عنوان پایان‌نامه
مقایسه روش همبستگی محلی و روش برانبارش هوشمند در برانبارش داده های لرزه ای
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه موسسه ژئوفیزیک شماره ثبت: 668;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48482
- تاریخ دفاع
- ۱۳ شهریور ۱۳۸۹
- دانشجو
- پویا احمدی
- استاد راهنما
- مجید نبی بیدهندی
- چکیده
- برانبارش به عنوان یکی از سه تکنیک اساسی (واهمامیخت، برانبارش و مهاجرت) در پردازش داده های لرزه ای، نقش مهمی در بهبود نسبت سیگنال به نوفه دارد (ایلماز ، 2001). برانبارش متداول که با میانگین گیری از داده هایی که تصحیح برونراند قائم روی آن ها انجام شده و یا داده های مهاجرت داده شده بدست می آید، زمانی بهینه است که تمام اجزای نوفه در همه ردلرزه ها، نا همبسته بوده و دارای توزیع نرمال و پایدار و دارای بزرگی یکسان باشند (ماین ، 1962؛ نیلامانی و همکاران، 2006). از این رو، روش های برانبارش مختلف پیشنهاد شده که در آن ها وزن هایی برای ردلرزه ها درنظر گرفته شده است. برای مقاطع لرزه ای با پوشش کم نتیجه برانبارش معمولی همیشه راضی کننده نیست، برای حل این مشکل راشد در سال 2008 برانبارش هوشمند را پیشنهاد کرد که دامنه های لرزه ای سیگنال برانبارش شده را با خارج کردن نمونه های خطرساز از مقطع و دادن وزن بیشتر به قسمت های مرکزی توزیع نمونه، بهینه می کرد؛ فومل و همکاران، 2009، یک روش جدید برانبارش را توسعه دادند که در آن از همبستگی محلی به عنوان یک تابع وزنی برای برانبارش ورداشت های نقطه میانی مشترک بعد از تصحیح برونراند قائم یا ورداشت های نقطه تصویر مشترک بعد از کوچ پیش از برانبارش استفاده می شود. در اینجا هدف ما پی بردن به وجوه تمایز روش همبستگی محلی بر روش برانبارش هوشمند است. بدین منظور ما روش های همبستگی محلی و هوشمند را در برانبارش داده های لرزه ای با در نظر گرفتن جنبه های مختلفی از قبیل نسبت سیگنال به نوفه و مقایسه طیف دامنه، از نظر محاسباتی مقایسه می کنیم. در این مقایسه این دو روش و روش برانبارش معمولی بر روی داده های واقعی و مصنوعی اعمال شده اند.
- Abstract
- Stacking as one of the three crucial techniques (deconvolution, stacking, and migration) plays an important role in improving signal- to-noise ratio S/R in seismic data processing (Yilmaz, 2001). Conventional stacking, which is performed by averaging an NMO corrected data set or migrated data set, is optimal only when noise components in all traces are uncorrelated, normally distributed, stationary, and of equal magnitude (Mayne, 1962; Neelamani et al., 2006). Therefore, different stacking techniques have been proposed, along with improvements in optimizing weights of seismic traces. However, for low-fold-coverage seismic profiles, the result of conventional stacking is not always satisfactory. To address this problem, Rashed 2008 proposes smart stacking, which is based on optimizing seismic amplitudes of the stacked signal by excluding harmful samples from the stack and applying larger weight to the central part of the sample population and Fomel et al., 2009, have developed a method of stacking in which they use local correlation as a weight for stacking common-midpoint gathers after NMO processing or common-image-point gathers after prestack migration. Here we will compare local correlation and smart stacking in stacking seismic data in which different aspects of this comparison (e.g. signal-to-noise ration, amplitude ratio, etc.) are taken into account as a numerical point of view. The comparison is made possible by considering two different datasets (real and synthetic) and by this means; various benefits of the local correlation method over the smart stacking are demonstrated.
