基于稀疏约束和多源激发的地震数据高效采集方法

地震勘探目标日趋复杂化和精细化,"两宽一高"等采集技术获得了广泛应用,从而导致当前地震数据采集周期越来越长、成本越来越高,如何解决日益增长的勘探成本问题成为当前地震采集领域的研究热点之一.针对上述问题,本文首先开展了基于稀疏性的地震数据高效采集方法理论研究,对地震数据稀疏性基本理论、稀疏约束下随机采样及其数据重建方法进行了深入探讨,提出使用改进的分段随机采样方法灵活地进行实际地震采集测网设计;详细阐述了多源地震激发方法,对多源地震数据分离方法开展了深入研究,提出了基于小窗口中值滤波与稀疏约束联合随机去噪的多源数据分离方法,并在数据分离处理中取得了较好的效果;将上述两种地震数据采集方案有机结合,提出了1)规则多源、随机检波点(DmsRg)、2)随机多源、规则检波点(RmsDg)和3)随机多源、随机检波点(RmsRg)等三种高效采集方案及相应的数据重建方案,满足了后续常规化数据处理的要求,并讨论了多源激发对数据成像的影响.基于Marmousi模型数据的数值试验表明,本文构建的基于稀疏约束和多源激发的高效采集方法理论对于提高地震数据采集效率、降低勘探成本具有重要的应用价值,建立的数据重建方法流程可以取得和常规数据接近的成像结果.本文方法虽然在数值试验中取得了较为理想的效果,但还需要得到野外实际数据采集的进一步检验.     

一种基于压缩感知的地震数据重建方法及其在城市活断层地震勘探中的应用

在城市地区采用地震勘探方法时,由于地表障碍物、地形等因素的影响,地震检波器不能按照观测系统设计规则布设,采集的地震数据存在道缺失,常规的浅层地震数据处理方法由于没有采用数据重建方法,因此会影响地震数据处理和解释的效果.压缩感知技术被引入到地震勘探中已经有十余年,但都是在石油地震勘探中应用,其原因是石油地震勘探数据量大,信噪比高.由于浅层地震勘探的覆盖次数小,信噪比低,在浅层地震勘探中应用压缩感知技术存在一定的挑战,能否应用压缩感知技术于城市浅层地震勘探尚未可知.本文对压缩感知理论在浅层地震勘探中的应用进行探索,将模拟的压缩感知采集的数据进行重建;以曲波变换为稀疏变换,通过构造0-范数的一种逼近函数建立稀疏反演模型,并提出了一种快速的求解方法.模拟数据实验表明,本文方法能够很好的对缺失地震数据进行重建.对某地区地震活断层勘探的实际地震数据进行了模拟的压缩感知采样和数据重建,并对原始数据、压缩感知采集数据和重建数据分别进行了相同的地震数据处理,偏移成像结果验证了基于压缩感知的重建方法能够获得和常规采集数据相当的处理结果.本文验证了基于压缩感知的地震数据重建技术在浅层地震勘探中的可行性,为后续的研究打下了良好的基础.     

稀疏采样下陡角度构造的波动方程深度偏移成像

针对稀疏采样，特别是crossline方向稀疏采样的三维地震数据，提出了一个基于波动方程方法的陡角度构造深度偏移成像方法.文中针对一类混合域（空间和波数）的波动方程偏移方法展开研究.通过建立反假频的单程波算子和通过（形式上）填充空道重建理想采样的地震数据，有效地实现了陡倾角地层的准确成像.这一算法策略解决了波动方程偏移方法在实际应用中的一个关键问题，从而更好地发挥了波动方程偏移方法在复杂构造成像上的优势.二维理论数据（Marmousi模型）和三维实际地震资料成像结果表明本文方法是有效的.这一方法对现行的三维地震数据处理有重要的现实意义.     

基于Seislet变换的稀疏约束多震源最小二乘逆时偏移

多震源地震采集技术允许一次性激发不同位置处的震源,得到来自多个震源的混合地震数据,该技术采集效率高,能有效降低采集成本.多震源地震数据成像效率高,但在偏移剖面中会引入串扰噪声,影响成像精度.最小二乘偏移常被用于压制多震源地震数据成像中的串扰噪声,但常规的最小二乘偏移并不能很好的消除串扰噪声对成像结果的影响,难以满足成像精度的要求.因此,为了保证反演的稳定性并改善反演结果,根据反射系数在Seislet域的稀疏性,本文引入了Seislet变换作为变换域稀疏约束的变换算子,实现了基于Seislet变换的稀疏约束多震源最小二乘逆时偏移,数值实验表明该方法能有效压制串扰噪声.     

