当前位置:主页 > 科技论文 > 地质论文 >

基于自适应稀疏反演的地震数据重构

发布时间:2018-05-01 02:27

  本文选题:地震数据重构 + 自适应稀疏反演方法 ; 参考:《哈尔滨工业大学》2017年博士论文


【摘要】:稀疏变换是一种将数据进行稀疏表示的工具,在地震数据去噪、重构、压缩等过程中起着重要作用,尤其对于高维大尺度数据,在变换域下可以大幅度减少存储量和计算量。一般情况下,我们用显式稀疏变换来表示地震数据,如傅立叶变换、小波变换、曲波变换等。但是对于结构复杂的地震数据,显式稀疏变换往往不能很好地进行稀疏表示,这时候我们需要使用自适应方法来得到对数据自适应的稀疏变换。本文分别研究了数据域和频率域的自适应稀疏变换方法及其在地震数据重构中的应用,具体内容涉及:首先,针对自适应方法在高维地震数据处理中的计算量问题,本文提出了基于高维数据驱动紧框架(DDTF)理论的地震数据重构方法。DDTF以最优稀疏表示形式从数据中训练得到字典,是一种快速的、能得到具有紧框架性质字典的字典学习方法。紧框架字典不仅具有完全恢复性质,还可以实现快速的字典更新。将DDTF方法应用于三维和五维地震数据重构,可以比传统字典学习方法提速近一百倍,并且能得到相似的效果,这使得字典学习方法有望应用于实际地震资料处理。但是对于大规模的高维数据,DDTF方法仍需花费较多计算时间,主要原因是训练样本集合规模庞大,造成字典训练效率低下。然后,为了进一步加速DDTF中的字典训练过程,在样本规模一定的情况下,本文针对样本选取方法进行了研究,并提出了基于蒙特卡罗算法的样本选取方法。每一个样本对字典训练的贡献是一样的,然而我们更关心数据中的精细结构,如果结构信息丰富的样本在样本集中占据主导地位,则训练得到的字典能够更优稀疏表示精细结构,因此结构信息丰富的数据块被选入训练集的概率应该更大。数值结果显示蒙特卡罗DDTF方法大大提高了字典学习效率,并能够比规则或随机选择训练集得到更好的效果。最后,针对地震数据频谱的带限特征,本文提出了基于一种频率域自适应的变分模态分解(VMD)理论的地震数据处理方法。基于VMD的地震数据去噪方法等价于在分解过程中对每个模态应用维纳滤波。数值结果证明VMD方法得到了比经验模态分解方法更好的结果。为了进一步利用不同频率切片之间的关系,本文接着提出了一种新的基于傅立叶谱上的线状带限假设的地震数据分解方法,称之为几何模态分解(GMD)。GMD方法通过考虑不同频率之间的关系,形成了一种自适应的斜率提取方法,相当于将固定基变换在频率域进行了自适应化。本文通过交替求解几何参数和傅立叶域对应的模态来求解GMD问题。数值算例部分将GMD应用于地震数据分解、噪声压制、插值和多次波去除,结果证明GMD方法是地震信号处理中的一种有效的自适应工具。
[Abstract]:Sparse transformation is a tool for sparse representation of data, which plays an important role in the process of seismic data denoising, reconstruction, compression and so on. Especially for high-dimensional and large-scale data, storage and computation can be greatly reduced in the transform domain. In general, we use explicit sparse transform to represent seismic data, such as Fourier transform, wavelet transform, Qu Bo transform and so on. However, for seismic data with complex structures, explicit sparse transformation is often not well represented. In this case, we need to use adaptive methods to obtain adaptive sparse transformation of data. In this paper, the adaptive sparse transform method in data domain and frequency domain and its application in seismic data reconstruction are studied respectively. The main contents are as follows: firstly, aiming at the computational complexity of adaptive method in high-dimensional seismic data processing, In this paper, a method of seismic data reconstruction based on the theory of high dimensional data driven compact frame (DDTF). DDTF is proposed to train the dictionary from the data in the form of optimal sparse representation. It is a fast dictionary learning method which can obtain the dictionary with compact frame properties. Compact-frame dictionaries not only have the property of full recovery, but