基于小波包分解的叠前道集优化方法

基于小波包分解的叠前道集优化方法
【专利摘要】本发明提供一种基于小波包分解的叠前道集优化方法，首先利用小波包将地震道集进行自适应分解，将分解系数划分为信号低频、中频、高频部分，对高频信号进行噪声检测去除，对低频和中频信号分别进行同相轴拉平，最后对拉平后的低频与中频信号进行重构地震道集；本发明的方法将地震信号利用小波包作自适应分解，这种分解无冗余也无疏漏，在各个频段同相轴特征不相同，在每个频段做同相轴相似度计算更为准确；本发明的方法定义吸引度与归属度两类消息进行道集间相似度传播，自动选取参考道和类似道，无需人工干预，可靠性高；本发明的方法以时窗中心点的移动量作为种子点移动量，其他点移动量由种子点移动量插值得到，避免了波形失真。
【专利说明】基于小波包分解的叠前道集优化方法

【技术领域】
[0001]本发明属于地震道集领域，具体涉及一种地震道集拉平方法。

【背景技术】
[0002]页岩气储层裂缝和脆性是影响页岩气产能的最重要的两个因素，储层发育有良好的天然裂缝及层理是实现增产改造的前提条件，脆性指数越高越易形成缝网，有利于增产改造。宽方位角叠前反演可以获得所需的裂缝和脆性属性，但宽方位角叠前反演需要的道集是拉平的，进行道集拉平是反演的前序工作，直接影响反演效果，因此道集拉平具有重要意义。
[0003]此外，拉平的道集能够获得好的成像结果，叠前所进行的振幅随偏移距变化(AVO)研究也需要动校正(NMO)之后拉平道集。否则，截距属性和梯度就会受到污染。
[0004]目前地震道集的拉平方法主要有:基于速度的拉平方法、基于统计的拉平方法、RSI公司AVATAR软件模块方法等。
[0005]基于速度的拉平方法:它假定原始叠前地震道中没有拉平的地震波主要由于RMO(Residual ΝΜ0)引起，因此使用二阶或者四阶的RMS速度场的高精度速度估计能够拉平地震波；
[0006]基于统计的拉平方法:假定在地震波射线路径上的局部速度场的扰动导致了叠前地震道集的随机起伏，因此不能使用全局的速度场来校正，将它们视作统计误差。
[0007]以上两种方法都需要对速度进行准确估计，难度较大，并且上述方法都是基于反射面的测量都是水平的，然而这种假设仅仅适用于合成道集不适用于叠前道集。
[0008]RSI公司AVATAR软件模块方法:首先建立L2范数的目标函数，目标函数主要由AVO I或者III类来表示，然后利用时间方向的滑动时窗产生每道的移动解，最后最小化目标函数，对应的解即为最优解；
[0009]以上方法仅适用于AVO classl和AVO classIII异常,不适用于AVO classll相位异常，对于AVO classll异常这种方法是不稳定的。基于目前的研究现状本项提出了一种稳定高效的叠前道集优化方法。
[0010]Hinkley等人提出了动态道集的拉平算法(DGF)，其思路是通过最小化道集间误差平方和。
[0011]该方法是一个最优化处理过程，优点是效率高，适合于处理道集已经基本拉平的数据，不适合运用到同相轴不明显的数据中。
[0012]Gulunay等人提出了与动态拉平算法(DGF)类似的道集拉平算法，它是一种简单的道集拉平，这种校正建立在点对点映射的基础上，也就是每个输出数据样点是通过同一道上同样时间上的输入数据样点决定。
[0013]该方法实现简单但存在两大缺点:①需要人工选择某道为基准道，然而人工选择基准道是不准确的。②每道只能得到一个整体移动量，整体移动道集后会造成某些同相轴拉平效果较好，某些同相轴反而更差，出现“顾此失彼”现象。
[0014]地震道集是通过人工激发地震波，在传播过程中由于波形在地底传播遇到不同介质分界面时发生反射和折射，通过地表的接收机接收返回波形信号形成地震道集，而同相轴是地震记录上各道振动相位相同的极值(俗称波峰或波谷)的连线。拉平的道集能够获得良好的成像效果，是叠前反演工作的前序工作，因此道集分析与优化对于叠前地震数据处理有着非常重要的作用。


