RU2412454C2 - Method to process seismic data using discrete wavelet transform - Google Patents
Method to process seismic data using discrete wavelet transform Download PDFInfo
- Publication number
- RU2412454C2 RU2412454C2 RU2009117005/28A RU2009117005A RU2412454C2 RU 2412454 C2 RU2412454 C2 RU 2412454C2 RU 2009117005/28 A RU2009117005/28 A RU 2009117005/28A RU 2009117005 A RU2009117005 A RU 2009117005A RU 2412454 C2 RU2412454 C2 RU 2412454C2
- Authority
- RU
- Russia
- Prior art keywords
- seismic
- wavelet
- vector
- coefficients
- detail
- Prior art date
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
Изобретение относится к области сейсмической разведки, в частности к способам обработки сейсмических данных.The invention relates to the field of seismic exploration, in particular to methods for processing seismic data.
Известен способ обработки сейсмических данных, позволяющий получить улучшения количественной оценки и визуализации отражения от тонкого пласта, а также от боковых нарушений сплошности горной породы, основанный на выявлении специальных эффектов в амплитудных спектрах участков сейсмических трасс, от исследуемых геологических объектов (патент РФ №2187828, G01V 1/30). Способ реализуется с использованием преобразования Фурье. Авторами этого способа показано, что отражение от тонкого пласта имеет характерную форму выражения в частотной области. Его амплитудно-частотный спектр содержит периодическую последовательность отметок (всплесков), отстоящих друг от друга на расстояние, обратно пропорциональном «временной толщине» тонкого пласта.A known method of processing seismic data, which allows to obtain improvements in the quantitative assessment and visualization of reflection from a thin layer, as well as from lateral discontinuities of rock, based on the identification of special effects in the amplitude spectra of sections of seismic traces from the studied geological objects (RF patent No. 2187828, G01V 1/30). The method is implemented using the Fourier transform. The authors of this method showed that the reflection from a thin layer has a characteristic form of expression in the frequency domain. Its amplitude-frequency spectrum contains a periodic sequence of marks (bursts) spaced apart from each other by a distance inversely proportional to the “time thickness” of the thin layer.
Известно использование дискретного вейвлет-преобразования для обработки и анализа сигналов разнообразной природы (патент РФ №2246132, G06F 17/14, прототип). В указанном патенте дано подробное описание способа и устройства быстрого вычисления вейвлет-преобразований, которое может быть использовано при обработке сигналов, в частности в области обработки экспериментальных данных в физике, в гидроакустике, сейсмоакустике, радиолокации и т.д. В данном известном техническом решении посредством быстрого вычисления вейвлет-преобразования дается возможность анализировать сигнал с произвольной точностью измерения масштабов и временных сдвигов избыточного дискретного вейвлет-преобразования сигнала с произвольно заданным (выбранным) малым шагом дискретизации масштабных коэффициентов.It is known to use a discrete wavelet transform for processing and analyzing signals of various nature (RF patent No. 2246132, G06F 17/14, prototype). The said patent provides a detailed description of the method and device for the quick calculation of wavelet transforms, which can be used in signal processing, in particular in the field of experimental data processing in physics, in hydroacoustics, seismic acoustics, radar, etc. In this known technical solution, by quickly calculating the wavelet transform, it is possible to analyze the signal with arbitrary accuracy of measuring the scales and time shifts of the excess discrete wavelet transform of the signal with an arbitrarily specified (selected) small step of sampling the scale factors.
В настоящее время наибольшее распространение при обработке и интерпретации сейсмических данных получили спектральные способы обработки с использованием быстрого преобразования Фурье, например, как это показано выше. Однако, как показала практика, обработка с использованием быстрого преобразования Фурье различного рода сейсмических данных не всегда является исчерпывающей и достаточно эффективной, поэтому проблема анализа сейсмических данных в различных масштабах (координатах n-мерного пространства) остается одной из актуальных в современном процессе их обработки.Currently, the most widespread in the processing and interpretation of seismic data are spectral processing methods using fast Fourier transform, for example, as shown above. However, as practice has shown, processing using various types of seismic data using the fast Fourier transform is not always exhaustive and quite effective; therefore, the problem of analyzing seismic data at various scales (coordinates of n-dimensional space) remains one of the most relevant in the modern process of processing them.
