عنوان پایان‌نامه
کاربرد نشانگرهای لحظه ای طیفی در تبدیل موجک ژیوسته(CWT) بر روی داده های لرزه ای یکی از میادین هیدروکربنی ایران
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 49567;کتابخانه موسسه ژئوفیزیک شماره ثبت: 719
- تاریخ دفاع
- ۲۱ شهریور ۱۳۹۰
- دانشجو
- مصطفی یاری دهکبودی
- استاد راهنما
- محمدعلی ریاحی
- چکیده
- روش تجزیه طیفی یک روش کلی و جامع است که بسیاری از روش¬ها و مطالعات را به شکل گسترده شامل می شود. گستردگی دامنه کاربرد هر یک از زیر مجموعه¬های تجزیه طیفی بکار رفته در شاخه های مختلف نشان دهنده اهمیت آن است. کاربرد آن در تعیین ساختارهای همچون ریف، کانال¬های مدفون رودخانه¬ای، سیستم تکتونیکی مخزن، لایه¬های نازک مخزنی، مخازن هیدروکربن و سایه¬های بسامد پایین مخازن گازی و تضعیف نوفه است. اساس این روش برمبنای نمایش محتوای بسامدی هر رد لرزه در مرکز زمانی آن صورت می¬گیرد. روش¬های متعدد آن عبارتند از تبدیل فوریه، تبدیل فوریه زمان کوتاه (STFT)، تبدیل موجک پیوسته (CWT) و تبدیل موجک پیوسته زمان- بسامد (TFCWT) که هر یک دارای ویژگی، مزایا و معایب خاص خود می¬باشند. تبدیل فوریه امکان بررسی محتوای بسامدی سیگنال¬های پایا را فراهم می¬کند، اما برای سیگنال¬های ناپایا، از جمله سیگنال لرزه¬ای، که محتوای بسامدی آنها با زمان تغییر می¬کند تبدیل یک بعدی به فضای بسامد کافی نیست. پیشتر انتقال به فضای زمان و بسامد، با استفاده از تبدیل فوریه روی پنجره¬های زمانی کوچکی صورت می¬گرفت. این روش تحت عنوان تبدیل فوریه زمان کوتاه شناخته می¬شود. محاسبه طیف زمان- بسامد از این روش احتیاج به یک پنجره زمانی از پیش تعیین شده دارد که این امر باعث تفکیک¬پذیری زمان- بسامد ثابت این روش می¬شود. این مشکل بعدها با معرفی تبدیل موجک پیوسته بر طرف شد. تبدیل موجک در ابتدای دهه 1980 توسط مورلت و همکاران معرفی شد که برای ارزیابی داده‌های زلزله به کار رفت، از آن زمان تاکنون انواع متفاوتی از تبدیلات موجک توسعه یافته‌اند و کاربردهای بسیار دیگری پیدا شده‌اند. تبدیل موجک پیوسته از خاصیت تغییر مقیاس و جابجایی موجک استفاده می کند و با اتساع و فشرده کردن موجک، به جای طیف زمان- بسامد، طیف زمان- مقیاس یا مقیاس نگار سیگنال مورد نظر را بدست می دهد. تبدیل مقیاس نگار به طیف زمان- بسامد با استفاده از بسامدهای میانی یک مقیاس باعث ایجاد خطا در طیف حاصله می شود. برای برطرف کردن این مشکل از معکوس تبدیل موجک پیوسته تبدیل فوریه می گیریم. نقشه حاصله را تبدیل موجک پیوسته زمان- بسامد می گوییم. در این پایان¬نامه با استفاده از روابط ریاضی، روشی استفاده شده است که نشانگرهای طیفی لحظه¬ای مانند بسامد مرکزی، بسامد ریشه میانگین مربعات (rms) و پهنای باند که غالبا برای توصیف خواص وابسته به بسامد سنگ¬ها به¬کار گرفته می¬شوند را از نقشه زمان- مقیاس (مقیاس¬نما) محاسبه می¬کند که این نشانگرها شبیه نشانگرهای به¬دست آمده از طیف¬نمای TFCWT هستند، با این تفاوت که در اینجا دیگر نیازی به تبدیل مقیاس¬نما به طیف¬نما که زمان محاسبات را طولانی¬تر خواهد کرد نیست. ویژگی منحصر بفرد موجک¬هایی همچون موجک مورلت باعث شده تا از آن در شناسایی رخدادهایی که بعلت پراکندگی سرعت و تضعیف انرژی بوجود می آیند استفاده شود. همچنین با استفاده از نشانگرهای به¬دست آمده از روش تبدیل موجک پیوسته، دیگر محدودیتی در انتخاب طول پنجره استفاده شده در تبدیل فوریه زمان کوتاه وجود ندارد.
- Abstract
- Spectral decomposition is a general method which is used by a lot of methods. Applying any subdivided spectral decomposition is too important that it is used extensively in different sciences. These applications are used in detection of reef structure, burial channel, reservoir tectonic system, reservoir thin beds, petroleum reservoirs, low frequency shadow of under gas reservoirs detection and denoising. These methods represent frequency contents of a trace at it’s time center. The methods contain: Fourier Transform, Short Time Fourier Transform (STFT), Continues Wavelet Transform (CWT), Time-Frequency Continuous Wavelet Transform (TFCWT), that these methods have some advantages and disadvantages. Fourier transform determines the frequency contents of stationary signals. But for analysis of non-stationary signals, 1-D transform to frequency domain is not sufficient. In early years, transforming of seismic traces into time and frequency domain was done via windowed Fourier transform, called a Short Time Fourier Transform. In this method the resolution of the results in time-frequency domain was controlled by the width of the selected window. In contrast, the CWT method does not require preselecting a window length and does not have a fixed time-frequency resolution over the time-frequency space. CWT uses dilation and translation of a wavelet to produce a time-scale map. Converting a scalogram into a time-frequency spectrum using the center frequency of a scale gives an erroneous attenuation in the spectrum. The TFCWT overcomes this problem and gives a more robust technique of time-frequency localization. In this thesis is applied method using mathematical formulas which compute the instantaneous spectral attributes from the scalogram that these attributes are similar to attributes obtained from spectrogram TFCWT. Except that here not need to convert scalogram into spectrogram computing time will be longer. Special property of wavelets as Morlet wavelet cause it used in identify of events formed by velocity dispersion and energy attenuation. Also using these kinds of attributes obtained from Continuous Wavelet Transform, we avoid the subjective choice of a window length commonly used in Short Time Fourier Transform. Key words: Spectral decomposition, time-frequency spectrum, Time-Frequency Continuous Wavelet Transform, Short-Time Fourier Transform, instantaneous spectral attributes
