地震勘探基础(十一)之水平叠加处理

news2024/11/24 16:23:56

水平叠加处理

地震资料经过预处理,静校正,反褶积,速度分析和动校正处理后就要进行水平叠加处理。地震水平叠加处理是地震常规处理的重要环节。

假设一个共中心点道集有三个地震道,经过速度分析和动校正以后,水平叠加以后的有效波就得到增强,随机干扰得到有效的压制。

在这里插入图片描述

如下图所示,三个共中心点道集经过动校正后浅层有畸变,畸变切除后的道集即可水平叠加。

在这里插入图片描述

共中心点道集经过动校正后叠加起来,每一个共中心点道集叠加以后就变成了一道。

在这里插入图片描述

把水平叠加以后的道紧凑地排列起来,横轴为测线方向的地面坐标,纵轴为反射波的双程旅行时。

在这里插入图片描述

每一个共中心点道集都如上处理,直到把测线上的所有的共中心点都处理完。最终可以得到比较真实反映地下地层形态的水平叠加剖面。

在这里插入图片描述

将工区中所有地震勘探的测线都这样处理,有多少条地震测线就有多少个水平叠加地震剖面。

为什么地震水平叠加剖面能够提高信噪比呢?设水平叠加后的总输出 F ( t ) F(t) F(t) 为动校正后各道地震波 f ( t − δ t k ) f(t - \delta t_k) f(tδtk) 的叠加,各道地震波波形没有变化,各道只存在剩余时差 δ t k \delta t_k δtk,其中 k = 1 , 2... , n k=1,2...,n k=1,2...,n n n n 为地震多次覆盖的次数,那么水平叠加后的频谱 F ( ω ) F(\omega) F(ω) 等于无剩余时差 f ( t ) f(t) f(t) 的频谱 f ( ω ) f(\omega) f(ω) 乘以 K ( ω ) K(\omega) K(ω)

在这里插入图片描述

根据傅里叶变换的时延定理,可以得到滤波器 K ( ω ) K(\omega) K(ω) 指数求和的表达式,这个滤波器就成为叠加特性函数。叠加特性的振幅特性函数 K ( ω ) K(\omega) K(ω) 也可用正余弦表示,如下图所示:

在这里插入图片描述

为了方便研究,可以将叠加特性函数除以覆盖次数 n n n 进行归一化。

在这里插入图片描述

分析 P ( ω ) P(\omega) P(ω) 可以得知,一次反射波不存在剩余时差,叠加后得到增强。只要合理设计地震野外观测系统参数,就可以让一次反射波在通放带通过,让存在剩余时差的干扰波在压制带被压制。

在这里插入图片描述

从多次叠加的频谱特性曲线图上知道,在设计地震野外观测系统参数时,应该充分考虑这一因素,不能让通放带太窄。多次覆盖水平叠加尽管提高了信噪比,但是由于水平叠加以后频带变窄,地震分辨率相对变低。

在这里插入图片描述

水平叠加的统计效应和检波器组合法的统计效应在数学原理上相似。当道集内个道炮检距的差值大于相关半径时,则各道的随机干扰就是互不相关的。当进行了 n n n 次覆盖后,随机干扰只增强了 n \sqrt{n} n ,而有效波则增强了 n n n 倍。所以多次叠加对随机干扰的压制效果优于检波器组合法。

那么影响水平叠加的因素主要有观测系统,地震速度,界面倾角和时距曲线特征等。随着道间距 Δ x \Delta x Δx 的增加,通放带变窄,变陡,压制带向左移,有利于压制与一次波速度相近的多次波干扰波。但是 Δ x \Delta x Δx 不宜过大,太大会使一次波也被压制。 Δ x \Delta x Δx 过小,干扰波也处于通放带,不利于压制。

在这里插入图片描述

偏移距越大,通放带越窄,有利于压制与有效波速度相近的规则干扰波。太大会导致规则干扰波进入二次极值区,影响压制干扰波的效果,也会损失浅层有效波。

在这里插入图片描述

覆盖次数 n n n 越大,通放带越窄,对多次波的压制效果越好。过大会不利于尚存在剩余时差的有效波。

在这里插入图片描述

下图展示了叠加次数不同的地震剖面。覆盖次数的提高有利于地下构造的清晰成像。

在这里插入图片描述

动校正速度对水平叠加效果也有比较大的影响,如果速度正确,能够将反射波同相轴实现叠加,叠加效果就会变好。

**加粗样式**

如果速度太低或者太高,反射波同相轴较不直都会使有效波叠加效果变差。

在这里插入图片描述

另外,地层倾角对于叠加效果也有影响,当地层倾斜时,如果我们仍然按照水平界面情况下,多次覆盖观测系统进行观测,能满足共中心点(CMP),但是不能满足共深度点(CDP)和共反射点(CRP)。

