[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR20220066593A - 딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법 - Google Patents

딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법 Download PDF

Info

Publication number
KR20220066593A
KR20220066593A KR1020200152794A KR20200152794A KR20220066593A KR 20220066593 A KR20220066593 A KR 20220066593A KR 1020200152794 A KR1020200152794 A KR 1020200152794A KR 20200152794 A KR20200152794 A KR 20200152794A KR 20220066593 A KR20220066593 A KR 20220066593A
Authority
KR
South Korea
Prior art keywords
transmission waveform
reflection coefficient
coefficient function
trace
elastic part
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
KR1020200152794A
Other languages
English (en)
Other versions
KR102532502B1 (ko
Inventor
변중무
최용규
설순지
조영화
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020200152794A priority Critical patent/KR102532502B1/ko
Publication of KR20220066593A publication Critical patent/KR20220066593A/ko
Application granted granted Critical
Publication of KR102532502B1 publication Critical patent/KR102532502B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/16—Receiving elements for seismic signals; Arrangements or adaptations of receiving elements
    • G01V1/168—Deployment of receiver elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/284—Application of the shear wave component and/or several components of the seismic signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/12—Signal generation
    • G01V2210/129—Source location
    • G01V2210/1293—Sea
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/14—Signal detection
    • G01V2210/142—Receiver location
    • G01V2210/1423—Sea
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/14—Signal detection
    • G01V2210/142—Receiver location
    • G01V2210/1425—Land surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/16—Survey configurations
    • G01V2210/161—Vertical seismic profiling [VSP]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

본 발명은 탄성파 탐사 자료 처리 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 딥러닝(Deep Learning)을 이용하여 탄성파 탐사 자료를 처리하는 장치 및 그 방법에 대한 것이다. 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치는, 프로세서 및 프로세서에 연결되고, 딥러닝 알고리즘 및 탄성파탐사자료가 저장되는 메모리를 포함하며, 메모리는 프로세서에 의해 실행 가능한, 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하고, 탄성파탐사자료에서 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하며, 제1 송신파형요소, 제2 송신파형요소, 제1 반사계수함수 및 제2 반사계수함수를 이용하여 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장할 수 있다. 본 발명에 따르면, 합성의 탄성파 트레이스(Synthetic Seismic Trace)를 이용하여 학습한 딥러닝을 이용하여 탄성파 탐사 자료의 해상도를 향상시키므로, 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공할 수 있다.

