一种叠前多次波逆时偏移地震数据处理方法及系统的制作方法
【技术领域】
[0001]本发明涉及一种叠前多次波逆时偏移地震数据处理方法及系统，属于地球物理勘探领域。
【背景技术】
[0002]逆时偏移成像通过双程波波动方程在时间上对地震资料进行反方向外推并结合成像条件实现偏移成像，它避免了上下行波分离，且不受倾角限制，能够对任意倾斜构造进行成像。基于波动方程的多次波逆时偏移方法，它有着不需要做多次波预测、能够提供比常规一次波偏移更大成像范围等优点(Tu and Herrmann，2012;Fleury，2013; Wang et al.,2014 ； Hu et al., 2015 ；ffong et al., 2015 ；Zheng et al.，2015;郑忆康 et al.，2015)。在计算方面，叠前多次波逆时偏移是典型的大计算量、大吞吐量的地震数据处理方法，需采用并行计算的策略才能达到实际应用要求；
[0003]CPU/CPU协同并行计算就是将GPU和CPU两种不同架构的处理器结合在一起，组成硬件上的协同并行模式，同时在应用程序上实现GHJ和CPU软件协同的并行计算。CPU主要负责GPU的控制、数据的准备、数据在节点间的发送和接受等，即进行并行控制;GPU主要进行多次波逆时偏移最耗时的波场外推计算，即进行并行计算。目前工业界普遍采用的基于有限差分方法的波场外推是最典型的单指令多数据计算模式，非常适合GPU处理，例如TeslaK40有2880个核心，可以同时处理2880个数据样本。此外，多次波逆时偏移算法一般采用单精度进行计算，具有较高的处理效率。
[0004]Mapreduce是一种编程模型，采用分布式文件系统(HDFS)将数据存储和部署到各计算节点上，具有高容错性，且能自动处理失败节点，性能稳定，非常适合大规模数据集(大于1TB)管理和并行运算。Mapreduce的主要思想，是从函数式编程语言借鉴而来，它极大地方便了编程人员在不了解分布式并行编程的情况下，将自己的程序运行在分布式系统上。
【发明内容】
[0005]本发明所要解决的技术问题是，针对现有技术的不足，提供一种基于Mapreduce框架及GPU加速的大规模叠前多次波逆时偏移地震数据处理方法及系统。
[0006]本发明解决上述技术问题的技术方案如下:一种叠前多次波逆时偏移地震数据处理方法，具体包括以下步骤:
[0007]步骤1:获取地震数据；
[0008]步骤2:在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
[0009]步骤3:对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
[0010]步骤4:将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；[0011 ]步骤5:将成像结果输出，生成成像剖面。
[0012]本发明的有益效果是:通过采用Mapreduce框架和GPU加速实现了地震数据的叠前多次波逆时偏移计算，该方法不仅方便处理大规模、超大规模地震数据，而且还可以提高偏移处理的效率。该方法在Mapreduce框架下通过GPU加速来实现地震资料的叠前多次波逆时偏移计算，相对传统基于CHJ集群的叠前偏移方法，大幅度提高了地震资料叠前多次波逆时偏移的计算效率，缩短了地震资料处理的时间。同时，由于采用了 GPU计算，处理相同规模的地震数据，所消耗的电能相对于(PU设备，将大大减少，节约了资源和成本。
[0013]在上述技术方案的基础上，本发明还可以做如下改进。
[0014]进一步，所述步骤4与步骤5之间还包括处理步骤:将临时成像结果合并后得到的共成像点道集进行切除和叠加处理，得到成像结果，所述切除和叠加处理一般是对成像结果进行进一步分析，切除一些噪音很强的部分。
[0015]采用上述进一步方案的有益效果是，经过切除和叠加处理后的成像结果，能够输出更准确的成像剖面。
[0016]进一步，所述步骤I具体包括:将野外采集的原始地震数据进行预处理，得到高信噪比共炮点道集(CSG道集)数据和对应的介质速度模型共同构成地震数据。
[0017]采用上述进一步方案的有益效果是，对原始地震数据进行预处理，可以得到高信噪比的地震数据，地震数据中包括共炮点道集数据和对应的介质速度模型。
[0018]进一步，所述预处理包括静校正、反褶积和去噪中的至少一种。
[0019]进一步，所述步骤2中所述地震数据划分成数据块的数量与启动的数据节点的数量相适配。
[0020]采用上述进一步方案的有益效果是，使每个数据节点处理一个数据块，加快处理速度，提高处理效率。
