反射的频率、相位、能量等动力学特征,优选出能量补偿、频带拓展、子波分解与重构等特殊处理方法,并将其组合应用,可以获得不同频段的重构地震数据和高分辨率地震数据体,从而突出生物礁的边缘轮廓和礁体外形丘状反射、顶部强反射、底部下凹反射、翼部上超反射等特殊的地震响应特征。结合测井、地质、高分辨率地震勘探等综合资料,通过反演获得的纵波阻抗显示,优质储集层(礁盖)的阻抗较低、礁核和生屑滩的阻抗相对较高、礁滩复合体阻抗高低频繁跳跃等响应规律。该方法在元坝气田长兴组生物礁储集层的高分辨率储集层预测中,取得了较高的井震吻合率和良好的预测结果。

预估计混叠度的MAP超分辨率处理算法

提出一种预估计混叠度的PEMAP(pre-estimated MAP (maximum a posteriori))算法,用于卫星图像的地面超分辨率处理.它通过频域分析确定卫星图像的混叠度,将其作为先验信息在空域控制MAP估计的循环迭代,联合估计帧间位移和高分辨率图像.该算法克服了最大后验概率MAP算法的盲目性和不稳定性,使其适应性更好.实际的卫星图像处理显示了较好的处理效果.

碳氧比测井曲线反褶积高分辨率处理

纵向分辨率低限制了碳氧比测井曲线在解释薄油气层和厚层细分方面的应用，有必要研究碳氧比测井曲线高分辨率处理方法。按照DDCO双源距碳氧比测井仪结构和实际井眼与地层条件建立了仿真模型，用蒙特卡罗数值模拟方法确定了双源距碳氧比测井系统的纵向响应函数。根据理论响应函数，提出了带滤波器的反褶积方法，对碳氧比测井曲线进行了高分辨率处理。处理结果表明，测井曲线纵向分辨率由传统的不优于0.8m提高到了0.6m。该方法能够很好地压制测井噪声，明显提高了碳氧比测井曲线的纵向分辨率。

南海南部礼乐海区二维地震资料的高分辨率处理方法

南海南部礼乐海区以其丰富的油气资源储备成为我国油气勘探的后备区,目前勘探程度低,地震资料较少,仅有少量的二维地震资料。由于该区地形复杂、水深变化范围大,因此在地震数据中发育着多种类型的干扰波,加之该批数据道数少、信噪比低,上述因素都成为高分辨率处理的难点。针对该区地震数据的特征,采用多种手段的真振幅恢复技术以及异常振幅压制等预处理方法;采用串联反褶积提高了资料的分辨率;根据多次波的类型分别采用τ-p域预测反褶积、速度滤波、内切除等组合方法压制多次波。从资料处理的效果来看,使得浅、中、深层能量得到平衡,多次波等各类干扰波得到了较好的压制,资料的信噪比和分辨率都得到了提高,最后得到了高分辨率的地震剖面。

谱整形提高分辨率处理技术及应用效果分析

在常规高分辨率处理之后,CDP道集往往会出现同一反射波组波形不一致、时间不能对齐的现象,使得叠加剖面的分辨率降低。为了获得更高分辨率的剖面,探讨了进一步提高剖面分辨率的潜力所在,指出了实现高分辨率处理的主要技术难点是实现同一反射的波形一致和时间对齐。针对性地提出了地震资料提高分辨率处理的技术,包括低频道剔除、谱整形和再次静校正。实际应用效果表明,在常规高分辨率处理的基础上,采用低频道剔除、谱整形、再次静校正技术使剖面的分辨率和信噪比得到进一步提高。

基于希尔伯特—黄变换的地震资料高分辨率处理

常规提高地震资料分辨率处理技术不能更好地满足实际生产需求。本文将希尔伯特—黄变换引入到地震数据处理中,提出一种新的地震资料高分辨率处理方法。MarmousiⅡ和实际地震数据处理结果表明,与反褶积、反Q滤波等常规高分辨率处理方法相比,希尔伯特—黄变换不仅能够有效提高地震数据的分辨率,而且较好地保持了地震数据的相对振幅关系,可以为后续的地震反演、储层预测、烃类检测和地震属性分析等奠定良好基础。

基于地震地质模型的高分辨率处理方法

根据层序地层学理论并利用钻井、测井和地震已知信息 ,对油田和探区的地震层序模型进行了研究 ,建立了有效的地震地质模型。将地震地质模型用于地震资料的联合反演 ,提高了地震资料的分辨率。这种基于地震地质模型的高分辨率处理方法能补偿地震记录的高频成分并拓宽低频成分 ,有效地扩展了信号的有效频带。在提高分辨率的同时 ,改善了资料的信噪比 ,从而提高了用地震时间剖面解决地质问题的能力。

基于CEEMD的地震信号自适应高分辨率处理

针对地表接收的地震信号分辨率较低的问题,考虑地震信号的非平稳性,本文提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)的地震信号自适应高分辨率处理方法。根据地震剖面的平均振幅谱确定阈值集合G;对单道地震信号进行互补集合经验模态分解,得到本征模态函数(intrinsic mode function,IMF)分量;利用相关系数-阈值法确定阈值H,选出有效频段内的IMF分量进行叠加,并用阈值集合G对叠加的结果进行振幅谱补偿处理,得到高分辨率的单道地震信号;逐道处理得到高分辨率地震剖面。模型数据和实际地震资料测试结果表明,所提方法能有效地提高地震信号的分辨率,为地震勘探开发提供更为精确的地震资料。

基于图像分辨率处理与卷积神经网络的工件识别分类系统

为了提高复杂条件下不同工件目标的在线识别与分类准确率,以螺帽、螺丝、螺母等工件为样本,设计并开发了一种基于图像低分辨率处理与卷积神经网络的工件识别分类系统。首先,连接工业相机、光源、三轴机械手、PLC,设计以机器视觉为核心的目标分类平台。然后,利用工业相机采集工件图像,通过图像低分辨率处理,得到较低分辨率的全局视野图像;采用阈值分割与连通区域查找算法,分割得到工件二值图像,进行特征矩阵提取,作为分类器数据输入;随后,结合样本数据库,先采用最近邻分类方法,输出粗识别结果,然后基于卷积神经网络实现进一步分类,完成细识别,达到准确定位识别工件的目的,将工件种类与坐标信息传递给运动控制单元,完成工件分类操作。最后基于QT开发平台、Tensorflow学习库与C++语言编程实现系统。设计对比实验,与现有系统和人力对应流程进行实验对标,经验证,本系统具有更好的分拣效率和准确度。

常规声波时差曲线高分辨率处理方法

分析了常规声波测井的纵向响应特征,研究了低分辨率声波时差曲线和高分辨率声波时差曲线间非线性映射关系.在此基础上,将关键井的高、低分辨率声波时差曲线作为学习样本,构建学习样本集;以人工神经网络技术为手段,建立反演预测模型,进而生成其它井的高分辨率声波时差曲线.选择了大庆油田某区块8口井作为建模和预测对象,实际应用表明:预测的高分辨率时差曲线的平均相对误差为6.80%,最大相对误差在1.631 km处,为24.80%,最小相对误差在1.629 km处,为0.06%.