Description

딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법{SEISMIC DATA PROCESSING DEVICE BY DEEP LEARNING AND METHOD THEREOF}
본 발명은 탄성파 탐사 자료 처리 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 딥러닝(Deep Learning)을 이용하여 탄성파 탐사 자료를 처리하는 장치 및 그 방법에 대한 것이다.
석유가스 부존 유망 지층구조의 규명, 토목 건축 등의 분야에서 시설부지 기반암의 구조와 물성파악을 위한 목적으로 탄성파 탐사법이 사용되고 있다. 탄성파 탐사법은 지표 또는 해면 부근에서 송신기가 탄성파를 발생시켜 지하에 전파시키고, 지표 또는 해상에 설치된 복수의 수신기에 들어오는 반사파 또는 굴절파를 수신하여 파형과 주행시간을 측정함으로써 대상 지반의 구조를 규명하는 방법이다. 탄성파 탐사 자료는 탄성파 탐사법에 의해 생성된 자료를 의미한다.
일반적인 탄성파 탐사 자료의 해상도 향상 기술들은 디컨볼루션(deconvolution) 필터를 기반으로 한다. 탄성파 탐사 자료는 수식적으로 지층의 임피던스 차이로 인하여 생기는 지하 구조의 정보인 반사계수 함수(reflection coefficient)와 탐사 자료 취득에서 송신원에 따라 달라지는 정보인 송신파형요소(source wavelet)의 컨볼루션으로 이루어져 있다.
디컨볼루션이란 탄성파 탐사자료에서 송신파형요소의 영향을 최소화하여 반사계수 함수, 즉, 지하 구조 정보만을 남겨 해상도를 향상시키는 자료처리 기술을 말한다. 디컨볼루션을 이용한 방법들은 정확한 송신파형요소의 추정이 요구된다. 부정확한 송신파형요소에 의해 디컨볼루션을 이용한 방법이 사용될 경우 다음과 같은 오류가 발생될 수 있다. 첫째, 잘못된 송신파형요소를 이용하여 해상도가 향상되었을 경우 지하구조 정보의 왜곡이 발생될 수 있다. 둘째, 송신파형요소에 대한 정보가 없거나 추출이 어려운 경우에는 탄성파 탐사 자료의 해상도 향상 처리가 불가능하다. 셋째, 노이즈가 많거나 송신파형요소가 비정상적(nonstationary)인 경우 등에는 그에 상응하는 추가적인 자료 처리를 수행해야 하는 번거로움이 존재한다.
따라서 자료의 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료의 해상도 향상 기술이 요구된다.
본 발명은 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시예에 따르면, 프로세서; 및 상기 프로세서에 연결되고, 딥러닝 알고리즘 및 탄성파탐사자료가 저장되는 메모리;를 포함하며, 상기 메모리는 상기 프로세서에 의해 실행 가능한, 상기 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하고, 상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하며, 상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치가 개시된다.
실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응할 수 있다.
실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 메모리는, 상기 가스층의 상부에 상응하는 상기 제1 송신파형요소 및 상기 제1 반사계수함수를 추출하는 프로그램 명령어들을 저장할 수 있다.
실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 메모리는, 상기 가스층의 하부에 상응하는 상기 제2 송신파형요소 및 상기 제2 반사계수함수를 추출하는 프로그램 명령어들을 저장할 수 있다.
실시예에 따라, 상기 메모리는, 상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하고, 상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하며, 상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장할 수 있다.
실시예에 따라, 상기 메모리는, 상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하고, 상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하고, 상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하고, 상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하며, 상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장할 수 있다.
실시예에 따라, 상기 메모리는, 상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 프로그램 명령어들을 저장할 수 있다.