[0021]进一步，所述步骤2中将每个数据块发给集群上的一个数据节点的同时，获取每个数据节点所处理数据的对应偏移参数，截取偏移孔径内的地震数据。
[0022]采用上述进一步方案的有益效果是，所述偏移参数由已知的参数文件表中读取。
[0023]进一步，所述步骤3具体包括以下步骤:
[0024]步骤3.1:对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果累加到本地临时文件中；
[0025]步骤3.2:将本地临时文件中的临时成像结果拷贝到分布式文件系统中，删除本地临时文件。
[0026]采用上述进一步方案的有益效果是，将本地临时文件作为临时缓存，更大的利用虚拟空间，可保证同时处理多个数据节点的地震数据，加快了计算速度;并且在本地临时文件清空时，删除本地临时文件，实时释放空间，不占用空间。
[0027]进一步，所述叠前多次波逆时偏移计算是基于CPU/GPU异构集群叠前多次波逆时偏移并行实现的，具体计算过程包括以下步骤:
[0028]将每个数据节点中的地震数据从CPU拷贝到GPU中；
[0029]在GPU中进行炮集多次波逆时偏移计算，得到计算结果；
[0030]将计算结果传输到CPU中并构成临时成像结果。
[0031]采用上述进一步方案的有益效果是，由于采用了GPU计算，处理相同规模的地震数据，所消耗的电能相对于CPU设备，将大大减少，节约了资源和成本。
[0032]本发明解决上述技术问题的技术方案如下:一种叠前多次波逆时偏移地震数据处理系统，包括数据获取模块、数据管理和访问模块、数据偏移模块、数据汇总模块和输出模块；
[0033]所述数据获取模块用于获取地震数据；
[0034]所述数据管理和访问模块用于在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
[0035]所述数据偏移模块用于对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
[0036]所述数据汇总模块用于将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
[0037]所述输出模块将成像结果输出，生成成像剖面。
[0038]本发明的有益效果是:通过采用Mapreduce框架和GPU加速实现了地震数据的叠前多次波逆时偏移计算，该方法不仅方便处理大规模、超大规模地震数据，而且还可以提高偏移处理的效率。该方法在Mapreduce框架下通过GPU加速来实现地震资料的叠前多次波逆时偏移计算，相对传统基于CHJ集群的叠前偏移方法，大幅度提高了地震资料叠前多次波逆时偏移的计算效率，缩短了地震资料处理的时间。同时，由于采用了 GPU计算，处理相同规模的地震数据，所消耗的电能相对于(PU设备，将大大减少，节约了资源和成本。
[0039]在上述技术方案的基础上，本发明还可以做如下改进。
[0040]进一步，还包括处理模块；
[0041]所述处理模块用于将临时成像结果合并后得到的共成像点道集进行切除和叠加处理。
【附图说明】
[0042]图1为本发明具体实施例1所述的一种叠前多次波逆时偏移地震数据处理方法流程图；
[0043]图2为本发明具体实施例2所述的一种叠前多次波逆时偏移地震数据处理系统结构框图；
[0044]图3为本发明所述的叠前多次波逆时偏移地震数据处理过程图；
[0045]图4为本发明所述的叠前多次波逆时偏移计算流程图；
[0046]图5为本发明具体示例获得的叠前多次波逆时偏移结果。
[0047]附图中，各标号所代表的部件列表如下:
[0048]1、数据获取模块，2、数据管理和访问模块，3、数据偏移模块，4、数据汇总模块，5、输出模块，6、处理模块。
【具体实施方式】
[0049]以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0050]如图1所示，为本发明具体实施例1所述的一种叠前多次波逆时偏移地震数据处理方法，具体包括以下步骤:
[0051]步骤1:获取地震数据；
[0052]步骤2:在集群上启动多个hadoop数据节点，将地震数据划分成多个数据块，分别将每个数据块发给集群上的一个数据节点；
[0053]步骤3:对每个数据节点上的地震数据进行叠前多次波逆时偏移计算，得到临时成像结果，将临时成像结果存入分布式文件系统中；
[0054]步骤4:将分布式文件系统中的临时成像结果进行合并，得到共成像点道集作为成像结果；
[0055]步骤5:将成像结果输出，生成成像剖面。
[0056]本发明具体实施例2