基于小波包分解的疊前道集優(yōu)化方法
【專利摘要】本發(fā)明提供一種基于小波包分解的疊前道集優(yōu)化方法，首先利用小波包將地震道集進行自適應分解，將分解系數劃分為信號低頻、中頻、高頻部分，對高頻信號進行噪聲檢測去除，對低頻和中頻信號分別進行同相軸拉平，最后對拉平后的低頻與中頻信號進行重構地震道集；本發(fā)明的方法將地震信號利用小波包作自適應分解，這種分解無冗余也無疏漏，在各個頻段同相軸特征不相同，在每個頻段做同相軸相似度計算更為準確；本發(fā)明的方法定義吸引度與歸屬度兩類消息進行道集間相似度傳播，自動選取參考道和類似道，無需人工干預，可靠性高；本發(fā)明的方法以時窗中心點的移動量作為種子點移動量，其他點移動量由種子點移動量插值得到，避免了波形失真。
【專利說明】基于小波包分解的疊前道集優(yōu)化方法
【技術領域】
[0001]本發(fā)明屬于地震道集領域，具體涉及一種地震道集拉平方法。
【背景技術】
[0002]頁巖氣儲層裂縫和脆性是影響頁巖氣產能的最重要的兩個因素，儲層發(fā)育有良好的天然裂縫及層理是實現(xiàn)增產改造的前提條件，脆性指數越高越易形成縫網，有利于增產改造。寬方位角疊前反演可以獲得所需的裂縫和脆性屬性，但寬方位角疊前反演需要的道集是拉平的，進行道集拉平是反演的前序工作，直接影響反演效果，因此道集拉平具有重要意義。
[0003]此外，拉平的道集能夠獲得好的成像結果，疊前所進行的振幅隨偏移距變化(AVO)研究也需要動校正(NMO)之后拉平道集。否則，截距屬性和梯度就會受到污染。
[0004]目前地震道集的拉平方法主要有:基于速度的拉平方法、基于統(tǒng)計的拉平方法、RSI公司AVATAR軟件模塊方法等。
[0005]基于速度的拉平方法:它假定原始疊前地震道中沒有拉平的地震波主要由于RMO(Residual ΝΜ0)引起，因此使用二階或者四階的RMS速度場的高精度速度估計能夠拉平地震波；
[0006]基于統(tǒng)計的拉平方法:假定在地震波射線路徑上的局部速度場的擾動導致了疊前地震道集的隨機起伏，因此不能使用全局的速度場來校正，將它們視作統(tǒng)計誤差。
[0007]以上兩種方法都需要對速度進行準確估計，難度較大，并且上述方法都是基于反射面的測量都是水平的，然而這種假設僅僅適用于合成道集不適用于疊前道集。
[0008]RSI公司AVATAR軟件模塊方法:首先建立L2范數的目標函數，目標函數主要由AVO I或者III類來表示，然后利用時間方向的滑動時窗產生每道的移動解，最后最小化目標函數，對應的解即為最優(yōu)解；
[0009]以上方法僅適用于AVO classl和AVO classIII異常,不適用于AVO classll相位異常，對于AVO classll異常這種方法是不穩(wěn)定的。基于目前的研究現(xiàn)狀本項提出了一種穩(wěn)定高效的疊前道集優(yōu)化方法。
[0010]Hinkley等人提出了動態(tài)道集的拉平算法(DGF)，其思路是通過最小化道集間誤差平方和。
[0011]該方法是一個最優(yōu)化處理過程，優(yōu)點是效率高，適合于處理道集已經基本拉平的數據，不適合運用到同相軸不明顯的數據中。
[0012]Gulunay等人提出了與動態(tài)拉平算法(DGF)類似的道集拉平算法，它是一種簡單的道集拉平，這種校正建立在點對點映射的基礎上，也就是每個輸出數據樣點是通過同一道上同樣時間上的輸入數據樣點決定。
[0013]該方法實現(xiàn)簡單但存在兩大缺點:①需要人工選擇某道為基準道，然而人工選擇基準道是不準確的。②每道只能得到一個整體移動量，整體移動道集后會造成某些同相軸拉平效果較好，某些同相軸反而更差，出現(xiàn)“顧此失彼”現(xiàn)象。
[0014]地震道集是通過人工激發(fā)地震波，在傳播過程中由于波形在地底傳播遇到不同介質分界面時發(fā)生反射和折射，通過地表的接收機接收返回波形信號形成地震道集，而同相軸是地震記錄上各道振動相位相同的極值(俗稱波峰或波谷)的連線。拉平的道集能夠獲得良好的成像效果，是疊前反演工作的前序工作，因此道集分析與優(yōu)化對于疊前地震數據處理有著非常重要的作用。
【發(fā)明內容】
[0015]為解決上述問題，本發(fā)明提出了基于小波包分解的疊前道集優(yōu)化方法，利用小波包對地震道集進行自適應分解，在不同頻段進行同相軸拉平后重構地震道集。
