基于拉伸率的3DVSP道集切除技术及应用

常规处理后的3DVSP共检波点道集在不同偏移距处产生不同拉伸畸变效应,尤其是浅层和大偏移距尤为明显,影响叠加剖面成像质量。为此,分析了拉伸效应原因,推导了拉伸率公式,提出了基于拉伸率的道集切除方法:逐点计算共检波点道集中每一点拉伸率,确定有效拉伸率范围,对拉伸率过大的点进行切除。模型分析和实际资料处理结果显示了方法的正确性和有效性。

地震资料处理方法的叠前保幅性研究

地震资料的保幅性是叠前反演和储层预测的重要前提。为了研究叠前处理方法的保幅性,以球面扩散补偿、偏移距规则化处理及偏移后的道集切除等处理环节为例,从不同方面深入研究了它们对保幅性的影响。首先从理论上分析了这些处理环节的保幅性,再以实际资料为例,对比了处理前、后的地震剖面和道集变化,并进一步重点研究了目标层位AVO振幅曲线变化及其对弹性参数计算结果造成的影响。结果表明,研究处理方法的保幅性十分必要,球面扩散补偿、偏移距规则化处理以及偏移后的道集切除方式对地震资料的保幅性及叠前AVO反演均具有重要的影响。

基于卷积神经网络的倾角域弹性波逆时偏移噪声压制方法

相比传统的声波逆时偏移方法,弹性波逆时偏移(ERTM)可以提供更多地下结构的物理信息,然而其偏移中的串扰噪声及各种非物理噪声严重降低了成像质量。为了获得更高分辨率的地震成像,介绍了一种在ERTM生成的倾角域成像道集上使用卷积神经网络(CNN)估计叠加孔径,实现稳相叠加从而压制偏移噪声的方法。该方法通过在倾角域识别主要的反射波能量,剔除对成像贡献不大的部分,从而压制了偏移中的各种噪声,提高了ERTM成像质量。CNN是一个端到端的深度学习过程,一旦网络经过训练得到适合权系数和偏置,可以替代人工实现自动拾取。BGP盐丘模型数据和SEG起伏地表模型数据测试结果表明:利用CNN实现自动拾取的算法在只对少量道集拾取并作为标签数据,对神经网络训练后,可较好实现海量道集的自动拾取。基于CNN的倾角域弹性波逆时偏移噪声压制方法效果好、效率高。