-
公开(公告)号：CN117031539A
公开(公告)日：2023-11-10
申请号：CN202310926893.1
申请日：2023-07-26
申请人： 西安交通大学
IPC分类号： G01V1/28
摘要： 本发明公开了一种自监督深度学习地震数据低频重建方法及系统，从观测地震数据中提取不同频段的多源信息，经过预处理后构造网络训练数据集；基于Pytorch平台搭建双通道U‑Net网络，设计自监督学习任务对网络进行训练；最后，将缺失低频数据的地震数据重新采样能量均衡处理后输入训练好的网络中，进而重建地震数据的低频信息。本发明能够从中高频地震数据重建缺失的低频地震数据信息，由于相比于高频数据，低频数据对周波跳跃问题更不敏感，因此所提出的方法能够克服周波跳跃问题，能够为传统全波形反演提供良好的数据基础，从而进一步提升最终速度模型反演准确度。
-
公开(公告)号：CN102298155B
公开(公告)日：2013-07-31
申请号：CN201110134352.2
申请日：2011-05-23
IPC分类号： G01V1/28
摘要： 本发明涉及一种基于高维小波变换的地震资料不连续性检测方法，其包括以下步骤：1)采集地震资料，预处理后得到三维地震数据体；2)对三维地震数据体每道进行Hilbert变换，以此得到三维相位余弦数据体；3)对三维相位余弦数据体进行分块；同时根据不连续的尺度和地质目标选择尺度、倾角和方位角的搜索范围；4)对每个三维相位余弦数据体子块进行三维连续小波变换；5)利用每个三维相位余弦数据体子块的三维连续小波变换系数模给出地震资料的不连续性度量，得到分块不连续性数据体；6)将生成的分块不连续数据体进行拼接，得到整个地震资料的不连续性数据体。本发明方法运算量少，能够多尺度的检测地震资料的不连续性，因此，可广泛用于地震资料的检测过程中。
-
公开(公告)号：CN102298155A
公开(公告)日：2011-12-28
申请号：CN201110134352.2
申请日：2011-05-23
IPC分类号： G01V1/28
摘要： 本发明涉及一种基于高维小波变换的地震资料不连续性检测方法，其包括以下步骤：1)采集地震资料，预处理后得到三维地震数据体；2)对三维地震数据体每道进行Hilbert变换，以此得到三维相位余弦数据体；3)对三维相位余弦数据体进行分块；同时根据不连续的尺度和地质目标选择尺度、倾角和方位角的搜索范围；4)对每个三维相位余弦数据体子块进行三维连续小波变换；5)利用每个三维相位余弦数据体子块的三维连续小波变换系数模给出地震资料的不连续性度量，得到分块不连续性数据体；6)将生成的分块不连续数据体进行拼接，得到整个地震资料的不连续性数据体。本发明方法运算量少，能够多尺度的检测地震资料的不连续性，因此，可广泛用于地震资料的检测过程中。
-
公开(公告)号：CN113740903B
公开(公告)日：2022-12-09
申请号：CN202110998575.7
申请日：2021-08-27
申请人： 西安交通大学
摘要： 本发明公开了一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用全局优化方法对一部分叠后地震数据进行波阻抗反演，并用反演所得数据预训练深度学习网络学习由地震数据到波阻抗的映射关系；利用预训练好的网络引导全局优化方法反演另一部分地震数据的波阻抗数据，加速其收敛到最优解，并用获取的最优解对深度学习网络进行优调；用优调后的深度学习网络，高效实现大规模三维地震数据的波阻抗模型反演。本发明极大地提升了波阻抗模型的反演效率，在计算成本可承担的情况下，实现了使全局优化方法在大规模波阻抗反演问题中的应用成为可能这一巨大突破。
-
公开(公告)号：CN112083482A
公开(公告)日：2020-12-15
申请号：CN202010784646.9
申请日：2020-08-06
申请人： 西安交通大学