본 발명의 다른 실시예에 따르면, 탄성파 탐사 자료 처리 장치에서 수행되는 탄성파 탐사 자료 처리 방법에 있어서, 구비된 메모리에 저장된 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하는 단계; 상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하는 단계; 및 상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;를 포함하는 탄성파 탐사 자료 처리 방법이 개시된다.
실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응할 수 있다.
실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 제1 송신파형요소 및 상기 제1 반사계수함수는 상기 가스층의 상부에 상응할 수 있다.
실시예에 따라, 상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고, 상기 제2 송신파형요소 및 상기 제2 반사계수함수는 상기 가스층의 하부에 상응할 수 있다.
실시예에 따라, 상기 딥러닝 알고리즘을 학습시키는 단계는, 상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하는 단계; 상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하는 단계; 및 상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 단계;를 포함할 수 있다.
실시예에 따라, 상기 딥러닝 알고리즘을 학습시키는 단계는, 상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하는 단계; 상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하는 단계; 상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하는 단계; 상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하는 단계; 및 상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 단계;를 더 포함할 수 있다.
실시예에 따라, 상기 딥러닝 알고리즘을 학습시키는 단계는, 상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 단계;를 더 포함할 수 있다.
본 발명에 따르면, 가상의 탄성파 트레이스(Synthetic Seismic Trace)를 이용하여 딥러닝을 학습시키고, 학습된 딥러닝을 이용하여 탄성파 탐사 자료의 해상도를 향상시키므로, 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공할 수 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치에 대한 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치의 동작을 설명하기 위한 동작 흐름도이다.
도 3은 본 발명의 일 실시예에 따라 탄성파 탐사 자료에서 복수의 송신파형요소를 추출하는 동작을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따라 추출된 복수의 송신파형요소들의 특성을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따라 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 생성하는 동작을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 방법을 설명하기 위한 순서도이다.
본 발명의 기술적 사상에 따른 예시적인 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 기술적 사상의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 발명의 기술적 사상의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들면, 본 발명의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 발명의 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것이다.
여기에서 사용된 '및/또는' 용어는 언급된 부재들의 각각 및 하나 이상의 모든 조합을 포함한다.
이하에서는 첨부한 도면들을 참조하여 본 발명의 기술적 사상에 의한 실시예들에 대해 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치에 대한 블록 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 탄성파탐사자료처리장치(100)는 모뎀(MODEM, 110), 프로세서(PROCESSOR, 120) 및 메모리(MEMORY, 130)를 포함할 수 있다.