Задачей настоящего изобретения является расширение возможностей и арсенала способов обработки сейсмических данных, обеспечивающих повышение эффективности, информативности и достоверности результатов обработки сейсмических данных при геолого-геофизических исследованиях земной коры, в том числе в области поиска углеводородсодержащих объектов сложной структуры.The objective of the present invention is to expand the capabilities and arsenal of methods for processing seismic data, providing increased efficiency, informativeness and reliability of the results of processing seismic data in geological and geophysical studies of the earth's crust, including in the search for hydrocarbon-containing objects of complex structure.
Технический результат изобретения - обеспечение возможности анализа сейсмических данных с локализацией особенностей сигнала в вейвлет-частотной области с повышенным качеством выделения особенностей сигнальной составляющей в пространственно-временных координатах, с разделением волновых полей на отдельные составляющие и повышением отношения сигнал/помеха.The technical result of the invention is the ability to analyze seismic data with the localization of signal features in the wavelet frequency region with improved quality of distinguishing the features of the signal component in spatio-temporal coordinates, with the separation of the wave fields into separate components and an increase in the signal / noise ratio.
Поставленная задача решается за счет того, что в способе обработки сейсмических данных с использованием дискретного вейвлет-преобразования, включающем представление сейсмических данных в виде набора сейсмических трасс, согласно изобретению каждую из исходных сейсмических трасс, представленную в виде вектора отсчетов, подвергают дискретному вейвлет-преобразованию (М итераций) с получением вектора вейвлет-коэффициентов, содержащего детализирующие вейвлет-коэффициенты Кn с первого по уровень М включительно, а также гладкие вейвлет-коэффициенты последнего уровня преобразования OM, далее вектор вейвлет-коэффициентов разделяют на ряд векторов, каждый из которых содержит детализирующие вейвлет-коэффициенты Kn одного уровня и нули на месте всех остальных вейвлет-коэффициентов (детализирующий вектор уровня n), а также вектор, содержащий гладкие вейвлет-коэффициенты OM и нули на месте всех детализирующих коэффициентов (детализирующий вектор уровня М+1), каждый из указанных детализирующих векторов уровней с 1 по М+1, подвергают процедуре обратного дискретного вейвлет-преобразования с получением М+1 слоев детализации dl(n) и представлением (визуализацией) исходного сейсмического сигнала в виде составляющих dl(n) с различными энергетическими и частотными характеристиками; каждый из указанных составляющих (слоев детализации dl(n)) анализируют по их целевой значимости с учетом решаемой сейсмической задачи, после чего осуществляют выборку значимых отдельных слоев детализации вейвлет-разложения исходного сейсмического сигнала с построением их частичных сумм для последующей обработки и интерпретации сейсмических данных.The problem is solved due to the fact that in the method of processing seismic data using a discrete wavelet transform, including the representation of seismic data in the form of a set of seismic traces, according to the invention, each of the source seismic traces, presented as a vector of samples, is subjected to a discrete wavelet transform ( M iterations) to obtain a vector of wavelet coefficients containing detailed wavelet coefficients Kn from the first to level M inclusive, as well as smooth wavelet coe coefficients of the last transformation level O M , then the vector of wavelet coefficients is divided into a series of vectors, each of which contains detailed wavelet coefficients K n of the same level and zeros in the place of all other wavelet coefficients (detailing vector of level n), as well as a vector containing smooth wavelet coefficients O M and zeros in place detailing all coefficients (vector detailing level M + 1), each of said
Способ согласно изобретению основан на следующем.The method according to the invention is based on the following.
Известно, что все способы подавления волновых помех, как правило, построены с учетом выделенных аномальных значений их характеристик относительно параметров полезного сигнала. Как показано авторами, для обработки и анализа нестационарных сигналов, к которым относятся волновые сейсмические поля, может быть успешно применено дискретное вейвлет-преобразование, которое позволило эффективно выделять аномальные характеристики наблюдаемых сейсмических полей.It is known that all methods of suppressing wave interference, as a rule, are constructed taking into account the selected anomalous values of their characteristics relative to the parameters of the useful signal. As shown by the authors, for processing and analysis of unsteady signals, which include wave seismic fields, a discrete wavelet transform can be successfully applied, which made it possible to efficiently isolate the anomalous characteristics of the observed seismic fields.
