您现在的位置: 首页> 研究主题> 初至拾取

初至拾取

初至拾取的相关文献在1990年到2022年内共计172篇,主要集中在地球物理学、自动化技术、计算机技术、化学 等领域,其中期刊论文88篇、会议论文5篇、专利文献95182篇;相关期刊51种,包括成都理工大学学报(自然科学版)、地震学报、地球等; 相关会议5种,包括中国石油学会2015年物探技术研讨会、中国地球物理学会第二十九届年会、中国石油学会2010年物探技术研讨会等;初至拾取的相关文献由516位作者贡献,包括盛冠群、曹永生、朱海伟等。

初至拾取—发文量

期刊论文>

论文:88 占比:0.09%

会议论文>

论文:5 占比:0.01%

专利文献>

论文:95182 占比:99.90%

总计:95275篇

初至拾取—发文趋势图

初至拾取

-研究学者

  • 盛冠群
  • 曹永生
  • 朱海伟
  • 段文超
  • 陈金焕
  • 何川
  • 吴宁
  • 李月
  • 于朋君
  • 关键
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

    • 李林伟; 彭崯; 童思友; 王忠成; 尚新民; 赵胜天
    • 摘要: 本文引入RNN的升级算法LSTM神经网络技术,建立了一套海量数据、高精度的自动拾取地震资料初至流程.相比于其他神经网络方法,LSTM神经网络能够提取数据的时序特征,加强学习初至前噪音时序特征,从而提高初至拾取的精度,为地震资料的初至拾取提供一套新的思路.首先设计样本制作过程并建立、训练模型,通过模拟资料验证方法的有效性,应用于胜利油田浅海与西部山地地震勘探资料的初至拾取,取得理想效果,证明LSTM神经网络初至拾取具有较高的精度与适用性.
    • 李阳; 何登科
    • 摘要: 针对使用U-Net网络拾取地震初至存在的拾取结果不连续等问题,提出了一种融合水平集方法的U-Net网络结构模型。首先基于U-Net网络提取地震图像特征图,逐像素计算损失,然后应用水平集方法对特征图计算水平集损失,最后将两者的加权和作为最终的损失函数。改进后的网络模型采用水平集方法保证了地震道之间初至的连续性,同时保留了U-Net网络“端到端”精细化分类的能力;采用Focal Loss损失函数缓解地震数据样本类别不均衡问题;在训练过程采用混合模拟数据和实际数据的方法克服训练集数据不足问题。经正演模拟和实际地震资料测试结果表明,该网络模型不仅精确度较高,而且较好地适应在低信噪比环境下地震信号的初至拾取
    • 张志立; 焦艳艳; 戚宾
    • 摘要: 在使用可控震源地震勘探作业的过程中,尽管其施工效率相对较高,但是在地震资料处理的过程中仍然存在众多的问题,只有对地震资料进行合理的处理,才能推动可控震源地震勘探作业的进一步发展。本文主要根据可控震源地震勘探作业的基本特点,结合目前常见技术的发展情况,提出地震资料处理过程中需要注意的问题,为提高地震资料处理质量奠定基础。
    • 孟娟; 吴燕雄; 李亚南
    • 摘要: 针对低信噪比条件下微震初至拾取准确度低的问题,基于信号幅度变化引入权重因子,对传统长短时窗比值(STA/LTA)算法进行改进,提高初次拾取精度。为了进一步降低拾取误差,对变分模态分解(VMD)算法进行优化,基于互相关系数和排列熵准则自适应确定VMD分解层数,对初次拾取结果前后2—3 s的记录进行优化VMD,并计算分解后各本征模函数(IMF)的峰度赤池信息准则值,得到各IMF的到时,以各IMF的拾取结果及能量比综合加权得到二次拾取到时。仿真实验表明:改进后的STA/LTA在较低信噪比下可降低初次拾取误差约0.01 s以上;相比经验模态分解(EMD)和小波包分解,自适应VMD分解后能再次降低误差,最终与人工拾取结果平均误差在0.023 s以内。实际微震信号初至拾取结果表明,本算法能快速有效地识别初至P波,与人工拾取结果相比误差小,准确率高。
    • 于智瀚; 王涛; 孙鹏远; 王文闯; 郭振波
    • 摘要: 地震走时成像结果的准确性取决于初至到时的拾取精度,人工挑选初至效率低、成本高。前人研究表明深度学习可以应用于初至的自动拾取,然而传统的深度学习方法往往需要大量人工挑选的初至作为神经网络的训练集。文章利用U型卷积神经网络拾取单炮多道P波初至,研究表明P波初至拾取的均方根误差会随着训练集数量的增加而减少。训练集分别采用35炮和597炮数据时,对应的均方根误差分别为11.4和6.5 ms。参考半监督学习中数据增强方法,选取适合主动源数据的增强方法(随机剪裁、随机擦除等)用于拓展训练集。结果显示,以人工拾取总数据量的5%(35炮)作为小样本并进行随机擦除数据增强后,实现了均方根误差在5.5 ms(约3个采样点)以内,比未经增强的误差减少51%。与前人的深度学习方法相比,本文应用的数据增强方法可以在小样本的情况下实现主动源地震初至的高精度拾取。
    • 高新成; 杜功鑫; 王莉利; 李强; 柯璇