모뎀(110)은 다른 외부 장치(미도시)들과 전기적으로 연결되어 상호 통신이 이뤄지도록 하는 통신 장치일 수 있다. 특히 모뎀(110)은 이들 외부 장치들로부터 수신된 '탄성파 탐사 자료(Seismic Data)'를 프로세서(120)로 출력할 수 있고, 프로세서(120)는 이들 탄성파 탐사 자료를 메모리(130)에 저장시킬 수 있다.
메모리(130)는 탄성파탐사자료처리장치(100)의 동작을 위한 각종 정보 및 프로그램 명령어들이 저장되는 구성으로서, 하드 디스크(Hard Disk), SSD(Solid State Drive) 등과 같은 기억장치일 수 있다. 특히 메모리(130)는 프로세서(120)의 제어에 의해 모뎀(110)에서 입력되는 하나 이상의 탄성파 탐사 자료(Seismic Data)를 저장할 수 있다. 또한, 메모리(130)는 프로세서(120)에 의해 실행 가능한 탄성파 탐사 자료 처리 방법을 실행시키기 위한 딥러닝(Deep-Learning) 알고리즘과 같은 프로그램 명령어들을 저장할 수 있다.
여기서, 탄성파 탐사 자료(Seismic data)는 지표 또는 해수면에서 인위적으로 발생시킨 송신파가 지하 매질에 의해 반사되어 수신된 신호를 감지 및 분석한 자료일 수 있다. 본 발명에서, 탄성파 탐사 자료는 반사계수함수(reflection coefficient)와 송신파형요소(source wavelet)의 콘볼루션에 의해 생성되는 탄성파 트레이스(Seismic Trace)를 하나 이상 포함할 수 있다.
프로세서(120)는 메모리(130)에 저장된 정보 및 프로그램 명령어들을 이용하여 탄성파 탐사 자료를 처리할 수 있다. 이하, 도 2 내지 도 5를 참조하여 프로세서(120)의 동작에 대해 구체적으로 설명한다.
도 2는 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 장치의 동작을 설명하기 위한 동작 흐름도이고, 도 3은 본 발명의 일 실시예에 따라 탄성파 탐사 자료에서 복수의 송신파형요소를 추출하는 동작을 설명하기 위한 예시도이며, 도 4는 본 발명의 일 실시예에 따라 추출된 복수의 송신파형요소들의 특성을 설명하기 위한 도면이다. 또한, 도 5는 본 발명의 일 실시예에 따라 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 생성하는 동작을 설명하기 위한 예시도이다.
도 2에는, 본 발명의 일 실시예에 따른 탄성파탐사자료처리장치(100)의 프로세서(120)가 탄성파 탐사 자료를 처리(예를 들어, 탄성파 탐사 자료를 이용하여 하나 이상의 합성탄성파트레이스를 생성하는 동작 등)하기 위한 동작을 설명하기 위한 동작 흐름이 예시된다.
먼저, 프로세서(120)는 탄성파 탐사 자료를 수집 및 정리할 수 있다(Seismic Data Gathering, 210). 예를 들어, 프로세서(120)는 모뎀(110)을 통해 외부 장치들로부터 수신된 탄성파 탐사 자료(하나 이상의 '탄성파 트레이스'를 포함함)를 메모리(130)에 저장할 수 있다. 따라서 프로세서(120)는 탄성파 탐사 자료의 탄성파 트레이스를 디컨볼루션(Deconvolution)하여 미리 설정된 방법에 따라 반사계수함수와 송신파형요소로 분리한 후 메모리(130)에 저장할 수도 있다.
도 3을 참조하면, 탄성파 탐사 자료(ex. 송신파형요소와 반사계수함수의 콘볼루션으로 구성된 탄성파 트레이스들)에서 송신파형요소를 추출하는 경우가 예시된다. 이때, 프로세서(120)는 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출할 수 있다. 예를 들어, 추출 기준이 탄성파 탐사 자료의 시간 영역 상에서 주파수 특성이 변화하는 부분인 경우를 가정한다. 프로세서(120)는 메모리(130)에 저장된 탄성파 탐사 자료를 시간 영역에서 분석하여 주파수 성분이 급격히 변화하는(예를 들어, 주파수 성분이 미리 설정된 임계값 이상 변화하는) 시간 지점을 추출 기준으로 할 수 있다. 또한, 프로세서(120)는 추출 기준 이전 시간의 탄성파 탐사 자료에 상응하는 송신파형요소를 제1 송신파형요소(Statistical wavelet from upper part of data)로 추출할 수 있다. 또한, 프로세서(120)는 추출 기준 이후 시간의 탄성파 탐사 자료에 상응하는 송신파형요소를 제2 송신파형요소(Statistical wavelet from lower part of data)로 추출할 수 있다.
도 4에는, 전체 탄성파 탐사 자료에서 추출한 송신파형요소(이하 '전체송신파형요소'가 칭함)와 추출 기준에 따라 구분하여 추출한 제1 송신파형요소 및 제2 송신파형요소의 특징을 비교한 그래프가 예시된다. 도 4에 도시된 바와 같이, 전체송신파형요소는 제1 송신파형요소와 제2 송신파형요소의 중간 정도의 진폭(도 4의 상단 그래프 참조)과 주파수 특성(도 4의 하단 그래프 참조)을 보여줌을 확인할 수 있다. 따라서 프로세서(120)가 전체송신파형요소를 이용하여 탄성파 트레이스 등의 자료를 임의로 합성(또는 생성)할 경우 추출 기준에 따라 급격히 변화하는 탄성파 탐사 자료를 생성하기 어려울 수 밖에 없다. 반면, 프로세서(120)가 제1 송신파형요소 및/또는 제2 송신파형요소를 이용하여 탄성파 트레이스 등의 자료를 임의로 합성(또는 생성)할 경우 추출 기준에 따라 급격히 변화하는 탄성파 탐사 자료를 생성할 수 있을 것이다.
