基于模态分解方法的地震资料去噪和烃类检测

基于模态分解方法的地震资料去噪和烃类检测

论文摘要

随着地震勘探的发展,对地震资料的品质要求越来越高。由于地震数据在采集的过程中往往伴随着噪声的影响,因此需要对原始地震数据进行去噪处理,得到高信噪比的地震资料,在高性噪比数据基础上进行烃类检测,为后续储层预测奠定基础。因此本论文基于变分模态分解(VMD)的分解方法,将信号分解成一系列模态分量,在时间域剔除噪声分量,达到去除噪声的目的;同时将VMD分解方法分别与希尔伯特变换和广义S变换相结合,提出了基于VMD的联合时频分析方法,在时频域进行谱分解和提取衰减梯度属性,达到烃类检测的目的。在去噪处理方向:本文从模态分解方法出发,对比了经验模态分解(EMD)、集合经验模态分解(EEMD)、互补集合经验模态分解(CEEMD)和VMD等模态分解方法,其中EEMD、CEEMD都是基于EMD分解发展而来的,通过求解信号最大值、最小值包络的平均值得到每个本征模态函数。这种模态分解的方法没有严格数学公式推导,是一种经验分解形式,同时其在分解的过程中由于插值函数的作用,在信号两端存在端点效应,影响模态分解的准确性。基于VMD的模态分解经过了严格数学推导,其分解过程具有自适应性和灵活性,可以将信号分解成一定频带范围的IMF分量,较EMD类模态分解方法,很好地克服了分解过程中的模态混叠问题。为了突出VMD分解的优势,优选出CEEMD和VMD方法对含噪理论模型和实际地震资料进行去噪处理,比较两种分解方法的特点,发现基于VMD的分解方法能更好地保留有用信号,剔除噪声干扰,得到高信噪比的资料处理结果。在烃类检测方向,本论文作了如下研究:(1)分别对比了短时傅里叶变换、小波变换、S变换和广义S变换的时频分析方法,广义S变换较前三种时频分析方法具有更高的时频聚焦性,优选出广义S变换进行谱分解。(2)分别将EMD、EEMD、CEEMD和VMD的模态分解方法与希尔伯特变换相结合,得到基于模态分解的时频分析方法。分别将基于VMD和CEEMD的时频分析方法应用于理论模型和实际地震资料处理中。理论模型分析表明,基于VMD的时频分析方法具有更高的分辨率,可以准确地描述出信号的时间-频率变化趋势;在实际地震资料处理结果应用中,基于VMD谱分解处理结果较基于CEEMD的谱分解处理结果,层位更加地连续,剖面的分辨率更高。(3)考虑到VMD分解方法能克服多频率分量之间模态混叠的缺陷,分别将VMD和CEEMD分解方法与广义S变换相结合,提取高频和低频地震剖面,依据“低频伴影”和衰减梯度属性来指示工区的含油气层。通过对比发现基于VMD分解的低频伴影检测方法,谱分解分辨率更高,低频伴影特征更加明显,同时将VMD分解与广义S变换能够得到连续的衰减梯度剖面,准确地检测出含油气层。

论文目录

  • 摘要
  • Abstract
  • 第1章 引言
  •   1.1 研究目的与意义
  •   1.2 国内外研究背景及发展现状
  •   1.3 研究思路与主要内容
  • 第2章 时频分析方法原理
  •   2.1 短时傅里叶变换
  •   2.2 小波变换
  •   2.3 S变换
  •   2.4 广义S变换
  •   2.5 本章小结
  • 第3章 基于模态分解的高精度时频分析方法
  •   3.1 经验模态分解(EMD)
  •     3.1.1 经验模态分解原理
  •     3.1.2 EMD的基本性质
  •   3.2 改进经验模态分解方法
  •     3.2.1 EMD分解存在的问题
  •     3.2.2 集合经验模态分解(EEMD)
  •     3.2.3 互补集合经验模态分解(CEEMD)
  •   3.3 变分模态分解(VMD)原理
  •   3.4 模态分解方法对比研究
  •     3.4.1 分解分量特征
  •     3.4.2 希尔伯特变换
  •   3.5 本章小结
  • 第4章 基于模态分解方法的地震去噪处理
  •   4.1 去噪处理技术
  •   4.2 模型论证
  •     4.2.1 单道地震记录
  •     4.2.2 二维地震模型
  •   4.3 实际资料应用
  •   4.4 本章小结
  • 第5章 基于模态分解方法的烃类检测及应用
  •   5.1 工区概况
  •   5.2 基于VMD和 CEEMD单频属性对比
  •   5.3 实际资料含油气性检测
  •     5.3.1 基于广义S变换的谱分解
  •     5.3.2 基于CEEMD/广义S变换的谱分解
  •     5.3.3 基于VMD/广义S变换的谱分解
  •   5.4 基于VMD的衰减梯度检测方法
  •   5.5 本章小结
  • 结论与建议
  • 致谢
  • 参考文献
  • 攻读学位期间取得学术成果
  • 文章来源