    • 摘要: 随着计算机硬件技术的不断提高,人工智能技术在各个行业的广泛应用,地震学界开始探索用深度学习算法处理地震初至波数据,为初至波的拾取研究提供了崭新的方向。为了解决传统地震波初至拾取方法对低信噪比资料拾取精度较低、算法鲁棒性较差等缺点,提高地震初至拾取速度和效率,减少耗费的人力以及人为拾取所产生的误差,该文系统地介绍了地震事件初至波拾取的常用传统方法,详细地阐述了深度学习领域内各种经典神经网络模型在地震初至波拾取中应用现状。通过实例对比分析卷积神经网络、深度信念网络、生成对抗神经网络和深度递归神经网络等模型在地震初至波拾取中的应用效果,讨论总结了深度学习在地震初至波拾取领域内应用存在问题和应用前景,为今后地震初至拾取研究提供新的思路。
    • 张振; 蔡涵鹏; 王腾宇; 肖又军; 宗晶晶; 黄录忠; 魏巍
    • 摘要: 深层高陡地层中零井源距垂直地震剖面(vertical seismic profiling, VSP)初至波出现分叉现象或复波等异常,造成传统VSP初至拾取方法已无法满足处理要求。针对该类特征零井源距VSP初至波拾取面临的难题,通过数值模型正演分析明确深层高陡地层零井源距VSP初至波产生异常的原因。其原因是地层倾角较大时,沿远离井筒的地震波通过高速地层比垂直入射波先到达检波点所至,且地层倾角越大、界面上下介质速度差越大,初至分叉越明显,与实际资料中展示的初至波场特征一致。在此基础上提出了基于正演模式导向的沿浅层“首波”同相轴连续向下拾取的策略,在塔里木盆地中寒1井VSP处理中应用,取得良好的应用效果。
    • 郭念民; 雷刚林; 崔永福; 徐凯驰; 裴广平; 邓建峰
    • 摘要: 静校正技术是复杂地表区地震资料地震成像的核心技术,塔里木盆地塔西南厚黄土戈壁区受低速层速度低、变化大,静校正问题突出,严重影响地震资料品质.在传统层析静校正技术的基础上,这里提出了改进的层析反演静校正处理技术,核心技术包括精确的初至拾取技术、分偏移距从浅到深逐步迭代的回转波层析反演技术、等速面静校正计算技术.通过这些技术的应用,提高了厚黄土戈壁区地震数据初至信息拾取的精度、近地表速度模型的精度和静校正计算量的精度.将改进的层析反演静校正处理技术,在塔西南厚黄土戈壁区的普东三维进行了实例应用,静校正问题得到了有效解决,地震成像质量得到显著改善.
    • 张逸伦; 喻志超; 胡天跃; 何川
    • 摘要: 微地震震相识别和初至拾取是水力压裂微地震监测资料处理中的两个关键步骤,其结果会对后续事件定位和压裂裂缝缝网解释产生重要影响.常规方法如STA/LTA法、模板匹配法、多道互相关法等需要提取有效信号与噪声间振幅、偏振、频率、波形相似性等方面的特征差异完成震相识别和拾取工作.本文基于深度学习技术的自动特征提取能力,根据井中微地震观测系统的多道数据源特点,提出基于U-Net的多道联合震相识别和初至拾取方法(MT-Net).方法 采用具有"逐采样点"识别能力的U-Net模型,模型训练阶段以具有不同信号特征的多道微地震监测记录作为输入,以P波、S波及噪声的概率分布标签作为输出,通过设置二维卷积操作使得道内与道间的波形信息同时被自适应地学习,以满足对相邻道间波形记录处理结果高度一致性的要求;测试阶段将连续记录中的分段波形馈入模型,通过设定P波、S波概率分布曲线阈值完成单震相、双震相和噪声的波形分类,同时对含有效震相的微地震事件完成初至拾取.实际微地震资料处理结果显示,本文方法与同样基于U Net的单道方法(ST Net)相比,显著降低了震相识别中低信噪比事件漏拾与误拾发生的概率;同时有效避免了部分单道发生严重的初至拾取结果偏差及P、S震相误拾等情况.本文方法的识别与拾取结果整体上达到了与多道互相关法接近的水平,可满足微地震监测资料处理中实时性和准确性的要求.
    • David Cova; 刘洋; 丁成震; 魏程霖; 胡飞; 李韵竹
    • 摘要: 初至拾取是近地表静校正处理的重要步骤之一.随着采集密度的不断提高,地震数据量不断增加,迫切需要发展新的方法解决大数据量的初至自动拾取问题.传统方法通过人工交互拾取和质量控制,在面对庞大数据量的高密度数据时效率很低,而基于深度学习的初至自动拾取方法效率较高.在用于初至自动拾取的各种深度学习算法中,全卷积神经网络(FCN)在语义分割方面有突出优势,它可以处理不同大小的地震道集的数据,并且可以进行高分辨率的像素分类,但是这种方法存在定位精度不足的缺点.U-Net结构是FCN的一种变体,凭借较高精度和易于实现的特点,可以较好解决初至拾取问题,但在数据信噪比较低的情况下准确度会下降.为了解决以上问题,提出四个关键技术点:采用处理流程对振幅进行平衡以提高预测精度;比较U-Net与三种不同复杂度的U-Net变体(UNet++、Wide U-Net和Attention U-Net),从不同角度解决分割问题;选取合适的超参数优化网络;通过视速度约束提高分割图像精度.结果表明U-Net获得了更高的精度和效率,并在陆地地震数据应用中取得了较好的效果.
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号