而且反射点分散在界面一定范围内比与界面的倾角有关,存在倾角时差。因此,如果使用水平叠加的方法处理倾斜地层必然影响叠加的实际效果。

在这里插入图片描述

因此,必须进行倾斜地层的倾角时差校正。在倾角时差(DMO)校正后在进行水平叠加,该方法也叫做叠前部分偏移。

在这里插入图片描述

但是 DMO 校正后的位置离真正反射点的位置依然有偏差,应该应用更好的叠前和叠后偏移的方法让反射点真正归位。

在这里插入图片描述

在地下构造复杂,速度横向变化剧烈的情况下,反射波的时距曲线本身不是双曲线,特别是在三维地震勘探中,反射波的旅行时还与炮检方位角有关,因此,无论采用什么动校正速度,可能都不能把时距曲线校成直线,这就会严重影响水平叠加的效果和成像的精度。因此我们可以采用叠前偏移叠加其它一些方法来取代水平叠加处理。

在这里插入图片描述

常规的水平叠加剖面是对共中心点道集的全部炮检距进行 NMO 校正后叠加。全炮检距水平叠加剖面不利于储层预测和油气检测。

在这里插入图片描述

因此,在常规水平叠加处理基础上,还提出了角度叠加或者部分角度叠加的概念。在部分角度叠加剖面上,可以解释出全叠加剖面上没有的地质或者是油气特征。

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/616830.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【PCIE】TLP 发送三阶段和Secondary Bus Reset

TLP传输三阶段 TLP 发送的三个阶段涉及到 PCIe 协议栈中的不同层次,具体如下: TLP 发送阶段 1(TS1):这个阶段是在传输层(Transaction Layer)中进行的。在这个阶段,TLP 数据包会进…

轻松应对大数据挑战!利用ETLCloud实现TDengine数据库的高效查询与数据迁移

TDengine 是一款开源、云原生的时序数据库,专为物联网、工业互联网、金融、IT 运维监控等场景设计并优化。它能让大量设备、数据采集器每天产生的高达 TB 甚至 PB 级的数据得到高效实时的处理,对业务的运行状态进行实时的监测、预警。 根据TDengine文档…

算法--递归--基础

定义 计算机科学中,递归是一种解决计算问题的方法,其中解决方案取决于同一类问题的更小子集 递归是一种非常高效、简洁的编码技巧,一种应用非常广泛的算法。 如求100以内的和 那么就等同于求10099以内的和 99以内和等同于9998以内的和 … 依…

复杂SQL优化实例

SQL语句的执行顺序: 执行计划指标查看 优化实例一 LIMIT 语句 分页查询是最常用的场景之一,但也通常也是最容易出问题的地方。比如对于下面简单的语句,一般 DBA 想到的办法是在 type, name, create_time 字段上加组合索引。这样条件排序都能…

面对市面上众多的商城系统,我们该如何选择?

数字化时代,传统的实体店铺发展进入瓶颈。越来越多的消费者选择在网上购物,这也催生了各种各样的电商平台和商城系统,如SHOP、Magento等。但是,对于那些想要进入电子商务领域的企业来说,如何选择适合自己的商城系统&am…

[BigGAN] Large Scale GAN Training for High Fidelity Natural Image Synthesis

1、目的 在大型数据集上训练class-conditional GAN,并探索相关的trick 2、贡献 1)数据集的扩大使得GAN的表现也随之提升。文章的网络参数量是之前工作的2~4倍,batch size是之前的8倍。文章分别从两方面对performance进行提升:sca…

计算机视觉:语义分割理论及实战

语义分割 语义分割(Semantic Segmentation)是指将一张图像分割成若干个区域,并对每个区域赋予语义标签的任务。它是计算机视觉中的一种重要技术,被广泛应用于自动驾驶、医学图像分析、地理信息系统等领域。 与传统的图像分割任务…