В основе алгоритма быстрого дискретного вейвлет-преобразования лежит использование двух связанных между собой цифровых фильтров, один из которых является сглаживающим, а второй - детализирующим, настроенным на особенности сигнала. Широкий набор существующих базовых функций вейвлетов позволил адаптировать их к обработке сейсмических данных, обеспечивающей повышение отношения сигнал/помеха.The basis of the fast discrete wavelet transform algorithm is the use of two interconnected digital filters, one of which is smoothing, and the second is detailed, tuned to the characteristics of the signal. A wide range of existing basic wavelet functions made it possible to adapt them to seismic data processing, which provides an increase in the signal-to-noise ratio.
Последовательное применение нескольких итераций вейвлет-преобразований по пирамидальному алгоритму Малла (Mallat) (входными данными для каждого последующего уровня преобразования является гладкая часть сигнала, полученная при преобразовании предыдущего уровня) позволяет получить вейвлет-разложение сигнала.The sequential use of several iterations of wavelet transforms according to the Mallat pyramid algorithm (the input for each subsequent level of the transformation is the smooth part of the signal obtained by the previous level transformation) allows us to obtain the wavelet decomposition of the signal.
Совокупность детализирующих коэффициентов, полученных в результате n-ной итерации вейвлет-преобразования, будем в дальнейшем называть коэффициентами n-го уровня детализации. При этом на каждой итерации количество как детализирующих, так и гладких коэффициентов уменьшается вдвое относительно числа коэффициентов входного сигнала. На любом этапе преобразованный сигнал содержит то же число отсчетов, что и исходный сигнал, этого достаточно для выполнения взаимно однозначного обратного вейвлет-преобразования.The set of detailed coefficients obtained as a result of the nth iteration of the wavelet transform will be called the coefficients of the nth level of detail. At the same time, at each iteration, the number of both detailed and smooth coefficients is halved relative to the number of input signal coefficients. At any stage, the converted signal contains the same number of samples as the original signal, this is enough to perform a one-to-one inverse wavelet transform.
Разработанный авторами способ обработки сейсмических данных с применением дискретного вейвлет-разложения обеспечивает восстановление сигнала из его вейвлет-разложения по разным слоям детализации. Слой детализации вейвлет-разложения уровня n - это сигнал, полученный восстановлением посредством обратного дискретного вейвлет-преобразования только из коэффициентов n-го уровня детализации, приняв все остальные коэффициенты (и детализирующие, и гладкие) других уровней равными нулю.The method developed by the authors for processing seismic data using discrete wavelet decomposition provides signal recovery from its wavelet decomposition over different detail layers. The detail layer of the wavelet decomposition of level n is the signal obtained by reconstructing by the inverse discrete wavelet transform only from the coefficients of the nth level of detail, taking all other coefficients (both detailed and smooth) of the other levels equal to zero.
Все проводимые операции, а именно прямое дискретное вейвлет-преобразование, разложение вектора вейвлет-коэффициентов на сумму векторов, обратное дискретное вейвлет-преобразование являются линейными. Вследствие этого, в результате проведенных операций исходный вектор данных однозначно раскладывается на ряд слоев детализации вейвлет-разложения, полная сумма которых однозначно восстанавливает исходный вектор данных S.All operations, namely, the direct discrete wavelet transform, the decomposition of the vector of wavelet coefficients into the sum of the vectors, the inverse discrete wavelet transform, are linear. As a result of this, as a result of the operations performed, the original data vector is uniquely decomposed into a number of detail layers of the wavelet decomposition, the total amount of which uniquely restores the original data vector S.
Сложное волновое поле раскладывается на составляющие, различающиеся энергетическими и частотными характеристиками. При этом первый слой детализации вейвлет-разложения содержит наиболее высокочастотные особенности, а последующие слои детализации - более гладкие (низкочастотные) составляющие исходного сигнала. В дальнейшем полученные слои детализации вейвлет-разложения разных уровней могут быть использованы как по отдельности, так и в составе частичных сумм при обработке и анализе сейсмических данных.A complex wave field is decomposed into components that differ in energy and frequency characteristics. In this case, the first layer of detail of the wavelet decomposition contains the most high-frequency features, and the subsequent layers of detail - more smooth (low-frequency) components of the original signal. In the future, the obtained detail layers of the wavelet decomposition of different levels can be used both individually and as part of partial sums in the processing and analysis of seismic data.
