عنوان پایان‌نامه
بهینه سازی الگوریتم های نوفه های زدایی بر مبنای تبدیل های موجک و کرولت با استفاده از معیارهای چند متغیره SURE و GCV
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60161;کتابخانه موسسه ژئوفیزیک شماره ثبت: 921
- تاریخ دفاع
- ۱۰ تیر ۱۳۹۲
- دانشجو
- رضوان الله مرتضی نژاد
- استاد راهنما
- حمیدرضا سیاه کوهی, علی غلامی
- چکیده
- برداشت داده¬های لرزه¬ای همواره با حضور نوفه همراه خواهد بود. نوفه ها عمدتا به دو دسته¬ی اصلی اتفاقی و همدوس تقسیم می¬شوند که نوفه¬های اتفاقی از یک ردلرزه به ردلرزه دیگر ناهمبسته می¬باشند. نوفه¬های همدوس نیز شامل نوفه های خطی، چندگانه¬ها و... هستند. کاهش نوفه اتفاقی در داد¬های لرزه¬ای یکی از مراحل مهم پردازش داده¬های لرزه¬ای به شمار می¬آید. به علت اینکه درحوزه مکان و/یا زمان قسمت مطلوب (سیگنال) و قسمت نامطلوب (نوفه اتفاقی) با هم همپوشانی دارند و تمایز این دو به سختی قابل انجام است، به جای استفاده از حوزه زمان می¬توان از حوزه های دیگر استفاده کرد، تا در این حوزه بتوان سیگنال و نوفه را از یکدیگر تفکیک نمود. در این پژوهش یک الگوریتم جامع نوفه¬زدایی در دو حوزه موجک و کرولت به عنوان یک فیلتر چند متغیره ارائه می¬شود. این فیلتر جامع در حوزه موجک تابعی از نوع موجک که به وسیله همواری آن مشخص می¬شود، تابع آستانه¬گذار و مقدار آستانه می¬باشد در حالی که در حوزه کرولت فقط تابعی از تابع آستانه¬گذار و مقدار آستانه است. برای بهینه سازی متغیرهای الگوریتم جامع در هر دو حوزه موجک و کرولت برای هر سیگنال (یک یا دو بعدی) دلخواه لرزه¬ای، از دو روش تخمین خطای نااریب استین (SURE) و ارزیابی متقاطع تعمیم یافته (GCV) که با استفاده از تکنیک مونت کارلو محاسبه شده¬اند، استفاده می¬شود. در این پژوهش، بهترین تابع موجک از بین خانواده موجک¬های اسپلاین B کسری انتخاب می¬شود و تابع آستانه¬گذار بهینه نیز از یک تابع آستانه¬گذار جامع که شامل تعداد زیادی از تابع¬های آستانه¬گذار مرسوم می-باشد به دست می¬آید. همچنین مقدار آستانه بهینه از بین مقدارهای ممکن برای آن به دست می¬آید. نتایج به دست آمده نشان دهنده عملکرد بالای روش پیشنهادی در هر دو حوزه موجک و کرولت در نوفه¬زدایی داده لرزه¬ای نسبت به روشهای Visushrink و Sureshrink می باشد.
- Abstract
- Seismic acquisition is always associated with noises which are classified in two main categories; random and coherent noise. Random noises are independent from trace to trace. Coherent noises also include linear noises and multiples. Reducing random noise in seismic data is one of the important steps of seismic processing. Since in time/space domain the desired (signal) and undesired (noise) parts of the data overlap and their distinction is difficult, instead of using time domain, one could use other transform domains in order to separate signal from that of noise. In this research a general denoising algorithm is develop as a multi-variant (variable) filter which performs in multi scale transform domain (e.g. wavelet and curvelet). In wavelet domain, this general filter is a function of the type of wavelet characterized by its smoothness, thresholding rule, and thresholding value, while, in the curvelet domain; it is only a function of threshold function and thresholding value. two methods of steins unbiased risk estimate (SURE) and generalized cross validation (GCV), evaluated using Monte Carlo technique, are utilized to optimize the algorithm in both wavelet and curvelet domains for a given seismic signal. In this research, the best wavelet function is selected from a set of fractional B-spline wavelets family. The optimum thresholding rule is selected from a general thresholding rule which contains the most known thresholding rules, and thresholding value is chosen from a set of possible values. The obtained results, show high performance of the proposed method in both wavelet and curvelet domains in comparison to conventional methods in denoising seismic data.
