-
公开(公告)号：CN112987099B
公开(公告)日：2022-10-11
申请号：CN202110418166.5
申请日：2021-04-19
Applicant: 吉林大学
Abstract: 本发明涉及一种基于多震源卷积神经网络的低频地震数据重构方法，包括地震数据预处理得到高质量的主动源地震数据及被动源地震数据；创建训练数据集：将处理后的被动源及主动源数据分别进行低通滤波并分块处理，分别作为样本合集输入数据及标签；建立神经网络模型：搭建基于多震源的卷积神经网络模型，用于主动源低频地震数据的重构；训练：将样本合集和标签合集输入到卷积神经网络模型中。本方法可在缺失主动源低频数据的条件下，利用被动源数据实现重构，其获取的主动源低频信息准确性较高降低了低频信息的采集成本，且在进行简单地去噪后，为接下来的地震反演过程提供高质量的地震数据，改善由于缺失低频信息导致的各种问题，有利于恢复出更多的细节信息。
-
公开(公告)号：CN111505714A
公开(公告)日：2020-08-07
申请号：CN202010298105.5
申请日：2020-04-16
Applicant: 吉林大学
IPC: G01V1/30
Abstract: 本发明涉及一种基于岩石物理约束的弹性波直接包络反演方法，是通过波场模式分解与弹性波直接包络反演获得强散射介质的纵波速度结构，并根据岩石物理关系计算介质的横波速度结构。首先，对弹性波波场进行波场模式分解获得纵波波场，通过正传纵波与伴随纵波波场的互相关获得纵波速度梯度；其次，根据岩石物理关系可计算得到横波速度的更新量，更新可得强散射介质的大尺度纵、横波速度结构；最后，将弹性波直接包络反演结果作为初始模型，进行弹性波全波形反演可得到强散射介质高精度纵、横波速度模型。提升了强散射介质纵、横波速度解耦效果，得到了高质量的纵波速度结构，通过在反演中施加岩石物理约束，得到了强散射介质的横波速度结构。
-
公开(公告)号：CN118259349A
公开(公告)日：2024-06-28
申请号：CN202410317750.5
申请日：2024-03-20
Applicant: 吉林大学
Abstract: 本发明涉及一种基于多维干涉重构虚拟观测波场的多尺度波形反演方法，可在震源与检波器存在深度差的海洋地震勘探观测系统下实现利用虚拟波形进行复杂介质速度建模；利用多维干涉检索虚拟响应，同时实现数据低频重构、表面多次波压制与子波消除，然后与自设子波褶积提取波形信息进行多尺度反演；全局互相关方法可以降低虚拟波形振幅误差对反演结果的影响；采用动态编码方式构建混合虚拟源，降低计算成本并压制混合源引入的串扰噪声。反演梯度由混合源正传波场与虚拟波形反演对应的伴随源反传波场的零延时互相关得到。本方法可以在原始数据低频微弱、含表面多次波与子波未知的情况下，利用虚拟波形数据进行稳健的多尺度地下速度反演。
-
公开(公告)号：CN117169956A
公开(公告)日：2023-12-05
申请号：CN202311128908.6
申请日：2023-09-04
Applicant: 吉林大学
IPC: G01V1/28
Abstract: 本发明适用于地震勘探技术领域，提供了一种基于MDUNETR的短时被动源地震数据直接重构方法，包括如下步骤：步骤一、被动源地震数据模拟；步骤二、制作训练数据集；步骤三、构建MDUNETR网络模型；步骤四、模型训练。本发明中的一种基于MDUNETR的短时被动源地震数据直接重构方法，基于深度学习技术，仅需短时段的被动源地震记录即可获得重构结果，说明本模型在捕获地震数据的复杂时空模式和生成准确预测方面具有重要意义，且能够减少前期假设对重构结果的影响，提高数据利用效率，并且提高时间效率，实现数据的快速实时处理。
-
公开(公告)号：CN118169753A
公开(公告)日：2024-06-11
申请号：CN202410302078.2
申请日：2024-03-18
Applicant: 吉林大学
Abstract: 本发明适用于地震勘探技术领域，提供了基于Butterworth加权的主被动源并联全波形反演方法，本发明联合地震干涉法与Butterworth函数，可以高效的进行速度建模；使用较少的计算成本实现主被动源联合速度建模。通过多维反褶积地震干涉法能够在被动源分布不均匀的情况下检索高质量虚拟源数据，最大值归一化能够保证虚拟源观测数据与合成数据保持振幅同级，减小振幅误差对结果产生的影响；构建合适阶数的Butterworth加权系数赋予主被动源地震数据，通过并联反演方式获得可靠的地下介质速度信息。本发明可以在同时存在主动源缺失低频且未知被动虚拟源子波的情况下进行高效稳健的反演。
-
Patent Agency Ranking
公开(公告)号：CN116819606A
公开(公告)日：2023-09-29