Как правило, процедура вейвлет-разложения сейсмических записей выполняется потрассно с использованием дискретных вейвлетов с высокой гладкостью.As a rule, the wavelet decomposition of seismic records is performed transversally using discrete wavelets with high smoothness.
На фиг.1 показана блок-схема последовательности операций при осуществлении способа согласно изобретению. Фиг.2-5 иллюстрируют реализацию способа согласно изобретению.Figure 1 shows a block diagram of a sequence of operations when implementing the method according to the invention. Figure 2-5 illustrate the implementation of the method according to the invention.
Способ согласно изобретению осуществляют в следующей последовательности операций.The method according to the invention is carried out in the following sequence of operations.
Исходная сейсмическая трасса, состоящая из дискретных отсчетов, рассматривается как вектор входных данных S (поз.1, фиг.1) для прямого дискретного вейвлет-преобразования (поз.2, фиг.1). На первой итерации дискретного вейвлет-преобразования (вектор входных данных умножается на матрицу вейвлет-преобразования) вектор данных преобразовывается в вектор вейвлет-коэффициентов. Гладкие коэффициенты участвуют в дальнейшем преобразовании, детализирующие коэффициенты сохраняются на всех уровнях вейвлет-разложения. Как было сказано выше, для вейвлет-разложения по пирамидальному алгоритму Малла в каждой последующей итерации дискретного вейвлет-преобразования в качестве вектора входных данных используется вектор гладких коэффициентов, полученный на предыдущей итерации дискретного вейвлет-преобразования.The initial seismic trace, consisting of discrete samples, is considered as an input data vector S (
Как показано на поз.3, фиг.1, после проведения М итераций прямого дискретного вейвлет-преобразования вектор выходных данных содержит коэффициенты вейвлет-разложения: детализирующие коэффициенты Kn вейвлет-преобразования от первого по уровень М включительно, а также гладкие коэффициенты OM последней итерации уровня М.As shown in pos. 3, figure 1, after M iterations of the direct discrete wavelet transform, the output vector contains wavelet expansion coefficients: the detailed coefficients K n of the wavelet transform from the first to the level M inclusive, as well as smooth coefficients O M of the last iterations of level M.
Из вектора вейвлет-коэффициентов с использованием обратного дискретного вейвлет-преобразования (М итераций) можно однозначно восстановить вектор исходных данных. Предлагается проводить восстановление исходного сейсмического сигнала во временную область из вектора вейвлет-коэффициентов последовательно «по частям». Сначала вектор преобразованных данных разделяется на ряд М+1 детализирующих векторов (поз.4, поз.5. фиг.1). Результатом разделения являются векторы: первый вектор содержит коэффициенты первого уровня детализации и нули на месте всех остальных коэффициентов; второй вектор содержит коэффициенты второго уровня детализации и нули на месте всех остальных коэффициентов; вектор М содержит коэффициенты детализации уровня М и нули на месте всех остальных коэффициентов; вектор (М+1) содержит гладкие коэффициенты последнего уровня М вейвлет-преобразования и нули на месте всех детализирующих коэффициентов всех уровней (поз.5, фиг.1).From the vector of wavelet coefficients using the inverse discrete wavelet transform (M iterations), we can uniquely reconstruct the vector of source data. It is proposed to restore the original seismic signal to the time domain from the vector of wavelet coefficients sequentially "in parts". First, the vector of converted data is divided into a series of M + 1 detailing vectors (
Далее каждый из указанных детализирующих векторов, содержащий только часть коэффициентов из общего вектора преобразованных данных, подвергают обратному дискретному вейвлет-преобразованию (поз.6, фиг.1). Результат этой операции для n-го детализирующего вектора авторы называют слоем детализации уровня n (поз.7, фиг.1).Next, each of these detailed vectors, containing only part of the coefficients from the total vector of the converted data, is subjected to the inverse discrete wavelet transform (pos.6, Fig.1). The authors call the result of this operation for the nth detailing vector a layer of detail level n (pos. 7, Fig. 1).
Первый слой детализации содержит наиболее высокочастотные составляющие исходного сигнала, каждый последующий слой детализации содержит все более и более гладкие составляющие. Так как сейсмические волны разных типов имеют разные частотные и энергетические характеристики, то при таком разложении отдельные составляющие сейсмического сигнала представляются в различных слоях детализации.The first detail layer contains the most high-frequency components of the original signal, each subsequent detail layer contains more and more smooth components. Since seismic waves of different types have different frequency and energy characteristics, with this decomposition, the individual components of the seismic signal are presented in different layers of detail.