基于稀疏反演三维表面多次波压制方法

三维表面多次波压制是海洋地震资料预处理中的重要研究课题,基于波动理论的三维表面多次波压制方法(3DSRME)是数据驱动的方法,理论上来说,可有效压制复杂构造地震数据表面多次波.但该方法因对原始地震数据采集要求高而很难在实际资料处理中广泛应用.本文基于贡献道集的概念,将稀疏反演方法引入到表面多次波压制中,应用稀疏反演代替横测线积分求和,无需对横测线进行大规模重建,进而完成三维表面多次波预测,这样可有效解决实际三维地震数据横测线方向稀疏的问题.基于纵测线多次波积分道集为抛物线的假设,为保证预测后三维表面多次波和全三维数据预测的多次波在运动学和动力学特征上基本一致,文中对预测数据实施基于稳相原理的相位校正.理论模型和实际数据的测试结果表明,本文基于稀疏反演三维表面多次波压制方法可在横测线稀疏的情况下,有效压制三维复杂介质地震资料中的表面多次波,从而更好地提高海洋地震资料的信噪比,为高分辨率地震成像提供可靠的预处理数据保障.     

基于Shearlet变换和广义全变分正则化的地震数据重建

压缩感知技术通常利用地震信号在某一变换域内的稀疏性质,将随机缺失的地震数据重建问题转化为L1正则化问题.本文首先通过Shearlet变换获得地震信号的稀疏性质,再将广义全变分（TGV）约束引入L1正则化模型,构建了基于Shearlet变换的双正则化模型用于重建地下介质的图像.与传统L1正则化方法相比,基于Shearlet变换的双正则化方法不仅考虑了信号的稀疏性,同时兼顾了地下介质结构的复杂性,可以较好的重建地下结构体的图像.最后采用交替方向乘子法（ADMM）求解所建模型,每个子问题均可得到显式解.数值实验对比了基于小波变换、Shearlet变换的L1正则化方法和TGV正则化方法,结果表明基于Shearlet变换的双正则化方法对于随机采样50%数据的情况具有较好的重建结果,同时对于有限范围的连续缺失数据的重建亦具有一定的有效性.     

基于Bregman迭代的不同阈值模型地震数据重构方法分析

传统的地震数据采样必须严格遵循Nyquist采样定理,而野外实际数据的采集可能由于施工条件或者地表障碍物的限制,不一定能记录到完整的地震波场,所以地震资料处理中的数据重建是非常重要的问题.压缩感知理论最先来自信号处理领域,它所包括的问题类型有信号的稀疏表征和数学组合优化,它给地震数据重建这类问题指明了思考方向.而其中如何选择最优的迭代算法是数据重建中的关键问题.本文将地震数据插值问题归纳到约束最优化问题,选择能有效稀疏表征地震波场的傅里叶变换,对于压缩感知理论框架下的混合范数反问题,再用Bregman迭代方法去求解,在地震数据的重建过程中,传统的阈值参数收敛慢,为了降低迭代次数并且提高地震数据恢复的精度,总结出改进型指数衰减规律的阈值参数,选择用硬阈值算子来重建恢复地震数据．通过对理论模型和实际地震资料的处理结果表明该方法可以快速、有效的恢复地震波场的缺失数据．     

基于Shearlet变换和广义全变分正则化的地震数据重建

压缩感知技术通常利用地震信号在某一变换域内的稀疏性质,将随机缺失的地震数据重建问题转化为L1正则化问题.本文首先通过Shearlet变换获得地震信号的稀疏性质,再将广义全变分(TGV)约束引入L1正则化模型,构建了基于Shearlet变换的双正则化模型用于重建地下介质的图像.与传统L1正则化方法相比,基于Shearlet变换的双正则化方法不仅考虑了信号的稀疏性,同时兼顾了地下介质结构的复杂性,可以较好的重建地下结构体的图像.最后采用交替方向乘子法(ADMM)求解所建模型,每个子问题均可得到显式解.数值实验对比了基于小波变换、Shearlet变换的L1正则化方法和TGV正则化方法,结果表明基于Shearlet变换的双正则化方法对于随机采样50%数据的情况具有较好的重建结果,同时对于有限范围的连续缺失数据的重建亦具有一定的有效性.     

