عنوان پایان‌نامه
تضعیف نوفه تصادفی با استفاده از تابع منظم ساز تغییرات کلی تعمیم یافته
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58997;کتابخانه موسسه ژئوفیزیک شماره ثبت: 906
- تاریخ دفاع
- ۱۹ شهریور ۱۳۹۲
- دانشجو
- حجت حق شناس لاری
- استاد راهنما
- حمیدرضا سیاه کوهی, علی غلامی
- چکیده
- روش‌های وارون‌ساز از جمله روش‌های پرکاربرد در دنیای ژئوفیزیک، بخصوص در پردازش داده‌های ژئوفیزیکی می‌باشند که پردازش را سهل و دقیق‌تر می‌نمایند. یکی از کاربردهای اینگونه روش‌ها در لرزه‌شناسی حذف نوفه‌های لرزه‌ای تصادفی می‌باشد. این نوفه‌ها که جزء جدایی ناپذیر داده‌های لرزه‌ای می‌باشند همواره باعث آلودگی تصاویر لرزه‌ای شده و تفسیر این داده‌ها را مشکل می‌نمایند. تا بحال روش‌های متنوعی برای حذف اینگونه نوفه‌ها پیشنهاد شده است. با وجود این، هرکدام از این روش‌ها نواقصی بزرگ را در خود دارند. تأثیر منفی این روش‌ها گاهی آنقدر بزرگ می‌باشد که باعث به اشتباه افتادن مفسر می‌شوند. لیکن لرزهشناسان ترجیح می‌دهند از این روش‌ها کمتر استفاده نمایند. یکی از روش‌های قدرتمند وارونسازی روش تیخونوف می‌باشد. این روش قادر به بازسازی سیگنالهای هموار با قدرت بالایی است اما از بازسازی گوشه‌های سیگنالهای قطعه‌هموار عاجز می‌باشد. بنابراین، روش تیخونوف قادر به شناسایی لبه‌های تصاویر نبوده و آن را هموار می‌سازد. این رخداد چندان مطلوب لرزهشناسان نمی‌باشد زیرا لبه‌های موجود در تصاویر لرزه‌ای نماینده‌ی تله‌های نفتی بر روی تصاویر می‌باشند و تشخیص دقیق آنها لرزهشناسان را در تفسیری دقیق‌تر و صحیح‌تر یاری می‌نمایند. از دیگر روش‌هایی که بسیار در پردازش تصاویر کاربرد دارند موجک‌ها می‌باشند. این ابزار پردازشی نیز چون روش تیخونوف قادر است با دقت بالایی قسمت‌های هموار سیگنال‌ها را بازسازی نمایند اما همانند تیخونوف قادر به دوباره‌سازی لبه‌ها و گوشه‌های سیگنالهای قطعه‌هموار نمی‌باشند. روش دیگر که می‌توان آنرا یکی از تواناترین ابزارهای پردازشی نامید کرولت‌ها می‌باشند. کرولت‌ها قادرند هم قسمت‌های هموار و هم لبه‌ها و ناهمواری‌های سیگنال‌ها را به خوبی بازسازی نمایند. با این حال این ابزار قدرتمند نیز عاری از اشکال نیست. یکی از نقوص این روش ایجاد تاثیرات مصنوعی ریزمقیاسی است که می‌توانند به عنوان پدیده‌های مجزای لرزه‌ای تفسیر گردند. مطمئنا هیچ لرزه‌شناسی تمایل به گمراه شدن در هنگام تفسیر داده‌های لرزه‌ای را ندارد. لیکن با وجود اینکه استفاده از این ابزار مزایای بسیاری را در پردازش تصاویر دارا می‌باشد اما نتایج حاصله خالی از اشکال نمی‌باشند و نیاز به روشی به مراتب قدرتمندتر هنوز احساس می‌شود. روشی که در این پایان‌نامه معرفی خواهیم نمود روش منظم‌ساز تغییرات کلی تعمیم‌یافته می‌باشد. این روش همانطور که از نامش پیداست تعمیم‌یافته‌ی روش تغییرات کلی می‌باشد که خود یکی از روش‌های وارونسازی است. نقصانی که روش تغییرات کلی داراست عدم توانایی آن در بازسازی قطعات هموار می‌باشد؛ باوجود آنکه قادر است به‌خوبی لبه‌ها را بازسازی نماید. تعمیم یافته‌ی این روش تلاش بر آن دارد تا این نقیصه را از بین ببرد و ابزاری قدرتمند را به دنیای پردازش تصاویر معرفی می‌کند که نقوص آن به مراتب کمتر از بسیاری از روش‌های پردازشی دیگر می‌باشد. بنابراین می‌توان چنین ادعا نمود که این روش در زمره‌ی بهترین روش‌های پردازشی طبقه‌بندی می‌شود. در این پایان‌نامه ابتدا روش‌های ذکر شده در بالا را معرفی نموده و سپس به بحث درمورد روش تغییرات کلی تعمیم‌یافته می‌نماییم. سپس با ارائه مثال‌هایی قدرت آن را می‌آزماییم و ثابت می‌کنیم این روش از قدرت بسیار بالایی در حذف نوفه‌های تصادفی داراست و در عین حال کمترین تاثیر منفی را بر روی داده‌های ما برجای خواهد گذارد.
- Abstract
- Inversion methods are the most practical tools in Geophysics domain, especially in seismic signal processing works. One of the important role of these methods in seismic is random noise attenuation. This kind of noise is an integral part of seismic data and decreases the resolution of data. Up until now, many random noise attenuation methods were introduced. However, these methods cannot remove noises without any unwanted effect. One of the vigor and widely used inversion methods, is Tikhonove method. This method is one of the best methods in smooth signals reconstruction; nevertheless, it cannot reproduce the edges of signals as well as smooth parts and destroys them. This behavior is not an acceptable behavior among geophysicist due to the important role of edges in geophysics interpretation. The edges of wedges are the most likely places that hydrocarbon can be trapped in there. Using wavelet transforms in the other way of random noise attenuation. Despite the fact that this methods can reconstruct smooth parts of signals as well as Tikhonove method, they have the same problem. Curvelet transform is the other way of signal processing method, which can be used in random noise attenuation domain. These tools can reconstruct smooth and nonsmooth parts of signals with high performance. Nevertheless, the fine scale artifacts that these tools leave on the output can mistakenly be interpreted as real features. The method that will be introduced in this thesis is generalized total variation method. This method was proposed to omit the total variation defects, which is leaving staircase footprints on smooth parts of data.
