[发明专利]基于弱监督学习的提高深层速度分析效果与效率的方法

说明书

本发明公开了一种基于弱监督学习的提高深层速度分析效果与效率的方法，该方法首先利用波动方程基准面技术，将炮集记录进行延拓，以消除上覆层速度横向不均匀的影响，然后输入共中心点CMP道集，制作速度谱，随后对速度谱进行去噪处理，以使速度谱能量团更加聚焦，获得高分辨率速度谱，随后利用约束优化法自动拾取叠加速度，即利用Viterbi算法对高分辨率速度谱进行约束优化处理，同时进行速度曲线拟合，将曲线拟合结果作为约束优化法自动拾取叠加速度的校正函数，以确保速度自动拾取的准确性与方向性。自动拾取获取的叠加速度为后续成像提供速度依据，同时为全波形反演提供初始速度模型。本发明不仅提高了常规地震数据处理的效率，更提高了拾取效果。

技术领域

本发明涉及一种基于弱监督学习的提高深层速度分析效果与效率的方法。

背景技术

在勘探地震的数据处理中，速度自动拾取的实现不仅意味着提高数据处理效率，而且意味降低处理花费和提高成像精度。为此，人们一直在寻求自动拾取的算法或方法。

然而，由于受上覆层速度横向不均匀的影响，在速度拾取中，往往会遇到所拾取的深层速度产生畸变等问题。由此可见，现有技术需要进一步改进。

发明内容

本发明的目的在于提出一种基于弱监督学习的提高深层速度分析效果与效率的方法，以提高常规地震数据处理的效率，提高拾取精度，同时大额度降低处理成本。

本发明为了实现上述目的，采用如下技术方案：

基于弱监督学习的提高深层速度分析效果与效率的方法，包括如下步骤：

s1.首先利用波动方程基准面技术把炮集记录从深度z延深到z+dz，生成深层波场；

s2.从深层波场的炮集记录中抽取共中心点CMP道集，制作速度谱；

s3.对速度谱进行去噪处理后获得高分辨率速度谱；

s4.随后利用约束优化法自动拾取叠加速度，即：

利用Viterbi算法对高分辨率速度谱进行约束优化处理，同时进行速度曲线拟合，将曲线拟合结果作为约束优化法自动拾取叠加速度的校正函数；

s5.自动拾取获取的叠加速度为后续成像提供速度依据，为全波形反演提供初始速度模型。

本发明具有如下优点：

本发明利用波动方程基准面技术，将炮集记录进行延拓，以消除上覆层速度横向不均匀的影响，然后输入共中心点CMP道集，制作速度谱，随后对速度谱进行去噪处理，以使速度谱能量团更加聚焦，获得高分辨率速度谱，随后利用约束优化法自动拾取叠加速度，即利用 Viterbi算法对高分辨率速度谱进行约束优化处理，同时进行速度曲线拟合，将曲线拟合结果作为约束优化法自动拾取叠加速度的校正函数，以确保速度自动拾取的准确性与方向性。自动拾取获取的叠加速度为后续成像提供速度依据，同时为全波形反演提供初始速度模型。本发明不仅提高了常规地震数据处理的效率，更提高了拾取效果，大额度降低了处理成本。

附图说明

图1为基于弱监督学习的提高深层速度分析效果与效率的方法模型设计图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

结合图1所示，基于弱监督学习的提高深层速度分析效果与效率的方法，包括如下步骤：

s1.首先利用波动方程基准面技术把炮集记录从深度z延深到z+dz，以生成深层波场。

深层波场的生成可以消除了上覆介质对波场横向不均匀性的影响，同时可使能量更加聚焦。深层波场的生成为下一步速度谱的制作提供数据来源，同时也提高了精度。