При необходимости выделения и анализа сейсмической волны конкретного типа учитывают только те слои детализации dl(k), …, dl(l), в которых эти волны значимо представлены (например, по интенсивности), а в последующем используют также сумму
Способ согласно изобретению, как он описан выше, расширяет возможности обработки сейсмических данных за счет разложения исходного сигнала на ряд слоев детализации, обладающих разными энергетическими и пространственно-временными характеристиками, и возможности анализировать их по отдельности, а также в составе частичных сумм, включающих только выбранные «полезные» слои детализации.The method according to the invention, as described above, expands the possibilities of processing seismic data by decomposing the source signal into a number of layers of detail with different energy and space-time characteristics, and the ability to analyze them individually, as well as as part of partial sums, including only selected "Useful" layers of detail.
Ниже приведен пример реализации способа согласно изобретению.The following is an example implementation of the method according to the invention.
Возможности вейвлет-фильтрации с использованием вейвлет-разложения по различным слоям детализации для выделения и подавления регулярных волн-помех были апробированы на полевых сейсмических данных. Для анализа и обработки были использованы данные (волновые зонды), полученные ОАО «Енисейгеофизика» на Оморинской площади (Сибирская платформа) с использованием трехкомпонентных цифровых акселерометров DSU3 (Sercel, Франция). Система наблюдений центральная, максимальная дистанция составила ±3440 м. Длина расстановки сейсмодатчиков составила 860 м, шаг между пунктами приема 5 м, группирование сейсмодатчиков не применялось. Выполнено 8 взрывных возбуждений.The possibilities of wavelet filtering using wavelet decomposition over various detail layers to isolate and suppress regular interference waves were tested on field seismic data. For analysis and processing, we used data (wave probes) obtained by Yeniseiofehizika OJSC on Omorinsky Square (Siberian Platform) using DSU3 three-component digital accelerometers (Sercel, France). The observation system is central, the maximum distance was ± 3440 m. The length of the arrangement of the seismic sensors was 860 m, the step between the receiving points was 5 m, and the grouping of seismic sensors was not used. Done 8 explosive excitations.
Особенностью сейсмогеологического разреза данного района исследований является высокая скорость сейсмических волн, а также наличие в верхней части разреза сейсмической азимутальной анизотропии с латеральными изменениями. Наблюдаемое на трех компонентах (Zz, Zx, Zy) поле сейсмических волн имеет сложную интерференционную структуру: прослеживаются волны разной поляризации (продольные, поперечные и обменные). В области прослеживания целевых отраженных продольных волн (0,7-1,4 с) на всех волновых зондах регистрируются интенсивные низкочастотные поверхностные волны (волновые помехи).A feature of the seismic-geological section of this research area is the high speed of seismic waves, as well as the presence of seismic azimuthal anisotropy with lateral changes in the upper part of the section. The field of seismic waves observed on the three components (Zz, Zx, Zy) has a complex interference structure: waves of different polarization (longitudinal, transverse, and exchange) are traced. In the field of tracking target reflected longitudinal waves (0.7-1.4 s), intense low-frequency surface waves (wave interference) are recorded at all wave probes.
Вейвлет-разложение сейсмических зондов в соответствии со способом согласно изобретению выполнено с базовым вейвлетом высокой гладкости Coiflet 30. На фиг.2 показан фрагмент обработки исходного сигнала (Z-компонента) на этапе процедуры обратного дискретного вейвлет-преобразования (операция поз.6, фиг.1) с получением слоев детализации dl(n). Как и ожидалось, крайние слои детализации вейвлет-разложения вертикальной компоненты (Zz) сейсмического зонда, уровни dl(1), dl(2), dl(7), являются наиболее энергетически слабыми. Первый слой детализации dl(1) содержит в основном высокочастотный, случайный шум. Поле низкочастотных поверхностных волн (регулярный шум) сосредоточено в слоях детализации dl(6) и dl(7). Целевые отраженные продольные РР и обменные SP, PS сейсмические волны наиболее уверенно прослеживаются на средних слоях детализации dl(3), dl(4) и dl(5).The wavelet decomposition of seismic probes in accordance with the method according to the invention is performed with a Coiflet 30 basic smoothness wavelet. FIG. 2 shows a fragment of the processing of the original signal (Z-component) at the stage of the inverse discrete wavelet transform procedure (operation pos. 1) with obtaining layers of detail dl (n). As expected, the extreme detail layers of the wavelet decomposition of the vertical component (Zz) of the seismic probe, the levels dl (1), dl (2), dl (7), are the most energetically weak. The first detail layer dl (1) contains mainly high-frequency, random noise. The field of low-frequency surface waves (regular noise) is concentrated in the detail layers dl (6) and dl (7). Targeted reflected longitudinal PP and exchange SP, PS seismic waves are most confidently traced on the middle detail layers dl (3), dl (4) and dl (5).
