تضعیف نوفه های لرزه ای آشفته با وزن دادن ماتریس هنکل رتبه کاهیده

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 45

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JESPHYS-42-1_006

تاریخ نمایه سازی: 10 آبان 1402

چکیده مقاله:

حضور نوفه تاثیر نامطلوبی روی داده های لرزه ای می گذارد. یکی از مراحلی که در پردازش و تفسیر داده های لرزه ای اهمیت دارد، تضعیف مطلوب نوفه ها می باشد. حضور نوفه و حذف نامطلوب آن ها مانع از ایجاد تصویر صحیح از ساختارهای زمین شناسی منطقه جهت تفسیر داده های لرزه ای می شود. نوفه های تصادفی اغلب توزیع گوسی دارند. ولی در بعضی از گیرنده ها این نوفه ها مقادیر قابل ملاحظه ای دارند که از توزیع گاوسی هم پیروی نمی کنند که در این مقاله به آن ها نوفه های آشفته (Erratic) گفته می شود. نوفه های آشفته می تواند بر اثر وزش باد، وارونگی قطبی ناصحیح، شرایط سطحی ضعیف، ماشین آلات و ... تولید شوند. هر چند فیلترهای بر پایه حداقل مربعات برای حذف نوفه های تصادفی بهینه است، اما به دلیل غیر گوسی بودن نوفه های آشفته، نتایج مطلوبی نمی دهد. به منظور رفع این مشکل، فیلتر جدید بر پایه کاهش رتبه ماتریس هنکل را معرفی می کنیم. در این روش بعد از انتقال داده ها به حوزه فرکانس- مکان، برای تک تک برش های فرکانسی ماتریس هنکل ساخته و رتبه آن را کاهش می دهیم و سپس با استفاده از الگوریتم تکراری و توابع وزنی، تا زمانی که همگرایی مطلوبی حاصل شود، ترکیب وزن داری از مقادیر ماتریس اولیه و ماتریس کاهش رتبه یافته را بدست می آوریم که با دادن وزن صفر به نوفه های آشفته آن ها را حذف می کنیم.این روش قابل اعمال به داده های لرزه ای دو بعدی و سه بعدی با شیب های متقاطع می باشد. عملکرد این فیلتر بر روی داده های لرزه ای واقعی و مصنوعی بررسی شد و ملاحظه شد که روش به خوبی نوفه های آشفته و تصادفی را تضعیف می کند.

کلیدواژه ها:

کاهش رتبه ماتریس ، تجزیه مقدار تکین ، ماتریس هنکل ، فیلتر کادزو ، تضعیف نوفه های تصادفی ، تضعیف نوفه های آشفته

نویسندگان

moslem hashemi

فارغ التحصیل کارشناسی ارشد ژئوفیزیک، تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان، ایران

Hamid Reza Siahkoohi

استاد گروه فیزیک زمین

Ali Gholami

رئیس بخش خدمات رایانه ای

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Beaton, A. E. and Tukey, J. W., ۱۹۷۴, The fitting ...
  • Cadzow, J. A., ۱۹۸۸, Signal enhancement-a composite property mapping algorithm, ...
  • Chen, K., ۲۰۱۳, Robust matrix ranks reduction methods for seismic ...
  • Claerbout, J. F. and Muir, F., ۱۹۷۳, Robust modeling with ...
  • Holland, P. W. and Welsch, R. E., ۱۹۷۷, Robust regression ...
  • Huber, P. J., ۱۹۸۱, Robust statistics, Wiley, New York ...
  • Ji, J., ۲۰۱۱, Robust inversion using biweight norm, in ۲۰۱۱ ...
  • Maronna, R. A., Martin, R. D. and Yohai, V. J., ...
  • Sacchi, M. D., ۲۰۰۹, FX singular spectrum analysis, in CSPG ...
  • Scales, J. A. and Gersztenkorn, A., ۱۹۸۸, Robustmethods in inverse ...
  • Schlossmacher, E., ۱۹۷۳, An iterative technique for absolute deviations curve ...
  • Srebro, N. and Jaakkola, T., ۲۰۰۳, Weighted low-rank approximations, in ...
  • Trickett, S., ۲۰۰۲, F-x eigenimage noise suppression, in ۲۰۰۲ SEG ...
  • Trickett, S., ۲۰۰۸, F-xy Cadzow noise suppression, in ۷۸th Annual ...
  • Trickett, S. and Burroughs, L., ۲۰۰۹, Prestack rank-reduction based noise ...
  • Ulrych, T. J., Freire, S. and Siston, P., ۱۹۸۸, Eigenimage ...
  • Watt, T. and Bednar, J., ۱۹۸۳, Role of the alpha-trimmed ...
  • نمایش کامل مراجع