地震数据剩余静校正与人工智能去噪研究

发布时间：2022-12-25 18:06

　　在地震勘探领域中,复杂的近地表结构给地震数据处理、地下结构反演等带来了很大挑战。近地表一般有一层覆盖在折射层上的低速风化层,在地质结构复杂的地区可能存在剧烈的横向变化。同时,实际生产中获取的观测数据通常信噪比比较低,有很强的随机噪音和各种相干噪音,还存在坏道和缺失数据问题。这些都对我们的后续数据处理工作带来很大困难。如果不能消除近地表构造和噪音的影响,我们将不能得到质量和保真度高的数据,既而影响后续的速度分析、叠加和偏移等的结果,最终给地质解释人员的工作带来误导和困难。剩余静校正能够消除近地表小构造的速度异常等因素对于反射波到时的影响,提高叠加剖面的质量。传统的剩余静校正方法通常基于反射波,但是在低信噪比的实际数据中,反射波剩余静校正往往无法得出稳定准确的结果。在风化层中,折射波与反射波路径基本相同,剩余静校正值对二者到时的影响也基本一致,因此可以采用折射波走时计算剩余静校正值,提高反射波叠加剖面的质量。我们利用折射波干涉的方法,通过叠加构建高信噪比的虚拟折射波记录。通过拾取虚拟纪录的能量最大值,获取比较准确的相邻道折射波到时差,然后利用折射波正反传路径构建线性方程组求解剩余静校正值。... 

【文章页数】：112 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究内容和研究现状
        1.1.1 勘探地震数据处理
        1.1.2 剩余静校正
        1.1.3 随机噪音
        1.1.4 坏道重建与插值
    1.2 本文的研究目的和研究方向
第2章 应用折射波干涉法求解近地表剩余静校正
    2.1 折射波传播基本理论
    2.2 观测系统
    2.3 折射波干涉法
        2.3.1 理论基础
        2.3.2 三维折射波干涉法
        2.3.3 正反传计算剩余静校正
    2.4 三维合成数据与实际数据测试
        2.4.1 合成数据测试
        2.4.2 实际数据测试
    2.5 本章小结
第3章 基于卷积神经网络的地震数据去噪
    3.1 卷积神经网络的发展与应用
    3.2 卷积神经网络的基本结构和理论
        3.2.1 神经元结构
        3.2.2 卷积神经网络结构
        3.2.3 激活函数
        3.2.4 损失函数(目标函数)
        3.2.5 前向和反向传播
        3.2.6 神经网络的最优化方法
        3.2.7 残差学习
        3.2.8 批标准化
        3.2.9 空洞卷积
    3.3 网络结构与模型参数、样本的选取
    3.4 合成数据测试
    3.5 实际数据测试
    3.6 本章小结
第4章 深度卷积神经网络去噪模型探究
    4.1 基础神经网络结构
        4.1.1 全卷积去噪网络(DnCnn)
        4.1.2 空洞卷积网络(Dilate-DnCnn)
        4.1.3 深度残差神经网络(ResNet)
        4.1.4 编码-解码网络(Encoder-Decoder net)
    4.2 新型神经网络结构
        4.2.1 双残差网络(Res-new net)
        4.2.2 空洞卷积编解码网络(Dilate-condecon net)
        4.2.3 空洞卷积残差连接网络(Dilate-res-condecon net)
    4.3 合成数据去噪模型对比
    4.4 本章小结
第5章 基于深度学习对地震数据同时去噪和插值
    5.1 插值算法的研究现状
    5.2 基于去噪模型的地震数据插值去噪算法
    5.3 合成数据与实际数据测试
    5.4 本章小结
第6章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
在读期间发表的学术论文与取得的其他研究成果



本文编号：3727099