Далее на фиг.3 приведены результаты вейвлет-фильтрации: варианты частичных сумм, построенных из разных слоев детализации dl(n). На фиг.3а показан отдельный выделенный слой детализации dl(4) с увеличенным коэффициентом усиления, пунктиром выделена область поиска целевых отраженных продольных волн. Также приведены частичные суммы слоев детализации (поз.8, фиг.1) со второго по шестой уровни (фиг.3б), со второго по четвертый уровни (фиг.3в) и с третьего по пятый уровни (фиг.3г).Next, figure 3 shows the results of wavelet filtering: options for partial sums constructed from different layers of detail dl (n). On figa shows a separate selected detail layer dl (4) with an increased gain, the dotted line shows the search area of the target reflected longitudinal waves. Also shown are the partial sums of the layers of detail (pos. 8, Fig. 1) from the second to sixth levels (Fig. 3b), from the second to fourth levels (Fig. 3c) and from the third to fifth levels (Fig. 3d).
Как видно на фиг.3в, вейвлет-фильтрация с использованием суммы слоев детализации dl(2)+dl(3)+dl(4) значительно (более чем в 10 раз) снизила интенсивность случайного шума и регулярных волн-помех, в результате чего в целевом интервале прослеживания продольных отраженных волн повысилось отношение сигнал/помеха в несколько раз.As can be seen in FIG. 3c, wavelet filtering using the sum of the detail layers dl (2) + dl (3) + dl (4) significantly (more than 10 times) reduced the intensity of random noise and regular interference waves, resulting in in the target tracking interval of longitudinal reflected waves, the signal-to-noise ratio increased several times.
На фиг.4 показан пример, демонстрирующий применение способа согласно изобретению, для подавления регулярных поверхностных волн-помех, в сравнении с применением частотной фильтрации (преобразование Фурье). На фиг.4а приведена исходная сейсмическая запись, черным квадратом выделен фрагмент, который будет показан более детально в дальнейшем, пунктиром внутри квадрата показана область выделения целевой отраженной продольной волны. На фиг.4б приведен указанный фрагмент исходной сейсмической записи перед обработкой. На фиг.4в приведен тот же указанный фрагмент после применения вейвлет-фильтрации (частичная сумма слоев детализации второго, третьего и четвертого четвертый уровней). На фиг.4г приведен тот же указанный фрагмент после применения полосовой частотной фильтрации 20-80 Гц. Как видно из сравнения фрагментов 4в и 4г, при применении вейвлет-фильтрации подавлены низкочастотные поверхностные волны-помехи в большей степени, при этом сохранены высокочастотные составляющие отраженных продольных волн, разрешенность сейсмической записи выше.Figure 4 shows an example that demonstrates the use of the method according to the invention for suppressing regular surface interference waves, in comparison with the use of frequency filtering (Fourier transform). Fig. 4a shows the initial seismic record, a fragment that will be shown in more detail below is highlighted in a black square, a dotted line inside the square shows the region of selection of the target reflected longitudinal wave. On figb shows the specified fragment of the source seismic record before processing. Fig. 4c shows the same indicated fragment after applying wavelet filtering (a partial sum of layers of detail of the second, third and fourth fourth levels). Figure 4g shows the same indicated fragment after applying band pass filtering of 20-80 Hz. As can be seen from the comparison of fragments 4c and 4d, when applying wavelet filtering, low-frequency surface interference waves are suppressed to a greater extent, while the high-frequency components of the reflected longitudinal waves are preserved, the resolution of the seismic recording is higher.