摘要： 本发明公开了一种基于模型驱动深度学习的地震超分辨反演方法，包括以下步骤：1)将模型驱动的交替方向乘子法ADMM中的每一次迭代映射到深度网络中的每一层，并利用数学驱动的方法来学习近端映射，完成深度网络ADMM‑SRINet的搭建；2)获取用于训练深度网络ADMM‑SRINet的标签数据；3)利用获取的标签数据对深度网络ADMM‑SRINet进行训练；4)利用步骤3)训练好的深度网络ADMM‑SRINet对待测数据进行反演。该方法结合了基于模型驱动的优化方法和基于数据驱动的深度学习方法的优点，使网络结构具有可解释性；同时，由于物理知识的增加，迭代深度学习方法减轻了对训练集的要求，使反演结果更加可信。
-
公开(公告)号：CN116047588A
公开(公告)日：2023-05-02
申请号：CN202310034534.5
申请日：2023-01-10
申请人： 西安交通大学
摘要： 本发明公开了一种基于时空神经网络的非平稳地震资料衰减补偿方法及系统，将估计的浅层地震子波和实际测井反射系数序列通过褶积模型合成测井位置处的地震记录道；基于非平稳地震记录与得到的测井位置处的合成地震记录道，构建考虑地震记录时空特性的数据集；针对非平稳地震资料衰减补偿设计时空神经网络结构；基于构造的数据集对建立的时空神经网络结构进行网络训练，确定时空神经网络的最优参数集；基于训练好的时空神经网络结构及最优参数集，将非平稳地震道映射为平稳地震道，得到网络估计的二维平稳地震数据。本发明考虑了地震数据的时空结构特性，通过训练时空神经网络，实现非平稳地震资料的衰减补偿，从而提高深层地震资料的纵向分辨率。
-
公开(公告)号：CN113740903A
公开(公告)日：2021-12-03
申请号：CN202110998575.7
申请日：2021-08-27
申请人： 西安交通大学
摘要： 本发明公开了一种数据与智能优化双驱动的深度学习地震波阻抗反演方法，利用全局优化方法对一部分叠后地震数据进行波阻抗反演，并用反演所得数据预训练深度学习网络学习由地震数据到波阻抗的映射关系；利用预训练好的网络引导全局优化方法反演另一部分地震数据的波阻抗数据，加速其收敛到最优解，并用获取的最优解对深度学习网络进行优调；用优调后的深度学习网络，高效实现大规模三维地震数据的波阻抗模型反演。本发明极大地提升了波阻抗模型的反演效率，在计算成本可承担的情况下，实现了使全局优化方法在大规模波阻抗反演问题中的应用成为可能这一巨大突破。
-
公开(公告)号：CN112083482B
公开(公告)日：2021-11-19
申请号：CN202010784646.9
申请日：2020-08-06
申请人： 西安交通大学
摘要： 本发明公开了一种基于模型驱动深度学习的地震超分辨反演方法，包括以下步骤：1)将模型驱动的交替方向乘子法ADMM中的每一次迭代映射到深度网络中的每一层，并利用数学驱动的方法来学习近端映射，完成深度网络ADMM‑SRINet的搭建；2)获取用于训练深度网络ADMM‑SRINet的标签数据；3)利用获取的标签数据对深度网络ADMM‑SRINet进行训练；4)利用步骤3)训练好的深度网络ADMM‑SRINet对待测数据进行反演。该方法结合了基于模型驱动的优化方法和基于数据驱动的深度学习方法的优点，使网络结构具有可解释性；同时，由于物理知识的增加，迭代深度学习方法减轻了对训练集的要求，使反演结果更加可信。
-
公开(公告)号：CN103728662A
公开(公告)日：2014-04-16
申请号：CN201410003193.6
申请日：2014-01-03
IPC分类号： G01V1/28
摘要： 本发明涉及一种基于地震信号包络峰值的地层介质品质因子估计方法，其步骤：1）将两相邻检波器的距离为厚度把介质分成若干个小薄板；2）对于第i个小薄板，用常相位子波逼近该小薄板顶部接收的直达波，用基于MSMG的高阶累积量匹配法估计地震子波参数；3）用基于MSMG的高阶累积量匹配法估计小波变换的核函数的参数；4）计算第i个小薄板上下界面处接收信号的瞬时频率；5）计算第i个小薄板内包络峰值瞬时频率的变化；6）计算第i个小薄板的品质因子Q值；7）重复步骤2）～6），依次计算除第i个小薄板外的其它N-1个小薄板的品质因子；8）利用步骤6）和7）得到的N个小薄板的品质因子Q值来预测储层的含油气性，进而得到估计的衰减曲线。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.028 秒)
