تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,504 |
تعداد مشاهده مقاله | 124,122,597 |
تعداد دریافت فایل اصل مقاله | 97,230,641 |
منظمسازی دادههای نامنظم لرزهای چندبُعدی با استفاده از تبدیل فوریه سریع با فواصل نامساوی | ||
فیزیک زمین و فضا | ||
مقاله 5، دوره 50، شماره 3، مهر 1403، صفحه 617-635 اصل مقاله (2.09 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2024.372021.1007591 | ||
نویسندگان | ||
حجت حقشناس لاری* 1؛ عباس زارعی2؛ مصطفی عباسی2؛ یوسف حسنپور مطلق2؛ حامد سعادت نیا2 | ||
1گروه ژئوفیزیک، دانشکده علوم زمین، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، زنجان، ایران. | ||
2مدیریت اکتشاف نفت، شرکت ملی نفت ایران، تهران، ایران. | ||
چکیده | ||
یکی از روشهای نوین عملیات لرزهنگاری روش لرزهنگاری نامنظم است. در این روش بهمنظور کاهش هزینههای لرزهنگاری، تعداد نقاط چشمه و گیرنده از تعداد نقاطی که توسط قانون نایکوئست تعیین میشود کمتر است و دادهها در مکان بهصورت تصادفی و نامنظم نمونهبرداری میشوند. از این رو نیاز است تا دادههای نامنظمِ برداشتشده را قبل از انجام پردازشِ مرسوم، به دادههای منظم تبدیل کرد. برای منظمسازی اینگونه دادهها از روش نمونهبرداری فشرده استفاده میشود. در روشهای مرسوم نمونهبرداری فشرده دادهها باید بر روی یک شبکه منظم، تصادفی برداشت شوند. اما در واقعیت نمیتوان دادههای لرزهای را بهعلت وجود موانع بر روی یک شبکه منظم برداشت کرد و این مسئله چالش بزرگی برای مراحل پردازش به حساب میآید. از اینرو، در این مقاله دستورالعملی برای برداشت دادههای لرزهنگاری بهصورت نامنظم و تصادفی معرفی شده است. در این روش لازم نیست دادهها بر روی یک شبکه با فواصل یکسان برداشت شوند. بهعلاوه، روشی نیز برای بازیابی این دادهها معرفی شده است که از تبدیل فوریه سریع با فواصل نامساوی بهعنوان یک تبدیل تُنککننده استفاده میکند. از این روش میتوان علاوهبر منظمسازی دادههای تصادفی، در منظمسازی دادههایی که بهعلت وجود موانع، برخی از ردلرزههای آنها جابهجا یا حذف شدهاند نیز استفاده کرد. نتایج آزمایش روش بر روی دادههای لرزهای مصنوعی و واقعی توانایی روش معرفیشده را در منظمسازی و درونیابی دادههای لرزهنگاری که بر روی یک شبکه نامنظم با فواصل نامساوی که بهصورت تصادفی برداشت شدهاند را نمایش میدهند. | ||
کلیدواژهها | ||
نمونهبرداری فشرده؛ تبدیل فوریه سریع با فواصل نامساوی؛ لرزهنگاری نامنظم | ||
مراجع | ||
Abma, R., Foster, M. S. (2020). Simultaneous Source Seismic Acquisition, Society of Exploration Geophysics. Alfeld, P. (1984). A trivariate Clough-Tocher scheme for tetrahedral data. Computer Aided Geometric Design, 1 (2), 169-181. Bagchi, S., & Mitra, S. K. (1999). The nonuniform discrete Fourier transform and its applications in signal processing: Boston, MA: Springer US. ISBN 978-1-4615-4925-3. Barnett A. H., Magland J. F., & Klinteberg L. af (2019). A parallel non-uniform fast Fourier transform library based on an “exponential of semicircle” kernel.. SIAM J. Sci. Comput. 41(5), C479-C504. Beck, A., & Teboulle, M. (2009). A Fast Iterative Shrinkage-Thresholding Algorithm for Linear Inverse Problems. SIAM J. IMAGING SCIENCES, 2, 183–202. Blackledge, J. M. (2003). Digital Signal Processing: Mathematical and Computational Methods, Software Development and Applications, Horwood Publishing. Candès, E.J., & Donoho, D. (2000). Curvelets – a surprisingly effective nonadaptive representation for objects with edges, A. Cohen, C. Rabut and L. Schumaker, Editors, Curves and Surface Fitting: Saint-Malo 1999, Vanderbilt University Press, Nashville, pp. 105–120. Candès, E.J., Wakin, M.B., & Boyd, S.P. (2008). Enhancing Sparsity by Reweighted ℓ 1 Minimization. J Fourier Anal Appl, 14, 877–905. https://doi.org/10.1007/s00041-008-9045-x Donoho, D. L., (2006), Compressed Sensing. IEEE Transactions on Information Theory, 52, 