申请号：CN202310444871.1
申请日：2023-04-24
Applicant: 吉林大学
Abstract: 本发明涉及一种基于包络反演的背景噪声地震数据的速度建模方法，联合了地震干涉法、局部互相关运算和包络算子的优势，可实现利用背景噪声地震数据进行地下介质速度建模；利用地震干涉法可避免对原始背景噪声震源信息的估计，重构出类似于主动源地震记录的虚拟炮记录；局部互相关运算可以避免虚拟炮记录局部振幅误差对反演结果的影响；采用包络算子可在原始信号缺失有效低频信息或低频段信噪比的情况下进行稳健的速度反演。本方法的另一个核心步骤为反演梯度计算，即采用震源正传波场与伴随源反传波场的零延迟互相关计算反演梯度。本方法可在同时存在数据有效低频信息不可用问题和虚拟炮局部振幅误差问题的情况下进行稳健的反演。
-
公开(公告)号：CN116359982A
公开(公告)日：2023-06-30
申请号：CN202310279895.6
申请日：2023-03-22
Applicant: 吉林大学
Abstract: 本发明涉及一种基于卷积神经网络的少量震源虚拟炮信号增强方法，利用卷积神经网络对地震数据中的相干噪声及虚假同相轴进行识别和压制。将地下被动源震源数量较少虚拟炮记录作为训练数据，并将震源数量较多的虚拟炮记录作为训练标签，从标签中学习有效信号的特征，以此来压制相干噪声和虚假同相轴，并在波形不够连续的部位进行波形恢复。对于震源分布不够均匀的虚拟炮记录，采用震源分布较广泛的虚拟炮记录作为标签，此时网络的任务不仅要压制相干噪声、虚假同相轴，恢复波形的连续性和延展性，还要将直线相交型的同相轴恢复成双曲线型的同相轴。在进行被动源采集时，可降低其对地震记录的影响，最终获得较好的效果，提高被动源地震勘探的适用性。
-
公开(公告)号：CN118226516A
公开(公告)日：2024-06-21
申请号：CN202410318552.0
申请日：2024-03-20
Applicant: 吉林大学
IPC: G01V1/28 , G01V1/30 , G06T3/4046 , G06T3/4053
Abstract: 本发明一种基于深度学习的地震成像方法，包括模型选择，数据集收集，使用有限差分法对时域内的二维声波方程进行求解，模拟波场并获取地震记录作为网络输入；计算相邻两层介质之间的波速差异，并据此计算反射率系数，得到反射率模型，用作标签数据；建立耦合Transformer和卷积神经网络的深度神经网络，并采用ASFF法进行多级特征的融合；选择MSE作为损失函数，R‑squared作为评估指标，进行神经网络训练，实现从地震记录到反射率模型的直接映射。本方法简化了地震成像过程，提高了地下结构成像的精度和可靠性，加速地震成像计算过程，提高了成像速度和效率，实验结果表明，在推断地下结构方面具有显著的准确性和可靠性。
-
公开(公告)号：CN112987099A
公开(公告)日：2021-06-18
申请号：CN202110418166.5
申请日：2021-04-19
Applicant: 吉林大学
Abstract: 本发明涉及一种基于多震源卷积神经网络的低频地震数据重构方法，包括地震数据预处理得到高质量的主动源地震数据；创建训练数据集：将处理后的被动源及主动源数据进行低通滤波并分块处理，分别作为输入数据及标签；建立神经网络模型：搭建基于多震源的卷积神经网络模型，用于主动源低频地震数据的重构；训练：将处理后的数据及标签输入到卷积神经网络模型中。本方法可在缺失主动源低频数据的条件下，利用被动源数据实现重构，其获取的低频信息准确性较高，对仪器的要求不高，降低了低频信息的采集成本，且在进行简单地去噪后，为接下来的地震反演过程提供高质量的地震数据，改善由于缺失低频信息导致的各种问题，有利于恢复出更多的细节信息。
-
公开(公告)号：CN116819611A
公开(公告)日：2023-09-29
申请号：CN202310738689.7
申请日：2023-06-21
Applicant: 吉林大学 , 中国地质科学院地质研究所
Abstract: 本发明涉及一种基于互相关波形反演的地震数据震源子波估计方法，该方法在近道直达波全波形反演框架下，通过采用归一化互相关目标函数，实现高质量的震源子波估计。在全波形反演框架下开展技术，充分考虑了波场的运动学和动力学特征，保证了反演结果的精度与分辨率；利用近道直达波信息，降低了反演的非线性，且保证了反演算法的计算效率；采用互相关目标函数波形反演方法，有效避免了地震数据振幅误差对震源子波估计的影响。本发明方法可以在地震数据振幅存在明显误差情况下，利用直达波互相关全波形反演对震源子波进行高效高精度估计。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.014 seconds)
