-
公开(公告)号：CN107526105A
公开(公告)日：2017-12-29
申请号：CN201710676672.8
申请日：2017-08-09
IPC: G01V1/30
CPC classification number: G01V1/303 , G01V1/301 , G01V2210/6222 , G01V2210/66 , G01V2210/673
Abstract: 本发明公开了一种波场模拟交错网格有限差分方法，该方法适用于任何介质的波动方程的波场模拟。本发明针对高阶交错网格有限差分方法中因差分系数求解产生的不稳定现象，给出基于范德蒙矩阵的算法求解差分系数有效克服了这一问题。该方法可提供精确稳定的波场模拟结果；该技术方案易于实现、适用性广泛。
-
公开(公告)号：CN107450102A
公开(公告)日：2017-12-08
申请号：CN201710633546.4
申请日：2017-07-28
IPC: G01V1/30
CPC classification number: G01V1/306 , G01V2210/6222 , G01V2210/667
Abstract: 本发明公开了一种基于分辨率可控包络生成算子的多尺度全波形反演方法：首先，建立分辨率可控包络生成算子，通过调整参数控制反演使用地震数据的频带范围；其次，基于分辨率可控包络生成算子构建全波形反演方法，推导目标函数对模型参数的梯度以及迭代步长的计算公式；最后，使用最速下降法对模型参数进行迭代更新，直到满足算法结束条件为止。本发明具有更强的克服跳周问题的能力，更适用于岩性油气藏速度模型建模。特别是当地震数据中低频信息缺乏或主频过高时，优势更为明显。本发明无论地震数据中是否具有充足的低频信息，经过分辨率可控包络生成算子作用后的地震数据具有充足的低频信息；本发明的参数可调，可以实现多尺度反演。
-
公开(公告)号：CN107390270A
公开(公告)日：2017-11-24
申请号：CN201710571614.9
申请日：2017-07-13
Applicant: 西安交通大学
IPC: G01V1/30
CPC classification number: G01V1/306 , G01V1/301 , G01V2210/48 , G01V2210/624
Abstract: 本发明公开了一种基于弹性波逆时偏移ADCIGs的AVA分析方法。首先，利用弹性波方程对波场进行延拓，充分考虑波场的矢量特征以及转换波信息；然后，从逆时偏移中提取角道集；再后，基于生成的角道集进行AVA分析，实现烃类异常检测。与传统的基于Kirchhoff或单程波偏移方法得到的偏移距道集相比，本发明生成的角道集没有任何运动学和动力学假象，受多路径干扰小，信噪比高，可真实反映地下介质的AVA属性，显著优于传统的偏移距道集，可为AVA分析及叠前弹性参数反演提供必要的高质量、高保真度叠前角度域数据体，有助于提高含油气性检测、储层刻画和流体识别的准确度和精度。
-
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
Applicant: 西安交通大学
Abstract: 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
Applicant: 西安交通大学
Abstract: 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。
-
Patent Agency Ranking
公开(公告)号：CN102353991B
公开(公告)日：2013-07-31
申请号：CN201110154420.1
申请日：2011-06-09
IPC: G01V1/30
Abstract: 本发明涉及一种基于匹配地震子波的物理小波的地震瞬时频率分析方法，包括如下步骤：1)获取二维或三维的经偏移或叠加处理后的地震资料；2)根据研究对象对所获取的地震资料进行空间分区，区域里获得测井资料或零偏VSP资料、井旁地震记录、储层的地质构造及其它先验信息；3)通过测井资料或零偏VSP资料，以及井旁地震记录反演地震子波，确定匹配该子波的母物理小波；4)在物理小波域计算地震信号对应的解析信号；5)根据得到的解析信号，基于极平坦滤波器计算瞬时频率；6)根据得到的瞬时频率，进行最佳分辨率瞬时频率分析。本发明具有多分辨率特性，适用于低信噪比资料，对宽频带地震资料可得到高精度瞬时频率。
-
公开(公告)号：CN107390270B
公开(公告)日：2019-02-05
申请号：CN201710571614.9
申请日：2017-07-13
Applicant: 西安交通大学
IPC: G01V1/30
Abstract: 本发明公开了一种基于弹性波逆时偏移ADCIGs的AVA分析方法。首先，利用弹性波方程对波场进行延拓，充分考虑波场的矢量特征以及转换波信息；然后，从逆时偏移中提取角道集；再后，基于生成的角道集进行AVA分析，实现烃类异常检测。与传统的基于Kirchhoff或单程波偏移方法得到的偏移距道集相比，本发明生成的角道集没有任何运动学和动力学假象，受多路径干扰小，信噪比高，可真实反映地下介质的AVA属性，显著优于传统的偏移距道集，可为AVA分析及叠前弹性参数反演提供必要的高质量、高保真度叠前角度域数据体，有助于提高含油气性检测、储层刻画和流体识别的准确度和精度。
-
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
Applicant: 西安交通大学
Abstract: 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
Applicant: 西安交通大学
Abstract: 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：CN102353991A
公开(公告)日：2012-02-15
申请号：CN201110154420.1
申请日：2011-06-09
IPC: G01V1/30
Abstract: 本发明涉及一种基于匹配地震子波的物理小波的地震瞬时频率分析方法，包括如下步骤：1)获取二维或三维的经偏移或叠加处理后的地震资料；2)根据研究对象对所获取的地震资料进行空间分区，区域里获得测井资料或零偏VSP资料、井旁地震记录、储层的地质构造及其它先验信息；3)通过测井资料或零偏VSP资料，以及井旁地震记录反演地震子波，确定匹配该子波的母物理小波；4)在物理小波域计算地震信号对应的解析信号；5)根据得到的解析信号，基于极平坦滤波器计算瞬时频率；6)根据得到的瞬时频率，进行最佳分辨率瞬时频率分析。本发明具有多分辨率特性，适用于低信噪比资料，对宽频带地震资料可得到高精度瞬时频率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