基于L1-L1范数稀疏表示的共偏移距道集地震数据重建方法

传统地震数据稀疏重建方法面临着:(1)叠前共炮点道集或CMP道集反射波为双曲线型同相轴,地震数据重建会损害有效波;(2)地震信号存在噪声和畸变,要求重建方法具有较好的噪声鲁棒性.针对这两个问题,提出一种基于L_1-L_1范数稀疏表示的共偏移距道集地震数据重建方法.该方法利用了共偏移距道集中地震波为水平同相轴,无道间时差,满足空间重建要求,和L_1-L_1范数稀疏表示具有较好的噪声鲁棒性.首先抽取共偏移距道集地震数据,并根据地震采集信息构造复合采样矩阵,然后采用L_1-L_1范数稀疏表示对数据稀疏重建后,再将数据反变换回共炮点道集或CMP道集,能够同时实现地震信号稀疏重建和随机噪声压制.理论模型和实际数据试算结果验证所提方法具有较好重建精度和噪声鲁棒性.     

基于非均匀曲波变换的高精度地震数据重建

在野外数据采集过程中,空间非均匀采样下的地震道缺失现象经常出现,为了不影响后续资料处理,必须进行高精度数据重建.然而大多数常规方法只能对空间均匀采样下的地震缺失道进行重建,而对于非均匀采样的地震数据则无能为力.为此本文在以往多尺度多方向二维曲波变换的基础上,首先引入非均匀快速傅里叶变换,建立均匀曲波系数与空间非均匀采样下地震缺失道数据之间的规则化反演算子,在L1最小范数约束下,使用线性Bregman方法进行反演计算得到均匀曲波系数,最后再进行均匀快速离散曲波反变换,从而形成基于非均匀曲波变换的高精度地震数据重建方法.该方法不仅可以重建非均匀带假频的缺失数据,而且具有较强的抗噪声能力,同时也可以将非均匀网格数据归为到任意指定的均匀采样网格.理论与实际数据的处理表明了该方法重建效果远优于非均匀傅里叶变换方法,可以有效地指导复杂地区数据采集设计及重建.     

基于jitter采样和曲波变换的三维地震数据重建

传统的地震勘探数据采样必须遵循奈奎斯特采样定理,而野外数据采样可能由于地震道缺失或者勘探成本限制,不一定满足采样定理要求,因此存在数据重建问题.本文基于压缩感知理论,利用随机欠采样方法将传统规则欠采样所带来的互相干假频转化成较低幅度的不相干噪声,从而将数据重建问题转为更简单的去噪问题.在数据重建过程中引入凸集投影算法(POCS),提出采用e^-√x(0≤x≤1)衰减规律的阈值参数,构建基于曲波变换三维地震数据重建技术.同时针对随机采样的不足,引入jitter采样方式,在保持随机采样优点的同时控制采样间隔.数值试验表明,基于曲波变换的重建效果优于傅里叶变换,jitter欠采样的重建效果优于随机欠采样,最后将该技术应用于实际地震勘探资料,获得较好的应用效果.     

2D地震数据规则化中随机稀疏采样方案

地震数据规则化是地震信号处理中一个重要步骤,近年来受到广泛关注的压缩感知技术已经被应用到地震数据规则化中。压缩感知技术突破了传统的Shannon-Nyqiust采样定理的限制,可以用采集的少量地震数据重构完整数据。基于压缩感知技术的地震数据规则化质量主要受三个因素影响,除了受地震信号在不同变换域的稀疏表达和11范数重构算法的影响外,极大地取决于地震道随机稀疏采样方式。尽管已有学者开展了2D地震数据离散均匀分布随机采样方式研究,但设计新的稀疏采样方案仍然很有必要。在本文中,我们提出满足Bernoulli分布规律的Bernoulli随机稀疏采样方式和它的抖动形式。对2D数值模拟数据进行四种随机稀疏采样方案和两种变换（Fourier变换和Curvelet变换）实验,对获取的不完整数据应用11范数谱投影梯度算法（SPGL1）进行重构。考虑到不同随机种子点产生不同约束矩阵R会有不同的规则化质量,对每种方案和每个稀疏采样因子进行10次规则化实验,并计算出相应信噪比（SNR）的平均值和标准偏差。实验结果表明,我们提出的新方案好于或等于已有的离散均匀分布采样方案。     