also can be quickly updated. The application of DDTF method to 3D and 5-D seismic data reconstruction can increase the speed of dictionary learning by nearly 100 times compared with the traditional dictionary learning method, and obtain similar results, which makes it possible to apply the dictionary learning method to the actual seismic data processing. However, the large scale DDTF method of high-dimensional data still needs more computation time, which is mainly due to the large scale of training samples and the low efficiency of dictionary training. Then, in order to further accelerate the dictionary training process in DDTF, the sample selection method is studied in this paper, and a sample selection method based on Monte Carlo algorithm is proposed. The contribution of each sample to dictionary training is the same, however, we are more concerned with the fine structure of the data, if the sample with rich structural information dominates the sample set. The trained dictionary can represent the fine structure more sparsely, so the probability of the data block with rich structure information being selected into the training set should be higher. Numerical results show that the Monte-Carlo DDTF method greatly improves the dictionary learning efficiency and can achieve better results than the regular or random selection training set. Finally, a method of seismic data processing based on the frequency domain adaptive variational mode decomposition (VMD) theory is proposed. The de-noising method of seismic data based on VMD is equivalent to applying Wiener filter to each mode in the process of decomposition. Numerical results show that the VMD method is better than the empirical mode decomposition method. In order to further utilize the relationship between different frequency slices, a new method of seismic data decomposition based on the assumption of linear band limit on Fourier spectrum is proposed. By considering the relationship between different frequencies, an adaptive slope extraction method is developed, which is equivalent to the adaptation of the fixed basis transform in the frequency domain. In this paper, the GMD problem is solved by alternately solving the geometric parameters and the corresponding modes in the Fourier domain. Numerical examples show that the GMD method is an effective adaptive tool for seismic signal processing by applying GMD to seismic data decomposition, noise suppression, interpolation and multiple wave removal.
【学位授予单位】:哈尔滨工业大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:P631.4

