عنوان پایان‌نامه
بازسازی چند مرحله ای نگاشت های لرزه ای به روش خود بازگشتی
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه موسسه ژئوفیزیک شماره ثبت: 644;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48528
- تاریخ دفاع
- ۳۰ شهریور ۱۳۸۹
- دانشجو
- یحیی مرادی چالشتری
- استاد راهنما
- حمیدرضا سیاه کوهی
- چکیده
- هدف از لرزه‌نگاری در واقع برداشت داده، پردازش آن‌ها و در نهایت به دست آوردن یک تصویر قابل تفسیر از لایه‌های زیر سطح زمین می‌باشد. اطلاعات بازتاب شده از مرز لایه‌ها در سطح زمین به وسیله یک آرایه از گیرنده‌ها ضبط و ذخیره می‌گردد؛ سپس برای بالا بردن نسبت سیگنال به نوفه وکیفیت داده‌ها، پردازش می‌شوند و در نهایت برای ایجاد یک تصویر از زیر لایه‌ها مورد استفاده قرار می‌گیرند. در لرزه‌نگاری از امواج بازتابیده شده نمونه برداری مکانی و زمانی انجام می‌شود. در این مطالعه یک بررسی روی نمونه‌برداری مکانی از امواج لرزه‌ای صورت می‌گیرد؛ جایی که به دلیل بعضی از مشکلات از جمله محدودیت‌های محیطی و توپوگرافی منطقه و عمل نکردن دستگاه‌های نمونه‌برداری، ما برداشت‌هایی با نمونه‌های ناپدید شده خواهیم داشت. بازگرداندن و بازسازی اطلاعات از دست رفته برای ایجاد یک توزیع فشرده‌تر و یکنواخت از گیرنده‌ها که نمونه‌برداری را به صورت مناسب‌تر انجام می‌دهد، می‌تواند با استفاده از روش‌های درون‌یابی و بازسازی داده‌ها انجام پذیرد. از طرف دیگر در پاره‌ای از موارد محدودیت اقتصادی لزوم استفاده از این روش‌ها را قوت می‌بخشد. نحوه نمونه¬برداری مکانی می¬تواند با ایجاد محدودیت در توالی پردازش داده¬ها تفکیک¬پذیری جانبی را متاثر کند. همچنین درون¬یابی داده¬های لرزه¬ای هنگامیکه مجموعه¬ی داده¬ها یک الیاسینگ مکانی را نشان می¬دهد یک روش موثر برای بهبود بخشیدن مهاجرت است. روش استفاده شده در این پایان نامه ترکیبی از یک روش بر پایه تبدیل فوریه و یک مدل خودبازگشتی است. در ابتدا، با استفاده از یک نرم وزن‌دار کمینه‌شده ، قسمت فرکانس پایین داده‌ها بازسازی می‌شود؛ سپس مجموعه داده‌ها در تمام فرکانس‌ها با استفاده از قسمت فرکانس پایین داده‌ها و به وسیله مدل خود بازگشتی چند مرحله‌ای بازسازی می‌گردد. از برتری‌های این روش توانایی بازسازی هم داده‌های منظم و هم نامنظم نمونه‌برداری‌شده است. همچنین این روش مصنوعاتی را که روش‌های بازسازی بر پایه فوریه در داده‌ها ایجاد می‌کنند، به وجود نمی‌آورد. نتیجه نهایی مرحله بازسازی یک اثر قابل ملاحظه در مراحل پردازشی بعدی از جمله افزایش تفکیک‌پذیری، حذف نوفه، برانبارش و مهاجرت است. نتایج اعمال روش ذکر شده بر روی داده‌های مصنوعی و واقعی کارائی الگوریتم بازسازی را تائید می‌کند.
- Abstract
- The goal of exploration seismology from data gathering and data processing is to obtain an interpretable image of subsurface layers. Reflected information from subsurface boundaries is recorded on the ground surface and saved by an array of receivers. In order to enhance the signal to noise ratio of data and quality of the final image, data should be processed. Commercial software packages mostly assume data were sampled uniformly both in time and space. However, in real world data acquisition, some traces may have missed from data set because of problems such as topography, equipment defects, and environmental constraints. Recovery and reconstruction of missing data in order to produce a denser distribution of receivers and/or uniformly sampled data set which suitably depicts the sampling can be executed using interpolation and reconstruction methods. On the other hand, economic constraints also strengthen the necessity of use of these interpolation methods. Interpolation of seismic traces is an effective way to improve migration when the data set show a spatial aliasing. The method used in this thesis is a combination of two methods. One is based on Fourier transform and another is an autoregressive model. At first, the low frequency part of the data is reconstructed using Minimum Weighted Norm (MWN). Then, the missing data are reconstructed from the low frequency part using Multi-step Auto-Regressive (MSAR) model. One of the most important benefits of the method is the reconstruction of both regularly and irregularly sampled data. Moreover, this method has not made the artifacts which appear in the Fourier-based reconstructed data. Final result of reconstruction step is a considerable effect in future processing steps including resolution enhancement, noise suppression, stacking, and migration. The results of algorithm on synthetic and real data show the performance of the method to reconstruct the data.