[0016]本發(fā)明的技術方案:基于小波包分解的疊前道集優(yōu)化方法，具體包括以下步驟:
[0017]S1:小波包自適應分解:對地震信號進行小波包分解，去除高頻噪聲后得到地震低頻信號和地震中頻信號；
[0018]S2:對步驟SI中得到的地震低頻信號，進行低頻剖面拉平，具體包括以下分步驟:
[0019]S21:計算小波系數的歐氏距離:
[0020]所述計算小波系數的歐氏距離包括:設疊前道集道數為N，初始化NXN大小的矩陣S,計算同一個時窗內i道與j道低頻小波系數的歐氏距離,設Trace1 (X1, x2, x3..xn)為i道數據的低頻小波系數，Trace2 (Yl, y2, y3..yn)為j道數據的低頻小波系數，二者歐式距離計算公式:
【權利要求】
1.基于小波包分解的疊前道集優(yōu)化方法，其特征在于，包括: S1:小波包自適應分解:對地震信號進行小波包分解，去除高頻噪聲后得到地震低頻信號和地震中頻信號； 52:對步驟SI中得到的地震低頻信號，進行低頻剖面拉平，具體包括以下分步驟: 521:計算小波系數的歐氏距離: 所述計算小波系數的歐氏距離包括:設疊前道集道數為N，初始化NXN大小的矩陣S，計算同一個時窗內i道與j道低頻小波系數的歐氏距離，設Trace1U1, x2, x3..xn)為i道數據的低頻小波系數，Trace2 (Yl, y2, y3..yn)為j道數據的低頻小波系數，二者歐式距離計算公式:
其中，xke {x1； X2, X3......xn}，yke (Y1, J2, y3......yn}，n 表示數據點，k e {1,2,3......η}； 522:記錄相似性最大的移動量: 所述記錄相似性最大的移動量包括:固定任意一道i的時窗，上下移動道j的時窗，每次移動一個數據點，移動一次記錄小波系數的歐式距離，直到找到歐氏距離最小的位置，記錄當前移動量，如果是上移，移動量取正，反之，取負； 523:鄰近道傳播迭代求取參考道和類似道，具體包括以下分步驟: 5231:定義吸引度矩陣R(i，k)和歸屬度矩陣A (i，k)，首先初始化為O矩陣，矩陣大小與矩陣S相同，為NXN的矩陣； 5232:更新信息 R(i，k)，A(i，k)和 A(k，k)； 5233:更新吸引度矩陣R(i，k)和歸屬度矩陣A(i，k)； 5234:確定道集i的類似道k ； 5235:確定參考道i與類似道k后,選擇C矩陣的第i行，C(i, i)作為當前時窗參考道i的移動量，C(i, j)作為當前時窗類似道的移動量，其余地震道根據參考道與類似道的移動量插值得到； 524:求每個點移動量:根據每個時窗中心點的移動量線性插值得到每個點的移動量，實施道集優(yōu)化； 53:對步驟SI中得到的中頻信號，進行中頻剖面拉平； S4:重構地震信號，根據拉平后的低頻和中頻小波包系數重構地震信號。
2.根據權利要求1基于小波包分解的疊前道集優(yōu)化方法，其特征在于，采用
更新 rq，k)。
3.根據權利要求2基于小波包分解的疊前道集優(yōu)化方法，其特征在于，采用
更新 Α(^，k)。
4.根據權利要求3基于小波包分解的疊前道集優(yōu)化方法，其特征在于，采用
更新 A(k，k)。
5.根據權利要求1基于小波包分解的疊前道集優(yōu)化方法，其特征在于，采用R(k，k)=P (k)-max {A (k, i ' )+S(k，i' )}更新吸引度矩陣R(i, k)和歸屬度矩陣A(i, k); 其中，P(k)取S矩陣的均值。
6.根據權利要求5基于小波包分解的疊前道集優(yōu)化方法，其特征在于，更新后的吸引度矩陣R(i，k)和歸屬度矩陣A(i，k)為:
其中，λ是收斂系數，Rnew(i,k)表示更新后的吸引度矩陣、AnOT(i，k)表示更新后的歸屬度矩陣，Rt5ld(Lk)表示更新前的吸引度矩陣，A-ak)表示更新前的歸屬度矩陣。
7.根據權利要求1基于小波包分解的疊前道集優(yōu)化方法，其特征在于，所述S234確定道集i的類似道k的公式為:
若i = k，則道集i是參考道集；若i古k，則道集k是道集i的類似道集。
【文檔編號】G01V1/30GK104181590SQ201410415741
【公開日】2014年12月3日 申請日期:2014年8月22日 優(yōu)先權日:2014年8月22日
【發(fā)明者】錢峰, 陳琳, 胡光岷 申請人:電子科技大學
專業(yè)數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