【相似文献】

相关期刊论文 前10条

1 郭念民;孟亚玲;杨文博;李海山;;时移地震数据重复性度量及一致性分析方法[J];物探化探计算技术;2012年02期

2 陈浩歌;杨聚福;;地震数据质量控制程序的设计与实现[J];中国管理信息化;2013年02期

3 牟其铎;;地震数据管理概述[J];国际地震动态;1983年10期

4 蒋春花,冯录刚,孙彦雪,李永庆;地震数据管理与共享工作的回顾及其系统研制的策略[J];地震地磁观测与研究;1999年01期

5 周克昌,代光辉,岳鑫雨;网络分布式地震数据库万维网站的地震数据服务[J];地震地磁观测与研究;2000年06期

6 宋天齐;;地震数据质疑[J];工程抗震与加固改造;2006年02期

7 钟勇;;提取地震数据最大李指数的快速方法[J];内蒙古石油化工;2007年07期

8 陈浩歌;杨聚福;;地震数据质量控制技术研究[J];石油工业计算机应用;2007年02期

9 苏欣;杜鑫;;一种通过计算机编程读取地震数据的方法[J];承德石油高等专科学校学报;2010年04期

10 苏欣;杜鑫;;一种通过计算机编程快速读取地震数据的方法[J];承德石油高等专科学校学报;2011年02期

相关会议论文 前10条

1 曹思远;路交通;;压缩感知理论重构地震数据研究[A];中国地球物理学会第二十七届年会论文集[C];2011年

2 王彦春;段云卿;;地震数据聚类分析的模拟退火算法[A];1996年中国地球物理学会第十二届学术年会论文集[C];1996年

3 石瑛;王峗;芦俊;尹军杰;邢玺;;煤系地层三维三分量地震数据解释方法研究[A];中国地球物理学会第22届年会论文集[C];2006年

4 张亚红;王德利;刘伟明;;基于聚焦变换的地震数据去噪和插值的方法研究[A];中国地球物理·2009[C];2009年

5 张学工;;面向解释的地震数据横向处理[A];1997年中国地球物理学会第十三届学术年会论文集[C];1997年

6 薛春玲;;地震数据的归一化处理[A];中国地球物理学会第二十三届年会论文集[C];2007年

7 刘振;张军华;徐辉;于海铖;;基于曲波变换的地震数据插值方法研究[A];中国地球物理2010——中国地球物理学会第二十六届年会、中国地震学会第十三次学术大会论文集[C];2010年

8 刘鹏;王彦飞;杨明名;杨长春;B.B.Sholpanbaev;Zh.O.Oralbekova;;地震数据的稀疏高斯束分解方法[A];中国科学院地质与地球物理研究所2013年度(第13届)学术论文汇编——兰州油气中心及离退休等部门[C];2014年

9 高建军;陈小宏;李景叶;;不规则地震数据的抗假频重建研究[A];中国地球物理·2009[C];2009年

10 马坚伟;唐刚;汤文;;基本曲波变换和压缩感知的不完备地震数据恢复[A];中国地球物理学会第二十七届年会论文集[C];2011年

相关重要报纸文章 前4条

1 ;曙光中标威海地震数据信息网络平台项目[N];人民邮电;2006年

2 周宏;东方公司地震数据系统榜上有名[N];地质勘查导报;2008年

3 王胜;地震数据高频恢复的新方法[N];中国矿业报;2005年

4 单超;4.2万亿次曙光超级计算机助力石油信息化[N];中国石化报;2004年

相关博士学位论文 前10条

1 于四伟;基于自适应稀疏反演的地震数据重构[D];哈尔滨工业大学;2017年

2 邹梦;基于张量理论的高维地震资料处理方法研究及应用[D];成都理工大学;2016年

3 刘海燕;地震数据梯度一致性与不同数学算法结合的断层检测技术[D];吉林大学;2016年

4 张雪冰;基于贪婪算法的地震数据稀疏时频分解方法研究[D];吉林大学;2016年

5 刘一;基于自适应滤波技术的地震数据有效信息恢复研究[D];吉林大学;2017年

6 王汉闯;地震数据高效采集方法理论研究[D];浙江大学;2015年

7 马灵;海上地震数据多缆采集与记录系统设计研究[D];中国科学技术大学;2012年

8 彭土有;基于QT-GPU的地震数据特殊处理解释一体化平台关键方法技术研究[D];成都理工大学;2011年

9 孙沛勇;基于波动理论的复杂地质构造地震数据成像[D];大连理工大学;2003年

10 武英杰;基于变分模态分解的风电机组传动系统故障诊断研究[D];华北电力大学(北京);2016年

相关硕士学位论文 前10条

1 梁东辉;基于傅里叶变换的地震数据规则化和插值[D];浙江大学;2015年

2 柳炳琦;基于FPGA的多路地震数据采集节点研究与设计[D];成都理工大学;2015年

3 李军红;地震数据频谱反演方法研究[D];中国海洋大学;2015年

4 钟明睿;倾斜电缆地震处理技术在南海某工区的应用[D];吉林大学;2016年

5 牟力;闽西南地震数据起伏地表成像[D];中国地质大学(北京);2016年

6 杨鹏;三维地震数据可视化技术研究与实现[D];电子科技大学;2016年

7 张洋;基于稀疏表示理论的地震数据去噪方法研究[D];合肥工业大学;2016年

8 刘瑶;地震数据高效存储技术研究[D];西南科技大学;2016年

9 李斯颖;基于空间分析方法对地震数据的研究[D];中国地震局工程力学研究所;2016年

10 李炳秀;非平稳地震数据局部属性表征与应用研究[D];吉林大学;2017年



本文编号:1827337

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/diqiudizhi/1827337.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户85d3e***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com