또한 프로세서(120)는 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 반사계수함수 및 제2 반사계수함수를 추출할 수 있다. 예를 들어, 프로세서(120)는 이미 공개된 기술인 SSI(Sparse Spike Inversion)을 이용하여 탄성파 탐사 자료에서 반사계수함수를 추출할 수 있을 것이다. 이때, 프로세서(120)는 미리 설정된 추출 기준에 따라 탄성파 탐사 자료에서 제1 반사계수함수 및 제2 반사계수함수를 추출할 수 있다. 예를 들어, 추출 기준이 탄성파 탐사 자료의 시간 영역 상에서 주파수 특성이 변화하는 부분인 경우를 가정한다. 프로세서(120)는 메모리(130)에 저장된 탄성파 탐사 자료를 시간 영역에서 분석하여 주파수 성분이 급격히 변화하는 시간 지점을 추출 기준으로 할 수 있고, 추출 기준 이전 시간의 탄성파 탐사 자료에 상응하는 반사계수함수를 제1 반사계수함수로 추출할 수 있으며, 추출 기준 이후 시간의 탄성파 탐사 자료에 상응하는 반사계수함수를 제2 반사계수함수로 추출할 수 있다.
또한, 프로세서(120)는 미리 설정된 방법에 따라 합성탄성파탐사자료(Synthetic Seismic Data)를 생성할 수 있다(Synthetic Seismic Data Processig, 220).
예를 들어, 프로세서(120)는 추출된 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성할 수 있다. 예를 들어, 프로세서(120)는 제1 송신파형요소에 상응하는 주파수[Hz]를 미리 설정된 주파수로 변경하여 제1-1 송신파형요소를 생성할 수 있다. 만일 제1 송신파형요소에 상응하는 주파수가 30[Hz]인 경우이고, 미리 설정된 제1-1 송신파형요소의 주파수가 제1 송신파형요소의 2배인 경우를 가정한다. 이때, 프로세서(120)는 60[Hz] 주파수에 상응하는 제1-1 송신파형요소를 생성할 수 있다. 제1 송신파형요소와 제1-1 송신파형요소의 관계는 다양하게 설정될 수 있으므로 이들 수치가 본 발명의 권리범위를 제한할 수 없음은 자명하다.
또한, 프로세서(120)는 추출된 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성할 수 있다. 프로세서(120)가 제2-1 송신파형요소를 생성하는 방법은 제1-1 송신파형요소를 생성하는 경우와 유사할 수 있다.
또한, 프로세서(120)는 제1 송신파형요소와 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 도 5에 예시된 바와 같이 제1 반사계수함수와 제1 송신파형요소를 콘볼루션하여 제1 가상탄성파트레이스를 생성할 수 있다. 또한, 프로세서(120)는 제2 송신파형요소와 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성할 수 있다. 마찬가지로, 프로세서(120) 제2 반사계수함수와 제2 송신파형요소를 콘볼루션하여 제2 가상탄성파트레이스를 생성할 수 있다.
또한, 프로세서(120)는 제1 가상탄성파트레이스와 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 추출 기준의 상부에 상응하는 제1 가상탄성파트레이스와 하부에 상응하는 제2 가상탄성파트레이스를 단순 결합하여 제1 합성탄성파트레이스를 생성할 수 있을 것이다. 제1 합성탄성파트레이스는 낮은 주파수의 제1 송신파형요소 및 제2 송신파형요소에 의해 생성된 데이터이므로 그 해상도가 낮을 것이다.
또한, 프로세서(120)는 제1-1 송신파형요소와 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 도 5에 예시된 바와 같이 제1 반사계수함수와 제1-1 송신파형요소를 콘볼루션하여 제1-1 가상탄성파트레이스를 생성할 수 있다. 또한, 프로세서(120)는 제2-1 송신파형요소와 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성할 수 있다. 마찬가지로, 프로세서(120) 제2 반사계수함수와 제2-1 송신파형요소를 콘볼루션하여 제2-1 가상탄성파트레이스를 생성할 수 있다.
또한, 프로세서(120)는 제1-1 가상탄성파트레이스와 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성할 수 있다. 예를 들어, 프로세서(120)는 추출 기준의 상부에 상응하는 제1-1 가상탄성파트레이스와 하부에 상응하는 제2-1 가상탄성파트레이스를 단순 결합하여 제2 합성탄성파트레이스를 생성할 수 있을 것이다. 제2 합성탄성파트레이스는 높은 주파수의 제1-1 송신파형요소 및 제2-1 송신파형요소에 의해 생성된 데이터이므로 그 해상도가 (제1 합성탄성파트레이스에 비하여) 높을 것이다