强环噪地区可控震源高效混叠采集应用效果

随着高密度以及深层地震勘探的发展和普及,采集数据量随之急剧增加,常规采集方法已经不能有效地适应这些大数据量的勘探项目需求,高效地震采集方法成为必然.近几年来,混叠采集是较新发展的一种高效采集方法.本文在调研目前常用的混合源和同时源方法的基础上,总结提出了混叠采集的新概念.根据概念建立起理论正演模型进行模拟,模拟混叠采集方法与常规采集方法的区别、不同参数对混叠效果的影响等,得出相关的结论.在华北东部廊固凹陷进行了验证性试验.廊固凹陷地处华北平原,交通发达,村庄密集,存在较大的空炮率和超强的环境噪声,对资料品质有较大的影响,野外试验与模拟试验结果大致相同,也有一定的差异.与以往规则型的混叠方式不同,本研究在试验中创新性引入了任意随机与不同激发信号的混叠方式方法,取得了一些新的认识.研究结果表明:混叠采集方法能显著地提高生产效率;混叠带来的噪声可以通过不同域来去除;混叠采集需要一定的合适的空间间隔;混叠采集数据品质略差于常规方法,但可以通过提高采集密度和生产效率来弥补;混叠参数选取要考虑平衡施工效率、噪声水平和资料品质.     

Separation method for multi-source blended seismic data

Multi-source seismic technology is an efficient seismic acquisition method that requires a group of blended seismic data to be separated into single-source seismic data for subsequent processing. The separation of blended seismic data is a linear inverse problem. According to the relationship between the shooting number and the simultaneous source number of the acquisition system, this separation of blended seismic data is divided into an easily determined or overdetermined linear inverse problem and an underdetermined linear inverse problem that is difficult to solve. For the latter, this paper presents an optimization method that imposes the sparsity constraint on wavefields to construct the object function of inversion, and the problem is solved by using the iterative thresholding method. For the most extremely underdetermined separation problem with single-shooting and multiple sources, this paper presents a method of pseudo-deblending with random noise filtering. In this method, approximate common shot gathers are received through the pseudo-deblending process, and the random noises that appear when the approximate common shot gathers are sorted into common receiver gathers are eliminated through filtering methods. The separation methods proposed in this paper are applied to three types of numerical simulation data, including pure data without noise, data with random noise, and data with linear regular noise to obtain satisfactory results. The noise suppression effects of these methods are sufficient, particularly with single-shooting blended seismic data, which verifies the effectiveness of the proposed methods.     

Seismic data reconstruction based on CS and Fourier theory

Traditional seismic data sampling follows the Nyquist sampling theorem. In this paper, we introduce the theory of compressive sensing (CS), breaking through the limitations of the traditional Nyquist sampling theorem, rendering the coherent aliases of regular undersampling into harmless incoherent random noise using random undersampling, and effectively turning the reconstruction problem into a much simpler denoising problem. We introduce the projections onto convex sets (POCS) algorithm in the data reconstruction process, apply the exponential decay threshold parameter in the iterations, and modify the traditional reconstruction process that performs forward and reverse transforms in the time and space domain. We propose a new method that uses forward and reverse transforms in the space domain. The proposed method uses less computer memory and improves computational speed. We also analyze the antinoise and anti-aliasing ability of the proposed method, and compare the 2D and 3D data reconstruction. Theoretical models and real data show that the proposed method is effective and of practical importance, as it can reconstruct missing traces and reduce the exploration cost of complex data acquisition.     

