同步挤压S变换与τ⁃p变换联合的微地震信号消噪方法

微地震监测是指导页岩气开采水力压裂作业和评价压裂效果的常用手段。地面监测所采集的微地震信号能量弱、信噪比低,微地震事件识别困难,严重影响定位的准确性。针对低信噪比地面微地震监测资料,联合使用同步挤压S变换、谱分解和τ⁃p变换,提出一种新的消噪方法。首先对监测资料进行时差校正,将微地震信号的同相轴校平;之后使用同步挤压S变换对校平后的资料进行谱分解获取单频切片;再对每个单频切片进行τ⁃p变换,并根据τ⁃p变换的结果获取微地震信号位置;最后根据信号的位置在时频域完成消噪。实际低信噪比地面微地震监测数据的处理结果表明,新方法可以获得理想的消噪结果。

基于高阶多道同步挤压广义S变换的多属性融合储层预测技术研究及应用

时频域地震精细解释建立在高分辨率时频分析算法的基础上。为适应高精度勘探开发的要求,在多道同步挤压广义S变换(MSGST)的基础上,提出了高阶多道同步挤压广义S变换(HMSGST),进一步聚焦时频分辨率,提高储层预测的精准性。通过理论信号、理论加噪信号对比6种时频算法的计算结果,验证了HMSGST具有高时频分辨率,对复杂信号具有更好的刻画能力。以某三维工区海相砂岩为例,基于HMSGST在时频域沿主要油气储层(T2层)提取时间切片,开展频率衰减梯度、分频相干等属性分析以增强对短轴河道、次级断裂等目标的识别能力和烃类检测能力,进一步结合曲率属性开展RGB多属性融合精细雕刻。对于不同工区、不同地质条件的地震数据,需要进行HMSGST的参数分析,适合的参数是达到更为准确的计算结果的前提。

基于同步挤压S变换的地震信号时频分析

S变换(ST)被广泛应用于时频分析,但受海森堡不确定性原理制约,其分辨率有限。同步挤压S变换(SSST)是一种正反无损可逆变换,通过对S变换时频谱在频率方向上进行挤压,使能量聚集到信号的真实瞬时频率上,显著地压制了虚假频率成分、提高了信号的时频谱的分辨率。将SSST方法应用于合成信号和实际地震资料处理,所得结果表明SSST比ST具有明显的提高地震信号时频分辨率的能力,有利于薄层识别和储层描述。

二阶同步挤压S变换及其在地震谱分解中的应用

同步挤压S变换是一种处理非平稳信号的新时频变换方法,通过"挤压"信号的S变换结果,可以得到高分辨率的时频谱.但是,当信号的相位随时间呈非线性变化时,同步挤压S变换计算出的瞬时频率会出现误差,并造成时频谱分辨率降低.为了改善其对于该类信号的时频分析效果,我们利用时间和频率的二阶偏导数对瞬时频率计算式进行修正,提出二阶同步挤压S变换.合成信号处理结果表明,二阶同步挤压S变换的分辨率不但明显高于常用时频变换,在信号瞬时频率随时间呈二次或正弦变化的情况下,其时频挤压效果也好于同步挤压S变换.我们将二阶同步挤压S变换应用到天然气地震勘探资料的谱分解当中,结果表明,二阶同步挤压S变换可以很好地检测到与天然气相关的谱异常.因此,二阶同步挤压变换对于地震解释是一种很有潜力的方法.

基于同步挤压S变换的探地雷达信号消噪方法

为提高对探地雷达低幅度有用信号的识别效果,提出了基于同步挤压S变换的消噪方法.首先将含噪声信号进行S变换,并计算出信号的瞬时频率,再将信号的时频能量进行重新集中,从而获得高分辨率的压缩时频谱.然后根据噪声出现的时间和频率,设计相应的二维滤波器在时频域对信号进行消噪.在消除噪声能量后,再进行反变换得到有用信号.由于在压缩时频谱上可以更好地区分有用信号和噪声,消噪时有效信号的能量可以被尽可能多地保留下来.仿真信号和探地雷达实际信号的处理结果表明,利用同步挤压S变换在时频域进行消噪能够取得很好的效果.