또한, 프로세서(120)는 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 이용하여 메모리(130)에 저장된 딥러닝 알고리즘을 학습시킬 수 있다. 예를 들어, 프로세서(120)는 제1 합성탄성파트레이스를 딥러닝 알고리즘의 입력으로 이용하고, 제2 합성탄성파트레이스를 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시킬 수 있다.
프로세서(120)는 수많은 제1 합성탄성파트레이스 및 제2 합성탄성파트레이스를 생성한 후 이들을 이용하여 딥러닝 알고리즘을 학습시킬 수 있다. 또한, 프로세서(120)는 상술한 방법으로 학습된 딥러닝 알고리즘을 이용하여 임의의 탄성파 탐사 자료의 해상도를 개선할 수 있다. 탄성파 탐사 자료는 복수의 탄성파 트레이스의 조합으로 형성될 수 있다. 따라서, 프로세서(120)는 탄성파 탐사 자료의 각 탄성파 트레이스를 딥러닝 알고리즘에 입력시키면, 지도 학습된 딥러닝 알고리즘은 해상도를 개선한 탄성파 트레이스를 출력할 수 있다. 프로세서(120)는 해상도가 개선된 탄성파 트레이스들을 결합하여 해상도가 개선된 탄성파 탐사 자료를 생성할 수 있을 것이다.
도 6은 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 방법을 설명하기 위한 순서도이다.
이하, 도 6을 참조하여, 본 발명의 일 실시예에 따른 탄성파 탐사 자료 처리 방법을 설명한다. 이하에서 수행되는 단계들은 탄성파탐사자료처리장치(100)의 메모리(130)에 저장된 프로그램이 프로세서(120)에 의해 실행되는 것일 수 있고, 구체적인 동작들은 도 2 내지 도 5를 참조하여 설명한 것과 대동소이할 수 있다. 따라서, 이하의 각 단계를 수행하는 주체는 프로세서(120)로 통칭하고, 각 단계들을 구성하는 구체적인 동작에 대한 설명은 생략한다.
먼저, 단계 S610에서, 프로세서(120)는 메모리(130)에 기저장된 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출할 수 있다.
또한, 단계 S620에서, 프로세서(120)는 추출된 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소 생성할 수 있다.
또한, 단계 S630에서, 프로세서(120)는 추출된 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소 생성할 수 있다.
또한, 단계 S640에서, 프로세서(120)는 기저장된 탄성파 탐사 자료에서 미리 설정된 추출 기준에 따라 제1 반사계수함수 및 제2 반사계수함수 추출할 수 있다.
또한, 단계 S650에서, 프로세서(120)는 제1 송신파형요소와 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스 생성할 수 있다.
또한, 단계 S655에서, 프로세서(120)는 제2 송신파형요소와 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스 생성할 수 있다.
또한, 단계 S657에서, 프로세서(120)는 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스 생성할 수 있다.
또한, 단계 S660에서, 프로세서(120)는 제1-1 송신파형요소와 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스 생성할 수 있다.
또한, 단계 S665에서, 프로세서(120)는 제2-1 송신파형요소와 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스 생성할 수 있다.
또한, 단계 S667에서, 프로세서(120)는 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스 생성할 수 있다.
또한, 단계 S670에서, 프로세서(120)는 제1 및 제2 합성탄성파트레이스를 이용하여 딥러닝을 학습시킬 수 있다.
상술한 바와 같이, 본 발명에 따르면, 미리 설정된 추출 기준에 따라 분할되어 합성된 탄성파 트레이스(Synthetic Seismic Trace)를 이용하여 딥러닝이 학습되고, 학습된 딥러닝을 이용하여 탄성파 탐사 자료의 해상도를 향상시키므로, 탄성파 탐사 자료의 개별 특성에 따라 적용성이 달라지지 않는 탄성파 탐사 자료 처리 장치 및 그 방법을 제공할 수 있다.
이상, 본 발명을 바람직한 실시 예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시 예에 한정되지 않고, 본 발명의 기술적 사상 및 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러가지 변형 및 변경이 가능하다.
100 : 탄성파탐사자료처리장치
110 : 모뎀
120 : 프로세서
130 : 메모리

