排序方式： 共有2条查询结果，搜索用时 7 毫秒
1
1.
在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法. 相似文献
2.
钻前风险评估是智能导钻过程中减少井漏井塌等事故的关键环节.在裂缝型地层中，特别是在深层、超深层地区，井筒的承压能力极易受到地层中天然裂缝带的影响，较易出现井漏、井塌等钻井事故，亟需在钻进前进行基于裂缝带的风险评估.绕射波由于对裂缝等小地质体较为敏感，是描述天然裂缝带的有效手段，但是目前的绕射波成像结果通常信噪比不高，较难直接应用于钻前风险评估.论文通过分析绕射波均方根振幅能量，发展适用于绕射波成像的构造平滑技术，提出了基于绕射波信息的天然裂缝带描述方法，提高了数据信噪比，更好地描述了天然裂缝带的空间分布.该方法应用于顺北地区某钻井的深部裂缝型地层中，所得的目标层段预测结果与实钻的漏失、卡钻井段具有较好的对应关系，验证了方法有效性. 相似文献
1
