عنوان پایان‌نامه
واهمامیخت داده های لرزه ای بر مبنای تنکی در چهارچوب تئوری نمونه برداری فشرده
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75321;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1250;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75321;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1250
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۱
- دانشجو
- احمدرضا مختاری مبارکه
- استاد راهنما
- حمیدرضا سیاه کوهی, علی غلامی
- چکیده
- داده های برداشت شده در عملیات لرزه ای بخاطر باند فرکانسی محدود موجک چشمه، دارای باند فرکانسی محدود بوده و لذا دارای قدرت تفکیک پایینی می باشند. هدف از واهمامیخت برداشتن اثر موجک از روی داده ها و افزایش قدرت تفکیک داده های برداشت شده می باشد. این پایان نامه در سه فصل تدوین شده است: در فصل اول از آنجایی که مسئله ی واهمامیخت را می توان به صورت یک مسئله ی بد وضع در نظر گرفت، پس از مروری بر روشهای مرسوم برای حل مسائل معکوس، خانواده ی جدیدی از الگوریتم ها در زمینه ی بازیابی تنک ارائه شده است. این خانواده ی جدید از الگوریتم ها بنام الگوریتم های بر مبنای انقباض به روش تکرار بوده که در مقایسه با روشهای مرسوم بسیار کار آمد تر و ساده تر می باشند. در فصل دوم نمونه برداری فشرده معرفی شده است. در این نوع نمونه برداری که در مقایسه با نمونه برداری-های مرسوم حجم بسیار کمتری از داده ها ذخیره می شوند، بر پایه ی تنکی استوار می باشد. در این فصل، این نوع نمونه برداری با مسئله ی واهمامیخت ادغام شده و نتیجه ی آن بازیابی همزمان داده ها و سری بازتاب تنها با استفاده از حجم اندکی از داده های برداشت شده می باشد. همچنین سه گونه ی متفاوت از نمونه برداری بر روی داده ها اعمال گردیده است. در فصل سوم مهمترین دستاورد این پایان نامه ارائه شده است. برای حل مسئله ی واهمامیخت نیاز به تخمین دقیق موجک چشمه می باشد. این تخمین فرآیندی پیچیده و زمان بر می باشد. در این فصل الگوریتمی ارائه شده که ضعف های الگوریتم های موجود را نداشته و در یک فرآیند تکرار به طور همزمان موجک چشمه و سری بازتاب را تخمین می زند.
- Abstract
- Due to band limitedness of seismic source wavelet, the recorded data in seismic surveys are bandlimited and therefore low resolution. The aim of seismic deconvolution is to remove source wavelet impact from data and consequently enhancing the resolution. This thesis is organized in three chapters. In the first chapter, after a brief review of conventional methods for solving invere problems, a new family of algorithms well-known as iterative thresholding/shrinkage algorithms is introduced. As we can consider seismic deconvoluton as an ill-posed inverse problem, these algorithms could be used in the problem of seismic deconvolution. In the second chapter, compressed sensing is introduced. In this sampling scheme a small amount of linear projection of data is stored and recovery process is based on sparsity. In this chapter we combined compressed sensing by seismic deconvolution. In this way, we are able to recover both seismic data and reflectivity sequence simultaneously. Also three different sampling schemes are tested. In the third chapter, the main achievement of this thesis is presented. In order to perform seismic deconvolution, we need the source wavelet. Estimating the source wavelet is a time-consuming and complicated task. In this chapter, a sparsity based blind deconvolution is presented. This algorithm is automatic and fast and in an iterative procedure estimates both source wavelet and reflectivity sequence.