Claims (14)

  1. 프로세서; 및
    상기 프로세서에 연결되고, 딥러닝 알고리즘 및 탄성파탐사자료가 저장되는 메모리;
    를 포함하며,
    상기 메모리는 상기 프로세서에 의해 실행 가능한,
    상기 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하고, 상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하며, 상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
  2. 제1항에 있어서,
    상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응하는, 탄성파 탐사 자료 처리 장치.
  3. 제2항에 있어서,
    상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
    상기 메모리는,
    상기 가스층의 상부에 상응하는 상기 제1 송신파형요소 및 상기 제1 반사계수함수를 추출하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
  4. 제2항에 있어서,
    상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
    상기 메모리는,
    상기 가스층의 하부에 상응하는 상기 제2 송신파형요소 및 상기 제2 반사계수함수를 추출하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
  5. 제1항에 있어서,
    상기 메모리는,
    상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하고, 상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하며, 상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
  6. 제5항에 있어서,
    상기 메모리는,
    상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하고, 상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하고, 상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하고, 상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하며, 상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
  7. 제6항에 있어서,
    상기 메모리는,
    상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 프로그램 명령어들을 저장하는, 탄성파 탐사 자료 처리 장치.
  8. 탄성파 탐사 자료 처리 장치에서 수행되는 탄성파 탐사 자료 처리 방법에 있어서,
    구비된 메모리에 저장된 탄성파탐사자료에서 미리 설정된 추출기준에 따라 제1 송신파형요소 및 제2 송신파형요소를 추출하는 단계;
    상기 탄성파탐사자료에서 상기 추출기준에 따라 제1 반사계수함수와 제2 반사계수함수를 추출하는 단계; 및
    상기 제1 송신파형요소, 상기 제2 송신파형요소, 상기 제1 반사계수함수 및 상기 제2 반사계수함수를 이용하여 상기 딥러닝 알고리즘을 학습시키는 단계;
    를 포함하는 탄성파 탐사 자료 처리 방법.
  9. 제8항에 있어서,
    상기 추출기준은 상기 탄성파탐사자료의 시간 영역 상에서 주파수 특성이 변화하는 부분에 상응하는, 탄성파 탐사 자료 처리 방법.
  10. 제9항에 있어서,
    상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
    상기 제1 송신파형요소 및 상기 제1 반사계수함수는 상기 가스층의 상부에 상응하는, 탄성파 탐사 자료 처리 방법.
  11. 제9항에 있어서,
    상기 추출기준은 상기 탄성파탐사자료에 포함된 가스층에 상응하고,
    상기 제2 송신파형요소 및 상기 제2 반사계수함수는 상기 가스층의 하부에 상응하는, 탄성파 탐사 자료 처리 방법.
  12. 제8항에 있어서,
    상기 딥러닝 알고리즘을 학습시키는 단계는,
    상기 제1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1 가상탄성파트레이스를 생성하는 단계;
    상기 제2 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2 가상탄성파트레이스를 생성하는 단계; 및
    상기 제1 가상탄성파트레이스 및 제2 가상탄성파트레이스를 결합하여 제1 합성탄성파트레이스를 생성하는 단계;
    를 포함하는, 탄성파 탐사 자료 처리 방법.
  13. 제12항에 있어서,
    상기 딥러닝 알고리즘을 학습시키는 단계는,
    상기 제1 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제1-1 송신파형요소를 생성하는 단계;
    상기 제2 송신파형요소의 주파수를 미리 설정된 만큼 증가시켜 제2-1 송신파형요소를 생성하는 단계;
    상기 제1-1 송신파형요소와 상기 제1 반사계수함수를 이용하여 제1-1 가상탄성파트레이스를 생성하는 단계;
    상기 제2-1 송신파형요소와 상기 제2 반사계수함수를 이용하여 제2-1 가상탄성파트레이스를 생성하는 단계; 및
    상기 제1-1 가상탄성파트레이스 및 제2-1 가상탄성파트레이스를 결합하여 제2 합성탄성파트레이스를 생성하는 단계;
    를 더 포함하는, 탄성파 탐사 자료 처리 방법.
  14. 제13항에 있어서,
    상기 딥러닝 알고리즘을 학습시키는 단계는,
    상기 제1 합성탄성파트레이스를 상기 딥러닝 알고리즘의 입력으로 이용하고, 상기 제2 합성탄성파트레이스를 상기 제1 합성탄성파트레이스의 레이블(Label)로 이용하여 상기 딥러닝 알고리즘을 지도 학습(Supervised Learning) 시키는 단계;
    를 더 포함하는, 탄성파 탐사 자료 처리 방법.
KR1020200152794A 2020-11-16 2020-11-16 딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법 Active KR102532502B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200152794A KR102532502B1 (ko) 2020-11-16 2020-11-16 딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200152794A KR102532502B1 (ko) 2020-11-16 2020-11-16 딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220066593A true KR20220066593A (ko) 2022-05-24
KR102532502B1 KR102532502B1 (ko) 2023-05-16