На фиг.5 показан пример применения вейвлет-фильтрации для подавления случайных помех и повышения отношения сигнал/помеха в области первых вступлений. На фиг.5а приведен фрагмент исходной сейсмической записи, полученной при глубинных исследованиях методом ГСЗ при системе наблюдений «суша-море», возбуждение - морские пневмоизлучатели СИН-6М, регистрация - наземная, автономная станция РОСА-А. На фиг.5б приведен тот же фрагмент после применения вейвлет-фильтрации (частичная сумма третьего и четвертого слоев детализации). На фиг.5в приведен тот же фрагмент после применения полосовой частотной фильтрации 6-36 Гц. Как видно из сравнения фрагментов 5б и 5в, применение вейвлет-фильтрации снижает случайный шум и повышает соотношение сигнал/помеха в большей степени, чем полосовая частотная фильтрация, при этом прослеживается более высокая разрешенность сейсмической записи.Figure 5 shows an example of the use of wavelet filtering to suppress random noise and increase the signal-to-noise ratio in the region of the first arrivals. Fig. 5a shows a fragment of the initial seismic record obtained during in-depth exploration by the DSS method with the "land-sea" observation system, the excitation is SIN-6M marine air emitters, and the registration is a ground-based, autonomous station ROSA-A. Figure 5b shows the same fragment after applying wavelet filtering (a partial sum of the third and fourth layers of detail). Figure 5c shows the same fragment after applying bandpass filtering of 6-36 Hz. As can be seen from the comparison of fragments 5b and 5c, the use of wavelet filtering reduces random noise and increases the signal-to-noise ratio to a greater extent than band-pass frequency filtering, with a higher resolution of seismic recording being traced.
Приведенные примеры убедительно демонстрируют, что способ обработки сейсмических данных с использованием вейвлет-фильтрации, согласно изобретению, позволяет эффективно подавлять низкочастотные волны-помехи в сейсмическом поле, сохраняя структуру сигнальной составляющей практически неизменной и обеспечивает, таким образом, более достоверное (по сравнению с частотной фильтрацией) выделение целевых волн, имеющих высокую информативную и прогнозную значимость при глубинных сейсмических исследованиях.The above examples convincingly demonstrate that the method of processing seismic data using wavelet filtering, according to the invention, can effectively suppress low-frequency noise waves in the seismic field, while maintaining the structure of the signal component almost unchanged and thus provides more reliable (compared to frequency filtering ) the allocation of target waves that have high informative and predictive significance in deep seismic studies.
Кроме того, очевидно, что анализ сейсмических данных с использованием вейвлет-фильтрации, согласно изобретению, по слоям детализации расширяет возможности обработки и интерпретации волновых полей.In addition, it is obvious that the analysis of seismic data using wavelet filtering, according to the invention, by layers of detail extends the processing and interpretation of wave fields.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2009117005/28A RU2412454C2 (en) | 2009-05-04 | 2009-05-04 | Method to process seismic data using discrete wavelet transform |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2009117005/28A RU2412454C2 (en) | 2009-05-04 | 2009-05-04 | Method to process seismic data using discrete wavelet transform |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2009117005A RU2009117005A (en) | 2010-11-10 |
| RU2412454C2 true RU2412454C2 (en) | 2011-02-20 |
Family
ID=44025793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2009117005/28A RU2412454C2 (en) | 2009-05-04 | 2009-05-04 | Method to process seismic data using discrete wavelet transform |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2412454C2 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016209100A1 (en) * | 2015-06-22 | 2016-12-29 | Schlumberger Technology Corporation | A computer-implemented method and a system for processing acoustic signals |
| RU2620785C1 (en) * | 2016-06-14 | 2017-05-29 | Общество с ограниченной ответственностью "Макросейс" | Method of determining the location of the microseismic focus |
| RU2637255C2 (en) * | 2013-07-02 | 2017-12-01 | Шлюмбергер Текнолоджи Б.В. | Method for checking fracture geometry for microseismic events |
| RU2658968C2 (en) * | 2013-08-28 | 2018-06-26 | Шлюмбергер Текнолоджи Б.В. | Method of implementation of stimulating operations with placement of proppant on a drilling site |
