基于压缩感知的非规则地震数据稀疏采集试验.docxVIP

基于压缩感知的非规则地震数据稀疏采集试验 近年来，压缩感知理论的独特性引起了人们的关注。它利用数据可稀疏表达的性质, 采用远低于传统尼奎斯特采样率的稀疏随机采样, 通过稀疏约束的优化算法重建完整的数据信号 基于压缩感知的地震勘探技术, 目前国内外已经开展较多的应用研究和尝试, 特别是在随机欠采样的数据重建处理中得到了广泛研究与应用, HER-RMANN等 本文在周松等 1 随机采样数据的稀疏自适应识别 压缩感知理论包含3个层面:数据信号的稀疏表达、非相关的观测矩阵、非线性优化的数据重建。基于压缩感知理论, 高密度信号的恢复是通过采集得到的、包含了信号全部信息的、有限个选择的压缩数据, 来解一个某种范数下高度非线性的优化问题, 即使在不满足尼奎斯特采样定理要求的情况下, 仍然可以从压缩观测的数据中高概率地恢复原始信号。 实现压缩感知数据采集重建需要三步完成: 第一步重建数据x的稀疏采集: 式中:y代表采集的数据;x表示待恢复估计的数据;Φ表示随机采样矩阵。一般地, x向量的维数通常大于采集数据向量y的维数, 稀疏采集是一个数据降维的过程。 第二步重建数据x的稀疏表达:x在某个域内表现是稀疏的, 其稀疏变换为: (2) 式中s即为x在变换域Ψ的稀疏系数。实际应用中通常采用傅里叶变换、小波变换、曲波变换、Radon变换等来稀疏表示地震数据。 第三步数据x的重建: 将方程 (2) 代入方程 (1) 可以写为: 式中:Θ为压缩感知矩阵。由于s是稀疏的, 使得该欠定方程有解。 实际数据y中往往包含信号和噪声两部分。数学上, 基于随机采样数据y估计稀疏表达系数向量s是一个稀疏反演问题。即: 求解上述反问题, 估计出稀疏表达系数向量s后, 可以由 (5) 式恢复待重建的规则信号x。 2 矩阵的不相关性 根据压缩感知理论, 要实现压缩数据的精确重建必须满足观测矩阵的不相关性, 即:观测矩阵与变换矩阵不具备相关性, 具体为感知矩阵列向量的不相关性, 或者是感知矩阵列向量最大互相关值要足够小, 最优满足该条件的观测矩阵就是最佳的。 2.1 随机采样点的归一化傅里叶谱 结合周松等的理论 式中:Θ=ΦΨ记为感知矩阵, 其列向量为Θ 可以证明 设计观测系统炮检点时, 对目标数量的随机采样点进行归一化傅里叶谱计算, 在压制假频的同时, 注意防止频率泄露, 以确保优化后的随机非规则采样在去假频程度上能够无限逼近规则充分采样时的去假频效果。 2.2 采样点间距的确定 按照以上方法, 采用贪心序贯算法即逐个点增加的方式来确定检波点以及炮点的位置并构建观测矩阵。具体步骤如下: 1) 确定最终需要达到的目标采样密度以及稀疏采样的检波点、炮点的最大最小间距, 根据不同稀疏程度需求确定总的检波点数和炮点数, 再进行点位非规则设计; 2) 逐个加入采样点, 并计算加入采样点之后观测矩阵的最大互相关值。如果加入采样点使得最大互相关值变大, 需重新选择采样点位置, 直到加入该采样点使得最大互相关值最小时接受该采样点; 3) 重复步骤2) 的计算与采样点位置的选取, 直到达到预先规定的采样点数; 4) 当检波点和炮点的位置初步确定之后, 进一步采用Jitter方法, 以 (8) 式为目标, 继续优化检波点、炮点的位置, 并最终确定观测矩阵。 2.3 激发点采样频率的确定 根据上述设计步骤, 首先, 需要确定重建后规则化数据要达到的空间采样密度值。根据工区以往高精度拟确定的重建面元网格为15m×15m, 其检波点重建目标为44 (线) ×486 (道/线) , 重建线距为180m, 重建道距为30m, 炮点重建目标为7 888炮 (炮线距90m, 炮点距30m) 。 其次, 确定野外稀疏采样物理点的数量。根据工区以往地震资料信噪比的分析认为, 工区属于高信噪比地区, 确定采用重建目标一半左右的接收点进行接收和接近重建目标四分之一的激发点进行激发。根据实际运算, 具体的接收点数量为33 (线) ×365 (道/线) , 激发点为1 760炮。 第三步, 确定布设检波点和接收点位置的约束条件。为了保证采样的适当均匀, 避免出现较大的采集资料空白区, 需要对采样点进行适当约束, 同时, 也要考虑有线仪器的排列限制, 以及采集链长度的影响。最终确定约束条件为:接收点沿排列线方向道距控制在15~50m、接收线距控制在60~540m;炮点距在排列方向控制在30~360m, 垂直排列方向控制在15~90m。 第四步, 计算采样点位置。根据确定的稀疏采样点数和约束条件, 按照公式 (8) 分别计算炮点、检波点位置的最大互相关值, 再根据公式 (9) 不断优化炮点、检波点位置, 当最大相关值为最小时, 即为最终的炮点、检波点位置。 图2显示了计算的炮点分布与其最大互相关值的收敛曲线, 可以看出