Family

ID=81806412

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200152794A Active KR102532502B1 (ko) 2020-11-16 2020-11-16 딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102532502B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1693685A1 (en) * 2005-02-22 2006-08-23 Services Petroliers Schlumberger An electromagnetic probe
KR20200014093A (ko) * 2018-07-31 2020-02-10 한양대학교 산학협력단 탄성파 자료를 처리하는 방법, 이를 이용하는 탄성파 처리 장치, 및 프로그램

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1693685A1 (en) * 2005-02-22 2006-08-23 Services Petroliers Schlumberger An electromagnetic probe
KR20200014093A (ko) * 2018-07-31 2020-02-10 한양대학교 산학협력단 탄성파 자료를 처리하는 방법, 이를 이용하는 탄성파 처리 장치, 및 프로그램

Also Published As

Publication number Publication date
KR102532502B1 (ko) 2023-05-16

Similar Documents

Publication Publication Date Title
Ross et al. Automatic picking of direct P, S seismic phases and fault zone head waves
Grigoli et al. Automated seismic event location by travel‐time stacking: An application to mining induced seismicity
Maity et al. Novel hybrid artificial neural network based autopicking workflow for passive seismic data
US9448317B2 (en) Method for swell noise detection and attenuation in marine seismic surveys
Plenkers et al. On the probability of detecting picoseismicity
CN108508481B (zh) 一种纵波转换波地震数据时间匹配的方法、装置及系统
Mancini et al. Probabilistic forecasting of hydraulic fracturing‐induced seismicity using an injection‐rate driven etas model
CN113222029B (zh) 基于数据融合的地震成像方法、装置、设备及存储介质
CN115877464B (zh) 一种岩性识别方法、装置、计算机设备及存储介质
KR102532502B1 (ko) 딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법
Chung et al. Improved rapid magnitude estimation for a community‐based, low‐cost MEMS accelerometer network
CN109633744B (zh) 地震子波的提取方法、装置、设备及存储介质
CA2693247C (en) Seismic attributes for structural analysis
CN111502647A (zh) 一种钻井地质环境因素确定方法、装置及存储介质
Husebye et al. Focal‐depth estimation using Pn‐coda phases including pP, sP, and PmP
Zhang et al. Microseismic and seismic denoising using block matching and 3D collaborative filtering
CN111665558B (zh) 一种油气分布检测方法和系统
CN112649848B (zh) 利用波动方程求解地震波阻抗的方法和装置
CN111025393B (zh) 针对含薄煤层地层的储层预测方法、装置、设备及介质
CN112630832B (zh) 基于衰减因子随入射角变化的含气性预测方法和装置
CN114063169A (zh) 一种波阻抗反演方法、系统、设备和存储介质
US20170336523A1 (en) Seismic signal processing method, apparatus and system
CN109242222B (zh) 一种预测非常规天然气含量的方法、装置，电子设备及存储介质
CN112130209A (zh) 岩溶储层预测方法及装置
KR20220028647A (ko) 딥러닝을 이용한 탄성파 탐사 자료 처리 장치 및 그 방법

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20201116

PA0201 Request for examination
PG1501 Laying open of application
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20220602

Patent event code: PE09021S01D

AMND Amendment
E601 Decision to refuse application
PE0601 Decision on rejection of patent

Patent event date: 20221101

Comment text: Decision to Refuse Application

Patent event code: PE06012S01D

Patent event date: 20220602

Comment text: Notification of reason for refusal

Patent event code: PE06011S01I

X091 Application refused [patent]
AMND Amendment
PX0901 Re-examination

Patent event code: PX09011S01I

Patent event date: 20221101

Comment text: Decision to Refuse Application

Patent event code: PX09012R01I

Patent event date: 20220722

Comment text: Amendment to Specification, etc.

PX0701 Decision of registration after re-examination

Patent event date: 20230210

Comment text: Decision to Grant Registration

Patent event code: PX07013S01D

Patent event date: 20230131

Comment text: Amendment to Specification, etc.

Patent event code: PX07012R01I

Patent event date: 20221101

Comment text: Decision to Refuse Application

Patent event code: PX07011S01I

Patent event date: 20220722

Comment text: Amendment to Specification, etc.

Patent event code: PX07012R01I

X701 Decision to grant (after re-examination)
GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20230510

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20230511

End annual number: 3

Start annual number: 1

PG1601 Publication of registration