| US10352145B2 (en) | 2011-03-11 | 2019-07-16 | Schlumberger Technology Corporation | Method of calibrating fracture geometry to microseismic events |
| US10422208B2 (en) | 2011-11-04 | 2019-09-24 | Schlumberger Technology Corporation | Stacked height growth fracture modeling |
| US10544667B2 (en) | 2011-11-04 | 2020-01-28 | Schlumberger Technology Corporation | Modeling of interaction of hydraulic fractures in complex fracture networks |
-
2009
- 2009-05-04 RU RU2009117005/28A patent/RU2412454C2/en active
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10352145B2 (en) | 2011-03-11 | 2019-07-16 | Schlumberger Technology Corporation | Method of calibrating fracture geometry to microseismic events |
| US10422208B2 (en) | 2011-11-04 | 2019-09-24 | Schlumberger Technology Corporation | Stacked height growth fracture modeling |
| US10544667B2 (en) | 2011-11-04 | 2020-01-28 | Schlumberger Technology Corporation | Modeling of interaction of hydraulic fractures in complex fracture networks |
| RU2637255C2 (en) * | 2013-07-02 | 2017-12-01 | Шлюмбергер Текнолоджи Б.В. | Method for checking fracture geometry for microseismic events |
| RU2658968C2 (en) * | 2013-08-28 | 2018-06-26 | Шлюмбергер Текнолоджи Б.В. | Method of implementation of stimulating operations with placement of proppant on a drilling site |
| WO2016209100A1 (en) * | 2015-06-22 | 2016-12-29 | Schlumberger Technology Corporation | A computer-implemented method and a system for processing acoustic signals |
| RU2620785C1 (en) * | 2016-06-14 | 2017-05-29 | Общество с ограниченной ответственностью "Макросейс" | Method of determining the location of the microseismic focus |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2009117005A (en) | 2010-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2412454C2 (en) | Method to process seismic data using discrete wavelet transform | |
| US11880011B2 (en) | Surface wave prediction and removal from seismic data | |
| Cheng et al. | Frequency–wavenumber (FK)-based data selection in high-frequency passive surface wave survey | |
| RU2518577C2 (en) | Continuous adaptive surface wave analysis for three-dimensional seismic data | |
| CN103728659B (en) | A kind of method improving detection of karst cave precision | |
| RU2620785C1 (en) | Method of determining the location of the microseismic focus | |
| CN107102356A (en) | Seismic signal high resolution data processing methods based on CEEMD | |
| Gholami et al. | Shear wave velocity prediction using seismic attributes and well log data | |
| CN102998703A (en) | Method and device for conducting reservoir prediction and based on earth surface consistency deconvolution | |
| CN102721979B (en) | Seismic data-based thin layer automatic interpretation and thickness prediction method and device | |
| Zhao et al. | Signal detection and enhancement for seismic crosscorrelation using the wavelet-domain Kalman filter | |
| US20100286922A1 (en) | Method for detecting and/or processing seismic signals | |
| CN102323618B (en) | Coherent Noise Suppression Method Based on Fractional Fourier Transform | |
| Yue et al. | Suppression of periodic interference during tunnel seismic predictions via the Hankel-SVD-ICA method | |
| Iqbal et al. | Iterative interferometry-based method for picking microseismic events | |
| Zhang et al. | An effective denoising method based on cumulative distribution function thresholding and its application in the microseismic signal of a metal mine with high sampling rate (6 kHz) | |
| CN100429527C (en) | Three-dimensional seismic data processing quality monitoring technology | |
| Zheng et al. | Microseismic event denoising via adaptive directional vector median filters | |
| NO318319B1 (en) | Method and apparatus for filtering elliptical waves propagating in a medium | |
| CN110749923A (en) | Deconvolution method for improving resolution based on norm equation | |
| CN113552632B (en) | Seismic cross-correlation signal pickup method and system based on wavelet domain Kalman filtering | |
| Jiang et al. | An improved method of local mean decomposition with adaptive noise and its application to microseismic signal processing in rock engineering | |
| CA2610997C (en) | Method for coherence-filtering of acoustic array signal | |
| Rosyidi et al. | Wavelet spectrogram analysis of surface wave technique for dynamic soil properties measurement on soft marine clay site | |
| Wang et al. | The filtering characteristics of HHT and its application in acoustic log waveform signal processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PC43 | Official registration of the transfer of the exclusive right without contract for inventions |
Effective date: 20200514 |