کاربرد تجزیه مقدار منفرد در تضعیف نوفه تصادفی در داده های مصنوعی و واقعی لرزه ای
محل انتشار: مجله پژوهش نفت، دوره: 24، شماره: 80
سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 24
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PRRIP-24-80_012
تاریخ نمایه سازی: 4 دی 1402
چکیده مقاله:
حضور انواع نوفه از جمله نوفه تصادفی در داده لرزه ای همواره مشکلاتی را در استفاده از داده لرزه ای بوجود می آورد، لذا این نوع از نوفه ها باید در مراحل پردازشی تضعیف گردند. روش تجزیه مقدار منفرد بر اساس جبر خطی و بر پایه همدوسی داده بنا شده است که می تواند پدیده های همدوس افقی را در تصاویر مشخصه ابتدایی شناسایی نماید. برای تضعیف نوفه تصادفی در داده نقطه عمقی مشترک پس از تحلیل سرعت و انجام تصحیحات دینامیک و پیش از برانبارش، تجزیه مقدار منفرد روی داده اعمال می گردد. بازتاب های افقی شده در تصاویر مشخصه ابتدایی شناسایی شده و بازسازی می گردند و سایر تصاویر مشخصه که حاوی نوفه تصادفی هستند برابر صفر قرار گرفته و در نتیجه نوفه تصادفی تضعیف خواهد شد. از آنجایی که تجزیه مقدار منفرد می تواند پدیده های افقی را به خوبی شناسایی نماید، بنابراین اگر تصحیحات استاتیک و یا دینامیک به خوبی روی داده ها اعمال نشده باشند و در داده نقطه عمقی مشترک بازتاب ها به جای افقی بودن دارای اعوجاج باشند، تجزیه مقدار منفرد، نمی تواند آنها را به خوبی از نوفه شناسایی نماید. در این مقاله مراحل مذکور روی یک داده نقطه عمقی مشترک مصنوعی با سطوح مختلفی از نسبت سیگنال به نوفه و یک داده واقعی مربوط به یکی از میادین هیدروکربوری ایران واقع در خشکی اعمال شده است. بر اساس نتایج، فیلتر تجزیه مقدار منفرد به خوبی می تواند ضمن حفظ بازتاب ها تا حد زیادی نوفه تصادفی را تضعیف نماید. این مسئله در داده مصنوعی حتی با سطح نوفه زیاد یعنی (نسبت سیگنال به نوفه یک) نیز به خوبی قابل مشاهده است
کلیدواژه ها:
نویسندگان
سید احمد مرتضوی
دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر، تهران، ایران
عبدالرحیم جواهریان
دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر، تهران، ایران
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 :