【摘 要】
：
将第一部分论述中提出的地震数据线性正演表达公式作为地震数据线性反演的正演方程,利用线性反演理论提出包括散射数据波形成像和反射数据波形成像的地震数据波形成像方法理论,给出了标量波散射数据、声波反射数据和弹性波反射数据波形成像的具体计算公式.散射数据波形成像是对散射体物性参数相对扰动的线性反演,反射数据波形成像是对反射体波阻抗相对扰动或反射体边界局部反射系数的线性反演.在波形成像中,如果将波场传播算子的伴随算子作为波场传播算子的逆,则波形成像可转化为波形偏移;如果将波场传播算子的最小二乘逆作为波场传播算子的逆
【机 构】
：
浙江大学地球科学学院,浙江杭州310027;长江水利委员会长江科学院,湖北武汉430010
论文部分内容阅读
将第一部分论述中提出的地震数据线性正演表达公式作为地震数据线性反演的正演方程,利用线性反演理论提出包括散射数据波形成像和反射数据波形成像的地震数据波形成像方法理论,给出了标量波散射数据、声波反射数据和弹性波反射数据波形成像的具体计算公式.散射数据波形成像是对散射体物性参数相对扰动的线性反演,反射数据波形成像是对反射体波阻抗相对扰动或反射体边界局部反射系数的线性反演.在波形成像中,如果将波场传播算子的伴随算子作为波场传播算子的逆,则波形成像可转化为波形偏移;如果将波场传播算子的最小二乘逆作为波场传播算子的逆,则波形成像可以转化为最小二乘波形偏移.散射数据波形偏移可以实现对散射体空间位置的成像,反射数据波形偏移不仅可以实现对反射体构造的准确成像,还可以实现对反射体波阻抗相对扰动的成像.受角度域反偏移计算复杂度的限制,反射数据最小二乘波形偏移仅可实现反射体近法向波阻抗相对扰动的最小二乘反演和反射体边界局部近法向反射系数的最小二乘反演.相较于逆时偏移,波形偏移结果不仅在理论上具有更加准确的相位和更高的分辨率,而且还不增加偏移计算量.地震数据波形成像不仅弥补了当前构造成像的不足,还可以用于地下的岩性成像.合成地震数据的数值试验结果验证了方法的有效性.
其他文献
钛酸钡(BaTiO3)陶瓷作为传统的介质电容器材料,其强铁电性会导致储能密度低下,但通过掺杂可以削弱铁电性来获得弛豫铁电体,提高储能性能.利用铋系化合物可增强弛豫特性,本文设计了BiScO3和(Sr0.7 Bi0.2)TiO3取代改性的BaTiO3基三元陶瓷材料:(0.99-x)Ba(Zr0.1Ti0.9)O3-x(Sr0.7Bi0.2)TiO3-0.01BiScO3(缩写为BZT-xSBT-BS).采用传统固相法制备的BZT-xSBT-BS陶瓷,相结构没有因为掺杂发生改变,在室温下均为纯的三方相钙钛矿结
铸锭晶体硅是太阳能级晶硅材料的重要来源之一,为了进一步降低硅片成本,需要在保证晶体质量的同时发展大尺寸铸锭晶硅.影响铸造晶体硅质量的热场控制核心参数包括晶体生长速度与生长界面温度梯度之比V/G、壁面热流q、生长界面高度差Δh和硅熔体内部温差ΔT等.针对铸锭晶体硅生长过程中的质量控制问题,本研究基于人工神经网络(ANN)模型对晶体生长过程建立了工艺控制优化方法,利用实验测量数据和数值仿真模拟结果构建铸锭晶体硅生长过程的工艺控制数据集,以底部隔热笼开口和侧、顶加热器功率比作为主要工艺控制参数,V/G、|q|、
提高地震资料的信噪比是地震数据处理的重要任务之一,与依赖信号模型及其相应先验假设的传统地震噪声衰减算法相比,基于大型训练集的深度神经网络的去噪方法通过对大型数据集进行学习,训练完成后可以对面波进行自适应智能降噪.根据叠前高密度地震数据的特点,建立面波去噪训练库,通过去噪卷积神经网络来衰减地震数据的面波噪声.为了准确高效地提取地震数据面波噪声的特征,采用残差学习和批量标准化相结合的方式来加快训练过程并提高算法的面波去噪效果,去噪卷积神经网络能够有效处理未知噪声水平的面波降噪.模型数据和单点高密度地震数据测试