A fast joint seismic data reconstruction by sparsity‐promoting inversion

Seismic field data are often irregularly or coarsely sampled in space due to acquisition limits. However, complete and regular data need to be acquired in most conventional seismic processing and imaging algorithms. We have developed a fast joint curvelet‐domain seismic data reconstruction method by sparsity‐promoting inversion based on compressive sensing. We have made an attempt to seek a sparse representation of incomplete seismic data by curvelet coefficients and solve sparsity‐promoting problems through an iterative thresholding process to reconstruct the missing data. In conventional iterative thresholding algorithms, the updated reconstruction result of each iteration is obtained by adding the gradient to the previous result and thresholding it. The algorithm is stable and accurate but always requires sufficient iterations. The linearised Bregman method can accelerate the convergence by replacing the previous result with that before thresholding, thus promoting the effective coefficients added to the result. The method is faster than conventional one, but it can cause artefacts near the missing traces while reconstructing small‐amplitude coefficients because some coefficients in the unthresholded results wrongly represent the residual of the data. The key process in the joint curvelet‐domain reconstruction method is that we use both the previous results of the conventional method and the linearised Bregman method to stabilise the reconstruction quality and accelerate the recovery for a while. The acceleration rate is controlled through weighting to adjust the contribution of the acceleration term and the stable term. A fierce acceleration could be performed for the recovery of comparatively small gaps, whereas a mild acceleration is more appropriate when the incomplete data has a large gap of high‐amplitude events. Finally, we carry out a fast and stable recovery using the trade‐off algorithm. Synthetic and field data tests verified that the joint curvelet‐domain reconstruction method can effectively and quickly reconstruct seismic data with missing traces.     

Application of randomized sampling schemes to curvelet‐based sparsity‐promoting seismic data recovery

Reconstruction of seismic data is routinely used to improve the quality and resolution of seismic data from incomplete acquired seismic recordings. Curvelet‐based Recovery by Sparsity‐promoting Inversion, adapted from the recently‐developed theory of compressive sensing, is one such kind of reconstruction, especially good for recovery of undersampled seismic data. Like traditional Fourier‐based methods, it performs best when used in conjunction with randomized subsampling, which converts aliases from the usual regular periodic subsampling into easy‐to‐eliminate noise. By virtue of its ability to control gap size, along with the random and irregular nature of its sampling pattern, jittered (sub)sampling is one proven method that has been used successfully for the determination of geophone positions along a seismic line. In this paper, we extend jittered sampling to two‐dimensional acquisition design, a more difficult problem, with both underlying Cartesian and hexagonal grids. We also study what we term separable and non‐separable two‐dimensional jittered samplings. We find hexagonal jittered sampling performs better than Cartesian jittered sampling, while fully non‐separable jittered sampling performs better than separable jittered sampling. Two other 2D randomized sampling methods, Poisson Disk sampling and Farthest Point sampling, both known to possess blue‐noise spectra, are also shown to perform well.     

基于WSN的分布式节点地震仪分层通信网络

针对深部探测对节点地震仪器提出的质量监控和数据现场回收要求,本文设计了基于WSN的三维地震勘探分层通信网络.分层网络由骨干网和多跳网两个网络层构成:骨干网使用LTE技术与监控中心进行数据交换,并实现了链路带宽的合理分配与大范围的信号覆盖;多跳网结合地震勘探的特点,使用私有路由协议和数据传输协议完成了仪器的组网与数据的接力式传输.测试结果验证了组网协议的设计正确性与数据传输的稳定性,且网络总体性能满足实际应用的需求.数据多跳传输实现了无线局域网技术的远程访问,从而提高了勘探作业效率.     

基于压缩感知的加权MCA地震数据重构方法

地震数据规则化重构是地震资料处理十分重要的基础性工作.压缩感知理论打破了香农采样定理的制约,利用信号在某个变换域的稀疏特性重构出完整的信号,在地震数据重构领域得到了很好的应用.深反射地震剖面大都布置在地质构造比较复杂的区段,复杂的地质构造使深反射地震剖面上的波阻特征复杂,采用单一稀疏变换不能最有效地表征数据的内部结构特征.MCA(形态成分分析)方法将信号分解为几种形态特征区别明显的分量来逼近数据的内部复杂结构,但是对各成分简单的叠加仍然无法有效地描述复杂构造数据的各种特征.结合两种方法的优点,本文提出了一种新的基于压缩感知的重构算法框架,在MCA方法的基础上对各稀疏字典进行加权,在迭代中不断更新各个稀疏字典的权值系数,对信号内部的各种特征进行最优描述,从而实现对信号的高质量重构.模型测试和实际资料处理结果表明:基于压缩感知的加权MCA方法不仅可以对地质构造复杂的地震数据进行高效的插值重建,而且可以很好的消除空间假频.