基于二阶自适应同步挤压S变换的时变子波提取方法

鉴于时不变子波的假设条件不能反映实际地震数据的非稳态特性,且传统分段提取时变子波的方法不能满足勘探所需的精度要求,提出了一种基于二阶自适应同步挤压S变换(ASST2)的时变子波提取方法,可以从非稳态地震数据中直接提取时变子波。首先对非稳态地震数据进行ASST2时频分析得到高质量的时频谱图,再通过建立局部谱的统计参数与加权指数型子波的解析关系实现逐点提取子波,最后基于时空域的时变子波矩阵建立非稳态地震记录褶积模型。与常规提取子波的方法相比,该方法不需要地震数据稳态或分段稳态的假设条件,根据数据自身特点自适应估计子波参数,克服了对子波形态的限制条件,同时避免了误差累计。模型数据测试和实际地震数据应用结果表明,该方法能够有效地提取时变子波,即使在相邻地层也能保证子波估计的准确性,从而提高地震资料处理的精度。

滚动轴承冲击特征提取的同步挤压S变换方法

为从滚动轴承故障信号中提取出冲击特征以便于进行轴承故障诊断,首次引入同步挤压S变换(SSST)的信号处理方法。以同步挤压小波变换(SST)和S变换(ST)方法为基础,推导出了同步挤压S变换的表达式。用余弦调频仿真信号和冲击仿真信号进行S变换、SST和SSST分析,结果表明,SSST变换在信号整个频带上具有良好的时频分辨率和时频聚集性,且性能优于S变换和SST。用一组实际的滚动球轴承故障振动信号进行分析,结果表明,SSST能够方便有效地提取出轴承故障的周期性冲击特征。

基于改进多重同步挤压广义S变换的结构瞬时频率识别研究

为改进结构瞬时频率的识别效果,提出一种新形式的改进广义S变换(improved generalized S-transform,IGST),并通过能量集中度(concentration measure,CM)推导了IGST窗函数的参数选择方法,最后结合同步挤压算法提出了改进多重同步挤压广义S变换(improved multi-synchrosqueezing generalized S-transform,IMSSGST);该算法的核心思想是将IGST的时频分布按一定的范围向时频脊线处进行多次同步挤压变换。数值模拟方面,采用两层剪切框架时变结构验证了该方法的准确性;试验方面,对七层钢筋混凝土(reinforced concrete,RC)剪力墙结构进行了瞬时频率识别,验证了该方法在实际工程中的实用性。数值模拟和试验结果表明该方法能有效改善时频分析的能量聚集性,提高瞬时频率的识别精度。

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。

基于同步挤压广义S变换的尖灭点识别方法

受地层的吸收衰减作用影响,地震子波在地下传播时会发生振幅衰减、相位畸变,导致地震数据的分辨率降低,导致地层尖灭难以通过地震剖面反射特征准确识别。为解决地震剖面上尖灭点位置识别不准确的问题,利用同步挤压广义S变换高时频分辨率与聚焦性的优势,研究从时频域进行尖灭点识别的可能性,提高尖灭点的识别精度。通过模型试验发现:地层尖灭会在单频剖面中形成亮点,通过提取不同的单频剖面发现,高频分量可以更准确识别尖灭点的位置,验证了方法的有效性。将该方法应用到实际资料砂体尖灭点识别中,提取地震数据高频剖面,有效提高了尖灭点的识别精度。

基于同步挤压S变换和DRN的压裂车故障诊断研究

针对压裂车在复杂工况高载荷环境下动力端振动信号故障特征难以准确提取和辨识的问题,结合深度残差网络(DRN)的优势,提出了一种基于同步挤压S变换(SSST)和深度残差网络的故障诊断方法。首先利用同步挤压S变换优越的时频分解特性,对2000型压裂车动力端采集的振动信号进行了分解和变换,得到了时频图像;然后对图像进行了灰度化和归一化,再将灰度图降维至适当大小,将压缩后的时频图像作为DRN模型的输入;最后建立了基于SSST特征提取和DRN的分类识别模型,并进行了测试,实现了压裂车动力端的故障诊断。研究结果表明:该方法避免了复杂的人工特征提取过程,在强背景噪声下能够有效提高压裂车动力端故障状态识别的准确率。

