[发明专利]一种叠前井震联合智能去噪的方法

说明书

本发明公开了一种叠前井震联合智能去噪的方法，包括：一、对井上的正演道集进行数据分割并将分割出的所有样本数据组成样本训练数据集；二、从样本训练数据集中随机抽取部分数据，对其进行过完备字典和稀疏系数迭代学习的字典学习算法得到过完备字典；三、对地震叠前道集进行相同大小的数据分割，得到叠前道集预测样本数据集；四、从预测样本数据集中随机抽取部分样本数据，利用过完备字典求取每个样本数据的稀疏表征系数，建立二次项目标函数，求解得到叠前去噪道集；五、按照步骤三、四遍历所有道集完成去噪。本发明是对有效信号保幅重建目标来达到去噪的目标，算法运行的叠前道集去噪不仅提高了信噪比，还兼顾了AVO趋势，利于叠前弹性参数反演。

技术领域

本发明涉及油气勘探技术领域，尤其涉及一种叠前井震联合智能去噪的方法。

背景技术

叠前反演是目前油气检测与地质模型参数解释的一种重要方式，叠前反演的理论基础是 Zoeppritz方程及其近似式，叠前反演的基本形式是利用共反射点叠前道集在Zeoppritz方程的理论约束下同时反演出纵波、横波和密度，然后利用这三个基本岩石物理参数，计算得到别的表征烃检和物性的弹性参数数据体。

叠前道集数据的质量决定了叠前反演的效果，叠前道集的数据质量体现在信噪比、宽角度和分辨率三个方面，其中信噪比对反演算法的稳定性影响最大，因为信噪比影响反演系数矩阵的条件数，使反演结果变的不稳定。叠前道集的噪声可分为线性噪声和随机噪声两大类，目前，叠前道集随机噪声的去除可使用时间域针对高斯分布的随机假设的滤波器或者频率域滤波器滤除，线性噪声的去除可使用波场变换分离或二维傅里叶变换去噪进行滤除。叠前去噪的目标是有效信号的保幅去噪，但实际数据中，叠前道集的有效信号与噪声信号混合在一起，其幅值范围、频率范围甚至是统计属性范围会出现近似、混叠的情况，使用常规的噪声滤波器很难达到滤除噪声的同时保留有效信号的目标。

发明内容

本发明的目的在于克服现有技术的不足，提供一种叠前井震联合智能去噪的方法，依据字典学习去噪思想，以井上Zeoppritz正演道集作为字典学习的样本道集，对样本道集进行字典学习建模，然后将字典表征模型应用至地震叠前道集，达到保幅去噪的目标。

本发明的目的是通过以下技术方案来实现的：

一种叠前井震联合智能去噪的方法，具体包括以下步骤：

步骤一：对井上的正演道集进行统一大小的数据分割，一个分割块数据作为一个样本数据，所有样本数据组成样本训练数据集；

步骤二：从样本训练数据集中随机抽取部分数据，对部分样本数据进行关于过完备字典和稀疏系数迭代学习的字典学习算法，得到能表征叠前道集二维结构特征的过完备字典；

步骤三：对地震叠前道集进行相同大小的数据分割，得到叠前道集预测样本数据集；

步骤四：从预测样本数据集中随机抽取部分样本数据，利用步骤二得到的过完备字典，求取每个样本数据的稀疏表征系数，然后建立去噪叠前道集为目标的二次项目标函数，求解得到叠前去噪道集；

步骤五：按照步骤三、步骤四顺序遍历所有道集，完成所有叠前道集的去噪。

具体的，所述步骤一中的数据分割过程包括以大小为M*M的分割窗对数据进行分割，一个分割窗内的数据是一个样本，分割窗大小M取一个波长长度，分割过程中的非整数倍窗长位置的数据进行舍弃。

具体的，所述步骤二具体包括以下子步骤：

S201，从叠前道集训练样本集中随机取出K个样本，构成训练样本集学习目标是一个包含叠前道集二维结构，且每一个样本在其上具有稀疏表示的过完备字典D和稀疏表示的系数a_i，建立如下式所示的目标函数表达式：

式中λ是稀疏约束因子；