奇安信应急响应-Linux

Linux需要经常关注的目录 /etc/passwd用户信息文件:我们需要看一下里面到底是什么,保存的用户信息 /etc/rc.d/rc.loacl:开机启动项:类似于Windows的开机启动项,有可能攻击者会在里面写一个后门文件,需要重…

EM算法实现对iris数据集和meat数据集的分类【MATLAB版本】

摘要:本章实验主要是对于学习 EM 算法的原理,掌握并实现混合高斯模型非监督学习 的 EM 算法,要求在两个数据集上面实现混合高斯模型的非监督学习的EM算法。混合模型是相对于单高斯模型而言的,对于某个样本数…

【高级篇】分布式事务

分布式事务 1.分布式事务问题 1.1.本地事务 本地事务,也就是传统的单机事务。在传统数据库事务中,必须要满足四个原则: 1.2.分布式事务 分布式事务,就是指不是在单个服务或单个数据库架构下,产生的事务&#xff0c…

Nginx:Tomcat部署及优化(二)

Nginx:Tomcat部署及优化(二) 一、Tomcat 优化1.1 内核参数优化1.2 Tomcat 配置文件参数优化1.3 Java 虚拟机(JVM)调优 二、NginxTomcat 负载均衡、动静分离 一、Tomcat 优化 Tomcat 默认安装下的缺省配置并不适合生产…

9款超级实用的网页设计工具,快来看看有没有你用过的

随着网络时代的快速发展,游戏、购物、音乐、影视和社交网站的兴起都表明了网页设计的重要性! 网页设计工具作为网页设计师的生产工具,自然要选择好的。 让我们分享9个高质量的网页设计工具,让您的设计效率悄然提高! …

【Python TDD和BDD】零基础也能轻松掌握的学习路线与参考资料

Python TDD和BDD的学习路线 TDD(测试驱动开发)和BDD(行为驱动开发)在软件开发中的作用越来越受到重视。TDD通过先写测试代码,再编写生产代码的方式,使得开发者可以在开发过程中确保代码质量和正确性&#…

黑客学习-xss漏洞总结

1、什么是xss 先来看案例 在一个输入框中,输入js代码,存放alter()其弹窗,结果可以看到,代码成功执行。这个就是xss漏洞 XSS攻击全称跨站脚本攻击,是一种在Web应用中常见的安全漏洞,它允许用户将恶意代码植入到Web页面…

分布式事务 2PC

tip:作为程序员一定学习编程之道,一定要对代码的编写有追求,不能实现就完事了。我们应该让自己写的代码更加优雅,即使这会费时费力。 文章目录 一、简介二、2PC 的运行流程三、2PC 一定能保证数据的一致性吗?四、2PC 的…

软件测试——未来软件测试的5个主要趋势

全球各地的企业每天都在发展变化着,以应对市场挑战,满足日益成熟的客户需求。即使是正在进行的技术进步也会使软件测试专家在实践的过程中更加专注和精确。 2021年给软件测试领域带来了新的技术解决方案,以及质量保证和软件测试的实现。与此同…

Springcloud--异步通信RabbitMq快速入门

RabbitMQ 1.初识MQ 1.1.同步和异步通讯 微服务间通讯有同步和异步两种方式: 同步通讯:就像打电话,需要实时响应。 异步通讯:就像发邮件,不需要马上回复。 两种方式各有优劣,打电话可以立即得到响应&am…

YOLOv5改进系列(8)——添加SOCA注意力机制

【YOLOv5改进系列】前期回顾: YOLOv5改进系列(0)——重要性能指标与训练结果评价及分析 YOLOv5改进系列(1)——添加SE注意力机制

动态查找表

动态查找表 1.二叉排序树1.1. 定义1.2. 查找过程1.3. 插入过程1.4. 创建二叉排序树1.5. 删除操作(1)被移除的结点是叶子结点(2)被移除的结点只有左子树或者只有右子树;(3)被移除的结点既有左子树…

两张图理解MR与XR

我们知道,AR是在现实世界上叠加虚拟信息和图像,VR是完全模拟的虚拟世界,那么对于MR和XR的概念会稍显复杂,本文试图通过2张图来理解它们,如有不对,祈请纠正。 MR 关于MR,先来看看下面第一张图。 …