    类型: 硕士论文

    作者: 龙丹

    导师: 王元君

    关键词: 模态分解,时频分析,信噪比,低频伴影,烃类检测

    来源: 成都理工大学

    年度: 2019

    分类: 基础科学,工程科技Ⅰ辑

    专业: 地质学,地质学,地球物理学,石油天然气工业,矿业工程

    单位: 成都理工大学

    分类号: P631.44;P618.13

    DOI: 10.26986/d.cnki.gcdlc.2019.000860

    总页数: 81

    文件大小: 8668K

    下载量: 61

    相关论文文献

    • [1].优化递归变分模态分解及其在非线性信号处理中的应用[J]. 物理学报 2019(23)
    • [2].变分模态分解在爆破信号趋势项去除中的应用[J]. 爆炸与冲击 2020(04)
    • [3].辛几何模态分解方法及其分解能力研究[J]. 振动与冲击 2020(13)
    • [4].基于快速本征模态分解的电力系统短期负荷预测[J]. 中国电机工程学报 2013(S1)
    • [5].补充集成极值加权模态分解及其应用[J]. 噪声与振动控制 2020(03)
    • [6].基于匹配追踪和变分模态分解的电气化铁路谐波检测[J]. 济南大学学报(自然科学版) 2020(02)
    • [7].变微分模态分解罚参量选择方法与时变系统识别[J]. 西南交通大学学报 2020(03)
    • [8].基于动态模态分解的缸内流场演变及动能分析[J]. 内燃机工程 2020(05)
    • [9].改进二维变分模态分解的磁源分离[J]. 光学精密工程 2020(05)
    • [10].关于多种模态分解方法的分离效果的差别探讨[J]. 信息技术 2016(12)
    • [11].基于改进极值波延拓的极点对称模态分解端点效应抑制方法[J]. 电工技术学报 2020(S1)
    • [12].基于蝙蝠算法优化的变分模态分解的转子裂纹检测方法[J]. 振动与冲击 2020(06)
    • [13].基于改进变分模态分解的液体密度测量中超声回波去噪方法(英文)[J]. Journal of Measurement Science and Instrumentation 2020(04)
    • [14].基于变分模态分解的变形监测数据去噪方法[J]. 武汉大学学报(信息科学版) 2020(05)
    • [15].基于改进变分模态分解的滚动轴承故障诊断方法[J]. 计量学报 2020(06)
    • [16].变分模态分解在齿轮故障特征提取中的应用[J]. 东北林业大学学报 2019(08)
    • [17].基于模态分解技术的地震信号随机噪声压制方法研究[J]. 科技广场 2017(08)
    • [18].动态模态分解方法在缸内湍流场研究中的应用[J]. 内燃机学报 2016(04)
    • [19].基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取[J]. 机械传动 2020(01)
    • [20].基于改进自适应变分模态分解的滚动轴承微弱故障诊断[J]. 振动与冲击 2020(08)
    • [21].变分模态分解与深度信念网络的双转子不对中程度识别[J]. 机械科学与技术 2020(05)
    • [22].基于时延自相关与变模态分解的故障诊断方法[J]. 兰州理工大学学报 2017(04)
    • [23].变分框架下多尺度熵相关优化的模态分解在故障诊断中的应用[J]. 现代制造工程 2017(04)
    • [24].基于变分模态分解的模态参数识别研究[J]. 振动与冲击 2020(02)
    • [25].基于变分模态分解的直肠压力信号预处理研究[J]. 工业控制计算机 2020(03)
    • [26].基于变分模态分解的故障弱信息提取方法[J]. 华中科技大学学报(自然科学版) 2020(07)
    • [27].香农熵改进的变分模态分解与故障特征提取[J]. 机械科学与技术 2020(07)
    • [28].基于变分模态分解与模糊聚类的船用齿轮箱故障诊断[J]. 珠江水运 2020(16)
    • [29].基于变分模态分解时频图的轴承故障诊断[J]. 天津职业技术师范大学学报 2020(03)
    • [30].基于变分模态分解与双向长短期记忆神经网络的超短期风速预测[J]. 工业控制计算机 2020(09)

    标签:;  ;  ;  ;  ;  

    基于模态分解方法的地震资料去噪和烃类检测
    下载Doc文档

    猜你喜欢