同步挤压S变换

小波变换是被广泛使用的信号时频分析的有效工具,但小波变换时频谱的分辨率达不到最优.最近提出的同步挤压变换以严格的数学推导为基础,通过对小波变换结果进行"挤压"和重排,能够获得更高分辨率的时频谱.由于小波变换难以较好地反映信号中的高频低振幅分量,使得基于小波变换的同步挤压变换也很难反映信号中的高频低振幅分量.相比之下,S变换能够较好地刻画信号中的高频低振幅分量,并能实现无损逆变换,但与小波变换一样,它的时频谱分辨率也达不到最优.为了提高S变换的分辨率,本文提出了同步挤压S变换,给出了同步挤压S变换的基本理论,推导出了同步挤压S变换及其逆变换的数学表达式.分别使用小波变换、S变换、同步挤压变换和同步挤压S变换对理论合成信号进行处理.结果表明,同步挤压S变换兼顾了S变换和同步挤压变换的优势,不仅能够极大地提高信号时频变换的分辨率,而且能够较好地反映信号中弱振幅分量的时频特征.

同步挤压广义S变换在南海油气识别中的应用

受窗函数的影响,短时傅里叶变换、小波变换、S变换等传统时频分析方法的分辨率不高.为了提高信号时频变换分辨率,发展了同步挤压小波变换算法;该算法将信号的时频谱值向其中心频率位置挤压,改善了信号时频分析结果,使得信号时频分辨率得到了很大的提升.但由于传统算法时窗固定,处理缺乏灵活性;因此,本文对S变换窗函数进行扩展,提出了同步挤压广义S变换.通过自适应窗函数挤压信号在S域的时频谱值,提高了算法的灵活性和时频分析聚焦能力.运用同步挤压广义S变换对南海某工区实际地震数据进行分频处理,结果显示含油气层能量随着频率的增加而逐渐衰减.因此,使用同步挤压广义S变换对地震数据进行分析处理,不仅可以对储层含油气性进行准确的检测,还可以对地层进行精确的标定.

基于滑动窗宽优化的LMSSGST识别非平稳信号瞬时频率

为提高非平稳响应信号瞬时频率的识别效果,提出基于滑动窗宽优化的局部最大同步挤压广义S变换(local maximum synchrosqueezing generalized S-transform,LMSSGST)。该方法首先对非平稳响应信号进行广义S变换获得相应的时频系数;其次,利用该响应信号的功率谱密度特征曲线确定局部最大同步挤压算子中滑动窗的宽度;再次,通过局部最大同步挤压算子进行时频重排;最后,采用模极大值改进算法提取瞬时频率曲线。通过两个数值算例、一个滑动窗宽参数分析和一个时变拉索试验验证了所提方法的有效性,研究结果表明:利用功率谱密度特征曲线能够有效确定滑动窗的窗宽和模极大值算法的提取范围。相比局部最大同步挤压变换算法,基于滑动窗宽优化的LMSSGST具有更佳的瞬时频率识别效果。

基于叠前地震数据的流度属性计算方法

虽然从叠后地震资料的低频信息中提取流体流度属性进行储层预测和流体识别已经有了较好的应用效果,但是叠前地震资料相对叠后地震资料包含有更多关于储层和流体的信息,为了利用叠前地震资料中更多关于储层和流体的信息,将频散AVO分析与流体流度计算方法相结合,建立了流体流度与地震波入射角的关系,进一步推导了基于同步挤压广义S变换(SGST)的叠前流体流度预测方法,从而提取叠前地震资料中流体流度信息,并将其定义为叠前流体流度属性。建立AVO理论模型,计算了碳酸盐岩储层分别含水与含油时的叠前流体流度,证实了利用角道集振幅变化信息得到的叠前流度值变化更加明显;同时,对比不同时频分析方法对于流度计算精度存在的差异,验证了本文方法的理论有效性。将该方法应用于塔里木盆地某实际地震资料,并对比了叠前流度方法与叠后流度方法的应用结果,发现:叠后流度方法得到的流度属性虽然能够得到相对的流度值大小,但是很大程度上需要通过已钻井资料进行流度值门槛值标定,从而达到区分流体性质的目的;而叠前流度方法可通过流度变化正负值来直接确定流体性质。因此,叠前流度方法相对而言可以更好地预测流体性质。