1286-1306. Donoho, D. L., Tsaig, Y., Drori, I., & Starck, J. -L. (2012). Sparse Solution of Underdetermined Systems of Linear Equations by Stagewise Orthogonal Matching Pursuit. IEEE Transactions on Information Theory, 58(2), 1094-1121. doi: 10.1109/TIT.2011.2173241. Dutt, A., & Rokhlin, V. (1993). Fast Fourier transform for nonuniquespaced data. SIAM Journal of Scientific Computing, 14, 1368-1393. Farin, G. (1986). Triangular Bernstein-Bezier patches. Computer Aided Geometric Design, 3(2), 83-127. Fessler, J.A., & Sutton, B.P. (2003). Nonuniform fast fourier transforms using min-max interpolation. IEEE Transactions on Signal Processing. 51(2), 560–574. Foucart, S., & Lai, M. J. (2009). Sparsest solutions of underdetermined linear systems via ℓq-minimization for 0<q⩽1, Applied and Computational Harmonic Analysis, 26(3), 395-407. Goldstein, T., & Osher, S. (2009). The Split Bregman Method for L1-Regularized Problems. SIAM J. Imaging Sci., 2(2), 323–343. Golub, G. H., Heath, M., & Wahba, G. (1979). Generalized Cross-Validation as a Method for Choosing a Good Ridge Parameter. Technometrics, 21(2), 215-223. Greengard, L., & Lee, J.-Y. (2004). Accelerating the Nonuniform Fast Fourier Transform. SIAM Review., 46(3), 443–454. Hansen, P. C. (2000). The L-curve and its use in the numerical treatment of inverse problems. In InviteComputational Inverse Problems in Electrocardiology WIT Press. Hennenfent, G., & Herrmann, F. J. (2008). Simply denoise: Wavefield reconstruction via jittered undersampling. Geophysics, 73, V19-V28. Herrmann, F. J., & Hennenfent, G. (2008). Non-parametric seismic data recovery with curvelet frames. Geophys. J. Int., 173, 233-248. Hong, W. K., & Nguyen, M. C. (2022). AI-based Lagrange optimization for designing reinforced concrete columns. Journal of Asian Architecture and Building Engineering, 21(6), 2330-2344. Hollander, Y., & Yilmaz, O. (2019). An acceleration method for the anti-leakage parabolic Radon transform for seismic data interpolation, SEG Technical Program Expanded Abstracts, 4480-4484. Lee, J.-Y., & Greengard, L. (2005). The type 3 nonuniform FFT and its applications. Journal of Computational Physics. 206(1), 1–5. Li, P., & Zhang, J. Q. (2019). Using jittered sampling in designing geometry and imaging in shallow 3D seismic surveys. Near Surface Geophysics, 17, 479–486. Shannon, C. E. (1949). Communication in the presence of noise. Proceedings of the Institute of Radio Engineers, 37(1), 10–21. Sun, H. M., Jia, R. H., Zhang, X. L., Peng, Y. J., & Lu, X. M. (2019). Reconstruction of missing seismic traces based on sparse dictionary learning and the optimization of measurement matrices. Journal of Petroleum Science and Engineering, 175, 719-727. Wang, K., & Hu, T. (2022). Deblending of Seismic Data Based on Neural Network Trained in the CSG. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-12. Wang, J., Ng, M., & Perz, M. (2010). Seismic data interpolation by greedy local Radon transform. Geophysics, 75, WB225-WB234. Wang, H., Tao, C., Chen, S., Wu, Z., Du, Y., Zhou, J, Qiu, L., Shen, H., Xu, W., & Liu, Y. (2019). High-precision seismic data reconstruction with multi-domain sparsity constraints based on curvelet and high-resolution Radon, transforms. Journal of Applied Geophysics, 162, 128-137. Xu, S., Zhang, Y., Pham, D., & Lambare, G. (2005). Antileakage Fourier transform for seismic data regularization. Geophysics, 70, V87–V95. Zwartjes, P. M., & Sacchi, M. D. )2007(. Fourier reconstruction of nonuniformly sampled, aliased seismic data. Geophysics, 72(2), V21-V32. | ||
آمار تعداد مشاهده مقاله: 239 تعداد دریافت فایل اصل مقاله: 210 |