回顾了油气人工智能研究进展,分析其面临的一些关键问题.将油气人工智能研究分成两个层级,即学术型油气人工智能研究和工业级油气人工智能研究,两者面临不同的问题和挑战.对于学术型油气人工智能应用场景,主要是关心算法及其相关理论应用,着重于解决智能点的局部问题;对于工业级人工智能应用场景,更多的要关心数据治理、数据集、平台、多源多尺度多模态数据融合建模、数据驱动与机理模型融合建模以及机器学习模型的可解释性等问题.针对数据驱动与机理模型融合问题,提出3种途径,即算法融合、评价方法融合、数据集融合,并给出实验验证.针
沉积微相划分是油气藏勘探的研究基础.传统沉积微相划分由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、冗长的,可能引入人为偏差.深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决沉积微相划分的深度学习方法.针对测井-沉积微相,提出了基于特征构造(DMC)和双向长短期记忆网络(BiLSTM)的沉积微相智能识别方法.首先,利用趋势分解和中值滤波对原始曲线进行多维重构,并对重构矩阵和原始曲线特征采用kmeans提取时空相关聚类特征;然后,以原始曲线特征、地质趋势特征、中值滤波
海上地震采集时采用传统的海面投放方式布放深水海底节点(OBN)时点位偏差较大,无法满足基本的勘探精度要求,因此近年来水下机器人(ROV)被引入到海上地震采集行业.结合非洲东部某近岛海域OBN采集实例,讨论了 ROV在深水地震采集应用中的主要环节,包括动态定位船和ROV系统构成及原理,ROV系统在OBN采集节点布放及回收时的质量检测、参数校准方法、深水声波定位方法、点位精度评价方法、实际布放回收效率等.利用初至波二次定位技术,对用ROV布放OBN的坐标精度进行了验证,结果表明ROV可获得较传统海面投放方式精
深度神经网络通过分析由不同地质和地球物理来源获得的数据之间的相关性确定油气储层特征,从而开展地震油气储层分布预测.经过适当的训练,深度神经网络可以通过识别与样本数据相关的复杂非线性关系来预测油气储层性质,然而目前仍缺少深度神经网络超参数的选取对地震油气藏分布预测结果影响的系统性研究.为此,在分析深度神经网络隐含层数目、隐含层节点数及激活函数的基础上,探讨了深度神经网络模型超参数选取对含油气性多波地震响应特征提取结果的影响,并利用多种评价指标对不同网络结构模型的性能进行了对比.结果表明,深度神经网络隐含层数
地震相是沉积相在地震剖面上的反映,能为地下资源尤其是油气资源的勘探开发提供有效依据.近年来随着人工智能的快速发展和油气人工智能的有力推进,国内外学者提出了多种地震相智能识别的方法.对地震相智能识别方法进行了归纳总结,将其归纳为无监督学习、监督学习和半监督学习3类,并详细介绍了这3类方法的原理、应用现状及其优缺点.无监督学习利用没有标签的地震数据进行学习聚类,从而实现地震相的自动识别,具有简单易操作的特点.监督学习主要利用标签数据反馈学习,通过学习不断接近标签,从而使得该方法在地震相识别中具有更高的精度.半
非常规油气储层矿物成分复杂,流体赋存形式多样,孔隙度、渗透率和饱和度等储层参数与测井响应呈非线性关系,难以构建理论模型或经验公式.近年发展迅速的机器学习为测井解释提供了新思路.综述了机器学习在测井解释中的应用现状,概述了集成机器学习的概念、框架和工作机制,指出机器学习包括同质集成与异质集成(委员会机器)两种,简述了两者的差异.重点介绍了委员会机器的基本原理和工作机制.委员会机器是一种结合神经网络和决策树等多种智能算法构建的集成机器学习系统,采用特定的组合策略实现多专家共同决策,对改善训练模型和预测结果具有
点扩散函数(PSF)反映了地震观测系统对地下一个成像点观测过程的模糊化.在反演理论下可以证明,偏移成像是真实反射率与PSF卷积的结果.将反演成像转化为模型空间的图像去模糊问题,其核心在于PSF算子的计算和PSF模糊化效应的消除.提出了通过散射点模型的一次正演和偏移高效求取控制点PSF,而后通过空间插值快速得到全成像空间PSF的方法.理论分析和数值实验结果表明,全成像空间的PSF是反演理论中Hessian算子的近似,将PSF与反射率模型卷积得到模糊化的图像.利用波数域反演成像的方法,对常规偏移成像结果进行解