【发明内容】

[0015]为解决上述问题，本发明提出了基于小波包分解的叠前道集优化方法，利用小波包对地震道集进行自适应分解，在不同频段进行同相轴拉平后重构地震道集。
[0016]本发明的技术方案:基于小波包分解的叠前道集优化方法，具体包括以下步骤:
[0017]S1:小波包自适应分解:对地震信号进行小波包分解，去除高频噪声后得到地震低频信号和地震中频信号；
[0018]S2:对步骤SI中得到的地震低频信号，进行低频剖面拉平，具体包括以下分步骤:
[0019]S21:计算小波系数的欧氏距离:
[0020]所述计算小波系数的欧氏距离包括:设叠前道集道数为N，初始化NXN大小的矩阵S,计算同一个时窗内i道与j道低频小波系数的欧氏距离,设Trace1 (X1, x2, x3..xn)为i道数据的低频小波系数，Trace2 (Yl, y2, y3..yn)为j道数据的低频小波系数，二者欧式距离计算公式:

【权利要求】
1.基于小波包分解的叠前道集优化方法，其特征在于，包括: S1:小波包自适应分解:对地震信号进行小波包分解，去除高频噪声后得到地震低频信号和地震中频信号； 52:对步骤SI中得到的地震低频信号，进行低频剖面拉平，具体包括以下分步骤: 521:计算小波系数的欧氏距离: 所述计算小波系数的欧氏距离包括:设叠前道集道数为N，初始化NXN大小的矩阵S，计算同一个时窗内i道与j道低频小波系数的欧氏距离，设Trace1U1, x2, x3..xn)为i道数据的低频小波系数，Trace2 (Yl, y2, y3..yn)为j道数据的低频小波系数，二者欧式距离计算公式:
其中，xke {x1； X2, X3......xn}，yke (Y1, J2, y3......yn}，n 表示数据点，k e {1,2,3......η}； 522:记录相似性最大的移动量: 所述记录相似性最大的移动量包括:固定任意一道i的时窗，上下移动道j的时窗，每次移动一个数据点，移动一次记录小波系数的欧式距离，直到找到欧氏距离最小的位置，记录当前移动量，如果是上移，移动量取正，反之，取负； 523:邻近道传播迭代求取参考道和类似道，具体包括以下分步骤: 5231:定义吸引度矩阵R(i，k)和归属度矩阵A (i，k)，首先初始化为O矩阵，矩阵大小与矩阵S相同，为NXN的矩阵； 5232:更新信息 R(i，k)，A(i，k)和 A(k，k)； 5233:更新吸引度矩阵R(i，k)和归属度矩阵A(i，k)； 5234:确定道集i的类似道k ； 5235:确定参考道i与类似道k后,选择C矩阵的第i行，C(i, i)作为当前时窗参考道i的移动量，C(i, j)作为当前时窗类似道的移动量，其余地震道根据参考道与类似道的移动量插值得到； 524:求每个点移动量:根据每个时窗中心点的移动量线性插值得到每个点的移动量，实施道集优化； 53:对步骤SI中得到的中频信号，进行中频剖面拉平； S4:重构地震信号，根据拉平后的低频和中频小波包系数重构地震信号。
2.根据权利要求1基于小波包分解的叠前道集优化方法，其特征在于，采用
更新 rq，k)。
3.根据权利要求2基于小波包分解的叠前道集优化方法，其特征在于，采用
更新 Α(^，k)。
4.根据权利要求3基于小波包分解的叠前道集优化方法，其特征在于，采用
更新 A(k，k)。
5.根据权利要求1基于小波包分解的叠前道集优化方法，其特征在于，采用R(k，k)=P (k)-max {A (k, i ' )+S(k，i' )}更新吸引度矩阵R(i, k)和归属度矩阵A(i, k); 其中，P(k)取S矩阵的均值。
6.根据权利要求5基于小波包分解的叠前道集优化方法，其特征在于，更新后的吸引度矩阵R(i，k)和归属度矩阵A(i，k)为:
其中，λ是收敛系数，Rnew(i,k)表示更新后的吸引度矩阵、AnOT(i，k)表示更新后的归属度矩阵，Rt5ld(Lk)表示更新前的吸引度矩阵，A-ak)表示更新前的归属度矩阵。
7.根据权利要求1基于小波包分解的叠前道集优化方法，其特征在于，所述S234确定道集i的类似道k的公式为:
若i = k，则道集i是参考道集；若i古k，则道集k是道集i的类似道集。
【文档编号】G01V1/30GK104181590SQ201410415741
【公开日】2014年12月3日 申请日期:2014年8月22日 优先权日:2014年8月22日
【发明者】钱峰, 陈琳, 胡光岷 申请人:电子科技大学